SASAC深化中央企业AI布局，但执行力如今比雄心更重要

中国国务院国有资产监督管理委员会（SASAC）要求中央国有企业深化其人工智能计划，尽管这些企业正面临不断加大的运营和财务压力。

根据7月31日的一则报道，监管机构希望这些企业加强原创研究、攻克关键技术瓶颈，并依据各自优势培育新兴产业。该指示还将AI投资与成本控制、现金创造、风险监管以及全年经营目标联系起来。

这种组合构成了真正的张力。SASAC并非只是要求国有企业增加AI投入，而是期望它们在保持财务稳定的同时，将技术能力、产业数据和基础设施转化为可衡量的经营价值。

因此，这项政策让中央企业同时面对两项目标：它们必须担当长期技术建设者，也必须提升效率并保留现金。成败将取决于企业能否将政策重点转化为可重复运行的生产系统，而不是孤立的展示项目。

这是在当前会议之前便已启动的一项行动的最新一步。SASAC于2024年启动中央企业AI专项行动，并在2025年和2026年扩大实施议程。7月的指示通过将AI部署与企业绩效、差异化产业战略和风险管理更紧密地挂钩，再次提高了标准。

对于开发者、供应商和企业采购方而言，关键问题已不再是中国国有集团会不会采用AI——它们早已收到这一要求。问题在于，哪些项目能够经受更严格的审查，并成为日常工业运营的一部分。

SASAC正将AI从政策重点转变为经营要求

7月的指示将AI从战略主题转变为中央企业更广泛经营任务中的一个组成部分。

据报道，SASAC党委于7月31日召开扩大会议，要求中央企业积极对接国家政策，支持经济持续向好。会议还指示相关负责人直接调研企业情况，识别经营痛点，并采取有针对性的措施解决这些问题。

AI被纳入这一更广泛的管理框架。监管机构要求加强基础研究、原创创新和关键核心技术攻关，同时指示企业深化中央企业AI专项行动，并按照自身具体能力发展新兴产业或未来产业。

“按照自身具体能力”这一表述至关重要。它表明，SASAC并不期待每一家国有集团都建设相同的大模型、平台或机器人业务。能源生产商、电信运营商、铁路企业和航空航天承包商拥有不同的数据、设备、工程知识和安全责任。

电信企业可提供云基础设施、网络、算力和模型服务。能源企业可将AI用于电网管理、设备巡检、预测或维护。制造商则可侧重于过程控制、质量检测、工业设计和供应规划。

这种差异化路径体现了既有政策方向。在2025年2月的一次部署会议上，SASAC要求中央企业利用其庞大的需求、完整的产业供应链和众多应用场景，加速AI发展。官方部署总结强调的是可见成果，而不只是研究活动本身。

随后的一次政策吹风会将该计划围绕三项基础展开：高价值应用、行业数据和算力基础设施。国有集团应开放有价值的场景，建设高质量数据集，并支持训练和推理所需的算力底座。

7月的要求增加了更严格的经营约束。同一次会议还要求在完整产业链和价值链范围内降本，并强调现金创造、资本积累、司库管理以及覆盖企业各层级的监管控制。

这种搭配影响深远。AI团队将面临解释其系统如何影响设备可用率、能源使用、劳动力配置、采购、安全或收入的压力。一个模型看似出色、却没有进入生产环境路径的项目，将更难获得支持。

SASAC还希望中央企业通过自身表现稳定所在行业。这些企业在能源、交通、电信、制造、建筑及其他基础设施领域占据重要位置。它们的采购决策能够塑造庞大供应商网络中的需求。

因此，这些集团内部的AI采用所影响的不仅是内部软件预算，还可能形成影响民营供应商和较小工业企业的标准、采购要求、参考架构和数据实践。

7月会议没有公布单一的采购计划、资金金额或实施期限，而是强化了一项治理原则：AI工作必须同时服务于技术自主、产业发展和经营韧性。

中国为何此时推动中央企业

中国正借助中央企业，弥合具备能力的AI模型与艰难的工业部署之间的鸿沟。

这一时机紧随更广泛的国家政策进程。中国国务院于2025年8月发布详细的“人工智能+”行动计划。该计划为六个重点领域的广泛AI融合设定目标，并呼吁进一步采用智能终端和智能体。

国家AI计划提出，到2027年，新一代智能终端和智能体的普及率要超过70%；到2030年，这一目标将提高至90%以上。该文件涵盖科技、产业、消费、公共服务、治理和国际合作。

工业应用获得了尤为细致的部署。该计划要求将AI覆盖设计、中试、生产、服务和运营，并支持工业软件、智能制造装备、供应链协同、流程优化以及与工业互联网的更紧密融合。

这些目标需要获得消费级AI企业通常不具备的系统访问权。工业AI依赖设备历史记录、传感器数据流、工程规则、维护记录以及经过严格控制的运行环境。其中大量资料都掌握在大型基础设施运营商和制造商手中。

中央企业能够提供这些环境。它们控制着广泛的实体资产，并拥有具备深厚运营知识的专业人员。它们也能持续支持回报周期超出小型软件公司规划期限的项目。

但仅有访问权并不能解决问题。工业数据可能分散在各个子公司之间，以不兼容的格式存储，或受安全规则限制。老旧设备可能产生不完整的遥测数据。专家知识可能存在于流程、报告或个别工程师的经验之中。

国家发展和改革委员会已承认这些障碍。其政策解读指出，存在认识不一致、供需匹配不足以及“最后一公里”落地难的问题。

该委员会还警告，不应仓促推进那些一度吸引关注、随后便消失的项目。其建议的应对措施包括行业定制化实施、共享测试设施、通用技术架构、统一数据规范，以及让成功系统得以规模化的标准。

SASAC的做法符合这一逻辑。中央企业可作为AI系统要求严苛的首批客户，同时贡献数据、算力和技术人员。它们的项目能够检验模型是否能在公共基准测试中鲜少出现的工业约束下发挥作用。

这使它们不只是政府政策的接受者，更被定位为产业协调者。一家中央企业可以围绕明确的生产问题，将设备供应商、模型开发者、科研机构、系统集成商和下游运营方组织起来。

压力在2026年7月进一步加大。在一次中央企业负责人研讨班上，SASAC要求加强原创研究、加快技术成果转化、推动传统产业智能化转型，并培育未来产业。研讨班指示还推出了一项聚焦开放工业场景、协调上下游企业的计划。

这一议程缩短了科研政策与采购行为之间的距离。供应商将越来越需要证明，其技术能够融入现有系统、满足安全要求，并带来有据可查的运营改善。

对于中国以外的企业采购方而言，这项政策同样具有参考意义。中央企业运营着规模巨大的实体系统。它们的试验能够揭示AI在哪些资产密集型行业创造持久价值，以及部署仍会在哪些环节失败。

核心问题在于，国家引导下的规模能否克服数据碎片化、集成困难和保守的运营文化。这些问题不会因为监管机构提高AI优先级而消失。一旦管理者必须汇报成果，它们只会变得更加明显。

核心矛盾在于雄心与运营纪律

SASAC希望中央企业像长期技术机构一样投资，同时像财务纪律严明的企业一样运营。

这是一种要求很高的组合。基础研究、模型开发、工业数据准备和算力基础设施都需要持续投入。其价值往往显现缓慢，尤其是在项目必须通过安全审查并与现有设备集成时。

与此同时，据报道，7月31日的会议要求在完整供应链和价值链范围内控制成本，强调现金创造和资本积累，并指示企业完成全年目标、加强监管。

由此产生的矛盾并不只是成本与绩效之间的矛盾，而是雄心与运营纪律之间的矛盾。SASAC希望企业建设支撑国家战略的能力，同时不让AI热潮导致重复建设或低效投资。

此前的政策表述显示了监管机构希望如何实现这种平衡。2025年3月，相关官员表示，下一阶段将重点关注具有战略重要性、经济回报或与公共福祉密切相关的应用。

该实施框架还要求由龙头企业牵头建设行业数据集，并支持完善通用数据集、数据共享机制、算力基础设施以及与其他组织的合作。

这一模式更倾向于依托真实运营系统的项目。预测性维护可以减少设备的非计划停机。计算机视觉可以辅助在危险环境中开展检查。预测模型可以优化能源或交通调度。工程助手则可帮助专业人员检索标准并比对技术文件。

其价值仍需得到验证。预测系统必须在具有实际意义的周期内优于既有维护规则。检查模型必须将漏检率控制在可接受的安全阈值内。工程助手必须引用可靠的内部资料，并保护受限信息。

知识系统同样需要严格的来源管理。处理技术文件的团队可以使用可搜索知识库来整理本地记录，但检索本身并不能验证一项工业决策。对于高风险行动，合格人员必须始终承担责任。

中央企业还面临组织协同阻力。其子公司可能采用不同的采购流程、技术栈和数据规则。一家工厂的成功试点未必能轻易复制到另一家工厂。

“企业特定”这一表述提供了部分答案。它避免对彼此无关的行业套用同一模板。然而，如果每家子公司都自行开发架构和评估方法，也可能造成碎片化。

最有力的实施模式很可能是将通用基础能力与行业特定应用结合起来。共享的身份控制、数据治理、模型评估和计算服务可以减少重复建设。随后，行业团队可以根据自身设备、法规和工作流程调整系统。

这也将给供应商带来新的压力。通用聊天机器人的演示无法达到国资委运营议程所隐含的标准。供应商必须提供集成、监控、可审计性、部署控制，以及一套可信的价值核算方法。

模型开发商面临类似挑战。工业组织很少仅依据基准测试性能选择系统。它们还关注可靠性、部署地点、推理成本、安全性、维护以及与现有软件的兼容性。

国有属性又增加了一层考量。中央企业必须在常规商业回报之外兼顾国家战略目标。即使直接财务回报仍不明确，部分投资也会服务于供应链韧性或技术自主。

国资委的财务表述并未排除这类投资。它要求管理者将其与明确使命相联系，并对执行过程加以控制。这比宣布成立实验室、推出模型或达成合作的门槛更高。

最可信的进展迹象将是项目组合的转变。企业应停止表现不佳的试点，扩大已验证应用，并在不同业务单元间复用成功的技术组件。仅凭投资总额几乎无法揭示这一过程。

“人工智能+”部署仍未解决的问题

更强的部署要求无法替代可靠数据、清晰问责，或证明 AI 系统改善运营的独立证据。

7 月的公告提供了方向，但可衡量的承诺不多。它没有列出新增预算、具体项目、部署时间表或绩效指标，也没有说明国资委将如何比较使命差异很大的企业之间的成果。

在政策层面，这种细节不足可以理解。但它仍为企业统计活动而非成果留下了空间。培训活动、模型备案、算力采购和试点启动，比持续性的生产率提升更容易汇报。

工业 AI 的评估尤其困难。维护模型可能在常规条件下看似有效，却在罕见设备状态下失效。规划助手可能节省时间，同时引入细微错误。视觉系统可能在一个设施中运行良好，却在不同光照或硬件条件下性能下降。

安全与数据治理进一步增加了不确定性。中央企业运营敏感基础设施，并持有具有商业或战略重要性的信息。将这些系统接入 AI 服务，会引发关于访问控制、日志记录、模型更新和事件响应的问题。

中国国家政策已认识到这种权衡。国务院规划提出技术监测、风险预警、应急响应和更严格的评估，也支持在高风险工作场所应用 AI，同时要求有关部门评估就业影响并减少有害扰动。

2026 世界人工智能大会后，国资委进一步强调了发展与安全并重。其7 月 20 日会议要求持续推进 AI 部署、开放行业合作，并统筹发展与安全。

这些原则并未界定实施门槛。每家企业仍需要制定关于可接受准确率、人工复核、数据访问、系统回滚，以及 AI 辅助决策失效时责任归属的规则。

采购也可能成为另一个薄弱环节。大型政策项目有时会促使组织在明确要解决的问题之前先购买基础设施。这种顺序可能造成算力闲置、平台不兼容，或昂贵的应用缺乏明确用户。

国家发改委对表面化实施的警示正是针对这一风险。其对测试中心和通用标准的支持旨在减少重复试验。这些机制能否发挥作用，取决于透明评估以及停止失败项目的意愿。

国有与民营科技企业之间的竞争关系也仍未明朗。中央企业拥有数据、基础设施、资本和客户关系。民营 AI 公司通常行动更快，并集中了专业模型或软件人才。

政策表述倾向于合作，但双方的议价能力不会对等。中央企业可以界定技术要求，并控制对有价值应用场景的访问。较小的供应商可能贡献核心技术，却面临漫长的采购周期，或对最终产生的数据拥有不确定的访问权。

内部重复建设同样存在风险。电信、能源、制造和交通集团可能各自建设模型平台、智能体框架和算力服务。一部分重复建设有助于韧性和行业专业化；过多则会抬高成本并增加互操作难度。

政策制定者似乎已意识到这一问题。他们反复呼吁开展合作、开放场景、共享数据资源和统筹算力。实际检验标准在于，企业是否会跨越组织边界复用资产。

独立证据仍然有限。公开公告往往描述计划中的应用和制度安排，却较少提供经审计的生产率、可靠性或投资回报指标。

因此，读者应将官方目标视为方向的证据，而非转型已经完成的证明。当前公告显示出持续的政治与管理承诺，但并不能证明中央企业已解决工业 AI 部署问题。

正确的审慎立场既不是否定，也不是自动信任。中央企业拥有可支撑严肃 AI 系统的资源和运营环境，同时也承担着可能拖慢采用速度、掩盖薄弱成果的组织复杂性。

中央企业扩大 AI 规模时，谁将面临压力

这项政策让管理者、技术供应商、民营 AI 公司和产业工人承受不同形式的压力。

中央企业内部的高管面临最直接的问责。他们必须选择符合企业使命、满足战略政策并改善绩效的项目。一个项目若仅因与 AI 有关联而获得正当性，将显得日益薄弱。

技术部门必须超越实验阶段。他们需要能够将模型与工业软件、运营数据、身份控制和监控系统连接起来的架构，还必须保留可供审计人员和安全团队检查的记录。

业务部门面临不同的义务。它们必须足够精确地界定运营问题，以便技术团队能够解决。若没有明确承诺的流程负责人，AI 项目可能仍只是由外部供应商维护的演示。

供应商将需要更深入的工业知识。模型能力依然重要，但只是采购考量的一部分。供应商必须理解设备、工作流程、数据质量和监管约束。

民营 AI 公司可能获得大型客户和有价值的应用场景，也可能面临更严格的安全审查、更长的销售周期，以及在受控基础设施内进行部署的压力。它们能否将能力封装为可重复交付的产品，将决定项目能否超越咨询工作实现规模化。

云服务和算力供应商将看到训练、推理、存储和网络需求的增长。然而，国资委对成本和资本的要求应会加强对利用率的审查。买方将询问：预留的算力是否支撑生产工作负载，还是在试点结束后闲置。

工业软件供应商同时面临机会与竞争。AI 功能可以强化成熟产品，因为这些产品已与运营数据相连。新的 AI 供应商可能难以替代那些已深度嵌入生产环节的系统。

工人和技术专家将经历更复杂的影响。政策文件将 AI 描绘为升级岗位、减少暴露于危险任务的工具。同样的系统也可能改变人员配置、评估方式和决策权。

最有用的部署将捕捉专家知识，而不移除专家监督。助手可以检索维护历史或比较操作程序，但不应悄然取代对安全关键决策负责的工程师。

知识工作者也需要一种可靠方法来评估 AI 输出。诸如AI 第二大脑之类的个人系统可以帮助整理笔记和源材料。在受监管或工业环境中，组织仍需要访问控制、批准来源和正式审查。

更广泛的供应商网络将承受间接压力。中央企业往往是大型价值链的锚点。当它们要求机器可读记录、更完善的遥测数据或兼容的数字系统时，较小供应商必须适应。

这种影响可能将 AI 采用扩散到最初买方之外。但如果标准频繁变化或要求高成本集成，也可能给小型企业带来负担。因此，稳定的接口和共享测试资源将十分重要。

国际竞争者应出于另一原因关注这一计划。中国正尝试将工业规模转化为 AI 发展的资产。这一战略较少依赖于争夺消费者聊天机器人的关注，而更多依赖于将 AI 嵌入制造、能源、交通和基础设施。

这并不保证取得更优结果。工业部署会奖励耐心的集成工作，但也会让系统面对混乱的数据和严格的可靠性要求。带来竞争机会的同样复杂性，也可能延迟成果。

对于全球企业采购方而言，当积累了充分证据后，中央企业项目可成为有价值的参考案例。一套已在多个工厂验证运行的系统，能提供比又一个实验室基准测试更有意义的洞察。

政策的影响最终将通过采购规范和运营标准传导。公告确立方向，而合同要求、部署架构和可量化结果将决定谁能从中受益。

三个信号将显示这一战略是否奏效

下一阶段应从生产部署、共享产业基础和透明的运营结果来评判。

第一个信号是从试点数量转向规模化应用。应关注中央企业是否披露已在多个设施或子公司投入使用的系统。有价值的信息包括部署范围、评估周期、误差控制措施，以及受到影响的运营流程。

试点项目数量增加并不能提供同等程度的证据。试点数量可能反映的是实验探索，而非组织层面的采纳。跨地点部署表明，团队至少已经解决了一部分集成、培训和治理问题。

如果企业能在类似运营场景中复用经过验证的系统，这一信号将强化 SASAC 的战略。反之，如果公告仍主要强调模型发布、合作伙伴关系或实验室，却未展示生产应用，则会削弱这一战略。

第二个信号是共享产业基础的建立。SASAC 和国家政策文件反复强调高质量数据集、算力基础设施、标准以及开放应用场景。

应关注具体的行业数据集、测试设施、互操作规则和通用评估方法。这些资产之所以重要，是因为它们能够降低多家企业和供应商的部署成本。

关键区别在于，一个平台只是被命名，还是被实际使用。共享资源应能吸引参与组织、支持真实测试，并产出可复用组件。否则，它只会成为又一层运营价值有限的基础设施。

如果供应商和企业能够在共同基础上开展建设，同时不放弃必要的行业控制，这一信号将强化该战略。若每个集团都建立彼此不兼容的数据格式和模型平台，则会削弱该战略。

第三个信号是绩效报告的质量。SASAC 最新的政策方向明确将 AI 与效率、现金创造、成本控制和风险管理联系起来。因此，未来的披露应更贴近这些结果。

相关指标将因行业而异。能源运营商可能报告巡检时间缩短或预测能力提升。制造商可能披露缺陷检测、停机时间或能源消耗的变化。运输集团则可能衡量调度准确率或维护间隔。

这些指标需要背景信息。企业应说明基准水平、评估周期和人工监督机制。缺少这些信息时，一个百分比的提升可能掩盖工作量、样本选择或运营条件的变化。

如果企业发布一致的证据，表明 AI 在不削弱安全性的前提下改善运营，这一信号将有力支持 SASAC 的做法。若财务纪律在政策表述中依然突出，却未体现在项目报告中，则会削弱该计划。

读者还应关注企业如何处理不成功的项目。成熟的项目体系会终止表现不佳的试点，并说明失败原因。一个只报告成功案例的体系，无法证明资本是否得到了审慎配置。

7 月 31 日的指令之所以重要，是因为它将 AI 纳入中央企业的完整管理议程。研究、产业发展、降本、现金创造和风险控制，如今被视为相互关联的责任。

这一结构形成了一项严格但有价值的考验。中国中央企业拥有工业数据、实体资产、工程人才和较长的规划周期；同时，它们也面临复杂的层级结构、遗留系统和可能增加执行难度的战略责任。

未来一到三个月，应会通过企业计划、采购活动、行业项目和运营披露出现实施信号。这些公告是否识别出可复制的生产效益，还是主要新增了平台和试点？

这是开发者、企业采购方和政策观察人士应持续追问的问题。SASAC 已明确方向。其 AI 计划的可信度如今取决于中央企业能否将这一方向转化为更安全、更低成本且可量化改善的运营成果。