第四范式CFO刘楠：“AI+”如何赋能企业转型落地

今天我演讲的主题是《“AI+”如何赋能企业转型落地》，跟大家分享一下自己的一些经历、对于AI的思考以及AI与企业相结合的一些案例。

首先，介绍一下自己。我学的是电子工程专业，毕业以后就“不务正业”进了“四大”之一的普华永道，做了几年审计之后，又去了投行，然后又从乙方转换到甲方，到公司做董事会秘书，其中有一段较长的时间我也在兼任CFO。现在，我在第四范式担任CFO，这是一家港股上市的人工智能公司。

听完我个人经历的简要介绍，大家肯定会觉得这些经历好像跟人工智能的关系不是很大。其实今天主要是从我的过往经历的角度，来跟大家分享一下如何看待人工智能。我比较直观的感受，就是我所处的行业以及各行各业，唯一不变的就是变化，并且变化越来越大。现在，最大的趋势之一就是人工智能，其实人工智能在我们身边已经有很强的渗透了，大家在有意或者无意间都使用过它。

我当初到普华永道负责的第一个项目是诺基亚，诺基亚当时在亦庄有一个大厂房，它的供应商和合作伙伴全部都聚集在园区附近。现在，这些供应商和合作伙伴可能更有名一些，比如富士康、比亚迪等。我去审计诺基亚的时候，它是我见过用SAP用得最深入的公司之一。所以，我们去审计它的第一件事情，就是想搞明白SAP导出来的表格到底是什么意思，以及怎么去看这些表格。一晃20年过去了，前段时间我正好又路过亦庄诺基亚厂房，比较荒凉，应该已经停工了。

也就是说，20年前，我们觉得诺基亚是一个非常全自动化的工厂，诺基亚的员工跟我们说，他们是零库存，所有库存都是从合作伙伴直接过来的。当时，我觉得诺基亚就是科技发展到一个很顶尖的状态。但是，现在来看，变化是非常快的。

AI时代已来

现在最大的变化之一就是AI。这里想跟大家分享两个主题：

第一，AI时代，已经到来了。

举个例子，比如我们去一座管理得比较严密的写字楼，一般都需要验证身份证，还需要刷脸，其实这里的验证系统就是人工智能的一种应用场景。另外，我父母还在手机上安装了人工智能大模型“豆包”，可以用它进行问答。所以，AI时代来临，是一件很确定的事情。

第二，AI现在到底处在一个什么样的时间段？

我们每天都可以听到很多关于AI的名词，那么它到底该如何和我们、和我们所在的企业进行结合？我罗列了一些现在比较热门的词汇。

比如，OpenAI是一家公司的名字，豆包是一个大模型的名字，AIGC是非常火热的一个概念，AI Agent是现在更火热的一个概念。

我把这些AI相关的概念都列在一页PPT上，就是一个非技术专业者在面对AI时产生的第一感受——名词好多，概念好多，每天都有一些新的东西出来，好像需要不断地去跟进，但是到底该怎么跟进，并没有明确的方向。

我也尝试使用过几个大模型，但是我使用的场景可能比较单一，比如写邮件。Midjourney是一个基于人工智能的文字转图像平台，能够画出很精美的图片，当然，现在OpenAI的DALL-E和Sora已经呈现出要超过Midjourney的态势。

其实，AI最基础的东西不是今天才有。

2024年诺贝尔物理学奖得主之一杰弗里·辛顿（Geoffrey Hinton），他的理论最终对于图像识别的准确度有很大的提升，而这些理论的提出是在上个世纪。

2017年，8位谷歌员工共同撰写了一篇论文，即《Attention Is All You Need》，这篇论文提出了一个名为“Transformer”的架构，标志着人工智能领域的一个重要技术突破，也为OpenAI以及现在很多的大模型奠定了基础。这篇论文发表距今也有七年的时间了。

所以，AI不是一天内产生的。但是为什么，过去两年内AI有了一个非常明显的爆发？我觉得主要是因为两大要素到位了：

第一个要素是数据。数据要感谢互联网时代，在没有互联网的时候，我们不可能这么快速地拥有大量的数据，特别是随着互联网的渗透率达到了非常高的程度，我们获取数据就变得很容易，获取各种有标注的数据也变得很容易。

第二个要素是算力。为什么英伟达的股价涨了这么多？因为只有算力达到了一定程度，很多模式才可行。

当数据和算力这两大要素发展到了一定程度，就注定了AI的爆发。基于这两大要素，目前AI已经获得了急速的发展，但是，未来AI的方向到底是怎样的？我们依旧看不清楚。另外，AI还没有演变成像iOS或者Windows那样很标准化的产品。所以，AI时代已经到来，各行各业多多少少都有一些AI的渗透，但与此同时，AI不是很成熟，未来AI的主流方式到底是什么，现在还存在很大的争议。

那么，在这样的时代，该如何去拥抱这个变化，或者该如何利用AI赋能具体的业务？

拥抱AI的姿势很重要。

有的企业说要赶紧上一个项目，不管上什么，反正就是要上，比如在某个流程里加上AI，比如在公司与用户对接的界面上一个机器人，这些都是不难的。但是，企业一定要想清楚上一个机器人到底想做什么。比如，银行要上一个智能客服，很重要的一点就是可以节省人工客服的投入。那我们就可以算个账，智能客服与人工客服相比，到底哪个更经济一些；或者说智能客服是否能实现更好的效果，对客户的回应是否更加准确。

还有一些企业会上一个数字人。我们去很多企业考察的时候，会看到企业门口放了一块大屏幕，屏幕上有一个数字人在介绍自己的公司。那么，上数字人又是为了什么？数字人是否节省了成本？这也是需要企业明确的。

除了在企业内部上马AI相关的项目之外，还有投资股权。因为目前市面上的AI项目很多，老板们能非常明显地感觉到这是未来的趋势，所以要投一些项目。但是，目前大部分的AI创业项目都有一个特点，就是盈利模式没有那么清晰。企业在投资之前，也得算算账。比如投了某个项目之后，可以嵌入到业务环节当中，所以不需要特别明确地计算项目投资回报率；还是说投了某个项目，就等着下一轮、下下轮或者IPO。这些也需要去考虑。

也有一些公司迅速组建了AI团队；还有一些上市公司，先融入AI的概念，那么企业的估值就不一样了。

以上拥抱AI的方式，包括上马项目、投资股权、组建团队、融入概念等等，可能都对，也可能都不合适。我们的建议是，在决定用什么方式拥抱AI之前，先想想企业的核心战略是什么，业绩如何提升，市场竞争力在哪里，如何控制成本，痛点有哪些，这些痛点是否可以由AI来解决……比如，一家企业有一个200人的客服团队，为了节约成本，将200人缩减到了100人。但如果引入了AI技术，可能只需要一个人来负责，这对于企业来说，就大大降低了人工成本。

所以，建议企业先忘掉AI，至少先忘掉大模型，忘掉这些眼花缭乱的AI相关的各种名词，先明确企业自身到底要去做什么。

第四范式，以AI为核心基座

当然，如果你不是很清楚AI能够帮你做到什么，也可以跟第四范式一起聊一聊。

第四范式，其实跟AI的概念有一定的关系。2007年，图灵奖得主吉姆·格雷（Jim Gray）提出了科学研究的四类范式，第一范式是实验（经验）科学，主要通过实验或经验来描述自然现象并总结规律；第二范式是理论科学，科学家通过数学模型进行归纳总结形成科学理论；第三范式是计算科学，利用计算机对科学实验进行模拟仿真；第四范式是数据科学，利用仪器收集或仿真计算产生的大量数据进行分析与知识提取。其实第四范式就是人工智能，我们公司之所以取用这个名字，就是因为科学研究的四类范式中所描绘的第四范式是人工智能的愿景。

第四范式到底是一家什么样的公司？简单来说，我们就是一家以人工智能为核心基座的公司。传统的软件公司，比如SAP，现在还有大量的客户，但是SAP是需要在本地部署的。互联网时代的软件公司，最有代表性的就是Salesforce，它最早做CRM，现在产品也很多。它的特点就是变轻了很多，在互联网上进行交付，会更模块化、更标准化。大数据时代的软件公司，比如美股的一家明星公司Palantir。人工智能时代的软件公司，比如第四范式，本质就是通过人工智能进行软件服务。

企业拥抱AI、做“AI+”，就是通过人工智能对传统的流程、痛点进行改造、升级或者重构。

第四范式服务了很多行业，就是通过AI技术的多场景应用，替代了之前由人工完成的工作。比如在座的每一位CFO所在的公司，多年来一定积累了大量的数据，这些数据是公司的财富。但是，这些财富该怎么使用？有一些数据可能是积累在服务器当中，有一些数据可能是员工的一些经验。这些数据，这些经验，有没有发挥出更大的作用？其实，这些数据、这些经验以及最后想实现的功能，是可以通过训练进而形成相应的模型，这个模型最终可以帮助企业解决相关的痛点，或者帮助企业实现一些功能。这就是第四范式为行业赋能的方式。

我们做了一个行业基座大模型，目前已经服务过几十个行业，也形成了更多的大模型。这些基座的基础，就是物理大模型、科学计算大模型、新一代SageGPT大模型、企业级模型纳管平台Model Hub等。其实人工智能的算法，就是一些基础的模型。

第四范式所提供的服务，就是企业通过一个痛点或者一个问题去拥抱AI的一种方式。痛点的解决可能不在于投入的多少，而是在于如何提高解决方案的准确性和有效性。比如，企业某个环节存在痛点，有经验的老员工知道怎么去解决，一旦换了员工，可能就不具备这方面的能力了。而企业的痛点是可以通过人工智能来解决的，并且不受制于某个特定的员工。

“AI+”赋能企业转型落地

举几个案例：

第一个案例，AI+金融。这是一个商业银行的例子，商业银行有一个很重要的特点，就是需要客户经理来为客户去推荐相应的产品。推荐产品的时候，银行一般都会制定一些规则，客户经理也会将这些客户按照不同的画像进行分类。经过培训的客户经理，就可以根据银行制定的规则、按照客户画像推荐相应的产品。

但是，这个颗粒度其实是不够的，因为客户的需求远远超过银行制定的几十条规则或者几十种分类。另外，客户经理的经验也会起到非常大的作用，如果推荐得好，就能提升整个银行的理财规模，但如果客户经理对产品的理解不够，可能就会导致推荐不够精准。

实际上，这个痛点可以由AI来解决。

过去这么多年，银行已经积累下来了非常详实的数据，包括每一位客户的特征是什么，会在什么阶段购买什么样的产品等等。通过人工智能的训练，可以帮客户推荐一个更具体、更有针对性的产品，甚至可以把客户的分类从原来几十种或者几百种，升级到几十万种到几百万种。让机器来做这件事情，远比让人来做要容易得多。对于机器来讲，细分客户是一件非常快速的事情。

我们可以看到，这个AI应用的案例的本质，就是输入一些数据，然后通过人工智能模型输出一些推测的结果，当然，这个结果不是简单的计算，而是带有推测的属性，是基于银行过去多年积累下来的真实结果而推测产生的。

除此之外，AI在金融行业的应用还有很多，比如说对于信用卡刷卡行为的高风险的分析，判断哪些刷卡行为有潜在的欺诈风险，哪些刷卡行为会导致客户被打上一个“高风险”的标签，以及对于一些转账行为的反洗钱的风险的识别等等，都是人工智能很擅长做的事情，AI非常擅长在海量的数据中去挖掘特征，找寻规律。

第二个案例，Al+零售。有一家餐饮连锁企业，当时面对的痛点是渗透率已经很高，基本上饱和了，但是它希望提升对客户的运营能力以及提升客户的体验。现在，这家餐饮企业已经有一套点餐小程序，也有自己的APP，相对来讲AI应用已经做得比较成熟了，以个性化点餐推荐系统为切入点，为客户提供个性化的精准推荐服务，不断优化客户体验，从而提升客单价及整体的销售额。

另外，有一些做零售的公司，定价上可能是一个痛点。比如说，某个平台或者某个竞品调价了，到底要不要跟？如果不跟，可能一瞬间，流量和销售额就汇聚到对方那里去了。那么，怎么能更快速地、更灵活地去跟价？之前是派员工去盯，这个员工越上心，就盯得越好，跟价跟得也就越及时，整体上就不会出现太大的问题。但如果只是设立一些特别简单的规则，员工跟价就会跟得非常机械，失败的概率也会增加。但是，利用人工智能来做这件事情，不仅可以替代人工，还可以更快速、更灵活地跟价。

第三个案例，AI+能源电力。有一个水力发电站，有二三十万个监测点，监测点包括摄像头、温度传感器、用来测电流或电压的仪器等。那么，如何通过这些信号，来判断发电站到底有没有风险、以及风险有多大？

传统的方式就是会设立一些标准，超过一条标准就亮一个红灯。比如一共有20万个监测点，亮了一个红灯就代表某个地方出现了问题，这时候就需要人来判断，有些红灯亮了没事，但有些红灯亮了就代表可能有问题。这里就需要设立一个专门做风险管理的团队天天盯着。如果利用人工智能来做风险管理，就可以根据之前的相关数据做一个实时的推断，并给出相应的决策，比如判断某个地方可能发生了风险，概率有多大，供工作人员参考。

这就是人工智能从分析信号到辅助决策的全过程。可能只需要一个员工或者几个员工，根据系统的提示做最后的决策，甚至系统还可以进行推导、预测，比如未来三个月某个地方发生风险的概率有多大。人工智能技术的应用，不仅可以大大地提升效率，还可以帮助员工做决策。

跟大家分享这三个案例，并不是说AI只能为这三个行业进行赋能，实际上，AI可以赋能千行百业。另外也是想借这三个案例开个头，如果大家能够从中有一点启发，想到自己所在企业的某些痛点或许可以通过AI来解决，欢迎大家随时跟我们沟通。

谢谢大家！

更多资料 >> 

提示:在本公众号后台回复关键词[ 财能资料 ]即可免费领取。