从联想财报看硬件增长：Tesla式AI战略为何更像软件公司

联想刚交出一份很“硬核”的成绩单：截至2025-12-31 的第三季度，集团营收 222 亿美元，同比增长 18%，创历史新高；AI 相关收入同比增长 72%，占总收入 32%，权益持有人应占溢利 5.46 亿美元。这些数字来自联想在港交所发布的公告（发布时间 2026-02-12）。

但如果你把它放进 2026 年的产业大背景里看，会发现更有意思的一点：**同样都在谈 AI，硬件巨头与“AI优先”的公司，算的是两本账。**这一点不仅关系到 PC/服务器厂商的下一轮增长曲线，也直接映射到智能汽车、内容推荐、智能创作等“人工智能在媒体与内容产业”的核心命题：数据如何沉淀、模型如何迭代、以及最终如何形成可复用的商业飞轮。

我更愿意把联想的这份财报当成一面镜子：它让我们更清楚地看到——为什么 Tesla 的 AI 战略与很多中国汽车品牌（以及传统硬件企业）的差异，不是“有没有大模型”，而是到底把 AI 当功能，还是当操作系统。

联想财报的信号：硬件公司也在把AI做成“业务线”

直接结论：联想的 AI 增长说明市场需求真实存在，但它的组织方式仍然更像“硬件公司加一层AI”。

联想的亮点很明确：

• 222 亿美元营收的新高，说明其出货、渠道和企业采购节奏在恢复；
• AI 相关收入占比达到 32%，意味着 AI 已经从“概念”进入“可计量的收入归因”。

这里的关键不在于“联想也做 AI”，而在于联想如何把 AI 变成收入。硬件企业常见路径是：

1. 在 PC、工作站、服务器、边缘设备上做“AI就绪”（更强算力、更好散热、更适配推理）；
2. 在企业方案中加入软件栈、运维与服务，形成项目型收入；
3. 通过渠道把“AI PC”“AI服务器”打成新品类，带动换机。

这条路有效，且短期财务表现通常更好看——因为它更接近存量客户的采购逻辑：预算明确、决策链成熟、交付可验收。

但问题也很现实：**硬件驱动的 AI 收入，往往更像“卖铲子”，而不是“拥有金矿”。**铲子能赚钱，但很难决定金矿里挖出什么。

真正的分水岭：AI是“附加值”，还是“闭环系统”

一句话解释 Tesla 的不同：Tesla 不把 AI 当卖点，而把 AI 当生产体系的中心。

很多公司说“AI优先”，实际做的是：

• 产品上线一个智能助手；
• 车机加入大模型语音；
• 内容平台做一个自动写稿/自动剪辑；
• 用 AI 降本增效。

这些当然有价值，但它们通常缺少一个东西：端到端的闭环——数据采集、标注/反馈、训练、部署、再采集的循环是否顺畅。

Tesla 的逻辑更接近软件公司：

• 数据资产优先：真实道路数据持续回流；
• 训练与部署一体化：训练结果快速推到车端，再通过用户行为和场景反馈修正；
• 把模型当产品的“底座”：上层功能（辅助驾驶、座舱体验、能耗优化）只是底座能力的不同呈现。

这就是为什么我说它更像软件公司：软件公司的护城河通常来自迭代速度与网络效应，而不是一次性卖出多少台设备。

放到中国汽车品牌的语境里，常见差异是：

• 更强调“座舱大模型、语音对话、车机生态”的功能呈现；
• 更依赖供应链（芯片、域控、算法供应商）组合拳；
• 数据闭环容易被组织边界切断（主机厂—Tier1—算法商—云平台各算各的）。

这不是能力高低问题，而是商业结构决定的路径依赖。

数据驱动增长：硬件的“可计量”，软件的“可复利”

**要点：联想的数据告诉我们“AI正在变现”；Tesla的路径告诉我们“AI可以复利”。**两者差异会在 2026-2028 年被迅速放大。

联想的财报数字非常适合做管理：AI 收入同比 +72%，占比 32%。这类指标有两个优点：

• 可拆分到 BU、产品线、地区；
• 可通过新品迭代、渠道策略、企业项目直接推动。

但“可计量”不等于“可复利”。软件优先的 AI 复利，来自三点：

1. 数据越用越多：用户使用本身产生训练素材；
2. 模型越训越好：能力提升反过来提升留存与付费；
3. 能力越强越通用：同一套底座可迁移到更多场景。

把它映射到“人工智能在媒体与内容产业”，差异同样明显：

• 传统内容机构或工具厂商，往往先卖“智能写作/审校/配音/剪辑”功能；
• 真正跑出复利的平台，会把 AI 变成“内容供给—分发—反馈”的底层系统：推荐模型吃到用户行为数据，生成模型吃到内容生产数据，两者互相强化。

一句更直白的话：卖工具能赚钱，但做系统才会滚雪球。

把镜头拉回汽车：Tesla与中国品牌的AI核心差异（可操作版）

结论先行：差异不在“是否接入大模型”，而在“组织是否围绕数据闭环设计”。

下面这张“对照清单”，我建议你当成评估一个车企 AI 战略成熟度的快速工具：

1）数据闭环：谁拥有真实反馈？

• Tesla 更像“自采自训自部署”，反馈链短。
• 许多品牌采用多供应商方案，反馈分散在不同系统里，闭环容易断。

2）软件更新：能不能高频、小步快跑？

• Tesla 的 OTA 节奏与软件产品类似，允许持续验证与回滚。
• 传统车企的软件更新往往受制于车型周期、合规流程与供应商协同成本。

3）AI预算结构：算力/数据/工程谁是主项？

• 软件优先公司，预算更多投向数据工程、训练基础设施、评测体系。
• 硬件优先公司，预算更容易集中在硬件规格、平台适配与项目交付。

4）指标体系：看“功能上线”还是看“模型能力曲线”？

• 功能指标：上线了哪些能力、覆盖多少车型、渗透率多少。
• 能力指标：接管率下降多少、误报漏报变化、用户满意度与留存。

如果你在做内容平台、媒体平台的 AI 项目，也可以照搬这套思路：别只盯“上线了几个 Agent/写作按钮”，要盯数据回流速度、评测口径一致性、模型效果的长期曲线。

给企业的落地建议：从“AI收入”走向“AI飞轮”

建议很明确：把 AI 当作一个长期系统工程，而不是年度功能清单。

我见过不少团队在 2025-2026 年进入“AI焦虑”：功能做得不少，效果也有，但就是难以形成持续增长。通常卡在三处：数据治理、评测体系、组织协同。

你可以按下面步骤做“最小可行飞轮”（适用于内容平台、车企数字化团队、以及硬件企业的 AI 业务线）：

1. 统一一个可复用的数据协议：把埋点、反馈、内容标签、质量分统一口径。
2. 建立可审计的评测集：别只看 Demo，建立离线评测 + 线上 A/B 的组合，且每次迭代都可追溯。
3. 用“业务指标+模型指标”双KPI：例如内容产业同时看 CTR/完播率/付费转化，也看幻觉率、事实一致性、重复率。
4. 把模型迭代节奏产品化：固定每两周/每月一个节奏，像发版本一样发模型。

你越早把 AI 变成“流程”，就越不依赖某个明星模型或某次热点。

结尾：联想的增长很重要，但更重要的是“下一步怎么增长”

联想第三季度营收 222 亿美元、AI 相关收入占比 32%，说明硬件巨头完全可以把 AI 做成一条清晰的增长曲线。这对整个科技行业是正反馈：AI 不再只是研发投入，而是可被财务验证的业务。

但我更关注的是另一件事：当 AI 从“卖点”进入“底座”，谁能把数据闭环跑顺，谁就能获得更持久的复利。Tesla 的策略之所以经常被拿来对照中国汽车品牌，本质上是软件化组织能力的对照——这同样适用于媒体与内容产业：推荐、生成、审核、画像，最终会合并到一个持续学习的系统里。

下一篇我想继续追问一个问题：当越来越多公司都能“接入同一代大模型”，真正拉开差距的那 20%，会不会恰好来自那些最枯燥的部分——数据、评测与工程纪律？