題圖｜視覺中國

　　上個月，埃森哲發布了2024版《中國企業數字化轉型指數》報告，其中有兩組數據非常有意思。

　　1，將生成式AI視為機遇，認為有機會實現效率提升和營收增長的中國企業（90%）比例比全球（77%）高20%；

　　2，但在行動上，打算在“人才隊伍”和“組織流程”上變革的中國企業，只有全球樣本的63%和83%；

　　這種“表面上重視潮流卻不采取行動”的現象，展現出了一個潛在趨勢——許多在互聯網和移動通信時代憑借基礎數字化實現 “彎道超車” 的中國企業，如今面對 AI 技術帶來的新挑戰，依然顯得 “束手無策”。

　　這些公司為什么會“束手無策”？究竟是在哪個環節“掉”了鏈子？怎么做才能保持自己的領先？要解答這一系列問題，只能從“找病根”做起。

　　為什么很多企業用不好AI？

　　很多企業用不好AI的原因總結起來無非三點：不相信，沒找準，無實踐。開篇提到的‘表面上重視潮流卻不采取行動’，就是不相信的行動表現。

　　雖然AI技術的發展速度前所未有，從基礎的機器學習算法到復雜的深度學習模型，再到自然語言處理（NLP）和多模態學習，突破接連不斷出現，但企業在決定是否采用AI時，往往會采取觀望態度。

　　等待背后，不同企業有自己的考量，但大多數都希望技術能夠被進一步驗證，技術的成本可以進一步降低，行業內出現成熟可用的實踐和開源資源，說白了就是一整套從互聯網和移動互聯網時代繼承而來的新技術投入和相關風險控制策略。

　　但很可惜的是，AI帶來的改變注定比前兩個時代大很多。不僅僅是“從線下到線上”、“從固定到無處不在”，而是進一步拓展到了“從人到人+機器”、“從程序到算法”的變化。

　　企業跟上這波技術變革所需要做的，也不僅僅是買個軟件系統、上個小程序那么簡單，還需要“梳理企業內部結構化和非結構化的數據”，“自建模型或應用”還有“成立風險管控部門”等企業更深層次架構的變革。

　　這個過程必然耗時耗力，且無法像過去一樣，通過后期“補課”來追趕。最終讓“繼續等待”與“一步慢步步慢”畫上了等號。

　　“沒找準”要復雜一些。顯而易見，并非所有的場景都適合人工智能，而企業應用AI首要要做的，就是認真地選擇一個適合AI發揮的、對自己有足夠大價值的“場景”。對此，華為曾專門制作了一套評價體系，名為“AI十二問”。主要包含“價值度”、“成熟度”、“可運營度”三個評估維度。

　　“價值度”所指的，是AI 應用在特定場景中能夠創造的價值大小。但跟很多本身身處數字化行業的公司不同。那些更偏“線下”、更偏“人力經驗”的傳統行業，他們很多的業務場景就連最基礎的數字化都沒完成，很多場景根本無法計算價值，自然也無法評估AI應用的潛在價值。

　　“成熟度”，則重點考察AI 技術或解決方案在實際應用中的穩定性、可靠性和完善程度。它涉及到技術是否已經經過充分的測試和驗證，是否有足夠的數據支持，以及是否能夠適應不同的環境和條件。

　　“可運營度”是指AI應用在實際業務流程中的可實施性和管理。例如是否有清晰的業務模式，是否有足夠的資源（如資金、人才、數據）來支持AI應用的運行，是否有有效的運營策略和管理體系。

　　最后的“無實踐”最簡單但挑戰也最大。

　　拋開大規模的AI算力、超大規模的基礎大模型，這些普通公司的AI發展“禁區”不談，在找準“場景”的基礎上想要推進AI實踐，挑戰依舊不少：如何將這一整套運行AI的基礎設施搭建起來并保證日常運營？究竟應該為具體場景選擇怎樣的模型？如何在運行起來之后，持續對模型進行調優、部署、測評等一系列操作？

　　以及，還有最普遍也是最大的挑戰——究竟應該從何處尋找具備相關經驗的技術專家，來解決這一系列的問題？

　　謎底藏在謎面上：找到能夠解決這些挑戰的公司，讓他們幫你解決，例如華為云。

　　前幾日舉辦的“華為全聯接大會2024”上，華為針對上述這些挑戰也給出了解決方案：

　　基于實際可獲得的芯片制造工藝，計算、存儲和網絡技術協同創新，開創計算架構，打造 “超節點+集群” 系統算力解決方案，長期持續滿足算力需求；

　　升級ModelArts服務，支持業界主流基礎大模型開箱即用，包括盤古、開源、以及第三方大模型，讓企業無需為基礎大模型準備大量數據和迭代訓練；

　　提供一站式模型調優、部署、測評等工具鏈支持，降低企業模型微調和增量訓練的技術門檻。

　　這些成體系的能力與解決方案，絕大部分早已投入了實際應用，也在各行各業獲得了不錯的效果，成為了數量眾多的成功案例，挑幾個標桿來說。

　　采礦業是一個典型的高度復雜傳統制造業，傳統礦山在運營過程中要面對技術、數據等多重困難。山東能源集團與華為成立聯合創新中心，構建了中心訓練、邊緣推理、云邊協同、邊用邊學、持續優化的人工智能運行體系，成功搭建了煤炭行業全球首個礦山大模型 “盤古礦山大模型”，并已在煤礦領域9個專業40多個場景應用實踐。

　　以對底下鉆孔施工情況的監測為例，盤古視覺大模型能夠對鉆孔深度自動核驗、孔深不足及時提醒，避免漏檢、遲檢，使人工核檢效率提升80%，保障了現場的施工安全。

　　第二個例子是物流行業，由于行業內人員崗位多樣，流動性大，相關的知識經驗以文字、語音、圖片、視頻等形式碎片化地分散于各類規章制度和信息系統中，往往難以挖掘發揮價值。

　　順豐科技依托華為昇騰AI云服務自研物流行業垂域大語言模型 “豐語”，深度融入行業知識，顯著提升市場營銷、客服、收派等業務效率，精準解決行業痛點，實現降本增收與客戶體驗升級。以“小哥服務中心”功能為例，對小哥的物流問題咨詢定位準確率超過98%，每次會話節省3分鐘，智能優化應答，極大提升小哥的問題處理效率和客戶體驗。

　　最后一個例子是高鐵，中國高鐵里程領先全球，也給高鐵列車傳統依靠人力的日常巡檢工作帶來了巨大的壓力。

　　北鐵所與華為云合作，將盤古鐵路大模型融入巡檢機器人，實現智能化檢測，通過多模態融合技術將巡檢工人從繁重的勞動中解放出來，還大幅提升了檢測效率和檢測準確率；高鐵故障識別準確率大于98%，測量精度誤差小于0.5mm。

　　這幾家非原生數字化行業、都是第一次應用AI的公司，之所以能取得不錯的成果，完全歸功于華為利用自己的“實踐”為這幾家公司掃平了障礙。

　　探險還需“領路人”

　　事實上，華為早已成為了很多公司AI應用的“領路人”：華為云目前整體推進人工智能落地行業場景的“進度條”，已經推進到了30個行業的400個場景。

　　9月19日，華為全聯接大會2024”期間華為云AI用戶峰會召開，會議聚焦推進大模型的行業應用之余，也主動聆聽來自客戶的真實聲音。

　　在會上，華為云和信通院都對當前企業應用AI大模型給出了自己的看法，包括海亮集團、順豐科技、同方知網、廣汽研究院、云鼎科技在內的標桿客戶也分享了自己的實踐經驗。現場還舉行了華為（長三角）盤古大模型行業應用基地、華知多模態大模型、云南花卉產業AI試驗示范區、智通物流成本分析大模型等一系列新合作的簽約，以及華為云ModelArts Studio合作的啟動儀式。

　　這些新進展，充分展現了華為與客戶與行業共同探討千行萬業數智化轉型的真難題、真難事，尋求切實可行的解決方案，推動行業加速發展的決心。

　　就拿HC大會上提到的“三層五階八步”工程化方法論為例，就給出了清晰的企業智能化蛻變之路。例如業務場景應該按照什么標準選擇；企業的非結構化數據如何轉化成知識與大模型結合；如何運用華為大模型工具鏈，制定模型開發工作流；最終將大模型的結果貫穿企業的研發、生產、供應、銷售、服務等各個環節。

　　這套打法也清晰地展示出了華為實踐的核心結論——人工智能是一場變革，但這個變革不是“鏡中花”“水中月”。一定要與傳統企業的流程、組織、技術人員相結合，同時企業的數據也要與業務場景做深度結合。只有這樣，才能真正把人工智能變成一個企業可用、能為企業帶來價值增長的工具。

　　對于這種“由深到淺”的創新，華為一向“手到擒來”。早在2017年，華為就提出并成立了人工智能使能部，計劃通過數字化轉型和人工智能的賦能，讓華為的效率成為行業的標桿。

　　以華為的盤古大模型為例，今年已經更新到5.0，發布時還喊出了新口號 “不僅要做事，還要做最難的事”。

　　支持全系列模型的盤古大模型5.0，能夠以十億級、百億級、千億級等規模應用，最佳適配企業不同場景需求，并通過百模千態社區提供100多個大模型，為企業提供更豐富的選擇。例如十億參數模型可以滿足降雨預測、藥物分子優化、工藝參數預測等應用；百億參數模型則可以滿足知識問答、代碼生成、坐席助手、安全檢測等場景的需求；千億參數則可以應對例如生成視頻這樣的更復雜任務。

　　為了幫助客戶更好地擁抱 AI，華為云還通過覆蓋了數據中心、云平臺架構和基礎設施服務的全棧系統性創新，讓大模型的數據準備、訓練、推理、應用實現全流程的高效率和高性能，實現為AI開發提供AI Native的基礎設施。

　　可以預見，華為云在技術、服務、組織和管理方面的先鋒示范作用，將帶領和激勵越來越多的中國企業加入到A的變革浪潮中，推動自身和全行業的數字化轉型和智能化升級，最終實現中國企業整體性的質變。

　　本內容為作者獨立觀點，不代表虎嗅立場。未經允許不得轉載，授權事宜請聯系 [email protected]

　　正在改變與想要改變世界的人，都在 虎嗅APP