以2022年11月ChatGPT發(fā)布為標志，AI進入大爆炸時期。三年后，產(chǎn)業(yè)焦點逐漸從上游的模型和算力向下游的部署和應用轉(zhuǎn)移。此時，雖然美國繼續(xù)在上游領先，但中國擁有全球最完整的工業(yè)體系、最大的制造業(yè)規(guī)模，在AI應用生態(tài)上具備天然優(yōu)勢。

2025年8月，國務院發(fā)布《關于深入實施“人工智能+”行動的意見》， 要求“推動AI與經(jīng)濟社會各行業(yè)各領域廣泛深度融合，促進生產(chǎn)力革命性躍遷和生產(chǎn)關系深層次變革�！�

與此同時，中國各行各業(yè)普遍存在AI焦慮癥。擁抱AI已成共識，如何擁抱卻是難題——從哪個業(yè)務環(huán)節(jié)切入？選擇什么技術路線？投資力度多大合適？人員結(jié)構和組織架構要不要調(diào)整？

TCL是中國大型制造業(yè)企業(yè)中的AI先行者——2012年開始跟蹤AI技術動態(tài)，2017年開始規(guī)�；度階I研發(fā)，2022年底開始研發(fā)自己的垂域大模型。到2025年，AI已經(jīng)滲透到TCL各業(yè)務的毛細血管，并催生了一款AI原生產(chǎn)品雷鳥眼鏡。

2025年11月到2026年1月，《財經(jīng)》多次走進TCL調(diào)研，深入了解了這家工業(yè)巨頭13年來的AI實踐。

TCL創(chuàng)始人、董事長李東生坦言自己也有AI焦慮癥，因為AI技術發(fā)展太快，怎樣把握AI帶來的機會他沒完全想明白。但大方向從來都清楚：讓AI落地于產(chǎn)品、技術和產(chǎn)業(yè)，創(chuàng)造實實在在的價值。

TCL實業(yè)首席技術官孫力說：TCL衡量AI投入是否成立的標準，就是用戶體驗是否真的與過去拉開了差距，以及“新體驗減去舊體驗”的差值，是否足以覆蓋為之付出的成本。

TCL1981年成立于廣東惠州，通過TCL實業(yè)與TCL科技兩個產(chǎn)業(yè)集團，2025年實現(xiàn)年營收超過3500億元。半導體顯示、新能源光伏與半導體材料等2B業(yè)務主要在TCL科技，智能終端等2C業(yè)務主要在TCL實業(yè)。

01 業(yè)務推著技術走

作為TCL AI戰(zhàn)略的主要制定者，TCL科技首席技術官、TCL工業(yè)研究院院長閆曉林博士的AI熱情點燃于2012年。當年10月，杰弗里·辛頓團隊發(fā)表關于深度學習的論文，引發(fā)轟動，沖擊波也擊中了閆曉林。很快，他就帶領工研院團隊成立了人工智能技術興趣小組，每周六下午聚在一起交流討論AI學術論文。13年如一日的“科研沙龍”，讓閆曉林累計閱讀了兩三千篇AI論文，也使得工研院團隊保持著對最新技術的敏感度�！懊總�禮拜六風雨無阻，這是技術人員最幸福的時刻。”閆曉林說。

濃厚的科研氛圍背后，是TCL大手筆的研發(fā)投入。李東生透露，過去六年，TCL的研發(fā)投入超過600億元，2025年的研發(fā)投入達150億元。

2017年6月，谷歌關于Transformer架構深度學習模型的論文發(fā)表，開啟了AI大模型時代。閆曉林向李東生建議加大人工智能方向投入，并推動工研院同時聚焦顯示技術和AI技術。技術的關鍵是人才，閆曉林再次建議設立海外研發(fā)基地，李東生欣然同意，TCL隨后在波蘭華沙設立了新的人工智能研發(fā)中心。由此，華沙中心與武漢、西安、中國香港等地的工研院形成了多層次、全球化的研發(fā)網(wǎng)絡。

目前，TCL的AI研發(fā)已經(jīng)形成基礎研究與產(chǎn)業(yè)落地“雙輪驅(qū)動”：各地工業(yè)研究院專注前沿技術儲備和基礎算法研發(fā)，工業(yè)智能平臺格創(chuàng)東智專攻工業(yè)軟件和設備側(cè)AI落地，各產(chǎn)業(yè)集團聚焦產(chǎn)品端的研發(fā)。

“算法工程師一開始是不習慣進工廠的�！备駝�(chuàng)東智CEO何軍對《財經(jīng)》回憶。TCL工業(yè)研究院主攻底層技術研究，同時能直接對接工廠，這讓算法工程師們有機會在真實產(chǎn)線中理解制造流程，成為既懂算法又懂產(chǎn)線的復合型人才。這種架構鞏固了組織間的研發(fā)閉環(huán)：工研院輸出的AI算法經(jīng)由格創(chuàng)東智產(chǎn)品化，在華星等業(yè)務單元落地，再將數(shù)據(jù)和需求反饋給研究團隊持續(xù)優(yōu)化。

在TCL的AI研發(fā)中，星智大模型是旗艦項目。大模型猶如大腦，大腦指揮手足。近年來通用大模型進步飛快，尤其是國產(chǎn)開源通用模型，其性價比之高，讓各行各業(yè)都掀起了適配下游AI應用的高潮。

在實業(yè)界，TCL的大模型研發(fā)起步較早，2022年11月ChatGPT發(fā)布后，TCL就開始基于通用大模型研發(fā)自己的垂域大模型。2023年11月，星智大模型1.0發(fā)布，2024年12月上線2.0版。2025年4月底，阿里云發(fā)布通用大模型千問（Qwen）3.0版并宣布開源，TCL決定與阿里云展開深度合作。

5月，雙方宣布共同打造顯示領域的專家級大模型。由于半導體顯示涉及大量敏感工藝數(shù)據(jù)，星智X-Intelligence被定位為私有化部署的垂直模型，阿里云派出資深研發(fā)力量加入聯(lián)合項目組。星智項目負責人、TCL武漢工研院總經(jīng)理劉陽興向《財經(jīng)》介紹，阿里云為星智項目配備了覆蓋預訓練、后訓練、多模態(tài)等方向的專家，雙方建立了每周例會和即時溝通機制，共享經(jīng)驗并解決訓練過程中的問題。

TCL把100多萬篇顯示領域論文及數(shù)十年沉淀的10萬篇內(nèi)部技術文檔投喂給模型，以增強星智對專業(yè)問題的理解和推理能力。阿里云提供了自己最先進的開源大模型，幫助TCL找到了一套“通用+垂直”數(shù)據(jù)優(yōu)化方案，使模型既能擁有顯示領域的專業(yè)解答和復雜推理能力，又能具備生成文本、編寫代碼等基礎能力。

7月，星智大模型3.0版發(fā)布。劉陽興透露，星智3.0在半導體顯示相關問答、診斷分析等任務上的表現(xiàn)已經(jīng)領先行業(yè)。

星智3.0發(fā)布的同時，一個更宏大的框架浮出水面：TCL華星提出“1湖1模3平臺”的“五星AI架構”�！耙缓奔葱呛䲠�(shù)據(jù)湖，匯聚了顯示產(chǎn)業(yè)鏈各環(huán)節(jié)的海量高質(zhì)量數(shù)據(jù)；“一�！敝感侵谴怪贝竽Ｐ停瑢⒕邆鋸姶蟮耐评砗投嗄B(tài)能力，是華星工業(yè)AI的大腦；“三平臺”則是驅(qū)動AI落地的引擎：星云為算力云平臺提供底層算力調(diào)度，星舟提供算子庫和模型庫工具箱，星域利用AI Agent將能力落地到具體場景。有了這一套架構，華星基本構建起從數(shù)據(jù)、算法到應用的全棧能力。

星智的出色表現(xiàn)，讓TCL領導層決定不讓其局限在華星使用，而是將其升級為整個TCL的底座大模型。未來，星智將服務于TCL各產(chǎn)業(yè)集團的更多業(yè)務場景，從研發(fā)設計、生產(chǎn)優(yōu)化到運營決策，成為各業(yè)務板塊創(chuàng)新的智能底座。

技術普及帶來了觀念轉(zhuǎn)變。在TCL，AI應用最初是從上至下推動，如今是業(yè)務部門主動擁抱。TCL華星數(shù)字化轉(zhuǎn)型中心中心長佘必海向《財經(jīng)》介紹，TCL會定期舉行AI應用賽事，鼓勵各部門涌現(xiàn)的金點子同臺競技，勝出者會得到相應激勵，這對推動AI落地效果顯著。迄今，公司員工基于星域平臺已經(jīng)開發(fā)了近3000個Agent（智能體），AI已經(jīng)成為提高工作效率的一把利器，每個愿意嘗試的人都能從中受益。

佘必海說，“很多企業(yè)是數(shù)字化部門推著業(yè)務用新工具，而在TCL華星，更多是業(yè)務側(cè)主動提出改進需求，反過來要求技術團隊增強能力、優(yōu)化工具�！�

TCL科技數(shù)字化轉(zhuǎn)型總經(jīng)理、TCL工研院副院長李冰向《財經(jīng)》介紹，TCL的AI項目要有清晰的ROI（投資回報率），能算出省下了多少人力、提高了多少良率。正因為如此，TCL當前大部分重點AI項目都由業(yè)務部門主導，以解決經(jīng)營痛點為導向，而不是由技術部門立項。

這種由需求牽引供給的模式，令AI融入業(yè)務的速度大大加快。

02 制造業(yè)的AI拐點

緊緊盯著上萬張面板照片，努力分辨幾十種不同類型的缺陷，并將每張缺陷圖掛上相應的代碼。這曾是梁林萍每天的工作。

2016年，梁林萍還是TCL華星面板廠的一名質(zhì)檢員，同事們都喊她“梁工”。那時的缺陷檢測全靠肉眼，每個質(zhì)檢員一天需要經(jīng)手上萬張照片。梁林萍是其中的佼佼者，判圖準確率總是名列前茅。2017年，當公司籌備引入AI系統(tǒng)輔助質(zhì)檢時，梁林萍被組長點名調(diào)入AI質(zhì)檢項目組，成了第一批“吃螃蟹”的人。

彼時華星正在用AI視覺識別技術開發(fā)一套自動缺陷分類系統(tǒng)（ADC，Auto Defect Classification），目標是用機器取代人工目檢。梁林萍的任務是利用自己多年積累的判圖經(jīng)驗，批量對缺陷照片進行分類和標注，提供給算法團隊作為訓練素材。

梁林萍面對的是全然陌生的領域。每天，她和算法工程師們坐在同一個辦公室，當模型效果不理想時，工程師們會請她分析是哪些類別混淆或漏標所致。隨著系統(tǒng)逐漸成熟，技術人員將復雜的建模過程拆解并固化下來：從數(shù)據(jù)收集、標注，到模型訓練、上線發(fā)布，最終形成了一條標準化流程（SOP）。

最初的一年多，梁林萍都在給AI“喂數(shù)據(jù)”。她在實踐中迅速上手，到2020年，已經(jīng)可以獨立完成一個新模型的訓練和上線，全程幾乎不用寫一行代碼�！艾F(xiàn)在數(shù)據(jù)我能處理，模型我也能訓，訓練好后一鍵發(fā)布到平臺，就能在產(chǎn)線上線運行�！彼χ鴮Α敦斀�(jīng)》說。就這樣，這位原本與AI毫不相干的一線員工，轉(zhuǎn)身為廠里的“AI訓模師”。

如今每座華星工廠都至少配備了一兩名梁林萍這樣的訓模師。他們既是AI模型的訓練師，也是產(chǎn)線和算法團隊之間的橋梁。一旦某條產(chǎn)線出現(xiàn)AI判定不了的新型缺陷，首先由他們分析、嘗試優(yōu)化模型，解決不了的再反饋給算法工程師。在梁林萍看來，自己的工作本質(zhì)上還是和之前一樣，都是與數(shù)據(jù)打交道，只是使用的工具更智能了�！霸阶鲈桨l(fā)現(xiàn)，AI并沒有那么神奇，它背后還是離不開人”。

TCL華星ADC系統(tǒng)一經(jīng)上線，立刻展現(xiàn)出驚人的效率提升：產(chǎn)線檢測速度提升近一倍，人均產(chǎn)出提升近十倍。在華星面板廠，過去至少需要一百名質(zhì)檢員同時作業(yè)，現(xiàn)在只需六個人。

ADC還讓面板廠的良品率顯著提高。這套系統(tǒng)不僅能判定有無瑕疵，還建立了異常歸因機制。佘必海向《財經(jīng)》介紹，華星已通過ADC將缺陷成因細化為1000多類。在產(chǎn)線上，如果有幾片玻璃在相同位置出現(xiàn)同樣瑕疵，AI能夠?qū)崟r監(jiān)控出異常，半小時內(nèi)定位問題源頭呼喚工程師檢查相應設備。而人工模式下，往往要四五個小時才能察覺異常。

面板制造過程中，針對某些特定瑕疵，可以通過修補工序來提高良品率。這一步此前依賴經(jīng)驗豐富的工人手動操作修補機，屬于獨立崗位。2021年前后，華星啟動了ADR（Automatic Defect Repair）項目，讓AI接管修補工作。當ADC判定某塊面板存在可修復的缺陷時，產(chǎn)品流轉(zhuǎn)到修補站，設備會讀取ADC提供的缺陷坐標信息，再由旁邊的工控機調(diào)用訓練好的模型執(zhí)行修補操作。修補完成后，面板繼續(xù)流轉(zhuǎn)至后續(xù)工序，整個過程無需人工干預。

TCL華星是全球第二大顯示面板生產(chǎn)商，良率的提升至關重要。TCL華星深惠基地總經(jīng)理張才力向《財經(jīng)》介紹，在深圳工廠，面板生產(chǎn)的良率提高1個百分點，每年就能有幾億元的成本降低。除了深圳，TCL華星還在廣州、蘇州、武漢擁有生產(chǎn)基地。在武漢t4工廠，TCL華星2024年下半年上線了自動消除面板色彩或亮度不均勻的Auto Demura系統(tǒng)，這是一種AI視覺識別+算法調(diào)優(yōu)的技術。到2025年12月初，該項目通過良率提升產(chǎn)生了至少2.48億元效益。閆曉林強調(diào)，“這是經(jīng)過TCL華星財務審核的扎實數(shù)據(jù)�！�

“人工智能技術已經(jīng)滲透到TCL華星各個業(yè)務的毛細血管中”，閆曉林說。

光伏是TCL繼家電和顯示面板之后的第三增長曲線。在TCL中環(huán)的光伏硅片生產(chǎn)線上，AI重塑了核心的拉晶工藝。所謂“拉晶”，是指將高溫熔融的硅料冷卻結(jié)晶為單晶硅棒，硅棒質(zhì)量決定切割出的硅片質(zhì)量，硅片質(zhì)量決定電池片的質(zhì)量。拉晶工序過去依賴人的經(jīng)驗傳承，難以標準化復制。當制造規(guī)模擴張時，企業(yè)可以不停地添置單晶爐，卻無法復制出等量的老師傅。

2025年，TCL中環(huán)嘗試讓AI把老師傅的經(jīng)驗標準化。通過對溫度、拉速、電流等拉晶時序數(shù)據(jù)進行高頻建模，AI從海量數(shù)據(jù)中提煉隱藏的規(guī)律，將拉晶訣竅拆解為可解釋的數(shù)字模型，然后針對每臺單晶爐自動生成SOP并持續(xù)自我迭代，實現(xiàn)“一爐一策”。 據(jù)TCL中環(huán)介紹，系統(tǒng)投入使用后，單一操作員管理的單晶爐數(shù)量從十幾臺提升到300多臺，開爐成本較2024年底降低約21%，整體勞動生產(chǎn)率提升300%。

03 AI家電解決了什么真問題？

TCL科技和TCL實業(yè)的營收，可大致作為其B端、C端業(yè)務比重的參考。2025年上半年，兩者的比例是55.1%和44.9%。雖然2B業(yè)務的營收早已超過2C業(yè)務，但在多數(shù)公眾眼里，TCL仍是家電公司，家電業(yè)務也仍然是TCL的基本盤。

在孫力看來， AI是一種“短期不能神化，長期不能低估其顛覆能力”的技術。他對《財經(jīng)》說，互聯(lián)網(wǎng)解決的是連接問題，AI能自主決策，這是人類歷史上第一次，細思極恐，以前都是人類把程序?qū)懞脵C器去執(zhí)行。

孫力畢業(yè)于上海交通大學，人工智能與圖像處理碩士，2019年起擔任TCL實業(yè)CTO。他認為過去六年的技術關鍵詞是：連接、單體智能、群體智能、大模型驅(qū)動的群體智能。大模型會催生大量新型智能硬件、機器人、智能眼鏡等。

但是，家庭空間中的電視、空調(diào)、冰箱和洗衣機不會因為機器人或其他新設備的出現(xiàn)而消失，它們依然是用戶每天高頻接觸的設備。

孫力說，家電產(chǎn)品的AI創(chuàng)新空間非常大，但必須基于各自的第一性原理。電視的第一性原理是要懂畫質(zhì)和音質(zhì)，空調(diào)的第一性原理是懂空氣，洗衣機的第一性原理是懂衣服，冰箱的第一性原理是懂食物。

在各類傳統(tǒng)家電里，孫力認為電視是AI提升用戶體驗效果最明顯的終端。電視和手機不同，它的遙控器沒有觸控屏，效率有限，而電視觀看場景多發(fā)生在相對私密、放松的家庭環(huán)境中，語音在這里天然是更高效的選擇，場景與技術高度匹配。

TCL在2013年就開始嘗試語音電視，但當時的技術不行，沒辦法與用戶順暢交互。直到2022年底大模型技術成熟后，變化才真正發(fā)生——電視第一次能夠理解諸如“這個演員是誰”“他還演過什么”“最近有什么類似風格的劇”這類開放式的連續(xù)問題。

從用戶角度看，這種變化的本質(zhì)不是“AI更聰明了”，而是“我獲取節(jié)目內(nèi)容更方便了”——說完一句話，就能得到想要的結(jié)果。對TCL來說，這就是衡量AI投入是否成立的標準：用戶體驗是否真的與過去拉開了差距。

但體驗從來不是“無成本”的。對電視這樣的終端產(chǎn)品而言，大模型更像是被放進機器里的一個“大腦”——每一次語音請求，無論是“換個臺”還是“找一集小豬佩奇”，背后都會產(chǎn)生真實的算力與能耗成本。如果推理成本和本地算力需求過高，體驗即便再好，也會反映到整機成本上。

因此，模型并不是越大越好。更現(xiàn)實的路徑，是圍繞具體使用場景，對大模型進行壓縮和裁剪，讓它在可控的算力和成本約束下，提供“足夠好”的體驗，而不是追求理論上的最優(yōu)。這也是為什么在終端側(cè)，AI的工程工作往往比模型本身更重。

這種取舍背后，本質(zhì)仍然是ROI的判斷。不同產(chǎn)品、不同功能，對應的投入產(chǎn)出比各不相同，最終都要回到商業(yè)的基本問題：用戶體驗有沒有實質(zhì)改善。這是一種務實做法，既不神化技術，也不因循守舊。

孫力介紹，TCL的內(nèi)部討論中，高層們反復強調(diào)“AI一定要解決真問題”。“新體驗減去舊體驗”的差值，是否足以覆蓋為之付出的成本。如果體驗提升很明顯，但價格高到超出用戶心理預期，市場同樣不會接受；技術再炫目，卻沒能讓用戶在使用中真切感受到差異，那就是“高射炮打蚊子”。

在一些具體產(chǎn)品的討論中，孫力指出：不是大模型不夠強，而是產(chǎn)品還沒準備好。

一個典型例子是空調(diào)�！白蛲碛悬c熱，我沒睡好”“以后凌晨三點調(diào)高一度，五點關掉”——大模型已經(jīng)能理解自然語言中夾雜著的時間、情緒、身體感受和隱含意圖，但如果空調(diào)本體的控制系統(tǒng)、接口和操作系統(tǒng)仍停留在上個時代，意圖抵達硬件后只能被拆解成零散、生硬的指令，無法將“凌晨三點”與人的睡眠階段之間的關系轉(zhuǎn)換為行動。

孫力把這種狀態(tài)稱為“同理心浪費”，AI硬件產(chǎn)品真正的難點是能否把過去幾十年形成的軟硬件結(jié)構砸碎、重組為新的交互方式。

質(zhì)變需要很長時間，TCL空調(diào)的策略是循序漸進。TCL實業(yè)空調(diào)事業(yè)部總經(jīng)理陳紹林向《財經(jīng)》介紹，通過不斷理解用戶的需求，構建“感知-認知-決策-服務”的全鏈路AI能力，TCL空調(diào)正在實現(xiàn)從感知到認知，從“被動響應”到“主動服務”的價值升級。

TCL的工程師希望用戶意識不到空調(diào)的存在。人在夜里被熱醒或者冷醒，總是會伸手找遙控器。TCL的解決方案是在空調(diào)里安裝毫米波雷達，用它來探測人體在床上的“微動量”——翻身、呼吸和位置，然后結(jié)合算法判斷睡眠狀態(tài)，配合AI遺傳算法，學習用戶睡眠習慣，定制專屬睡眠溫度曲線，智能調(diào)節(jié)睡眠溫度

這樣的空調(diào)必須配合AI系統(tǒng)，因為要學習定制用戶專屬的可變睡眠溫度曲線：入睡前適度降溫，幫助快速入眠；深睡階段保持較低且穩(wěn)定的溫度；接近清醒時，溫度緩慢回升，讓醒來更舒適。相比傳統(tǒng)空調(diào)在夜間需要用戶手動調(diào)溫，新空調(diào)試圖替人代勞。數(shù)據(jù)采集當然在本地完成，計算過程一部分在本地完成，另一部分被送到云端，與TCL實業(yè)開發(fā)的伏羲空氣大模型聯(lián)動，結(jié)合更大范圍的環(huán)境數(shù)據(jù)，校驗后作出調(diào)溫或調(diào)風決策。

陳紹林介紹，在內(nèi)部測試中發(fā)現(xiàn)，在沒有新風條件的密閉臥室里，清晨起床時的二氧化碳濃度可達到2000ppm左右，頭昏腦脹是常見的體感反饋，但久居其中的人卻難以察覺。因此，新風被納入與溫控同等重要的系統(tǒng)能力，配合傳感器實時監(jiān)測空氣狀態(tài)，可以實現(xiàn)在必要時自動開啟。

對于空調(diào)這類高電耗設備，電費是大部分消費者的痛點。傳統(tǒng)空調(diào)的壓縮機由電路板和固化邏輯控制，只能依據(jù)少量規(guī)則啟停。AI的強化學習算法則能根據(jù)實時功耗、室內(nèi)外天氣和溫度變化來控制壓縮機的狀態(tài)。

TCL的實驗數(shù)據(jù)顯示，在部分場景中，通過對壓縮機運行頻率和室外風機轉(zhuǎn)速的優(yōu)化，在體感舒適度幾乎不變的情況下，能耗可下降接近40%。這也是AI在終端產(chǎn)品中，最容易被用戶感知到的收益。

04 雷鳥眼鏡，新范式的AI原生硬件

家電是一個高度成熟的制造業(yè)，產(chǎn)品邏輯成熟，規(guī)模效應明顯，因此企業(yè)的利潤率普遍不高，成本約束極強。對家電產(chǎn)品，任何新技術都很難帶來顛覆式的改變。

孫力說，傳統(tǒng)電器是在既有產(chǎn)品上加上AI，雷鳥眼鏡則是為AI而生的新物種，沒有AI它就沒有存在的必要。

孫力說的是TCL雷鳥創(chuàng)新技術（深圳）有限公司生產(chǎn)的AR眼鏡，Augmented Reality（AR，增強現(xiàn)實）是一種將虛擬世界與真實世界相融合的技術。

在生成式AI2023年爆發(fā)之前，TCL雷鳥就已押注AR眼鏡，現(xiàn)在這條路線的邏輯更加清晰，雷鳥也已成為國內(nèi)AR眼鏡的頭部廠商。

放眼全球視角，智能眼鏡已成為多家科技公司押注“下一代終端”的籌碼。TCL雷鳥創(chuàng)新創(chuàng)始人兼CEO李宏偉對《財經(jīng)》表示，AI和硬件行業(yè)正在尋找下一個“iPhone時刻”。如果以AI能力為橫軸、AR對現(xiàn)實世界的連接為縱軸，過去的終端大多停留在左下角——AI能力和AR能力都不行；而真正的新平臺理應位于右上角——AI與AR雙強，數(shù)字世界與物理世界相互嵌套、深度融合。

李宏偉認為手機雖然占據(jù)了用戶最多時間，但它并非AI原生設備，對真實環(huán)境的感知能力有限。相比之下，AR眼鏡天然具備“always-on（隨時在場）”的特性，無需刻意喚醒，始終處于人的視覺與聽覺邊緣，覆蓋日常生活。這種第一視角的多模態(tài)數(shù)據(jù)，恰恰為當前行業(yè)熱議的“現(xiàn)實世界大模型”提供了最自然的數(shù)據(jù)入口，在這個意義上，AR眼鏡不僅是一個終端產(chǎn)品，還是AI走向現(xiàn)實世界的天然入口。

雷鳥眼鏡的技術底座大致可以拆分為三大板塊：光學顯示、面向人機交互的空間計算算法、運行在眼鏡之上的AI系統(tǒng)。

在光學顯示上，雷鳥從一開始就把顯示系統(tǒng)理解為軟硬件深度耦合的結(jié)果。從光學方案設計到整機制造，雷鳥都選擇將關鍵能力握在自己手中，自建工廠，打通整條光學顯示鏈條。

空間計算則更多體現(xiàn)為算法能力，真正落地到眼鏡形態(tài)時，算法必須與傳感器、算力和功耗緊密耦合。這使得空間計算同樣不可避免地走向軟硬件一體化，集成到芯片層面。

第三個中樞是運行在眼鏡上的AI系統(tǒng)，承載了主要的人機交互與場景能力，更接近一個為眼鏡形態(tài)定制的操作系統(tǒng)。它基于與阿里通義實驗室的獨家合作構建，通義實驗室將旗下的多個大模型打包，為雷鳥的硬件和場景做針對性的訓練和優(yōu)化，并疊加了意圖識別、記憶、翻譯、第一視角理解等一系列小模型，服務于“隨時在場”的交互需求。

這種從地基開始搭建的技術結(jié)構，讓雷鳥眼鏡能夠掌控自己的產(chǎn)品方向，更靈活地調(diào)整器件方案和技術路線，而不需要依賴外部供應鏈。另一方面，來自TCL的深度信任，又為其高速探索提供了穩(wěn)定支撐。

無論是與TCL實業(yè)的鴻鵠實驗室在底層AI 能力上的協(xié)同，還是與TCL華星在顯示技術上的溝通，都讓TCL雷鳥得以在研發(fā)早期就參與關鍵技術的定義。在制造端，TCL強大的供應鏈議價能力，也為雷鳥減輕了成本壓力。

硬件始終是最直觀的挑戰(zhàn)。在一副僅約76克的眼鏡中，需要塞入光波導玻璃鏡片、電池、攝像頭、傳感器與算力單元；鏡腿中有個0.36立方厘米的微型“投影儀”，通過玻璃導光送到眼前，呈現(xiàn)出相當于43英寸的虛擬屏幕。在光路傳輸過程中，要保持95%的圖像在經(jīng)過千百次折射、衍射后依然不會變形，且在戶外依然可讀。這些約束，使得算法、輕量化、散熱、芯片的協(xié)同開發(fā)處于極限狀態(tài)。

應用層面，AR眼鏡尚未出現(xiàn)“殺手級”場景，但交互方式已經(jīng)發(fā)生變化：提詞、實時翻譯、騎行導航等功能，正在從“低頭看手機”轉(zhuǎn)向“抬眼即得”。更進一步的方向，則指向空間算法與地圖、位置服務以及第一視角感知的全面打通。

李宏偉描述過一個理想中的應用場景：站在街頭，問眼鏡助手前方哪一棟樓是要前往的目的地，或在視野中直接浮現(xiàn)附近評價較高的餐廳與行進方向。對人而言，這是自然不過的提問，但對硬件設備來說，能夠?qū)Υ鹁托枰系乩砦恢�、實時視覺、云端數(shù)據(jù)與平臺信息。這正是孫力所說的“砸碎重組”——為了還原一個自然的交互過程，算法、硬件與系統(tǒng)被重新綁定，形成一種只能在AI原生硬件中成立的新范式。

2026年1月5日，TCL雷鳥宣布完成新一輪超10億元融資，由中國移動鏈長基金與中信金石領投，中國聯(lián)通旗下聯(lián)創(chuàng)創(chuàng)新基金等機構參投。次日，雷鳥在美國消費電子展（CES）上展示首款具備獨立通信能力的消費級AR智能眼鏡“雷鳥X3 Pro Project eSIM”。該款眼鏡無需手機聯(lián)網(wǎng)即可獨立完成包括通話、實時AI對話、實時翻譯、數(shù)據(jù)云同步、在線流媒體播放等功能,實現(xiàn)了“從手機配件到獨立終端”的產(chǎn)品定位升級。

TCL雷鳥創(chuàng)新展示廳一角。馬克/攝

05 AI制造的下一步往哪兒走？

盡管星智大模型已在TCL多個業(yè)務板塊有了落地應用，但面向未來，工研院團隊認識到仍有諸多挑戰(zhàn)，其中之一就是多模態(tài)理解能力。多模態(tài)指的是讓模型同時理解和處理文本、圖像、圖表、音頻、視頻等不同形式的信息，而不是只讀文字。星智大模型目前雖然具備一定的圖像處理能力，但它無法直接讀懂一份設計圖紙、PPT報告，或者理解傳感器采集的海量數(shù)據(jù)。

劉陽興坦言，目前業(yè)界無論是通用還是垂直領域，大模型在多模態(tài)信息理解與提取上都還不夠強，很多關鍵內(nèi)容如果直接丟給模型，可能提取不全或理解有誤。因此目前的實現(xiàn)路徑往往是折中式的，在將數(shù)據(jù)交給大模型前，先用傳統(tǒng)算法做結(jié)構化解析和明確提示，再讓模型發(fā)揮其語義理解和推理能力。

閆曉林表示，垂直領域多模態(tài)大模型是TCL AI研發(fā)的四個前瞻性方向之一，另外三個是數(shù)字孿生、新材料發(fā)現(xiàn)和具身智能，但四個方向不會平均用力。比如具身智能落地依賴于世界模型（理解物理世界的模型，有別于目前的主流大語言模型），目前世界模型還處于比較早期的階段，所以TCL的布局是保持關注，等世界模型取得較大突破，有具體應用場景時，再大規(guī)模投入。

垂域多模態(tài)大模型則是TCL基礎研發(fā)團隊2026年的發(fā)力重點，目標是200B（Billion，10億）參數(shù)的多模態(tài)大模型。在大模型方面的研發(fā)預算也將大幅度提升，團隊也會擴張，公司計劃再組建約50人的東歐研發(fā)團隊，落地深圳與本部協(xié)同攻堅。閆曉林說，未來顯示面板企業(yè)的競爭上限，就是垂域多模態(tài)大模型的競爭力。

數(shù)字孿生也是發(fā)力重點。過去，TCL主要采用單點仿真結(jié)合人工智能和人工排產(chǎn)的模式，未來的目標是實現(xiàn)數(shù)字孿生——從客戶需求到產(chǎn)品產(chǎn)出的良率預測，再到設計環(huán)節(jié)，都實現(xiàn)端到端的數(shù)字孿生。當數(shù)字孿生迭代到一定階段后，再拿到實體工廠生產(chǎn)。要做到這一點，垂域大模型的能力就必須足夠強。

TCL香港工研院總經(jīng)理俞大海將AI的變革路徑概括為三個階段：“從用AI把事做得更快，到用AI改變工作方式，再到用AI重塑組織�！彼麑Α敦斀�(jīng)》表示：第一階段最直觀，將AI作為工具嵌入現(xiàn)有流程，在不改變架構的前提下提升效率。目前TCL大量AI應用仍處于這一層次，AI充當人的“生產(chǎn)力助手”，幫助員工更快完成資料分析、報表生成、產(chǎn)品檢測等工作。

第二階段，當AI能力進一步提升，業(yè)務流程就會被AI重組，許多過去串聯(lián)多崗位、多步驟的任務可由AI系統(tǒng)一氣呵成。AI能夠高效完成原本分散在各環(huán)節(jié)的工作，大幅減少人員交接。這一階段，AI不再局限于“錦上添花”，而是開始改造流程。

第三階段是組織形態(tài)的重塑。當AI逐步勝任專家級的分析決策，許多企業(yè)關鍵崗位的工作范式將被顛覆。俞大海以TCL華星的質(zhì)檢為例，過去質(zhì)檢AI只是代替人眼找瑕疵，提升檢測效率。引入大模型后，AI開始參與工藝優(yōu)化和質(zhì)量改進，這原來是資深產(chǎn)線工程師才能勝任的工作。到了這個階段，AI智能體會大量與人類員工協(xié)同工作，企業(yè)的協(xié)作邏輯也會發(fā)生質(zhì)變——決策依據(jù)更加數(shù)據(jù)驅(qū)動，層級扁平化，人與機器協(xié)同共生。當那一天到來，“你的合作伙伴、交流對象、制定策略的方式，很多可能都不是現(xiàn)在的樣子了。”

對制造業(yè)而言，大規(guī)模研究AI應用也就是最近兩三年的事情，AI帶來的想象空間才剛剛打開，一場有關物理世界與數(shù)字智能深度融合的產(chǎn)業(yè)變革才見雛形。作為制造業(yè)的AI先行者，TCL所描繪的“AI向?qū)崱彼{圖，不只是企業(yè)自身的能力躍遷，也是中國制造智能化升級的代表性探索。