西门子、毕马威身先士卒，企业数字化变革如何借力AI大模型东风-天天微速讯

导读

(资料图片仅供参考)

5月20日晚，智次方创始人彭昭再次与AI4C应用研究院管震连麦，围绕“AI驱动：企业数字化变革的新引擎”主题展开对话。

随着上周AI加持下的产业数字化变革与创新讨论的深入(点击此处查看往期文章)，AI到底会给业务带来何变化、应用是否会进入深水区、应该走怎样的应用模式、中小企业如何起步等问题进一步浮出水面。

5月20日晚，智次方创始人彭昭再次与AI4C应用研究院管震连麦，围绕“AI驱动：企业数字化变革的新引擎”主题展开对话。

以下根据直播访谈内容整理：

大模型会对业务环节产生哪些影响

彭昭：哈喽，大家好，我们今天还是继续讨论 AI 驱动的数字化变革。第一个问题就是以 GPT 为代表的大模型对未来的业务会产生什么样的影响?业务层面涉及到像研发、生产、销售、服务等环节，这些环节是不是都会被改造?

管震：如果我们接着上周讨论的内容，当时我在这个白板上画过一张图，其实每个环节里面都可能对不同的地方产生效率提升，这是显而易见的。因为它本身是一个语言模型，所以但凡涉及到跟文书工作相关的、跟文字和符号传递相关的(从上游传递到下游)、跟语言处理(如归纳、演绎)相关的，这些环节其实都会产生影响。

只不过现在让人着迷的是我们都不清楚到底他能够走到哪一步。我举个例子就是大家都能看到的客服，一早就被看中了，像轰炸机一样就轰进去了，我们做个聊天机器人，原来要做知识图谱，要做语义理解，要做多轮对话，现在不用了，我们直接上大模型就可以搞定了。然后再做一些embedding，再做嵌入，就可以把自己的知识库灌进去了，反正回答得好回答得不好，回答得准不准确，也无所谓，所以很快就能融入进去。

这个是比较浅层次的，我们在应用上面很快就能看到，那么接下来，在很多行业里面，只要跟刚才举的这个例子相关的，我相信进到这个直播间来的朋友，应该多多少少都有感受，所以我就不再重复去讲这个比较浅层次的应用了。

现在稍微深一点的、让大家觉得有意思的应用在第二轮。如果我们假设大模型它真的是作为一个对符号、对语言的抽象，那么人类的文明，无论它现在是机器，还是不是机器，是跑在信息系统里面的，还是不是跑在信息系统里，是跑在什么样的抽象的耦合系统里面的，这些其实都是符号、数字、公式等抽象的集合。那么道理上讲，但凡给它个学习的机会，它不就是能够比人快100倍的去处理这些信息，并且能够产生效益吗?

所以如果我们回到刚才提的问题，无论是哪个环节，它是研发、产品设计、采购、市场调研、计划、排产，还包括设备，每个环节里面其实都是对前面那个环节交付的一堆信息的处理，并且交付到下一个环节，如果我们现在尝试去抽象这个过程的话，它其实就做这件事情。那以GPT为代表大模型道理上在未来，可能明天，可能一周或者一年之后，干得比我们快得多。这个就让人着迷了，那如果用现在的GPT，或类似GPT这种模式，我们能干成多少事情?能干成什么样?

第二种是有很多在做不同领域的专家也在思考现在的 GPT能否被应用于他们的领域。 它不能硬套在各个领域里面，但GPT的一些思维、模式、思路确实很好，比如可以用于对工业场景的理解，可以用于未来产品新品的研发，也可以用于(有些可能是我们自己在瞎想)未来的一些新的工作机会的创造。

原来我们单独朝一个方向想、到最后就是死胡同的那种思路，豁然开朗成为现在这种更发散，或者叫做用多模态的思维方向去做这件事，这个是让人着迷的事，当然同时它也是个谜。到目前为止，有多少人真的把这件事做出来了呢?我觉得还需要等待一段时间，但非常有意思的时间点到了。

大模型在工业领域是否将进入深水区

彭昭：四月份的时候看到一个新闻，说西门子和微软将加强合作，利用生成式AI推动工业生产力发展，两家公司正在将西门子用于产品生命周期管理(PLM)的Teamcenter®软件与微软的协作平台Teams和Azure OpenAI服务中的语言模型以及其他Azure AI功能集成。两家公司在合作开发可编程逻辑控制器 (PLC) 的代码生成工具，ChatGPT 将用于通过自然语言输入生成 PLC 代码;另外还在研发能够更好地发现生产缺陷的系统，结合微软Azure机器学习和西门子的Industrial Edge。

之前大模型的应用都是在聊天机器人都比较浅层次的应用，那这个合作已经深层次进入到了业务和设备层面，以前这些大家都是不愿意公开的，这是不是意味着大模型在工业领域开始深入到深水区?未来在工艺流程、设备、质量等方向上会有更多深度应用?

管震：对这个问题我有两个方面想和大家聊。

第一个方面是关于方向。我和AI4C研究院的同事们，还包括后来一个叫做 AI Copilot(副驾)的团队，都是从微软出来的精英们。那么一开始定位我们想干的事情，就肯定不是说大家都会的那件事，我们就想深入进去看看在制造业领域里面，在一些数据密集的场景当中能做什么样的事。这件事我们就算是往前走了一点点，也不能说是走通了。我举个例子，在此之前先给给大家介绍一下，我本身是广东省工信厅聘请的工业互联网专家，也是广东省首批制造业数字化转型专委会专家，和团队在制造业方面做了一些探索。

好多工业互联网平台都提到一件事，要做数据采集。但凡你是做制造业，泛制造业包括说大工业场景里面，无论是风机也好，还是一些智能产品也好，相信数据采集你已经做过很多了。但数据采集上来干什么?这件事情一直是个谜一样，非常神奇。

数据采集完之后呢，原来我们提出了各种各样的模型，针对不同的业务场景中的一些不同业务目标，包括像预测性维护。比如说你开的车，4S店让你回去的时间点和你把车开坏的时间点之间选一个折中的时间点，这样可以在财务和效益之间取得更好的平衡。

另外我们也可以做一些对于业务上面的调优。比如原来我们跟上海不工软件合作过好几年，做这种高级排程系统，就是企业里面用的APS。可是高级排程系统它其实有很多依存关系，包括机器设备的状态好不好，现在招的人现在是什么水平，能不能胜任那个工作，这些都是做好一个计划的约束条件。无论是采购的计划，还是排班的计划，都要依赖这些因素。

所以在一些特定的场景下其实做了一些或者说能做一些，能够解决某些特定问题的事情。但是一直解决不了的问题是，如果我们从更高的层面来看这个场景，我们总是在想，对于工业领域有没有这样的大模型，能够帮我们去多模态的处理各种各样的数据?当然它不是真的去处理声音、文字、图片，但是又包括声音、文字、图片，也包括从不同设备、不同系统里来的各种数据;它去理解不同的这个业务逻辑，业务逻辑它本身它代表着业务模型，原来我们都得单独建模。

曾经我和上海不工软件的人有过如下一段对话：

上海不工软件：我们现在已经有600多万种算法了

我：请问你们要600多万种算法来干什么呢?

上海不工软件：没办法，为适配不同的场景，我们就得搞这么多种算法

我：这些都是你们人手写出来的吗?

上海不工软件：基本上都是，后来当然有一定的加速

再到后面和他们的沟通中得知这个数据增长的更夸张。无论是适配千变万化的工业场景，还是更复杂的多家企业共同构成的价值链或者产业链的时候，场景算法光靠人力是无法穷尽的，我们不能像愚公移山一样，一点点调优或调参。

所以这个是原来人力不可及的，那未来有没有可能用大模型的思路来将原本散落在不同地方的算法或者一些宝贵的经验通过一个新的适合于工业场景下的transformer(就是 GPT里面的transformer，现在大部分大模型都基于transformer)来进行一些新的思考?我觉得这是很有可能发生的，这是我们思考的第一个方向。

包括我估计西门子和微软其实也是在这么尝试，他们一个是工业背景，一个是IT背景，所以他们两边一起碰撞，可能就会出现这样的情况：我这边有一个思路或想法，你那边能用上或能解决吗?两边互相碰撞，逐步在工业领域深入。

第二个方面是关于速度。原来我们在产品的时候，特别是跟信息化、数字化相关的产品，无论它是硬件还是软件，无论它是叫 APS、EDA还是叫 ERP、Office，其实原来在做更新迭代的时候都很慢，但是今天突然有一条思路可以让你很快就能把产品推出来。

甚至WPS我看到前两天发的新闻，不用再等 Office的Copilot了，用 WPS 就直接可以根据你的需求描述自动生成 PPT。大家都发现这是一条思路，无论他现在做出来的是 100 分还是 90 分，还是真的比 GPT 差 2 分，无所谓，但是我们都看到这个模型，这个思路是对的，我们就可以朝那个地方尝试。

迭代这件事情很快，我们今天可能赶不上GPT，赶不上 4.0，但我们可能很快就能赶上3.0甚至3.5。所以大家在不同的方向上都可以用这个思路去思考，并且很快速地让自己产品往前更新迭代。原来可能产品都不知道该往哪个方向去做，今天起码提供给你一个思路，往那个方向走，它是有一定的前进的。

所以我觉得在这个事情上面有以上两个思路可以和大家探讨。

松耦合是更适合工业领域的应用模式

彭昭：刚才管总提到的那个公司我挺感兴趣的，他们为什么会有那么多种算法?在整个业务运行的过程中这众多的算法如何来高效响应业务?

管震：原来所谓的适应性算法，它是你给多少约束条件，就会做出对应的题目，就像线性规划一样，大家知道做线性规划是根据给出的一些约束条件，写出公式、目标函数，然后就可以自动得到最优解。这个算法并不需要特别多、特别复杂，只是需要有一套行之有效的求解器就可以。在国内，有很多公司也是这么做的，比如杉数科技等，大家在做这种协同算法的时候，其实都是按照这个思路来的。只不过后来有一种思路被大家逐渐接受，叫做松耦合。

我相信大家听我提到过很多次松耦合，松耦合的目的是将很多环节拆解开来，不要绑得太紧。如果绑得太紧，它就变成了一个黑盒子，要进行调优，要与其他人协作，都会变得很麻烦，这样实际上弊大于利。在工业场景中，工业场景本身就是一个松耦合的场景，就如亚当·斯密劳动分工论所说的分工才能产生熟练工人，所以需要将其拆解。

如果我们把这个面向业务目标的这些算法去拆解一下的话，你就会发现原来它可以拆解成不同的环节对于排班或计划效率产生影响的一个一个子集。那么每个环节都有不同的算法，因此算法和算法之间，当你要做到一起的时候，要变成一条产线，或者是说不在一个厂里面，它还有外协厂，还有其他的上游公司和下游公司。当你在扩大的时候，就会发现环节非常多，那环节越多，它的组合数量就越大。也就是说每一个环节我们把它看作一个节点，第一个节点有10个算法，第二个节点也可能有10个，第三个节点还有10个，那我们就有很多组合。

这看起来当然很吓人，但实际上它很好用，因为你可以在不同的企业和场景中组合，甚至由人工智能去驱动组合。比如说跟人力资源相关的，跟设备相关的，跟生产相关的，跟搬运相关的，跟纺织相关的等等，在不同的环节组合的时候，就需要不停地适应不同的场景，然后把相关的算法拿过来进行组合，这样就很容易承担亿次以上的操作。

接下来其实在跟不工软件在聊的一件事情就是，既然如此，我们刚才也提到工业场景很复杂，又面对各种个样来自市场、来自订单、来自配料、来自上下游供应商等的变动和压力，这些情况下是不是能够类似像GPT一样，更好的和决策者、运营者、销售人员之间去对话?销售人员在前端卖东西的时候，他很快就知道我能不能接这个单。客户那儿 150 块钱我们能不能接?旁边一个竞争对手降到 145 块钱了，我们能不能 140 块钱拿下来?拿下来的话我们能排期在 3 个月时间内完成吗?他可以不断问这样的问题，而后面的不同的这个系统就组合在一起，通过这样的协同计划系统来更好的为前端提供服务。

小步快跑，推动变革落地

彭昭：其实大模型在某种程度上提出了一个新的组织变革形态，“数字员工”进入组织，成为节省人力、提升效率的工具，这会给企业带来哪些影响?在这样的情况下，组织要如何对待变革这件事?如何调整变革节奏，以适应这种新常态?

管震：我们以咨询行业为例，这个事情对咨询行业目前短期来看有利有弊。弊当然是看得到的，比如说两三年之内很可能面临的要裁员。原来咨询公司的项目来源是我靠脑力为客户提供报告等服务，但未来甲方说我靠 GPT 也能出这个报告，所以你的业务量就有可能会受到影响，尤其是一些中等的和比较初级的咨询公司。

彭昭：大的咨询公司也深受影响，比如埃森哲，也在裁员。

管震：对的。毕马威(KPMG)宣布与微软达成合作，为美国的审计、税务和咨询客户提供生成式人工智能解决方案，以提升工作效率、节省运营成本和增强客户体验。这其实是我想说的第二件事，如果咨询公司真的去研究和应用，得到的好处很可能更多。

我先举表象的例子，我们去给企业做咨询，很可能只卖一次。我们今天包装好了一个产品卖给客户，比如领导力、企业战略、经营管理、供应链优化等，我们的课程或解决方案给人家就完了。但是当有了GPT或者GPT配合的一些数字化的公司之后，你至少可以卖好几次。企业原来要改变很困难，就算你给我讲课、给我辅导，我真的要完成往你说的那个方向去做也很困难。但是有了GPT之后，它很可能往前走的那一步很快就试出来了，到底对还是不对?效果和你的目标之间有多大差距?企业很快就知道了。

当企业发现你的咨询方案出来的非常快，而且更准确，可以去协同不同的系统、不同的数据，以前即使你有顾问，也很难从各种系统中获取数据并进行分析，但现在你可以从不同的系统中进行协同。然后你给企业的业务目标既有感性的又有理性的，很容易评估，对企业来说，迈出这一小步并不复杂，迈完之后它发现这个咨询方案很落地，有效果，那企业就会觉得我们还可以再往前走一小步，再做一期。

最近确实也碰到了类似的两家企业。一家是中小企业，老板在某一个传统行业做了二三十年，现在儿子要接班，就是这么个场景。二代接班，他肯定是不愿意用传统的那个老思路去做，但是你要知道老人家有很多思路是很难改的，可能是路径依赖，但也有可能它就是真的经验呐。不听老人言，吃亏在眼前，我们也见到过很多年轻人接班太冲动，把企业家底败光的案例。

这个时候我们站在咨询方，我们是被年轻的这一代请过去，相当于要说服老一辈的创业者。我们先了解对方企业的数字化基础，然后在GPT和咨询专家共同协作下下输出了一份面向对方企业的方案，提交给年轻一代接班人去和老一辈创业者商量。

这个咨询方案跟原来区别非常大，原来就是有点像赌，500万做一个咨询，不到最后不知道结果如何。可是我们今天给提供的咨询方案里面是分三步走，第一步做的就是你原来做的事情往前走一小步，但是你能很快看到的结果是什么?比如两个月时间就做完(当然这两个月是概数)，就可以给企业一个反馈。

老一辈看完方案之后，看到两个月能有一次真实成果的反馈，且能及时确保这件事情是在控制范围之内，加上心态非常平和，就按照方案开动了起来。

第二个案例是传统的大企业，对于这样的企业来说，决策并不是一个人说了算，在这种情况下，决策者往往也会非常担心自己走错一步。那这个时候，小步快跑的思路变得非常重要。在以前这种小步快跑可能难以实现，但现在我们有了一种可行的路径。只不过在不同的领域中，小步快跑的实现方向可能会有所不同。但重要的是，我们需要有一条线将它们串起来。

一家企业，打个比方，原来它是一个饼，其中饼的每一块就是它的产品一、产品二、事业部一、事业部二等等，老板在这个饼的中心，所有人都向中心汇报。很多时候我们在做数字化咨询这件事情的时候，看着这个饼不知道从何处下嘴，牵一发动全身，因此小步快跑难以实现。

换个思路，如果我们把这家企业拆成纵向的一个个模块，但每个不同的部门、不同的事业部都有自己的业务目标。同时我们把它的数字化现状用线条的形式展示出来，同时与背后做个映射，这个就有点像咱们 GPT 的这个embedding，做向量的映射，从前面的数字化现状进到一个向量空间的第二维。

在这种模式下，小步快跑就有可能实现。比方说有一个二代老板，他是负责海外销售的，非常急迫的需要知道他的企业是不是能够在越南开场、能不能在某个地方去中转货物、货物中转周期需要多长，类似这样的一些需求，这种情况下我们就去分析与前端销售最紧密连接的部分，映射到后面的向量空间，我们就得到为了实现这个需求哪几个小模块必须迈步向前走。

但是往前走的过程其实并没有迈大步，我们还是为了他的业务目标达成，所以每个都走了一小步。这样的话这个数字化变革所消耗成本最低，同时又能拼出来一个完整的路径图。所以进到产业当中的时候，我觉得这个有很多可以探讨的。

彭昭：是的，产业数字化变革是一个值得深入探讨的话题，非常感谢管总今天的精彩分享。