周三（1月21日），在瑞士的达沃斯论坛上，除了咄咄逼人的特朗普的发言，另一个引发与会者热议的仍然是 AI，依旧充满“算力、模型、AGI竞赛”的熟悉叙事。

但在一场围绕中国“AI+”行动计划的专题讨论中，中国代表给出了一个明显不同的答案：AI 不是一场押注未来智能形态的豪赌，而是一场已经开始的现实生产率改造的工程。

从官方数据看，这一判断并非低调保守。根据论坛引用的预测，到2030年，人工智能预计将为全球经济贡献约15万亿美元。而中国在去年就已经捕获了全球AI经济约四分之一的价值。

但更直接的信号来自企业端——87%的中国企业计划增加AI投入，超过一半已经加快了 AI 部署节奏。但与欧美市场不同，中国并没有把这股投资热潮集中投向“更大模型”或“更通用智能”，而是选择了一条更偏向现实经济结构的路径。

这在国家层面的“AI+行动”中体现得尤为明显。正如南开大学中国新一代人工智能发展战略研究院执行院长龚克在讨论中所指出的，这份于去年8月正式发布的政策文件，几乎没有提及 AGI 或芯片。

这并非忽视技术前沿，而是一种明确的政策取舍：当中国暂时无法在硬件技术领域完成突破，倒不如将重心放在AI的扩散率、渗透率和实际应用价值上，推动 AI 从“聊天工具”转化为“产品”和“服务”。

目标本身极具规模感：到2027年，国内 AI 智能体和智能终端的普及率超过70%；到2030年，超过90%。这不是为少数科技公司设定的增长指标，而是把AI当作一种基础能力，试图像电力、互联网一样嵌入整个经济系统。

企业实践也印证了这种逻辑。腾讯高级执行副总裁、腾讯云与智慧产业事业群 CEO 汤道生指出，在真实的商业环境中，并不存在一个“万能 AI 模型”。

不同规模、不同类型的模型，被嵌入到企业运营的每一个环节。从程序员使用代码生成工具，到产品经理、设计师、会计借助 AI 自动化日常工作；从零售行业利用生成式图像和3D模型缩短产品设计周期，到营销领域通过 AI 提升投放 ROI；再到医药行业使用 AI 辅助药物研发。

这些应用的共同前提只有一个：成本必须足够低，效率必须足够高。在算力和资源受限的现实条件下，中国AI公司反而被迫从第一天起就追求工程效率。

月之暗面（Moonshot AI）创始人张予彤提到，其团队在使用远低于国际一线实验室资源的情况下，构建了性能可比的模型体系，通过线性注意力（Kimi Linear）、模型优化器等工程创新，把前沿研究真正推向可规模化的生产系统。

这种“效率优先”的路径，也与中国基础设施布局形成互补。

从数据中心、电力供应，到“东数西算”工程，通过在西部建设以风电、光伏为主的绿色算力基地，再通过宽带网络服务东部数据需求，中国试图在2030年前让大量AI算力建立在可再生能源基础之上，为长期扩展提供更低成本、更可持续的底座。

更深层的分歧，体现在对就业和教育的理解上。与“AI 是否取代人类”的焦虑叙事不同，中国的科技界普遍认为，真正的挑战在于技能结构的重塑。
龚克提到，目前中国劳动力市场中，具备 AI 能力的人才缺口约为500万人。

因此，从小学到大学引入 AI 基础素养、训练“会用 AI”的能力，已成为政策重点。中国也成为首个发布《人工智能教育应用白皮书》的国家。

在这一框架下，AI 并不被视为“替代者”，而是被视为一种放大器——放大人的学习能力、推理能力和协作能力。正如张予彤所言，在 AI 原生组织中，全能型能力正在取代高度细分的岗位技能。而学习能力本身，正在成为最稀缺的资源。

如果说欧美的 AI 路径，更像是一场围绕技术高点的竞速，那么中国的“AI+”更像是一场关于如何把技术变成基础设施的系统工程。它不追求一夜之间的颠覆性胜利，而是试图通过大规模、低成本、可复制的应用，把AI嵌入制造、消费、医疗、教育和能源结构之中。

这或许并不浪漫，但在全球 AI 泡沫与现实回报之间反复拉扯的当下，这种去神话、重落地的路径，正在创造一种更值得期待的未来。