過去三年，中國人工智能產業最受關注的是大模型、芯片、算力中心和智能終端。資本市場習慣用參數、Token價格、算力規模和模型排名判斷競爭力，地方政府也更願意用智算中心、產業園和大模型數量衡量人工智能產業的發展水平。可是，當模型能力以驚人的速度迭代之後，一個越來越現實的問題擺在企業面前：誰來把實驗室裏的能力變成生產線上的效率、財務報表裏的利潤和可以持續營運的業務系統？

這就是AI落地的「最後一公里」。現在，政策的鏡頭開始轉向一個看上去沒有那麼「性感」、卻可能真正決定人工智能產業回報率的角色：能夠走進企業現場，把模型接入業務系統，把行業知識轉化為解決方案，並對交付、營運和安全負責的人工智能應用服務商。工信部最新文件給出的答案已經很清楚：這「最後一公里」，將主要交給一批懂技術、懂行業、能交付、能營運的人工智能應用服務商。

2026年8月31日，工業和信息化部辦公廳發布《關於開展人工智能應用服務商培育專項行動的通知》提出，到2026年底，全國服務商資源池內服務商數量突破2000家；到2027年底，不少於3000家。文件將人工智能應用服務商定義為圍繞用戶單位智能化需求，提供解決方案諮詢規劃、交付實施、營運管理、安全治理等服務的企業或機構。

如果只看「2000家」「3000家」這些數字，很容易把這份文件理解為又一次企業入庫和名單建設，但如果把它放回過去一年中國「人工智能+」政策的完整鏈條中，就會看到一個更重要的轉向：中國人工智能政策正在從鼓勵技術供給，進入建設應用交付體系的新階段。模型仍然重要，但政策開始正面處理一個更現實的問題——為什麼模型能力進步如此之快，真正進入企業核心流程、形成穩定收益的人工智能項目卻依然不夠多？誰能解決這個問題，誰就可能成為AI產業下一階段真正的價值承載者。對於數量眾多、深耕垂直行業的中小企業而言，這也是一次不容忽視的產業機會。

一、從拼模型到拼交付，政策重心正在下沉

這份文件並非孤立出台。

2025年8月，國務院《關於深入實施「人工智能+」行動的意見》已經提出，要培育人工智能應用服務商，發展「模型即服務」「智能體即服務」，打造人工智能應用服務鏈。2026年初，八部門發布《「人工智能+製造」專項行動實施意見》，提出到2027年推動3至5個通用大模型在製造業深度應用，推出1000個高水平工業智能體，建設100個工業領域高質量數據集，推廣500個典型應用場景，同時培育一批「懂智能、熟行業」的賦能應用服務商。

此後，「模數共振」行動開始把數據、模型和場景組織起來；國家人工智能應用中試基地、工業數據築基、算力互聯互通、人形機器人實景實訓等工作，又分別解決測試驗證、數據供給、算力支持和真實場景的問題。到2026年8月26日，工信部在國新辦新聞發布會上進一步提出，要把製造業多年積澱的「老經驗」挖掘、梳理出來，形成輕量化、低成本、易部署的行業解決方案。五天之後，人工智能應用服務商專項行動正式發布。

這條政策鏈條已經相當清楚：大模型提供通用智能，行業數據提供知識燃料，真實場景提供訓練和驗證環境，而應用服務商負責把這些分散要素組織成可以交付、可以營運、可以複製的生產能力。

因此，應用服務商不是簡單的渠道商，也不是給企業接一個大模型接口、做一個聊天機器人就可以完成的角色，它更接近人工智能時代的新型生產性服務商：既要理解技術，又要理解行業；既要完成項目，又要承擔長期營運；既要追求效果，也要控制數據、網絡、倫理和業務合規風險。

從這個角度看，這份文件的真正意義不是「國家再扶持3000家AI企業」，而是國家開始承認：在模型與產業之間，存在一個獨立而關鍵的能力層。過去這個能力層分散在軟件公司、系統集成商、諮詢機構、工業互聯網平台、大模型廠商和企業內部數字化團隊之中，現在它第一次被作為一個相對完整的產業主體加以識別、統計、評價和培育。

二、什麼樣的企業才算應用服務商？答案藏在附件裏！

主文件對服務商的定義比較寬，但五個附件把門檻進一步具體化。

服務商覆蓋五類業務：前端的戰略諮詢、行業洞察和實施方案設計，中段的應用開發、系統集成和平台工具使用，後端的設備與系統運維、軟件更新和產品迭代，以及貫穿全流程的安全治理、培訓和測試評估。

更值得關注的是報送條件：申請主體必須是在中華人民共和國境內註冊、正常經營的法人或非法人組織，主營業務覆蓋人工智能相關服務；服務商及其法定代表人、實際控制人近三年不能存在嚴重失信違法行為；涉及測試評估、網站和移動應用、生成式人工智能服務等特定業務的，還必須具備相應資質。

在團隊方面，直接從事人工智能諮詢規劃、交付實施、營運管理、安全治理等服務的人員原則上不少於3人，並需要提供社保繳納證明。

在案例方面，開展人工智能服務滿3年的，近3年原則上至少完成30項服務案例；不足3年的，原則上至少完成10項。案例不能只寫技術介紹，還要列明服務對象、合同金額、實施週期、應用場景、解決方案和實際成效，並附合同或者應用證明材料。

這套設計傳遞出的信號非常明確：政府要篩選的不是「有AI概念」的公司，而是「有真實交付事實」的公司。附件要求把企業總收入與人工智能服務收入分開填報，把員工總數與人工智能應用服務團隊人數分開填報，把技術能力與客戶合同、項目週期和應用成效放在一起核驗。專利、模型演示和媒體報道可以證明企業擁有技術，卻不能替代真實客戶、真實合同和真實應用結果。

不過，現階段也不能把進入資源池理解成國家認證，更不能理解成直接獲得財政補貼或政府訂單。

文件建立的是全國和地方兩級資源池，並明確後續將根據相關標準形成全國資源池；工信部正在組織編制應用服務商總體能力、成熟度評估以及FDE分級能力等標準。公開的標準項目計劃顯示，「人工智能應用服務商總體能力要求」已納入2026年度標準計劃，項目週期為12個月。

也就是說，當前更像是先摸清底數、建立檔案，再逐步實施分類分級和動態評價。入池是進入政策視野和供需對接體系的一張基礎門票，不是對企業技術含量、商業價值和投資價值的最終背書。

三、四項任務背後，是一套新的AI產業組織方式

這份文件表面上部署了建立資源池、提升服務供給、推動規模化應用和加強支撐保障四項任務，實質上是在同時修復人工智能產業化中的四個市場失靈。

第一個問題是信息不對稱。

大量傳統企業不知道誰真正懂自己的行業，也無法判斷服務商提供的是產品、外包、諮詢，還是一套可以長期營運的系統。全國資源池的價值，不只是做一份企業名錄，而是用統一字段沉澱企業的服務行業、團隊、收入、資質、案例和客戶信息，逐步形成可比較的能力檔案。它相當於為AI服務市場建設一套基礎信用設施，降低企業尋找和篩選供應商的交易成本。

第二個問題是單一企業很難完成全棧交付。

一個工業人工智能項目通常同時涉及算力、芯片、模型、數據治理、工業軟件、終端設備、網絡安全、系統集成和現場營運，很少有一家中小企業能夠把所有能力都握在手裏。文件要求各地區原則上報送不少於10個「人工智能應用服務團」，每個服務團由一家服務商牽頭、至少兩家上下游單位共同參與，目的正是把分散的技術供給重新組織成一體化解決方案。

第三個問題是人工智能項目難以從試點走向規模化。

很多項目可以完成概念驗證，卻無法進入生產系統；可以做出一個演示，卻無法在第二個客戶複製。文件提出圍繞高頻、剛需、可複用的業務，形成模塊化、標準化的「小快輕準」產品包，並通過場景開放、供需對接、首購首用和風險補償形成第一批真實訂單。這實際上是在同時降低供給方的獲客成本和需求方的試錯成本。

第四個問題是交付所需的關鍵要素不足。

服務商不僅缺客戶，也缺低成本算力、行業數據、測試環境和複合型人才。政策提出對接國家算力樞紐和算力平台，用好算力券，開放「模數共振」「工業數據築基」等行動形成的數據、模型和智能體成果，並鼓勵高校、職業院校與龍頭服務商建設實訓基地。

特別值得注意的是，文件正式提出鼓勵企業搭建前線部署工程師，也就是FDE團隊，讓工程師進入客戶現場，負責發現問題、連接業務與技術，並保障系統真正運行起來。

這四項任務組合在一起，說明政策已經不滿足於增加模型供給，而是開始建設從技術、數據和算力，到服務商、真實場景、採購機制和人才交付的完整鏈條。

四、最值得關注的不是3000家，而是三項機制創新

第一項創新，是將大模型、智能體和Token正式納入服務採購視野。

過去政府和企業更習慣購買服務器、軟件許可證和信息化項目，人工智能時代則需要購買持續調用的模型能力、智能體服務和推理資源。把Token寫入政策，並不意味着Token消耗越多越先進，而是意味着智能能力開始像雲計算、通信流量和電力一樣，被視為可以計量、採購和結算的生產投入。

這一變化會推動人工智能商業模式從一次性項目建設，逐步轉向「基礎訂閱＋調用計費＋營運服務＋結果付費」。

但未來的採購標準不能只看調用量，更要看每單位Token帶來了多少業務結果。一個企業每天消耗大量Token，卻沒有減少庫存、提升良率、縮短研發週期或增加收入，這不是智能化，而是另一種資源浪費。Token可以成為成本計量單位，不能直接成為價值評價單位。

第二項創新，是首購首用與風險補償的結合。

人工智能應用最難獲得的往往不是第十個客戶，而是第一個願意承擔不確定性的客戶。採購方擔心模型幻覺、系統失效、數據洩露和投資回報不確定，服務商則因為缺少標杆案例而無法進入大型企業和公共部門。首購首用幫助創新產品獲得第一張訂單，風險補償則嘗試在政府、保險機構、採購方和服務商之間重新分配試錯風險。

多位受訪專家將這一機制評價為降低採購方試錯成本、幫助服務商取得首個標杆場景的重要工具，這一判斷基本成立。

但真正有效的風險補償，不應變成對失敗項目的無條件兜底，而應圍繞可量化的技術風險、分階段驗收和責任邊界來設計。只有當服務商也承擔交付責任、採購方也完成必要的組織改造，財政資金或保險工具才有理由承擔剩餘的創新風險。

第三項創新，是把FDE推向產業政策層面。

傳統軟件項目通常由客戶先提出需求，服務商按照功能清單實施；人工智能項目的難點則在於，客戶往往並不知道什麼問題適合用AI解決，也不知道如何把隱性經驗、非結構化數據和複雜流程轉化為模型可以理解的上下文。FDE的價值，就是在現場共同定義問題，把業務知識翻譯成數據、流程和系統能力，再把前線反饋送回後方產品團隊。

但FDE並不是規模化的天然答案。IDC的觀察顯示，當前國內一部分FDE服務已經形成獨立的人才選擇、交付方法和前後方反饋機制，另一部分則與傳統駐場服務沒有實質區別；真正的挑戰還包括客戶組織能否承接AI、結果導向定價如何形成，以及治理與流程重構由誰負責。

重駐場、重定製會帶來高人力成本和低複製效率。如果每個客戶都要重新做一套系統，服務商最終會退化成披着AI外衣的軟件外包公司。

真正可持續的模式應當形成「前線發現問題-後方沉澱模塊-產品重複銷售-營運數據反哺」的閉環。FDE負責解決第一次，產品化能力負責複製一百次。沒有這個閉環，項目收入越多，企業可能越重；有了這個閉環，現場服務才可能轉化為可積累的產品資產和行業壁壘。

五、市場的樂觀判斷基本正確，但資本市場不應過度解讀

文件發布後，產業界和市場機構的主流評價相當積極。

有專家認為，資源池和「小快輕準」產品能夠降低中小企業「不敢用、不會用、用不起」的門檻，首購首用與風險補償有助於降低採購方試錯成本，應用服務商將成為連接上游算力、模型與下游行業需求的價值變現端口。

券商則把受益方向概括為兩類：一類是擁有行業解決方案和FDE交付能力的軟件及服務企業，另一類是可能因算力券和推理需求增長而受益的雲服務與算力企業。

這些判斷有合理性，但需要降溫看待。

首先，文件沒有承諾入池企業自動獲得補貼、訂單或算力券，也沒有規定所有政策資源只向入池企業開放。工信部明確的是，對行動效果較好的地區在有關政策和項目中給予傾斜，各地可以給予相應配套資源。企業能否獲得支持，仍取決於地方實施細則、財政安排、場景開放和後續能力評價。

其次，2000家和3000家的目標說明國家要建設的是一個多層次基礎生態，而不是一個只包含頭部企業的「國家隊名單」。資源池數量增長本身不會自動創造訂單，更不會自動提高企業利潤。真正決定商業價值的，是入池之後能否獲得真實場景、形成付費合同、實現按期回款，並把一次性交付沉澱為可複製產品。

再次，算力券能夠降低部分使用成本，卻不等於所有IDC、算力租賃和雲服務企業都會同步受益。算力需求最終取決於應用是否產生持續調用，補貼規模、適用區域、技術路線和採購平台也會影響訂單流向。把一份服務商培育政策簡單翻譯成「算力全面受益」，容易再次回到只關注投入、不關注產出的舊邏輯。

六、政策落地必須防止四種偏差

第一種偏差，是把資源池做成數量競賽。

到2026年底突破2000家，留給各地摸排、核驗和報送的時間並不長。數量目標有利於迅速建立產業底數，也可能誘發重複包裝、寬進不管和地方保護。如果資源池只有進入機制，沒有分級、續期和退出機制，最終很容易變成一張失去採購信號價值的名單。

第二種偏差，是用「完成案例數量」替代「創造業務價值」。

不少於3人的團隊、10個或30個案例，可以證明企業確實開展過相關業務，卻不能證明項目可靠、客戶滿意和商業模式可持續。

下一步成熟度評價應增加項目上線率、客戶續約率、系統可用性、準確率、單位成本改善、數據安全事件、回款週期、方案複用率等指標，並對合同與應用成效進行抽樣核驗。資源池真正需要的不是靜態入庫，而是基於真實運行數據的動態信用。

第三種偏差，是把FDE重新做成人力外包。

當前市場上已經出現把傳統駐場工程師更名為FDE的傾向。如果仍按人數、人月和功能清單收費，工程師沒有參與問題定義，也不對業務結果負責，那麼名稱改變並沒有帶來交付模式升級。

政策後續應推動FDE能力分級、服務邊界、結果驗收和知識回流標準，鼓勵按階段、按效果和按持續營運質量計價。

第四種偏差，是把Token消耗和項目數量當作智能化政績。

人工智能的目標不是讓企業多買模型、多建系統，而是提高全要素生產率。未來無論是算力券、模型券、首購首用還是風險補償，都應與業務效果掛鉤。

對於製造業，可以考察良率、能耗、停機時間、研發週期和庫存週轉；對於服務業，可以考察獲客成本、處理時效、風險損失和客戶留存。只有把投入指標改造成結果指標，政策資金才不會變成另一輪低效數字化投資。

七、資本市場將重新認識一類公司，但估值不能只看「AI服務商」標籤

這份文件可能帶來一個新的資本市場分類。

過去，傳統軟件公司常被視為項目制、低毛利和重人力企業，大模型公司則享有更高的技術溢價。隨着人工智能能力逐漸商品化，真正擁有行業Know-how、客戶場景、交付體系和持續營運數據的服務商，可能獲得重新定價。

最有機會勝出的不一定是模型參數最大的公司，而是能夠在一個或少數幾個行業中建立深度能力的企業。它們需要理解客戶核心流程，擁有可以合法使用的高質量數據，能夠完成模型、軟件、硬件和安全系統的集成，對項目上線後的效果持續負責，并不斷把現場經驗沉澱為標準模塊和智能體產品。技術會快速迭代，行業上下文、客戶信任、交付方法和可驗證的業務結果卻不容易複製。

對於投資者而言，判斷這類企業不能只看是否入池、是否擁有FDE團隊，也不能只看簽約金額和Token調用量。更有意義的指標包括人工智能服務收入占比、經常性收入比例、合同回款質量、客戶續約率、產品化收入與定製收入結構、單個FDE能夠支持的客戶數量、方案跨客戶複用率，以及人工智能項目為客戶創造的可量化價值。

真正優質的公司，應當隨着項目數量增加而提高毛利率和人均產出，而不是同步擴大駐場隊伍、應收賬款和交付負擔。

八、這份文件對香港意味着什麼？

需要先明確邊界。專項行動的報送主體是內地各省、自治區、直轄市和新疆生產建設兵團工業和信息化主管部門，附件要求服務商在境內註冊並提交統一社會信用代碼等材料。因此，單一香港註冊主體並不當然進入這套地方報送體系；在內地設有經營主體並符合條件的香港企業，可以關注註冊地工信主管部門的具體安排。

但香港並不是這項政策的局外人。文件明確提出，有條件的地區要依託「一帶一路」、金磚和中國-東盟等機制推動優質人工智能應用項目出海。香港在國際融資、專業服務、知識產權、跨境交易和海外合規方面具備獨特優勢，完全可以成為內地人工智能應用服務商走向東盟、中東和國際市場的組織平台。香港不必重複建設另一個大模型中心，更值得做的是把內地的技術與產業能力，轉化為符合國際客戶需求、合規標準和商業習慣的解決方案。

對香港中小上市公司而言，機會至少有兩層。

第一層是作為需求方，引入經過驗證的內地服務商，對研發、生產、供應鏈、客戶服務和經營管理進行智能化改造，真正改善利潤、現金流和組織效率。

第二層是作為產業整合與資本平台，通過投資、併購、孵化或合資方式，幫助有行業能力但缺資本、品牌和海外渠道的服務商做大。上市平台在這裏不只是融資工具，也可以成為聚合技術、場景、客戶和人才的生產資料。

這也為香港中小上市公司協會推進「百億市值上市公司培育計劃」和AI服務平台提供了一個更清晰的接口：不是泛泛地為上市公司做一次AI培訓，而是建立「企業診斷-高價值場景識別-服務商匹配-項目實施-效果評價-資本支持-持續跟蹤」的閉環。

協會可以參照工信部的分類與成熟度框架，建立面向港股上市公司的服務商庫和案例庫，同時引入產業專家、FDE、投資機構和專業服務機構，讓人工智能改造與企業基本面改善、市值成長和國際化真正連接起來。

結語：最後一公里，也是新一輪產業機會的起點

中國人工智能產業正在進入一個更艱難、也更有價值的階段。上半場比拚的是模型、參數、芯片和算力，下一階段比拚的則是誰能走進千行百業，把技術轉化為可驗證、可複製、可持續的生產力。所謂「最後一公里」，並不是產業鏈末端一項簡單的實施工作，而是決定前端巨額技術投入能否形成經濟回報的價值關口。

模型競賽解決的是「人工智能能做什麼」，應用服務商要解決的是「企業為什麼願意買、如何真正用起來、出了問題由誰負責、投入最終能否轉化為利潤」。工信部的答案並不是指定少數巨頭包辦一切，而是通過資源池、服務團、首購首用、風險補償、算力支持和FDE體系，組織一批專業化服務商共同完成產業落地。

工信部這份文件最重要的意義，不是宣布要培育3000家企業，而是把人工智能產業的評價標準從技術展示進一步推向實際交付。對中小企業而言，這既意味着一個新的服務市場，也意味着一次自身改造的機會：有行業積累的企業可以成為垂直領域服務商，有真實場景的企業可以成為優質應用方，有資本平台和產業組織能力的企業還可以通過投資、併購與孵化整合這新生態。未來，真正稀缺的不再只是模型和算力，而是能夠把行業知識、企業數據、組織流程、模型能力和安全治理擰成一股繩的人與組織。

人工智能創造的實際價值，可以粗略理解為模型能力、行業知識、組織變革和交付質量的乘積。任何一項接近於零，最終結果都可能接近於零。

只有當資源池變成可信的市場基礎設施，FDE變成結果導向的複合人才，Token採購變成以業務產出為約束的智能服務，中國人工智能產業才算真正跨過從「技術繁榮」到「生產率繁榮」的門檻。AI落地的最後一公里，國家已經明確了準備交給誰；接下來真正值得觀察的，是哪些企業能夠抓住這個窗口，把一紙政策轉化為客戶、訂單、產品能力和長期價值。

（作者為香港中小上市公司協會主席）