AI技术的普及正在改变我们的生活，但很多人没意识到的是，最终真正推动AI应用进入千家万户，服务于企业与大众的不只是算法与芯片。
 
在《探寻人工智能2026》节目中，杨澜与清华大学智能产业研究院院长、中国工程院外籍院士张亚勤的一段对话，便点破了这层窗户纸。
 
张亚勤在节目里给了一个很明确的判断，中国AI的发展潜力，很大程度上得益于良好的基础设施。
 
他特意提到，进入物理AI时代，数据中心、边缘网络、各类设备全要连在一起，信号的质量和稳定度就卡住了整个系统的脖子。
 
天津港的一个自动化码头去年完成了5G专网的升级，岸桥上的吊具控制信号要求端到端时延压在20毫秒以内，可靠性要到99.999%。
 
早前用4G网络测试时，一旦堆场深处信号衰减，吊具对不准集装箱锁孔，整条装卸线就要停下，一小时停摆的损失超过三十万。
 
后来把基站密度翻了一倍，加了边缘计算节点，才把控制指令稳在那个门槛下面。
 
没有这套网络底座顶着，光给吊具装上再好的视觉识别算法，锁孔位置算得再准，指令发不下去，一点意义都没有。
 
同样的逻辑在矿山自动驾驶上更明显。
 
内蒙古鄂尔多斯一台百吨级无人矿卡，跑在矿区碎石路上，车辆状态和周围障碍物数据每秒钟回传上百次。
 
运营商部署的5G专网在矿区实测的平均时延已经压到了15毫秒左右，比一年前的25毫秒又收窄了一截。
 
别小看这10毫秒的差距，车速三十公里下，10毫秒就多跑出去将近十厘米，对于矿坑边缘的精准停靠来说，这十厘米就是安全和不安全的区别。
 
2025年整个煤炭露天矿的无人驾驶车队规模翻了一倍多，拉到这个数量的前提不是车变便宜了，是信号扛得住这么多车同时跑。
 
再往南走，广东佛山的一家汽车零部件工厂，去年把一条冲压产线的数百个传感器全用5G替换了有线连接。
 
换完之后设备数据采集的丢包率压到了千分之一以下，但前期光做信号覆盖摸底就花了将近两个月。
 
因为车间里金属反射面太多，信号叠在一起互相干扰，得一个点一个点测，调天线倾角，最后才把信号质量稳定在需求线上。
 
最终这条线跑起来之后，设备综合效率拉高了8个百分点，一年省下的停机成本能覆盖那条产线的网络改造投入还有余。
 
张亚勤在节目里说“信号的质量与稳定度至关重要”，落到工厂里就是这么直接，信号质量上不去，算法再准也接不住产线的实时节拍。
 
还有一个被严重低估的事，就是基础设施的另一头——电。
 
今年三月，工信部数据显示国内5G基站总数已经逼近450万个。
 
每一个基站的功耗比4G基站高出两到三倍，全部加在一起的年耗电量早就过了千亿度。
 
建设成本降了，但运营成本仍在增加，这是一张网络往外铺开必须算清楚的账。
 
现在不少地方已经在下沉边缘计算资源时，同步配储能和柔性负荷调节装置，试图把用电曲线压平，减掉一部分电费负担。
 
最近圈子里讨论AI应用普及，很多人还是在比谁的参数量大、谁跑分高。
 
但实际走到工厂、码头、矿井这些真刀真枪的地方，第一个被打回原形的往往不是模型能力，而是信号断了、时延抖了、供电不够了。
 
张亚勤的判断说得挺直白，物理AI时代比的不是单一环节强，是连接的每一段都不能掉链子。
 
中国这些年铺出来的光纤里程、基站密度、电网覆盖，正在成为把AI从发布会推到产线上最重的那块压舱石。