为什么你的企业，用不好AI？

题图｜视觉中国

上个月，埃森哲发布了2024版《中国企业数字化转型指数》报告，其中有两组数据非常有意思。

1，将生成式AI视为机遇，认为有机会实现效率提升和营收增长的中国企业（90%）比例比全球（77%）高20%；

2，但在行动上，打算在“人才队伍”和“组织流程”上变革的中国企业，只有全球样本的63%和83%；

这种“表面上重视潮流却不采取行动”的现象，展现出了一个潜在趋势——许多在互联网和移动通信时代凭借基础数字化实现 “弯道超车” 的中国企业，如今面对 AI 技术带来的新挑战，依然显得 “束手无策”。

这些公司为什么会“束手无策”？究竟是在哪个环节“掉”了链子？怎么做才能保持自己的领先？要解答这一系列问题，只能从“找病根”做起。

为什么很多企业用不好AI？

很多企业用不好AI的原因总结起来无非三点：不相信，没找准，无实践。开篇提到的‘表面上重视潮流却不采取行动’，就是不相信的行动表现。

虽然AI技术的发展速度前所未有，从基础的机器学习算法到复杂的深度学习模型，再到自然语言处理（NLP）和多模态学习，突破接连不断出现，但企业在决定是否采用AI时，往往会采取观望态度。

等待背后，不同企业有自己的考量，但大多数都希望技术能够被进一步验证，技术的成本可以进一步降低，行业内出现成熟可用的实践和开源资源，说白了就是一整套从互联网和移动互联网时代继承而来的新技术投入和相关风险控制策略。

但很可惜的是，AI带来的改变注定比前两个时代大很多。不仅仅是“从线下到线上”、“从固定到无处不在”，而是进一步拓展到了“从人到人+机器”、“从程序到算法”的变化。

企业跟上这波技术变革所需要做的，也不仅仅是买个软件系统、上个小程序那么简单，还需要“梳理企业内部结构化和非结构化的数据”，“自建模型或应用”还有“成立风险管控部门”等企业更深层次架构的变革。

这个过程必然耗时耗力，且无法像过去一样，通过后期“补课”来追赶。最终让“继续等待”与“一步慢步步慢”画上了等号。

“没找准”要复杂一些。显而易见，并非所有的场景都适合人工智能，而企业应用AI首要要做的，就是认真地选择一个适合AI发挥的、对自己有足够大价值的“场景”。对此，华为曾专门制作了一套评价体系，名为“AI十二问”。主要包含“价值度”、“成熟度”、“可运营度”三个评估维度。

“价值度”所指的，是AI 应用在特定场景中能够创造的价值大小。但跟很多本身身处数字化行业的公司不同。那些更偏“线下”、更偏“人力经验”的传统行业，他们很多的业务场景就连最基础的数字化都没完成，很多场景根本无法计算价值，自然也无法评估AI应用的潜在价值。

“成熟度”，则重点考察AI 技术或解决方案在实际应用中的稳定性、可靠性和完善程度。它涉及到技术是否已经经过充分的测试和验证，是否有足够的数据支持，以及是否能够适应不同的环境和条件。

“可运营度”是指AI应用在实际业务流程中的可实施性和管理。例如是否有清晰的业务模式，是否有足够的资源（如资金、人才、数据）来支持AI应用的运行，是否有有效的运营策略和管理体系。

最后的“无实践”最简单但挑战也最大。

抛开大规模的AI算力、超大规模的基础大模型，这些普通公司的AI发展“禁区”不谈，在找准“场景”的基础上想要推进AI实践，挑战依旧不少：如何将这一整套运行AI的基础设施搭建起来并保证日常运营？究竟应该为具体场景选择怎样的模型？如何在运行起来之后，持续对模型进行调优、部署、测评等一系列操作？

以及，还有最普遍也是最大的挑战——究竟应该从何处寻找具备相关经验的技术专家，来解决这一系列的问题？

谜底藏在谜面上：找到能够解决这些挑战的公司，让他们帮你解决，例如华为云。

前几日举办的“华为全联接大会2024”上，华为针对上述这些挑战也给出了解决方案：

基于实际可获得的芯片制造工艺，计算、存储和网络技术协同创新，开创计算架构，打造 “超节点+集群” 系统算力解决方案，长期持续满足算力需求；

升级ModelArts服务，支持业界主流基础大模型开箱即用，包括盘古、开源、以及第三方大模型，让企业无需为基础大模型准备大量数据和迭代训练；

提供一站式模型调优、部署、测评等工具链支持，降低企业模型微调和增量训练的技术门槛。

这些成体系的能力与解决方案，绝大部分早已投入了实际应用，也在各行各业获得了不错的效果，成为了数量众多的成功案例，挑几个标杆来说。

采矿业是一个典型的高度复杂传统制造业，传统矿山在运营过程中要面对技术、数据等多重困难。山东能源集团与华为成立联合创新中心，构建了中心训练、边缘推理、云边协同、边用边学、持续优化的人工智能运行体系，成功搭建了煤炭行业全球首个矿山大模型 “盘古矿山大模型”，并已在煤矿领域9个专业40多个场景应用实践。

以对底下钻孔施工情况的监测为例，盘古视觉大模型能够对钻孔深度自动核验、孔深不足及时提醒，避免漏检、迟检，使人工核检效率提升80%，保障了现场的施工安全。

第二个例子是物流行业，由于行业内人员岗位多样，流动性大，相关的知识经验以文字、语音、图片、视频等形式碎片化地分散于各类规章制度和信息系统中，往往难以挖掘发挥价值。

顺丰科技依托华为昇腾AI云服务自研物流行业垂域大语言模型 “丰语”，深度融入行业知识，显著提升市场营销、客服、收派等业务效率，精准解决行业痛点，实现降本增收与客户体验升级。以“小哥服务中心”功能为例，对小哥的物流问题咨询定位准确率超过98%，每次会话节省3分钟，智能优化应答，极大提升小哥的问题处理效率和客户体验。

最后一个例子是高铁，中国高铁里程领先全球，也给高铁列车传统依靠人力的日常巡检工作带来了巨大的压力。

北铁所与华为云合作，将盘古铁路大模型融入巡检机器人，实现智能化检测，通过多模态融合技术将巡检工人从繁重的劳动中解放出来，还大幅提升了检测效率和检测准确率；高铁故障识别准确率大于98%，测量精度误差小于0.5mm。

这几家非原生数字化行业、都是第一次应用AI的公司，之所以能取得不错的成果，完全归功于华为利用自己的“实践”为这几家公司扫平了障碍。

探险还需“领路人”

事实上，华为早已成为了很多公司AI应用的“领路人”：华为云目前整体推进人工智能落地行业场景的“进度条”，已经推进到了30个行业的400个场景。

9月19日，华为全联接大会2024”期间华为云AI用户峰会召开，会议聚焦推进大模型的行业应用之余，也主动聆听来自客户的真实声音。

在会上，华为云和信通院都对当前企业应用AI大模型给出了自己的看法，包括海亮集团、顺丰科技、同方知网、广汽研究院、云鼎科技在内的标杆客户也分享了自己的实践经验。现场还举行了华为（长三角）盘古大模型行业应用基地、华知多模态大模型、云南花卉产业AI试验示范区、智通物流成本分析大模型等一系列新合作的签约，以及华为云ModelArts Studio合作的启动仪式。

这些新进展，充分展现了华为与客户与行业共同探讨千行万业数智化转型的真难题、真难事，寻求切实可行的解决方案，推动行业加速发展的决心。

就拿HC大会上提到的“三层五阶八步”工程化方法论为例，就给出了清晰的企业智能化蜕变之路。例如业务场景应该按照什么标准选择；企业的非结构化数据如何转化成知识与大模型结合；如何运用华为大模型工具链，制定模型开发工作流；最终将大模型的结果贯穿企业的研发、生产、供应、销售、服务等各个环节。

这套打法也清晰地展示出了华为实践的核心结论——人工智能是一场变革，但这个变革不是“镜中花”“水中月”。一定要与传统企业的流程、组织、技术人员相结合，同时企业的数据也要与业务场景做深度结合。只有这样，才能真正把人工智能变成一个企业可用、能为企业带来价值增长的工具。

对于这种“由深到浅”的创新，华为一向“手到擒来”。早在2017年，华为就提出并成立了人工智能使能部，计划通过数字化转型和人工智能的赋能，让华为的效率成为行业的标杆。

以华为的盘古大模型为例，今年已经更新到5.0，发布时还喊出了新口号 “不仅要做事，还要做最难的事”。

支持全系列模型的盘古大模型5.0，能够以十亿级、百亿级、千亿级等规模应用，最佳适配企业不同场景需求，并通过百模千态社区提供100多个大模型，为企业提供更丰富的选择。例如十亿参数模型可以满足降雨预测、药物分子优化、工艺参数预测等应用；百亿参数模型则可以满足知识问答、代码生成、坐席助手、安全检测等场景的需求；千亿参数则可以应对例如生成视频这样的更复杂任务。

为了帮助客户更好地拥抱 AI，华为云还通过覆盖了数据中心、云平台架构和基础设施服务的全栈系统性创新，让大模型的数据准备、训练、推理、应用实现全流程的高效率和高性能，实现为AI开发提供AI Native的基础设施。

可以预见，华为云在技术、服务、组织和管理方面的先锋示范作用，将带领和激励越来越多的中国企业加入到A的变革浪潮中，推动自身和全行业的数字化转型和智能化升级，最终实现中国企业整体性的质变。