【核心觀點】

技術革命和產業革命：本次大模型的出現不是簡單的技術演進，而是一次新的技術革命和產業革命。大模型為通用人工智能的發展找到了一條可行的路徑，或者說指明了一個方向。人工智能將給人類社會的生產和生活帶來全方位的巨變。

從量變到質變：從ANI到AGI、再到未來的ASI，在這個過程中，支撐人工智能技術的算力、算法、數據等要素一直都在積累。模型算法、芯片算力、云計算、數據和開源開放社區這五個要素共同構成的生態，推動了人工智能技術發生本輪質變。

堪比核武器：比爾·蓋茨、OpenAI公司的CEO奧特曼、巴菲特這三個人在不同場合都曾被問到，有哪種技術可以與本輪人工智能技術相比擬？他們講了同一種技術——核武器。他們都認為人工智能的威力十分巨大。當然也正因如此，我們需要對其進行嚴格監管。

數字化概念：就是我們在現實世界的基礎上構造一個賽博空間，或者說一個數字世界，在這個由數據和算法定義的世界里，可以通過數據的自動流動，化解復雜系統的不確定性，優化資源配置的效率，提高企業的核心競爭力。

緊迫挑戰：現在需求側追求個性化、實時化、智能化，必然要求供給側的制造體系與之匹配，那么供給側的企業要怎樣才能跟得上需求側的巨變？各行各業都要面對“復雜系統的不確定性”帶來的考驗。

車企轉型：汽車企業面對的是更復雜的系統以及更大的不確定性，如何優化資源配置也就成了更困難也更緊迫的難題。解決難題的答案就是數字化轉型，即用數字技術武裝自己，并將其融入到企業經營、管理和決策等方方面面。

轉型目的：數字化轉型本質上是三場革命，即工具的革命、決策的革命和組織的革命。企業數字化轉型的最終目的只有一個，那就是優化資源配置的效率。

AI賦能：當前AI大模型正在產品力和生產力兩個方向上并行發力，盡管總體上還處于探索階段，但是已經讓我們看到了各種各樣的可能性。

代替腦力：過去的機器人、數控機床、工業軟件等技術，更多地是提高了體力勞動者的效率；而本輪AI大模型帶來的這場決策革命，可以為設計、開發、工藝以及管理等人員提供支撐，從而提高了腦力勞動者的工作效率。

AI母機：人工智能可以類比于傳統制造業中的工業母機，而被稱為AI母機。

專業模型與基礎模型：如果說基礎模型的能力是1，那么行業垂直模型或者說專業模型就是1后面的0。

大模型市場：中國并沒有“百模大戰”，甚至沒有“十模大戰”，不少所謂的大模型并不是真正的大模型。當前中國真正在大語言模型主賽道上的企業可能只有五六家或者稍多一點，這是符合產業發展和市場競爭規律的。

專業模型開發：當前專業類模型與大模型相結合有四種方式，每個行業及企業在面對特定問題時，都可以選擇其中一種方式來構建所需的專業模型。

多模態融合：雖然大模型最初主要就是大語言模型，但是目前早已拓展到語音、圖像和動作等更多模態了，甚至已經有大模型能夠集成處理不同模態的信息，并產生相應的數據訓練模型。

互動生態：未來人們使用大模型時會形成一個供給側與需求側互動的生態。事實上，大模型的應用一定是一個多主體聯動的過程。

收益不確定：企業如果進行數字化轉型，不一定能獲得收益。因為數字化轉型是一場創新，而創新都有失敗的風險。

風險難承受：企業如果不進行數字化轉型，其損失和風險則是確定的?，F在市場需求正變得日益個性化、實時化、場景化，如果沒有數字化手段予以應對，企業將面臨市場失焦、營銷失語、管理失衡和增長失速。

轉型難的原因：數字化轉型的確不容易成功，或者說極富挑戰性，其根本原因在于，數字化轉型是一場比誰跑得更快、更遠的競賽。企業轉型成功與否并不是要和自己比較，而是要和競爭對手比較，看誰能更好地服務用戶，這才是數字化轉型的本質訴求。

終極目標：數字化轉型的終極目標是滿足用戶的需要，即企業以更高的質量、更低的成本、更快的速度、更精準地持續滿足用戶的個性化需求。

系統工程：數字化轉型是全局性的系統工程。為了實現新的商業模式，企業不僅要使用數字化的技術手段，還要重新構建起新的組織關系，這既包括企業內部各部門之間的協同方式，也包括企業與外部伙伴之間的合作模式。

AI技術：原有的汽車智能化賽道正在新人工智能技術的賦能下不斷加速，并將由此催生出各種新技術、新模式、新業態。

龍頭和載體：對于人工智能賦能制造業而言，汽車無疑是應用最困難而價值又最高的產業，一旦解決了汽車行業的問題，也就解決了制造業百分之七八十的問題。

重新定義：數字化或者說人工智能正在重新定義汽車企業的核心競爭力，不過這一定義是一個持續的過程，需要放在足夠長的時間尺度上來看。

端到端模型：過去開發自動駕駛系統需要很多工程師人工處理各種極端情況，既費時費力，又難以窮盡。而現在，基于Transformer架構的端到端模型，完全可以用少得多的工程師獲得相似甚至更好的自動駕駛效果。

連鎖反應：AI大模型對于自動駕駛的影響絕不僅僅局限于技術，而是會帶來一系列的連鎖反應，最終將改變整個汽車產業。

定位轉型：很多汽車企業紛紛調整自身的定位，從原來的制造公司向出行科技公司、出行服務公司轉型。

產業分工：大智能產業與汽車產業之間可行的分工方式是——汽車企業在算法和數據方面“以我為主”，而算力則由云計算公司提供。

專業模型：自動駕駛的專業模型不可能脫離大模型的支撐，這就需要車企與開發構建基礎大模型的公司加強合作。

創新生態：專業化分工的協同創新生態是未來企業取得成功的最重要支撐。而這樣的生態一定是開放性的，因為封閉性的生態難以成長和進化，即使原本體量很大、實力很強，也會逐漸落后和退化。

基本矛盾：數字化轉型的基本矛盾就是企業全局優化的需求和碎片化的供給之間的矛盾。

勇于探索：企業要想成為引領全球的領導者，成功應對快速變化的市場環境，就必須在數字化轉型的全新領域勇敢探索。

協同創新：多主體協同創新不僅需要數字化和智能化的技術手段，更需要改變企業內部的組織管理和外部的商業模式，也就是讓生產關系匹配生產力，才能真正得以實現。

指數曲線：企業的數字化投入如果是一條向上的斜線，那么其收益并不是一條同樣向上的斜線，而是一條指數曲線，開始時緩慢向上，一旦經過了某個拐點之后，就會呈現出快速增長的態勢。

人才標簽：能夠適應人工智能時代、滿足未來社會需求的人才應該具備三個標簽：創造力、想象力和批判性思維。

AI機器人：未來具有超級能力的AI機器人將遍布各個行業和領域，如何將這些AI機器人充分調動起來，取決于企業的組織能力，而企業的組織能力又取決于人的能力。

【對話實錄】

趙福全：大家好！歡迎來到《趙福全研究院》高端對話欄目。我是本欄目的主持人、清華大學汽車產業與技術戰略研究院的趙福全。本欄目由蓋斯特管理咨詢公司承辦并贊助播出，在此表示感謝。本欄目自2014年創辦以來，今天迎來了第74個專場，本場對話的主題是“企業的數字化轉型”。我們非常榮幸地邀請到了中國信息化百人會執委安筱鵬博士，請安博士和大家打個招呼。

安筱鵬：大家好！非常感謝趙院長的邀請，很高興來這里一起交流數字化轉型的話題。

大模型是一次新的技術革命和產業革命

趙福全：歡迎安博士來到我們的對話欄目。我知道，您目前從事數字化領域的產業發展戰略研究，非常了解企業前沿實踐的情況。同時您在學術上成果頗豐，我讀過您的幾本專著，既有思想、又有觀點，對未來的思考很有深度。所以，今天特別邀請您過來交流。

當前人類社會正在發生巨變，其中一個重大變化就來自數字化，也包含了與之息息相關的數據以及人工智能等等。數字化將會波及各行各業，很可能是人類歷史上對社會生產和生活影響最大的一次變革，對此各國也都抱有很高的期待。當然未來是不是還會有影響更大的新變革，我們尚不得而知。但就目前來看，相較于此前的機械革命、電子革命，這次的數字革命對于人類社會方方面面的影響將會更大，或者說更具全面性、普適性和顛覆性，也帶給我們近乎無限的暢想空間。

在這種大背景下，當前汽車行業可以說是既緊張、又興奮。因為這次數字化革命給傳統產業帶來的更多是顛覆、還是賦能，每個人站在不同的角度都有各自不同的思考，可謂仁者見仁、智者見智。傳統產業的很多從業者認為，數字化是“狼來了”，甚至后續自己很可能都會因此失業；而數字化產業的從業者大多認為，這是一次歷史性的機遇，數字化可以和各行各業深度結合，進而創造出更多更大的價值。

安博士，作為研究數字化的頂級專家，您怎樣看待數字化革命給人類社會以及各個產業帶來的變化？請和大家分享一下您的認知。

安筱鵬：說起來，數字化并不是一個新概念。從歷史上看，隨著信息技術的誕生和發展，數字化技術就一直在融入到經濟和社會的方方面面，不斷帶來新的技術變革和產業變革。而我們在2024年這個時間點來討論數字化時，有一項非常重要的熱點技術就是大模型，這也是人工智能的最新突破。審視人工智能技術不斷發展進步的歷史軌跡，我們必須首先明確一個問題——此次大模型的出現究竟是一次技術升級、還是技術革命？是原有人工智能技術發展的一條延長線，還是開辟了一條新的發展曲線？對此業界有著不同的認知和判斷。就我個人來說，我覺得這應該是一次新的技術革命。

回顧人工智能技術的發展歷程，過去三四十年里，人們對于人工智能的定位有一個英文表述，就是Artificial Narrow Intelligence（簡稱ANI），翻譯成中文叫做弱人工智能；而以Transformer為代表的新技術路線，也就是大模型，帶來了人工智能的一次重大進步，形成了所謂Artificial General Intelligence（簡稱AGI），翻譯過來叫做強人工智能或者通用人工智能。我認為強人工智能是一次革命，其革命性就體現在其概念的核心詞“通用”上。當然，現在距離最終實現通用人工智能可能還需要5-10年甚至更長的時間，但是大模型的出現確實為通用人工智能的發展找到了一條可行的路徑，或者說指明了一個方向。這讓大家有信心說，通用人工智能是有可能做成的，而且正在不斷地逼近目標。盡管目前還有部分專家對此有不同看法，不過整體而言，多數專家已經達成了這一共識。

那么，弱人工智能與強人工智能的本質區別是什么呢？傳統的ANI是通過一個模型、一套算法來解決一個特定的問題，這意味著ANI只能做特定的某一件事。而現在的AGI具有泛化能力，當一個模型訓練完成之后，它既可以做翻譯，例如把英文翻譯成法文、把法文翻譯成中文；也可以進行對話，包括生成文字、圖片或視頻；還可以編寫代碼……即AGI能夠做多件事情，這就是所謂的通用。對此比爾·蓋茨講過自己的一個觀察，我覺得很好地說明了問題。他說，當你讓人工智能大語言模型學習了化學和物理知識后，再給它一套生物試卷，它也能夠答得很好。這充分說明其具有了泛化的能力。

泛化是強人工智能最本質的一個特征，而這個特征源自于這次大語言模型中最重要的一個基礎模型，就是前面提到的Transformer。之前的ANI模型，其效果與參數數量之間沒有明顯的相關性，甚至可能參數增多，模型的效果卻變差了?；赥ransformer的大模型不是這樣，當模型的參數增長到某一個臨界點，比如10億、50億、100億個的時候，模型的效果就會突然呈現出指數級的提升，此時大模型就會形成強大的“涌現”能力。正因如此，大模型才具備了通用人工智能的屬性，或者說，才成為了一種重要的通用技術。

從產業經濟學的角度來說，人類的所有技術都可以分為兩類：一類是專用技術；一類是通用技術。不過大模型這種通用技術是獨特的，或者說，此通用非彼通用。有研究表明，在人類過去五六千年的歷史中，大概只有24種通用技術，如馴化、冶鐵、蒸汽機和計算機等等，而大語言模型可能就是第25種通用技術。而且大模型非常容易與其他原有技術相互結合，將融入到經濟社會的方方面面，不僅會帶來生產力的變革，還會帶來生產關系的變革，包括企業組織模式與行為方式等的變革。這是我對本輪技術變革的一個基本判斷。

我們看到，國家對這項技術也高度重視。2023年中共中央政治局會議首次提到“通用人工智能”這一重要概念；同年在二十屆中央財經委員會第一次會議上，也提到“要把握人工智能等新科技革命浪潮”。所以，我認為大模型的出現，不是簡單的技術演進，而是一次新的技術革命和產業革命。

趙福全：安博士分享的觀點非常重要。我們究竟應該如何理解數字化革命給整個社會帶來的變化呢？安博士認為，數字化是一種手段，其影響最終體現在基于數字化的人工智能等技術給人類社會帶來的全方位改變。而對于人工智能的最新進展即大模型的出現，有人認為這是一次漸進的技術升級，也有人認為這是一次技術革命乃至產業革命。而您回顧了人工智能的發展歷程，從技術進步的幅度也即模型能力的變化上，得出了自己的結論——大模型是一次革命性的技術突破。

通用人工智能是威力堪比“核武器”的質變

趙福全：事實上，任何技術的發展都需要先經歷一個量變積累的過程，然后才能迎來質變的突破。人工智能技術也不例外，從弱人工智能ANI到強人工智能AGI、再到未來有可能實現的超人工智能ASI（Artificial Super Intelligence），應該也是一個不斷積累的漸進過程。從這個角度看，是不是ANI發展到了一定的程度，大家對其能力、潛力和局限性等有了足夠的認識之后，人工智能才得以進入到AGI的階段呢？這樣說起來，我們到底應該把從ANI到AGI的進步視為人工智能技術的一次升級，還是一次革命？

另一方面，AGI技術在方法上有革命性的改變，而這種改變往往會帶來結果的革命性改變。例如，蒸汽機出現后并不是立即就改變了整個社會，其技術也是一點點不斷完善，從而應用得越來越好、越來越廣，到最后才帶來了工業革命、流水線生產等一系列革命性的改變。那么，如果說AGI是一次革命，主要是指其方法上有革命性的改變，還是指這種方法帶來的結果會有革命性的改變呢？我想收看這個欄目的朋友們，特別是傳統制造業的同仁們，一定都很想知道答案。安博士，請談談您作為數字化專家的看法。

安筱鵬：好的，剛才趙院長講到了兩個方面的問題，或者說是兩種不同的視角。一是從技術本身的發展來看，AGI為什么是革命性的？二是從技術對整個經濟社會的影響來看，AGI為什么是革命性的？我先講講第一個方面。據我觀察，AGI不僅僅是一項技術，當然它包括了語言、視覺、多模態等技術，但其本質是整個數字化技術體系發展到了從量變到質變的拐點。

我們把時間尺度拉長一些，從技術供給側的角度來看一看，為什么AGI會發生在此時此刻，而不是在8年、10年前或者更早的時間？我認為，是因為有幾個核心要素發生了變化，正是這幾個核心要素的量變積累才帶來了這一次人工智能的質變突破。

第一個要素是理論模型，即算法本身的創新。Transformer模型最早出現在2017年谷歌公司八位科學家發表的論文中，這篇論文闡明了該模型具有參數越多、效果越好的本質特征，從而為其后續的發展奠定了基礎。

第二個要素是算力，即芯片的進步，這個要素往往被忽視了。我們知道過去一兩年里，英偉達的市值一度從1萬億美元增長到超過3萬億美元，有段時間是全球市值最高的公司。這背后的原因是什么？其實可以追溯到2012年，當時在一個全球人工智能大賽上，也就是李飛飛組織的斯坦福大學ImageNet（圖像識別）競賽，多倫多大學辛頓教授的兩個學生獲得了冠軍，他們在圖像識別質量上取得了很大的躍升。之前圖像識別的準確率只有1%-2%，而他們竟然提高到了10%。這個結果引發了人工智能領域兩個非常重要的變化：一是業界對人工智能研究的注意力開始轉向神經網絡模型，也就是冠軍隊使用的算法。大家看到神經網絡取得了這么好的效果，于是很多人都進入到這個賽道。二是業界開始把訓練模型使用的芯片，由以CPU（中央處理器）為主轉為以GPU（圖形處理器）為主。因為冠軍隊就使用了部分GPU，用GPU訓練神經網絡模型的效率要比用CPU高很多。由此，芯片算力的使用效率得到了大幅提高。

第三個要素是云計算。在過去近20年中，云計算為人工智能技術的發展提供了基礎支撐。2020年OpenAI公司發表文章，提出了人工智能大語言模型的一個重要定律，即Scaling law（規模法則）。其含義是：模型的參數越多，效果越好；模型的語料數據越多，效果越好。而參數多、語料數據多就需要有強大的運算能力，且這種運算能力的成本還要足夠低，這樣才能支撐起大規模模型的訓練。云計算就提供了這種支撐。

第四個要素是數據。過去20年互聯網上已經積累了足夠多的數據，今天訓練大語言模型使用的就是互聯網上的這些數據?？梢哉f，互聯網的發展為人工智能大模型的語料數據、場景以及相關人才都做了非常重要的積累。

第五個要素是包括美國和中國在內的全球性的開源開放社區。

以上這五個要素相互影響、相互制約、相互協同，構成了一個AI生態。正是這個生態使大模型從量變到質變，實現了能力的“涌現”，也讓越來越多的人感受到其重大價值。比爾·蓋茨、OpenAI公司的CEO奧特曼、巴菲特這三個人在不同場合都曾被問到，有哪種技術可以與本輪人工智能技術相比擬？他們講了同一種技術——核武器。就是說，他們都認為大模型的威力十分巨大，這足以說明人工智能大模型的影響和潛力。當然也正因如此，我們需要對其進行嚴格監管。

可見，從供給側的角度來看，本輪人工智能技術是革命性的突破，其普適性和泛化能力正影響到經濟社會的方方面面。汽車產業也在其中，我們稍后再談大模型對汽車產業的影響。實際上，人工智能大模型對于制造業、醫療、教育、政務等等，都會產生巨大的影響。說到底，AGI作為一種通用技術，其影響和價值是全局性的。

趙福全：聽了安博士這段話，我想收看我們欄目的同仁們可以認識到：所有技術的進步都要經歷一個從量變到質變的過程，而這一次人工智能大模型的出現已經是經過循序漸進的量變積累而發生的質變了。

應該說，此前人類社會的進步基本上是以硬件為主導和標志的，相應的我們也已經習慣了機械硬件技術進步的模式。當一種技術出現之后，人們不斷對其進行改良和優化。在這個過程中，這種技術的原理并未發生變化，始終遵循原來的物理定律。過去幾百年間的技術革命大多都是如此。例如蒸汽機、內燃機等技術，并沒有在其使用過程中突然出現某種跨越式的飛躍，而是從效率、能耗、噪聲等各個方面逐步得到改進，最終越用越好。但是今天的數字化技術與傳統的機械硬件技術完全不同，二者的演進過程有著本質區別。我認為，主要體現在以下兩點：

第一，這次人工智能的突破既有技術本身的進步，也有技術相關要素持續積累的支撐。因為人工智能涉及到的領域非常寬泛，最終是各個領域的技術進步共同促成了人工智能能力的整體飛躍。

具體來說，從ANI到AGI、再到未來的ASI，在這個過程中，支撐人工智能技術的算力、算法、數據等要素一直都在積累。這些要素雖然與人工智能密切相關，但其實都是不同領域的技術。當這些技術的進步都堆積起來，人工智能技術才有了質變的可能。正如剛剛安博士談到的，模型算法、芯片算力、云計算、數據和開源開放社區這五個要素共同構成的生態，推動了人工智能技術發生本輪質變。這些要素是缺一不可的：如果沒有個人計算機、手機在互聯網環境下積累的大量數據，即使有更好的算法和更強的算力，大模型也不可能“涌現”出強大的能力；如果沒有算法和算力的突破，即使有更多的數據，也無濟于事；而如果沒有算法原理上的創新，即使有更強的算力，也實現不了“規模法則”帶來的效果。所以安博士認為，這次人工智能的突破不是漸進式的技術進步，盡管這種突破依然來自于每天、每月、每年持續不斷的微小改進，但是今天已經來到由量變到質變的拐點了。

第二，這次人工智能技術突破的覆蓋面將會非常廣泛，幾乎可以應用于所有行業，這和以前也有很大不同。以動力革命為例，內燃機出現后，主要應用及影響基本集中在交通以及制造業等領域?？墒沁@次的大模型或者說AGI是一種用途非常寬泛的通用技術，在制造、交通、能源以及醫療、教育、娛樂等各個領域都可以發揮重要作用，且其方法在本質上是一樣的，只不過外延有所差異罷了。

事實上，每個領域都有自己的數據，有了AGI技術之后，就可以基于相同的算法原理和通用的算力，結合本領域的特點和需求來構建各自的大模型，從而實現人工智能應用的空前拓展。我甚至可以斷言，對于這次人工智能技術突破帶來的變化，人類可以無限暢想。這不是夸張，更不是調侃，而是未來一定能夠實現的前景。由此，人工智能將給人類社會的各種生產和生活活動帶來全方位的巨變。從這個意義上講，這無疑也是一次質變。

總之，無論是從技術本身、還是從技術應用來看，或者說，無論是從技術方法、還是從技術結果上來看，通用人工智能都是一次質變。而安博士剛剛的分享，更讓我有了一點很深的感悟，那就是我們絕不能用傳統的漸進式思維來考慮人工智能未來的發展和影響。

企業數字化轉型本質上是工具、決策和組織三場革命

趙福全：這就引出了下一個問題?，F在都在講數字化、數據化，也在講大數據、云計算，還在講人工智能、大模型和專業模型等等。各個領域的專家從各自的角度強調不同的概念及其應用，這本身無可厚非。但這也給我們帶來了混淆，讓人不免有“概念太多、莫衷一是”的感覺。其實這些概念之間既有區別、也有關聯。比如大模型如果不能賦能專業模型更好地發揮作用，那它在相關行業的應用價值就非常小。我想利用今天這個機會，請安博士給大家做一次系統科普和概念辨析，以便幫助大家正確理解這些基本概念，進而在各自的領域中有效應用。

安筱鵬：好的。我們先來談談數字技術的發展。說起來，數字技術這個概念是在最近5-10年才開始較多地使用起來。不過早在上世紀40年代以來，芯片、軟件和傳感器等新技術就不斷涌現，并快速普及應用到經濟社會的方方面面，其中也包括汽車等傳統制造業。這些新技術其實都屬于數字技術的范疇。因此，數字技術一直處在新技術不斷出現、快速普及并引發諸多相關領域持續改變的過程中，這個過程也就是數字化轉型。

可見，數字化轉型是一個非常寬泛的概念。簡單說，就是新的數字技術融入到經濟社會的各個領域，帶來生產力的進步和生產關系的變革。而在不同的時間段，各有當時最具代表性和突破性的不同技術在引領發展。與此同時，這些技術又不是孤立的，而是相互關聯、相互交織、相互支撐。比如10年前我們講得更多的是物聯網、大數據和云計算；現在講得更多的是數字化、大模型和AGI。事實上，這些概念要真正融入相關領域、創造重大價值，必須與其他技術聯動才行，只靠一種技術單兵突進是解決不了什么問題的。

趙福全：也就是說，這些技術都包含在數字化的大概念之下，并且有著內在的緊密關聯。那么，您能不能具體解釋一下，這些技術之間的邏輯關系究竟是怎樣的？

安筱鵬：要講清這些概念的邏輯關系，先要講清什么是數字化。根據我之前的研究，我覺得可以這樣理解：數字化就是我們在現實世界的基礎上構造一個賽博空間，或者說一個數字世界，在這個由數據和算法定義的世界里，可以通過數據的自動流動，化解復雜系統的不確定性，優化資源配置的效率，提高企業的核心競爭力。

這樣講可能還是比較抽象，我們不妨從數字化轉型的實踐來解釋一下。所謂數字化轉型，究竟是要做什么事情呢？我想，每個行業都需要回答一個基本問題：即數字化轉型的邏輯起點是什么？或者說為什么要進行數字化轉型？不同的行業、領域和企業都有各自不同的出發點，可能是為了實現產品的個性化定制，也可能是為了實現產品的智能化，總之不外乎追求個性化、實時化、場景化、智能化等等。

以汽車領域為例，今天汽車消費群體越來越以90后、00后為主了。而這些年輕人的需求有很大的變化，他們心目中的豪華車與其父輩60后、70后心目中的豪華車完全不是一個概念。60后、70后在求學階段和工作之初，看到的豪華車就是寶馬、奔馳等，誰買了這些品牌，誰就迎來了人生的高光時刻，他們的這種印象一直延續至今。但是現在的年輕人并不這樣想，他們的消費需求越來越個性化，強調實時、注重場景、關注內容，還要進行互動、有參與感。比如不少消費者都希望能有更多的參與權、表達權和分享權，或者直接參與產品的定義和配置的選擇，或者在購車后通過社交媒介展示一下，這是一種新型的文化。我把消費需求的這種變化定義為消費者主權的崛起。當然，消費者其實是一個廣義的概念，不僅包括個人，也包括企業、政府等，在此我們主要指的是個人消費者。

上述變化意味著今天我們面臨著完全不同的消費需求。無論企業自身的供給能力有沒有發生改變，需求的變化都是確定的，而且這種變化正驅動整個供需系統變得越來越復雜、也越來越易變。而當系統變得復雜、易變的時候，需求側追求的個性化、實時化、智能化，必然要求供給側的制造體系與之匹配。問題的關鍵在于，供給側的企業要怎樣才能跟得上需求側的巨變？這對所有行業的企業來說，都是異常嚴峻的考驗，區別只在不同行業發生變化的速度和競爭激烈的程度有所差異而已。

由此可見，各行各業都要面對“復雜系統的不確定性”帶來的考驗。而對汽車企業來說，其需求側和供給側都極其復雜，特別是汽車產品及其供應鏈的復雜度還在提高。當前汽車產品安裝了很多傳感器、芯片和軟件等等，已經從單純的機械產品演變成機械電子產品、甚至更像是電子產品了，而且汽車上的機械與電子部分還要有效融合。也就是說，汽車企業面對的是更復雜的系統以及更大的不確定性，如何優化資源配置也就成了更困難也更緊迫的難題。

那么究竟應該怎樣解決這個難題呢？我認為，答案就是數字化轉型，即用數字技術武裝自己，并將其融入到企業經營、管理和決策等方方面面。就像我剛才講的，構建一個數據和算法定義的數字世界，通過數據的自動流動，化解復雜系統的不確定性，優化資源配置的效率。說到底，企業之間的較量最終還是資源配置效率的競爭，而資源配置效率取決于企業決策的精準性和及時性，包括研發、采購、生產、營銷和服務等各種決策。過去這些決策大多是基于有限信息和固有經驗做出的，甚至有時候就是領導拍腦袋定下來的，但是今后要靠數據驅動、算法加持來進行決策。這是數字化轉型的核心。

我經常講一個觀點，所謂數字化轉型，本質上是三場革命：一是工具的革命，例如擁有制造汽車的各種新設備，包括機器人、數控機床、AGV（自動導向搬運車）等硬件，也包括CAD、CAE等軟件，這些都是數字化轉型所需要的工具或者說手段；二是決策的革命，過去企業產品研發、生產制造、采購物流、營銷服務以及運營管理等都是基于經驗進行決策的，而今后要基于數據、通過算法來洞察規律，進行科學的決策；三是組織的革命，所謂數據的自動流動，就是要把正確的數據，在正確的時間，以正確的方式，傳遞給正確的人和機器，這樣才能真正實現高效率，為此我們必須變革組織，以支撐這樣的數據流動。

一句話，企業數字化轉型的最終目的只有一個，那就是優化資源配置的效率。當資源配置的效率提高了，企業的核心競爭力自然也就提升了。這就是我對于數字化轉型的理解。

趙福全：安博士講得非常好！現在幾乎所有企業都在講數字化轉型，都表示要迎接本輪產業變革，但數字化轉型到底是什么、應該做什么，其實不少企業并不是很清楚。而您明確提出，數字化轉型就是要以數字化的手段來實現優化資源配置效率的目的。我覺得您的觀點既有很強的學術性，又解釋得非常詳細到位。

我簡單做個梳理：當前整個社會正在發生空前巨變，消費者的需求變得越來越復雜，甚至可以說是千變萬化。在這種情況下，企業如果不能滿足消費者需求的變化，就會失去生存的基礎。因此，企業必須努力把內外部的各種資源有效組織起來，盡可能精準、快速地滿足消費者日趨復雜、日新月異的個性化需求。而延續傳統的企業運營和資源組織方式，無論怎樣改進，都是無法做到這一點的。唯一的破局之道就是利用數字化手段、實施數字化轉型。

通過數字化轉型，企業要把市場上的需求信息都轉變成數據，并讓這些數據在企業內外流動起來，驅動企業有的放矢地打造新產品。由此，數據也就成為了一種新的生產要素。在之前硬件主導的時代，生產要素主要是實體的生產資料，例如鋼材；當鋼材進入生產線，對其進行沖壓、切割等處理以形成零部件的相關技術，就是生產力；相應的，確保順暢生產的生產線和組織等，就是生產關系。而進入到軟件主導的新時代，我們可以利用數字技術，把各種信息都轉變為數據，從而成為一種新的共性生產要素，或者也可稱之為新型生產資料；對各種數據進行采集、傳輸、處理和使用等的一系列新技術，就是新型生產力；相應的，研發、生產、采購、銷售、服務等各個部門，必須向著統一的產品目標攜手努力，基于共同的生產要素產生不同的生產力，以實現提質、增效、降本，滿足不斷變化的市場需求，而確保這種協同的全新組織和分工等，就是新型生產關系。

我想強調的是，一方面，這種新型生產關系意味著企業內部的組織架構和運營管理必須進行全方位的變革。企業可能不再需要像以前那樣經常召開部門之間的溝通會，也可能不再需要通過KPI來進行指標管理，因為企業完全可以通過數字化手段，基于數據來打通部門墻，全面提升部門之間的溝通及運行效率。另一方面，新型生產關系還涉及到企業與外部伙伴的合作，將會催生出新型的商業模式。比如原來整車企業和供應商之間基本就是簡單的買賣關系，但是當前整供關系也在發生重大改變，正向長期戰略生態伙伴的方向演進。究其根本，這同樣是由數字化轉型引發的。因為供應商或者掌握著部分數據，或者擁有處理數據的優勢技術，而優化資源配置的效率就需要打通這些數據，也需要有效利用這些技術。為此，整供車企必須共創商業模式、實現資源共享。

總之，數字化時代與我們熟悉的硬件主導的時代完全不同，生產要素、生產力和生產關系都將發生重大改變。面對這樣的新時代，企業必須實施以優化資源配置效率為目標的數字化轉型。也唯有如此，企業才有可能高質量、高效率、低成本地精準滿足快速變化的市場需求。這正是數字化轉型的價值所在。

人工智能既可以賦能產品力，更可以賦能創造力

趙福全：安博士剛才講了人工智能對產品的賦能，可以使其更加強大，從而更好地滿足消費者的需求。那么對于社會和產業來說，人工智能又將如何賦能呢？前面說到，未來數字化及人工智能將會改變生產要素、生產力和生產關系，我覺得這實際上是在對創造力進行賦能。不知道您是怎樣看的？

安筱鵬：趙院長的觀察非常敏銳，這其中確實有創造力的提升。這段時間我們公司內部也在討論，人工智能對于社會和產業到底有什么價值？將會帶來怎樣的變化？對此，我有三個判斷：第一，一切硬件都會被AI驅動；第二，一切軟件都會被AI重構；第三，一切數據都會被AI激活。

我用了“一切”這個詞，聽起來似乎有點絕對，但我認為未來的趨勢就是如此。所謂一切硬件，既包括手機、汽車、工程機械，也包括攝像頭、屏幕等等，未來所有這些硬件都會被AI驅動。例如，在一場有數百人參加的論壇上安裝幾個攝像頭，就可以知道現場誰聽得最認真，誰總在看手機，甚至還可以知道幾位演講人中誰最受歡迎。分析攝像頭采集到的數據，我們就能得到上述答案。這在今天就已具備實現的條件了。

事實上，對于AI驅動硬件的未來演進，我們完全可以有更多的暢想。舉個例子，今后眼鏡可能也會裝上攝像頭，并與AI聯動，從而發揮各種作用。比如有的人血糖比較高，眼鏡可以記錄他每天攝入的所有食物，進行分析并給出報告，告訴他今天哪些營養偏多、哪些營養偏少，同時給出第二天的飲食建議。

也就是說，未來大大小小的各種硬件都會被AI驅動起來，從而形成新的多種能力；與此同時，一切軟件都會被AI重構，從而更好地調用各種硬件；一切數據都會被AI激活，從而被充分地利用起來。最終三者共同創造出新的更大的產業和社會價值。

具體來說，AI將在兩個方面發揮重要作用：一方面是產品本身，AI相當于為產品安裝了聰明的“大腦”，當這個“大腦”加載到產品的硬件上，就會使其實現智能化升級，這就是產品力；另一方面，AI還將融入到產品設計開發、生產制造、供應鏈、銷售服務等各個環節，實現提質增效降本，這就是生產力。當前AI正在產品力和生產力兩個方向上并行發力，盡管總體上還處于探索階段，但是已經讓我們看到了各種各樣的可能性。

就生產力而言，大家目前最關注的是，人工智能究竟能在企業經營管理上發揮什么作用？前面講到，數字化的本質就是通過數據的自動流動，來化解復雜系統的不確定性，這其中包含了決策革命。這場決策革命之所以之前不會發生，是因為過去在技術手段上面臨很多局限。比如軟件編寫，過去只能依靠人工來完成，如果想讓機器人抓取和加工一個零部件，要由人來編寫相應的工藝軟件，形成一個代碼堆，而且不同的代碼堆垛還在不斷發生變化，這就需要大量有經驗的工程師耗費很長時間來編寫和維護軟件。而當AI大模型進入到產品設計和生產等環節之后，人工編寫軟件的工作就被極度壓縮了，同時整個工作流程也被壓縮了。再如汽車設計，不只是造型設計，也包括芯片等復雜部件的設計，隨著AI大模型的涌入，都會大幅提高工作效率。

所以，我用一句話來概括：AI大模型是數據要素創造價值的最短路徑。應該說，此前的各種數字化技術仍然在演進中，也仍然在發揮作用；不過AI大模型這個新的技術手段出現之后，將帶來很多新的革命性變革，從而助力企業實現更低成本、更高效率的運行。

換一個角度來看，過去的機器人、數控機床、工業軟件等技術，更多地是提高了體力勞動者的效率；而本輪人工智能大模型帶來的這場決策革命，可以為設計、開發、工藝以及管理等人員提供支撐，從而提高了腦力勞動者的工作效率，這也是其重要的價值所在。

趙福全：剛才安博士的回答非常重要?，F在很多人對人工智能普遍都有一種直觀的理解，就是人工智能技術可以為產品賦能，這樣同樣的硬件就能比原來表現得更好或者能力更強。從產品的效果上看，這種理解當然沒有錯，就像剛剛談到的，人工智能可以顯著地提升產品力。

過去產品力主要來自硬件，汽車產品也是以硬件為主導的。汽車企業要想獲得更強的產品力，就必須持續進行車型改款乃至開發新車型。本質上，就是通過更新硬件來提升產品力。但是硬件有較高的成本，且其發展到一定程度之后就越來越趨于同質化了，從而導致產品力受限。而今后產品力將主要來自軟件，汽車產品也將以軟件為主導，此時情況就完全不同了。尤其是在人工智能的賦能下，軟件的作用將得到充分發揮，可以有效調用標準化的各種硬件形成差異化的功能，從而為消費者提供滿足其個性化需求的智能產品。本質上，這是通過更新軟件來提升產品力的。

不過一方面，人工智能對于產品的賦能并不是沒有代價的，我們必須開發算法、提高算力、采集數據，這樣才能使產品硬件上的相同投入獲得更大的產出。另一方面，還有一點更重要，卻往往被忽視了，即人工智能不僅可以賦能產品本身，還可以賦能產品的創造力，也就是剛才安博士講到的生產力。我認為，這方面的影響和價值其實更大。如果說產品是“雞蛋”，那么創造產品的體系就是“母雞”，而人工智能既能讓“雞蛋”變得更好，更能讓“母雞”變得更好。顯然，賦能后者的意義更加深遠。未來在人工智能的驅動下，產品創造體系將發生全方位的根本性改變，包括企業的組織架構、商業模式，即內外部資源優化配置的能力，也包括各個部門及員工參與產品創造的能力，都將完全不同。由此，“母雞”就能以更優的質量、更快的速度和更低的成本“孵化”（生產）出更多、更好的“雞蛋”。從這個意義上講，人工智能也可以類比于傳統制造業中的工業母機，而被稱為AI母機。

正是因為人工智能可以同時為產品力和創造力賦能，而且這兩方面又相互促進、共同作用，所以它將驅動人類社會的生產、生活方式發生質變，進入到一個全新的使用人工智能來創造智能產品的智能新時代。

基于大模型的專業模型將實現能力的質變躍升

趙福全：這就帶來了另一個問題。您剛才說到，人工智能大模型有望實現AGI，是一次革命性的突破，而且將會波及各行各業。不過現在對于大模型的普及應用，各方也有一些爭議。核心在于大模型和專業模型到底是什么關系？借此機會，請您為大家澄清一下相關概念。

安筱鵬：我先講一件事，大約在六年前我曾經到美國調研工業互聯網和智能制造。那次我們去了很多公司，其中有一家公司叫約翰迪爾，這是全球最大的工程機械、農用機械公司，有著近兩百年的歷史。這家公司給我留下了非常深刻的印象：第一，這是我所見過的最豪華的公司總部，前面有幾百畝的玉米地，玉米地后邊是原始森林；第二，他們并沒有談工程機械制造的數字化，而是講了很多人工智能在工程機械、農用機械產品中的應用，比如農用機械在噴灑除草劑時，怎樣智能化地自動區分苗和草，這實際上是智能識別技術。由此可見，各個行業專業化的垂直模型早在多年前就已經在應用了，而美國在這個領域有明顯的優勢。

那么，在大模型到來的今天，我們再談垂直模型、專業模型的時候，和之前類似約翰迪爾公司使用的模型是不是一回事？或者說，二者之間有沒有什么區別呢？目前，相關概念確實有些模糊。

我覺得，清晰的表達應該是：之前類似約翰迪爾公司使用的模型，其基礎都是ANI弱人工智能模型，這種模型只能完成一個特定的任務。ANI模型雖然早在好多年前就已經有了，但因為成本、質量、效果等方面都有局限，不可能掀起一輪產業革命，所以并沒有引起太多關注，影響力有限。

而今天的大模型是AGI通用人工智能模型，或者也可稱之為AI基礎模型。這與ANI模型有著本質區別，是完全不同的兩個物種。在AI基礎模型之上，可以用法律、醫療、教育、汽車等各行各業的數據，通過各種各樣的技術手段，比如SFT（監督微調）、RAG（檢索增強生成）等方式，進行整合和訓練，從而得到解決特定行業問題的更高效、更精準、更科學、更有價值的垂直模型。也就是說，今天的垂直模型與基礎模型之間存在聯動關系，前者一定是建立在后者基礎上的。正是因為有了基礎模型，垂直模型的能力，包括解決問題的復雜性、廣泛性以及低成本、高效率等，才實現了由量變到質變的躍升。

那么，如何評價垂直模型和基礎模型的作用呢？我認為，如果說基礎模型的能力是1，那么行業垂直模型或者說專業模型就是1后面的0。這個描述可能不是那么準確，但有利于大家理解。我想強調的是，基礎模型非常重要：基于功能不強、性能較弱的基礎模型，無論怎樣調試和優化，最終訓練出來的垂直模型也不會有很強的能力，能夠解決的問題將極其有限；只有基礎模型非常強大，再加上相關行業的專業經驗、技術訣竅(Know-How)和優質數據等，才能驅動垂直模型的能力實現飛躍式的提升。

趙福全：安博士談到，今天大家所講的垂直模型實際上與6年前的垂直模型完全不是一回事，雖然都是專業類模型，但早已經既換湯又換藥，只是沒有換名而已。因為以前只有ANI模型，而現在有了大模型或者說AGI模型作為基礎模型為其提供支撐。所以，今天的垂直模型是基于基礎模型并與基礎模型相互打通、彼此聯動的新型專業類模型，其能力有了本質性的躍升。

那么，基于大模型構建的新型專業類模型，其理念和方法等，與ANI時代相比有哪些改變呢？

安筱鵬：這里面涉及到很多改變，我覺得其中最重要的一點是，今天大模型能給各類企業帶來怎樣的變革還是未知的。這可不像買一個杯子就是用來喝水，或是購置一臺設備就是用來完成某項工作那樣簡單。此時此刻，大模型究竟會在各行各業中如何應用，還不是一件確定的事情。

具體來說，這種不確定性是指大模型在產品研發、生產、供應鏈、銷售、服務等的每一個環節都有發揮作用的可能性，不過這些可能性未必都會指向一個確定的結果。所以，我們必須在認知和理念層面上推動AI應用的方法論進行一次全面的革新。其核心在于，不管是一家汽車公司，還是一家律師事務所，各行各業都要認知到，自己與大模型之間是一種共創的合作關系，而不是一種簡單的買賣關系。

趙福全：就是說，并不是把大模型買過來直接使用就可以了。專業類模型與大模型之間是一種共創關系：一方面，專業類模型要以強大的大模型為基礎，這樣才能提升自身的能力；另一方面，專業類模型相當于是大模型之下的子模型，其不斷擴展和進步又會支撐大模型的持續發展。試想，如果一個大模型能夠支撐幾十個專業類模型，在各行各業發揮重要作用，那其能力和價值自然也就更大了。

產業特點和市場規律決定大模型行業終將收斂

趙福全：展望未來，大模型將如何演進呢？這個行業的競爭格局將會是什么樣的？請您和大家分享一下。

安筱鵬：我們今天講大模型，主要是指大語言模型。當然，除了大語言模型之外，還有圖像理解和生成的大模型，以及其他的一些大模型，即所謂多模態的大模型。

目前這個方向的基本情況是：第一，大模型技術仍在快速迭代和演進中，有多種不同的技術路線都在發展。第二，本輪人工智能大模型中最重要的一個分支，或者說主賽道、主戰場，即大語言模型，也在快速發展中。比如GPT就有GPT3.5、GPT4、GPT5的不斷演進。而且大語言模型正在把文本、聲音、圖片和視頻等多種模態加載進來，像近期發布的GPT-4o，就可以實時處理文本、音頻和圖像。

未來大模型產品會呈現出怎樣的產業形態和競爭格局呢？先看美國。美國基礎性的大語言模型已經極度收斂了，根據我的觀察，現在美國的大語言模型大概就是“3+1+1”的格局，即主要有5個大模型。其中，核心的“3”分別來自微軟OpenAI聯盟、谷歌、Anthropic公司，這三家提供的都是閉源導向的大語言模型；中間的“1”來自Meta，就是Facebook的母公司，它發布的是開源導向的大語言模型；最后一個“1”來自埃隆·馬斯克的xAI，這家公司剛剛成立一年多，目前估值已高達約200億美元。以上5家公司基本上主導了美國的基礎大語言模型產業。

可能有人會問，為什么美國的大語言模型主要就是這5家、而不是50家公司來參與競爭呢？原因在于大模型的開發和訓練代價高昂，是資本、人才、數據和算力等都高度密集的行業。這和全球只有空客、波音和中國商飛這三家大型民用飛機制造商的道理類似，因為開發一款大型民用飛機可能需要10年時間和100億-200億資金，而且要銷售至少一兩千架飛機才能收回研發成本。也就是說，產業特點和市場規律決定了大型民用飛機市場上最多只能容納兩三家企業。這個規律同樣適用于大模型行業，所以隨著大語言模型的不斷演進，就逐漸形成了這樣一種收斂的競爭格局。當然，也有人認為目前的人工智能技術路線會遇到天花板，屆時競爭格局還會生變，不過至少現在我們尚未看到。

趙福全：安博士，那中國的情況會怎樣呢？現在有個說法，叫做“百模大戰”，中國真的有那么多大模型嗎？為什么和美國相比，我們大模型的數量會如此之多？您認為，最終中國會有多少個大模型？

安筱鵬：我個人判斷，國內大模型行業未來可能會與美國差不多，只有少數幾家企業能留在這個賽道上。今天很多人都在講“百模大戰”，但其實中國并沒有“百模大戰”，甚至沒有“十模大戰”，不少所謂的大模型并不是真正的大模型。在我看來，當前中國真正在大語言模型主賽道上的企業可能只有五六家或者稍多一點，這是符合產業發展和市場競爭規律的。

基于大模型構建行業專業模型有多種不同方式

趙福全：下面一個問題，大模型和專業類模型之間的共性連接體現在哪里？或者說，大模型是如何支撐及驅動專業類模型進步的？專業類模型又是怎樣補充及拉動大模型發展的？您覺得在專業類模型的開發過程中，應該如何在思路、方法和手段上與大模型有效地結合呢？

安筱鵬：首先，專業類模型的開發有兩種類型：一種是使用開源大模型，即基于開源的大模型，結合本行業的知識、經驗、方法以及核心技術等，開發出相應的專業類模型，部署在公有云或者私有云上?，F在有很多開源模型都可供使用。另一種是為解決某個行業的特定問題，在基礎大模型之上開發專業類模型。具體可以是法律、醫療、教育、汽車等的任何一個行業。

后一種類型的具體實現路徑又有四種：

一是SFT即監督微調方式。就是基于一個基礎大模型，用特定行業的專業術語進行微調。通過該行業的大量數據訓練之后，就可以得到某個領域的專業模型。比如，律師事務所可以訓練律師行業的專業模型，包括刑法、婚姻法、知識產權法等各個細分領域。這種SFT方式對成本和人才的要求較高，訓練周期也比較長。

二是RAG即檢索增強生成方式。這種方式不需要專門訓練模型，只要把某個行業現有的知識、經驗以及結構化和非結構化的數據等做成外掛系統，然后通過檢索增強技術，使其與大模型結合起來，就可應用于專業領域。例如生成一份醫療報告、一份法律文本或者一個汽車外形等等。這相當于把專業知識與基礎大模型進行了整合。

三是Promote Engineering即提示詞工程方式。通過設定合適的提示詞，來提高大模型解決特定行業問題的能力。這種方式比較簡單，同時效果相當不錯。也就是說，提示詞工程是一種成本投入較低、產出效果較好的大模型應用方式。

四是Agent即智能體方式。這種方式相對比較復雜，需要開發面向特定行業的智能體。以汽車產業為例，如果把大模型比喻為發動機，那么還要給發動機配上底盤、車身、輪胎等等，在安裝調試好之后，汽車才能行駛起來。同樣的，只有大模型解決不了專業問題，也要給它配上周邊系統，如感知系統、記憶系統、執行系統等，并經過調試后，才能使其具備解決特定問題的能力。所有這些要素及資源整合在一起，形成的能夠解決某個特定問題的整體，就是一個智能體。目前，這種方式的相關技術還在迭代和演進中。

以上就是當前專業類模型與大模型相結合的四種方式，每個行業及企業在面對特定問題時，都可以選擇其中一種方式來構建所需的專業模型。當然，基礎大模型的能力還在演進中，基于大模型構建專業類模型的技術也在演進中，未來二者的結合可能還會有新的變化。

大模型已由大語言模型向多模態融合大模型演進

趙福全：安博士講得非常透徹。目前關于大模型，業界還有一個問題存在爭議，就是有些專家認為“大模型”這個名稱不太準確，可能會造成誤導，實際上應該稱為LLM即大語言模型。畢竟名稱可以傳遞很多重要信息。比如現在電動汽車不再有傳統發動機了，可依然被稱為“汽車”，在某種意義上也是在強調其交通工具的屬性并沒有改變。對此，您是怎么看的？

安筱鵬：我是這樣理解的：大模型的“大”，主要是指模型的參數多，且“參數越多，效果越好”，這是一個普適規律?；谶@一規律構建的模型最初就是針對語言的，即大語言模型。不過除了語言之外，對于圖像的識別和理解也是一樣的，比如提供一張照片，模型就能識別出上面顯示的是什么地方，或者為其配上一段說明文字；其他諸如音頻、視頻等的處理，也完全適用于上述規律，都可以構建相應的大模型，這就是所謂的不同模態。當然，此前最重要的大模型還是大語言模型。

而現在大模型的發展方向之一就是把各種模態進行集成，尤其是OpenAI公司今年剛剛發布的GPT-4o，已經整體集成了這幾種模態。為什么說是整體集成呢？我們不妨對比一下此前的大模型，比如GPT4，可以與人進行語音對話。不過在其內部每輪對話都是通過三個模型協作來完成的：你問一個問題，大模型先用a模型把你的語音轉換成文字，并傳遞到b模型；然后b模型針對你的問題給出文字形式的答案，并傳遞到c模型；最后c模型再把文字轉換成語音，反饋給你。所以，盡管對你而言，就是用語音問了大模型一個問題，然后得到了它的語音回答，但其實這背后是經過了轉換的，而在轉換過程中就難免會產生時延、偏差等問題。與此同時，你在說話時可能還打了手勢、做了表情，而這些信息都被屏蔽掉了，大模型僅僅采集了語音信息。

而現在的GPT-4o，可以同時采集你的聲音、手勢、動作和表情，然后把這些信息集成起來作為輸入，這樣其能力自然就更全面、也更強大。此外，它的輸出主要是語音，但也可以有表情，顯示出喜怒哀樂等情緒，這意味著其輸出也是多模態的。顯然，這是一個非常重要的變化。

趙福全：關于大模型和專業類模型的話題，是所有產業的模型應用者以及潛在應用者，也包括AI大模型的推動者，都非常關注且必須面對的問題。而這其中涉及到的一些重要概念，大家的理解可能還不太一樣。剛才通過與安博士的交流，我們澄清了概念、理清了邏輯。特別是安博士的分享既專業嚴謹，又淺顯易懂，更融入了自己在這方面的獨到理解和深刻感悟，相信大家肯定都很有收獲。下面，我簡單做個小結。

實際上，專業類模型并不是新生事物。早在ANI弱人工智能時代，很多行業就已經有專業類模型了，可以解決特定領域的某個問題。這種專業類模型的效果通常都還不錯，問題在于只能解決特定的問題，無法向其他領域拓展，因此有明顯的局限性。另外，這種專業模型后續不斷升級的工作量也很大，其投入產出比是比較低的。

當大模型出現之后，我們開始進入AGI強人工智能時代。大模型在數據、算法、算力等方方面面的能力都有了革命性的提升，可以作為普適的、通用的AI基礎模型，像基礎設施一樣發揮作用?；贏I基礎模型，各行各業的專業人士可以開發各自的專業模型，或者說垂直模型，從而將大模型應用到各個專業領域。但是此專業模型非彼專業模型，因為其基礎不再是ANI模型了。新的專業類模型一定是基于AGI大模型的，是使用了大模型這一基礎設施的。這個差別非常大，就好比同樣是汽車，但跑在高速公路上和跑在鄉間小路上，速度是完全不同的。在此情況下，如果企業沒有基于大模型來做專業模型，那就和以前沒有區別，雖然也可以做出來，但模型的能力及潛力都會非常有限；而如果企業以大模型為基礎來做專業模型，其模型效果以及拓展性就會有質的提升。這就是我作為一個IT業外人士的理解。

可見，大模型是專業類模型的基礎。而更多的專業類模型基于大模型開發，又可以讓大模型發揮更大的作用。這一點至關重要，因為如果只有大模型而沒有專業類模型，大模型在整個經濟社會中的影響和價值也會大打折扣。就像百度董事長李彥宏總最近強調的，沒有應用模型的基礎大模型，無論是開源還是閉源的，都一文不值。所以，希望各個行業、眾多領域的專業模型能夠百花齊放。為此，做專業模型的人要擁抱大模型，而做大模型的人也要擁抱專業模型，雙方相向而行、共同奔赴理想的目標。

在這個過程中，我們必須清楚，大模型并不是誰都能做的。因為開發大模型需要規模超乎想象的算力、數據、人才和資本等資源，而且不是一次性的投入，后續還要不斷迭代、優化才能確保持續引領，這遠非一般企業所能承受。所以，真正有能力做大模型的企業數量將非常有限，而其他企業更應該把資源用于專業類模型的開發。正因如此，最終大模型的數量不會很多，事實上也不需要很多。這就像高速公路不需要到處都有，且一定是在政府主導下由大企業來建設的；相比之下，鄉間小路由村里集資就可以建了。

至于到底應該叫大語言模型還是大模型，如果從人工智能進入AGI階段的高度來看，叫大模型應該要比大語言模型更有普適性，也更有指引意義。另一方面，雖然大模型最初主要就是大語言模型，但是目前早已拓展到語音、圖像和動作等更多模態了，甚至已經有大模型能夠集成處理不同模態的信息，并產生相應的數據訓練模型了。所以，簡單地叫“大語言模型”可能會有一定的局限性。當然，無論是開展實際工作的專家，還是從事相關研究的學者，都更應該注重大模型的發展及應用，而沒必要過分關注其稱謂。

多主體協同的產業生態將支撐大模型得到更好應用

安筱鵬：我再補充一點，就是未來人們使用大模型時會形成一個供給側與需求側互動的生態。事實上，大模型的應用一定是一個多主體聯動的過程，其中只有一部分情況是大模型直接提供服務，即所謂API（應用程序編程接口）方式，而更多、更復雜的業務場景涉及到多個利益主體、多條技術路線的不斷協同和反復互動，要靠各方有效協作來為客戶提供服務，這就構成了生態。如果以足球比賽類比，大模型企業就像是守門員，通常無法一腳直接把球踢到對方的球門里，而是要與球隊的后衛、中場、前鋒等一起配合來取得進球。

趙福全：安博士強調的這一點非常重要。我之前曾經多次講過，在萬物互聯的時代，各類不同主體將有效協同、相互賦能，共同驅動整個人類社會邁入超級智能時代。屆時每一個人造物都將是互聯的，且由人工智能賦能，從而構成了智能化的大環境，可以使其中的每一個人造物都把智能化的能力發揮到極致。所謂車路協同也是同樣的道理，即智能的車必須跑在智能的路上，而智能的路也只有當智能的車行駛時才能體現出其智能的價值。由此，道路、車輛、車內外的人員以及網絡、云端等所有智能的主體，將互聯而成一個超級智能的大生態。參與其中的各類主體相互協同，把各自的力量都融合到一起，最終實現1+1+1遠大于3的效果。

安筱鵬：是的，各類企業都有自己的優勢。到了人工智能大模型廣泛應用的時代，生態系統本身就是企業競爭與合作的一種必然形態?，F在中國和美國都有很多開源社區，比如阿里的開源社區叫做魔搭社區?，F在可能有很多人對這種生態還沒什么認知，實際上其作用是巨大的。我經常舉一個例子，要攀登珠穆朗瑪峰，從地面一直爬到山頂的難度非常大，但如果從海拔5200米的珠峰大本營出發，爬到山頂就容易多了。

同樣的道理，包括開源的軟件、大模型、社區等在內的生態，就像一架直升機，可以先把你從地面運到珠峰大本營，然后你再爬完剩下的3000多米，這自然可以幫你節省很多體力或者說資源。實際上如果沒有生態這架直升機，你可能永遠都無法登頂。目前美國在AI領域就有很多這樣的“直升機”，可以把企業直接運到“珠峰大本營”，這就大大降低了AI應用的門檻。中國在這方面也需要加緊努力，因為對于一個國家或地區的大模型普及應用來說，繁榮的產業生態至關重要。

數字化轉型的收益難以預期，但不轉型的風險無法承受

趙福全：安博士，下面我們來討論一個令很多企業苦惱的現實問題。當前幾乎所有的企業都宣稱要實施數字化轉型，然而我看到過一組統計數據，事實上數字化轉型成功的企業比例并不高。當然，究竟怎樣才算成功，這本身也是“仁者見仁、智者見智”的，不過有一點是確定無疑的，那就是總體上多數企業數字化轉型的成效都不理想。說起來，數字化轉型似乎已經成為企業領導講話時一定會談到的話題，可是這些企業領導真的有數字化轉型的正確理念和堅定決心嗎？這可能也是一個問題。所以我曾經講過，數字化轉型首先應該是領導力的轉型，這比其他任何方面都更重要。那么，對這個問題您是怎樣看的？

安筱鵬：我想先講講企業數字化轉型的邏輯起點問題，就是說，企業為什么要進行數字化轉型？前面我們其實已經從社會和產業的角度談過了，現在不妨換成企業的角度，從董事長、總經理等公司決策層的視角來審視一下數字化轉型。

決策層對數字化轉型有兩種不同層面的思考：一是數字化能夠給企業帶來什么收益，比如產品智能化水平升級、市場份額增長、客戶粘性提高、質量改善、效率提升、成本降低以及供應鏈優化等等，即為了收益而轉型；二是不得不轉型，我把它概括成一句話：不是因為轉型的收益可以預期，而是因為不轉型的風險難以承受。

為什么這么說呢？一方面，數字化轉型所能獲得的收益存在不確定性。首先，數字化轉型是一場創新，而創新都有失敗的風險。反過來講，如果數字化轉型沒有本質性的創新，那它也就沒有多大意義了。其次，數字化轉型高度復雜，絕不是買一組設備或上一套軟件就可以解決的問題。最后，數字化轉型的投入往往極大。如果企業要為數字化轉型投入幾千萬甚至上億元，還有大量的人力、物力，卻不能百分之百地保證會獲得成功，那決策層難免心存猶疑。

另一方面，如果企業不進行數字化轉型，其損失和風險則是確定的。之前我們講到，現在市場需求正變得日益個性化、實時化、場景化，如果沒有數字化手段予以應對，企業將面臨什么后果？我想無外乎四點：一是市場失焦，企業無從知道客戶到底需要什么；二是營銷失語，企業不知道自己的廣告等傳播應該講給誰聽、通過什么渠道講以及講完之后效果如何；三是管理失衡，面對更加復雜的用戶需求識別系統、研發系統、制造系統、供應鏈系統等，企業的資源配置及調度一定非常低效；四是增長失速，企業的增長速度會趨于緩慢甚至完全停滯下來。

也就是說，企業如果進行數字化轉型，不一定能獲得收益；但不進行數字化轉型，一定會遭受損失，這是一個兩難的選擇。實際上，很多企業之所以最終下決心實施數字化轉型，并不是為了獲得明確的收益，而是擔心不這樣做大概率會被市場淘汰。說到底，數字化轉型本身就是一場競爭。即便企業的決策層不想主動選擇轉型，但是考慮到其他企業可能會憑借轉型獲得實際或潛在的優勢，從而超越自己，這樣的風險是自身絕對無法承受的，那么也只能被動選擇轉型。

由此出發，我倒覺得，企業應該換個角度來考慮這個問題：既然數字化轉型是不得不做的戰略選擇，那為什么不主動選擇轉型、做好系統謀劃呢？

數字化轉型事關企業戰略定位，是全局性的系統工程

趙福全：前面我們談到，數字化轉型既需要數字化的技術手段，也需要支撐數字化的組織架構，任何一個方面有所偏廢都不可能成功。不過即便企業在這兩個方面都做了努力，結果依然可能不盡如人意。當然，這其中或許有時間問題，即近期暫時沒有明顯效果，而長期就截然不同了。說到這里，我想問問安博士，為什么企業的數字化轉型會這么難呢？究竟是難在技術手段上，還是思維方式上，又或者是資金投入上？后續我們應該怎樣突破？

安筱鵬：數字化轉型確實不容易成功，或者說極富挑戰性，我認為其根本原因在于，數字化轉型是一場比誰跑得更快、更遠的競賽。數字化轉型的終極目標是滿足用戶的需要，即企業以更高的質量、更低的成本、更快的速度、更精準地持續滿足用戶的個性化需求。在轉型過程中，企業成功與否并不是要和自己比較，而是要和競爭對手比較，看誰能更好地服務用戶，這才是數字化轉型的本質訴求。因此企業要變革的絕不僅僅是技術手段，諸如購買ERP（企業資源計劃）管理軟件或者數控機床、應用人工智能技術、加強數據分析等，都只是在解決具體的技術問題，并不足以確保企業實現領先，畢竟競爭對手同樣可以這樣做。也就是說，數字化轉型涉及到技術，但絕不只是一個技術問題。

在我看來，企業實施數字化轉型，最重要的是重新思考自身的戰略定位——我是誰？如果我們把優秀企業數字化轉型的理念和方法提煉出來，會發現共同點是這些企業都重新定義了“我是誰”。并且這個定義都包含了兩點：一是企業要成為客戶運營商；二是企業要成為數據運營商。

先說客戶運營商，像中國電信和美國AT&T(美國電話電報公司)這類公司就是客戶運營商。一直以來，客戶運營商的特點就是追求實時感知客戶需求、實時響應客戶需求、極致滿足客戶需求。而到了今天，我認為，無論是化妝品、服裝公司，還是汽車公司，各個行業的企業都可以基于數字化轉型成為客戶運營商，或者說都應該具備以下三種能力：

第一，實時感知客戶需求。這里所說的需求可能來自于已經購買了產品的客戶，也可能來自于潛在的客戶。第二，實時響應和滿足客戶需求。比如用戶在使用某款汽車產品的自動駕駛系統時，出現了一點問題，相關信息會立即反饋給車企，車企很快就能在后續迭代更新的軟件版本中把這個問題解決掉。這就是對客戶需求的實時響應和滿足。第三，極致滿足客戶需求。就是要讓客戶的體驗越來越好，這同樣是客戶運營商的核心內涵之一。

由此出發，企業決策層首先要在戰略層面上思考，我們是不是一家客戶運營商？有沒有具備上述三種能力？事實上，這三點說起來容易，做起來是非常困難的。企業要形成這三種能力，唯有構建起自己的一套數字化系統，基于數據、利用軟件等工具，才能實時感知、響應和滿足客戶需求，并提供極致的客戶體驗。這樣一來，企業自然也就成為了數據運營商。至于具體是使用ERP或CRM（客戶關系管理）系統，還是應用什么人工智能技術等，都只是手段而已，必須服務于上述目標。也就是說，成為客戶運營商和數據運營商，是企業在戰略定位和經營理念上必須做出的轉變。以此為目標，企業再考慮如何在技術路線和方法手段上做出相應的轉變。

總體來說，企業在轉變了戰略定位和經營理念之后，必須依靠兩個支柱來支撐其數字化轉型：一個是全新的數字基礎設施體系，包括各種硬件和軟件；另一個就是全新的組織與管理體系。因為生產力已經改變，所以生產關系，特別是企業的組織，也必須隨之改變。面向數字化轉型，企業組織變革的任務就是要建立一個開放型、自驅型、生態型、自組織不斷涌現的全新組織；其目標就是要激發所有員工的積極性、主動性和創造性，包括研發、生產、銷售、服務以及管理等崗位上的每一名員工。只有當員工的活力都被充分激發出來，企業的數字化轉型才能取得成功。

可見，數字化轉型是一項全方位的系統工程，企業不僅要將自身定位轉變為客戶運營商和數據運營商，而且還要構建全新的數字基礎設施和匹配數字化的組織架構。為此，企業必須從認知、理念、組織、管理以及技術、工具等各個方面多管齊下、協同推進。如果說企業的數字化轉型挑戰巨大，那么其根本原因可能就在于此。

趙福全：當前企業普遍感到數字化轉型非做不可，如果不轉型會很焦慮；但是轉型動力又不太足，轉型中的企業也往往因為效果不佳而糾結。而安博士上面這段分享幫我們理清了數字化轉型困難的本質原因。實際上，數字化轉型意味著企業商業運行的底層邏輯以及企業之間的競爭模式都將發生質變，因此是極其關鍵的戰略問題，同時也是高度復雜的系統工程。

一方面，數字化轉型是企業非做不可的事情，也是企業根本性的戰略定位和戰略選擇問題，主要原因有以下三點：

第一，數字化是一條全新的賽道，需要大量基礎性的投入，且并不直接提升企業的競爭力。不像企業多開幾家零售店，馬上就能多賣出幾十輛車。數字化轉型的前期投入是巨大的，而其效果是間接的、滯后的。例如數字化營銷之所以能夠提升銷量，是要在數字化后臺的支撐下，收集用戶需求，反饋到銷售部門，使其營銷活動更加精準；而不是直接把用戶需求信息轉變成銷量。所以如果只是就事論事，或者只關注短期影響，那數字化轉型的效果肯定不盡如人意。但是企業如果不轉型，就等于停留在老賽道上，那一定是沒有未來的。

第二，商業競爭倒逼企業“不得不”轉型。競爭一定是企業之間的較量，而不是企業自我比較。比如此前有的車企認為不做新能源汽車，照樣可以銷售燃油車，結果隨著其他車企新能源汽車的熱銷，這些企業就錯失了電動化的機遇，陷入到困難的境地。類似的，現在有的車企認為不做數字化轉型，照樣可以實現產品的提質增效降本，其結果恐怕也是一樣。以質量為例，企業如果已經把產品質量做到行業一流了，然后還沿著既有模式追求更高的質量，那么投入就會越來越大，而質量改進的效果卻越來越小，意義有限；同時，如果競爭對手轉換了賽道，通過數字化的新模式來改進質量，那就能夠以同等的投入實現更高的質量，或者以更少的投入實現同等的質量，從而具備更強的質量競爭力。這就像那個大家耳熟能詳的故事，兩個人在野外遇到了熊，一個人先系鞋帶，不是要比熊跑得快、而是要比另一個人跑得快，這樣才能活命。

第三，企業經營的基本理念必須改變。原來市場變化沒有那么快，也沒有實時準確獲取及識別用戶需求的手段。所以，企業只要把產品設計好、造好就可以了，或者說，企業按照在某個領域內努力做大做強的經營理念和固有模式推進即可。然而未來市場需求千變萬化，且不斷有新的需求出現，甚至有時候連用戶都不清楚自己想要什么。這就需要企業通過數字化手段實時感知和準確識別用戶的需求，甚至創造出用戶意想不到的新需求。用喬布斯的話來說，就是要引領需求，創造讓用戶驚喜的產品。顯然，沒有數字化手段根本不可能做到這一點。更進一步來說，今后企業不僅要“做好”產品，還要讓消費者“用好”產品，即提供“產品+服務”的最佳體驗。為此，企業需要形成經營用戶的理念及能力，在用戶使用自身汽車產品的同時，為其提供眾多衍生的相關產品及服務。在此過程中，企業可以持續推送內容，可以不斷迭代優化產品，還可以吸引消費者使用關聯產品及服務。這意味著企業的商業模式和以前單純銷售產品時完全不同了，將會發生質的改變。而在新的商業模式背后，企業基本的商業邏輯以及相應的組織、流程等，都必須隨之改變。

綜上，數字化轉型對于企業來說，不是可做可不做，而是非做不可，否則競爭對手都在做而你不做，企業就會失去未來可持續發展的機會和能力。正因如此，即使近期數字化轉型的效果不佳，企業也不能輕易放棄。我認為，這一點至關重要。

另一方面，數字化轉型是全局性的系統工程。為了實現新的商業模式，企業不僅要使用數字化的技術手段，還要重新構建起新的組織關系，這既包括企業內部各部門之間的協同方式，也包括企業與外部伙伴之間的合作模式。畢竟市場環境已經完全不同了：原來只能是一線員工聽從坐鎮總部大樓的高層們發號施令，以確保步調一致，沒有更好的辦法。而現在面對用戶每天不斷產生的新需求或者新抱怨，企業要讓一線員工擁有相應的決策權，即所謂“讓聽得到炮聲的人決定怎樣戰斗”；同時企業還要積極擁抱用戶需求的千變萬化，讓全體員工都實時感知到這種變化，并為響應這種變化而共同努力。這些都只能通過實施數字化轉型，依靠數字化手段來實現。舉個簡單的例子，原來企業要快速上傳下達，只能把員工都召集起來開全員大會；而現在基于數字化手段，根本無需開會，就可以第一時間讓公司每個人都了解相關信息。試想，如果沒有數字化手段作為支撐，企業怎么可能做得到快速反應呢？

此外，數字化轉型作為全局性的系統工程，將全方位地提升企業的綜合能力。不過其整體效果是由各方面的舉措逐步疊加而來的，開始時并不明顯，但最后會呈現出指數級數的提升。所以，企業不要簡單地覺得自己采用了多少項數字化技術，或者調整了多少次組織架構，馬上就會有立竿見影的結果。事實上，數字化的技術手段也好，匹配數字化的組織架構也罷，都需要不斷積累和持續優化，最終這些積淀都會體現在企業對市場變化的反應速度、對產品品質的控制水平以及對客戶需求的滿足程度上，或者說會體現在企業整體經營的提質增效降本上。

這就是安博士剛才所講的，數字化轉型可以優化企業資源配置的效率，提升企業長期可持續的競爭力。而我們現在看到的，還只是數字化從0到1的變化，很多場景都還沒有實現。所以，我們完全可以期待未來數字化從1到100甚至從100到10000的更大變化。到那個時候，整個社會都將完成從量變到質變的數字化轉型，從而釋放出巨大的潛能。

安筱鵬：趙院長剛才的闡釋，又讓我想起了一個案例。上世紀90年代，美國《計算機世界》雜志評選出了25位改變世界的IT領域商業領袖，其中與比爾·蓋茨、喬布斯等人同時入選的有一位叫馬克思·霍珀（Max Hopper），他曾擔任美國航空公司（AA）的CIO（首席信息官），也被稱為CIO這個職位的鼻祖。馬克思·霍珀在上世紀七十年代請IBM公司為其制作了一套信息化的訂票系統，實現了與美國航空公司原有優勢的完美結合，顯著提升了公司的核心競爭力。正是這個前瞻性的舉措及業績，使馬克思·霍珀成為與比爾·蓋茨、喬布斯同等量級的商業領袖。

后來當時美國排名前五的航空公司，除了第五大的人民捷運航空（People Express）外，都引入了類似的信息化訂票系統。而人民捷運航空最終破產，被其他公司收購了。其董事長在回憶錄中說，我們以為IT無關緊要，事實上它卻事關公司的生死。也就是說，早在上世紀的七八十年代，IT就已經能夠決定企業的成敗了?；仡欉@樣的歷史有助于我們把握今天的情況。

回到現在的汽車行業來看，記得有一家汽車公司的高管曾經講過這樣一個觀點：凡是沒有把“軟件定義硬件”作為核心理念的汽車公司，都還只是傳統企業，無論采用了多少新技術。該觀點或許可以商榷，不過我覺得這個看待問題的角度還是值得我們深思的。

說起來，我們應該如何定義什么才是數字化的汽車公司或汽車產品呢？所謂“軟件定義硬件”，對汽車產品究竟有什么影響？而被軟件定義了硬件的汽車，到底是電子產品還是機械產品？如果汽車已經是電子產品了，那么其迭代周期應該是多久？設計開發、生產制造、供應鏈管理以及新品發布、定價策略等，是不是全都需要改變？所以，“軟件定義硬件”看起來只是很簡單的一句話，實際上卻意味著企業經營理念的根本性轉變，并將由此帶來整個產業鏈各個環節的全方位變革，這才是當前我們必須要面對的現實情況。

趙福全：安博士講的這一點非常重要，我也談談自己的理解。對于數字化轉型，如果就手段談手段，那就太局限了。當然，數字化本身是一種手段，包括軟件、硬件（傳感器、芯片等）、算法、算力以及云、網等等，都是這種技術手段的一部分。從這個角度看，委托相關科技公司來提供技術就可以了，似乎汽車企業并沒有太多事情要做，也無需深度參與，只要拿來應用即可。

但事實上，數字化遠遠不只是手段，它將催生出新的生產要素，促進新的生產力快速發展、并帶來與之相匹配的新的生產關系。新生產關系將支撐新生產力背后的各類不同主體有效協同、緊密合作，實現多種資源的優化重組。這將是一場全方位的系統性變革，既涉及到企業內部的組織架構調整，又涉及到企業外部的商業模式創新。所以，我們不能只把數字化看成手段，而是要站在企業、產業乃至整個社會革命性變化的高度來審視數字化。如果沒有這樣的認知高度，我們只從近期看一個問題、一件事情、一家企業，自然會感覺到數字化轉型的效果不明顯，或者投入產出比很低。

而如果認識到數字化將會帶來全新的人類社會，各行各業都將隨之巨變，那爭論到底是傳統企業、還是新科技公司也就沒有意義了。因為未來所有企業都必須以數字化的理念和手段來武裝自己，升級成為擁有新生產要素、新生產力和新生產關系的新型企業。也就是說，即便是今天的新科技公司，不進行數字化轉型也照樣會逐漸落后，最終被時代淘汰。反過來講，汽車企業雖然本身并不產生數字化科技，但只要選擇合適的合作伙伴，如擁有人工智能、數據處理等數字化技術的科技公司，并結合自身的獨特優勢和經驗，向著數字化轉型的目標共同努力，照樣可以老樹開新花，最終在競爭中脫穎而出。

整個汽車產業體系的智能化步伐正在全方位加速

趙福全：在實體經濟中，汽車是最具代表性的產業，其產業鏈條長、關聯領域廣、拉動效應大，因此被譽為現代工業皇冠上的明珠。剛才我們談到傳統企業和新科技公司，擁有一百多年歷史的汽車產業無疑屬于傳統制造業；不過與此同時，汽車又是戰略性的新興產業。事實上，在制造業數字化轉型的進程中，汽車產業是重中之重的載體和龍頭，這一點已逐漸成為行業內外的共識。那么作為數字化方面的專家，您怎樣看汽車產業未來的發展呢？

安筱鵬：趙院長是汽車行業的長期從業者和大專家，我其實是外行，只能從外行的視角來看汽車產業。應該說，汽車在現代工業體系中是一個不斷擁抱新技術、而且體量巨大的重要產業。據我觀察，當前汽車產業的發展趨勢就是電動化和智能化，此前幾年主要是電動化，而現在及未來更多的是智能化。這里所說的智能化是一個多元化的大理念，包括大數據、人工智能、云計算等多種技術。我想，不妨從產業發展的風向標來看看。

第一個風向標是今年1月在美國拉斯維加斯舉行的CES（Consumer Electronics Show）即消費電子展。我從2014年起多次參觀過CES展，感受到一個很大的變化，那就是這幾年展館里幾乎全都是各大汽車廠商以及汽車電子設備、芯片等廠商，讓人搞不清這到底是一個電子展，還是一個汽車展。后來與主辦方美國消費電子協會交流時，他們自己也說，現在CES展的這個C已經不是Consumer，而是Car了。也就是說，汽車已經成為CES展的主角。而今年美國CES展的一個關鍵詞就是AI，具體就是指產品的智能化，或者說，智能化驅動產品力全面提升。

第二個風向標是今年4月在德國召開的漢諾威博覽會。大家知道，德國的工業4.0就是在十年前的漢諾威博覽會上提出的。而在今年的博覽會上，我與很多參會的朋友們都有一個共同的體會：數字技術尤其是人工智能技術，成為了不同企業、不同專家發言時最高頻的關鍵詞。同時我看到，在最重要的一個展館里，一邊是德國的寶馬、奔馳、西門子等傳統制造企業，另一邊是美國的谷歌、微軟、英偉達等IT企業。而這兩個國家的“新舊”兩類公司正緊密地結合起來，傳遞出共同的核心內容，即數字化特別是人工智能帶來的變化。例如西門子在2023年GPT-4剛剛發布的時候，就與微軟合作，將其應用到工業軟件中，優化相關產品的迭代升級，包括產品全生命周期管理（PLM），也包括集中分散控制系統（PRC）等。又如，寶馬公司與英偉達深度合作，構建了數字孿生工廠；而英偉達現在講自己的數字孿生、人工智能技術時，一定會講到寶馬的案例，將其作為數字技術深度應用的樣板和方向。前面我們討論了數字技術應用的兩個方向，即產品力和生產力?？雌饋?，美國科技公司更多看到的是產品力，而德國制造企業更多看到的是生產力，而這兩個方向目前都在發生革命性的變化。

從這兩個國際展會也即全球先進技術的兩大風向標來看，今天全球都在深度探討人工智能技術的發展，尤其是整個汽車產業體系的智能化步伐正在全方位加速。當然，汽車企業的高管和專家們主要講自動駕駛、智能座艙、智能制造等等，可能在他們看來，這更多屬于原有技術軌道上持續的迭代升級。不過由于現在人工智能出現了新一輪技術革命，原有的技術軌道疊加了具有全新能力的人工智能之后，其能力和水平將顯著提升，從而會創造出很多新的價值。如果用一句話來概括，那就是：原有的汽車智能化賽道正在新人工智能技術的賦能下不斷加速，并將由此催生出各種新技術、新模式、新業態。這就是我對汽車智能化未來發展的一個總體判斷。

趙福全：安博士剛剛說，我是汽車產業的從業者，而您是外行。其實現在早已經是大汽車產業了，汽車要擁抱IT，IT也要擁抱汽車，特別是未來人工智能將賦能包括汽車在內的各行各業。從這個角度來講，凡是從事與汽車產業、產品、技術等相關工作的同仁們，都是大汽車產業的一員。所以，您也不是外行。

在這種相互融合的大趨勢下，原本就高度復雜、涉及廣泛、集大成的汽車產業，邊界還在不斷擴展，范疇還在持續擴大。反過來講，與汽車相關的諸多行業、領域，如果不能充分考慮汽車產品和技術等的需求，不關注和參與汽車產業，恐怕就會錯失自身轉型發展的戰略機遇，其價值和影響將大打折扣。就人工智能賦能制造業而言，汽車無疑是應用最困難而價值又最高的產業，一旦解決了汽車行業的問題，也就解決了制造業百分之七八十的問題。

剛才安博士談到，您在參加不同的國際展覽會時切實感到，人工智能正賦能汽車產業加快創新發展。一方面是產品力的提升。說起來，汽車是非常復雜的產品系統。整車本身是產品，整車下面的各個關鍵總成是產品，總成下面的各個零部件也是產品，這些數量眾多的小產品共同構成了整車這個大產品。而每一個總成乃至零部件，無論是空調還是顯示屏，都有獨立的功能，都可以在人工智能的賦能下更好地發揮作用，然后再集合起來，就可以讓汽車產品更安全、更節能、更環保、更便捷、更舒適，以及讓消費者用車時更愉悅。也就是說，人工智能對汽車產品力的賦能是多層級的，其作用至關重要。

另一方面是創造汽車這種復雜工業品的能力本身得到大幅提升，您稱之為生產力，我更喜歡稱作創造力。毫無疑問，沒有好的創造力就不可能有好的產品力，創造力會提升產品力；反過來，產品力也會拉動創造力，二者之間是雞和蛋的關系。而人工智能提升創造力的作用同樣至關重要。正是得益于人工智能對產品力和創造力的雙賦能，汽車行業在數字化時代將迎來空前廣闊的發展空間。

數字化正在重新定義汽車企業的核心競爭力

趙福全：我之前曾經講過，當前汽車產業的情況可以概括為三句話。一是“聽起來很熱”，數字化和智能化的前景尤其讓人心潮澎湃，吸引了大量資本和科技公司不斷涌入；二是“看起來很亂”，數字化和智能化的核心技術及能力涉及到大大小小的各類不同企業，相關的業務既有芯片、先進傳感器等新增硬件，更有各種軟件、操作系統以及復雜的軟件平臺等，很多不同層面的問題交織在一起，看起來非常亂；三是“做起來很難”，每一項核心技術都必須有效落地，同時還必須確保各項技術融合起來達到良好的效果，這其中涉及到資金投入、人力部署、知識產權、產品管理以及責任劃分等諸多難題。以責任劃分為例，原來汽車產品出現問題基本上都是因為硬件，即使問題是嵌入硬件的軟件造成的，責任也是清晰的；而現在軟件所占的比重越來越大，并且軟件與硬件逐漸相互解耦，這時候如果出現問題，責任就變得模糊了。例如自動駕駛汽車的制動失靈導致發生碰撞事故，這可能是制動器硬件出現了故障，也可能是調用制動器的軟件出了問題，還可能是該軟件受到了其他軟件的影響，此時具體責任應該怎樣判定以及如何處理，就需要全新的方法和規范了?？梢?，企業在數字化和智能化轉型的道路上，將面臨全新的挑戰。

上述情況之所以會出現，根本原因在于，汽車產業邊界正在不斷擴展，汽車核心技術正變得日益多元。特別是汽車產業必須與大智能產業緊密地融合起來，要應用數據技術、網聯技術、云技術、大模型等各種智能技術，還要解決芯片、操作系統等各類關鍵問題。這些技術都是汽車企業此前并不擁有的，今后也很難或者說不宜擁有，卻是ICT科技公司所擅長的。因此，汽車產業必將涌入新的重要參與者，形成新的競爭格局。這就讓汽車企業倍感糾結：究竟哪些核心技術應該自己掌握，又有哪些核心技術只能借助外力？事實上，車企原本引以為豪的傳統汽車核心技術，如發動機、變速器等，其重要性已經由于汽車電動化而大幅下降了；而智能化給汽車核心技術帶來的影響可能會更大。

在這種情況下，安博士，您覺得大智能產業與汽車產業之間的邊界應該怎樣劃分？在數字化和智能化時代，汽車核心技術到底包括哪些？又應該由哪類企業掌握呢？

安筱鵬：這是一個很大的話題，可以講的內容非常多。

趙福全：您可以分享一下結論性的觀點。實際上，安博士對傳統汽車產業來說是局外人，而對新汽車產業來說又是局內人，您有自己獨特的視角，這也是我邀請您來參加本期對話的原因。在產業變革之際，AI產業和汽車產業究竟怎樣分工才最合適？汽車產業應該做多少？AI產業又該做多少？說起來，業界對此也不乏爭議。有一種說法是軟件將賦予汽車靈魂，因此ICT公司對汽車企業會構成降維打擊，傳統汽車制造業已經沒有多少發展空間了；另一種說法是汽車硬件始終是基礎，如果沒有汽車企業打造的底盤、車身以及制動、轉向等硬件，軟件何以依托？那豈不成了“孤魂野鬼”？您怎么看這些觀點？

安筱鵬：我先說一個結論——數字化或者說人工智能正在重新定義汽車企業的核心競爭力，不過這一定義是一個持續的過程，需要放在足夠長的時間尺度上來看。就近期而言，我們更應該關注數字化在汽車產業各個細分領域應用的情況。我認為主要有幾個方面：一是自動駕駛，二是智能座艙，三是汽車制造體系。前兩個主要影響產品力，后一個關乎生產力，也就是您說的創造力。

這其中自動駕駛應該是當前業內討論最多的，而以我從外部視角的觀察來看，AI正在引發自動駕駛技術路線的重大轉變。2023年9月，馬斯克曾經在全球1200萬網民的關注下展示了特斯拉當時最新的自動駕駛技術。我認為，馬斯克從車里走出之后說的那句話非常關鍵。他說，我的工程師們從來沒有寫過任何一行代碼來讓車停在什么地方，但車總是停在它應該停的地方。這句話表明AI大模型開始與自動駕駛關聯了，端到端的技術路線呼之欲出。

以前的自動駕駛技術路線，包括特斯拉的FSD 11版本的自駕系統，都是通過人工進行海量數據標注和編寫規則代碼的方式來開發的。比如，要讓汽車識別出紅燈后停下來，就要編寫這一規則的代碼，在各種場景下加起來可能會有幾十萬行。而今天基于大模型，可以把原來的感知、規劃、控制三個模型，統一到一個基于Transformer架構的端到端模型中，然后只要提供足夠多的數據讓其自學習，到一定階段后模型就能學會什么時候停車、什么時候左轉或右轉等等。這樣自動駕駛技術的開發就大不相同了，可能只需要幾千行的代碼就可以了。

過去，開發自動駕駛系統需要很多工程師人工處理各種極端情況，即所謂的Corner Case，這既費時費力，又難以窮盡。而現在，基于Transformer架構的端到端模型，完全可以用少得多的工程師獲得相似甚至更好的自動駕駛效果。所以，目前國內外很多車企都在朝著這個方向努力，這無疑是大模型對汽車產業的一個重要影響。

由此我們不妨延伸一下來思考，AI大模型對于汽車產業及產品到底意味著什么？反過來，汽車產業及產品又會對AI大模型產生什么影響？現在基于新的Transformer技術路線，同時利用海量里程的車輛行駛數據，車企就可以實現效果相當不錯并且還能持續提升的自動駕駛，從而使其更接近于成為一種易被消費者接受的商品。當然，自動駕駛技術當前的市場售價并不低。如果從技術經濟學的角度來看，我們可以從中得出三個判斷。

第一，自動駕駛系統會改變汽車的定價邏輯和價格結構。自動駕駛系統除了芯片、傳感器等基本硬件之外，主要價值體現在軟件上。那么，與傳統汽車的各種物理硬件相比，自動駕駛這套軟件系統應該在一輛車的價格中占據多大比重呢？在自動駕駛系統的效果還不夠好時，這當然不能很高；可是當一套很有競爭力的自動駕駛系統搭載到車上時，我覺得完全可能會占到整車售價的1/5-1/4，甚至在低價車型中可以占到1/3。因為這相當于為用戶提供了一個專職代駕，將使汽車產品的定價邏輯和價格結構發生重大改變。

我們知道，軟件在經濟學上的特點就是具有相對高的固定成本和非常低的邊際成本，其邊際成本甚至可以趨近于零。當一套軟件開發出來之后，后續讓更多的用戶下載使用，企業并不需要付出什么額外的成本，比如微軟的操作系統就是如此。而汽車自動駕駛系統作為軟件，也符合同樣的經濟學規律。

那么，自動駕駛系統的固定成本有多高呢？馬斯克說過，他要投資100億美元建設算力集群，因為開發端對端的自動駕駛系統不僅需要海量數據、大模型算法，還需要有強大的算力，只有把這三個要素集成起來，才能訓練出效果極好的自動駕駛系統。顯然，這是需要大量資金投入的。我們就按100億美元來衡量，試問全球有多少家公司具備在這個賽道上競爭的實力？未來自動駕駛將越來越成為汽車產品競爭的焦點，而車企要想把自動駕駛做好，就必須在算力、數據和算法上加大投入，這意味著自動駕駛系統會有很高的固定成本。顯然，車企唯有給自動駕駛系統合理定價，并努力擴大其使用規模，才有可能承受得起這樣的成本。

也就是說，對于軟件定義硬件的全新汽車產品來說，其定價邏輯一定會發生變化。越來越多的車企將采用“硬件部分不漲價、軟件部分不降價”的競爭策略，我判斷這是未來汽車產業的必然發展趨勢，并將由此引發產業格局的根本性改變。

第二，自動駕駛會影響汽車保險行業。當自動駕駛真正落地時，必須出臺很多新的保險規則。比如一旦發生交通事故，車企要不要承擔責任，承擔多少責任？這需要有顆粒度很細的規則以及相關的數據來確定和判斷責任方。由此汽車保險的定價方式將發生全方位改變，進而可能會影響到整個保險行業。

第三，自動駕駛會影響消費者的購車心理和決策依據。當高級別自動駕駛成為現實，汽車完全可以“招之即來、揮之即去”，屆時消費者是繼續購買汽車產品，還是轉為購買汽車出行服務，這也是一個很大的問題。

總體而言，我認為AI大模型對于自動駕駛的影響絕不僅僅局限于技術，而是會帶來一系列的連鎖反應，最終將改變整個汽車產業。我覺得，這個例子很能說明AI如何重新定義汽車企業的核心競爭力。當然，AI也非常需要像汽車這樣重要的大產業來擴展其應用價值。

趙福全：我非常認同安博士的這段分享，這其實正是當前汽車人既深感焦慮、又希望尋求突破的關鍵點。數字化和智能化將使汽車產業的內涵外延、汽車企業的商業模式以及汽車產品的屬性定位等都發生革命性的改變。特別是，原來汽車產品是以硬件為主導的，車企對硬件的特點非常了解，只要不斷打磨和升級硬件就可以了；而今后汽車產品將越來越以軟件為主導，產品競爭力及價值也越來越指向軟件，這就需要車企轉變理念，努力加深對軟件的理解和掌握。

正如安博士談到的，今后汽車企業可以通過數字化手段不斷對產品進行迭代優化，這將成為未來汽車產業競爭的重點。在此情況下，硬件可以基本不變或少變，而通過軟件來實現產品持續改進，不斷提升用戶的個性化體驗。事實上，汽車業內的同仁們應該都能感受到，現在硬件已經越來越同質化了，車企要靠硬件來實現產品差異化越來越難了；相比之下，憑借軟件來實現產品差異化的空間卻越來越大。比如，特斯拉的車型換代速度很慢，但是通過不斷推出新軟件或升級軟件版本，用戶在原來的車型上一樣可以持續獲得新體驗。這就是所謂的“常用常新、越用越好”，我認為這個理念至關重要。

正因如此，很多汽車企業紛紛調整自身的定位，從原來的制造公司向出行科技公司、出行服務公司轉型。我覺得，這反映出這些企業的領軍人對汽車產業數字化和智能化的高度重視與深刻認識，他們意識到汽車企業的核心競爭力正在被重新定義，為此企業必須調整經營管理的理念、方向和模式。

未來車企應自行掌握算法和數據，并利用好外部算力資源

趙福全：這就帶來了一個新問題——未來支撐出行科技公司、出行服務公司的核心能力是什么？現在的汽車企業要怎樣做才能轉型成功？您剛才舉了特斯拉自動駕駛系統的例子，強調這背后既有數據、又有算法、還有算力。作為人工智能的三大支撐要素，三者缺一不可，每一個都很重要。而目前掌握這三個要素的主體各不相同，總體而言，算力、算法基本掌握在大智能產業的科技公司手中，而數據則掌握在整車企業手中，因為直接面對用戶的還是車企。

在這種情況下，很多企業的高層都曾與我交流過一個核心問題：整車企業應不應該、又能不能夠自己擁有算力和算法呢？現在看來，特斯拉可能是將人工智能和汽車合二為一的唯一一家企業，它本身也自認為是科技公司，而非汽車企業。那么，特斯拉是一個特殊的存在嗎？還是說這是未來汽車企業轉型的必然方向，像大眾、豐田這樣的全球頂級車企今后也要努力成為人工智能科技公司？

說到底，這還是未來整車企業應該具備什么核心能力的問題。毫無疑問，自動駕駛技術逐漸投入產業化應用，并且不斷進化升級，一定離不開算力、算法等的支撐，這些AI技術當然是大智能產業的強項；但是AI大模型必須用數據來訓練，而數據掌握在整車企業手中。所以，大智能產業和汽車產業必須相互融合、緊密合作。不過這兩個產業之間總還是要有一個邊界吧，如果交集始終是灰色地帶恐怕行不通。具體來說，您覺得汽車企業應該向人工智能的方向拓展多少？又應該把重點放在哪里？假如說10年之后，人工智能將實現全面的重大突破，那么汽車企業現在要做哪些布局和儲備，屆時才足以擁抱更強大的人工智能呢？

目前的情況是，面向未來的汽車智能化競爭，汽車企業缺少AI技術；而像阿里這樣的ICT科技公司，也缺少汽車技術。這樣一來，是不是誰都無法與特斯拉抗衡了呢？說實話，我并不這樣認為。我覺得，現在有點類似春秋戰國時期，各方八仙過海、各顯神通，但最終還是會有殊途同歸的一天。安博士，您怎樣看這個問題？這可能也是收看我們欄目的企業家們最關注的問題之一，其中既涉及未來發展的大方向，又涉及具體時間節點的判斷。

安筱鵬：我們不妨分析一下支撐智能產業生態系統的這幾個核心要素。第一個要素是算力。前面提到，馬斯克宣稱要投資100億美元來建設算力集群?？梢?，要構建一個可以進行自動駕駛大模型訓練的智能算力集群，門檻是非常高的?？赡車鴥溶嚻罂梢越装?、幾千GPU卡的算力集群，能夠支撐小模型的運行，但面向未來自動駕駛大模型的算力需求，這是遠遠不夠的。所以，我覺得車企應該與國內的云計算公司合作，讓其提供算力服務，幫助車企進行所需的模型訓練。當然，這個訓練本身還是由汽車企業來做，云計算公司負責為車企提供高效、安全的算力基礎設施即可，這就是雙方的職責與分工。

需要注意的是，現在有一個認知誤區。我們今天談大模型時經常會提到萬卡算力集群，但是很多企業可能都低估了從百卡、千卡集群到萬卡集群的技術門檻。實際上，并不是簡單地把上萬張GPU卡堆積起來就是萬卡集群了，這其中還需要一套非常復雜的調度優化系統，其技術門檻是很高的。也就是說，即便車企有足夠的資金，也未必有足夠的技術能力來構建大模型算力。因此我的結論是：中國乃至全球最終能夠真正具備萬卡乃至超萬卡算力集群的公司，數量會非常有限。

當然對于汽車產業的垂直模型來說，并不需要像大模型那么高的算力。不過車企訓練自動駕駛系統的算力需求，肯定會越來越高，這部分算力完全可以由云計算公司來提供。而且既然車企有這樣的商業訴求，那么云計算公司就會做好相關的服務。例如，阿里目前就在和小鵬汽車合作，為其提供自動駕駛模型訓練的云解決方案。我相信，未來這類需求的規模會更大。

第二、第三個要素是算法和數據。對于汽車企業來說，自動駕駛的算法是其核心競爭力，數據也是其核心競爭力。而這兩個要素還會相互影響，形成一個不斷迭代和演進的過程。例如，現有的自動駕駛系統不斷采集到新數據，再用這些數據進行訓練，持續迭代改進算法，然后演進出下一個版本的自動駕駛系統。今后這種技術發展模式將越來越成為一種常態，并且這也是汽車企業和自動駕駛公司在激烈的市場競爭中必須做好的一項工作。

所以我認為，從較長的周期來看，大智能產業與汽車產業之間可行的分工方式是：汽車企業在算法和數據方面“以我為主”，而算力則由云計算公司提供?；蛟S部分汽車企業也會自己構建較小的算力集群，但同時其更多的算力需求還是要依靠大型的云計算公司滿足。畢竟算力集群的資金和技術門檻都非常高，而且相關核心技術又變化得非?？?。

當然，特斯拉可能確實比較特殊，因為其創始人馬斯克出身于IT領域，之后才去做汽車企業，2023年他又成立了一家人工智能公司。也就是說，馬斯克麾下既有汽車、也有人工智能的技術和人才等資源。從這個角度看，特斯拉有點像是一家縱向一體化整合的獨特企業。

中國車企要通過構建并用好汽車產業生態來贏得優勢

趙福全：應該說，這樣的分工是清晰的。同時，您也認為特斯拉有其獨特性，不具有普適的參考價值。而我們都知道，在產業轉型期，顛覆者往往都是那些“另類”的企業，那么特斯拉會不會成為顛覆者？進而導致很多汽車企業尤其是傳統車企，失去向人工智能方向成功轉型的機會呢？剛才安博士談到了美國的大模型已經基本形成了相對穩定的“3+1+1”競爭格局，而特斯拉就位列其中，這不能不說是其重要優勢。

當然反過來看，特斯拉既在算法和數據上有深厚的積累，又有自己強大的算力，這會不會造成自我封閉呢？也就是說，將來特斯拉的大模型很可能沒有其他車企使用，從而影響其迭代優化的速度。從企業戰略的角度看，我認為這其實涉及到要不要垂直整合的重大問題。就短期來說，垂直整合可以助力企業提升速度、降低成本，因此是有利的，甚至企業可能因此搶先抓住轉型機遇而贏得眼前的優勢；但長期而言，垂直整合就不一定是合適的商業模式了，否則當年通用也就不必把德爾福拆分出去了。我覺得，這個問題值得我們進行更深層次的思考。

問題的關鍵在于，未來企業的核心競爭力究竟是什么？而要獲得這種競爭力，企業采取怎樣的策略才是最佳選擇？應該說，剛剛安博士的分享讓汽車企業安心不少。因為您認為，車企自己掌握數據和算法，同時使用外部的算力資源即可，并不是一定要把三個要素都抓在自己手里。我們不妨再具體看看：算力可以依靠合作伙伴即云計算公司來提供。數據本來就是由車企掌握的，正如我一直講的，誰擁有汽車品牌，誰直接面對用戶，誰就擁有相關數據。當然如果車企不能把數據真正用起來，轉變為自身的核心競爭力，那就會逐漸失去用戶、直至品牌不復存在，最終也就無法再獲得數據了。而數據的充分利用有賴于算法，所以，車企必須在自動駕駛、智能座艙等的算法上形成能力。獲得這些能力當然也可以借助一些外力，但絕對不是簡單的“拿來主義”。

安博士，算法的背后其實就是模型。我們前面交流過，未來各個產業的專業模型都必須構建在大模型之上，才能實現能力的躍升。顯然，自動駕駛的專業模型也不可能脫離大模型的支撐，這就需要車企與開發構建基礎大模型的公司加強合作。在這種情況下，面對特斯拉這樣既有專業模型、又有基礎大模型的競爭對手，中國車企應該怎樣與其競爭呢？請您為大家指點迷津。

安筱鵬：這確實是一個業界高度關注的問題。前面提到，馬斯克成立了一家大模型公司，叫做xAI。這是特斯拉之外，馬斯克的又一家公司。同時，特斯拉本身也有自己的AI部門?？梢哉f，在人工智能方面，馬斯克麾下的團隊是有著很強的實力的。

不過從大模型的角度來看，自動駕駛大模型與大語言模型的核心并不完全相同，雖然自動駕駛大模型也是基于Transformer基礎架構的，但其參數要求沒有大語言模型那么高。所以，國內車企應該也有可能形成部分這樣的能力，即基于Transformer架構做出自己的自動駕駛大模型。目前國內車企特別是造車新勢力，在這方面已經做了一定的布局，而且發展速度都還比較快。

在全球范圍內，中國車企包括傳統車企和造車新勢力，可能還是對特斯拉跟得最緊的。目前已經有不少車企宣布，正在基于Transformer架構構建自己的端到端自動駕駛解決方案。所以，全球自動駕駛的第一梯隊仍然是以美國和中國的企業為主，二者之間的差距有時候大一些，有時候小一些，各自都在不斷迭代和進步中。

我認為，過去六七年甚至更長的時間里，國內車企特別是造車新勢力一直在智能化的賽道上不懈努力，到如今在組織、管理和人才等方面都已經有了很多積累，同時也形成了對新技術的洞察能力。盡管在前進的道路上仍然會有嚴峻挑戰，但目前來看，我感覺中國汽車企業是有信心也有能力追上特斯拉的。

趙福全：特斯拉確實是一個特例，這家公司作為整車制造商，在數據上是有優勢的；同時一直以自動駕駛作為核心競爭力，在算法上已經做了很大的投入，也取得了不小的成果；而在算力以及AI大模型方面，又可以獲得新成立的人工智能公司的助力。雖然特斯拉和xAI并不是一家公司，但同屬于馬斯克，肯定會“左手幫右手”，這樣形成的合力絕對不可小覷。不過就像安博士談到的，盡管中國車企要成為特斯拉這樣的公司可能不太現實，但這并不意味著未來我們就沒有趕超的機會了。至于具體行動，我認為主要有以下三點：

第一，車企一定要掌握數據和算法，并且要通過算法，讓數據真正發揮作用。為此，應該在自身更擅長的專業模型上下足功夫。在此過程中，也可以借助外力，但是核心工作必須由車企主導。如果想要引領未來的產業發展，不充分挖掘數據和算法潛力的車企是沒有機會的。

第二，對于自動駕駛技術，車企沒有必要自建大模型，但是不自建不代表不需要，而是可以借助外部更專業的力量。為此，車企要選擇國內頂級的大模型公司建立真正的戰略合作伙伴關系，互相賦能。即由合作伙伴提供車企所需的大模型，而車企的著力點應該放在大模型支撐下的專業模型上。這樣就能把車企的數據和專業模型算法，與合作伙伴的算力和大模型算法結合起來，共同驅動自動駕駛技術的快速發展。在這方面，中國車企甚至還可以利用國家的算力資源，這可能也是中國體制優勢的一個表現。

第三，汽車及相關企業還要攜手努力，共同構建開放性的全新汽車產業大生態，并充分發揮其作用。汽車原本就是由上萬個零部件組成的復雜工業品，未來還要加上成千上萬套軟件，最終汽車軟硬件將共同構成了一個可移動的AI機器人。這樣的AI機器人涉及到諸多領域各不相同的核心技術，沒有任何一家乃至一類企業能夠擁有全部這些核心技術。因此，所有企業都必須借助汽車產業大生態來獲取自己不具備的技術及能力等資源。整車企業也不例外，既不可能也不需要自己“包打天下”，只要扮演好集大成的角色即可。

實際上，奉行開放理念和模式的汽車企業，相對于特斯拉這種獨自掌握了很多核心資源、可能會相對封閉的公司來說，說不定還會具有某種優勢。當然具體能否形成這種優勢，還要看企業有沒有極強的集成能力，同時有沒有找準專業化的生態伙伴，并以創新性的商業模式來實現有效分工和共同發展。我始終認為，專業化分工的協同創新生態是未來企業取得成功的最重要支撐。而這樣的生態一定是開放性的，因為封閉性的生態難以成長和進化，即使原本體量很大、實力很強，也會逐漸落后和退化。從這個角度來看，中國車企其實有很好的發展前景，完全有機會在未來汽車產業生態的全球競爭中占據制高點。

數字化轉型要解決全局優化需求與碎片化供給之間的矛盾

趙福全：安博士，前面主要交流了產品力，下一個話題咱們談談創造力或者說生產力。2023年汽車工程學會專門成立了數字化與智能制造工作委員會，我作為牽頭人受邀出任主任委員，您也在其中擔任副主任委員。我們成立這個專委會的主要目的，就是要推動數字化更好地賦能汽車企業系統性的產品創造力。

實際上，產品創造力絕不僅僅是研發的事情，而是涵蓋了企業研產供銷服管等各個環節，并且每個環節還要相互打通，最終形成企業產品創造的綜合能力。更進一步來說，這也不僅僅是整車企業內部的事情，還需要與外部的各類供應商等合作伙伴緊密協作。比如，研發環節不能只靠整車企業，相關供應商也必須參與進來，特別是一些科技公司的作用不可或缺；生產環節，整車企業其實只負責集成和組裝，絕大部分零部件都是由供應商提供的；采購環節也有巨大變化，因為現在的汽車供應鏈不僅包括硬件，還包括各種軟件，對此整車企業必須以不同的方式進行有效管理；最后，服務體系就更復雜了，未來汽車產品與外部各種服務都需要基于數據全面連接和打通。由此，企業才能形成研產供銷服一體化的綜合能力，也即智能制造體系的產品創造力。

我認為，與產品力相比，數字化對創造力的賦能，意義更加深遠。而像汽車這樣高度復雜、新舊融合的大產業，正是數字化賦能創造力的最佳載體和平臺。反過來說，人工智能助力汽車產業實現更高水平的資源優化配置，將是其最重要的應用場景之一。當然，企業要成功獲得數字化的賦能絕非易事，必須面對種種挑戰。那么在您看來，當前汽車產業數字化轉型的卡點究竟在哪里？汽車企業到底應該怎樣推進數字化轉型呢？

安筱鵬：趙院長提的這個問題，我覺得從廣義上講，是數字化轉型中最重要的問題，我將其定義為基本矛盾。何謂基本矛盾？簡單地說，就是矛盾背后的矛盾、問題背后的問題。我們上學時都學過，我國社會主要矛盾是人民日益增長的物質文化需要和落后的社會生產之間的矛盾；而十九大報告指出：我國社會主要矛盾已經轉化為人民日益增長的美好生活需要和不平衡不充分的發展之間的矛盾。這個表述中的“不平衡不充分的發展”，就指向了生產力有待進一步提高的基本矛盾。

那么，今天數字化轉型的基本矛盾是什么呢？我此前講過一個觀點，數字化轉型的基本矛盾就是企業全局優化的需求和碎片化的供給之間的矛盾。剛才趙院長談到，企業必須基于數字化手段，打通產品研發、生產、采購、銷售和服務等各個環節，實現各種資源的全局優化配置。因為在市場需求發生巨變之際，企業只有這樣做，才能有效組織內外部資源，對用戶快速變化的需求做出實時、精準的響應。所以，這種全局優化是企業提升核心競爭力的迫切需求，也是數字化或者說智能化的價值所在。

然而目前各項業務的信息化系統基本都是相互孤立的，很難確保將正確的數據，在正確的時間，以正確的方式，傳遞給正確的人。也就是說，當前的根本問題在于，掌握數字技術的供應商們給汽車企業提供的解決方案都是碎片化的。例如在同一家車企，可能是A公司做了一套CRM客戶關系管理系統，B公司做了一套ERP企業資源管理系統，C公司又做了一套PRM項目管理系統，此外還有D公司做了一套人力資源管理系統。這些軟件公司的產品大多由來已久，當年是為了解決某個局部問題而誕生的，本來就沒有考慮過解決數字化轉型的全局問題。當然，即便想要解決全局問題，也很難做得到。試問，我們怎么能指望一家軟件公司把汽車企業的所有問題都解決了呢？所以，當我們以更長的視角審視就會發現，在過去二三十年里，企業數字化轉型面臨的一個最主要的問題就是供給與需求脫節，這也是當前很多問題背后的根本原因。

那么，這個問題應該怎樣解決呢？我認為，這需要供給側與需求側聯動。最近我觀察到，很多行業的領頭羊企業，在躋身全球第一梯隊，不得不走進創新發展的“無人區”時，都做出了一個共同的選擇，那就是“以我為主”去探索全新的數字化技術架構和解決方案。像ERP、CRM等系統，現在已經不是乙方提供給甲方什么，甲方就用什么了。很多甲方都是自己來主導技術架構及解決方案的設計，然后讓乙方按照自己的想法來執行。這些方案也往往不再是傳統的線下部署，而是開始轉向云端來重新構建。就是說，這已經不再是部署單一的某套硬件設備及軟件系統，而是整體性地遷移企業的數字基礎設施體系了。也只有這樣，才能從根本上滿足企業全局優化的需求。對于企業而言，進行這樣前所未有的創新嘗試肯定會遇到諸多挑戰，其領軍人也要承擔很大的風險和責任，但是企業要想成為引領全球的領導者，成功應對快速變化的市場環境，就必須在數字化轉型的全新領域勇敢探索。這是我的一個判斷，現在看來也越來越受到企業的認同。

在這樣的全新布局下，數字化才能真正對汽車產業產生全局性的影響。舉個例子，隨著市場需求的變化越來越快，汽車企業都非常希望能夠縮短產品研發周期。目前汽車產品的研發周期已經從以前的三四年，逐步壓縮到了現在的24個月、18個月、甚至更短。然而像汽車這樣集大成的復雜工業品，要在確保質量的前提下不斷縮短研發周期，像IT產品一樣快速迭代，談何容易？這就需要企業在產品研發、生產以及供應鏈等每一個環節，都形成更強的組織和協調能力，并且充分打通各個環節，以進行全局性的整體優化。顯然，企業如果不進行系統性的數字化轉型，是無法實現上述目標的。

趙福全：剛剛我問的其實是數字化轉型中最難也最關鍵的問題之一，而安博士的回答非常到位。您分享了一個非常重要的觀點，當制造業擁抱AI技術、實施數字化轉型的時候，既有單個領域如何突破的局部挑戰，更有多個領域如何協同的全局挑戰。

從供給側看，在ANI時代，解決單個問題的軟件系統及專業能力，已經有了很深的積累，但是這種能力并不能滿足AGI時代汽車企業進行全局優化的需求，也不足以支撐汽車企業主導下全新數字化解決方案的實施。也就是說，沿著原有的方向發展，數字化已經遇到了瓶頸。再從需求側看，為了快速響應市場變化，根據用戶需求來打造產品，汽車企業既需要在產品研產供銷服的各個環節都實現數字化，更需要打通所有這些環節，讓各方的資源和力量都能有效協同，這就是一個系統性的問題了。比如說，研發部門做到了根據用戶數據來定義和開發產品，但是生產不能按此靈活調整；或者生產實現了智能化定制，但是供應商包括物流、倉儲等卻跟不上，這無疑都是不行的。如果說過去數字化主要致力于也只能解決某個環節的問題，那么今后隨著數字技術特別是AI技術的進步，數字化必須解決的主要問題就是打通各個環節，確保各參與方始終站在同一條進度線上來打造產品。

正如安博士指出的，當前通過數字化提升創造力的重點方向，更應該聚焦于各個環節的充分打通和有效協同上。與之相比，各環節自身的數字化能力提升可能反倒沒有那么緊迫，甚至可以說是“小巫見大巫”了。假如企業認為研發重要而忽視了生產，又或者覺得生產重要而忽視了供應，那其數字化轉型肯定無法獲得良好的結果。這意味著企業既要做到每個環節和領域的專業化，更要做到所有環節和領域的協同化。而實現這種專業化分工基礎上的多主體協同創新，就是今后汽車企業最重要的目標。

我想強調的是，多主體協同創新不僅需要數字化和智能化的技術手段，更需要改變企業內部的組織管理和外部的商業模式，也就是讓生產關系匹配生產力，才能真正得以實現。以汽車產品開發為例，原來主要涉及的就是技術問題，可以由研發負責人來掌管；而現在涉及的遠遠不只是技術問題，研發負責人的權限就不夠了，應該由整車企業的CEO或者擁有類似權限的領導來負責才行。比如，在新形勢下研產供銷服各部門需要更緊密的有效協同，才能快速、精準地打造產品，而研發負責人是很難調配其他部門資源的；再如，一些核心軟硬件技術來自于外部供應商，必須合理選擇并與之建立長期的戰略伙伴關系，而這樣的決策顯然也不是研發負責人能做的。所以我認為，新時期只有像CEO這樣的角色，才能有效統括全局，推進汽車產品的打造。同樣的道理，如我前面提到的，數字化轉型首先是領導力的轉型。只有董事長、CEO轉變了理念和認知，企業的數字化轉型才能做到位；而眾多企業的董事長、CEO們都轉變了理念和認知，整個行業的數字化轉型才能做到位。

安筱鵬：趙院長，我再補充一點。我們之前做過一個研究，結果發現：企業的數字化投入如果是一條向上的斜線，那么其收益并不是一條同樣向上的斜線，而是一條指數曲線，開始時緩慢向上，一旦經過了某個拐點之后，就會呈現出快速增長的態勢。

仔細分析來看，這個結論其實是有道理的。在剛開始數字化轉型時，企業要進行很多單項的投入，例如購買相關的硬件設備和軟件系統，逐漸完成各個業務板塊的數字化基礎設施布局。該階段的投入是很大的，但效果只來自于單一領域的特定應用，就是前面說的研發、生產或供應鏈中的某個環節，因此企業的收益有限。之后企業開始把各個領域的應用都集成起來，包括企業內部資源的集成以及與外部供應商、銷售商、服務商等資源的集成，最后構建形成一個創新生態。到了那個時候，數字化轉型才能真正產生全局優化的效果，企業的收益也才會隨之呈現出指數級的增長。

趙福全：這樣的研究結論正好可以支撐我們的觀點。就像剛剛談到的，目前數字化轉型的主要問題就是要把各個環節和領域打通，這樣當數字化的投入積累到一定程度后，才能實現1+1>2的協同效果。所謂“打通”不只包括企業內部的組織和管理優化，還包括企業與外部各類伙伴的分工協作與資源整合，最終各方將形成一個命運共同體，也即一個多主體協同創新的產業生態。在這個生態中，任何環節和領域都不能有缺位或不足。如果說互聯網產業的規律是長板效應，互聯網公司可以憑借某個單點上的優勢脫穎而出，那么我認為當數字化和智能化進入制造業的時候，其規律就變成了短板效應。因為制造業更強調集成，只有單點優勢并不足以提升企業的綜合實力，相反，任何單點存在短板都會拖累企業整體的表現和收益。

人工智能時代的人才必須具備創造力、想象力和批判性思維

趙福全：接下來進入下一個話題。數字化轉型要解決諸多難題，但歸根結底還是要解決人的問題。而人的問題不僅涉及到企業高層領導力的轉型，還涉及到全體員工思維方式、基礎能力和知識架構等的轉變。對于原本偏向機械硬件的汽車產業來說，企業在數字化轉型的過程中，必須有針對性地調整內部人才結構，更多地加強智能化及軟件等方面的人才。

這實際上又涉及到了整個產業人才培育的大問題?，F在高校既有的學生培養體系也面臨很多爭議，比如未來主導汽車產業發展的人才到底是繼續來自汽車專業，還是會來自人工智能等相關專業？是讓汽車專業的學生學一些人工智能的課程，還是讓人工智能專業的學生學一些汽車的課程？面向未來的迫切需要，高校應該怎樣培養跨界的新型復合型人才？當然，無論高校培養體系的改革進展如何，企業自己都要基于現有情況，盡最大努力解決好人的問題。那么安博士，您怎么看這個問題？

安筱鵬：這也是一個非常大的話題。我想從兩個方面談談自己的理解：首先從整個社會的角度來看，未來5-10年，隨著人工智能更加普及，我們需要什么樣的人才；相應的，教育理念和方法需要怎樣調整。然后回到汽車產業，審視一下具體的人才需求和組織調整等問題。

總體而言，當人工智能全面到來的時候，我認為教育將是全世界、全社會受到最大挑戰的行業之一。因為有了人工智能，人類就不需要再像以前那樣死記硬背很多知識或者勤學苦練很多技能了。比如當你在工廠工作時，會有一個數字人和你一起配合，它是一個由通用人工智能賦能的超級學霸，這個學霸可不是市里或省里的狀元那么簡單，而是幾乎學習了地球上所有的知識，試想這樣的數字人會給你多大的幫助！當然，由此也帶來了一個問題——未來5-10年或者更長的時間之后，制造工廠、律師事務所、醫院以及行政單位等等，究竟需要什么樣的人才？對此很多團隊都展開過深入的研究，綜合來看，能夠適應人工智能時代、滿足未來社會需求的人才應該具備三個標簽：即創造力、想象力和批判性思維。既然如此，我們就要反過來思考，當前的高校乃至整個教育體系能不能培養出這樣的人才呢？如果不能，這就是今后教育體系深化改革的方向和目標。也唯有如此，教育才能跟得上時代的發展進步。

回到汽車產業來看，上述結論也同樣適用。近期我與一汽的管理層交流得比較多，他們推動數字化轉型和人工智能應用的方式方法，我認為非常值得借鑒?？赡芎芏嗳硕加X得，央企的創新似乎不那么活躍，同時東北地區的發展活力似乎也不那么足。而依我觀察，這應該是一個錯誤的認識。至少一汽這家東北的央企，在數字化轉型方面展現出了很強的活力和創造性，其組織變革的力度甚至要比不少民企更大。

我講幾個案例。第一個案例是關于組織方式的。我們知道，當前幾乎每家企業都有業務人員和IT人員，以往的組織方式是分成業務部門和IT部門，前者把需求傳遞給后者，然后再由后者購買或外包開發軟件系統來滿足需求。而現在一汽將內部的業務人員和IT人員編在一起，稱之為戰隊，形成了一個有機的整體。即在最基本的業務單元上，IT、數據和業務部門的人員共同組成一個聯合體，然后一起確定并滿足各種需求。應該說，這種組織方式與很多傳統企業所做的變革都不一樣，體現出一種創新的理念。

第二個案例是關于數字化解決方案的。前面我講過，當一家企業進入到數字化轉型的“無人區”時，一定要“以我為主”來主導推進相關工作。而一汽正是這樣做的，他們從自身的實際需要出發，自行設計并構建了基于云的數字化解決方案，包括企業資源管理、研發管理、供應鏈管理等系統，都是一汽按照整體規劃重新構建的。老實說，這種全面重構的轉型實踐，難度之大超乎想象。所以，我曾和他們半開玩笑地說，數字化轉型是一場攀登珠峰的競賽，而一汽選擇了從更艱難的北坡上山。

第三案例是關于人工智能大模型的。在這方面，一汽的推進也很快。我關注到央視《新聞聯播》在介紹新質生產力時，曾經專門提到一汽聯合阿里云通義千問打造的GPT-BI大模型應用。目前一汽的管理層包括董事長、總經理，都在使用這個大模型，以實現基于實時數據的科學決策。

從上面的例子可以看到，一汽推進數字化轉型和AI應用的行動不是孤立割裂的，而是相互聯動的，從而形成了從認知、到戰略、到組織、再到一系列具體舉措的系統工程。諸如企業對組織架構的調整，對數字化方案的主導，以及對AI大模型的應用，看起來只是一個個現象，而在這些現象背后的，則是企業積極擁抱新技術、新模式以應對市場巨變的決心和勇氣。未來肯定還會有更多更強的人工智能技術投入應用，相信所有企業都想擁抱這些新技術，然而有意愿是一回事，有能力則是另外一回事。而在我看來，一汽就是一家既有意愿、也有能力應用數字化和智能化技術的企業。

趙福全：剛才安博士從未來人類社會的高度，對人工智能時代的人才應該具備什么能力進行了精要闡釋，并指出這就是教育體系改革的目標所在。

說起來，人才問題的確是一個大話題。而且當前人工智能的應用才剛剛拉開序幕，今后還會出現很多我們今天難以想象的景象。未來我們將會處在人機共生的環境中，即人與AI機器人一起工作、一起生活。當然，AI機器人并不是非要做成自然人的形態，但它一定會具備覆蓋一個甚至多個行業的集大成的超級能力，或者說是一個非常厲害的“人”，可以有效輔助和支撐人類的各種活動；而人類則必須與這樣的AI機器人共同合作，才能更好地創造產品、提供服務、完成工作。最終，整個世界都將因此而改變。正因如此，未來人才的能力需求將發生根本性的改變。

首先，簡單強調某個領域記憶性的知識或者重復處理某個問題的技能，都沒有什么意義了，因為在這些方面AI機器人的能力要比人類強得多。但是人具有創造力，可以提出創新性的方案，然后讓AI機器人來落地，因此人與AI機器人協同工作的能力就變得至關重要。從這個角度看，如果說原來學生先要學習怎樣與其他人交往，那么未來學生可能也要學習怎樣與AI機器人交往，這意味著學校必須徹底改變培養學生的目標和重點。我想，屆時或許培養學生建立適應人機共生社會的價值觀和世界觀也是非常重要的。

其次，未來具有超級能力的AI機器人將遍布各個行業和領域，如何將這些AI機器人充分調動起來，取決于企業的組織能力，而企業的組織能力又取決于人的能力。所以，高校除了培養學生掌握一定的基礎理論和專業知識，更重要的是，要培養學生管理多元資源特別是各種AI機器人的能力，也即新型的領導力。目前高校工科專業對學生領導力的培養遠遠不夠，而且基本沒有涉及對AI的管理，這是亟待改進的，因為未來具備管理AI的領導力將變得極其關鍵。

最后，未來人類可能只有在創新方面才比AI機器人更有優勢。因此必須著重培養人才具有創新的意愿、意識和能力。例如，人要敢于挑戰原有的組織架構，要積極擁抱各種未知的全新技術。就像我們前面講到的，人工智能將給人類帶來一個全新的世界，我們完全可以放飛思想、盡情想象、勇敢創造。到那個時候，曾經可能被認為比較虛的想象力和創造力，才是人類必須擁有并充分發揮的核心能力，而這也恰是當前的教育體系所缺乏的。

總之，人工智能在幫助人的同時，也將完全改變人。這將是一個從量變到質變的過程，而變化的速度正越來越快。為此，我們需要盡早做好準備。

未來人工智能將會重新定義企業的組織及管理

安筱鵬：是的，正如趙院長所說，未來人工智能將對人才的需求以及組織的形式產生巨大影響。事實上，我認為在人工智能的時代，我們需要重新定義組織。

為什么這么說呢？過去我們講的組織，就是一群人圍繞著共同的目標，相互協同來完成某件事情，組織的主體都是人。但是現在誕生了數字人，剛才趙院長也說到了AI機器人，今后可能是人與很多數字人一起協同工作，例如有研發的、有人力的、有編程的、還有法務的，各個方面的各種數字人。目前阿里云就有一個數字員工叫做通義靈碼，它的工號是AI001號，這個數字人對業務非常熟，工作效率也非常高。

未來當這些數字人進入公司之后，我們不難想象會有這樣的場景：召開一次新車型開發的研討會，或者人力資源的招聘會，參會的自然人有三四個，同時還有四五個數字人一起參會，可能是分別來自設計、人力資源和法務等相關部門的數字員工。就像您剛才講的，人與數字人將會協同工作，進入到共生的狀態。

在這種情況下，企業的組織包括內涵、形態和邊界等，都將與此前完全不同。同時，人力資源的功能和責權也將隨之發生根本性的變化。試想如果一家公司有30個人類員工和25個數字員工，那么數字員工是讓IT部門、還是人力資源部門來管理呢？對數字員工又該用什么方式來管理呢？另外，如果公司需要招聘某個領域的專業人員，不管是設計或銷售的人才，還是法務或財務的人才，既然公司無非是想借助這個人所具有的相關專業能力，那么為什么不干脆采購一批具備這些能力的數字人呢？也就是說，未來組織的主體將是自然人和數字人的集合，而且隨著人工智能技術的不斷進步，后者的比例很可能會持續提高，組織本身也就必須為之改變，這將倒逼企業形成重新定義組織以及管理新型組織的能力。

趙福全：所以說，人工智能似乎很遙遠，其實近在眼前。一系列變革已經在發生了，而且未來的改變可能遠不是今天的我們能夠想象得到的。當超級人工智能的時代到來之際，每一個人造單體都將具有高度的智能，同時這些智能單體又是互聯的，從而將會組合形成更高的群體智能。從這個意義上講，人工智能領域從量變到質變的速度之快、影響之大，甚至可能不是摩爾定律所能表征的。因此，我們每一個人都需要建立全新的理念、形成全新的能力，特別是人機共生的理念和能力。

時間過得很快，今天圍繞數字化轉型這一主題，我與安博士交流了近3個小時。安博士深耕數字化領域多年，在阿里研究院長期從事相關研究，形成了自己關于信息化、數字化、智能化等的系統認知和獨到見解。同時作為來自企業一線的專家學者，安博士還出版了多本相關領域的著作。而今天收看我們欄目的同仁們，想必更能直觀地感受到安博士的淵博學識和深刻洞見。我們談到的內容非常廣泛，涉及到數字化轉型及智能化發展的各個方面。當然有些前沿的話題尚無行業共識，我們的觀點也只能作為一種參考，有待未來的產業實踐者們去證實或者證偽。下面，我對今天的交流做個總結。

第一，數字化將給人類社會以及各行各業帶來全方位的改變。實際上，數字技術一直在融入到經濟和社會的方方面面，但是此次數字技術的最新進展——AI大模型的出現，不是量變積累的技術進步，而是質變突破的技術革命和產業革命，標志著從ANI弱人工智能向AGI強人工智能或者說通用人工智能的躍進。甚至可以說，本輪AI大模型將給整個社會帶來空前廣泛的巨大影響，其威力堪比“核武器”。這既是因為技術本身的質變，更是因為大模型可以應用于幾乎所有的行業和領域，從而徹底改變人類的生產和生活方式。

第二，數字化主導的智能時代與此前完全不同，將會催生出全新的生產要素、生產力和生產關系。具體來說，數據是新的生產要素；數據采集、傳輸、存儲、處理和應用的各種技術，也即數字化的技術手段，是新的生產力；而確保這種新生產力得到釋放的企業組織架構和商業模式等，就是新的生產關系。由此，數字化不僅能夠帶來產品力本身的提升，即基于數據、通過AI賦能，使產品變得更好；更能帶來支撐產品的創造力的全面提升，即將數據和AI應用于產品創造的全過程，涵蓋研產供銷服等各個環節，從而以更優的品質、更低的成本和更高的效率來提供產品及服務。在我看來，與產品力相比，數字化帶來的創造力提升更加重要，也更有廣泛拓展的巨大空間。

第三，企業實施數字化轉型既有適應時代變化的共性訴求，也是不得不做的戰略選擇。盡管不同的企業對數字化轉型各有各的思考，但是其根本原因在于，當前市場需求正變得日益復雜多變，用戶越來越青睞個性化、實時化和智能化的產品及服務。在這種情況下，企業唯有實施數字化轉型，以數字技術來武裝自己，并將其融入到經營、管理和決策等方方面面，才能優化資源配置效率，有效提升核心競爭力，快速響應市場變化，成功應對“復雜系統的不確定性”帶來的嚴峻挑戰。與此同時，數字化轉型需要持續而巨大的投入，而收益往往難以預期，這導致部分企業心存猶疑。然而不轉型的風險更是企業無法承受的，因為其他企業可能會籍由數字化轉型形成強大的競爭優勢。所以，數字化轉型也是企業“不得不做”的事情。

第四，企業數字化轉型之所以如此艱難，主要有兩方面的原因。一方面，數字化轉型是一項全方位的系統工程，企業必須從理念、認知到技術、工具，再到組織、管理等各個方面協調推進，這無疑是極其困難的。另一方面，當前產業有一個普遍性的瓶頸問題，即企業全局優化的需求與碎片化的供給之間不相匹配，安博士將其視為數字化轉型的基本矛盾。為解決這一問題，有志于實現全球引領的企業，都應該自己主導數字化轉型“無人區”的創新發展，系統設計整體解決方案，并重新構建相關系統。同時企業還要積極建設產業生態，努力實現專業分工下的多主體協同創新，以獲取自己不具備的能力和資源，與生態伙伴一起創造數字化轉型的最大效益。

第五，大模型與專業模型既有明顯不同，又有緊密關聯。正如安博士指出的，我們今天所講的專業類模型，與幾年前依托ANI構建的專業模型有著本質區別，是完全不同的兩個物種。由于現在有了AI大模型作為基礎模型，行業垂直應用的專業類模型可以高質量、高效率、低成本地解決更加復雜而廣泛的各種問題，其能力實現了由量變到質變的躍升。所以，專業類模型并不是大模型，但一定要構建在基礎大模型之上。反過來講，在基礎大模型上構建更多不同行業和領域的專業類模型，并實現相互聯動，又是大模型產生更大價值的必由之路。如果只有大模型、沒有專業類模型，那大模型在整個社會起到的作用就會有很大的局限性。也就是說，大模型和專業模型之間是相輔相成的。

第六，汽車產業推進數字化轉型空間廣闊，同時挑戰巨大，企業必須全方位系統施策。汽車作為關聯廣泛的集大成產業，不僅自身數字化轉型將產生多元戰略價值，而且還將為制造業數字化轉型提供了最佳載體和平臺。無論是智能汽車產品從交通工具屬性向空間屬性、情感屬性的擴展，還是汽車智能制造帶來的研產供銷服一體化運行，數字化轉型將使汽車產業的產品力和創造力實現全面升級，進而深刻影響整個社會的生產生活。但是高度復雜的汽車產業也是實施數字化轉型最難的行業之一。一方面所需投入更大、見效時間更長；另一方面，在萬物互聯的前景下，汽車制造業與大智能產業相互融合，導致汽車產業的核心技術及能力更多元、更交織、也更易變，沒有任何一家乃至一類企業能夠擁有全部所需能力，這意味著汽車產業的各類參與主體都必須重新審視自身應該具備哪些能力，又應該從外部獲得哪些能力。為此，汽車企業的數字化轉型一要有清晰的產業分工，既要“有所為”，更要“有所不為”，也只有“有所不為”，才能集中力量做好“有所為”；二要從高層的領導力，員工的認知、知識與技能，各種數字化的技術手段，以及企業內部的組織架構、管理流程與外部的商業模式等各個方面，全面系統地實施整體性的轉型方案。

第七，數字化轉型最終要靠人來實現，而未來的人才需要具備完全不同的思維方式和核心能力。因為未來將是人機共生的全新時代，企業需要有效組織管理由自然人和數字人共同組成的團隊。這就要求人才必須具備與AI協同工作的能力，同時還要發揮AI所不具備的創新能力。當然，這樣的能力不可能從天而降。對于企業來說，要從組織架構變革、資源管理優化等方面入手，逐步改變人才結構和運行模式。而對于整個教育體系來說，也要以上述能力需求為培養目標進行全面改革。只有這樣，才能為汽車產業乃至各行各業提供有能力擁抱數字化、智能化轉型的新型人才，進而支撐人類社會迎來更加美好的明天。

最后，再次感謝安博士的精彩分享和真知灼見，祝愿您在數字化以及人工智能領域輸出更多的研究成果、發揮更大的引領作用！

安筱鵬：謝謝！