WAIC 2026 观察：AI 落地的纵深处，五个真实行业案例
2026 年世界人工智能大会（WAIC）刚刚落幕。在为期两天的流水席直播中，我们密集走访了十几个来自不同领域的案例。
当我们在线上谈论 AI 时，脑海中浮现的往往是 ChatGPT、豆包、AI 画图或 AI 视频。这些场景固然重要，但 AI 的应用远不止于此。
在大模型展台那边，参数又涨了，速度又快了，生成效果又好了，马上又推出了新版本。站在那里，能感觉到空气里的兴奋和焦虑。但逛完一圈，脑子里剩下的还是「又强了」「又快了」，具体在生活中解决了什么现实问题，反而说不太清楚。
而那些没什么人排队的展位，尤其是国企和公共服务企业的摊位，却藏着真正的价值。他们不太会讲故事，摆出来的却都是真问题。
以下五个案例，代表了当前 AI 落地的真实纵深。
一、南方电网：让人的工作更安全
南方电网自研的大模型叫「大瓦特」，已经落到五省区发电、输电、变电、配电、用电的 80 多个场景里。
补销机器人：效率提升 90%
输电线路上的 R 型销是一个三四厘米的小插销，时间久了会松动脱落，对线路稳定性至关重要。
过去得让人爬上几十米高的铁塔补装，一次要花几个小时，还要冒触电和坠落的风险。现在，无人机把机器人送上塔，它自己对位、调整力度，20 分钟完成作业，效率比人工提高 90%。
这不是替代关系，而是让人的工作更加安全。
巡检机器狗
已经在南方五省区的变电站里部署了上百台，60 度斜坡也能走。遇到应急抢险，它们先进去勘察；现场没有网络，还能自己搭起通信网络。这些机器狗统一由大瓦特大模型做大脑，今年预计还要坐船出海，用在智利的变电站里。
AI 的边界
电网容错率太低，一次误判可能牵连成片用户。按照现场的说法：
- 负荷预测已经可以更多交给 AI，因为预测错了还有时间调整
- 到了实时调度，AI 先给建议，最后按下按钮的仍然是人
在南网展位上，一个值得记住的观点是：避险的钱，往往比省钱的钱好挣。对于南网来说，使用机器人并不是更省钱了，而是更安全，不会发生太多高风险的事情。
二、气象局「妈祖」：提前预警风险
「妈祖」是中国气象局推出的全民早期预警方案。
关键数据
- 在集聚的小区域，每六分钟更新一次
- 得到一公里精度的气象预报
- 目前已经在 40 多个国家开展应用
预报精度示例
对巴威台风的预报，提前 108 小时（也就是四五天前）就预测到了登陆点，最后的误差才 50 公里。要知道这个台风的眼直径就超过了 100 公里，这个预报精度非常高。
气象 × 电力：跨系统的价值
台风来了，气象系统提前判断哪些区域的杆塔可能倒伏，电力部门据此安排抢修：
- 杆塔倒伏风险可以提前 5 小时预警
- 帮助电力部门提前加固设备、修剪树木
5 小时，放在普通人的日程里不算长。放到一场台风里，可能意味着抢修人员能提前出发，一个城市能早半天恢复供电。
气象和电力，两个平时离普通人很远的系统，就这样接到了一起。坐在办公室里，很难凭空想到这个需求。只有在台风天抢修过的人，才知道这 5 小时到底值多少钱。
三、中远海运：应对卫星定位失灵
中远海运展位上有一套产品叫「星矩」，解决的问题很冷门：卫星信号受干扰之后，船怎么定位。
问题背景
远洋航行依赖 GPS 等卫星信号，如果信号受干扰，船在海上不知道自己在哪，后果很严重。传统的备用办法是六分仪——船长测量太阳的高度角和方位角，再手动计算船舶位置。
这套办法需要专业训练，速度和精度也很看人，对很多年轻船长来说已经是很难掌握的技能。
「星矩」方案
「星矩」可以理解成自动化的六分仪：
- 用算法捕捉太阳的高度角和方位角
- 5 秒钟算出船舶位置
- 误差控制在两海里以内
- 还能接进现有的电子海图系统
几分钟的人工计算，变成 5 秒自动完成。这个需求很窄，窄到绝大多数人根本不知道卫星信号还会被干扰。可对于跑高风险航线的船，它可能就是最后一道定位手段。
大模型公司很难优先照顾这种需求，市场看上去不大，问题又藏得深。可 WAIC 真正让我停下来的，恰恰是这种窄而具体的东西。
四、福鑫数科：把时间还给医生和患者
福鑫数科的吴笛在流水席直播上聊了医疗 AI。
核心场景
医生每天有大量时间花在写病历上，生成式电子病历要解决的就是这部分文书工作。
处理 AI 幻觉的方法
一个模型负责生成，再让另一个模型检查，把幻觉比例压下来。
关键判断
在可预见的未来，AI 不会取代医生，但可以接手医生约 50% 的文书工作，让医生把时间还给患者。
他们现在主要的工作场景还是在大型三甲医院。只要道路跑通了，不管是不是这家公司，医生的这种文书负担应该消除掉，让医生有更多的精力花在和患者的沟通上。
而不是像现在的一些医院，患者在门外排队三小时，进到诊室只有五分钟，其中三分钟还在等医生在一台老破电脑上打字。
这个分寸，和电网很像：AI 可以写、可以查、可以给建议，最后负责的人仍然是医生。
五、库帕思：让 AI 输出更可靠
库帕思是全国首个语料平台公司，可以理解为高质量语料的「国家队」。
为什么语料重要？
过去两年，我们经常提的一个说法就是 AI 领域就是三场战争：算力、算法、数据。
大家经常会说某个模型在回答一类问题时，回答质量特别好，很多情况下，就是因为这个模型的训练语料特别优质。
正因为库帕思的背后有很强的政府背景，所以干的其实是公共基础设施——把散布在医院、银行、工厂和政府部门的数据收集整理处理，然后变成大模型可以直接学习的教材。
业务抽象但重要
虽然这家公司的业务对于普通用户来说比较抽象，但是在我看来，这个工作非常重要。
过去两年的 AI，训练数据更多是网页或线上内容，还有很多垃圾内容和错误信息。举个例子，有时问豆包一个严肃问题，它会把一条抖音短视频的内容当做回答发给用户。
甚至前段时间我问一个健康类问题，两个 AI 给了我两个截然相反的答案，一个是不要热敷，一个是不要冷敷。原因很简单，就是喂给 AI 吃的东西不够好。
病历处理的启发
库帕思展示了一个他们处理医院病历的方式：他们并不是直接进行病历识别然后沉淀到数据库，而是每条病历都让 AI 模拟一个真实人类医生的思考链条。
也就是说，AI 不但要了解医生的决策，更要知道医生为啥这么决策的。这就很有利于数据的量级上升后，处理健康问题会更加靠谱。
真正的壁垒：经验与现场
说完这五个案例，我觉得中国 AI 接下来的竞争，未必只发生在模型上。电网、气象、航运、医疗这些场景，有两个共同点：
数据很深
调度员处理故障的经验、抢修队安排优先级的判断、船长积累的操作经验、医生写病历和做诊断的习惯，都很难从公开互联网上找到。有些藏在日志里，有些锁在内部系统里，还有一些从来没有写下来，只存在于人的脑子里。
想把它们变成模型能用的数据，得先去现场，去问人，去整理那些又脏又碎的记录。
比如，灵初智能就专注研究手部的动作，用自研的数据手套，去规模化地采集各种操作数据，例如叠衣服、组装、倒水、拧瓶盖等等。这些数据都是之前并不存在的，收集下来，这就是非常高的壁垒了。
入口很实
比如几十米高的铁塔、几千公里的架空线、远洋船舶、医院系统、25 万座通信塔，这些都不是下载一个模型就能进入的地方。
模型能力只是门票，谁能进到现场、拿到数据、理解错误的代价，并且把责任边界画清楚，谁才有机会把 AI 真正装进去。
现在的语言大模型公司，用来训练的数据是互联网，大家看到的公开数据越来越接近。
真正拉开距离的，可能是那些还没有被数字化的行业经验，以及别人进不去的物理现场。
写在最后
关于这两天 WAIC 逛展和流水席直播的分享先到这里。当然，流水席直播里聊了不少有意思的公司，我这里没办法一一点名。
感兴趣的同学可以去视频号「快刀青衣学AI」观看，我会把一些视频片段放出来，你也可以直接看两场流水席的完整回放。
所有的参会资料、论坛报告还有录音笔记，这次也会统一放到「2026 WAIC 世界人工智能大会知识库」里。如果你感兴趣，可以扫描文末二维码加入快闪群，领取这份知识库，第一时间跟上这届 WAIC 值得关注的重要内容。
原始标题：WAIC 观察笔记：AI 落地的纵深处，五个真实行业案例
原始 URL：https://mp.weixin.qq.com/s/NcZ9QKDqTbWQxgZQ2av43Q