一边是实验室里跳动的代码和算子 ，另一边是数千万亩黑土地上的田间管理；一边是高速运转的国产算力集群 ，另一边则是医院 、政务大厅和百年老街正在发生的数字化转型 。
在黑龙江，一场由AI驱动的变革真切且迅疾 。日前，《中国经营报》记者跟随媒体调研团走进广袤的黑土地 ，实地探访了AI落地医院 、政务、文旅等多个应用场景。从底层算力和技术研发 ，到农业生产、医疗服务 、政务治理，再到百年老街的数字化升级——一条从技术供给通向产业应用的AI路径 ，正在这片黑土地上逐渐清晰。
在其背后 ，正是“人工智能+”从政策层面向产业纵深推进的一个缩影 。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》 ，提出推动人工智能与经济社会各行业各领域广泛深度融合 ，并明确到2027年率先实现人工智能与6大重点领域广泛深度融合 。
当AI开始进入一亩土地 、一间病房、一套政务系统乃至一条老街，它所真正改变的 ，或许正是观察“人工智能+ ”进入下半场的一个重要窗口。
从“生态拓荒”到算力底座
在哈尔滨工业大学（以下简称“哈工大 ”）计算学部 ，人工智能仍带着浓厚的“技术味 ” 。自2019年起，哈工大计算学部副主任苏统华教授团队深度参与昇腾开源生态建设 ，从算子开发逐步延伸至算子编程语言 、科学计算库和自动化调优工具等底层领域 。
苏统华对团队角色变化的概括颇有意味：“我们经历了从‘生态拓荒者’到‘底层定义者’的身份跃迁。”这一变化的背后 ，是国产AI产业生态正在从“使用算力 ”向“参与定义算力生态 ”演进 。
而在哈尔滨南部的中国移动（哈尔滨）算力中心，另一种“底座”则更加直观 。占地1294亩 、规划建筑面积60万平方米的园区内，目前已经建成5座高标准机楼 ，可提供1.8万架装机容量。据该中心基础维护专业主管刘伟介绍 ，中心AI芯片实现全国产化，并通过自研天池SDN、GSE自主组网等技术 ，构建高速低时延 、无阻塞的国产组网架构 。
从实验室里的底层软件 ，到大型数据中心里的国产智算集群，一条“技术—人才—算力 ”的产业链条正在黑龙江逐渐明朗 。
更值得注意的是 ，算力并未止步于机房。依托中国移动（哈尔滨）算力中心 ，黑龙江移动农业中试基地规划建设不低于185P的全国产化智能算力资源，为农业大模型训练 、推理迭代和场景研发提供支撑 。这意味着 ，算力开始真正“下田 ” 。
从哈工大到算力中心 ，再到农业中试基地，黑龙江正在尝试回答的正是同一个问题：如何让AI从“能算”走向“能用 ”。
当AI遇上4800万亩黑土地
如果说算力中心是AI产业的“发动机 ” ，那么北大荒则提供了一个足够庞大、足够复杂 ，也足够真实的应用场。
北大荒拥有超过4800万亩耕地 。过去，在如此庞大的农业生产体系中，经验 、人工和天气依然深刻影响着生产决策 。如今 ，卫星遥感 、物联网、大数据和人工智能正协同融入同一套生产体系。
在哈尔滨北大荒信息有限公司 ，记者看到的已不是零散的AI农业应用，而是一套覆盖“天空地人机”的智慧农业体系：卫星负责看天 ，传感器进入田间 ，无人农机负责作业，AI模型负责分析和决策 。
据北大荒信息有限公司市场运营副总经理王浩介绍 ，北大荒发展人工智能 ，核心是要破解“谁来种地 、怎么种好地”的时代命题 。这种变化，最直接地体现在生产方式上。
王浩表示 ，过去施肥可能是一整块田统一处理 ，如今AI可以根据不同地块的数据生成变量施肥处方；过去农户需要频繁巡田，如今卫星 、传感器和算法可以持续监测作物长势；过去病虫害更多依赖经验判断 ，现在则可以通过图像识别辅助诊断 。
王浩将这种变化概括为三个“从 ”：从“看天吃饭 ”到“知天而作” ，从“粗放经营 ”到“精准管理 ”，从“人力密集”到“智能高效 ” 。
而北大荒最有代表性的探索之一，是寒地作物大模型。“通用大模型不懂农业 ，更不懂寒地农业 。 ”王浩表示 ，针对黑龙江高寒地区无霜期短、积温有限等特点，北大荒将80年的种植历史数据、30多万条寒地农业专业知识以及田间试验数据用于模型训练 ，使其成为更加贴近当地农业生产的垂直模型 。
它的意义并不在于“农业也有一个大模型” ，而在于模型开始与具体生产流程深度耦合。从播期 、播量 、施肥和灌溉方案，到作物病害识别 ，再到产量预估和风险预警 ，模型正在逐步嵌入农业生产的各个环节 。
目前已经出现的效果，也让“AI种田 ”从概念变得更加具体 。北大荒方面提供的数据显示 ，AI变量施肥使肥料使用量减少20% ，亩均增产30多斤；智能灌排覆盖120万亩，累计节水1.2亿立方米。
解决最难的“最后一公里 ”
相比农业这样的规模化场景 ，医疗AI面对的另一个问题更加突出：如何真正嵌入复杂业务 ，而不是停留在演示层面。
在哈尔滨精神专科白渔泡医院，TeleAgent智能助手正在进行这样的尝试 。中国电信哈尔滨分公司高级解决方案经理王恕伟告诉记者，白渔泡医院拥有近20个临床科室、3000张核编床位 。项目实施过程中 ，团队曾多次进入医院 ，与院领导 、科室主任 、护理部、财务科 、人事科沟通，反复梳理流程和数据。
“最大的挑战在于‘最后一公里’的落地 ，也就是如何让AI能力真正融入医院日常流程 ，而不是停留在演示阶段 。”王恕伟说 。
在白渔泡医院，过去一份科室运营分析报告 ，需要财务人员从不同科室收集Excel表格 ，再人工核对 、计算、制图和撰写报告，整个过程需要两到三个工作日。如今 ，借助科室运营分析助手 ，完整报告可以在10分钟内生成 。
出院随访同样如此 。针对精神专科患者出院后的长期管理需求，系统自动生成出院后1周 、1个月 、3个月、6个月和1年的随访节点 ，随访覆盖率从60%—70%提升至95%以上 ，并通过三级预警机制辅助医院进行风险分级管理。这类变化的价值，不是让AI替代医生，而是让AI接管大量重复 、标准化工作 。
医疗只是一个缩影 。在政务领域 ，“龙政智数 ”政务大模型则试图进一步解决AI应用中的另一个现实问题——如何避免各部门重复建设 ，让有限的算力和数据发挥更大的作用。
黑龙江省政务大数据中心高级工程师曹占立告诉记者，“龙政智数 ”按照“架构统筹设计 、模型统筹部署、算力统筹调度、能力统筹提供”的“四统筹”原则建设 。
目前 ，平台统筹接入100P智能算力 ，覆盖36个省直部门 、127个市地部门场景；按照其测算，如果采用传统分散建设方式 ，需要约600P算力 、1600余张算力卡 ，而目前使用328张卡，算力利用率达到80% ，建设成本可节省九成以上 。
更重要的是 ，AI开始与政务数据真正结合。依托全省数字政府5300亿条政务数据，平台形成数据集、知识库和知识图谱等标准化供给方式 ，并围绕低保 、医保 、社保等领域打造20个应用场景。
例如 ，在低保资格核验中，“龙政比数 ”智能体可以自动进行跨部门数据比对，累计完成近3万轮次核验 ，排查存疑数据14.6万余项 。这类“小切口 ”应用 ，或许正是政务AI走向规模化的重要路径 。
算力提供基础，数据成为燃料 ，模型成为能力 ，而场景最终决定AI能否创造价值。国家层面的“人工智能+”行动已将产业融合推向更深阶段 。在黑土地上，这一宏观趋势正在被拆解成一个个具体而微的现实问题：如何让一亩土地多收粮、让一套政务系统少耗算力 、让一名医护人员少做重复工作 、让一条百年老街焕发新的数字体验 。这或许也是“人工智能+ ”真正进入产业深水区之后的变化——竞争的重点正在从“谁拥有更大的模型 ”逐渐转向“谁能把AI真正嵌进真实世界”。
（文章来源：中国经营网）
