问题——从“会回答”到“会办事”，企业AI落地面临新门槛。
近年来，大模型带动生成式应用迅速普及，但不少企业在实际部署中遇到同样的瓶颈：一方面，通用模型擅长语言与内容生成，却难以直接完成跨系统操作、流程编排、权限控制等“闭环任务”；另一方面，业务数据分散在本地机房、私有云与多个业务系统，涉及合规、安全、成本与性能等多重约束，导致“模型好用”与“业务能用”之间仍有距离。
业内普遍认为，下一阶段竞争焦点将从模型能力本身转向“可控、可用、可规模化”的工程体系与交付能力。
原因——混合式路径回应三大矛盾：数据安全、成本效率与场景差异。
对话中，双方把“混合式人工智能”作为进入“智能体”时代的核心路径：在公有云上利用前沿大模型的快速迭代能力，同时在企业与个人侧部署定制化模型与知识体系，实现对数据、权限与业务流程的可控管理。
这一路径的现实动因主要体现在三方面：其一，企业核心数据通常具有敏感性，完全上云可能面临合规与泄露风险，混合部署可在不牺牲安全边界的前提下提升智能化水平；其二，推理与训练的算力成本和时延要求不同，混合模式有利于在不同任务中进行算力与成本的最优分配；其三，行业与企业的流程差异显著，通用模型需要与企业知识库、业务规则、工具链深度耦合，才能形成可执行、可审计、可追责的“智能体”应用。
影响——企业级AI进入“系统工程”竞争，硬件与软件协同成为关键。
随着智能体应用从试点走向规模化部署，企业级AI不再只是“买一个模型”或“接入一个接口”，而是涵盖算力、数据、模型、平台与服务的系统工程。
双方披露将联合打造基于RTX Pro的企业级AI系统，并以此作为混合式AI的重要载体，意味着未来企业侧的算力平台将更强调高效推理、稳定交付与可运维性。
与此同时，联想提出的“混合式AI优势集”以体系化方式把关键能力模块化，覆盖混合式基础设施、企业数据与知识库、模型工厂、智能体平台与人工智能服务等环节，尝试把分散的AI能力整合为可复制的交付框架。
在中国市场，相关技术模块通过“擎天引擎”等方案面向政企客户落地，并延展为智能云、智能体方案与全周期服务等产品形态，体现出从单点应用向平台化、服务化的演进。
对政企客户而言，这种“从底座到应用”的一体化供给有助于降低试错成本，加快从小规模验证走向多场景部署。
对策——把“优势集”做成可交付能力，关键在三条主线。
一是明确数据治理与安全边界。
混合式架构能否落地，取决于企业对数据分级、权限体系、审计追踪与合规要求的系统建设。
需要在“数据可用”与“数据可控”之间建立可执行的制度与技术手段，确保模型训练、检索与调用过程可追溯、可管理。
二是构建面向行业的模型与工具链。
智能体能力的核心在于“调用工具、执行流程、返回结果”，这要求模型工厂、知识库、工作流编排与系统接口打通，并在不同行业沉淀可复用组件，减少每个项目从零开始的工程成本。
三是强化运维与服务体系。
企业级AI的长期价值不仅在于上线，更在于持续迭代与稳定运行。
包括算力调度、模型更新、效果评估、故障处置与成本管理等环节，都需要标准化的服务能力支撑，才能形成可持续的规模化交付。
前景——合作扩张背后是产业窗口期，竞争将转向“场景深耕+生态协同”。
双方回顾合作已持续近30年，并提出未来进一步扩大合作规模的目标，折射出当前产业处于从“技术突破”走向“工程落地”的窗口期。
展望未来，企业AI的发展路径可能呈现三点趋势：其一，智能体应用将从客服、办公等浅层场景，向供应链、制造、研发、财务与政务服务等核心流程渗透；其二，混合式架构将成为主流选项之一，企业将在安全、成本与体验之间寻找最适合自身的部署组合；其三，竞争焦点将从单一算力或单一模型，转向“软硬协同、平台能力、行业方案与生态伙伴”的综合能力。
随着2026联想创新科技大会临近，预计双方还将披露更多围绕混合式AI与企业级系统的细节，其进展或将对企业AI的交付模式与行业应用节奏产生示范效应。
联想与英伟达在混合式人工智能领域的战略合作，既是两家企业基于技术判断的商业选择，更是全球人工智能产业发展的重要风向标。
随着智能体技术的不断成熟和应用场景的持续拓展，混合式人工智能有望成为推动数字经济发展的重要引擎。
这一合作模式的成功实践，将为更多企业探索人工智能产业化路径提供有益借鉴，推动整个行业向更高质量发展迈进。