企业官网建设流程全解析

2026年6月5日。如果回到三年前的今天——2023年6月——彼时ChatGPT刚在全球掀起狂潮不到半年，国内大模型还在“百模大战”的起跑线上蓄势。那时候，媒体铺天盖地讨论的是“AI会不会取代人类”“哪些职业会消失”，资本市场疯狂追逐每一个带“AIGC”标签的项目，普通人的感受则是“听说过，但跟我有什么关系？”

三年后的今天，我们再问同样的问题，答案已经完全不同。

这三年，生成式AI在中国完成了一场静默而深刻的产业化进程。它从科技媒体的头条走进了工厂车间、医院诊室、学校课堂、政府大厅，甚至你家楼下的社区菜店。它不是“颠覆”了某个行业，而是像电力一样，渗入了每一个行业的毛细血管。

本文将从行业落地、技术演进、商业逻辑、政策环境、社会影响五个维度，对这三年的“AI产业化元年”到“AI常态年”进行系统复盘。

一、三年三阶段：从“百模大战”到“应用为王”

第一阶段：2023年——“百模大战”与概念验证期

2023年被业内称为“中国大模型元年”。

年初，国内能做通用大模型的公司不超过5家。到了年底，这个数字膨胀到了100多家——百度文心、阿里通义、腾讯混元、字节豆包、科大讯飞星火、智谱清言、MiniMax、百川智能、零一万物……加上DeepSeek、月之暗面等创业公司，“百模大战”的说法毫不夸张。

但这个阶段的真相是：绝大多数模型停留在“能跑起来”的水平。

一位从业者回忆：“2023年下半年，我们测试了市面上20多个大模型，能稳定完成‘写一篇800字公文并符合基本逻辑’的，不超过5个。很多模型就是开源套壳，换个名字就出来融资。”

2023年的落地场景也极其有限。主要集中在：营销文案生成、聊天机器人、简单的会议纪要。企业采购AI的核心动机不是“提效”，而是“怕掉队”。很多公司买了个AI账号，用了两周就搁置了。

标志性事件：

• 7月：《生成式人工智能服务管理暂行办法》出台，中国成为全球最早对生成式AI进行系统性立法的国家之一。

• 8月：第一批11家大模型获批向公众开放，普通用户终于可以“亲手摸到”国产AI。

• 12月：DeepSeek-V2发布，以“价格屠夫”姿态打破大模型的高价壁垒。

第二阶段：2024年——“价格战”与场景探索期

2024年，大模型赛道进入了残酷的淘汰赛。

价格战：从DeepSeek开始，国内大模型API价格一年内下降了90%以上。到2024年底，调用一次大模型的成本已经低于发一条短信。低门槛带来了两个结果——一是大量中小开发者涌入，AI应用数量暴增；二是单纯卖API的商业模式崩盘，厂商被迫寻找增值服务。

场景深化：2024年，AI开始进入垂直行业的核心业务场景。

• 金融：智能投顾、财报分析、合规审查

• 医疗：辅助诊断、病历自动生成、药物研发加速

• 教育：个性化学习路径规划、AI助教

• 法律：合同审查、案例检索

• 制造：工业质检、设备预测性维护

但这一年也暴露出一个尴尬事实：很多“AI赋能”是伪需求。某大型制造企业花了200万引入AI生产管理系统，半年后发现效率只提升了3%，远低于预期。原因是：工厂的底层数据质量太差，AI“巧妇难为无米之炊”。

标志性事件：

• 4月：Sora概念引爆国内视频生成赛道，可灵、即梦、Vidu等国产视频模型密集发布。

• 9月：首个“AI+制造业”国家级试点基地在苏州挂牌。

• 12月：国内大模型备案通过数量突破200个，但活跃用户过百万的不足20个——“百模大战”正式进入淘汰期。

第三阶段：2025-2026年——产业化落地与“AI原生”拐点

2025年之后，生成式AI进入了真正的“产业化”阶段。

一个关键转变是：企业不再问“要不要用AI”，而是问“哪个环节用AI最划算”。

2025年，出现了第一批“AI原生企业”——从创立第一天就把AI作为核心生产要素的公司。比如，一家2025年成立的电商代运营公司，100人的团队通过AI工具，完成了传统公司500人的工作量。这不是“取代人”，而是“重新定义了人做什么”。

2026年上半年，生成式AI已经渗透到中国经济的近30个主要行业。根据工信部下属研究机构的数据：2026年第一季度，中国生成式AI核心产业规模达到约2400亿元，带动相关产业规模超过1.2万亿元。

另一个值得关注的现象是：AI从“降本”走向“增收”。2023-2024年，企业用AI主要为了省钱（减少人工）；2025年以后，更多企业用AI来赚钱——AI生成个性化营销内容提升转化率、AI辅助产品设计缩短上市周期、AI分析用户行为挖掘增量市场。

标志性事件：

• 2025年7月：国内首个“通用大模型+行业模型”分层标准发布。

• 2026年1月：国家“AI+”行动计划正式启动，覆盖制造业、农业、服务业等10大领域。

• 2026年5月：DeepSeek-V4发布，1M上下文+图像理解+用户记忆，标志着消费级AI体验的成熟。

二、五大行业复盘：AI如何改变“工作”的样子

1. 内容与创意行业：从“被取代焦虑”到“人机协作常态”

三年前，最恐慌的是文案、设计师、翻译。今天，这三个职业不但没有消失，反而出现了分化：

• 低端岗位（模板化文案、简单修图、初级翻译）大量萎缩，招聘需求下降约60%。

• 高端岗位（创意总监、品牌策略、跨文化传播）需求上升，且薪资增长了30%-50%。原因很简单：AI降低了执行成本，提升了创意的“杠杆率”——一个优秀创意现在可以被AI快速放大成100个变体。

新的职业：AI内容运营、提示工程师、人机协作创意总监。这些岗位不需要会写代码，但需要对“什么内容能打动人”有深刻理解。

2. 软件开发：AI写代码不再是“玩具”

2026年，国内超过70%的程序员日常使用AI辅助编程。但真实情况不是“AI取代程序员”，而是：

• 程序员的工作重心从“怎么写这段代码”转向“这段代码要解决什么问题”

• 初级程序员的入门门槛降低，但高级架构师的价值反而上升

• 代码审查、安全检测、性能优化的需求大幅增加——AI写的代码往往能用，但未必最优

某互联网大厂的技术负责人说：“三年前我们招程序员主要看算法题做得怎么样，现在更看重系统设计能力和代码审美。”

3. 教育与培训：最难被AI替代的行业，正在被AI最深地改变

教育的特殊性在于：教学可以被AI辅助，但育人不能。

2026年，国内超过60%的高校和40%的中小学使用了某种形式的AI教学辅助工具。AI批改作业、AI出题、AI个性化学习路径推荐已经成为常态。

但一个有趣的悖论出现了：AI越强大，教师的“人的价值”反而越突出。当知识获取变得极其容易时，学生更需要的是学习动力的激发、批判性思维的培养、情感支持和价值观引导——这些都是AI给不了的。

4. 医疗健康：辅助而非替代

医疗是AI落地最谨慎的行业，因为“容错率”几乎为零。

2026年的格局是：AI做“能做的事”，医生做“该做的事”。

• AI负责：影像初筛、病历结构化、用药提醒、患者随访

• 医生负责：复杂诊断、治疗方案决策、医患沟通、人文关怀

根据国家卫健委的数据，使用AI辅助诊断后，基层医疗机构的误诊率下降了约28%，但AI的“幻觉率”仍然存在——大约每1000次诊断中有1-2次严重错误。因此，最终签字的永远是医生。

5. 制造业与实体经济：最难啃的骨头，正在被啃动

制造业是2025年以来AI落地增长最快的行业。原因很简单：制造业对“降本增效”的敏感度最高。

典型案例：

• 某汽车零部件工厂引入AI视觉质检后，缺陷检出率从92%提升到99.7%，同时质检人员减少了60%（转岗到更复杂的品质分析岗位）

• 某服装品牌用AI生成设计草图，设计周期从两周缩短到两天，爆款率提升了15%

但制造业AI化的最大瓶颈不是技术，而是数据基础设施。大量中小制造企业的生产数据还停留在纸质单据和Excel表格阶段，“AI赋能”的前提是“先数字化”。

三、技术演进：这三年，大模型到底“进化”了什么？

从2023到2026，大模型的能力提升可以概括为四个维度：

1. 上下文：从“金鱼记忆”到“大象记忆”

2023年的主流模型上下文只有4K-8K token（大约3000-6000字），读一篇长文都要分段。2026年的旗舰模型已经普遍支持100K-1M token。你可以把一整本书、一整年的聊天记录、一整个代码仓库丢进去，AI能记住每一个细节。

2. 多模态：从“单兵作战”到“多面手”

2023年，能同时处理文字和图片的模型还是稀缺品。2026年，主流大模型几乎都原生支持图像理解，部分模型支持视频和音频。你给AI看一张图表、一段视频、一段录音，它都能理解和回应。

3. 推理：从“表面聪明”到“深层逻辑”

早期大模型经常犯“3+5=9”这种低级错误，或者被简单的逻辑陷阱绕晕。2026年的模型在数学、编程、逻辑推理任务上已经接近甚至超过普通人类水平。当然，“接近普通人”不等于“超越专家”——在专业领域，AI仍然需要人类把关。

4. 成本：从“奢侈品”到“日用品”

2023年调用一次大模型的成本大约是几分钱到几毛钱。2026年，成本下降了90%以上，甚至低到可以“免费”提供给普通用户。成本的断崖式下降，是AI能够渗透到各行各业的最根本原因。

四、冷思考：三年复盘，哪些“预言”错了？

复盘的意义不是为了唱赞歌，而是为了看清真相。这三年，有很多“专家预言”被事实打脸：

预言一：“AI会取代30%的工作”

现实：没有出现大规模失业。麦肯锡2026年5月的最新报告显示，中国因AI导致的岗位净减少约为4.7%，远低于预期。但“岗位被重新定义”的比例高达38%——也就是说，大量工作内容变了，但做工作的人没变。

预言二：“大模型很快会撞上数据墙”

现实：确实遇到了瓶颈——高质量公开文本数据基本用完了。但技术路线迅速转向：合成数据、多模态数据、垂类数据的挖掘，让模型能力继续提升。数据墙被绕过去了，但没有被推翻。

预言三：“AI会让知识变得廉价，教育失去意义”

现实：恰恰相反。当“知道”变得廉价，“思考”和“判断”变得更加珍贵。教育正在从“知识传授”转向“思维训练”，这其实是教育回归本质的契机。

预言四：“中国大模型永远追不上国外”

现实：在通用能力上，国内头部模型与国外顶尖模型的差距从2023年的“代差”（落后1-2年）缩小到了2026年的“月差”（落后3-6个月）。在某些垂直领域（中文理解、教育、政务），国内模型甚至领先。当然，底层算力和基础研究的差距依然存在，但“永远追不上”的说法已经被证伪。

五、未来三年：三个确定性和三个不确定性

三个确定性

1. AI将成为像电力一样的基础设施：三年后，可能没有单独的“AI行业”——因为每一个行业都是AI行业。

2. “人机协作”成为默认工作模式：拒绝使用AI会像拒绝使用电脑一样不合时宜。

3. 监管与治理持续深化：AI生成内容的标识、数据隐私保护、算法公平性审查将成为常态。

三个不确定性

1. AGI（通用人工智能）还有多远？乐观派认为2028-2030年，悲观派认为至少十年后。目前的共识是：当前的大模型路线可能不是通往AGI的唯一路径。

2. 能源瓶颈会卡住AI的脖子吗？大模型训练和推理的耗电量惊人。如果算力效率没有突破性提升，能源可能成为下一阶段的最大制约。

3. 社会心理能适应吗？AI带来的不是生存危机，而是意义危机——“如果AI什么都能做，人还做什么？”这个问题还没有答案。

结语：从“AI做了什么”到“我们用AI做了什么”

三年前，我们问：“AI能做什么？”

今天，我们应该问：“我们能用AI做什么？”

这两个问题的区别，是整个叙事中心的迁移——从技术本身，转移到使用技术的人。

生成式AI在中国落地的这三年，最大的成就不在于模型参数增加了多少倍、上下文增长了多少倍，而在于：它从一个“科技新闻里的概念”，变成了你奶奶都知道“有问题可以问手机里的那个小机器人”的日常工具。

技术终究只是工具。真正改变世界的，永远是使用工具的人——他们的创造力、判断力和对美好生活的追求。

下一个三年，我们期待的不是更“强”的AI，而是更“善”的AI。不是取代人的AI，而是成就人的AI。