华为在《智能世界2035》中给出了一项不算乐观、却很实际的判断：AI可能进入漫长的平台期，通向AGI的关键难题也难以快速突破。
这不等于AI停滞。变化更可能发生在工作重心上——少一些对“通用智能”的追逐，多一些对现有大模型的打磨。模型能不能进入业务流程，能不能连接设备，投入之后究竟省了什么，将比单纯刷新能力指标更受关注。
对企业来说，这套判断可以压缩成三件事：找准场景，做成闭环，把账算清。
平台期里，先解决那些不够耀眼的问题
《智能世界2035》回顾AI发展时，提到了1995年的SVM和1997年的LSTM。基础方法、算力条件和应用需求一直在交替推动AI前进，它并不是一条匀速上升的直线。
所谓平台期，也不只是等待下一次技术突破。大量工作会转向产品内部：模型能否稳定完成任务，输出怎样接入原有系统，错误由谁复核，部署之后由谁维护，又要花多少钱。
这些问题不新鲜，甚至有些琐碎，却决定一个AI项目能不能从演示走到日常使用。
模型在测试中表现出色，不代表它能直接进入采购、生产、客服或研发流程。企业需要知道它负责哪一步，前后环节如何衔接，出错后能否及时发现。能力边界清楚、流程接得顺，往往比一味追求“更通用”更有用。
AI不能一直待在聊天框里
华为在“智能世界2035”官网提出，走向物理世界是AGI形成的关键路径。具体来说，智能体要与环境实时交互，把感知、认知、决策和行动连成一体。
落到产品上，AI就不能只负责回答问题。它要接收真实环境中的信号，作出判断，再把结果交给设备或业务系统执行。会说，只完成了其中一段；能不能稳定地做，才是更严格的检验。
考核标准也会随之改变。
语言是否流畅当然重要，但设备和生产系统更在意延迟、功耗、可靠性以及异常处理。聊天回答偶尔含糊，用户或许还能追问；设备执行一项指令时，不确定结果不能总留给人来兜底。
因此，连接物理世界的重点不在于做出某一种设备，而在于闭环是否成立：AI看到了什么，依据什么作出决定，决定如何执行，执行结果又怎样反馈回来。任何一环接不上，系统都很难长期运行。
一次调用便宜，不等于项目划算
《智能世界2035》对平台期的描述，直接提到效率提升与成本优化。这给AI项目提供了比参数规模更实用的衡量办法。
按Token计价，只能说明模型调用要花多少钱，不能说明客户得到了什么。进入具体业务后，企业会问得更细：处理时间是否缩短，人力投入有没有下降，设备利用率是否改善，新增的算力和维护费用能否承受。
不同业务不必采用同一种收费方式，也未必都适合结果付费。但供应商至少要把技术指标翻译成业务语言：一次调用完成了哪项工作，减少了哪个环节的投入，又增加了哪些成本。
如果这些问题一直含糊，模型参数再大，也容易停在演示阶段。AI落地没有那么神秘，很多时候就是把“更智能”拆成可以核对的流程表和成本表。
算力规模上去，经济账就躲不开
华为更早发布的《智能世界2030》曾以盘古大模型说明训练所需的算力。报告称，这个2000亿参数中文预训练语言模型使用鹏城云脑II计算50天，算力需求达到25000PD；报告当时还预计，到2023年，同类巨量模型的算力需求可能达到百万PD。
这些数字指向一个直接的问题：算力不仅决定模型能做什么，也决定项目是否负担得起。
训练规模扩大后，算力中心怎样联动，数据如何在安全前提下使用，计算资源能否充分调度，都会进入成本核算。模型到了设备端，限制更多。算力、功耗和响应速度互相牵制，云端能够运行，不代表终端适合部署；实验环境跑得起来，也不等于长期使用划算。
华为所说的“价值沉淀”，很大一部分就藏在这些工程环节里。参数规模是投入，系统最终完成了多少工作，才是产出。
2035是远景，眼下先看能否交付
《智能世界2035》一边提醒AGI关键难题可能长期存在，一边强调智能要进入物理世界。两项判断放在一起，给出的路线其实很明确：短期内不要只等基础能力跃升，先让已有模型在真实环境中工作。
企业判断一个AI项目，也可以问得更具体：它接入哪段流程，能够控制哪些设备，每次决策消耗多少资源，错误怎样处理，最后节省了什么。
这些问题不如AGI倒计时醒目，却更接近未来十年的日常工作。AI能否从能力展示走向稳定交付，最后要靠一个个场景、一台台设备和一笔笔成本来验证。
