--设中国汽车HRD为“星标⭐”,及时收到文章更新--
技术革命和产业革命:本次大模型的出现不是简单的技术演进,而是一次新的技术革命和产业革命。大模型为通用人工智能的发展找到了一条可行的路径,或者说指明了一个方向。人工智能将给人类社会的生产和生活带来全方位的巨变。从量变到质变:从ANI到AGI、再到未来的ASI,在这个过程中,支撑人工智能技术的算力、算法、数据等要素一直都在积累。模型算法、芯片算力、云计算、数据和开源开放社区这五个要素共同构成的生态,推动了人工智能技术发生本轮质变。堪比核武器:比尔·盖茨、OpenAI公司的CEO奥特曼、巴菲特这三个人在不同场合都曾被问到,有哪种技术可以与本轮人工智能技术相比拟?他们讲了同一种技术——核武器。他们都认为人工智能的威力十分巨大。当然也正因如此,我们需要对其进行严格监管。数字化概念:就是我们在现实世界的基础上构造一个赛博空间,或者说一个数字世界,在这个由数据和算法定义的世界里,可以通过数据的自动流动,化解复杂系统的不确定性,优化资源配置的效率,提高企业的核心竞争力。紧迫挑战:现在需求侧追求个性化、实时化、智能化,必然要求供给侧的制造体系与之匹配,那么供给侧的企业要怎样才能跟得上需求侧的巨变?各行各业都要面对“复杂系统的不确定性”带来的考验。车企转型:汽车企业面对的是更复杂的系统以及更大的不确定性,如何优化资源配置也就成了更困难也更紧迫的难题。解决难题的答案就是数字化转型,即用数字技术武装自己,并将其融入到企业经营、管理和决策等方方面面。转型目的:数字化转型本质上是三场革命,即工具的革命、决策的革命和组织的革命。企业数字化转型的最终目的只有一个,那就是优化资源配置的效率。AI赋能:当前AI大模型正在产品力和生产力两个方向上并行发力,尽管总体上还处于探索阶段,但是已经让我们看到了各种各样的可能性。
代替脑力:过去的机器人、数控机床、工业软件等技术,更多地是提高了体力劳动者的效率;而本轮AI大模型带来的这场决策革命,可以为设计、开发、工艺以及管理等人员提供支撑,从而提高了脑力劳动者的工作效率。AI母机:人工智能可以类比于传统制造业中的工业母机,而被称为AI母机。专业模型与基础模型:如果说基础模型的能力是1,那么行业垂直模型或者说专业模型就是1后面的0。大模型市场:中国并没有“百模大战”,甚至没有“十模大战”,不少所谓的大模型并不是真正的大模型。当前中国真正在大语言模型主赛道上的企业可能只有五六家或者稍多一点,这是符合产业发展和市场竞争规律的。专业模型开发:当前专业类模型与大模型相结合有四种方式,每个行业及企业在面对特定问题时,都可以选择其中一种方式来构建所需的专业模型。多模态融合:虽然大模型最初主要就是大语言模型,但是目前早已拓展到语音、图像和动作等更多模态了,甚至已经有大模型能够集成处理不同模态的信息,并产生相应的数据训练模型。互动生态:未来人们使用大模型时会形成一个供给侧与需求侧互动的生态。事实上,大模型的应用一定是一个多主体联动的过程。收益不确定:企业如果进行数字化转型,不一定能获得收益。因为数字化转型是一场创新,而创新都有失败的风险。
风险难承受:企业如果不进行数字化转型,其损失和风险则是确定的。现在市场需求正变得日益个性化、实时化、场景化,如果没有数字化手段予以应对,企业将面临市场失焦、营销失语、管理失衡和增长失速。转型难的原因:数字化转型的确不容易成功,或者说极富挑战性,其根本原因在于,数字化转型是一场比谁跑得更快、更远的竞赛。企业转型成功与否并不是要和自己比较,而是要和竞争对手比较,看谁能更好地服务用户,这才是数字化转型的本质诉求。终极目标:数字化转型的终极目标是满足用户的需要,即企业以更高的质量、更低的成本、更快的速度、更精准地持续满足用户的个性化需求。系统工程:数字化转型是全局性的系统工程。为了实现新的商业模式,企业不仅要使用数字化的技术手段,还要重新构建起新的组织关系,这既包括企业内部各部门之间的协同方式,也包括企业与外部伙伴之间的合作模式。AI技术:原有的汽车智能化赛道正在新人工智能技术的赋能下不断加速,并将由此催生出各种新技术、新模式、新业态。龙头和载体:对于人工智能赋能制造业而言,汽车无疑是应用最困难而价值又最高的产业,一旦解决了汽车行业的问题,也就解决了制造业百分之七八十的问题。重新定义:数字化或者说人工智能正在重新定义汽车企业的核心竞争力,不过这一定义是一个持续的过程,需要放在足够长的时间尺度上来看。
端到端模型:过去开发自动驾驶系统需要很多工程师人工处理各种极端情况,既费时费力,又难以穷尽。而现在,基于Transformer架构的端到端模型,完全可以用少得多的工程师获得相似甚至更好的自动驾驶效果。连锁反应:AI大模型对于自动驾驶的影响绝不仅仅局限于技术,而是会带来一系列的连锁反应,最终将改变整个汽车产业。定位转型:很多汽车企业纷纷调整自身的定位,从原来的制造公司向出行科技公司、出行服务公司转型。产业分工:大智能产业与汽车产业之间可行的分工方式是——汽车企业在算法和数据方面“以我为主”,而算力则由云计算公司提供。专业模型:自动驾驶的专业模型不可能脱离大模型的支撑,这就需要车企与开发构建基础大模型的公司加强合作。创新生态:专业化分工的协同创新生态是未来企业取得成功的最重要支撑。而这样的生态一定是开放性的,因为封闭性的生态难以成长和进化,即使原本体量很大、实力很强,也会逐渐落后和退化。基本矛盾:数字化转型的基本矛盾就是企业全局优化的需求和碎片化的供给之间的矛盾。勇于探索:企业要想成为引领全球的领导者,成功应对快速变化的市场环境,就必须在数字化转型的全新领域勇敢探索。协同创新:多主体协同创新不仅需要数字化和智能化的技术手段,更需要改变企业内部的组织管理和外部的商业模式,也就是让生产关系匹配生产力,才能真正得以实现。指数曲线:企业的数字化投入如果是一条向上的斜线,那么其收益并不是一条同样向上的斜线,而是一条指数曲线,开始时缓慢向上,一旦经过了某个拐点之后,就会呈现出快速增长的态势。人才标签:能够适应人工智能时代、满足未来社会需求的人才应该具备三个标签:创造力、想象力和批判性思维。AI机器人:未来具有超级能力的AI机器人将遍布各个行业和领域,如何将这些AI机器人充分调动起来,取决于企业的组织能力,而企业的组织能力又取决于人的能力。清华大学教授、汽车产业与技术战略研究院院长赵福全(左)与中国信息化百人会执委安筱鹏博士(右)
赵福全:大家好!欢迎来到《赵福全研究院》高端对话栏目。我是本栏目的主持人、清华大学汽车产业与技术战略研究院的赵福全。本栏目由盖斯特管理咨询公司承办并赞助播出,在此表示感谢。本栏目自2014年创办以来,今天迎来了第74个专场,本场对话的主题是“企业的数字化转型”。我们非常荣幸地邀请到了中国信息化百人会执委安筱鹏博士,请安博士和大家打个招呼。
安筱鹏:大家好!非常感谢赵院长的邀请,很高兴来这里一起交流数字化转型的话题。
赵福全:欢迎安博士来到我们的对话栏目。我知道,您目前从事数字化领域的产业发展战略研究,非常了解企业前沿实践的情况。同时您在学术上成果颇丰,我读过您的几本专著,既有思想、又有观点,对未来的思考很有深度。所以,今天特别邀请您过来交流。当前人类社会正在发生巨变,其中一个重大变化就来自数字化,也包含了与之息息相关的数据以及人工智能等等。数字化将会波及各行各业,很可能是人类历史上对社会生产和生活影响最大的一次变革,对此各国也都抱有很高的期待。当然未来是不是还会有影响更大的新变革,我们尚不得而知。但就目前来看,相较于此前的机械革命、电子革命,这次的数字革命对于人类社会方方面面的影响将会更大,或者说更具全面性、普适性和颠覆性,也带给我们近乎无限的畅想空间。在这种大背景下,当前汽车行业可以说是既紧张、又兴奋。因为这次数字化革命给传统产业带来的更多是颠覆、还是赋能,每个人站在不同的角度都有各自不同的思考,可谓仁者见仁、智者见智。传统产业的很多从业者认为,数字化是“狼来了”,甚至后续自己很可能都会因此失业;而数字化产业的从业者大多认为,这是一次历史性的机遇,数字化可以和各行各业深度结合,进而创造出更多更大的价值。安博士,作为研究数字化的顶级专家,您怎样看待数字化革命给人类社会以及各个产业带来的变化?请和大家分享一下您的认知。安筱鹏:说起来,数字化并不是一个新概念。从历史上看,随着信息技术的诞生和发展,数字化技术就一直在融入到经济和社会的方方面面,不断带来新的技术变革和产业变革。而我们在2024年这个时间点来讨论数字化时,有一项非常重要的热点技术就是大模型,这也是人工智能的最新突破。审视人工智能技术不断发展进步的历史轨迹,我们必须首先明确一个问题——此次大模型的出现究竟是一次技术升级、还是技术革命?是原有人工智能技术发展的一条延长线,还是开辟了一条新的发展曲线?对此业界有着不同的认知和判断。就我个人来说,我觉得这应该是一次新的技术革命。回顾人工智能技术的发展历程,过去三四十年里,人们对于人工智能的定位有一个英文表述,就是Artificial Narrow Intelligence(简称ANI),翻译成中文叫做弱人工智能;而以Transformer为代表的新技术路线,也就是大模型,带来了人工智能的一次重大进步,形成了所谓Artificial General Intelligence(简称AGI),翻译过来叫做强人工智能或者通用人工智能。我认为强人工智能是一次革命,其革命性就体现在其概念的核心词“通用”上。当然,现在距离最终实现通用人工智能可能还需要5-10年甚至更长的时间,但是大模型的出现确实为通用人工智能的发展找到了一条可行的路径,或者说指明了一个方向。这让大家有信心说,通用人工智能是有可能做成的,而且正在不断地逼近目标。尽管目前还有部分专家对此有不同看法,不过整体而言,多数专家已经达成了这一共识。那么,弱人工智能与强人工智能的本质区别是什么呢?传统的ANI是通过一个模型、一套算法来解决一个特定的问题,这意味着ANI只能做特定的某一件事。而现在的AGI具有泛化能力,当一个模型训练完成之后,它既可以做翻译,例如把英文翻译成法文、把法文翻译成中文;也可以进行对话,包括生成文字、图片或视频;还可以编写代码……即AGI能够做多件事情,这就是所谓的通用。对此比尔·盖茨讲过自己的一个观察,我觉得很好地说明了问题。他说,当你让人工智能大语言模型学习了化学和物理知识后,再给它一套生物试卷,它也能够答得很好。这充分说明其具有了泛化的能力。泛化是强人工智能最本质的一个特征,而这个特征源自于这次大语言模型中最重要的一个基础模型,就是前面提到的Transformer。之前的ANI模型,其效果与参数数量之间没有明显的相关性,甚至可能参数增多,模型的效果却变差了。基于Transformer的大模型不是这样,当模型的参数增长到某一个临界点,比如10亿、50亿、100亿个的时候,模型的效果就会突然呈现出指数级的提升,此时大模型就会形成强大的“涌现”能力。正因如此,大模型才具备了通用人工智能的属性,或者说,才成为了一种重要的通用技术。从产业经济学的角度来说,人类的所有技术都可以分为两类:一类是专用技术;一类是通用技术。不过大模型这种通用技术是独特的,或者说,此通用非彼通用。有研究表明,在人类过去五六千年的历史中,大概只有24种通用技术,如驯化、冶铁、蒸汽机和计算机等等,而大语言模型可能就是第25种通用技术。而且大模型非常容易与其他原有技术相互结合,将融入到经济社会的方方面面,不仅会带来生产力的变革,还会带来生产关系的变革,包括企业组织模式与行为方式等的变革。这是我对本轮技术变革的一个基本判断。我们看到,国家对这项技术也高度重视。2023年中共中央政治局会议首次提到“通用人工智能”这一重要概念;同年在二十届中央财经委员会第一次会议上,也提到“要把握人工智能等新科技革命浪潮”。所以,我认为大模型的出现,不是简单的技术演进,而是一次新的技术革命和产业革命。赵福全:安博士分享的观点非常重要。我们究竟应该如何理解数字化革命给整个社会带来的变化呢?安博士认为,数字化是一种手段,其影响最终体现在基于数字化的人工智能等技术给人类社会带来的全方位改变。而对于人工智能的最新进展即大模型的出现,有人认为这是一次渐进的技术升级,也有人认为这是一次技术革命乃至产业革命。而您回顾了人工智能的发展历程,从技术进步的幅度也即模型能力的变化上,得出了自己的结论——大模型是一次革命性的技术突破。赵福全:事实上,任何技术的发展都需要先经历一个量变积累的过程,然后才能迎来质变的突破。人工智能技术也不例外,从弱人工智能ANI到强人工智能AGI、再到未来有可能实现的超人工智能ASI(Artificial Super Intelligence),应该也是一个不断积累的渐进过程。从这个角度看,是不是ANI发展到了一定的程度,大家对其能力、潜力和局限性等有了足够的认识之后,人工智能才得以进入到AGI的阶段呢?这样说起来,我们到底应该把从ANI到AGI的进步视为人工智能技术的一次升级,还是一次革命?另一方面,AGI技术在方法上有革命性的改变,而这种改变往往会带来结果的革命性改变。例如,蒸汽机出现后并不是立即就改变了整个社会,其技术也是一点点不断完善,从而应用得越来越好、越来越广,到最后才带来了工业革命、流水线生产等一系列革命性的改变。那么,如果说AGI是一次革命,主要是指其方法上有革命性的改变,还是指这种方法带来的结果会有革命性的改变呢?我想收看这个栏目的朋友们,特别是传统制造业的同仁们,一定都很想知道答案。安博士,请谈谈您作为数字化专家的看法。安筱鹏:好的,刚才赵院长讲到了两个方面的问题,或者说是两种不同的视角。一是从技术本身的发展来看,AGI为什么是革命性的?二是从技术对整个经济社会的影响来看,AGI为什么是革命性的?我先讲讲第一个方面。据我观察,AGI不仅仅是一项技术,当然它包括了语言、视觉、多模态等技术,但其本质是整个数字化技术体系发展到了从量变到质变的拐点。我们把时间尺度拉长一些,从技术供给侧的角度来看一看,为什么AGI会发生在此时此刻,而不是在8年、10年前或者更早的时间?我认为,是因为有几个核心要素发生了变化,正是这几个核心要素的量变积累才带来了这一次人工智能的质变突破。第一个要素是理论模型,即算法本身的创新。Transformer模型最早出现在2017年谷歌公司八位科学家发表的论文中,这篇论文阐明了该模型具有参数越多、效果越好的本质特征,从而为其后续的发展奠定了基础。第二个要素是算力,即芯片的进步,这个要素往往被忽视了。我们知道过去一两年里,英伟达的市值一度从1万亿美元增长到超过3万亿美元,有段时间是全球市值最高的公司。这背后的原因是什么?其实可以追溯到2012年,当时在一个全球人工智能大赛上,也就是李飞飞组织的斯坦福大学ImageNet(图像识别)竞赛,多伦多大学辛顿教授的两个学生获得了冠军,他们在图像识别质量上取得了很大的跃升。之前图像识别的准确率只有1%-2%,而他们竟然提高到了10%。这个结果引发了人工智能领域两个非常重要的变化:一是业界对人工智能研究的注意力开始转向神经网络模型,也就是冠军队使用的算法。大家看到神经网络取得了这么好的效果,于是很多人都进入到这个赛道。二是业界开始把训练模型使用的芯片,由以CPU(中央处理器)为主转为以GPU(图形处理器)为主。因为冠军队就使用了部分GPU,用GPU训练神经网络模型的效率要比用CPU高很多。由此,芯片算力的使用效率得到了大幅提高。第三个要素是云计算。在过去近20年中,云计算为人工智能技术的发展提供了基础支撑。2020年OpenAI公司发表文章,提出了人工智能大语言模型的一个重要定律,即Scaling law(规模法则)。其含义是:模型的参数越多,效果越好;模型的语料数据越多,效果越好。而参数多、语料数据多就需要有强大的运算能力,且这种运算能力的成本还要足够低,这样才能支撑起大规模模型的训练。云计算就提供了这种支撑。第四个要素是数据。过去20年互联网上已经积累了足够多的数据,今天训练大语言模型使用的就是互联网上的这些数据。可以说,互联网的发展为人工智能大模型的语料数据、场景以及相关人才都做了非常重要的积累。第五个要素是包括美国和中国在内的全球性的开源开放社区。以上这五个要素相互影响、相互制约、相互协同,构成了一个AI生态。正是这个生态使大模型从量变到质变,实现了能力的“涌现”,也让越来越多的人感受到其重大价值。比尔·盖茨、OpenAI公司的CEO奥特曼、巴菲特这三个人在不同场合都曾被问到,有哪种技术可以与本轮人工智能技术相比拟?他们讲了同一种技术——核武器。就是说,他们都认为大模型的威力十分巨大,这足以说明人工智能大模型的影响和潜力。当然也正因如此,我们需要对其进行严格监管。可见,从供给侧的角度来看,本轮人工智能技术是革命性的突破,其普适性和泛化能力正影响到经济社会的方方面面。汽车产业也在其中,我们稍后再谈大模型对汽车产业的影响。实际上,人工智能大模型对于制造业、医疗、教育、政务等等,都会产生巨大的影响。说到底,AGI作为一种通用技术,其影响和价值是全局性的。赵福全:听了安博士这段话,我想收看我们栏目的同仁们可以认识到:所有技术的进步都要经历一个从量变到质变的过程,而这一次人工智能大模型的出现已经是经过循序渐进的量变积累而发生的质变了。应该说,此前人类社会的进步基本上是以硬件为主导和标志的,相应的我们也已经习惯了机械硬件技术进步的模式。当一种技术出现之后,人们不断对其进行改良和优化。在这个过程中,这种技术的原理并未发生变化,始终遵循原来的物理定律。过去几百年间的技术革命大多都是如此。例如蒸汽机、内燃机等技术,并没有在其使用过程中突然出现某种跨越式的飞跃,而是从效率、能耗、噪声等各个方面逐步得到改进,最终越用越好。但是今天的数字化技术与传统的机械硬件技术完全不同,二者的演进过程有着本质区别。我认为,主要体现在以下两点:第一,这次人工智能的突破既有技术本身的进步,也有技术相关要素持续积累的支撑。因为人工智能涉及到的领域非常宽泛,最终是各个领域的技术进步共同促成了人工智能能力的整体飞跃。具体来说,从ANI到AGI、再到未来的ASI,在这个过程中,支撑人工智能技术的算力、算法、数据等要素一直都在积累。这些要素虽然与人工智能密切相关,但其实都是不同领域的技术。当这些技术的进步都堆积起来,人工智能技术才有了质变的可能。正如刚刚安博士谈到的,模型算法、芯片算力、云计算、数据和开源开放社区这五个要素共同构成的生态,推动了人工智能技术发生本轮质变。这些要素是缺一不可的:如果没有个人计算机、手机在互联网环境下积累的大量数据,即使有更好的算法和更强的算力,大模型也不可能“涌现”出强大的能力;如果没有算法和算力的突破,即使有更多的数据,也无济于事;而如果没有算法原理上的创新,即使有更强的算力,也实现不了“规模法则”带来的效果。所以安博士认为,这次人工智能的突破不是渐进式的技术进步,尽管这种突破依然来自于每天、每月、每年持续不断的微小改进,但是今天已经来到由量变到质变的拐点了。第二,这次人工智能技术突破的覆盖面将会非常广泛,几乎可以应用于所有行业,这和以前也有很大不同。以动力革命为例,内燃机出现后,主要应用及影响基本集中在交通以及制造业等领域。可是这次的大模型或者说AGI是一种用途非常宽泛的通用技术,在制造、交通、能源以及医疗、教育、娱乐等各个领域都可以发挥重要作用,且其方法在本质上是一样的,只不过外延有所差异罢了。事实上,每个领域都有自己的数据,有了AGI技术之后,就可以基于相同的算法原理和通用的算力,结合本领域的特点和需求来构建各自的大模型,从而实现人工智能应用的空前拓展。我甚至可以断言,对于这次人工智能技术突破带来的变化,人类可以无限畅想。这不是夸张,更不是调侃,而是未来一定能够实现的前景。由此,人工智能将给人类社会的各种生产和生活活动带来全方位的巨变。从这个意义上讲,这无疑也是一次质变。总之,无论是从技术本身、还是从技术应用来看,或者说,无论是从技术方法、还是从技术结果上来看,通用人工智能都是一次质变。而安博士刚刚的分享,更让我有了一点很深的感悟,那就是我们绝不能用传统的渐进式思维来考虑人工智能未来的发展和影响。赵福全:这就引出了下一个问题。现在都在讲数字化、数据化,也在讲大数据、云计算,还在讲人工智能、大模型和专业模型等等。各个领域的专家从各自的角度强调不同的概念及其应用,这本身无可厚非。但这也给我们带来了混淆,让人不免有“概念太多、莫衷一是”的感觉。其实这些概念之间既有区别、也有关联。比如大模型如果不能赋能专业模型更好地发挥作用,那它在相关行业的应用价值就非常小。我想利用今天这个机会,请安博士给大家做一次系统科普和概念辨析,以便帮助大家正确理解这些基本概念,进而在各自的领域中有效应用。
安筱鹏:好的。我们先来谈谈数字技术的发展。说起来,数字技术这个概念是在最近5-10年才开始较多地使用起来。不过早在上世纪40年代以来,芯片、软件和传感器等新技术就不断涌现,并快速普及应用到经济社会的方方面面,其中也包括汽车等传统制造业。这些新技术其实都属于数字技术的范畴。因此,数字技术一直处在新技术不断出现、快速普及并引发诸多相关领域持续改变的过程中,这个过程也就是数字化转型。
可见,数字化转型是一个非常宽泛的概念。简单说,就是新的数字技术融入到经济社会的各个领域,带来生产力的进步和生产关系的变革。而在不同的时间段,各有当时最具代表性和突破性的不同技术在引领发展。与此同时,这些技术又不是孤立的,而是相互关联、相互交织、相互支撑。比如10年前我们讲得更多的是物联网、大数据和云计算;现在讲得更多的是数字化、大模型和AGI。事实上,这些概念要真正融入相关领域、创造重大价值,必须与其他技术联动才行,只靠一种技术单兵突进是解决不了什么问题的。
赵福全:也就是说,这些技术都包含在数字化的大概念之下,并且有着内在的紧密关联。那么,您能不能具体解释一下,这些技术之间的逻辑关系究竟是怎样的?
安筱鹏:要讲清这些概念的逻辑关系,先要讲清什么是数字化。根据我之前的研究,我觉得可以这样理解:数字化就是我们在现实世界的基础上构造一个赛博空间,或者说一个数字世界,在这个由数据和算法定义的世界里,可以通过数据的自动流动,化解复杂系统的不确定性,优化资源配置的效率,提高企业的核心竞争力。
这样讲可能还是比较抽象,我们不妨从数字化转型的实践来解释一下。所谓数字化转型,究竟是要做什么事情呢?我想,每个行业都需要回答一个基本问题:即数字化转型的逻辑起点是什么?或者说为什么要进行数字化转型?不同的行业、领域和企业都有各自不同的出发点,可能是为了实现产品的个性化定制,也可能是为了实现产品的智能化,总之不外乎追求个性化、实时化、场景化、智能化等等。
以汽车领域为例,今天汽车消费群体越来越以90后、00后为主了。而这些年轻人的需求有很大的变化,他们心目中的豪华车与其父辈60后、70后心目中的豪华车完全不是一个概念。60后、70后在求学阶段和工作之初,看到的豪华车就是宝马、奔驰等,谁买了这些品牌,谁就迎来了人生的高光时刻,他们的这种印象一直延续至今。但是现在的年轻人并不这样想,他们的消费需求越来越个性化,强调实时、注重场景、关注内容,还要进行互动、有参与感。比如不少消费者都希望能有更多的参与权、表达权和分享权,或者直接参与产品的定义和配置的选择,或者在购车后通过社交媒介展示一下,这是一种新型的文化。我把消费需求的这种变化定义为消费者主权的崛起。当然,消费者其实是一个广义的概念,不仅包括个人,也包括企业、政府等,在此我们主要指的是个人消费者。
上述变化意味着今天我们面临着完全不同的消费需求。无论企业自身的供给能力有没有发生改变,需求的变化都是确定的,而且这种变化正驱动整个供需系统变得越来越复杂、也越来越易变。而当系统变得复杂、易变的时候,需求侧追求的个性化、实时化、智能化,必然要求供给侧的制造体系与之匹配。问题的关键在于,供给侧的企业要怎样才能跟得上需求侧的巨变?这对所有行业的企业来说,都是异常严峻的考验,区别只在不同行业发生变化的速度和竞争激烈的程度有所差异而已。
由此可见,各行各业都要面对“复杂系统的不确定性”带来的考验。而对汽车企业来说,其需求侧和供给侧都极其复杂,特别是汽车产品及其供应链的复杂度还在提高。当前汽车产品安装了很多传感器、芯片和软件等等,已经从单纯的机械产品演变成机械电子产品、甚至更像是电子产品了,而且汽车上的机械与电子部分还要有效融合。也就是说,汽车企业面对的是更复杂的系统以及更大的不确定性,如何优化资源配置也就成了更困难也更紧迫的难题。
那么究竟应该怎样解决这个难题呢?我认为,答案就是数字化转型,即用数字技术武装自己,并将其融入到企业经营、管理和决策等方方面面。就像我刚才讲的,构建一个数据和算法定义的数字世界,通过数据的自动流动,化解复杂系统的不确定性,优化资源配置的效率。说到底,企业之间的较量最终还是资源配置效率的竞争,而资源配置效率取决于企业决策的精准性和及时性,包括研发、采购、生产、营销和服务等各种决策。过去这些决策大多是基于有限信息和固有经验做出的,甚至有时候就是领导拍脑袋定下来的,但是今后要靠数据驱动、算法加持来进行决策。这是数字化转型的核心。
我经常讲一个观点,所谓数字化转型,本质上是三场革命:一是工具的革命,例如拥有制造汽车的各种新设备,包括机器人、数控机床、AGV(自动导向搬运车)等硬件,也包括CAD、CAE等软件,这些都是数字化转型所需要的工具或者说手段;二是决策的革命,过去企业产品研发、生产制造、采购物流、营销服务以及运营管理等都是基于经验进行决策的,而今后要基于数据、通过算法来洞察规律,进行科学的决策;三是组织的革命,所谓数据的自动流动,就是要把正确的数据,在正确的时间,以正确的方式,传递给正确的人和机器,这样才能真正实现高效率,为此我们必须变革组织,以支撑这样的数据流动。
一句话,企业数字化转型的最终目的只有一个,那就是优化资源配置的效率。当资源配置的效率提高了,企业的核心竞争力自然也就提升了。这就是我对于数字化转型的理解。
赵福全:安博士讲得非常好!现在几乎所有企业都在讲数字化转型,都表示要迎接本轮产业变革,但数字化转型到底是什么、应该做什么,其实不少企业并不是很清楚。而您明确提出,数字化转型就是要以数字化的手段来实现优化资源配置效率的目的。我觉得您的观点既有很强的学术性,又解释得非常详细到位。
我简单做个梳理:当前整个社会正在发生空前巨变,消费者的需求变得越来越复杂,甚至可以说是千变万化。在这种情况下,企业如果不能满足消费者需求的变化,就会失去生存的基础。因此,企业必须努力把内外部的各种资源有效组织起来,尽可能精准、快速地满足消费者日趋复杂、日新月异的个性化需求。而延续传统的企业运营和资源组织方式,无论怎样改进,都是无法做到这一点的。唯一的破局之道就是利用数字化手段、实施数字化转型。
通过数字化转型,企业要把市场上的需求信息都转变成数据,并让这些数据在企业内外流动起来,驱动企业有的放矢地打造新产品。由此,数据也就成为了一种新的生产要素。在之前硬件主导的时代,生产要素主要是实体的生产资料,例如钢材;当钢材进入生产线,对其进行冲压、切割等处理以形成零部件的相关技术,就是生产力;相应的,确保顺畅生产的生产线和组织等,就是生产关系。而进入到软件主导的新时代,我们可以利用数字技术,把各种信息都转变为数据,从而成为一种新的共性生产要素,或者也可称之为新型生产资料;对各种数据进行采集、传输、处理和使用等的一系列新技术,就是新型生产力;相应的,研发、生产、采购、销售、服务等各个部门,必须向着统一的产品目标携手努力,基于共同的生产要素产生不同的生产力,以实现提质、增效、降本,满足不断变化的市场需求,而确保这种协同的全新组织和分工等,就是新型生产关系。
我想强调的是,一方面,这种新型生产关系意味着企业内部的组织架构和运营管理必须进行全方位的变革。企业可能不再需要像以前那样经常召开部门之间的沟通会,也可能不再需要通过KPI来进行指标管理,因为企业完全可以通过数字化手段,基于数据来打通部门墙,全面提升部门之间的沟通及运行效率。另一方面,新型生产关系还涉及到企业与外部伙伴的合作,将会催生出新型的商业模式。比如原来整车企业和供应商之间基本就是简单的买卖关系,但是当前整供关系也在发生重大改变,正向长期战略生态伙伴的方向演进。究其根本,这同样是由数字化转型引发的。因为供应商或者掌握着部分数据,或者拥有处理数据的优势技术,而优化资源配置的效率就需要打通这些数据,也需要有效利用这些技术。为此,整供车企必须共创商业模式、实现资源共享。
总之,数字化时代与我们熟悉的硬件主导的时代完全不同,生产要素、生产力和生产关系都将发生重大改变。面对这样的新时代,企业必须实施以优化资源配置效率为目标的数字化转型。也唯有如此,企业才有可能高质量、高效率、低成本地精准满足快速变化的市场需求。这正是数字化转型的价值所在。
赵福全:安博士刚才讲了人工智能对产品的赋能,可以使其更加强大,从而更好地满足消费者的需求。那么对于社会和产业来说,人工智能又将如何赋能呢?前面说到,未来数字化及人工智能将会改变生产要素、生产力和生产关系,我觉得这实际上是在对创造力进行赋能。不知道您是怎样看的?
安筱鹏:赵院长的观察非常敏锐,这其中确实有创造力的提升。这段时间我们公司内部也在讨论,人工智能对于社会和产业到底有什么价值?将会带来怎样的变化?对此,我有三个判断:第一,一切硬件都会被AI驱动;第二,一切软件都会被AI重构;第三,一切数据都会被AI激活。
我用了“一切”这个词,听起来似乎有点绝对,但我认为未来的趋势就是如此。所谓一切硬件,既包括手机、汽车、工程机械,也包括摄像头、屏幕等等,未来所有这些硬件都会被AI驱动。例如,在一场有数百人参加的论坛上安装几个摄像头,就可以知道现场谁听得最认真,谁总在看手机,甚至还可以知道几位演讲人中谁最受欢迎。分析摄像头采集到的数据,我们就能得到上述答案。这在今天就已具备实现的条件了。
事实上,对于AI驱动硬件的未来演进,我们完全可以有更多的畅想。举个例子,今后眼镜可能也会装上摄像头,并与AI联动,从而发挥各种作用。比如有的人血糖比较高,眼镜可以记录他每天摄入的所有食物,进行分析并给出报告,告诉他今天哪些营养偏多、哪些营养偏少,同时给出第二天的饮食建议。
也就是说,未来大大小小的各种硬件都会被AI驱动起来,从而形成新的多种能力;与此同时,一切软件都会被AI重构,从而更好地调用各种硬件;一切数据都会被AI激活,从而被充分地利用起来。最终三者共同创造出新的更大的产业和社会价值。
具体来说,AI将在两个方面发挥重要作用:一方面是产品本身,AI相当于为产品安装了聪明的“大脑”,当这个“大脑”加载到产品的硬件上,就会使其实现智能化升级,这就是产品力;另一方面,AI还将融入到产品设计开发、生产制造、供应链、销售服务等各个环节,实现提质增效降本,这就是生产力。当前AI正在产品力和生产力两个方向上并行发力,尽管总体上还处于探索阶段,但是已经让我们看到了各种各样的可能性。
就生产力而言,大家目前最关注的是,人工智能究竟能在企业经营管理上发挥什么作用?前面讲到,数字化的本质就是通过数据的自动流动,来化解复杂系统的不确定性,这其中包含了决策革命。这场决策革命之所以之前不会发生,是因为过去在技术手段上面临很多局限。比如软件编写,过去只能依靠人工来完成,如果想让机器人抓取和加工一个零部件,要由人来编写相应的工艺软件,形成一个代码堆,而且不同的代码堆垛还在不断发生变化,这就需要大量有经验的工程师耗费很长时间来编写和维护软件。而当AI大模型进入到产品设计和生产等环节之后,人工编写软件的工作就被极度压缩了,同时整个工作流程也被压缩了。再如汽车设计,不只是造型设计,也包括芯片等复杂部件的设计,随着AI大模型的涌入,都会大幅提高工作效率。
所以,我用一句话来概括:AI大模型是数据要素创造价值的最短路径。应该说,此前的各种数字化技术仍然在演进中,也仍然在发挥作用;不过AI大模型这个新的技术手段出现之后,将带来很多新的革命性变革,从而助力企业实现更低成本、更高效率的运行。
换一个角度来看,过去的机器人、数控机床、工业软件等技术,更多地是提高了体力劳动者的效率;而本轮人工智能大模型带来的这场决策革命,可以为设计、开发、工艺以及管理等人员提供支撑,从而提高了脑力劳动者的工作效率,这也是其重要的价值所在。
赵福全:刚才安博士的回答非常重要。现在很多人对人工智能普遍都有一种直观的理解,就是人工智能技术可以为产品赋能,这样同样的硬件就能比原来表现得更好或者能力更强。从产品的效果上看,这种理解当然没有错,就像刚刚谈到的,人工智能可以显著地提升产品力。
过去产品力主要来自硬件,汽车产品也是以硬件为主导的。汽车企业要想获得更强的产品力,就必须持续进行车型改款乃至开发新车型。本质上,就是通过更新硬件来提升产品力。但是硬件有较高的成本,且其发展到一定程度之后就越来越趋于同质化了,从而导致产品力受限。而今后产品力将主要来自软件,汽车产品也将以软件为主导,此时情况就完全不同了。尤其是在人工智能的赋能下,软件的作用将得到充分发挥,可以有效调用标准化的各种硬件形成差异化的功能,从而为消费者提供满足其个性化需求的智能产品。本质上,这是通过更新软件来提升产品力的。
不过一方面,人工智能对于产品的赋能并不是没有代价的,我们必须开发算法、提高算力、采集数据,这样才能使产品硬件上的相同投入获得更大的产出。另一方面,还有一点更重要,却往往被忽视了,即人工智能不仅可以赋能产品本身,还可以赋能产品的创造力,也就是刚才安博士讲到的生产力。我认为,这方面的影响和价值其实更大。如果说产品是“鸡蛋”,那么创造产品的体系就是“母鸡”,而人工智能既能让“鸡蛋”变得更好,更能让“母鸡”变得更好。显然,赋能后者的意义更加深远。未来在人工智能的驱动下,产品创造体系将发生全方位的根本性改变,包括企业的组织架构、商业模式,即内外部资源优化配置的能力,也包括各个部门及员工参与产品创造的能力,都将完全不同。由此,“母鸡”就能以更优的质量、更快的速度和更低的成本“孵化”(生产)出更多、更好的“鸡蛋”。从这个意义上讲,人工智能也可以类比于传统制造业中的工业母机,而被称为AI母机。
正是因为人工智能可以同时为产品力和创造力赋能,而且这两方面又相互促进、共同作用,所以它将驱动人类社会的生产、生活方式发生质变,进入到一个全新的使用人工智能来创造智能产品的智能新时代。
赵福全:这就带来了另一个问题。您刚才说到,人工智能大模型有望实现AGI,是一次革命性的突破,而且将会波及各行各业。不过现在对于大模型的普及应用,各方也有一些争议。核心在于大模型和专业模型到底是什么关系?借此机会,请您为大家澄清一下相关概念。安筱鹏:我先讲一件事,大约在六年前我曾经到美国调研工业互联网和智能制造。那次我们去了很多公司,其中有一家公司叫约翰迪尔,这是全球最大的工程机械、农用机械公司,有着近两百年的历史。这家公司给我留下了非常深刻的印象:第一,这是我所见过的最豪华的公司总部,前面有几百亩的玉米地,玉米地后边是原始森林;第二,他们并没有谈工程机械制造的数字化,而是讲了很多人工智能在工程机械、农用机械产品中的应用,比如农用机械在喷洒除草剂时,怎样智能化地自动区分苗和草,这实际上是智能识别技术。由此可见,各个行业专业化的垂直模型早在多年前就已经在应用了,而美国在这个领域有明显的优势。那么,在大模型到来的今天,我们再谈垂直模型、专业模型的时候,和之前类似约翰迪尔公司使用的模型是不是一回事?或者说,二者之间有没有什么区别呢?目前,相关概念确实有些模糊。我觉得,清晰的表达应该是:之前类似约翰迪尔公司使用的模型,其基础都是ANI弱人工智能模型,这种模型只能完成一个特定的任务。ANI模型虽然早在好多年前就已经有了,但因为成本、质量、效果等方面都有局限,不可能掀起一轮产业革命,所以并没有引起太多关注,影响力有限。而今天的大模型是AGI通用人工智能模型,或者也可称之为AI基础模型。这与ANI模型有着本质区别,是完全不同的两个物种。在AI基础模型之上,可以用法律、医疗、教育、汽车等各行各业的数据,通过各种各样的技术手段,比如SFT(监督微调)、RAG(检索增强生成)等方式,进行整合和训练,从而得到解决特定行业问题的更高效、更精准、更科学、更有价值的垂直模型。也就是说,今天的垂直模型与基础模型之间存在联动关系,前者一定是建立在后者基础上的。正是因为有了基础模型,垂直模型的能力,包括解决问题的复杂性、广泛性以及低成本、高效率等,才实现了由量变到质变的跃升。那么,如何评价垂直模型和基础模型的作用呢?我认为,如果说基础模型的能力是1,那么行业垂直模型或者说专业模型就是1后面的0。这个描述可能不是那么准确,但有利于大家理解。我想强调的是,基础模型非常重要:基于功能不强、性能较弱的基础模型,无论怎样调试和优化,最终训练出来的垂直模型也不会有很强的能力,能够解决的问题将极其有限;只有基础模型非常强大,再加上相关行业的专业经验、技术诀窍(Know-How)和优质数据等,才能驱动垂直模型的能力实现飞跃式的提升。赵福全:安博士谈到,今天大家所讲的垂直模型实际上与6年前的垂直模型完全不是一回事,虽然都是专业类模型,但早已经既换汤又换药,只是没有换名而已。因为以前只有ANI模型,而现在有了大模型或者说AGI模型作为基础模型为其提供支撑。所以,今天的垂直模型是基于基础模型并与基础模型相互打通、彼此联动的新型专业类模型,其能力有了本质性的跃升。那么,基于大模型构建的新型专业类模型,其理念和方法等,与ANI时代相比有哪些改变呢?安筱鹏:这里面涉及到很多改变,我觉得其中最重要的一点是,今天大模型能给各类企业带来怎样的变革还是未知的。这可不像买一个杯子就是用来喝水,或是购置一台设备就是用来完成某项工作那样简单。此时此刻,大模型究竟会在各行各业中如何应用,还不是一件确定的事情。具体来说,这种不确定性是指大模型在产品研发、生产、供应链、销售、服务等的每一个环节都有发挥作用的可能性,不过这些可能性未必都会指向一个确定的结果。所以,我们必须在认知和理念层面上推动AI应用的方法论进行一次全面的革新。其核心在于,不管是一家汽车公司,还是一家律师事务所,各行各业都要认知到,自己与大模型之间是一种共创的合作关系,而不是一种简单的买卖关系。赵福全:就是说,并不是把大模型买过来直接使用就可以了。专业类模型与大模型之间是一种共创关系:一方面,专业类模型要以强大的大模型为基础,这样才能提升自身的能力;另一方面,专业类模型相当于是大模型之下的子模型,其不断扩展和进步又会支撑大模型的持续发展。试想,如果一个大模型能够支撑几十个专业类模型,在各行各业发挥重要作用,那其能力和价值自然也就更大了。赵福全:展望未来,大模型将如何演进呢?这个行业的竞争格局将会是什么样的?请您和大家分享一下。安筱鹏:我们今天讲大模型,主要是指大语言模型。当然,除了大语言模型之外,还有图像理解和生成的大模型,以及其他的一些大模型,即所谓多模态的大模型。目前这个方向的基本情况是:第一,大模型技术仍在快速迭代和演进中,有多种不同的技术路线都在发展。第二,本轮人工智能大模型中最重要的一个分支,或者说主赛道、主战场,即大语言模型,也在快速发展中。比如GPT就有GPT3.5、GPT4、GPT5的不断演进。而且大语言模型正在把文本、声音、图片和视频等多种模态加载进来,像近期发布的GPT-4o,就可以实时处理文本、音频和图像。未来大模型产品会呈现出怎样的产业形态和竞争格局呢?先看美国。美国基础性的大语言模型已经极度收敛了,根据我的观察,现在美国的大语言模型大概就是“3+1+1”的格局,即主要有5个大模型。其中,核心的“3”分别来自微软OpenAI联盟、谷歌、Anthropic公司,这三家提供的都是闭源导向的大语言模型;中间的“1”来自Meta,就是Facebook的母公司,它发布的是开源导向的大语言模型;最后一个“1”来自埃隆·马斯克的xAI,这家公司刚刚成立一年多,目前估值已高达约200亿美元。以上5家公司基本上主导了美国的基础大语言模型产业。可能有人会问,为什么美国的大语言模型主要就是这5家、而不是50家公司来参与竞争呢?原因在于大模型的开发和训练代价高昂,是资本、人才、数据和算力等都高度密集的行业。这和全球只有空客、波音和中国商飞这三家大型民用飞机制造商的道理类似,因为开发一款大型民用飞机可能需要10年时间和100亿-200亿资金,而且要销售至少一两千架飞机才能收回研发成本。也就是说,产业特点和市场规律决定了大型民用飞机市场上最多只能容纳两三家企业。这个规律同样适用于大模型行业,所以随着大语言模型的不断演进,就逐渐形成了这样一种收敛的竞争格局。当然,也有人认为目前的人工智能技术路线会遇到天花板,届时竞争格局还会生变,不过至少现在我们尚未看到。赵福全:安博士,那中国的情况会怎样呢?现在有个说法,叫做“百模大战”,中国真的有那么多大模型吗?为什么和美国相比,我们大模型的数量会如此之多?您认为,最终中国会有多少个大模型?安筱鹏:我个人判断,国内大模型行业未来可能会与美国差不多,只有少数几家企业能留在这个赛道上。今天很多人都在讲“百模大战”,但其实中国并没有“百模大战”,甚至没有“十模大战”,不少所谓的大模型并不是真正的大模型。在我看来,当前中国真正在大语言模型主赛道上的企业可能只有五六家或者稍多一点,这是符合产业发展和市场竞争规律的。赵福全:下面一个问题,大模型和专业类模型之间的共性连接体现在哪里?或者说,大模型是如何支撑及驱动专业类模型进步的?专业类模型又是怎样补充及拉动大模型发展的?您觉得在专业类模型的开发过程中,应该如何在思路、方法和手段上与大模型有效地结合呢?安筱鹏:首先,专业类模型的开发有两种类型:一种是使用开源大模型,即基于开源的大模型,结合本行业的知识、经验、方法以及核心技术等,开发出相应的专业类模型,部署在公有云或者私有云上。现在有很多开源模型都可供使用。另一种是为解决某个行业的特定问题,在基础大模型之上开发专业类模型。具体可以是法律、医疗、教育、汽车等的任何一个行业。一是SFT即监督微调方式。就是基于一个基础大模型,用特定行业的专业术语进行微调。通过该行业的大量数据训练之后,就可以得到某个领域的专业模型。比如,律师事务所可以训练律师行业的专业模型,包括刑法、婚姻法、知识产权法等各个细分领域。这种SFT方式对成本和人才的要求较高,训练周期也比较长。二是RAG即检索增强生成方式。这种方式不需要专门训练模型,只要把某个行业现有的知识、经验以及结构化和非结构化的数据等做成外挂系统,然后通过检索增强技术,使其与大模型结合起来,就可应用于专业领域。例如生成一份医疗报告、一份法律文本或者一个汽车外形等等。这相当于把专业知识与基础大模型进行了整合。三是Promote Engineering即提示词工程方式。通过设定合适的提示词,来提高大模型解决特定行业问题的能力。这种方式比较简单,同时效果相当不错。也就是说,提示词工程是一种成本投入较低、产出效果较好的大模型应用方式。四是Agent即智能体方式。这种方式相对比较复杂,需要开发面向特定行业的智能体。以汽车产业为例,如果把大模型比喻为发动机,那么还要给发动机配上底盘、车身、轮胎等等,在安装调试好之后,汽车才能行驶起来。同样的,只有大模型解决不了专业问题,也要给它配上周边系统,如感知系统、记忆系统、执行系统等,并经过调试后,才能使其具备解决特定问题的能力。所有这些要素及资源整合在一起,形成的能够解决某个特定问题的整体,就是一个智能体。目前,这种方式的相关技术还在迭代和演进中。以上就是当前专业类模型与大模型相结合的四种方式,每个行业及企业在面对特定问题时,都可以选择其中一种方式来构建所需的专业模型。当然,基础大模型的能力还在演进中,基于大模型构建专业类模型的技术也在演进中,未来二者的结合可能还会有新的变化。赵福全:安博士讲得非常透彻。目前关于大模型,业界还有一个问题存在争议,就是有些专家认为“大模型”这个名称不太准确,可能会造成误导,实际上应该称为LLM即大语言模型。毕竟名称可以传递很多重要信息。比如现在电动汽车不再有传统发动机了,可依然被称为“汽车”,在某种意义上也是在强调其交通工具的属性并没有改变。对此,您是怎么看的?
安筱鹏:我是这样理解的:大模型的“大”,主要是指模型的参数多,且“参数越多,效果越好”,这是一个普适规律。基于这一规律构建的模型最初就是针对语言的,即大语言模型。不过除了语言之外,对于图像的识别和理解也是一样的,比如提供一张照片,模型就能识别出上面显示的是什么地方,或者为其配上一段说明文字;其他诸如音频、视频等的处理,也完全适用于上述规律,都可以构建相应的大模型,这就是所谓的不同模态。当然,此前最重要的大模型还是大语言模型。
而现在大模型的发展方向之一就是把各种模态进行集成,尤其是OpenAI公司今年刚刚发布的GPT-4o,已经整体集成了这几种模态。为什么说是整体集成呢?我们不妨对比一下此前的大模型,比如GPT4,可以与人进行语音对话。不过在其内部每轮对话都是通过三个模型协作来完成的:你问一个问题,大模型先用a模型把你的语音转换成文字,并传递到b模型;然后b模型针对你的问题给出文字形式的答案,并传递到c模型;最后c模型再把文字转换成语音,反馈给你。所以,尽管对你而言,就是用语音问了大模型一个问题,然后得到了它的语音回答,但其实这背后是经过了转换的,而在转换过程中就难免会产生时延、偏差等问题。与此同时,你在说话时可能还打了手势、做了表情,而这些信息都被屏蔽掉了,大模型仅仅采集了语音信息。
而现在的GPT-4o,可以同时采集你的声音、手势、动作和表情,然后把这些信息集成起来作为输入,这样其能力自然就更全面、也更强大。此外,它的输出主要是语音,但也可以有表情,显示出喜怒哀乐等情绪,这意味着其输出也是多模态的。显然,这是一个非常重要的变化。
赵福全:关于大模型和专业类模型的话题,是所有产业的模型应用者以及潜在应用者,也包括AI大模型的推动者,都非常关注且必须面对的问题。而这其中涉及到的一些重要概念,大家的理解可能还不太一样。刚才通过与安博士的交流,我们澄清了概念、理清了逻辑。特别是安博士的分享既专业严谨,又浅显易懂,更融入了自己在这方面的独到理解和深刻感悟,相信大家肯定都很有收获。下面,我简单做个小结。
实际上,专业类模型并不是新生事物。早在ANI弱人工智能时代,很多行业就已经有专业类模型了,可以解决特定领域的某个问题。这种专业类模型的效果通常都还不错,问题在于只能解决特定的问题,无法向其他领域拓展,因此有明显的局限性。另外,这种专业模型后续不断升级的工作量也很大,其投入产出比是比较低的。
当大模型出现之后,我们开始进入AGI强人工智能时代。大模型在数据、算法、算力等方方面面的能力都有了革命性的提升,可以作为普适的、通用的AI基础模型,像基础设施一样发挥作用。基于AI基础模型,各行各业的专业人士可以开发各自的专业模型,或者说垂直模型,从而将大模型应用到各个专业领域。但是此专业模型非彼专业模型,因为其基础不再是ANI模型了。新的专业类模型一定是基于AGI大模型的,是使用了大模型这一基础设施的。这个差别非常大,就好比同样是汽车,但跑在高速公路上和跑在乡间小路上,速度是完全不同的。在此情况下,如果企业没有基于大模型来做专业模型,那就和以前没有区别,虽然也可以做出来,但模型的能力及潜力都会非常有限;而如果企业以大模型为基础来做专业模型,其模型效果以及拓展性就会有质的提升。这就是我作为一个IT业外人士的理解。
可见,大模型是专业类模型的基础。而更多的专业类模型基于大模型开发,又可以让大模型发挥更大的作用。这一点至关重要,因为如果只有大模型而没有专业类模型,大模型在整个经济社会中的影响和价值也会大打折扣。就像百度董事长李彦宏总最近强调的,没有应用模型的基础大模型,无论是开源还是闭源的,都一文不值。所以,希望各个行业、众多领域的专业模型能够百花齐放。为此,做专业模型的人要拥抱大模型,而做大模型的人也要拥抱专业模型,双方相向而行、共同奔赴理想的目标。
在这个过程中,我们必须清楚,大模型并不是谁都能做的。因为开发大模型需要规模超乎想象的算力、数据、人才和资本等资源,而且不是一次性的投入,后续还要不断迭代、优化才能确保持续引领,这远非一般企业所能承受。所以,真正有能力做大模型的企业数量将非常有限,而其他企业更应该把资源用于专业类模型的开发。正因如此,最终大模型的数量不会很多,事实上也不需要很多。这就像高速公路不需要到处都有,且一定是在政府主导下由大企业来建设的;相比之下,乡间小路由村里集资就可以建了。
至于到底应该叫大语言模型还是大模型,如果从人工智能进入AGI阶段的高度来看,叫大模型应该要比大语言模型更有普适性,也更有指引意义。另一方面,虽然大模型最初主要就是大语言模型,但是目前早已拓展到语音、图像和动作等更多模态了,甚至已经有大模型能够集成处理不同模态的信息,并产生相应的数据训练模型了。所以,简单地叫“大语言模型”可能会有一定的局限性。当然,无论是开展实际工作的专家,还是从事相关研究的学者,都更应该注重大模型的发展及应用,而没必要过分关注其称谓。
安筱鹏:我再补充一点,就是未来人们使用大模型时会形成一个供给侧与需求侧互动的生态。事实上,大模型的应用一定是一个多主体联动的过程,其中只有一部分情况是大模型直接提供服务,即所谓API(应用程序编程接口)方式,而更多、更复杂的业务场景涉及到多个利益主体、多条技术路线的不断协同和反复互动,要靠各方有效协作来为客户提供服务,这就构成了生态。如果以足球比赛类比,大模型企业就像是守门员,通常无法一脚直接把球踢到对方的球门里,而是要与球队的后卫、中场、前锋等一起配合来取得进球。赵福全:安博士强调的这一点非常重要。我之前曾经多次讲过,在万物互联的时代,各类不同主体将有效协同、相互赋能,共同驱动整个人类社会迈入超级智能时代。届时每一个人造物都将是互联的,且由人工智能赋能,从而构成了智能化的大环境,可以使其中的每一个人造物都把智能化的能力发挥到极致。所谓车路协同也是同样的道理,即智能的车必须跑在智能的路上,而智能的路也只有当智能的车行驶时才能体现出其智能的价值。由此,道路、车辆、车内外的人员以及网络、云端等所有智能的主体,将互联而成一个超级智能的大生态。参与其中的各类主体相互协同,把各自的力量都融合到一起,最终实现1+1+1远大于3的效果。安筱鹏:是的,各类企业都有自己的优势。到了人工智能大模型广泛应用的时代,生态系统本身就是企业竞争与合作的一种必然形态。现在中国和美国都有很多开源社区,比如阿里的开源社区叫做魔搭社区。现在可能有很多人对这种生态还没什么认知,实际上其作用是巨大的。我经常举一个例子,要攀登珠穆朗玛峰,从地面一直爬到山顶的难度非常大,但如果从海拔5200米的珠峰大本营出发,爬到山顶就容易多了。同样的道理,包括开源的软件、大模型、社区等在内的生态,就像一架直升机,可以先把你从地面运到珠峰大本营,然后你再爬完剩下的3000多米,这自然可以帮你节省很多体力或者说资源。实际上如果没有生态这架直升机,你可能永远都无法登顶。目前美国在AI领域就有很多这样的“直升机”,可以把企业直接运到“珠峰大本营”,这就大大降低了AI应用的门槛。中国在这方面也需要加紧努力,因为对于一个国家或地区的大模型普及应用来说,繁荣的产业生态至关重要。赵福全:安博士,下面我们来讨论一个令很多企业苦恼的现实问题。当前几乎所有的企业都宣称要实施数字化转型,然而我看到过一组统计数据,事实上数字化转型成功的企业比例并不高。当然,究竟怎样才算成功,这本身也是“仁者见仁、智者见智”的,不过有一点是确定无疑的,那就是总体上多数企业数字化转型的成效都不理想。说起来,数字化转型似乎已经成为企业领导讲话时一定会谈到的话题,可是这些企业领导真的有数字化转型的正确理念和坚定决心吗?这可能也是一个问题。所以我曾经讲过,数字化转型首先应该是领导力的转型,这比其他任何方面都更重要。那么,对这个问题您是怎样看的?安筱鹏:我想先讲讲企业数字化转型的逻辑起点问题,就是说,企业为什么要进行数字化转型?前面我们其实已经从社会和产业的角度谈过了,现在不妨换成企业的角度,从董事长、总经理等公司决策层的视角来审视一下数字化转型。决策层对数字化转型有两种不同层面的思考:一是数字化能够给企业带来什么收益,比如产品智能化水平升级、市场份额增长、客户粘性提高、质量改善、效率提升、成本降低以及供应链优化等等,即为了收益而转型;二是不得不转型,我把它概括成一句话:不是因为转型的收益可以预期,而是因为不转型的风险难以承受。为什么这么说呢?一方面,数字化转型所能获得的收益存在不确定性。首先,数字化转型是一场创新,而创新都有失败的风险。反过来讲,如果数字化转型没有本质性的创新,那它也就没有多大意义了。其次,数字化转型高度复杂,绝不是买一组设备或上一套软件就可以解决的问题。最后,数字化转型的投入往往极大。如果企业要为数字化转型投入几千万甚至上亿元,还有大量的人力、物力,却不能百分之百地保证会获得成功,那决策层难免心存犹疑。另一方面,如果企业不进行数字化转型,其损失和风险则是确定的。之前我们讲到,现在市场需求正变得日益个性化、实时化、场景化,如果没有数字化手段予以应对,企业将面临什么后果?我想无外乎四点:一是市场失焦,企业无从知道客户到底需要什么;二是营销失语,企业不知道自己的广告等传播应该讲给谁听、通过什么渠道讲以及讲完之后效果如何;三是管理失衡,面对更加复杂的用户需求识别系统、研发系统、制造系统、供应链系统等,企业的资源配置及调度一定非常低效;四是增长失速,企业的增长速度会趋于缓慢甚至完全停滞下来。也就是说,企业如果进行数字化转型,不一定能获得收益;但不进行数字化转型,一定会遭受损失,这是一个两难的选择。实际上,很多企业之所以最终下决心实施数字化转型,并不是为了获得明确的收益,而是担心不这样做大概率会被市场淘汰。说到底,数字化转型本身就是一场竞争。即便企业的决策层不想主动选择转型,但是考虑到其他企业可能会凭借转型获得实际或潜在的优势,从而超越自己,这样的风险是自身绝对无法承受的,那么也只能被动选择转型。由此出发,我倒觉得,企业应该换个角度来考虑这个问题:既然数字化转型是不得不做的战略选择,那为什么不主动选择转型、做好系统谋划呢?赵福全:前面我们谈到,数字化转型既需要数字化的技术手段,也需要支撑数字化的组织架构,任何一个方面有所偏废都不可能成功。不过即便企业在这两个方面都做了努力,结果依然可能不尽如人意。当然,这其中或许有时间问题,即近期暂时没有明显效果,而长期就截然不同了。说到这里,我想问问安博士,为什么企业的数字化转型会这么难呢?究竟是难在技术手段上,还是思维方式上,又或者是资金投入上?后续我们应该怎样突破?安筱鹏:数字化转型确实不容易成功,或者说极富挑战性,我认为其根本原因在于,数字化转型是一场比谁跑得更快、更远的竞赛。数字化转型的终极目标是满足用户的需要,即企业以更高的质量、更低的成本、更快的速度、更精准地持续满足用户的个性化需求。在转型过程中,企业成功与否并不是要和自己比较,而是要和竞争对手比较,看谁能更好地服务用户,这才是数字化转型的本质诉求。因此企业要变革的绝不仅仅是技术手段,诸如购买ERP(企业资源计划)管理软件或者数控机床、应用人工智能技术、加强数据分析等,都只是在解决具体的技术问题,并不足以确保企业实现领先,毕竟竞争对手同样可以这样做。也就是说,数字化转型涉及到技术,但绝不只是一个技术问题。在我看来,企业实施数字化转型,最重要的是重新思考自身的战略定位——我是谁?如果我们把优秀企业数字化转型的理念和方法提炼出来,会发现共同点是这些企业都重新定义了“我是谁”。并且这个定义都包含了两点:一是企业要成为客户运营商;二是企业要成为数据运营商。先说客户运营商,像中国电信和美国AT&T(美国电话电报公司)这类公司就是客户运营商。一直以来,客户运营商的特点就是追求实时感知客户需求、实时响应客户需求、极致满足客户需求。而到了今天,我认为,无论是化妆品、服装公司,还是汽车公司,各个行业的企业都可以基于数字化转型成为客户运营商,或者说都应该具备以下三种能力:第一,实时感知客户需求。这里所说的需求可能来自于已经购买了产品的客户,也可能来自于潜在的客户。第二,实时响应和满足客户需求。比如用户在使用某款汽车产品的自动驾驶系统时,出现了一点问题,相关信息会立即反馈给车企,车企很快就能在后续迭代更新的软件版本中把这个问题解决掉。这就是对客户需求的实时响应和满足。第三,极致满足客户需求。就是要让客户的体验越来越好,这同样是客户运营商的核心内涵之一。由此出发,企业决策层首先要在战略层面上思考,我们是不是一家客户运营商?有没有具备上述三种能力?事实上,这三点说起来容易,做起来是非常困难的。企业要形成这三种能力,唯有构建起自己的一套数字化系统,基于数据、利用软件等工具,才能实时感知、响应和满足客户需求,并提供极致的客户体验。这样一来,企业自然也就成为了数据运营商。至于具体是使用ERP或CRM(客户关系管理)系统,还是应用什么人工智能技术等,都只是手段而已,必须服务于上述目标。也就是说,成为客户运营商和数据运营商,是企业在战略定位和经营理念上必须做出的转变。以此为目标,企业再考虑如何在技术路线和方法手段上做出相应的转变。总体来说,企业在转变了战略定位和经营理念之后,必须依靠两个支柱来支撑其数字化转型:一个是全新的数字基础设施体系,包括各种硬件和软件;另一个就是全新的组织与管理体系。因为生产力已经改变,所以生产关系,特别是企业的组织,也必须随之改变。面向数字化转型,企业组织变革的任务就是要建立一个开放型、自驱型、生态型、自组织不断涌现的全新组织;其目标就是要激发所有员工的积极性、主动性和创造性,包括研发、生产、销售、服务以及管理等岗位上的每一名员工。只有当员工的活力都被充分激发出来,企业的数字化转型才能取得成功。可见,数字化转型是一项全方位的系统工程,企业不仅要将自身定位转变为客户运营商和数据运营商,而且还要构建全新的数字基础设施和匹配数字化的组织架构。为此,企业必须从认知、理念、组织、管理以及技术、工具等各个方面多管齐下、协同推进。如果说企业的数字化转型挑战巨大,那么其根本原因可能就在于此。赵福全:当前企业普遍感到数字化转型非做不可,如果不转型会很焦虑;但是转型动力又不太足,转型中的企业也往往因为效果不佳而纠结。而安博士上面这段分享帮我们理清了数字化转型困难的本质原因。实际上,数字化转型意味着企业商业运行的底层逻辑以及企业之间的竞争模式都将发生质变,因此是极其关键的战略问题,同时也是高度复杂的系统工程。一方面,数字化转型是企业非做不可的事情,也是企业根本性的战略定位和战略选择问题,主要原因有以下三点:第一,数字化是一条全新的赛道,需要大量基础性的投入,且并不直接提升企业的竞争力。不像企业多开几家零售店,马上就能多卖出几十辆车。数字化转型的前期投入是巨大的,而其效果是间接的、滞后的。例如数字化营销之所以能够提升销量,是要在数字化后台的支撑下,收集用户需求,反馈到销售部门,使其营销活动更加精准;而不是直接把用户需求信息转变成销量。所以如果只是就事论事,或者只关注短期影响,那数字化转型的效果肯定不尽如人意。但是企业如果不转型,就等于停留在老赛道上,那一定是没有未来的。第二,商业竞争倒逼企业“不得不”转型。竞争一定是企业之间的较量,而不是企业自我比较。比如此前有的车企认为不做新能源汽车,照样可以销售燃油车,结果随着其他车企新能源汽车的热销,这些企业就错失了电动化的机遇,陷入到困难的境地。类似的,现在有的车企认为不做数字化转型,照样可以实现产品的提质增效降本,其结果恐怕也是一样。以质量为例,企业如果已经把产品质量做到行业一流了,然后还沿着既有模式追求更高的质量,那么投入就会越来越大,而质量改进的效果却越来越小,意义有限;同时,如果竞争对手转换了赛道,通过数字化的新模式来改进质量,那就能够以同等的投入实现更高的质量,或者以更少的投入实现同等的质量,从而具备更强的质量竞争力。这就像那个大家耳熟能详的故事,两个人在野外遇到了熊,一个人先系鞋带,不是要比熊跑得快、而是要比另一个人跑得快,这样才能活命。第三,企业经营的基本理念必须改变。原来市场变化没有那么快,也没有实时准确获取及识别用户需求的手段。所以,企业只要把产品设计好、造好就可以了,或者说,企业按照在某个领域内努力做大做强的经营理念和固有模式推进即可。然而未来市场需求千变万化,且不断有新的需求出现,甚至有时候连用户都不清楚自己想要什么。这就需要企业通过数字化手段实时感知和准确识别用户的需求,甚至创造出用户意想不到的新需求。用乔布斯的话来说,就是要引领需求,创造让用户惊喜的产品。显然,没有数字化手段根本不可能做到这一点。更进一步来说,今后企业不仅要“做好”产品,还要让消费者“用好”产品,即提供“产品+服务”的最佳体验。为此,企业需要形成经营用户的理念及能力,在用户使用自身汽车产品的同时,为其提供众多衍生的相关产品及服务。在此过程中,企业可以持续推送内容,可以不断迭代优化产品,还可以吸引消费者使用关联产品及服务。这意味着企业的商业模式和以前单纯销售产品时完全不同了,将会发生质的改变。而在新的商业模式背后,企业基本的商业逻辑以及相应的组织、流程等,都必须随之改变。综上,数字化转型对于企业来说,不是可做可不做,而是非做不可,否则竞争对手都在做而你不做,企业就会失去未来可持续发展的机会和能力。正因如此,即使近期数字化转型的效果不佳,企业也不能轻易放弃。我认为,这一点至关重要。另一方面,数字化转型是全局性的系统工程。为了实现新的商业模式,企业不仅要使用数字化的技术手段,还要重新构建起新的组织关系,这既包括企业内部各部门之间的协同方式,也包括企业与外部伙伴之间的合作模式。毕竟市场环境已经完全不同了:原来只能是一线员工听从坐镇总部大楼的高层们发号施令,以确保步调一致,没有更好的办法。而现在面对用户每天不断产生的新需求或者新抱怨,企业要让一线员工拥有相应的决策权,即所谓“让听得到炮声的人决定怎样战斗”;同时企业还要积极拥抱用户需求的千变万化,让全体员工都实时感知到这种变化,并为响应这种变化而共同努力。这些都只能通过实施数字化转型,依靠数字化手段来实现。举个简单的例子,原来企业要快速上传下达,只能把员工都召集起来开全员大会;而现在基于数字化手段,根本无需开会,就可以第一时间让公司每个人都了解相关信息。试想,如果没有数字化手段作为支撑,企业怎么可能做得到快速反应呢?此外,数字化转型作为全局性的系统工程,将全方位地提升企业的综合能力。不过其整体效果是由各方面的举措逐步叠加而来的,开始时并不明显,但最后会呈现出指数级数的提升。所以,企业不要简单地觉得自己采用了多少项数字化技术,或者调整了多少次组织架构,马上就会有立竿见影的结果。事实上,数字化的技术手段也好,匹配数字化的组织架构也罢,都需要不断积累和持续优化,最终这些积淀都会体现在企业对市场变化的反应速度、对产品品质的控制水平以及对客户需求的满足程度上,或者说会体现在企业整体经营的提质增效降本上。这就是安博士刚才所讲的,数字化转型可以优化企业资源配置的效率,提升企业长期可持续的竞争力。而我们现在看到的,还只是数字化从0到1的变化,很多场景都还没有实现。所以,我们完全可以期待未来数字化从1到100甚至从100到10000的更大变化。到那个时候,整个社会都将完成从量变到质变的数字化转型,从而释放出巨大的潜能。安筱鹏:赵院长刚才的阐释,又让我想起了一个案例。上世纪90年代,美国《计算机世界》杂志评选出了25位改变世界的IT领域商业领袖,其中与比尔·盖茨、乔布斯等人同时入选的有一位叫马克思·霍珀(Max Hopper),他曾担任美国航空公司(AA)的CIO(首席信息官),也被称为CIO这个职位的鼻祖。马克思·霍珀在上世纪七十年代请IBM公司为其制作了一套信息化的订票系统,实现了与美国航空公司原有优势的完美结合,显著提升了公司的核心竞争力。正是这个前瞻性的举措及业绩,使马克思·霍珀成为与比尔·盖茨、乔布斯同等量级的商业领袖。后来当时美国排名前五的航空公司,除了第五大的人民捷运航空(People Express)外,都引入了类似的信息化订票系统。而人民捷运航空最终破产,被其他公司收购了。其董事长在回忆录中说,我们以为IT无关紧要,事实上它却事关公司的生死。也就是说,早在上世纪的七八十年代,IT就已经能够决定企业的成败了。回顾这样的历史有助于我们把握今天的情况。回到现在的汽车行业来看,记得有一家汽车公司的高管曾经讲过这样一个观点:凡是没有把“软件定义硬件”作为核心理念的汽车公司,都还只是传统企业,无论采用了多少新技术。该观点或许可以商榷,不过我觉得这个看待问题的角度还是值得我们深思的。说起来,我们应该如何定义什么才是数字化的汽车公司或汽车产品呢?所谓“软件定义硬件”,对汽车产品究竟有什么影响?而被软件定义了硬件的汽车,到底是电子产品还是机械产品?如果汽车已经是电子产品了,那么其迭代周期应该是多久?设计开发、生产制造、供应链管理以及新品发布、定价策略等,是不是全都需要改变?所以,“软件定义硬件”看起来只是很简单的一句话,实际上却意味着企业经营理念的根本性转变,并将由此带来整个产业链各个环节的全方位变革,这才是当前我们必须要面对的现实情况。赵福全:安博士讲的这一点非常重要,我也谈谈自己的理解。对于数字化转型,如果就手段谈手段,那就太局限了。当然,数字化本身是一种手段,包括软件、硬件(传感器、芯片等)、算法、算力以及云、网等等,都是这种技术手段的一部分。从这个角度看,委托相关科技公司来提供技术就可以了,似乎汽车企业并没有太多事情要做,也无需深度参与,只要拿来应用即可。但事实上,数字化远远不只是手段,它将催生出新的生产要素,促进新的生产力快速发展、并带来与之相匹配的新的生产关系。新生产关系将支撑新生产力背后的各类不同主体有效协同、紧密合作,实现多种资源的优化重组。这将是一场全方位的系统性变革,既涉及到企业内部的组织架构调整,又涉及到企业外部的商业模式创新。所以,我们不能只把数字化看成手段,而是要站在企业、产业乃至整个社会革命性变化的高度来审视数字化。如果没有这样的认知高度,我们只从近期看一个问题、一件事情、一家企业,自然会感觉到数字化转型的效果不明显,或者投入产出比很低。而如果认识到数字化将会带来全新的人类社会,各行各业都将随之巨变,那争论到底是传统企业、还是新科技公司也就没有意义了。因为未来所有企业都必须以数字化的理念和手段来武装自己,升级成为拥有新生产要素、新生产力和新生产关系的新型企业。也就是说,即便是今天的新科技公司,不进行数字化转型也照样会逐渐落后,最终被时代淘汰。反过来讲,汽车企业虽然本身并不产生数字化科技,但只要选择合适的合作伙伴,如拥有人工智能、数据处理等数字化技术的科技公司,并结合自身的独特优势和经验,向着数字化转型的目标共同努力,照样可以老树开新花,最终在竞争中脱颖而出。赵福全:在实体经济中,汽车是最具代表性的产业,其产业链条长、关联领域广、拉动效应大,因此被誉为现代工业皇冠上的明珠。刚才我们谈到传统企业和新科技公司,拥有一百多年历史的汽车产业无疑属于传统制造业;不过与此同时,汽车又是战略性的新兴产业。事实上,在制造业数字化转型的进程中,汽车产业是重中之重的载体和龙头,这一点已逐渐成为行业内外的共识。那么作为数字化方面的专家,您怎样看汽车产业未来的发展呢?
安筱鹏:赵院长是汽车行业的长期从业者和大专家,我其实是外行,只能从外行的视角来看汽车产业。应该说,汽车在现代工业体系中是一个不断拥抱新技术、而且体量巨大的重要产业。据我观察,当前汽车产业的发展趋势就是电动化和智能化,此前几年主要是电动化,而现在及未来更多的是智能化。这里所说的智能化是一个多元化的大理念,包括大数据、人工智能、云计算等多种技术。我想,不妨从产业发展的风向标来看看。
第一个风向标是今年1月在美国拉斯维加斯举行的CES(Consumer Electronics Show)即消费电子展。我从2014年起多次参观过CES展,感受到一个很大的变化,那就是这几年展馆里几乎全都是各大汽车厂商以及汽车电子设备、芯片等厂商,让人搞不清这到底是一个电子展,还是一个汽车展。后来与主办方美国消费电子协会交流时,他们自己也说,现在CES展的这个C已经不是Consumer,而是Car了。也就是说,汽车已经成为CES展的主角。而今年美国CES展的一个关键词就是AI,具体就是指产品的智能化,或者说,智能化驱动产品力全面提升。
第二个风向标是今年4月在德国召开的汉诺威博览会。大家知道,德国的工业4.0就是在十年前的汉诺威博览会上提出的。而在今年的博览会上,我与很多参会的朋友们都有一个共同的体会:数字技术尤其是人工智能技术,成为了不同企业、不同专家发言时最高频的关键词。同时我看到,在最重要的一个展馆里,一边是德国的宝马、奔驰、西门子等传统制造企业,另一边是美国的谷歌、微软、英伟达等IT企业。而这两个国家的“新旧”两类公司正紧密地结合起来,传递出共同的核心内容,即数字化特别是人工智能带来的变化。例如西门子在2023年GPT-4刚刚发布的时候,就与微软合作,将其应用到工业软件中,优化相关产品的迭代升级,包括产品全生命周期管理(PLM),也包括集中分散控制系统(PRC)等。又如,宝马公司与英伟达深度合作,构建了数字孪生工厂;而英伟达现在讲自己的数字孪生、人工智能技术时,一定会讲到宝马的案例,将其作为数字技术深度应用的样板和方向。前面我们讨论了数字技术应用的两个方向,即产品力和生产力。看起来,美国科技公司更多看到的是产品力,而德国制造企业更多看到的是生产力,而这两个方向目前都在发生革命性的变化。
从这两个国际展会也即全球先进技术的两大风向标来看,今天全球都在深度探讨人工智能技术的发展,尤其是整个汽车产业体系的智能化步伐正在全方位加速。当然,汽车企业的高管和专家们主要讲自动驾驶、智能座舱、智能制造等等,可能在他们看来,这更多属于原有技术轨道上持续的迭代升级。不过由于现在人工智能出现了新一轮技术革命,原有的技术轨道叠加了具有全新能力的人工智能之后,其能力和水平将显著提升,从而会创造出很多新的价值。如果用一句话来概括,那就是:原有的汽车智能化赛道正在新人工智能技术的赋能下不断加速,并将由此催生出各种新技术、新模式、新业态。这就是我对汽车智能化未来发展的一个总体判断。
赵福全:安博士刚刚说,我是汽车产业的从业者,而您是外行。其实现在早已经是大汽车产业了,汽车要拥抱IT,IT也要拥抱汽车,特别是未来人工智能将赋能包括汽车在内的各行各业。从这个角度来讲,凡是从事与汽车产业、产品、技术等相关工作的同仁们,都是大汽车产业的一员。所以,您也不是外行。
在这种相互融合的大趋势下,原本就高度复杂、涉及广泛、集大成的汽车产业,边界还在不断扩展,范畴还在持续扩大。反过来讲,与汽车相关的诸多行业、领域,如果不能充分考虑汽车产品和技术等的需求,不关注和参与汽车产业,恐怕就会错失自身转型发展的战略机遇,其价值和影响将大打折扣。就人工智能赋能制造业而言,汽车无疑是应用最困难而价值又最高的产业,一旦解决了汽车行业的问题,也就解决了制造业百分之七八十的问题。
刚才安博士谈到,您在参加不同的国际展览会时切实感到,人工智能正赋能汽车产业加快创新发展。一方面是产品力的提升。说起来,汽车是非常复杂的产品系统。整车本身是产品,整车下面的各个关键总成是产品,总成下面的各个零部件也是产品,这些数量众多的小产品共同构成了整车这个大产品。而每一个总成乃至零部件,无论是空调还是显示屏,都有独立的功能,都可以在人工智能的赋能下更好地发挥作用,然后再集合起来,就可以让汽车产品更安全、更节能、更环保、更便捷、更舒适,以及让消费者用车时更愉悦。也就是说,人工智能对汽车产品力的赋能是多层级的,其作用至关重要。
另一方面是创造汽车这种复杂工业品的能力本身得到大幅提升,您称之为生产力,我更喜欢称作创造力。毫无疑问,没有好的创造力就不可能有好的产品力,创造力会提升产品力;反过来,产品力也会拉动创造力,二者之间是鸡和蛋的关系。而人工智能提升创造力的作用同样至关重要。正是得益于人工智能对产品力和创造力的双赋能,汽车行业在数字化时代将迎来空前广阔的发展空间。
赵福全:我之前曾经讲过,当前汽车产业的情况可以概括为三句话。一是“听起来很热”,数字化和智能化的前景尤其让人心潮澎湃,吸引了大量资本和科技公司不断涌入;二是“看起来很乱”,数字化和智能化的核心技术及能力涉及到大大小小的各类不同企业,相关的业务既有芯片、先进传感器等新增硬件,更有各种软件、操作系统以及复杂的软件平台等,很多不同层面的问题交织在一起,看起来非常乱;三是“做起来很难”,每一项核心技术都必须有效落地,同时还必须确保各项技术融合起来达到良好的效果,这其中涉及到资金投入、人力部署、知识产权、产品管理以及责任划分等诸多难题。以责任划分为例,原来汽车产品出现问题基本上都是因为硬件,即使问题是嵌入硬件的软件造成的,责任也是清晰的;而现在软件所占的比重越来越大,并且软件与硬件逐渐相互解耦,这时候如果出现问题,责任就变得模糊了。例如自动驾驶汽车的制动失灵导致发生碰撞事故,这可能是制动器硬件出现了故障,也可能是调用制动器的软件出了问题,还可能是该软件受到了其他软件的影响,此时具体责任应该怎样判定以及如何处理,就需要全新的方法和规范了。可见,企业在数字化和智能化转型的道路上,将面临全新的挑战。上述情况之所以会出现,根本原因在于,汽车产业边界正在不断扩展,汽车核心技术正变得日益多元。特别是汽车产业必须与大智能产业紧密地融合起来,要应用数据技术、网联技术、云技术、大模型等各种智能技术,还要解决芯片、操作系统等各类关键问题。这些技术都是汽车企业此前并不拥有的,今后也很难或者说不宜拥有,却是ICT科技公司所擅长的。因此,汽车产业必将涌入新的重要参与者,形成新的竞争格局。这就让汽车企业倍感纠结:究竟哪些核心技术应该自己掌握,又有哪些核心技术只能借助外力?事实上,车企原本引以为豪的传统汽车核心技术,如发动机、变速器等,其重要性已经由于汽车电动化而大幅下降了;而智能化给汽车核心技术带来的影响可能会更大。在这种情况下,安博士,您觉得大智能产业与汽车产业之间的边界应该怎样划分?在数字化和智能化时代,汽车核心技术到底包括哪些?又应该由哪类企业掌握呢?赵福全:您可以分享一下结论性的观点。实际上,安博士对传统汽车产业来说是局外人,而对新汽车产业来说又是局内人,您有自己独特的视角,这也是我邀请您来参加本期对话的原因。在产业变革之际,AI产业和汽车产业究竟怎样分工才最合适?汽车产业应该做多少?AI产业又该做多少?说起来,业界对此也不乏争议。有一种说法是软件将赋予汽车灵魂,因此ICT公司对汽车企业会构成降维打击,传统汽车制造业已经没有多少发展空间了;另一种说法是汽车硬件始终是基础,如果没有汽车企业打造的底盘、车身以及制动、转向等硬件,软件何以依托?那岂不成了“孤魂野鬼”?您怎么看这些观点?安筱鹏:我先说一个结论——数字化或者说人工智能正在重新定义汽车企业的核心竞争力,不过这一定义是一个持续的过程,需要放在足够长的时间尺度上来看。就近期而言,我们更应该关注数字化在汽车产业各个细分领域应用的情况。我认为主要有几个方面:一是自动驾驶,二是智能座舱,三是汽车制造体系。前两个主要影响产品力,后一个关乎生产力,也就是您说的创造力。这其中自动驾驶应该是当前业内讨论最多的,而以我从外部视角的观察来看,AI正在引发自动驾驶技术路线的重大转变。2023年9月,马斯克曾经在全球1200万网民的关注下展示了特斯拉当时最新的自动驾驶技术。我认为,马斯克从车里走出之后说的那句话非常关键。他说,我的工程师们从来没有写过任何一行代码来让车停在什么地方,但车总是停在它应该停的地方。这句话表明AI大模型开始与自动驾驶关联了,端到端的技术路线呼之欲出。以前的自动驾驶技术路线,包括特斯拉的FSD 11版本的自驾系统,都是通过人工进行海量数据标注和编写规则代码的方式来开发的。比如,要让汽车识别出红灯后停下来,就要编写这一规则的代码,在各种场景下加起来可能会有几十万行。而今天基于大模型,可以把原来的感知、规划、控制三个模型,统一到一个基于Transformer架构的端到端模型中,然后只要提供足够多的数据让其自学习,到一定阶段后模型就能学会什么时候停车、什么时候左转或右转等等。这样自动驾驶技术的开发就大不相同了,可能只需要几千行的代码就可以了。过去,开发自动驾驶系统需要很多工程师人工处理各种极端情况,即所谓的Corner Case,这既费时费力,又难以穷尽。而现在,基于Transformer架构的端到端模型,完全可以用少得多的工程师获得相似甚至更好的自动驾驶效果。所以,目前国内外很多车企都在朝着这个方向努力,这无疑是大模型对汽车产业的一个重要影响。由此我们不妨延伸一下来思考,AI大模型对于汽车产业及产品到底意味着什么?反过来,汽车产业及产品又会对AI大模型产生什么影响?现在基于新的Transformer技术路线,同时利用海量里程的车辆行驶数据,车企就可以实现效果相当不错并且还能持续提升的自动驾驶,从而使其更接近于成为一种易被消费者接受的商品。当然,自动驾驶技术当前的市场售价并不低。如果从技术经济学的角度来看,我们可以从中得出三个判断。第一,自动驾驶系统会改变汽车的定价逻辑和价格结构。自动驾驶系统除了芯片、传感器等基本硬件之外,主要价值体现在软件上。那么,与传统汽车的各种物理硬件相比,自动驾驶这套软件系统应该在一辆车的价格中占据多大比重呢?在自动驾驶系统的效果还不够好时,这当然不能很高;可是当一套很有竞争力的自动驾驶系统搭载到车上时,我觉得完全可能会占到整车售价的1/5-1/4,甚至在低价车型中可以占到1/3。因为这相当于为用户提供了一个专职代驾,将使汽车产品的定价逻辑和价格结构发生重大改变。我们知道,软件在经济学上的特点就是具有相对高的固定成本和非常低的边际成本,其边际成本甚至可以趋近于零。当一套软件开发出来之后,后续让更多的用户下载使用,企业并不需要付出什么额外的成本,比如微软的操作系统就是如此。而汽车自动驾驶系统作为软件,也符合同样的经济学规律。那么,自动驾驶系统的固定成本有多高呢?马斯克说过,他要投资100亿美元建设算力集群,因为开发端对端的自动驾驶系统不仅需要海量数据、大模型算法,还需要有强大的算力,只有把这三个要素集成起来,才能训练出效果极好的自动驾驶系统。显然,这是需要大量资金投入的。我们就按100亿美元来衡量,试问全球有多少家公司具备在这个赛道上竞争的实力?未来自动驾驶将越来越成为汽车产品竞争的焦点,而车企要想把自动驾驶做好,就必须在算力、数据和算法上加大投入,这意味着自动驾驶系统会有很高的固定成本。显然,车企唯有给自动驾驶系统合理定价,并努力扩大其使用规模,才有可能承受得起这样的成本。也就是说,对于软件定义硬件的全新汽车产品来说,其定价逻辑一定会发生变化。越来越多的车企将采用“硬件部分不涨价、软件部分不降价”的竞争策略,我判断这是未来汽车产业的必然发展趋势,并将由此引发产业格局的根本性改变。第二,自动驾驶会影响汽车保险行业。当自动驾驶真正落地时,必须出台很多新的保险规则。比如一旦发生交通事故,车企要不要承担责任,承担多少责任?这需要有颗粒度很细的规则以及相关的数据来确定和判断责任方。由此汽车保险的定价方式将发生全方位改变,进而可能会影响到整个保险行业。第三,自动驾驶会影响消费者的购车心理和决策依据。当高级别自动驾驶成为现实,汽车完全可以“招之即来、挥之即去”,届时消费者是继续购买汽车产品,还是转为购买汽车出行服务,这也是一个很大的问题。总体而言,我认为AI大模型对于自动驾驶的影响绝不仅仅局限于技术,而是会带来一系列的连锁反应,最终将改变整个汽车产业。我觉得,这个例子很能说明AI如何重新定义汽车企业的核心竞争力。当然,AI也非常需要像汽车这样重要的大产业来扩展其应用价值。赵福全:我非常认同安博士的这段分享,这其实正是当前汽车人既深感焦虑、又希望寻求突破的关键点。数字化和智能化将使汽车产业的内涵外延、汽车企业的商业模式以及汽车产品的属性定位等都发生革命性的改变。特别是,原来汽车产品是以硬件为主导的,车企对硬件的特点非常了解,只要不断打磨和升级硬件就可以了;而今后汽车产品将越来越以软件为主导,产品竞争力及价值也越来越指向软件,这就需要车企转变理念,努力加深对软件的理解和掌握。正如安博士谈到的,今后汽车企业可以通过数字化手段不断对产品进行迭代优化,这将成为未来汽车产业竞争的重点。在此情况下,硬件可以基本不变或少变,而通过软件来实现产品持续改进,不断提升用户的个性化体验。事实上,汽车业内的同仁们应该都能感受到,现在硬件已经越来越同质化了,车企要靠硬件来实现产品差异化越来越难了;相比之下,凭借软件来实现产品差异化的空间却越来越大。比如,特斯拉的车型换代速度很慢,但是通过不断推出新软件或升级软件版本,用户在原来的车型上一样可以持续获得新体验。这就是所谓的“常用常新、越用越好”,我认为这个理念至关重要。正因如此,很多汽车企业纷纷调整自身的定位,从原来的制造公司向出行科技公司、出行服务公司转型。我觉得,这反映出这些企业的领军人对汽车产业数字化和智能化的高度重视与深刻认识,他们意识到汽车企业的核心竞争力正在被重新定义,为此企业必须调整经营管理的理念、方向和模式。赵福全:这就带来了一个新问题——未来支撑出行科技公司、出行服务公司的核心能力是什么?现在的汽车企业要怎样做才能转型成功?您刚才举了特斯拉自动驾驶系统的例子,强调这背后既有数据、又有算法、还有算力。作为人工智能的三大支撑要素,三者缺一不可,每一个都很重要。而目前掌握这三个要素的主体各不相同,总体而言,算力、算法基本掌握在大智能产业的科技公司手中,而数据则掌握在整车企业手中,因为直接面对用户的还是车企。在这种情况下,很多企业的高层都曾与我交流过一个核心问题:整车企业应不应该、又能不能够自己拥有算力和算法呢?现在看来,特斯拉可能是将人工智能和汽车合二为一的唯一一家企业,它本身也自认为是科技公司,而非汽车企业。那么,特斯拉是一个特殊的存在吗?还是说这是未来汽车企业转型的必然方向,像大众、丰田这样的全球顶级车企今后也要努力成为人工智能科技公司?说到底,这还是未来整车企业应该具备什么核心能力的问题。毫无疑问,自动驾驶技术逐渐投入产业化应用,并且不断进化升级,一定离不开算力、算法等的支撑,这些AI技术当然是大智能产业的强项;但是AI大模型必须用数据来训练,而数据掌握在整车企业手中。所以,大智能产业和汽车产业必须相互融合、紧密合作。不过这两个产业之间总还是要有一个边界吧,如果交集始终是灰色地带恐怕行不通。具体来说,您觉得汽车企业应该向人工智能的方向拓展多少?又应该把重点放在哪里?假如说10年之后,人工智能将实现全面的重大突破,那么汽车企业现在要做哪些布局和储备,届时才足以拥抱更强大的人工智能呢?目前的情况是,面向未来的汽车智能化竞争,汽车企业缺少AI技术;而像阿里这样的ICT科技公司,也缺少汽车技术。这样一来,是不是谁都无法与特斯拉抗衡了呢?说实话,我并不这样认为。我觉得,现在有点类似春秋战国时期,各方八仙过海、各显神通,但最终还是会有殊途同归的一天。安博士,您怎样看这个问题?这可能也是收看我们栏目的企业家们最关注的问题之一,其中既涉及未来发展的大方向,又涉及具体时间节点的判断。安筱鹏:我们不妨分析一下支撑智能产业生态系统的这几个核心要素。第一个要素是算力。前面提到,马斯克宣称要投资100亿美元来建设算力集群。可见,要构建一个可以进行自动驾驶大模型训练的智能算力集群,门槛是非常高的。可能国内车企可以建立几百、几千GPU卡的算力集群,能够支撑小模型的运行,但面向未来自动驾驶大模型的算力需求,这是远远不够的。所以,我觉得车企应该与国内的云计算公司合作,让其提供算力服务,帮助车企进行所需的模型训练。当然,这个训练本身还是由汽车企业来做,云计算公司负责为车企提供高效、安全的算力基础设施即可,这就是双方的职责与分工。需要注意的是,现在有一个认知误区。我们今天谈大模型时经常会提到万卡算力集群,但是很多企业可能都低估了从百卡、千卡集群到万卡集群的技术门槛。实际上,并不是简单地把上万张GPU卡堆积起来就是万卡集群了,这其中还需要一套非常复杂的调度优化系统,其技术门槛是很高的。也就是说,即便车企有足够的资金,也未必有足够的技术能力来构建大模型算力。因此我的结论是:中国乃至全球最终能够真正具备万卡乃至超万卡算力集群的公司,数量会非常有限。当然对于汽车产业的垂直模型来说,并不需要像大模型那么高的算力。不过车企训练自动驾驶系统的算力需求,肯定会越来越高,这部分算力完全可以由云计算公司来提供。而且既然车企有这样的商业诉求,那么云计算公司就会做好相关的服务。例如,阿里目前就在和小鹏汽车合作,为其提供自动驾驶模型训练的云解决方案。我相信,未来这类需求的规模会更大。第二、第三个要素是算法和数据。对于汽车企业来说,自动驾驶的算法是其核心竞争力,数据也是其核心竞争力。而这两个要素还会相互影响,形成一个不断迭代和演进的过程。例如,现有的自动驾驶系统不断采集到新数据,再用这些数据进行训练,持续迭代改进算法,然后演进出下一个版本的自动驾驶系统。今后这种技术发展模式将越来越成为一种常态,并且这也是汽车企业和自动驾驶公司在激烈的市场竞争中必须做好的一项工作。所以我认为,从较长的周期来看,大智能产业与汽车产业之间可行的分工方式是:汽车企业在算法和数据方面“以我为主”,而算力则由云计算公司提供。或许部分汽车企业也会自己构建较小的算力集群,但同时其更多的算力需求还是要依靠大型的云计算公司满足。毕竟算力集群的资金和技术门槛都非常高,而且相关核心技术又变化得非常快。当然,特斯拉可能确实比较特殊,因为其创始人马斯克出身于IT领域,之后才去做汽车企业,2023年他又成立了一家人工智能公司。也就是说,马斯克麾下既有汽车、也有人工智能的技术和人才等资源。从这个角度看,特斯拉有点像是一家纵向一体化整合的独特企业。赵福全:应该说,这样的分工是清晰的。同时,您也认为特斯拉有其独特性,不具有普适的参考价值。而我们都知道,在产业转型期,颠覆者往往都是那些“另类”的企业,那么特斯拉会不会成为颠覆者?进而导致很多汽车企业尤其是传统车企,失去向人工智能方向成功转型的机会呢?刚才安博士谈到了美国的大模型已经基本形成了相对稳定的“3+1+1”竞争格局,而特斯拉就位列其中,这不能不说是其重要优势。当然反过来看,特斯拉既在算法和数据上有深厚的积累,又有自己强大的算力,这会不会造成自我封闭呢?也就是说,将来特斯拉的大模型很可能没有其他车企使用,从而影响其迭代优化的速度。从企业战略的角度看,我认为这其实涉及到要不要垂直整合的重大问题。就短期来说,垂直整合可以助力企业提升速度、降低成本,因此是有利的,甚至企业可能因此抢先抓住转型机遇而赢得眼前的优势;但长期而言,垂直整合就不一定是合适的商业模式了,否则当年通用也就不必把德尔福拆分出去了。我觉得,这个问题值得我们进行更深层次的思考。问题的关键在于,未来企业的核心竞争力究竟是什么?而要获得这种竞争力,企业采取怎样的策略才是最佳选择?应该说,刚刚安博士的分享让汽车企业安心不少。因为您认为,车企自己掌握数据和算法,同时使用外部的算力资源即可,并不是一定要把三个要素都抓在自己手里。我们不妨再具体看看:算力可以依靠合作伙伴即云计算公司来提供。数据本来就是由车企掌握的,正如我一直讲的,谁拥有汽车品牌,谁直接面对用户,谁就拥有相关数据。当然如果车企不能把数据真正用起来,转变为自身的核心竞争力,那就会逐渐失去用户、直至品牌不复存在,最终也就无法再获得数据了。而数据的充分利用有赖于算法,所以,车企必须在自动驾驶、智能座舱等的算法上形成能力。获得这些能力当然也可以借助一些外力,但绝对不是简单的“拿来主义”。安博士,算法的背后其实就是模型。我们前面交流过,未来各个产业的专业模型都必须构建在大模型之上,才能实现能力的跃升。显然,自动驾驶的专业模型也不可能脱离大模型的支撑,这就需要车企与开发构建基础大模型的公司加强合作。在这种情况下,面对特斯拉这样既有专业模型、又有基础大模型的竞争对手,中国车企应该怎样与其竞争呢?请您为大家指点迷津。安筱鹏:这确实是一个业界高度关注的问题。前面提到,马斯克成立了一家大模型公司,叫做xAI。这是特斯拉之外,马斯克的又一家公司。同时,特斯拉本身也有自己的AI部门。可以说,在人工智能方面,马斯克麾下的团队是有着很强的实力的。不过从大模型的角度来看,自动驾驶大模型与大语言模型的核心并不完全相同,虽然自动驾驶大模型也是基于Transformer基础架构的,但其参数要求没有大语言模型那么高。所以,国内车企应该也有可能形成部分这样的能力,即基于Transformer架构做出自己的自动驾驶大模型。目前国内车企特别是造车新势力,在这方面已经做了一定的布局,而且发展速度都还比较快。在全球范围内,中国车企包括传统车企和造车新势力,可能还是对特斯拉跟得最紧的。目前已经有不少车企宣布,正在基于Transformer架构构建自己的端到端自动驾驶解决方案。所以,全球自动驾驶的第一梯队仍然是以美国和中国的企业为主,二者之间的差距有时候大一些,有时候小一些,各自都在不断迭代和进步中。我认为,过去六七年甚至更长的时间里,国内车企特别是造车新势力一直在智能化的赛道上不懈努力,到如今在组织、管理和人才等方面都已经有了很多积累,同时也形成了对新技术的洞察能力。尽管在前进的道路上仍然会有严峻挑战,但目前来看,我感觉中国汽车企业是有信心也有能力追上特斯拉的。赵福全:特斯拉确实是一个特例,这家公司作为整车制造商,在数据上是有优势的;同时一直以自动驾驶作为核心竞争力,在算法上已经做了很大的投入,也取得了不小的成果;而在算力以及AI大模型方面,又可以获得新成立的人工智能公司的助力。虽然特斯拉和xAI并不是一家公司,但同属于马斯克,肯定会“左手帮右手”,这样形成的合力绝对不可小觑。不过就像安博士谈到的,尽管中国车企要成为特斯拉这样的公司可能不太现实,但这并不意味着未来我们就没有赶超的机会了。至于具体行动,我认为主要有以下三点:第一,车企一定要掌握数据和算法,并且要通过算法,让数据真正发挥作用。为此,应该在自身更擅长的专业模型上下足功夫。在此过程中,也可以借助外力,但是核心工作必须由车企主导。如果想要引领未来的产业发展,不充分挖掘数据和算法潜力的车企是没有机会的。第二,对于自动驾驶技术,车企没有必要自建大模型,但是不自建不代表不需要,而是可以借助外部更专业的力量。为此,车企要选择国内顶级的大模型公司建立真正的战略合作伙伴关系,互相赋能。即由合作伙伴提供车企所需的大模型,而车企的着力点应该放在大模型支撑下的专业模型上。这样就能把车企的数据和专业模型算法,与合作伙伴的算力和大模型算法结合起来,共同驱动自动驾驶技术的快速发展。在这方面,中国车企甚至还可以利用国家的算力资源,这可能也是中国体制优势的一个表现。第三,汽车及相关企业还要携手努力,共同构建开放性的全新汽车产业大生态,并充分发挥其作用。汽车原本就是由上万个零部件组成的复杂工业品,未来还要加上成千上万套软件,最终汽车软硬件将共同构成了一个可移动的AI机器人。这样的AI机器人涉及到诸多领域各不相同的核心技术,没有任何一家乃至一类企业能够拥有全部这些核心技术。因此,所有企业都必须借助汽车产业大生态来获取自己不具备的技术及能力等资源。整车企业也不例外,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。实际上,奉行开放理念和模式的汽车企业,相对于特斯拉这种独自掌握了很多核心资源、可能会相对封闭的公司来说,说不定还会具有某种优势。当然具体能否形成这种优势,还要看企业有没有极强的集成能力,同时有没有找准专业化的生态伙伴,并以创新性的商业模式来实现有效分工和共同发展。我始终认为,专业化分工的协同创新生态是未来企业取得成功的最重要支撑。而这样的生态一定是开放性的,因为封闭性的生态难以成长和进化,即使原本体量很大、实力很强,也会逐渐落后和退化。从这个角度来看,中国车企其实有很好的发展前景,完全有机会在未来汽车产业生态的全球竞争中占据制高点。赵福全:安博士,前面主要交流了产品力,下一个话题咱们谈谈创造力或者说生产力。2023年汽车工程学会专门成立了数字化与智能制造工作委员会,我作为牵头人受邀出任主任委员,您也在其中担任副主任委员。我们成立这个专委会的主要目的,就是要推动数字化更好地赋能汽车企业系统性的产品创造力。实际上,产品创造力绝不仅仅是研发的事情,而是涵盖了企业研产供销服管等各个环节,并且每个环节还要相互打通,最终形成企业产品创造的综合能力。更进一步来说,这也不仅仅是整车企业内部的事情,还需要与外部的各类供应商等合作伙伴紧密协作。比如,研发环节不能只靠整车企业,相关供应商也必须参与进来,特别是一些科技公司的作用不可或缺;生产环节,整车企业其实只负责集成和组装,绝大部分零部件都是由供应商提供的;采购环节也有巨大变化,因为现在的汽车供应链不仅包括硬件,还包括各种软件,对此整车企业必须以不同的方式进行有效管理;最后,服务体系就更复杂了,未来汽车产品与外部各种服务都需要基于数据全面连接和打通。由此,企业才能形成研产供销服一体化的综合能力,也即智能制造体系的产品创造力。我认为,与产品力相比,数字化对创造力的赋能,意义更加深远。而像汽车这样高度复杂、新旧融合的大产业,正是数字化赋能创造力的最佳载体和平台。反过来说,人工智能助力汽车产业实现更高水平的资源优化配置,将是其最重要的应用场景之一。当然,企业要成功获得数字化的赋能绝非易事,必须面对种种挑战。那么在您看来,当前汽车产业数字化转型的卡点究竟在哪里?汽车企业到底应该怎样推进数字化转型呢?安筱鹏:赵院长提的这个问题,我觉得从广义上讲,是数字化转型中最重要的问题,我将其定义为基本矛盾。何谓基本矛盾?简单地说,就是矛盾背后的矛盾、问题背后的问题。我们上学时都学过,我国社会主要矛盾是人民日益增长的物质文化需要和落后的社会生产之间的矛盾;而十九大报告指出:我国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾。这个表述中的“不平衡不充分的发展”,就指向了生产力有待进一步提高的基本矛盾。那么,今天数字化转型的基本矛盾是什么呢?我此前讲过一个观点,数字化转型的基本矛盾就是企业全局优化的需求和碎片化的供给之间的矛盾。刚才赵院长谈到,企业必须基于数字化手段,打通产品研发、生产、采购、销售和服务等各个环节,实现各种资源的全局优化配置。因为在市场需求发生巨变之际,企业只有这样做,才能有效组织内外部资源,对用户快速变化的需求做出实时、精准的响应。所以,这种全局优化是企业提升核心竞争力的迫切需求,也是数字化或者说智能化的价值所在。然而目前各项业务的信息化系统基本都是相互孤立的,很难确保将正确的数据,在正确的时间,以正确的方式,传递给正确的人。也就是说,当前的根本问题在于,掌握数字技术的供应商们给汽车企业提供的解决方案都是碎片化的。例如在同一家车企,可能是A公司做了一套CRM客户关系管理系统,B公司做了一套ERP企业资源管理系统,C公司又做了一套PRM项目管理系统,此外还有D公司做了一套人力资源管理系统。这些软件公司的产品大多由来已久,当年是为了解决某个局部问题而诞生的,本来就没有考虑过解决数字化转型的全局问题。当然,即便想要解决全局问题,也很难做得到。试问,我们怎么能指望一家软件公司把汽车企业的所有问题都解决了呢?所以,当我们以更长的视角审视就会发现,在过去二三十年里,企业数字化转型面临的一个最主要的问题就是供给与需求脱节,这也是当前很多问题背后的根本原因。那么,这个问题应该怎样解决呢?我认为,这需要供给侧与需求侧联动。最近我观察到,很多行业的领头羊企业,在跻身全球第一梯队,不得不走进创新发展的“无人区”时,都做出了一个共同的选择,那就是“以我为主”去探索全新的数字化技术架构和解决方案。像ERP、CRM等系统,现在已经不是乙方提供给甲方什么,甲方就用什么了。很多甲方都是自己来主导技术架构及解决方案的设计,然后让乙方按照自己的想法来执行。这些方案也往往不再是传统的线下部署,而是开始转向云端来重新构建。就是说,这已经不再是部署单一的某套硬件设备及软件系统,而是整体性地迁移企业的数字基础设施体系了。也只有这样,才能从根本上满足企业全局优化的需求。对于企业而言,进行这样前所未有的创新尝试肯定会遇到诸多挑战,其领军人也要承担很大的风险和责任,但是企业要想成为引领全球的领导者,成功应对快速变化的市场环境,就必须在数字化转型的全新领域勇敢探索。这是我的一个判断,现在看来也越来越受到企业的认同。在这样的全新布局下,数字化才能真正对汽车产业产生全局性的影响。举个例子,随着市场需求的变化越来越快,汽车企业都非常希望能够缩短产品研发周期。目前汽车产品的研发周期已经从以前的三四年,逐步压缩到了现在的24个月、18个月、甚至更短。然而像汽车这样集大成的复杂工业品,要在确保质量的前提下不断缩短研发周期,像IT产品一样快速迭代,谈何容易?这就需要企业在产品研发、生产以及供应链等每一个环节,都形成更强的组织和协调能力,并且充分打通各个环节,以进行全局性的整体优化。显然,企业如果不进行系统性的数字化转型,是无法实现上述目标的。赵福全:刚刚我问的其实是数字化转型中最难也最关键的问题之一,而安博士的回答非常到位。您分享了一个非常重要的观点,当制造业拥抱AI技术、实施数字化转型的时候,既有单个领域如何突破的局部挑战,更有多个领域如何协同的全局挑战。从供给侧看,在ANI时代,解决单个问题的软件系统及专业能力,已经有了很深的积累,但是这种能力并不能满足AGI时代汽车企业进行全局优化的需求,也不足以支撑汽车企业主导下全新数字化解决方案的实施。也就是说,沿着原有的方向发展,数字化已经遇到了瓶颈。再从需求侧看,为了快速响应市场变化,根据用户需求来打造产品,汽车企业既需要在产品研产供销服的各个环节都实现数字化,更需要打通所有这些环节,让各方的资源和力量都能有效协同,这就是一个系统性的问题了。比如说,研发部门做到了根据用户数据来定义和开发产品,但是生产不能按此灵活调整;或者生产实现了智能化定制,但是供应商包括物流、仓储等却跟不上,这无疑都是不行的。如果说过去数字化主要致力于也只能解决某个环节的问题,那么今后随着数字技术特别是AI技术的进步,数字化必须解决的主要问题就是打通各个环节,确保各参与方始终站在同一条进度线上来打造产品。正如安博士指出的,当前通过数字化提升创造力的重点方向,更应该聚焦于各个环节的充分打通和有效协同上。与之相比,各环节自身的数字化能力提升可能反倒没有那么紧迫,甚至可以说是“小巫见大巫”了。假如企业认为研发重要而忽视了生产,又或者觉得生产重要而忽视了供应,那其数字化转型肯定无法获得良好的结果。这意味着企业既要做到每个环节和领域的专业化,更要做到所有环节和领域的协同化。而实现这种专业化分工基础上的多主体协同创新,就是今后汽车企业最重要的目标。我想强调的是,多主体协同创新不仅需要数字化和智能化的技术手段,更需要改变企业内部的组织管理和外部的商业模式,也就是让生产关系匹配生产力,才能真正得以实现。以汽车产品开发为例,原来主要涉及的就是技术问题,可以由研发负责人来掌管;而现在涉及的远远不只是技术问题,研发负责人的权限就不够了,应该由整车企业的CEO或者拥有类似权限的领导来负责才行。比如,在新形势下研产供销服各部门需要更紧密的有效协同,才能快速、精准地打造产品,而研发负责人是很难调配其他部门资源的;再如,一些核心软硬件技术来自于外部供应商,必须合理选择并与之建立长期的战略伙伴关系,而这样的决策显然也不是研发负责人能做的。所以我认为,新时期只有像CEO这样的角色,才能有效统括全局,推进汽车产品的打造。同样的道理,如我前面提到的,数字化转型首先是领导力的转型。只有董事长、CEO转变了理念和认知,企业的数字化转型才能做到位;而众多企业的董事长、CEO们都转变了理念和认知,整个行业的数字化转型才能做到位。安筱鹏:赵院长,我再补充一点。我们之前做过一个研究,结果发现:企业的数字化投入如果是一条向上的斜线,那么其收益并不是一条同样向上的斜线,而是一条指数曲线,开始时缓慢向上,一旦经过了某个拐点之后,就会呈现出快速增长的态势。仔细分析来看,这个结论其实是有道理的。在刚开始数字化转型时,企业要进行很多单项的投入,例如购买相关的硬件设备和软件系统,逐渐完成各个业务板块的数字化基础设施布局。该阶段的投入是很大的,但效果只来自于单一领域的特定应用,就是前面说的研发、生产或供应链中的某个环节,因此企业的收益有限。之后企业开始把各个领域的应用都集成起来,包括企业内部资源的集成以及与外部供应商、销售商、服务商等资源的集成,最后构建形成一个创新生态。到了那个时候,数字化转型才能真正产生全局优化的效果,企业的收益也才会随之呈现出指数级的增长。赵福全:这样的研究结论正好可以支撑我们的观点。就像刚刚谈到的,目前数字化转型的主要问题就是要把各个环节和领域打通,这样当数字化的投入积累到一定程度后,才能实现1+1>2的协同效果。所谓“打通”不只包括企业内部的组织和管理优化,还包括企业与外部各类伙伴的分工协作与资源整合,最终各方将形成一个命运共同体,也即一个多主体协同创新的产业生态。在这个生态中,任何环节和领域都不能有缺位或不足。如果说互联网产业的规律是长板效应,互联网公司可以凭借某个单点上的优势脱颖而出,那么我认为当数字化和智能化进入制造业的时候,其规律就变成了短板效应。因为制造业更强调集成,只有单点优势并不足以提升企业的综合实力,相反,任何单点存在短板都会拖累企业整体的表现和收益。赵福全:接下来进入下一个话题。数字化转型要解决诸多难题,但归根结底还是要解决人的问题。而人的问题不仅涉及到企业高层领导力的转型,还涉及到全体员工思维方式、基础能力和知识架构等的转变。对于原本偏向机械硬件的汽车产业来说,企业在数字化转型的过程中,必须有针对性地调整内部人才结构,更多地加强智能化及软件等方面的人才。这实际上又涉及到了整个产业人才培育的大问题。现在高校既有的学生培养体系也面临很多争议,比如未来主导汽车产业发展的人才到底是继续来自汽车专业,还是会来自人工智能等相关专业?是让汽车专业的学生学一些人工智能的课程,还是让人工智能专业的学生学一些汽车的课程?面向未来的迫切需要,高校应该怎样培养跨界的新型复合型人才?当然,无论高校培养体系的改革进展如何,企业自己都要基于现有情况,尽最大努力解决好人的问题。那么安博士,您怎么看这个问题?安筱鹏:这也是一个非常大的话题。我想从两个方面谈谈自己的理解:首先从整个社会的角度来看,未来5-10年,随着人工智能更加普及,我们需要什么样的人才;相应的,教育理念和方法需要怎样调整。然后回到汽车产业,审视一下具体的人才需求和组织调整等问题。总体而言,当人工智能全面到来的时候,我认为教育将是全世界、全社会受到最大挑战的行业之一。因为有了人工智能,人类就不需要再像以前那样死记硬背很多知识或者勤学苦练很多技能了。比如当你在工厂工作时,会有一个数字人和你一起配合,它是一个由通用人工智能赋能的超级学霸,这个学霸可不是市里或省里的状元那么简单,而是几乎学习了地球上所有的知识,试想这样的数字人会给你多大的帮助!当然,由此也带来了一个问题——未来5-10年或者更长的时间之后,制造工厂、律师事务所、医院以及行政单位等等,究竟需要什么样的人才?对此很多团队都展开过深入的研究,综合来看,能够适应人工智能时代、满足未来社会需求的人才应该具备三个标签:即创造力、想象力和批判性思维。既然如此,我们就要反过来思考,当前的高校乃至整个教育体系能不能培养出这样的人才呢?如果不能,这就是今后教育体系深化改革的方向和目标。也唯有如此,教育才能跟得上时代的发展进步。回到汽车产业来看,上述结论也同样适用。近期我与一汽的管理层交流得比较多,他们推动数字化转型和人工智能应用的方式方法,我认为非常值得借鉴。可能很多人都觉得,央企的创新似乎不那么活跃,同时东北地区的发展活力似乎也不那么足。而依我观察,这应该是一个错误的认识。至少一汽这家东北的央企,在数字化转型方面展现出了很强的活力和创造性,其组织变革的力度甚至要比不少民企更大。我讲几个案例。第一个案例是关于组织方式的。我们知道,当前几乎每家企业都有业务人员和IT人员,以往的组织方式是分成业务部门和IT部门,前者把需求传递给后者,然后再由后者购买或外包开发软件系统来满足需求。而现在一汽将内部的业务人员和IT人员编在一起,称之为战队,形成了一个有机的整体。即在最基本的业务单元上,IT、数据和业务部门的人员共同组成一个联合体,然后一起确定并满足各种需求。应该说,这种组织方式与很多传统企业所做的变革都不一样,体现出一种创新的理念。第二个案例是关于数字化解决方案的。前面我讲过,当一家企业进入到数字化转型的“无人区”时,一定要“以我为主”来主导推进相关工作。而一汽正是这样做的,他们从自身的实际需要出发,自行设计并构建了基于云的数字化解决方案,包括企业资源管理、研发管理、供应链管理等系统,都是一汽按照整体规划重新构建的。老实说,这种全面重构的转型实践,难度之大超乎想象。所以,我曾和他们半开玩笑地说,数字化转型是一场攀登珠峰的竞赛,而一汽选择了从更艰难的北坡上山。第三案例是关于人工智能大模型的。在这方面,一汽的推进也很快。我关注到央视《新闻联播》在介绍新质生产力时,曾经专门提到一汽联合阿里云通义千问打造的GPT-BI大模型应用。目前一汽的管理层包括董事长、总经理,都在使用这个大模型,以实现基于实时数据的科学决策。从上面的例子可以看到,一汽推进数字化转型和AI应用的行动不是孤立割裂的,而是相互联动的,从而形成了从认知、到战略、到组织、再到一系列具体举措的系统工程。诸如企业对组织架构的调整,对数字化方案的主导,以及对AI大模型的应用,看起来只是一个个现象,而在这些现象背后的,则是企业积极拥抱新技术、新模式以应对市场巨变的决心和勇气。未来肯定还会有更多更强的人工智能技术投入应用,相信所有企业都想拥抱这些新技术,然而有意愿是一回事,有能力则是另外一回事。而在我看来,一汽就是一家既有意愿、也有能力应用数字化和智能化技术的企业。赵福全:刚才安博士从未来人类社会的高度,对人工智能时代的人才应该具备什么能力进行了精要阐释,并指出这就是教育体系改革的目标所在。说起来,人才问题的确是一个大话题。而且当前人工智能的应用才刚刚拉开序幕,今后还会出现很多我们今天难以想象的景象。未来我们将会处在人机共生的环境中,即人与AI机器人一起工作、一起生活。当然,AI机器人并不是非要做成自然人的形态,但它一定会具备覆盖一个甚至多个行业的集大成的超级能力,或者说是一个非常厉害的“人”,可以有效辅助和支撑人类的各种活动;而人类则必须与这样的AI机器人共同合作,才能更好地创造产品、提供服务、完成工作。最终,整个世界都将因此而改变。正因如此,未来人才的能力需求将发生根本性的改变。首先,简单强调某个领域记忆性的知识或者重复处理某个问题的技能,都没有什么意义了,因为在这些方面AI机器人的能力要比人类强得多。但是人具有创造力,可以提出创新性的方案,然后让AI机器人来落地,因此人与AI机器人协同工作的能力就变得至关重要。从这个角度看,如果说原来学生先要学习怎样与其他人交往,那么未来学生可能也要学习怎样与AI机器人交往,这意味着学校必须彻底改变培养学生的目标和重点。我想,届时或许培养学生建立适应人机共生社会的价值观和世界观也是非常重要的。其次,未来具有超级能力的AI机器人将遍布各个行业和领域,如何将这些AI机器人充分调动起来,取决于企业的组织能力,而企业的组织能力又取决于人的能力。所以,高校除了培养学生掌握一定的基础理论和专业知识,更重要的是,要培养学生管理多元资源特别是各种AI机器人的能力,也即新型的领导力。目前高校工科专业对学生领导力的培养远远不够,而且基本没有涉及对AI的管理,这是亟待改进的,因为未来具备管理AI的领导力将变得极其关键。最后,未来人类可能只有在创新方面才比AI机器人更有优势。因此必须着重培养人才具有创新的意愿、意识和能力。例如,人要敢于挑战原有的组织架构,要积极拥抱各种未知的全新技术。就像我们前面讲到的,人工智能将给人类带来一个全新的世界,我们完全可以放飞思想、尽情想象、勇敢创造。到那个时候,曾经可能被认为比较虚的想象力和创造力,才是人类必须拥有并充分发挥的核心能力,而这也恰是当前的教育体系所缺乏的。总之,人工智能在帮助人的同时,也将完全改变人。这将是一个从量变到质变的过程,而变化的速度正越来越快。为此,我们需要尽早做好准备。安筱鹏:是的,正如赵院长所说,未来人工智能将对人才的需求以及组织的形式产生巨大影响。事实上,我认为在人工智能的时代,我们需要重新定义组织。为什么这么说呢?过去我们讲的组织,就是一群人围绕着共同的目标,相互协同来完成某件事情,组织的主体都是人。但是现在诞生了数字人,刚才赵院长也说到了AI机器人,今后可能是人与很多数字人一起协同工作,例如有研发的、有人力的、有编程的、还有法务的,各个方面的各种数字人。目前阿里云就有一个数字员工叫做通义灵码,它的工号是AI001号,这个数字人对业务非常熟,工作效率也非常高。未来当这些数字人进入公司之后,我们不难想象会有这样的场景:召开一次新车型开发的研讨会,或者人力资源的招聘会,参会的自然人有三四个,同时还有四五个数字人一起参会,可能是分别来自设计、人力资源和法务等相关部门的数字员工。就像您刚才讲的,人与数字人将会协同工作,进入到共生的状态。在这种情况下,企业的组织包括内涵、形态和边界等,都将与此前完全不同。同时,人力资源的功能和责权也将随之发生根本性的变化。试想如果一家公司有30个人类员工和25个数字员工,那么数字员工是让IT部门、还是人力资源部门来管理呢?对数字员工又该用什么方式来管理呢?另外,如果公司需要招聘某个领域的专业人员,不管是设计或销售的人才,还是法务或财务的人才,既然公司无非是想借助这个人所具有的相关专业能力,那么为什么不干脆采购一批具备这些能力的数字人呢?也就是说,未来组织的主体将是自然人和数字人的集合,而且随着人工智能技术的不断进步,后者的比例很可能会持续提高,组织本身也就必须为之改变,这将倒逼企业形成重新定义组织以及管理新型组织的能力。赵福全:所以说,人工智能似乎很遥远,其实近在眼前。一系列变革已经在发生了,而且未来的改变可能远不是今天的我们能够想象得到的。当超级人工智能的时代到来之际,每一个人造单体都将具有高度的智能,同时这些智能单体又是互联的,从而将会组合形成更高的群体智能。从这个意义上讲,人工智能领域从量变到质变的速度之快、影响之大,甚至可能不是摩尔定律所能表征的。因此,我们每一个人都需要建立全新的理念、形成全新的能力,特别是人机共生的理念和能力。时间过得很快,今天围绕数字化转型这一主题,我与安博士交流了近3个小时。安博士深耕数字化领域多年,在阿里研究院长期从事相关研究,形成了自己关于信息化、数字化、智能化等的系统认知和独到见解。同时作为来自企业一线的专家学者,安博士还出版了多本相关领域的著作。而今天收看我们栏目的同仁们,想必更能直观地感受到安博士的渊博学识和深刻洞见。我们谈到的内容非常广泛,涉及到数字化转型及智能化发展的各个方面。当然有些前沿的话题尚无行业共识,我们的观点也只能作为一种参考,有待未来的产业实践者们去证实或者证伪。下面,我对今天的交流做个总结。第一,数字化将给人类社会以及各行各业带来全方位的改变。实际上,数字技术一直在融入到经济和社会的方方面面,但是此次数字技术的最新进展——AI大模型的出现,不是量变积累的技术进步,而是质变突破的技术革命和产业革命,标志着从ANI弱人工智能向AGI强人工智能或者说通用人工智能的跃进。甚至可以说,本轮AI大模型将给整个社会带来空前广泛的巨大影响,其威力堪比“核武器”。这既是因为技术本身的质变,更是因为大模型可以应用于几乎所有的行业和领域,从而彻底改变人类的生产和生活方式。第二,数字化主导的智能时代与此前完全不同,将会催生出全新的生产要素、生产力和生产关系。具体来说,数据是新的生产要素;数据采集、传输、存储、处理和应用的各种技术,也即数字化的技术手段,是新的生产力;而确保这种新生产力得到释放的企业组织架构和商业模式等,就是新的生产关系。由此,数字化不仅能够带来产品力本身的提升,即基于数据、通过AI赋能,使产品变得更好;更能带来支撑产品的创造力的全面提升,即将数据和AI应用于产品创造的全过程,涵盖研产供销服等各个环节,从而以更优的品质、更低的成本和更高的效率来提供产品及服务。在我看来,与产品力相比,数字化带来的创造力提升更加重要,也更有广泛拓展的巨大空间。第三,企业实施数字化转型既有适应时代变化的共性诉求,也是不得不做的战略选择。尽管不同的企业对数字化转型各有各的思考,但是其根本原因在于,当前市场需求正变得日益复杂多变,用户越来越青睐个性化、实时化和智能化的产品及服务。在这种情况下,企业唯有实施数字化转型,以数字技术来武装自己,并将其融入到经营、管理和决策等方方面面,才能优化资源配置效率,有效提升核心竞争力,快速响应市场变化,成功应对“复杂系统的不确定性”带来的严峻挑战。与此同时,数字化转型需要持续而巨大的投入,而收益往往难以预期,这导致部分企业心存犹疑。然而不转型的风险更是企业无法承受的,因为其他企业可能会籍由数字化转型形成强大的竞争优势。所以,数字化转型也是企业“不得不做”的事情。第四,企业数字化转型之所以如此艰难,主要有两方面的原因。一方面,数字化转型是一项全方位的系统工程,企业必须从理念、认知到技术、工具,再到组织、管理等各个方面协调推进,这无疑是极其困难的。另一方面,当前产业有一个普遍性的瓶颈问题,即企业全局优化的需求与碎片化的供给之间不相匹配,安博士将其视为数字化转型的基本矛盾。为解决这一问题,有志于实现全球引领的企业,都应该自己主导数字化转型“无人区”的创新发展,系统设计整体解决方案,并重新构建相关系统。同时企业还要积极建设产业生态,努力实现专业分工下的多主体协同创新,以获取自己不具备的能力和资源,与生态伙伴一起创造数字化转型的最大效益。第五,大模型与专业模型既有明显不同,又有紧密关联。正如安博士指出的,我们今天所讲的专业类模型,与几年前依托ANI构建的专业模型有着本质区别,是完全不同的两个物种。由于现在有了AI大模型作为基础模型,行业垂直应用的专业类模型可以高质量、高效率、低成本地解决更加复杂而广泛的各种问题,其能力实现了由量变到质变的跃升。所以,专业类模型并不是大模型,但一定要构建在基础大模型之上。反过来讲,在基础大模型上构建更多不同行业和领域的专业类模型,并实现相互联动,又是大模型产生更大价值的必由之路。如果只有大模型、没有专业类模型,那大模型在整个社会起到的作用就会有很大的局限性。也就是说,大模型和专业模型之间是相辅相成的。第六,汽车产业推进数字化转型空间广阔,同时挑战巨大,企业必须全方位系统施策。汽车作为关联广泛的集大成产业,不仅自身数字化转型将产生多元战略价值,而且还将为制造业数字化转型提供了最佳载体和平台。无论是智能汽车产品从交通工具属性向空间属性、情感属性的扩展,还是汽车智能制造带来的研产供销服一体化运行,数字化转型将使汽车产业的产品力和创造力实现全面升级,进而深刻影响整个社会的生产生活。但是高度复杂的汽车产业也是实施数字化转型最难的行业之一。一方面所需投入更大、见效时间更长;另一方面,在万物互联的前景下,汽车制造业与大智能产业相互融合,导致汽车产业的核心技术及能力更多元、更交织、也更易变,没有任何一家乃至一类企业能够拥有全部所需能力,这意味着汽车产业的各类参与主体都必须重新审视自身应该具备哪些能力,又应该从外部获得哪些能力。为此,汽车企业的数字化转型一要有清晰的产业分工,既要“有所为”,更要“有所不为”,也只有“有所不为”,才能集中力量做好“有所为”;二要从高层的领导力,员工的认知、知识与技能,各种数字化的技术手段,以及企业内部的组织架构、管理流程与外部的商业模式等各个方面,全面系统地实施整体性的转型方案。第七,数字化转型最终要靠人来实现,而未来的人才需要具备完全不同的思维方式和核心能力。因为未来将是人机共生的全新时代,企业需要有效组织管理由自然人和数字人共同组成的团队。这就要求人才必须具备与AI协同工作的能力,同时还要发挥AI所不具备的创新能力。当然,这样的能力不可能从天而降。对于企业来说,要从组织架构变革、资源管理优化等方面入手,逐步改变人才结构和运行模式。而对于整个教育体系来说,也要以上述能力需求为培养目标进行全面改革。只有这样,才能为汽车产业乃至各行各业提供有能力拥抱数字化、智能化转型的新型人才,进而支撑人类社会迎来更加美好的明天。最后,再次感谢安博士的精彩分享和真知灼见,祝愿您在数字化以及人工智能领域输出更多的研究成果、发挥更大的引领作用!安筱鹏:谢谢!