作爲製造業的AI先行者，TCL的實踐有着鮮明特色：行政高層高度實用主義；研發層對技術方向和實現次序有清醒認知；業務層主動擁抱AI，推着技術團隊往前走
文｜《財經》研究員 馬銘澤 黃凱茜
編輯｜馬克
以2022年11月ChatGPT發佈爲標誌，AI進入大爆炸時期。三年後，產業焦點逐漸從上游的模型和算力向下遊的部署和應用轉移。此時，雖然美國繼續在上游領先，但中國擁有全球最完整的工業體系、最大的製造業規模，在AI應用生態上具備天然優勢。
2025年8月，國務院發佈《關於深入實施“人工智能+”行動的意見》， 要求“推動AI與經濟社會各行業各領域廣泛深度融合，促進生產力革命性躍遷和生產關係深層次變革。”
與此同時，中國各行各業普遍存在AI焦慮症。擁抱AI已成共識，如何擁抱卻是難題——從哪個業務環節切入？選擇什麼技術路線？投資力度多大合適？人員結構和組織架構要不要調整？
TCL是中國大型製造業企業中的AI先行者——2012年開始跟蹤AI技術動態，2017年開始規模化投入AI研發，2022年底開始研發自己的垂域大模型。到2025年，AI已經滲透到TCL各業務的毛細血管，並催生了一款AI原生產品雷鳥眼鏡。
2025年11月到2026年1月，《財經》多次走進TCL調研，深入瞭解了這家工業巨頭13年來的AI實踐。
TCL創始人、董事長李東生坦言自己也有AI焦慮症，因爲AI技術發展太快，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落地於產品、技術和產業，創造實實在在的價值。
TCL實業首席技術官孫力說：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，是否足以覆蓋爲之付出的成本。
TCL1981年成立於廣東惠州，通過TCL實業與TCL科技兩個產業集團，2025年實現年營收超過3500億元。半導體顯示、新能源光伏與半導體材料等2B業務主要在TCL科技，智能終端等2C業務主要在TCL實業。
業務推着技術走
作爲TCL AI戰略的主要制定者，TCL科技首席技術官、TCL工業研究院院長閆曉林博士的AI熱情點燃於2012年。當年10月，傑弗裏·辛頓團隊發表關於深度學習的論文，引發轟動，衝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，每週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着對最新技術的敏感度。“每個禮拜六風雨無阻，這是技術人員最幸福的時刻。”閆曉林說。
濃厚的科研氛圍背後，是TCL大手筆的研發投入。李東生透露，過去六年，TCL的研發投入超過600億元，2025年的研發投入達150億元。
2017年6月，谷歌關於Transformer架構深度學習模型的論文發表，開啓了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，並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基地，李東生欣然同意，TCL隨後在波蘭華沙設立了新的人工智能研發中心。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、全球化的研發網絡。
目前，TCL的AI研發已經形成基礎研究與產業落地“雙輪驅動”：各地工業研究院專注前沿技術儲備和基礎算法研發，工業智能平臺格創東智專攻工業軟件和設備側AI落地，各產業集團聚焦產品端的研發。
“算法工程師一開始是不習慣進工廠的。”格創東智CEO何軍對《財經》回憶。TCL工業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線中理解制造流程，成爲既懂算法又懂產線的複合型人才。這種架構鞏固了組織間的研發閉環：工研院輸出的AI算法經由格創東智產品化，在華星等業務單元落地，再將數據和需求反饋給研究團隊持續優化。
在TCL的AI研發中，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，尤其是國產開源通用模型，其性價比之高，讓各行各業都掀起了適配下游AI應用的高潮。
在實業界，TCL的大模型研發起步較早，2022年11月ChatGPT發佈後，TCL就開始基於通用大模型研發自己的垂域大模型。2023年11月，星智大模型1.0發佈，2024年12月上線2.0版。2025年4月底，阿里雲發佈通用大模型千問（Qwen）3.0版並宣佈開源，TCL決定與阿里雲展開深度合作。
5月，雙方宣佈共同打造顯示領域的專家級大模型。由於半導體顯示涉及大量敏感工藝數據，星智X-Intelligence被定位爲私有化部署的垂直模型，阿里雲派出資深研發力量加入聯合項目組。星智項目負責人、TCL武漢工研院總經理劉陽興向《財經》介紹，阿里云爲星智項目配備了覆蓋預訓練、後訓練、多模態等方向的專家，雙方建立了每週例會和即時溝通機制，共享經驗並解決訓練過程中的問題。
TCL把100多萬篇顯示領域論文及數十年沉澱的10萬篇內部技術文檔投餵給模型，以增強星智對專業問題的理解和推理能力。阿里雲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”數據優化方案，使模型既能擁有顯示領域的專業解答和複雜推理能力，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版發佈。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已經領先行業。
星智3.0發佈的同時，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”。“一湖”即星湖數據湖，匯聚了顯示產業鏈各環節的海量高質量數據；“一模”指星智垂直大模型，將具備強大的推理和多模態能力，是華星工業AI的大腦；“三平臺”則是驅動AI落地的引擎：星雲爲算力雲平臺提供底層算力調度，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據、算法到應用的全棧能力。
星智的出色表現，讓TCL領導層決定不讓其侷限在華星使用，而是將其升級爲整個TCL的底座大模型。未來，星智將服務於TCL各產業集團的更多業務場景，從研發設計、生產優化到運營決策，成爲各業務板塊創新的智能底座。
技術普及帶來了觀念轉變。在TCL，AI應用最初是從上至下推動，如今是業務部門主動擁抱。TCL華星數字化轉型中心中心長佘必海向《財經》介紹，TCL會定期舉行AI應用賽事，鼓勵各部門湧現的金點子同臺競技，勝出者會得到相應激勵，這對推動AI落地效果顯著。迄今，公司員工基於星域平臺已經開發了近3000個Agent（智能體），AI已經成爲提高工作效率的一把利器，每個願意嘗試的人都能從中受益。
佘必海說，“很多企業是數字化部門推着業務用新工具，而在TCL華星，更多是業務側主動提出改進需求，反過來要求技術團隊增強能力、優化工具。”
TCL科技數字化轉型總經理、TCL工研院副院長李冰向《財經》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。正因爲如此，TCL當前大部分重點AI項目都由業務部門主導，以解決經營痛點爲導向，而不是由技術部門立項。
這種由需求牽引供給的模式，令AI融入業務的速度大大加快。
製造業的AI拐點
緊緊盯着上萬張面板照片，努力分辨幾十種不同類型的缺陷，並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檢員，同事們都喊她“梁工”。那時的缺陷檢測全靠肉眼，每個質檢員一天需要經手上萬張照片。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系統輔助質檢時，梁林萍被組長點名調入AI質檢項目組，成了第一批“喫螃蟹”的人。
彼時華星正在用AI視覺識別技術開發一套自動缺陷分類系統（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驗，批量對缺陷照片進行分類和標註，提供給算法團隊作爲訓練素材。
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。隨着系統逐漸成熟，技術人員將複雜的建模過程拆解並固化下來：從數據收集、標註，到模型訓練、上線發佈，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“喂數據”。她在實踐中迅速上手，到2020年，已經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。“現在數據我能處理，模型我也能訓，訓練好後一鍵發佈到平臺，就能在產線上線運行。”她笑着對《財經》說。就這樣，這位原本與AI毫不相干的一線員工，轉身爲廠裏的“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，也是產線和算法團隊之間的橋樑。一旦某條產線出現AI判定不了的新型缺陷，首先由他們分析、嘗試優化模型，解決不了的再反饋給算法工程師。在梁林萍看來，自己的工作本質上還是和之前一樣，都是與數據打交道，只是使用的工具更智能了。“越做越發現，AI並沒有那麼神奇，它背後還是離不開人”。
TCL華星ADC系統一經上線，立刻展現出驚人的效率提升：產線檢測速度提升近一倍，人均產出提升近十倍。在華星面板廠，過去至少需要一百名質檢員同時作業，現在只需六個人。
ADC還讓面板廠的良品率顯著提高。這套系統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》介紹，華星已通過ADC將缺陷成因細化爲1000多類。在產線上，如果有幾片玻璃在相同位置出現同樣瑕疵，AI能夠實時監控出異常，半小時內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。
面板製造過程中，針對某些特定瑕疵，可以通過修補工序來提高良品率。這一步此前依賴經驗豐富的工人手動操作修補機，屬於獨立崗位。2021年前後，華星啓動了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，產品流轉到修補站，設備會讀取ADC提供的缺陷座標信息，再由旁邊的工控機調用訓練好的模型執行修補操作。修補完成後，面板繼續流轉至後續工序，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商，良率的提升至關重要。TCL華星深惠基地總經理張才力向《財經》介紹，在深圳工廠，面板生產的良率提高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，這是一種AI視覺識別+算法調優的技術。到2025年12月初，該項目通過良率提升產生了至少2.48億元效益。閆曉林強調，“這是經過TCL華星財務審覈的紮實數據。”
“人工智能技術已經滲透到TCL華星各個業務的毛細血管中”，閆曉林說。
光伏是TCL繼家電和顯示面板之後的第三增長曲線。在TCL中環的光伏硅片生產線上，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晶爲單晶硅棒，硅棒質量決定切割出的硅片質量，硅片質量決定電池片的質量。拉晶工序過去依賴人的經驗傳承，難以標準化複製。當製造規模擴張時，企業可以不停地添置單晶爐，卻無法複製出等量的老師傅。
2025年，TCL中環嘗試讓AI把老師傅的經驗標準化。通過對溫度、拉速、電流等拉晶時序數據進行高頻建模，AI從海量數據中提煉隱藏的規律，將拉晶訣竅拆解爲可解釋的數字模型，然後針對每臺單晶爐自動生成SOP並持續自我迭代，實現“一爐一策”。 據TCL中環介紹，系統投入使用後，單一操作員管理的單晶爐數量從十幾臺提升到300多臺，開爐成本較2024年底降低約21%，整體勞動生產率提升300%。
AI家電解決了什麼真問題？
TCL科技和TCL實業的營收，可大致作爲其B端、C端業務比重的參考。2025年上半年，兩者的比例是55.1%和44.9%。雖然2B業務的營收早已超過2C業務，但在多數公衆眼裏，TCL仍是家電公司，家電業務也仍然是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》說，互聯網解決的是連接問題，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寫好機器去執行。
孫力畢業於上海交通大學，人工智能與圖像處理碩士，2019年起擔任TCL實業CTO。他認爲過去六年的技術關鍵詞是：連接、單體智能、羣體智能、大模型驅動的羣體智能。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、冰箱和洗衣機不會因爲機器人或其他新設備的出現而消失，它們依然是用戶每天高頻接觸的設備。
孫力說，家電產品的AI創新空間非常大，但必須基於各自的第一性原理。電視的第一性原理是要懂畫質和音質，空調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。
在各類傳統家電裏，孫力認爲電視是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生在相對私密、放鬆的家庭環境中，語音在這裏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後，變化才真正發生——電視第一次能夠理解諸如“這個演員是誰”“他還演過什麼”“最近有什麼類似風格的劇”這類開放式的連續問題。
從用戶角度看，這種變化的本質不是“AI更聰明瞭”，而是“我獲取節目內容更方便了”——說完一句話，就能得到想要的結果。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品而言，大模型更像是被放進機器裏的一個“大腦”——每一次語音請求，無論是“換個臺”還是“找一集小豬佩奇”，背後都會產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，模型並不是越大越好。更現實的路徑，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。這也是爲什麼在終端側，AI的工程工作往往比模型本身更重。
這種取捨背後，本質仍然是ROI的判斷。不同產品、不同功能，對應的投入產出比各不相同，最終都要回到商業的基本問題：用戶體驗有沒有實質改善。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的內部討論中，高層們反覆強調“AI一定要解決真問題”。“新體驗減去舊體驗”的差值，是否足以覆蓋爲之付出的成本。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”。
在一些具體產品的討論中，孫力指出：不是大模型不夠強，而是產品還沒準備好。
一個典型例子是空調。“昨晚有點熱，我沒睡好”“以後凌晨三點調高一度，五點關掉”——大模型已經能理解自然語言中夾雜着的時間、情緒、身體感受和隱含意圖，但如果空調本體的控制系統、接口和操作系統仍停留在上個時代，意圖抵達硬件後只能被拆解成零散、生硬的指令，無法將“凌晨三點”與人的睡眠階段之間的關係轉換爲行動。
孫力把這種狀態稱爲“同理心浪費”，AI硬件產品真正的難點是能否把過去幾十年形成的軟硬件結構砸碎、重組爲新的交互方式。
質變需要很長時間，TCL空調的策略是循序漸進。TCL實業空調事業部總經理陳紹林向《財經》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空調正在實現從感知到認知，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的存在。人在夜裏被熱醒或者冷醒，總是會伸手找遙控器。TCL的解決方案是在空調裏安裝毫米波雷達，用它來探測人體在牀上的“微動量”——翻身、呼吸和位置，然後結合算法判斷睡眠狀態，配合AI遺傳算法，學習用戶睡眠習慣，定製專屬睡眠溫度曲線，智能調節睡眠溫度
這樣的空調必須配合AI系統，因爲要學習定製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。相比傳統空調在夜間需要用戶手動調溫，新空調試圖替人代勞。數據採集當然在本地完成，計算過程一部分在本地完成，另一部分被送到雲端，與TCL實業開發的伏羲空氣大模型聯動，結合更大範圍的環境數據，校驗後作出調溫或調風決策。
陳紹林介紹，在內部測試中發現，在沒有新風條件的密閉臥室裏，清晨起牀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能力，配合傳感器實時監測空氣狀態，可以實現在必要時自動開啓。
對於空調這類高電耗設備，電費是大部分消費者的痛點。傳統空調的壓縮機由電路板和固化邏輯控制，只能依據少量規則啓停。AI的強化學習算法則能根據實時功耗、室內外天氣和溫度變化來控制壓縮機的狀態。
TCL的實驗數據顯示，在部分場景中，通過對壓縮機運行頻率和室外風機轉速的優化，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在終端產品中，最容易被用戶感知到的收益。
2026年AWE展會上，觀衆體驗TCL AI睡眠空調。供圖：TCL
雷鳥眼鏡，新範式的AI原生硬件
家電是一個高度成熟的製造業，產品邏輯成熟，規模效應明顯，因此企業的利潤率普遍不高，成本約束極強。對家電產品，任何新技術都很難帶來顛覆式的改變。
孫力說，傳統電器是在既有產品上加上AI，雷鳥眼鏡則是爲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雷鳥創新技術（深圳）有限公司生產的AR眼鏡，Augmented Reality（AR，增強現實）是一種將虛擬世界與真實世界相融合的技術。
在生成式AI2023年爆發之前，TCL雷鳥就已押注AR眼鏡，現在這條路線的邏輯更加清晰，雷鳥也已成爲國內AR眼鏡的頭部廠商。
放眼全球視角，智能眼鏡已成爲多家科技公司押注“下一代終端”的籌碼。TCL雷鳥創新創始人兼CEO李宏偉對《財經》表示，AI和硬件行業正在尋找下一個“iPhone時刻”。如果以AI能力爲橫軸、AR對現實世界的連接爲縱軸，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於右上角——AI與AR雙強，數字世界與物理世界相互嵌套、深度融合。
李宏偉認爲手機雖然佔據了用戶最多時間，但它並非AI原生設備，對真實環境的感知能力有限。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，始終處於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數據，恰恰爲當前行業熱議的“現實世界大模型”提供了最自然的數據入口，在這個意義上，AR眼鏡不僅是一個終端產品，還是AI走向現實世界的天然入口。
雷鳥眼鏡的技術底座大致可以拆分爲三大板塊：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。
在光學顯示上，雷鳥從一開始就把顯示系統理解爲軟硬件深度耦合的結果。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爲算法能力，真正落地到眼鏡形態時，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，承載了主要的人機交互與場景能力，更接近一個爲眼鏡形態定製的操作系統。它基於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，爲雷鳥的硬件和場景做針對性的訓練和優化，併疊加了意圖識別、記憶、翻譯、第一視角理解等一系列小模型，服務於“隨時在場”的交互需求。
這種從地基開始搭建的技術結構，讓雷鳥眼鏡能夠掌控自己的產品方向，更靈活地調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，又爲其高速探索提供了穩定支撐。
無論是與TCL實業的鴻鵠實驗室在底層AI 能力上的協同，還是與TCL華星在顯示技術上的溝通，都讓TCL雷鳥得以在研發早期就參與關鍵技術的定義。在製造端，TCL強大的供應鏈議價能力，也爲雷鳥減輕了成本壓力。
硬件始終是最直觀的挑戰。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，呈現出相當於43英寸的虛擬屏幕。在光路傳輸過程中，要保持95%的圖像在經過千百次折射、衍射後依然不會變形，且在戶外依然可讀。這些約束，使得算法、輕量化、散熱、芯片的協同開發處於極限狀態。
應用層面，AR眼鏡尚未出現“殺手級”場景，但交互方式已經發生變化：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，能夠對答就需要整合地理位置、實時視覺、雲端數據與平臺信息。這正是孫力所說的“砸碎重組”——爲了還原一個自然的交互過程，算法、硬件與系統被重新綁定，形成一種只能在AI原生硬件中成立的新範式。
2026年1月5日，TCL雷鳥宣佈完成新一輪超10億元融資，由中國移動鏈長基金與中信金石領投，中國聯通旗下聯創創新基金等機構參投。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網即可獨立完成包括通話、實時AI對話、實時翻譯、數據雲同步、在線流媒體播放等功能,實現了“從手機配件到獨立終端”的產品定位升級。
TCL雷鳥創新展示廳一角。馬克/攝
AI製造的下一步往哪兒走？
儘管星智大模型已在TCL多個業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，其中之一就是多模態理解能力。多模態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，而不是隻讀文字。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，或者理解傳感器採集的海量數據。
劉陽興坦言，目前業界無論是通用還是垂直領域，大模型在多模態信息理解與提取上都還不夠強，很多關鍵內容如果直接丟給模型，可能提取不全或理解有誤。因此目前的實現路徑往往是折中式的，在將數據交給大模型前，先用傳統算法做結構化解析和明確提示，再讓模型發揮其語義理解和推理能力。
閆曉林表示，垂直領域多模態大模型是TCL AI研發的四個前瞻性方向之一，另外三個是數字孿生、新材料發現和具身智能，但四個方向不會平均用力。比如具身智能落地依賴於世界模型（理解物理世界的模型，有別於目前的主流大語言模型），目前世界模型還處於比較早期的階段，所以TCL的佈局是保持關注，等世界模型取得較大突破，有具體應用場景時，再大規模投入。
垂域多模態大模型則是TCL基礎研發團隊2026年的發力重點，目標是200B（Billion，10億）參數的多模態大模型。在大模型方面的研發預算也將大幅度提升，團隊也會擴張，公司計劃再組建約50人的東歐研發團隊，落地深圳與本部協同攻堅。閆曉林說，未來顯示面板企業的競爭上限，就是垂域多模態大模型的競爭力。
數字孿生也是發力重點。過去，TCL主要採用單點仿真結合人工智能和人工排產的模式，未來的目標是實現數字孿生——從客戶需求到產品產出的良率預測，再到設計環節，都實現端到端的數字孿生。當數字孿生迭代到一定階段後，再拿到實體工廠生產。要做到這一點，垂域大模型的能力就必須足夠強。
TCL香港工研院總經理俞大海將AI的變革路徑概括爲三個階段：“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。”他對《財經》表示：第一階段最直觀，將AI作爲工具嵌入現有流程，在不改變架構的前提下提升效率。目前TCL大量AI應用仍處於這一層次，AI充當人的“生產力助手”，幫助員工更快完成資料分析、報表生成、產品檢測等工作。
第二階段，當AI能力進一步提升，業務流程就會被AI重組，許多過去串聯多崗位、多步驟的任務可由AI系統一氣呵成。AI能夠高效完成原本分散在各環節的工作，大幅減少人員交接。這一階段，AI不再侷限於“錦上添花”，而是開始改造流程。
第三階段是組織形態的重塑。當AI逐步勝任專家級的分析決策，許多企業關鍵崗位的工作範式將被顛覆。俞大海以TCL華星的質檢爲例，過去質檢AI只是代替人眼找瑕疵，提升檢測效率。引入大模型後，AI開始參與工藝優化和質量改進，這原來是資深產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同工作，企業的協作邏輯也會發生質變——決策依據更加數據驅動，層級扁平化，人與機器協同共生。當那一天到來，“你的合作伙伴、交流對象、制定策略的方式，很多可能都不是現在的樣子了。”
對製造業而言，大規模研究AI應用也就是最近兩三年的事情，AI帶來的想象空間纔剛剛打開，一場有關物理世界與數字智能深度融合的產業變革才見雛形。作爲製造業的AI先行者，TCL所描繪的“AI向實”藍圖，不只是企業自身的能力躍遷，也是中國製造智能化升級的代表性探索。
