面向城市决策者 · 区域产业推演
AI 时代的
区域产业命题
从长三角一次公开的政府招标说起——
一座城市，该怎样组织自己的 AI 转型。
讨论的起点
这一次，想清楚四个问题
不讲技术趋势，只讲一座城市面前真实的选择题。
01
大势别人在做什么
长三角已经把 AI 推进到"逐家企业诊断"的颗粒度。他们的方法里，哪些是可以直接拿来的。
02
真问题钱花了，算力在睡觉
全国几百座智算中心，平均利用率不到三成。这不是建设失误，是组织缺位。
03
政府该做什么
四个角色、四个抓手。以及政府自己内部的 AI，该怎么搭才不重复建设。
04
产投该投什么
模型不再是壁垒之后，投资的锚点要往哪移。以及厦门缺的到底是什么。
→
最后，落回一条可执行的路线
三个月做什么、一年做什么、一年以后沉淀什么。
02 / 37
先说结论
四条判断
1
胜负手不在谁建的算力中心更大，在谁让更多企业真正用起来
算力、园区、平台都是投入项。只有企业侧的调用量，才是产出项。
2
算力闲置不是建设失误，是组织缺位
缺的不是下一批 GPU，是下一批订单。把本地算力、行业场景、交付服务接起来，沉睡资产才会变成现金流。
3
政府最该做的不是再投一个平台，是把三件事组织起来
场景、服务商、算力。这三件事各自都有人做，缺的是把它们串起来的那只手。
4
技术已经平权，认知与组织才是差距
模型买得到、权重拿得到、开源部署得起来。窗口期属于先把组织方式跑通的城市。
03 / 37
一 · 大势
国家层面 · 2026 年 1 月
哨子已经吹响："人工智能+制造"专项行动
工信部、中央网信办、国家发改委等八部门联合印发《"人工智能+制造"专项行动实施意见》，明确到 2027 年的目标。
请注意最后一条。国家要的不只是模型和算力，是能把 AI 接进行业的服务能力——这正是区域产业生态里最容易被忽略、也最缺的一环。
来源：工业和信息化部等八部门《"人工智能+制造"专项行动实施意见》，2026 年 1 月
04 / 37
一 · 大势
长三角样本 · 江苏
江苏把这件事，做到了逐家企业的颗粒度
《江苏省"人工智能+制造"诊断工作方案（2026—2027）》，苏工信信发〔2026〕63 号。
11765家
两年线下诊断企业数（2026 年 4780 + 2027 年 6985）
全覆盖
到 2027 年底，基本实现全省规上工业企业 AI 应用水平诊断全覆盖
33个
聚焦的典型场景，围绕"1650"产业体系展开
10000家
基础级以上智能工厂开展 AI 场景应用水平自评测
20% / 50%
先进级智能工厂场景覆盖率 20%+；卓越级 50%+
55%+
到 2027 年，规上企业研发设计环节 AI 应用覆盖率
四个原则值得抄下来：政府引导、市场主导；问题导向、精准赋能；线上线下结合、省市县协同；边诊边建、以诊促建。最后一条最关键——诊断不是写报告，是为了马上开工。
来源：《江苏省"人工智能+制造"诊断工作方案（2026—2027）》《江苏省"人工智能+制造"实施方案》
05 / 37
一 · 大势
常州 · 一个可以数出来的样本
省里给了两年的指标，常州压进了一年
2026 年常州市"人工智能+制造"诊断服务项目，项目编号 JSZC-320400-CZJC-G2026-0059，采购人：常州市工业和信息化局。
541家
线下实地诊断（省定常州两年指标为 698 家，2026 年计划 280 家）
3246家
线上自评测辅导，按不低于 1:6 比例配套
20个
采购包，覆盖天宁、钟楼、武进、新北、金坛、经开、溧阳
997万元
项目预算（单包 35—66.3 万元不等）
1万字/家
每家被诊断企业出具报告正文不低于 1 万字，须企业签字盖章
12月底
合同签订后至 2026 年 12 月底前全部完成并验收
省定节奏是 2026 年 280 家，常州一年做了 541 家。这不是在完成指标——是在抢时间。抢的是"谁先把本地企业的 AI 水位摸清楚"。
来源：常州市政府采购公开招标文件（JSZC-320400-CZJC-G2026-0059）；江苏省工信厅诊断工作方案地区分解表
06 / 37
一 · 大势
一份招标文件，能读出方法
常州这份标书里，藏着四件事
ONE
先诊断，后建设
明确"边诊边建、以诊促建"。不让企业先买系统、先上平台，而是先把水位摸清楚，再决定从哪里动第一锹。
避免了"建完没人用"
TWO
颗粒度到 33 个场景
引入"八大环节 + 33 个 AI 典型场景"框架：工厂建设、产品研发、工艺设计、生产管理、生产作业、运营管理、产品服务、供应链管理。
场景不是口号，是可打分的具体项
THREE
交付标准是硬的
每家企业上门不少于 4 次，每次不少于 3 人、3 小时，含 1 次不少于 0.5 小时专题培训；报告 1 万字以上，严禁抄袭、不得模板化。
把"走过场"堵在了条款里
FOUR · 最关键的一条
服务商要真有东西
招标明确要求：投标人须具备人工智能、AI、大模型等相关的自主知识产权及相关产品或解决方案；诊断组成员不少于 15 人，组长须由具备实战经验的中级或以上职称专家担任；不接受转包，须具备 2 小时到场的本地化服务能力。
政府开始筛"谁真能做"，而不只是比价格
来源：常州市政府采购公开招标文件 第五章 采购需求
07 / 37
一 · 大势
福建 · 2026 年 6 月
福建的路径，和江苏不一样
《福建省"人工智能+制造"行动计划（2026—2028 年）》，省工信厅等八部门联合印发。
到 2028 年
20 个工业垂直模型
不追求通用大模型，聚焦能用在具体行业里的垂直模型；同步发展 50 个工业智能体，形成 100 个典型应用场景。
锚点是"垂直模型"，不是"通用能力"
算力
算力供给普惠工程
构建全省一体化算力网络，围绕"一核两区多点"优化布局，规范数据中心项目建设，提升算力消纳与使用效能；扩大企业购买算力服务补助范围。
文件里直接写了"提升消纳"
资金
基金引导明确入文
发挥省级人工智能、数字经济等基金引导作用，投资支持人工智能产业发展和赋能应用项目；垂直模型最高补助 1000 万元，算力服务按不超过 50% 补助。
政策通道是通的
江苏走的是"诊断全覆盖"，福建走的是"垂直模型 + 基金引导"。两条路径没有高下，但对厦门而言，福建的口径里有两句可以直接接：一句是"提升算力消纳"，一句是"基金投资赋能应用项目"。
来源：《福建省"人工智能+制造"行动计划（2026—2028 年）》；《福建省人工智能项目实施方案》（闽工信规〔2026〕1 号）
08 / 37
一 · 大势
厦门 · 不是从零开始
厦门手上，其实已经有一手牌
◈
政策与算力
《2026 年数字厦门工作要点暨数智全面赋能行动计划》：年底前公共智算规模突破 3500P；开展城域"毫秒用算"专项行动；AI 核心产业规模力争突破 650 亿元；打造省级以上典型应用场景 10 个以上。
算力目标已定，消纳机制待补
▣
载体与平台
厦门人工智能产业带（马銮湾园区）2026 年 4 月开园，总投资 76 亿元、总建面超 200 万㎡，首批 12 家企业入驻；集美另有浦公山实验室（RISC-V 智算硬件）、凤凰花实验室（"产业+AI"实战平台）两大 AI 创新平台。
园区与实验室齐备
◆
资本与人才
杏林湾基金聚集区管理规模突破 3000 亿元；"十五五"重点培育高端装备、人工智能两大千亿级产业集群；辖区 16 所高校院所、近 18 万师生、139 个硕博学位授权点。
钱和人都在，缺的是组织方式
集美还做了一件更关键的事：编制区级应用场景目录，围绕产业体系梳理 80 个细分方向，并对政府投资项目落实"刚性纳入、刚性给单"机制——把政府自己的需求，变成企业可触达的市场。
来源：《2026 年数字厦门工作要点暨数智全面赋能行动计划》；厦门人工智能产业带（马銮湾园区）开园报道；2026"投集美 赢未来"推介会
09 / 37
一 · 大势
值得想一想的差别
两种切入方式，中间缺的一环是什么
路径 A · 长三角
从企业诊断切入先摸清每家企业在 33 个场景上的真实水位，服务商带着报告进厂，边诊边建。政府买的是"认知"，不是"设备"。
VS
路径 B · 园区平台
从载体与算力切入先把园区、实验室、算力建起来，再引企业进来。政府买的是"能力"，供给先于需求。
供给先行的代价
建好的算力与载体，如果找不到足够多"能马上开工"的需求，就会进入等待——而算力是在等待中持续贬值的资产。
需求先行的代价
摸清楚了水位，本地却没有能接住的服务能力，诊断报告最后会变成一份束之高阁的文档。
缺的那一环
把"摸清的需求"和"建好的供给"接起来的组织能力——场景分级、服务商筛选、算力消纳，这三件事合起来就是它。
没有对错之分。但从"建起来"到"用起来"之间，那一环是谁的活儿，要先想清楚。
10 / 37
二 · 真问题
一个绕不开的问题
钱已经花下去了，算力在睡觉
500+ 座
截至 2026 年 6 月，全国在用智算中心数量；另有在建及规划项目近 400 个（国家数据局）
35%
全国已建成和在建数据中心中，约 35% 的机架处于闲置或低效运行状态（赛迪研究院，2026 年 3 月）
20—30%
行业平均算力利用率；部分企业级中心低于 10%
40%
一家智算中心通常要达到四成左右上架率，才能跨过盈亏平衡线
250—350座
按上述口径粗略推算，可能仍处亏损或难以覆盖完整成本
40%+
算力价格较 2024 年高峰期跌幅；西北地区出现"一元一卡时"的竞争
这些数字不是要否定过去几年的建设。基建先行有其合理性。真正的问题是：下一笔钱，是继续买卡，还是去买"把卡用起来"的能力？
来源：国家数据局；赛迪研究院（2026 年 3 月）；公开行业调研报道
11 / 37
二 · 真问题
同一时间，两种景象
一边抢卡，一边空转
紧缺的那一侧
高端智能算力供给紧张东部产业急需的智能算力供应紧张；高端卡租赁价格上行、交付周期长；训练场景仍集中在少数头部厂商。
同时
闲置的那一侧
地方中小智算中心 GPU 利用率不足 30%西部通用算力平均利用率仅 20%—30%；部分传统数据中心上架率不足 60%，平均出租率回落至 40% 以下。
这不是总量问题
不是算力建多了或者建少了，是结构错配：高端紧缺、中低端过剩；东部紧张、西部闲置；训练集中、推理分散。
增加投资解决不了结构问题
也不只是技术代际问题
老一代通用算力硬件正加速向高性价比推理与基础应用沉淀。适配不了大模型，不代表没有价值——只是还没找到它的用途。
关键是给它配对的场景
"巨头缺算力"和"地方算力闲置"同时发生，这件事本身就说明：问题不出在供给端，出在连接供需的组织端。
来源：公开行业调研报道；国家数据局
12 / 37
二 · 真问题
为什么会这样
三个错配
建设逻辑
先定规模，再等需求
很多地方建智算中心，沿用的是基础设施逻辑：先定规模、买设备、建中心，再等需求进来。但算力不像公路，建好之后不会自动有车来。
需求错配
芯片结构对不上
不少地方数据中心配的芯片仍以 CPU 为主，适配传统 IT 与云服务场景，难以满足大模型训练与推理需求；有的架构搭配不合理，即便电价低也用不起来。
能力错配
有卡，不等于接得住
一个地方有空闲 GPU，不代表能直接接住头部模型公司的训练任务。缺的是模型选型、数据处理、部署调优、安全合规、成本核算这一整套——都是脏活累活。
两个公开调研的细节：中部某省规划 3 个智算中心、总规模 1200 PFLOPS，当地数字经济企业不足百家，实际需求不足 200 PFLOPS；东部某市两个区县分别建设生物医药和工业互联网智算中心，真正入驻的企业不足 10 家。
来源：《半月谈》调研报道；公开行业分析
13 / 37
二 · 真问题
但需求端已经变了
转折点：从"卖算力"到"卖结果"
需求的量级
Token 调用量在爆发
中国日均 AI Token 调用量，从 2024 年初约 1000 亿，升至 2026 年 3 月超过 140 万亿（国家数据局）。2026 年 2 月，中国 AI 模型周调用量突破 5 万亿 Token，首次超过美国。
训练有项目周期，推理跟着业务持续发生
需求的结构
推理成了主战场
2026 年推理需求占总算力需求突破 70%，智能算力在总算力结构中占比突破 80%。智能体单次 Token 消耗是传统对话的十倍到百倍量级。
推理强调低时延、高并发、高性价比
竞争单位变了
从"谁的 GPU 多"，切换到每 Token 的综合成本。谁能把算力最稳、最省、最持续地变成生产力，谁才有定价权。
交易标的变了
客户不再需要采购 GPU、租用机柜，而是直接购买AI 处理后的结果——接 API、按需调用、按量付费，像用水电一样即开即用。
拥有算力 ≠ 拥有生产力。对绝大多数普通企业来说，长期购买的是推理算力——把 AI 接进客服、营销、代码开发、工业检测和知识库。
来源：国家数据局；公开行业报道
14 / 37
二 · 真问题
公有云推不动的那一块
大厂在推公有 AI，企业用不进去
01 合规
数据不出域
工艺参数、成本口径、客户名单、招投标文件——这些东西上不了公有云。越是核心的业务数据，越是只能在本地跑。
这是硬约束，不是偏好
02 业务
行业口径对不上
通用模型不懂"齐套率""交期承诺""工废率""成本归集口径"。这些词在每家企业的定义都不一样，通用平台不会为一家工厂改。
最后一公里，必须有人下去
03 资产
本地私有算力在闲置
一边是公有 AI 用不了，一边是各地已经建好的机房没有订单。这两件事是同一个问题的两面。
缝隙就是机会
大厂做不了的部分
大厂更愿意做标准平台，很难逐个进入碎片化场景。一家工厂只想做视觉质检、一家公司只需要私有知识库——项目规模可能只有几张、几十张卡，还要有人处理模型选型、数据、部署、安全和成本。
这正是本地的机会
本地私有算力 + 懂行业的交付团队，正好补上"数据不出域 + 行业口径"这两块。公有云越大，这个缝隙越清晰。
算力中心缺的，很多时候不是下一批 GPU，而是下一批订单——而订单，来自能把场景翻译成调用量的服务商。
15 / 37
二 · 真问题
换个说法
闲置算力不是负担，是还没被组织的资产
①
资产还在
机房、电力、网络、本地化运维，这些投入不会因为利用率低就消失。折旧在发生，但能力也在。
②
订单不在
缺的是"谁把它用起来"。没有订单，再好的机房也只是成本中心。
③
组织缺位
把本地算力、行业场景、交付服务接起来——这三件事之间，缺一只手。
→
谁把"本地算力 + 行业场景 + 交付服务"组织起来，谁就把沉睡资产变成现金流
而组织这件事，正好是政府、产投和运营商各自都有牌可打的地方。
16 / 37
三 · 政府
政府该做什么
四个角色，而不是再投一个平台
角色一
场景开放方
政府投资与国企需求先拿出来，让技术有地方试。集美已提出"刚性纳入、刚性给单"——这就是制度化的样子。
角色二
需求组织方
把几百家企业分散、说不清楚的需求，归集成可被服务商承接的场景包。需求不成包，服务商就只能一家一家谈。
角色三
服务商筛选方
分层分级，建立白名单。企业不敢上 AI，很大一部分原因是服务商鱼龙混杂、回报不明朗。
角色四
算力消纳方
把本地闲置算力，转成企业用得起的推理服务。福建省已明确"算力供给普惠工程"，通道是通的。
这四个角色的共同点：都不需要政府自己下场做产品。需要的是规则、清单、撮合和背书——政府最擅长、市场做不了的那部分。
17 / 37
三 · 政府
抓手一
先诊断，再建设：把场景清单做出来
STEP 1
摸底
参照"八大环节 + 33 个典型场景"，对规上工业企业做一次 AI 应用水位体检。线上线下结合：重点企业线下深度诊断，其余线上自评测。
产出：一家一份报告
STEP 2
分级
把场景按"能落地 / 需改造 / 暂不成熟"三档分类。不是所有场景都 ready，一把抓的结果是哪一件都做不透。
产出：场景优先级清单
STEP 3
出单
每家给一份"一企一策"的场景清单与改造路径，明确对应的技术应用、基础条件与实施阶段，而不是一份通用方案。
产出：可开工的任务单
集美其实已经做了大半：区级应用场景目录已覆盖 80 个细分方向。缺的是给它做一次"AI 适配度"分级——哪些场景今天就能用 AI 做，哪些还需要先补数据、先改流程。
参照：《江苏省"人工智能+制造"诊断工作方案》；2026"投集美 赢未来"推介会公开信息
18 / 37
三 · 政府
抓手二
盘活算力：靠的不是再建，是消纳
①
统一入口
政府牵头搭一层调度与服务层，企业不直接面对机房、不直接面对命令行。企业要的是"能用"，不是"能租"。
②
按需计费
从"租机柜、租卡时"改成按调用量付费。中小企业最怕的是固定资产占用，按需付费才能真正降低门槛。
③
数据不出域
本地私有部署承接政务与制造业敏感场景——这恰恰是公有云做不到的部分，也是本地算力不可替代的理由。
④
服务商带单
让有交付能力的服务商带着真实场景进来。订单不是等来的，是服务商一家一家跑出来的。
对运营商意味着什么
手里有机房、有带宽、有本地运维，也有政企客户关系。缺的同样是"把算力变成业务"的那一层——这一层可以自己建，也可以和服务商联合做。
政策通道已经开了
福建省明确"算力供给普惠工程"，并对企业购买智能算力服务按不超过 50% 补助，单家不超过 50 万元。补贴有了，缺的是被组织的订单。
来源：《福建省"人工智能+制造"行动计划（2026—2028 年）》；《福建省人工智能项目实施方案》
19 / 37
三 · 政府
抓手三
产业联盟，怎么建才不流于形式
联盟最容易死于"只开会、不立项"。要活下去，至少得先定死四件事。
定清单
共性问题清单
同一行业的企业，把最痛的三个问题拎出来，形成联合场景。共性需求才值得联合投入，个性需求交给市场。
定场景
先做透一个
一个行业先做透一个场景，做出可复制的样板再推广。十个场景各做三成，不如一个场景做到能验收。
定规矩
服务商白名单
谁进来、谁能交付、谁被淘汰，要有明确规则。没有淘汰机制的名单，最后会变成通讯录。
定归属
成果归谁
沉淀下来的口径、模型、智能体，归谁、怎么复用、能不能跨企业迁移——这件事不定清楚，第二年就散了。
集美已经提出的方向是对的：以七大重点领域为突破口建立七大领域"产业+AI"联盟，发挥链主企业带动作用，并力争每个行业领域拥有 2 个优质垂域模型服务商。缺的是把上面这四件事写进联盟章程。
来源：集美区科技和工信局关于区政协九届五次会议第 061 号提案办理情况的答复函
20 / 37
三 · 政府
抓手四
把服务商分层，企业才敢上
企业观望情绪浓厚，一大原因是"服务商鱼龙混杂、投资回报不明朗"——这是政府自己诊断出来的结论。
| 类型 | 强项 | 短板 | 在生态里的位置 |
|---|
| 模型厂商 | 模型能力强、迭代快 | 不进车间、不懂工序、不管口径 | 提供能力底座 |
| 通用云 / SaaS 厂商 | 平台成熟、算力充足、生态完整 | 数据出域受限；最后一公里靠伙伴 | 提供平台与算力 |
| 行业咨询 + 交付团队 | 懂 ERP / MES 业务口径，能把 Agent 接进流程 | 规模小、复制慢、需要被组织 | 最后一公里的执行者 |
为什么第三类最关键
前两类在市场上不缺、也不缺钱。真正稀缺的是既懂行业又懂 AI 工程的交付团队——国家文件里那句"懂智能、熟行业"，说的就是它。
政府能做什么
把第三类识别出来、扶持起来、给它们订单和背书。这是本地产业生态里最缺、也最容易通过政策撬动的一环。
常州的做法可以直接参考：招标文件里明确要求服务商具备 AI/大模型相关的自主知识产权及产品或解决方案，且不接受转包——把"谁真能做"写进了条款。
21 / 37
三 · 政府
抓手四 · 续
最稀缺的那一类服务商，现在有个名字叫 FDE
上一页说的"既懂行业又懂 AI 工程"的交付团队，在行业里已经有成熟形态，也有成熟的名字。
95%
MIT NANDA 统计约 300 个公开企业 AI 项目：约 95% 没有对损益产生可衡量的影响
85%
Gartner 预计：到 2026 年底，超过 85% 的科技服务商将以 FDE 作为交付 AI 的核心方式
224个
2026 年 5 月底，39 家公司同时在招的 FDE 岗位数——18 个月前这个岗位名称还不存在
它不是外包
传统外包对代码和工作量负责；FDE 对最终业务结果负责。验收的不是交付物，是业务指标有没有动。
它不是售前
售前在会议桌上谈方案；FDE 在客户的业务现场，跟真正干活的那批人坐在一起，看他们实际怎么做。
它不是传统实施
实施把系统装上就走；FDE 从发现问题、写代码、上线到度量，一条龙走完，还要把可复用的部分沉淀回来。
差别只有一句——对什么负责。这也是服务商分层里，第三类之所以最稀缺的原因。
22 / 37
三 · 政府
全球参照 · 2026
二十年没人抄，两年之内全行业都在招
这个角色由 Palantir 发明，此后二十年几乎是孤例。生成式 AI 让它一夜之间变成行业标配。
Palantir：发明者
2000 年代中期为政府与大型企业客户发明这个角色，内部称 Delta。Echo 团队到现场挖痛点，Delta 在现场建原型，可复用部分回流到平台。三年股东回报约 640%。
OpenAI：40 亿美元
2026 年 5 月成立专门的部署公司，融资 40 亿美元，收购 Tomoro 带来约 150 名 FDE，并与 BCG、贝恩、埃森哲一起交付客户项目。
Anthropic：15 亿美元
同类岗位叫 Applied AI Engineer，与黑石、高盛等设立 15 亿美元的企业 AI 服务合资公司，把工程师直接嵌进客户团队。
Google / AWS：全面铺开
Google Cloud 曾在 60 天内在四大洲开放 59 个 FDE 岗位；AWS 于 2026 年 6 月宣布成立自己的前置部署工程部门。
四大会计师事务所也已陆续设立 FDE 业务线。当一个岗位被咨询公司成建制地设立，说明它已经从探索变成了标准做法。
23 / 37
三 · 政府
国内参照 · 2026
国内已经开始，但闭环还没真正建起来
多数团队仍然叫"实施顾问""解决方案架构师"。叫什么不重要，重要的是对什么负责、做完能不能沉淀。
科大讯飞：国内最早
2022 年就落地商业化的 FDE 前置部署体系，覆盖教育、医疗、工业、政企，擅长高复杂度与强监管属性的项目。
安思派：300 余名
腾讯战略投资，以 FDE 交付为核心业务，300 余名现场交付工程师，团队构成以交付为主而非以研发为主。
赛意信息：工业现场
FDE 团队直接部署在工业现场，配套自研底座。公开信息显示交付周期最高压缩 36%，人力投入平均降低 16% 以上。
金蝶 / 阿里 / 中软 / 鼎捷
能力内生于已有的服务体系，规模稳定，但主要围绕自身产品生态展开，跨系统场景需要额外集成。
短板不在人数，在闭环——多数团队仍按人天计费、按交付物验收，没有形成"现场定制 → 共性筛选 → 产品抽象"的回流。规模上去了，边际成本却下不来。
24 / 37
三 · 政府
落到人
谁离 FDE 最近？长期做 ERP 与 SAP 的咨询团队
对区域来说，这不是要不要引进一家新公司的问题，而是本地已有的能力怎么接上去。
ERP 实施顾问
前 AI 时代驻在客户现场；懂业务流程与口径；把标准产品配到能用；对系统上线负责。
≈
FDE
AI 时代驻在客户业务现场；懂业务流程与口径；把 AI 接进客户的系统和数据；对业务结果负责。
前半段已经有了
长期做 ERP 与 SAP 进阶的 IT 咨询团队，手里握的正是企业级业务场景的知识结构——BOM、齐套、交期、成本口径、审批链。
后半段要补
Agent 编排、RAG、工具调用、evals。这是唯一必须补的部分，也是唯一能靠学习补上的部分。
不对称就在这里
行业直觉要 3—5 年才能长出来，AI 工程能力 3—6 个月能补上。反过来不成立——让工程师去补行业经验，代价高得多。
对区域意味着什么
与其从外地引进，不如把本地已有的行业咨询力量接上 AI 工程能力。50 人以上规模的这类团队，在国内数量有限。
一句话：技术可以学，行业直觉学不来——这是技术平权之后，行业团队最硬的一块底。
25 / 37
三 · 政府
政府自己也要转
政务 AI：别每个部门各建一个
北京 · 2026 年 9 月
首个政务大模型应用服务平台
搭建全市统一算力资源池，实现通用大模型标准化、集中化统一管理。已部署通用模型 35 个，支撑 16 家单位开展 63 个应用场景测试验证，覆盖接诉即办、招投标监管、基层治理等核心场景。
从"分散建设"到"统一供给"
长沙
市级统一政务 AI 底座
对标《政务领域人工智能大模型部署应用指引》，统筹建设市级统一底座，实现四大统一管理：模型统一纳管调度、算力集中弹性供给、知识库分区隔离、全链路安全防护。建成"一库两助手"。
杜绝重复建设、算力分散、数据失管
深圳福田
AI 公务员全天候在岗，民生诉求助手实现工单秒级分派，累计处理社情民意事件 202 万件。
广州
城市级算力调度平台 + 统一政务大模型底座，政策智算器为 280 万家企业推送惠企政策超 5900 万次。
共性规律只有一个：先统一底座，再铺场景。反过来做——每个部门各建一个模型、各租一份算力——结果必然是重复投入和数据孤岛。
来源：北京市大数据中心（2026 年 9 月）；长沙市行政审批服务局；公开报道
26 / 37
三 · 政府
政府自身转型
三条底线
底线一
统一底座
算力、模型、知识库集中纳管，避免重复建设与算力分散。一个城市只需要一个政务 AI 底座，各部门在这个底座上叠加自己的场景。
先立规矩，再上应用
底线二
数据分级
哪些能上公有云、哪些必须本地私有、哪些只能在内网跑——先定清楚再谈应用。这件事做反了，后面所有场景都要推倒重来。
分级不清，等于埋雷
底线三
先内后外
先在政务内部跑通（办文、办会、审批辅助、政策检索），再向企业和市民开放。内部场景容错空间大，是练模型、练流程最好的地方。
风险可控，能力可迁移
中央网信办、国家发改委已发布《政务领域人工智能大模型部署应用指引》——这是可以直接对齐的顶层口径，不需要自己从头摸索。
27 / 37
四 · 产投
产投的新命题
AI 平权之后，投资逻辑要改
过去五年
投"硬卡替"芯片、材料、装备——壁垒在物理世界，投入大、周期长、替代难。这条主线依然成立。
→
AI 时代
投"能进场景的能力"模型本身不再是壁垒——权重可得、开源可部署、成本一年降一个数量级。稀缺的是把它接进具体业务的本事。
为什么模型不再是壁垒
开源权重可直接部署，推理成本低到几分钱量级；中美顶尖模型差距已缩到个位数百分比区间。模型能力正在变成一种普惠商品。
那什么才是壁垒
行业口径、业务流程、历史数据、客户信任——这些买不到也抄不走，只能一家一家做、一年一年攒。
结论
投模型，不如投能进场景的交付能力。前者的估值已经被巨头锁死，后者的窗口期才刚开。
技术已经平权，认知与组织才是差距——这句话对城市成立，对投资同样成立。
28 / 37
四 · 产投
集美攒下的家底
钱，其实已经摆在那了
3210亿元
杏林湾基金聚集区规模（截至 2026 年 8 月）
350亿元+
集美区参股投资 16 支涉足人工智能领域的基金，总规模
40余家
"4+N" 产业基金矩阵已深度合作的基金；汇聚超 300 位专业投资人
1293家
国家级高新技术企业总量，"十四五"期间新增企业 6.9 万户
两大千亿级
"十五五"重点培育高端装备、人工智能两大千亿级产业集群
100家
五年内力争累计引育国家级专精特新"小巨人"企业总部
方法论也已经跑通过：集美的"基金招商 + 场景开路"组合拳——基金给信用背书和利益绑定，场景给技术落地的试验场。速豹、东超、旷时等案例都已经走通。缺的不是钱和场景，是可投的标的。
来源：集美区科技和工信局提案答复函（2026 年 8 月）；2026"投集美 赢未来"推介会
29 / 37
四 · 产投
缺口在哪 · 用官方自己的诊断
厦门缺什么，自己说得最清楚
以下来自集美区科技和工信局对区政协九届五次会议第 061 号提案的答复（2026 年 8 月）。
短板一
底层环节薄弱
算力芯片、数据治理、基础大模型等环节较薄弱；垂域模型缺乏行业头部；人形机器人等具身智能领域尚未出现有全国影响力的企业。
短板二
人才结构偏应用型
缺少底层算法、通用大模型研发的高端人才，以及将底层技术与应用创造性融合的复合型人才——后者恰恰是 AI 落地最需要的人。
短板三
企业观望情绪浓厚
受商业化尚处初期、方案落地管理成本高、技术迭代快、服务商鱼龙混杂、投资回报不明朗等影响，企业不敢下手。
把这三条连起来看
底层不强、头部缺位、人才偏应用、企业不敢上——这四条不是四个问题，是同一个问题的四个切面：缺能把 AI 接进行业的中间层。
而这恰恰是最好补的
底层芯片和基础大模型需要长周期、大资金、顶级人才，短期补不上。但"行业 + AI"的交付层，可以靠引进、靠联合、靠订单喂出来。
官方已经给出明确目标：力争每个行业领域拥有 2 个优质垂域模型服务商。这句话本身就是一份招商清单。
来源：集美区科技和工信局关于区政协九届五次会议第 061 号提案办理情况的答复函
30 / 37
四 · 产投
窗口期
为什么现在反而有机会
三年前
模型能力稀缺谁拿到更好的模型，谁就领先。投资集中在做模型、堆算力、抢卡。
→
今天
模型能力平权开源权重可得、成本一年降一个数量级、国产替代提速。差距转到"谁能把它接进业务"。
大厂的位置
做通用平台、做标准能力。优势在规模，短板在最后一公里——它们很难为一个行业、一家工厂的口径去改产品。
缝隙在哪
越是"碎、脏、深"的场景，大厂越不愿意进：项目小、定制重、要进车间、要懂工序、要背责任。
谁能进
懂行业、有交付队伍、愿意做重活的团队。技术可以买到，行业经验买不到——这就是窗口期的来源。
对厦门而言，这句话还有一层含义：不必再追"做一个自己的大模型"。要追的是"做透几个自己的行业"。
31 / 37
四 · 产投
可布局的方向
三类值得看的标的
方向一
垂域模型服务商
集美自己定的目标是"每个行业领域 2 个优质垂域模型服务商"——这就是一份现成的招商缺口清单。政策上，垂直模型分档补助最高 1000 万元。
政策与需求两头都对得上
方向二
行业 AI 交付团队
懂 ERP / MES 业务口径、能把 Agent 接进真实流程的团队。特点：可复制、可规模化、能沉淀资产——每做一家企业，行业库就厚一层。
这是"懂智能、熟行业"的落地形态
方向三
算力运营方
能把本地闲置算力变成持续订单的运营主体。它不新买卡，它把已有卡填满——把沉睡资产变成现金流，商业模式最轻。
与运营商资源天然互补
三类的共同点
都不靠"模型有多强"取胜，靠的是能不能进场景、能不能沉淀、能不能复制。这三个词，就是尽调时最该问的三件事。
另一个共同点
三类都需要本地订单喂养。所以产投和政府最好是一起进场——一头给钱，一头给场景。
32 / 37
四 · 产投
尽调框架
判断一家 AI 公司，问三件事
问一
赛道位置
它是在做模型，还是在做场景？做模型的赛道不缺人投，估值也早被巨头锁死；做场景的才有窗口期，也更可能在区域生态里扎根。
看它把钱花在哪
问二
团队是否懂行业
有没有在真实车间、真实 ERP / MES 里干过的人？有没有经历过实施失败、被客户骂、返工重来的项目？没摔过的团队，接不住最后一公里。
看履历，不看 PPT
问三
能不能沉淀资产
做完一家企业，留下的是什么？如果只是交付了人和时间，那就是项目制、不可复制；如果留下了行业口径库、场景智能体、交付方法论，那才是资产。
看复利，不看流水
三个问题里，第二个最难伪装，第三个最容易被忽略，而第三个决定了这家公司值不值得长期持有。
33 / 37
四 · 产投
按这三问，看一类标的
FDE 团队长什么样
前面讲过 FDE 是这一轮落地最稀缺的角色。放到投资视角，它就是一类可以对照三问逐条体检的标的。
问一 · 赛道位置
不做通用大模型，做企业场景的 Agent 交付
定位在"企业信息化的统一入口"这一层：不追模型能力，追的是把 Agent 接进采购、生产、质量、成本、报表这些真实流程。模型用外部的、可替换的。
赛道在缝隙里，不在主战场上
问二 · 团队懂行业
ERP / MES 实施与咨询背景 + AI 工程能力
团队底色是多年来在制造业客户现场做 ERP、MES、SRM 实施与咨询的人——懂车间、懂交期、懂齐套、懂成本口径，也知道哪些流程改不动。
这正是国家文件里"懂智能、熟行业"的那一类
问三 · 能沉淀资产
每做一家，行业库厚一层
沉淀的不是代码量，而是行业口径库、场景智能体集、交付方法论。做第十家企业的成本，应当明显低于第一家——这是判断它是不是真资产的标准。
为什么现在是时机
技术平权给了它窗口期
模型可以外部选型、不自建，成本一年降一个数量级；而行业经验买不到也抄不走。技术可以买，行业经验买不到——这就是它能跟大厂在同一个赛道碰一碰的原因。
对照前面 FDE 的四样要求：行业 know-how 与驻场体系是现成的，AI 工程能力在建，沉淀闭环是判断它值不值得投的关键。这类标的还天然需要本地订单和本地算力来喂养——所以它和区域产业生态是互相需要的关系，不是单向招商。
34 / 37
四 · 产投
怎么落地
一个三方结构：各出一手牌
GOV
政府
出场景与规则：开放政府投资项目的场景清单，做服务商白名单与分级，把本地闲置算力组织成企业用得起的推理服务。
提供：场景 · 政策 · 背书
CAP
产投 / 运营商
出资金与资源：产业基金投可沉淀的标的，运营商提供机房、带宽、本地运维与政企客户入口，共同把算力填满。
提供：资金 · 算力 · 客户
SVC
服务商
出交付与沉淀：做企业诊断、场景分级、Agent 交付，并把每次交付沉淀成可复用的行业资产。它负责把前三张牌打成结果。
提供：诊断 · 交付 · 沉淀
这个结构的关键不在谁出钱多，而在三方各自拿出的东西，都是对方最缺、市场上最难买到的。缺任何一角，另外两角的投入都会打折。
35 / 37
五 · 路线
路线
三步走
0—3 个月
摸底与定标准
选一批规上工业企业做 AI 应用水位诊断；出一份带"AI 适配度"分级的场景清单；同时建立服务商白名单与分级规则。
产出：知道从哪动手、谁能干
3—12 个月
做透三个场景
不铺开，选三个共性最强、最容易验收的场景做透；同步跑通算力消纳机制（统一入口 + 按需计费 + 数据不出域）；联盟形成第一批联合项目。
产出：可复制的样板 + 跑通的算力账
12 个月以后
沉淀与外溢
把做过的事情变成资产：行业口径库、场景智能体集、优秀案例集。然后向周边区域复制输出——从"用起来"走到"卖出去"。
产出：可以对外输出的行业资产
为什么先做三个，不先做三十个
三十个场景各做三成，验收时一个都拿不出手；三个场景做到能验收、能复制、能讲清楚投入产出，后面二十七个会自己跑起来。
常州给出的时间参照
541 家企业线下诊断，合同签订到全部验收，给的周期是不到半年。这件事的难度不在技术，在组织——也说明组织到位的话，速度可以很快。
36 / 37
五 · 路线
最后
三句话
1
不比谁建的算力多，比谁让更多企业真正用起来
算力、园区、平台都是投入项。只有企业侧的调用量，才是产出项。
2
不比谁引进的模型强，比谁沉淀的行业资产厚
模型会越来越便宜、越来越普惠。沉淀下来的口径、智能体和交付方法，才是带不走的。
3
不比谁的政策文件厚，比谁的组织动作快
文件大家都能写。差别在于谁先把场景分级做出来、把服务商白名单定下来、把算力消纳跑通。
技术已经平权，认知与组织才是差距。窗口期不会一直开着——先跑通组织方式的城市，会把后来者的成本抬得很高。
37 / 37
1 / 37