问题：随着大模型等技术加速进入各行业，越来越多企业正从“试点应用”走向“规模化部署”。但落地过程中，数据分散在不同业务系统和部门，难以沉淀为可用、可控、可追溯的知识资产；算力供给与成本、合规与安全之间的矛盾更为突出；模型能力难以工程化复用，场景建设容易停留在单点工具层面，导致投入产出不稳定、能力难以沉淀，成为企业智能化转型的普遍瓶颈。 原因：业内人士认为，企业智能化建设之所以“落地难、复制难、扩展难”，关键在于缺少端到端的系统工程能力：一是数据治理薄弱，知识难以结构化沉淀，模型训练与调用缺乏稳定支撑；二是算力基础设施分散建设或外部依赖较强，难以同时满足弹性、成本与安全要求；三是从模型服务到开发流程、运维管理缺少统一平台，导致“项目交付”多、“能力沉淀”少；四是场景建设与业务流程耦合不够，缺少可持续迭代的智能体体系，难以形成正向循环。 影响：，软通动力提出AI Factory“飞轮增长模型”，以数据、模型、智能体、场景四个支点构成互相促进的闭环，让智能能力在企业内部持续积累、迭代并放大，推动应用形态从“工具化”走向“组织原生”。其核心是将碎片化的智能化项目转化为可持续运转的能力体系：数据治理提升可用性，模型在使用中优化，智能体在运行中更理解业务，场景扩展反向促进数据与流程改进，从而提升生产效率与决策质量。 对策：围绕“飞轮”各环节，软通动力给出了对应的工程路径。在数据侧，建设“硅基员工知识大脑”，打通信息孤岛，形成可检索、可调用、可治理的知识资产，提升跨部门协同与经验复用效率。在算力侧，采用On-Prem私有智算中心与On-Cloud私有算力专区结合的混合架构，适配不同业务对安全、时延与弹性的需求，同时兼顾成本与合规。在平台侧，整合模型服务体系与数据治理、软件研发流水线等能力，推动从“能调用模型”升级为“能规模化交付智能应用”，并配套智能体开发与数字孪生研发仿真等工具，提高开发效率与验证能力。在场景侧，将上述能力产品化为面向行业的解决方案，构建自主智能体、具身智能体与科学智能体三类体系，覆盖流程自动化、实体操作与科研计算等应用形态。 据介绍，该方案已在制造、零售、金融、医药健康、能源、汽车等行业推进，重点覆盖生产运营、客户服务、研发设计、合规风控等高频场景，探索可复制、可扩展的交付模式。同时，软通动力加强生态合作，与NVIDIA、矩阵起源等伙伴协同，补齐算力、工具链与行业资源，降低企业从试点走向规模化的门槛。 前景：业内分析认为，企业智能化建设正从“单点替代”转向“体系重构”，未来竞争焦点将更多体现在三上：其一，数据资产与知识工程能力决定模型持续迭代的上限；其二，安全合规与可控算力将成为关键底座，混合架构与私有化专区将更普遍；其三，智能体与业务流程深度融合，推动从“人机协作”走向“流程自驱”，并通过数字孪生与仿真验证缩短创新周期。，如何在提升效率的同时守住数据安全、算法治理与责任边界，将成为企业规模化应用必须面对的问题。
当智能化转型进入深水区，单一技术突破已难以支撑企业的系统性升级。软通动力的实践显示，只有打通数据、算力到场景的完整链条，才能更充分释放数字生产力的放大效应。这既考验企业的工程化与集成能力，也关系到未来产业生态的构建与演进。（完）