導讀
5月20日晚，智次方創始人彭昭再次與AI4C應用研究院管震連麥，圍繞“AI驅動：企業數字化變革的新引擎”主題展開對話。
隨著上周AI加持下的產業數字化變革與創新討論的深入(點擊此處查看往期文章)，AI到底會給業務帶來何變化、應用是否會進入深水區、應該走怎樣的應用模式、中小企業如何起步等問題進一步浮出水面。
5月20日晚，智次方創始人彭昭再次與AI4C應用研究院管震連麥，圍繞“AI驅動：企業數字化變革的新引擎”主題展開對話。
以下根據直播訪談內容整理：
大模型會對業務環節產生哪些影響
彭昭：哈嘍，大家好，我們今天還是繼續討論 AI 驅動的數字化變革。第一個問題就是以 GPT 為代表的大模型對未來的業務會產生什么樣的影響?業務層面涉及到像研發、生產、銷售、服務等環節，這些環節是不是都會被改造?
管震：如果我們接著上周討論的內容，當時我在這個白板上畫過一張圖，其實每個環節里面都可能對不同的地方產生效率提升，這是顯而易見的。因為它本身是一個語言模型，所以但凡涉及到跟文書工作相關的、跟文字和符號傳遞相關的(從上游傳遞到下游)、跟語言處理(如歸納、演繹)相關的，這些環節其實都會產生影響。
只不過現在讓人著迷的是我們都不清楚到底他能夠走到哪一步。我舉個例子就是大家都能看到的客服，一早就被看中了，像轟炸機一樣就轟進去了，我們做個聊天機器人，原來要做知識圖譜，要做語義理解，要做多輪對話，現在不用了，我們直接上大模型就可以搞定了。然后再做一些embedding，再做嵌入，就可以把自己的知識庫灌進去了，反正回答得好回答得不好，回答得準不準確，也無所謂，所以很快就能融入進去。
這個是比較淺層次的，我們在應用上面很快就能看到，那么接下來，在很多行業里面，只要跟剛才舉的這個例子相關的，我相信進到這個直播間來的朋友，應該多多少少都有感受，所以我就不再重復去講這個比較淺層次的應用了。
現在稍微深一點的、讓大家覺得有意思的應用在第二輪。如果我們假設大模型它真的是作為一個對符號、對語言的抽象，那么人類的文明，無論它現在是機器，還是不是機器，是跑在信息系統里面的，還是不是跑在信息系統里，是跑在什么樣的抽象的耦合系統里面的，這些其實都是符號、數字、公式等抽象的集合。那么道理上講，但凡給它個學習的機會，它不就是能夠比人快100倍的去處理這些信息，并且能夠產生效益嗎?
所以如果我們回到剛才提的問題，無論是哪個環節，它是研發、產品設計、采購、市場調研、計劃、排產，還包括設備，每個環節里面其實都是對前面那個環節交付的一堆信息的處理，并且交付到下一個環節，如果我們現在嘗試去抽象這個過程的話，它其實就做這件事情。那以GPT為代表大模型道理上在未來，可能明天，可能一周或者一年之后，干得比我們快得多。這個就讓人著迷了，那如果用現在的GPT，或類似GPT這種模式，我們能干成多少事情?能干成什么樣?
第二種是有很多在做不同領域的專家也在思考現在的 GPT能否被應用于他們的領域。 它不能硬套在各個領域里面，但GPT的一些思維、模式、思路確實很好，比如可以用于對工業場景的理解，可以用于未來產品新品的研發，也可以用于(有些可能是我們自己在瞎想)未來的一些新的工作機會的創造。
原來我們單獨朝一個方向想、到最后就是死胡同的那種思路，豁然開朗成為現在這種更發散，或者叫做用多模態的思維方向去做這件事，這個是讓人著迷的事，當然同時它也是個謎。到目前為止，有多少人真的把這件事做出來了呢?我覺得還需要等待一段時間，但非常有意思的時間點到了。
大模型在工業領域是否將進入深水區
彭昭：四月份的時候看到一個新聞，說西門子和微軟將加強合作，利用生成式AI推動工業生產力發展，兩家公司正在將西門子用于產品生命周期管理(PLM)的Teamcenter?軟件與微軟的協作平臺Teams和Azure OpenAI服務中的語言模型以及其他Azure AI功能集成。兩家公司在合作開發可編程邏輯控制器 (PLC) 的代碼生成工具，ChatGPT 將用于通過自然語言輸入生成 PLC 代碼;另外還在研發能夠更好地發現生產缺陷的系統，結合微軟Azure機器學習和西門子的Industrial Edge。
之前大模型的應用都是在聊天機器人都比較淺層次的應用，那這個合作已經深層次進入到了業務和設備層面，以前這些大家都是不愿意公開的，這是不是意味著大模型在工業領域開始深入到深水區?未來在工藝流程、設備、質量等方向上會有更多深度應用?
管震：對這個問題我有兩個方面想和大家聊。
第一個方面是關于方向。我和AI4C研究院的同事們，還包括后來一個叫做 AI Copilot(副駕)的團隊，都是從微軟出來的精英們。那么一開始定位我們想干的事情，就肯定不是說大家都會的那件事，我們就想深入進去看看在制造業領域里面，在一些數據密集的場景當中能做什么樣的事。這件事我們就算是往前走了一點點，也不能說是走通了。我舉個例子，在此之前先給給大家介紹一下，我本身是廣東省工信廳聘請的工業互聯網專家，也是廣東省首批制造業數字化轉型專委會專家，和團隊在制造業方面做了一些探索。
好多工業互聯網平臺都提到一件事，要做數據采集。但凡你是做制造業，泛制造業包括說大工業場景里面，無論是風機也好，還是一些智能產品也好，相信數據采集你已經做過很多了。但數據采集上來干什么?這件事情一直是個謎一樣，非常神奇。
數據采集完之后呢，原來我們提出了各種各樣的模型，針對不同的業務場景中的一些不同業務目標，包括像預測性維護。比如說你開的車，4S店讓你回去的時間點和你把車開壞的時間點之間選一個折中的時間點，這樣可以在財務和效益之間取得更好的平衡。
另外我們也可以做一些對于業務上面的調優。比如原來我們跟上海不工軟件合作過好幾年，做這種高級排程系統，就是企業里面用的APS。可是高級排程系統它其實有很多依存關系，包括機器設備的狀態好不好，現在招的人現在是什么水平，能不能勝任那個工作，這些都是做好一個計劃的約束條件。無論是采購的計劃，還是排班的計劃，都要依賴這些因素。
所以在一些特定的場景下其實做了一些或者說能做一些，能夠解決某些特定問題的事情。但是一直解決不了的問題是，如果我們從更高的層面來看這個場景，我們總是在想，對于工業領域有沒有這樣的大模型，能夠幫我們去多模態的處理各種各樣的數據?當然它不是真的去處理聲音、文字、圖片，但是又包括聲音、文字、圖片，也包括從不同設備、不同系統里來的各種數據;它去理解不同的這個業務邏輯，業務邏輯它本身它代表著業務模型，原來我們都得單獨建模。
曾經我和上海不工軟件的人有過如下一段對話：
上海不工軟件：我們現在已經有600多萬種算法了
我：請問你們要600多萬種算法來干什么呢?
上海不工軟件：沒辦法，為適配不同的場景，我們就得搞這么多種算法
我：這些都是你們人手寫出來的嗎?
上海不工軟件：基本上都是，后來當然有一定的加速
再到后面和他們的溝通中得知這個數據增長的更夸張。無論是適配千變萬化的工業場景，還是更復雜的多家企業共同構成的價值鏈或者產業鏈的時候，場景算法光靠人力是無法窮盡的，我們不能像愚公移山一樣，一點點調優或調參。
所以這個是原來人力不可及的，那未來有沒有可能用大模型的思路來將原本散落在不同地方的算法或者一些寶貴的經驗通過一個新的適合于工業場景下的transformer(就是 GPT里面的transformer，現在大部分大模型都基于transformer)來進行一些新的思考?我覺得這是很有可能發生的，這是我們思考的第一個方向。
包括我估計西門子和微軟其實也是在這么嘗試，他們一個是工業背景，一個是IT背景，所以他們兩邊一起碰撞，可能就會出現這樣的情況：我這邊有一個思路或想法，你那邊能用上或能解決嗎?兩邊互相碰撞，逐步在工業領域深入。
第二個方面是關于速度。原來我們在產品的時候，特別是跟信息化、數字化相關的產品，無論它是硬件還是軟件，無論它是叫 APS、EDA還是叫 ERP、Office，其實原來在做更新迭代的時候都很慢，但是今天突然有一條思路可以讓你很快就能把產品推出來。
甚至WPS我看到前兩天發的新聞，不用再等 Office的Copilot了，用 WPS 就直接可以根據你的需求描述自動生成 PPT。大家都發現這是一條思路，無論他現在做出來的是 100 分還是 90 分，還是真的比 GPT 差 2 分，無所謂，但是我們都看到這個模型，這個思路是對的，我們就可以朝那個地方嘗試。
迭代這件事情很快，我們今天可能趕不上GPT，趕不上 4.0，但我們可能很快就能趕上3.0甚至3.5。所以大家在不同的方向上都可以用這個思路去思考，并且很快速地讓自己產品往前更新迭代。原來可能產品都不知道該往哪個方向去做，今天起碼提供給你一個思路，往那個方向走，它是有一定的前進的。
所以我覺得在這個事情上面有以上兩個思路可以和大家探討。
松耦合是更適合工業領域的應用模式
彭昭：剛才管總提到的那個公司我挺感興趣的，他們為什么會有那么多種算法?在整個業務運行的過程中這眾多的算法如何來高效響應業務?
管震：原來所謂的適應性算法，它是你給多少約束條件，就會做出對應的題目，就像線性規劃一樣，大家知道做線性規劃是根據給出的一些約束條件，寫出公式、目標函數，然后就可以自動得到最優解。這個算法并不需要特別多、特別復雜，只是需要有一套行之有效的求解器就可以。在國內，有很多公司也是這么做的，比如杉數科技等，大家在做這種協同算法的時候，其實都是按照這個思路來的。只不過后來有一種思路被大家逐漸接受，叫做松耦合。
我相信大家聽我提到過很多次松耦合，松耦合的目的是將很多環節拆解開來，不要綁得太緊。如果綁得太緊，它就變成了一個黑盒子，要進行調優，要與其他人協作，都會變得很麻煩，這樣實際上弊大于利。在工業場景中，工業場景本身就是一個松耦合的場景，就如亞當·斯密勞動分工論所說的分工才能產生熟練工人，所以需要將其拆解。
如果我們把這個面向業務目標的這些算法去拆解一下的話，你就會發現原來它可以拆解成不同的環節對于排班或計劃效率產生影響的一個一個子集。那么每個環節都有不同的算法，因此算法和算法之間，當你要做到一起的時候，要變成一條產線，或者是說不在一個廠里面，它還有外協廠，還有其他的上游公司和下游公司。當你在擴大的時候，就會發現環節非常多，那環節越多，它的組合數量就越大。也就是說每一個環節我們把它看作一個節點，第一個節點有10個算法，第二個節點也可能有10個，第三個節點還有10個，那我們就有很多組合。
這看起來當然很嚇人，但實際上它很好用，因為你可以在不同的企業和場景中組合，甚至由人工智能去驅動組合。比如說跟人力資源相關的，跟設備相關的，跟生產相關的，跟搬運相關的，跟紡織相關的等等，在不同的環節組合的時候，就需要不停地適應不同的場景，然后把相關的算法拿過來進行組合，這樣就很容易承擔億次以上的操作。
接下來其實在跟不工軟件在聊的一件事情就是，既然如此，我們剛才也提到工業場景很復雜，又面對各種個樣來自市場、來自訂單、來自配料、來自上下游供應商等的變動和壓力，這些情況下是不是能夠類似像GPT一樣，更好的和決策者、運營者、銷售人員之間去對話?銷售人員在前端賣東西的時候，他很快就知道我能不能接這個單。客戶那兒 150 塊錢我們能不能接?旁邊一個競爭對手降到 145 塊錢了，我們能不能 140 塊錢拿下來?拿下來的話我們能排期在 3 個月時間內完成嗎?他可以不斷問這樣的問題，而后面的不同的這個系統就組合在一起，通過這樣的協同計劃系統來更好的為前端提供服務。
小步快跑，推動變革落地
彭昭：其實大模型在某種程度上提出了一個新的組織變革形態，“數字員工”進入組織，成為節省人力、提升效率的工具，這會給企業帶來哪些影響?在這樣的情況下，組織要如何對待變革這件事?如何調整變革節奏，以適應這種新常態?
管震：我們以咨詢行業為例，這個事情對咨詢行業目前短期來看有利有弊。弊當然是看得到的，比如說兩三年之內很可能面臨的要裁員。原來咨詢公司的項目來源是我靠腦力為客戶提供報告等服務，但未來甲方說我靠 GPT 也能出這個報告，所以你的業務量就有可能會受到影響，尤其是一些中等的和比較初級的咨詢公司。
彭昭：大的咨詢公司也深受影響，比如埃森哲，也在裁員。
管震：對的。畢馬威(KPMG)宣布與微軟達成合作，為美國的審計、稅務和咨詢客戶提供生成式人工智能解決方案，以提升工作效率、節省運營成本和增強客戶體驗。這其實是我想說的第二件事，如果咨詢公司真的去研究和應用，得到的好處很可能更多。
我先舉表象的例子，我們去給企業做咨詢，很可能只賣一次。我們今天包裝好了一個產品賣給客戶，比如領導力、企業戰略、經營管理、供應鏈優化等，我們的課程或解決方案給人家就完了。但是當有了GPT或者GPT配合的一些數字化的公司之后，你至少可以賣好幾次。企業原來要改變很困難，就算你給我講課、給我輔導，我真的要完成往你說的那個方向去做也很困難。但是有了GPT之后，它很可能往前走的那一步很快就試出來了，到底對還是不對?效果和你的目標之間有多大差距?企業很快就知道了。
當企業發現你的咨詢方案出來的非常快，而且更準確，可以去協同不同的系統、不同的數據，以前即使你有顧問，也很難從各種系統中獲取數據并進行分析，但現在你可以從不同的系統中進行協同。然后你給企業的業務目標既有感性的又有理性的，很容易評估，對企業來說，邁出這一小步并不復雜，邁完之后它發現這個咨詢方案很落地，有效果，那企業就會覺得我們還可以再往前走一小步，再做一期。
最近確實也碰到了類似的兩家企業。一家是中小企業，老板在某一個傳統行業做了二三十年，現在兒子要接班，就是這么個場景。二代接班，他肯定是不愿意用傳統的那個老思路去做，但是你要知道老人家有很多思路是很難改的，可能是路徑依賴，但也有可能它就是真的經驗吶。不聽老人言，吃虧在眼前，我們也見到過很多年輕人接班太沖動，把企業家底敗光的案例。
這個時候我們站在咨詢方，我們是被年輕的這一代請過去，相當于要說服老一輩的創業者。我們先了解對方企業的數字化基礎，然后在GPT和咨詢專家共同協作下下輸出了一份面向對方企業的方案，提交給年輕一代接班人去和老一輩創業者商量。
這個咨詢方案跟原來區別非常大，原來就是有點像賭，500萬做一個咨詢，不到最后不知道結果如何。可是我們今天給提供的咨詢方案里面是分三步走，第一步做的就是你原來做的事情往前走一小步，但是你能很快看到的結果是什么?比如兩個月時間就做完(當然這兩個月是概數)，就可以給企業一個反饋。
老一輩看完方案之后，看到兩個月能有一次真實成果的反饋，且能及時確保這件事情是在控制范圍之內，加上心態非常平和，就按照方案開動了起來。
第二個案例是傳統的大企業，對于這樣的企業來說，決策并不是一個人說了算，在這種情況下，決策者往往也會非常擔心自己走錯一步。那這個時候，小步快跑的思路變得非常重要。在以前這種小步快跑可能難以實現，但現在我們有了一種可行的路徑。只不過在不同的領域中，小步快跑的實現方向可能會有所不同。但重要的是，我們需要有一條線將它們串起來。
一家企業，打個比方，原來它是一個餅，其中餅的每一塊就是它的產品一、產品二、事業部一、事業部二等等，老板在這個餅的中心，所有人都向中心匯報。很多時候我們在做數字化咨詢這件事情的時候，看著這個餅不知道從何處下嘴，牽一發動全身，因此小步快跑難以實現。
換個思路，如果我們把這家企業拆成縱向的一個個模塊，但每個不同的部門、不同的事業部都有自己的業務目標。同時我們把它的數字化現狀用線條的形式展示出來，同時與背后做個映射，這個就有點像咱們 GPT 的這個embedding，做向量的映射，從前面的數字化現狀進到一個向量空間的第二維。
在這種模式下，小步快跑就有可能實現。比方說有一個二代老板，他是負責海外銷售的，非常急迫的需要知道他的企業是不是能夠在越南開場、能不能在某個地方去中轉貨物、貨物中轉周期需要多長，類似這樣的一些需求，這種情況下我們就去分析與前端銷售最緊密連接的部分，映射到后面的向量空間，我們就得到為了實現這個需求哪幾個小模塊必須邁步向前走。
但是往前走的過程其實并沒有邁大步，我們還是為了他的業務目標達成，所以每個都走了一小步。這樣的話這個數字化變革所消耗成本最低，同時又能拼出來一個完整的路徑圖。所以進到產業當中的時候，我覺得這個有很多可以探討的。
彭昭：是的，產業數字化變革是一個值得深入探討的話題，非常感謝管總今天的精彩分享。
