· 瀚钦(丹东)智能科技有限公司

结论先行:11 月 17 日,小米集团创始人、董事长兼首席执行官雷军在深圳 2026 年 APEC 工商领导人峰会后接受人民日报记者专访,把 AI 行业里最难听、也最实在的一句话公开说了出来——「AI 投入巨大,真正能落地的场景目前还比较少」「真正实现商业闭环、挣到钱的公司相对较少」。同一场专访里他还给出另一个判断:AI 走向物理世界后,「未来三四年会有颠覆性时刻的诞生」。这两句话放在一起读,其实就是一张给中小企业的行动图:通用层面巨头在烧钱找场景,而场景恰恰在你们手里;颠覆性时刻还没来,窗口期正好用来做准备。
先把这次专访的要点摆清(均为人民日报专访及峰会公开表态口径,小米相关数据为小米口径):
| 雷军观点 / 小米动态 | 原文口径 | 给中小企业的启示 |
|---|---|---|
| AI 投入巨大,落地场景有限 | 从业者感受到焦虑,能落地的场景目前还比较少 | 大厂出底层能力,场景在业务一线的企业手里 |
| 商业闭环的公司少 | 这一轮周期真正挣到钱的公司相对较少 | 别追「大而全」,从一个能省钱或赚钱的具体场景切入 |
| 未来三四年有颠覆性时刻 | AI 走向物理世界、与终端和场景深度结合后释放巨大机会(个人判断) | 物理世界的 AI,就是现有设备与产线的升级,不必另买「AI 资产」 |
| 小米具身智能机器人工厂「实习」 | 做机器人 6 年,自研机器人能完整工作 8 小时、中途自主充电两次 | 具身智能正从演示走向连续作业,产线数据从现在起就该留 |
| 自研大模型 MiMo + AIoT 生态 | MiMo 用于提升终端体验,AIoT 平台接入设备 11.6 亿台 | 设备厂商自带 AI,企业的数据入口正在变多,也更容易被平台截走 |
很多人听到「AI 挣不到钱」会心里一凉,但把这句话换一个读法就不一样了:连小米这个量级的公司都觉得落地场景难找,说明好场景是稀缺资源,而不是人人都在瓜分的成熟市场。巨头手里的优势是算力、模型和资本,它们缺的恰恰是对具体业务的理解——一个代记账公司知道票据处理的痛点在哪,一家农机厂知道作业季的调度瓶颈在哪,这些认知巨头买不到,只能找懂业务的人合作。雷军自己也说,AI 与终端和各种应用场景深度结合后会有巨大机会——「结合」这个动作,只能由懂场景的一方来完成。
这也解释了为什么我们一直建议企业从「省时间、少出错」的小场景起步:答疑、质检、报表核对这类场景投入小、见效快,不依赖颠覆性时刻。等三四年之后标杆产品出现,先跑通场景的企业手里已经有沉淀好的数据和工作流,接入新工具几乎是即插即用;而一直观望的企业,届时面对的仍是今天这道选择题,只是价格更高、竞争对手更多。
专访里最值得制造企业划线的是这一段:小米做机器人已有 6 年,自研具身智能机器人已经在工厂「实习」,能完整工作 8 小时、中途自主充电两次。雷军判断具身智能机器人是巨大的产业机会,想象力可能超过汽车产业(个人判断口径)。「实习」这个词用得很准——机器人进入的不是一个新产业,而是现有的工厂、产线和仓储,从「演示」走向「连续作业」。
对辽宁的中小制造企业,这里的含义很具体:AI 进入物理世界,接的正是你们的设备、产线和现场数据。今天不需要买一台机器人来「提前卡位」,真正该做的是把现场的数据先接出来、留下来——设备的运行参数、工单流转、质检记录,这些是未来任何具身智能或智能化改造都要先吃的「口粮」。数据现在不存,将来买再好的设备,也只是替别人攒数据。
另一个容易被忽略的信号是 AIoT 生态 11.6 亿台设备:设备厂商正在把 AI 直接装进终端。这对企业是双刃剑——方便,但数据也更容易沉淀在别人的平台上。关键业务数据走公有云还是留在厂内,值得提前想清楚:
| 维度 | 公有云 AI | 本地化部署 AI |
|---|---|---|
| 数据去向 | 离开企业边界,依赖服务商协议约束 | 不出厂区,物理上可控 |
| 成本结构 | 按量持续付费,用量涨则账单涨 | 一次性投入为主,边用边际成本越低 |
| 断网与响应 | 依赖外网与服务商可用性 | 内网即可运行,响应稳定 |
| 适合谁 | 数据敏感度低、用量尚小的验证期 | 数据不能出门、要长期使用、用量稳定的企业 |
常见做法是两步走:先用云上服务把场景验证通(试错便宜),场景确认有价值后,再把稳定运行的部分迁到本地部署长期跑。这一步什么时候做不重要,重要的是现在就开始积累「哪个场景值得做」的证据。
雷军给出的时间尺度是三四年,这对企业规划足够具体。窗口期内建议按顺序做三件事:第一,列场景清单——把全公司「重复、有规则、烦人」的环节写下来,按「每周耗时长短」排序,这就是你的候选清单;第二,留数据——把排产、质检、客服、售后这些环节的记录结构化留存,格式不必花哨,能查、能算就行;第三,验证一个场景——挑成本最低的那一个跑通,无论用云服务还是本地部署,拿到「省了多少小时、少了多少错」这几个数字。三件事都不需要技术团队,需要的是把业务里已经发生的浪费找出来。
颠覆性时刻来不来、何时来,没人能替雷军打包票;但窗口期里的准备动作,做与不做,三四年后的差距会自己说话。
延伸阅读:机器人上了夜班之后(具身智能落进产线的样本)· 同一届 APEC 的数字化经贸信号(出海与协作)· 唯一能攒的是数据(数据位次与积累策略)· 海盐传统企业的 AI 账本(传统企业算得清的投入产出)
这是雷军 2026 年 11 月 17 日在深圳 2026 年 APEC 工商领导人峰会及会后接受人民日报记者专访时的个人判断,属于行业预判而非事实陈述,本文仅转述并标注口径,不构成背书,也不构成任何投资建议。对企业的实际意义不在「预测准不准」,而在于给出一个合理的时间尺度来安排准备动作——无论时刻是否如期到来,场景清单、数据留存、场景验证这三件事本身都有独立价值。
两者算的不是同一笔账。烧大钱的环节是训练大模型和做通用平台,那是巨头的战场;中小企业要算的是另一笔账:一个答疑场景每周替骨干省出几小时、一个质检环节每月减少多少次返工——这笔账不依赖「颠覆性时刻」,验证周期以周计。等行业标杆产品出现时,先跑通场景的企业等于已经备好了接入条件,观望者则要同时补认知、补数据、补流程三课。
现阶段不建议盲目跟设备。具身智能进入产线的前提是现场有可用的数据、流程和明确的安全边界,这些恰恰是多数企业目前缺的。更务实的顺序是:先做上面说的三件事(场景清单、数据留存、小场景验证),等设备方案成熟、价格下降时,手里有数据和流程的企业才能真正用得起、用得好。设备会一直降价,而现场数据和业务流程的积累没有捷径,这才是现在最值得投入的部分。