几十年的数字化转型来到了新的关口。现在，处在一个转型和原生同时发生的时代，场景的数字原生是迈向智能原生的必经之路，当下 AI 的普及之路关键在于做数字原生所沉淀的数据是不是体系化高效能地被 AI 所使用。传统企业的业务决策是决策者根据过往经验来做判断的。而数字原生企业的业务决策，包括决策链路后面的追踪都是数据驱动优先的。AI 时代，决策可能会是 AI 优先，人工辅助。数字原生会给中小企业带来更多弯道超车的机会，用户为中心、产品用于创新、以技术和数据为命脉、追求高速的成长这四大业务特征决定了基于云的原生是数字原生企业的最佳选择。这里的云原生，不是指狭义的云原生技术，而是指基于云上原生业务设计，迭代业务设计的过程，这是一个基于云来原生业务的过程。阿里云 AI&大数据一体化能力+MaaS 可以帮助企业一方面巩固数字原生，同时迈向智能原生阶段。近日，阿里云大数据 AI 产品总监，机器学习产品负责人黄博远、阿里云智能科技研究中心主任安筱鹏、澜舟科技合伙人、首席产品官李京梅三位从业者，和极客公园聊了聊企业和行业，如何从数字原生迈向智能原生。极客公园：「数字原生」在互联网时代被广泛提及，「智能原生」在今年上半年的大模型热潮后受到关注，这两个概念的边界在哪里？分别对应着「数字化进程」的什么阶段？黄博远：可以从数字原生企业、智能原生企业和传统企业这三种类型的企业来区分。传统企业本身有自己的一套业务运作机制，接着他们经历了数字化转型，数据的出现使得这些企业能够以数字方式展现整个经营和业务活动，转型为数字化企业。同时出现了天生就生长在数据时代的企业被称为数字原生企业。随着 AI 大模型的发展，有新的企业从 AI 领域切入，成为智能原生企业。从共性的角度来看，数字原生和智能原生公司都依赖数据和计算执行业务，通过技术手段提升效率，AI 也是一种特殊的计算方式。目前使用 AI 的企业中，有的是 AI 原生，有的是智能化转型企业。李京梅：澜舟科技专注于大模型技术研发和创新应用落地，我们就是智能原生的公司。在创业之初，我们就以预训练模型为基础，为企业客户提供相应的产品、解决方案和技术等服务。我们大多数情况下是作为乙方，提供基于人工智能的相关产品和服务，客户大部分是传统企业，也有数字原生或云原生的公司。从客户的角度看，当他们选择产品和技术时，如果以智能能力为核心来寻找合适的服务，那么就是智能原生企业。如果寻找信息化系统产品，那就是数字原生企业。
安筱鹏：如果跳出技术的角度，在讲数字原生或数字原生企业之前，我们先看看什么是「原生」？原生（Native）意味着原住民，就是土生土长，就是一出生就有的特质。我经常拿「游泳」来作比喻：传统企业的数字化转型就像游泳一样，传统企业需要在数字化的汪洋中找到游泳的技巧，需要学习和适应。当它从传统的 a 点游向数字化的 b 点时，它会发现在 b 点已经有一群充满活力和生机小企业，这些企业（数字原生企业）一出生的时候就长了一个数字化的「腮」，它们天生就具备数字化的能力、素养和理念，无需额外学习「游泳」。数字原生即指这种天生具备数字化能力的状态。从数字原生企业到智能原生企业，是一个升级和迭代的过程。最重要的观察角度是，数字原生企业是基于数据和算法来做决策，重构业务体系。而在智能时代，这种决策体系发生了变化——比如它们通过自然语言交互的方式实现新的交互，可以将其称为智能原生企业。极客公园：近 20 年的数字化发展取得了哪些成就？还存在哪些问题和挑战？安筱鹏：近 20 年的数字化发展成就主要有四方面：第一，过去 20-30 年，中国在数字化浪潮中间形成了四个大国优势：第一个是中国是数字基础设施大国，第二个是消费互联网大国，第三个是线上消费比重最高的国家，第四个是全球最大的制造业大国。这四个大国优势的背后，都是有数字化的价值和影响。第二，在个性化需求比较强烈、同时产业集中度不高的领域，我国的数字化已经走在全球前列；第三，在「乙方数字化解决方案」跟「甲方传统行业」中间，涌现出了一批数字原生企业，迸发出了强大的力量。比如说，有些企业实体资源有限但充分利用数据价值，比如华住拥有房子数量不是最多的、但市值远超比它房子多的酒店，核心就在于华住是数据运营商，这样的企业具备了数字原生的特质，能够实现快速增长；第四，中国消费者更愿意拥抱数字化。他们愿意尝试和接受新兴事物，从而逐渐催生了一个多元且丰富的数字消费市场。这样的市场环境不仅促进了供求之间的迭代与升级，而且也引领了数字技术的不断创新与发展。黄博远：说到过去的发展历程，中国的互联网起步并不早，但在移动互联网领域的发展却非常快速，克服了冷启动数据后呈现了爆炸式的增长。随着移动互联网的发展，带来了很多红利，数据的使用也更加灵活。现在 AI 为整个产业带来了新机会，这使得整个行业持续蓬勃发展。然而，由于发展速度过快，可能会导致某些领域产生泡沫。不过如果科技不断发展，提高效率和效益，就可以逐渐掩盖泡沫问题。这也是一个挑战。企业面对的问题和挑战上，我观察有三类。首先，谈到数字化转型过程中的冷启动。有些企业没有数字化基础，往往要应对更多的挑战。因此，我们需要提供最佳实践，而不仅仅是提供产品或工具，还需要告诉各行各业到企业如何使用它们。其次，是成本问题。一旦企业跨越了第一个门槛并拥有了良好的工具链，其数据将呈指数级增长。但是，如果不能很好地治理这些数据，成本就会呈指数级上升。如果业务增长速度不够快，企业可能无法承受这些成本。降本之后，下一个就是增效。这包括传统的数据分析方法，以及 AI 对数据的理解和分析能力怎么带来更好的效益。李京梅 ：观察过去 AI 的发展，可以看到，人工智能需要建立在数字化、云化的基础之上，不能直接跳到智能化阶段，无论是国外还是中国，在过去的 20 年里，都做了很多相关的准备工作。现在使用与大数据相关的技术进行数据治理、业务数据化、数据业务化等事情已经非常成熟，智能化的出现是必然的。
例如 2015 年一个微软的人脸识别案例传播广泛，那时 AI 是一个非常新奇的事物。然而，现在人脸识别、语音识别技术已经普遍应用到人们的日常生活工作中。目前，AI 已经从感知智能进化到认知智能，再到生成智能，能看见、听见并理解，思考，甚至可以自己写作、生成图片和视频。
说到挑战，其中一个被认为是成本过高，就像开着兰博基尼送外卖，业务价值被看到了，但是 ROI（投资回报比）还差得很远。
极客公园：数字原生企业与传统企业最大的差异在哪里？传统企业、数字原生企业、智能原生企业的特点和区别有哪些？黄博远：二者的边界或许会随着时间模糊，比如现在大部分创新企业都是数字原生的，但 20 年前，90% 的企业都不是数字原生企业，今天我们已经很难想象这些公司在数字化之前是什么样子。所以我相信在未来的 2 到 5 年里，AI 智能原生也会像这样将应用到各个领域。安筱鹏：企业的核心竞争优势来自哪里，是区分传统企业、数字原生企业、智能原生企业的重要视角。数字原生企业是指，企业的核心竞争力来自于数据要素，通过「数据+算法」构建业务体系，从而获得核心竞争力；智能原生企业则是指，企业的核心竞争力来源于 AI 驱动的业务体系，通过智能化手段来提升效率和竞争力。李京梅：有一个最新案例，澜舟科技和新华智云刚发布了战略合作新闻。新华智云是新华社和阿里的合资公司，是从央媒传统媒体公司成立的数字原生公司。现在和澜舟科技基于孟子大模型技术合作共建文化大模型，这就是一个数字原生公司在做智能原生的转化。极客公园：黄博远这些年一直致力于从事大数据能力建设、以及 AI 相关的能力建设，接触了各种各样的企业。在你看来「正在转型」的公司通常会面临怎样的数据获取、处理、治理、价值化等难题？第一个挑战是如何获取数据。无论是移动互联网还是各种感知设备采集数据，核心都是将现实世界数字化。将各种数据输入到数据库中也是数字化的过程之一，只有经过这个过程，才有可能实现数字化转型。第二个挑战是如何利用数据，挑战在于需要很多的输入才能进行良好的分析。第三个挑战是如何通过 AI 解决效率问题。例如，我们使用 BI 报表分析决策要在网站上销售什么，我们雇佣 100 个运营人员，每天最多也只能做出 10 万次调整和决策。提高效率最简单的方法就是使用 AI，用传统的机器学习进行数据挖掘，然后使用 AI 算法决策，可以为每个用户做出 10 次决策，并从中选出最佳的一个。这样，我们甚至可以在一秒钟内做出成千上万次的决策，从而提高数据挖掘的效率，并提高业务效率。最后一个挑战是如何将数据和人工智能融合在一起。如果我有一个万能的智能模型，它能够给我各种各样的建议，如果写出高效的 prompts（提示词），应用就可以很好地将 AI 和数据融合在一起。目前有很多公司会雇用很多人来撰写 prompts，然后再将这些 prompts 输入到大模型中。这个过程的效率明显会降低。这就好比两边都是兰博基尼，但中间需要靠自行车来送中间这一段，整个过程的效率自然就不高了。极客公园：正如刚刚提到的兼顾数据流通和数据安全，对于某些企业来说，数据互通是要建立在「数据安全」的基础上的，所以过去这些企业往往会自建服务器，或者采用私有云的方式。如果未来一定走向「数字原生」阶段，咱们如何打消企业对于「数据安全性」的担忧？李京梅：在大模型时代，数据安全是一个非常重要的话题的确，尽管还没有所谓的完美解决方案，但正在逐步努力。我们经常谈到的「数据飞轮」，即通用人工智能 AGI 的追求，需要一个巨大的通用模型，将用户的数据与模型融合，用于训练并提高其能力，以便为用户提供更好的服务。数据飞轮是一个生命周期，可以不断转动。然而，在实际应用中，比如澜舟科技在企业落地服务方面，主要面向的是金融行业客户，这些客户由于行业规范等非技术因素的限制，不能将所有数据甚至大部分数据放在公有云上。这是一个客观存在的事实。我认为在相当长的时间内，这种现状不会完全改变。如果企业考虑智能化，它会把数据提供给大模型，以训练出更好的模型，为企业创造更多的价值。在创造价值的过程中，企业的内部业务用户与大型模型进行交互，这些交互数据将会回到大模型中，使其持续训练并提供更好的能力。除此之外，在国内，已经有多家数据要素交易所成立，数据资产入表成为财务报表的一部分，这可能会在明年 4 月份或其他时间正式出台。政府也出台了相关政策来保障技术和利益合规性，从数据提供方的角度来看，企业提供的数据怎样保证合规？交易所或数据要素交易所的相关规则如何保障企业提供的数据的利益？作为商品交易，定价策略如何制定？以及如何衡量企业的数据增长和资产的买卖？诸如此类都会得到进一步的保障。而且现在网信办也在进行生成式 AI 和大型模型的报备工作。极客公园：过去基于云的普及，数字化转型往往被认为是「算力和存储的资源采买」，如今思考方式发生了哪些转变？黄博远：最近 AI 的变革让云的服务被更广泛地接受了。虽然不是所有的客户都是以 AI 为核心的，但是云的价值在于解决客户的问题，帮助客户实现业务结果。我们构建了很多平台，客户真正关心的是解决业务问题，而不是买了什么样的机器。如果问题比较具象，我们可以提供 SaaS 服务来解决，如果不是那么具体，我们可以使用 PaaS 服务来解决。去年，我们发布了 MaaS 也就是 model as a service。对于那些想要应用 AI 的客户，他们希望从数据中获得 insight，他们更关心的是你能否在数据中挖掘出核心信息。客户从 IT 效率到业务结果，再到数据 insight 的需求不断增长，这对云带来了新的挑战和机遇，同时我们也看到越来越多的客户开始接受云。极客公园：安老师之前有个观点「ChatGPT 只是美国创新森林一棵树上的叶子」，那您觉得美国创新的底层逻辑是什么呢？这轮数字技术上的创新对中国有何启示？安筱鹏：如果我们把今天的 ChatGPT 比作美国数字创新森林中的一片叶子，那么今天所有的聚光灯都集中在这片叶子上，这片叶子都快被「烤黄」了。但是从国家宏观角度来看，我们需要思考美国的整个创新森林是什么样子，土壤是什么样子，树根是什么样子。第一，美国构建了一个新的创新基础设施，即「公共云+AI」，这是今天所有国家参与新一轮全球数字技术竞争的「入场券」。我把它定义为一种新的创新底座，就像一片汪洋大海，「公共云」这个水池足够宽广、足够深沉。在这个水池中，可以孕育出更多、更大的创新企业。而「私有云」更像是一个小池子，只能孵化出一些小企业。第二，从全球视角来看，这一轮以 AI 大模型为代表的数字技术竞争，是一个「大国的游戏」。许多国家（比如日本、韩国，包括欧盟国家等）可能很难在这一轮技术和产业变革中赶上，因为这次变革是在云计算等数字技术和数字基础设施基础上的一次迭代。第三，从参与竞争的主体看，这一轮也是一场「巨人的战场」。拥有算力、模型、场景、人才等综合优势的大型科技平台公司，是这一轮数字技术大国竞争的主力军。在这个战场上，美国有许多这样的企业，其中一些企业正在推动 AI 发展，包括云和 AI 公司，如谷歌、微软、Meta 等。第四，我们不仅要关注模型的训练，还要关注技术生态和商业化生态的构建。构建技术生态和可商业化闭环的产业生态，是 AI 大模型全球竞争的主战场。在这场竞争中，我们可以看到美国整个生态体系中的技术创新生态和繁荣的中小企业，比如美国拥有全球最大的 AI 模型开源社区 Hugging Face 等等。极客公园：过去一谈到数字原生，总会联想到 IaaS、PaaS、SaaS 这些词，简单的理解就是部署在云端的轻资产式运营，而 AI 大模型涌现后，又出现了一个词叫 MaaS，模型即服务。相比而言，MaaS 可以给带来哪些商业上的增量？MaaS 当前的发展阶段和现状如何？客户付费意愿如何？李京梅：Maas 其实主要是云服务商需要在该服务平台上做好。作为一家大模型公司，澜舟科技在产业链中扮演了重要的角色。如果将人工智能产业链分为上游、中游和下游，我们今天所讲的可以大致归为这几类基础架构层、模型层、应用层。在大数据时代，像上游的基础设施厂商和数据厂商，以及像澜舟科技一样处于模型层的企业，以及下游应用和行业层的企业都扮演着重要的角色。澜舟科技致力于在模型层和应用层提供服务，我们依赖于云基础设施，无论是私有云还是公有云。希望我们的客户能够积极拥抱公有云，这对于整个生态系统都是非常有益的。澜舟科技的 MaaS 服务是以模型为核心提供的，与前面提到的智能原生密切相关。我们的客户通过与模型的交互来构建他们的应用程序和洞察价值。针对中游模型层企业来说，平台层主要提供算力服务。这包括训练模型所需的算力以及为客户提供推理服务所需的算力。因此，我们会选择适合我们需求的算力平台。阿里云是一家以公有云为主并也同时提供私有化输出服务的企业。对于我们来说，这些服务都非常有用，因为我们并不从事这方面的工作。当大模型公司为客户提供服务时大，有几种不同的模型和服务可供选择。其中，open AI 和微软云上的 API 服务是今年比较常见的。这些 API 服务将大模型简化为一种程序接口，以统一的形式提供 chat 服务，无论您需要哪种任务或能力，都可以通过问一个问题或一个 prompt 获得输入和输出。因此，基于云平台提供模型服务变得非常简单。有一些高阶客户需要进一步的培训，大部分是微调服务，所以训练不会很复杂。还有一些客户想要完全在云上进行私有化，这些都可以在云平台上实现。对于澜舟科技，我们基于云平台提供大模型技术服务，为终端客户和企业客户提供更多的能力。这更像是一个 PaaS 服务，需要进一步开发。从我们的角度来看，我们是一个承上启下的角色。黄博远：刚才李老师提到，我们需要进行训练和推理，并且需要各种各样的下游应用。近年来，特别是去年 12 月底推出的 ChatGPT 3.5，使得生产大型模型成为业内热门话题。现在云平台解决了一个极致的问题，让一台机器能够胜任一万台机器的工作，这是很多客户选择上云的原因之一。云平台拥有非常强的规模化能力，能够支持上万卡规模的训练任务，这在中国也是非常少见的。第二个方面是关于模型和服务。训练模型是一种成本高昂的过程，但是模型可以实现商业价值。在大规模分布式训练领域，阿里云可以提供高效率、稳定性和卓越的性能。如果我们能够帮助客户更好地实施业务，为云上的企业带来更多收益，那么才能激发大家付费的意愿。当前 AI 研发的范式发生了变化，越来越多的企业开始朝着中下游发展，注重应用以及模型与客户之间的连接。未来，只有少数头部企业会专注于超大模型的训练。这种情况促使了模型与服务的结合，并获得更多市场认可。极客公园：我们跟其他大模型创业者交流，有一种观点是「未来大模型趋势会部署到端，且未来算力可能不会再依赖于 GPU，而会诞生 AI 专有芯片」。各位怎么看这个观点？未来大模型的发展趋势会不会「部署到端」？倘若会，对于云厂商是好事坏事？黄博远：现在的手机算力越来越强大，包括车载设备。许多 AI 任务已经能够在手机端上运行。特定领域，我们可以将大型模型进行量化压缩，并通过微调将其转化为适用于特定领域的中小型模型。这些模型可以在端上运行，尤其是像阿里云这样的企业，我们已经进行了许多端上架构和优化，使得越来越多的模型可以在端上运行。但模型参数的规模不断增加会带来模型效果的巨大提升。因此，在这个层面上看，云端仍然是集中式超大规模训练的首选，OpenAI、Meta 和微软等公司都在这方面投入了大量资源。虽然端上会有更多的算力负载，但我认为未来会是云端和端上相结合的高效 AI 服务模式。李京梅 ：早在微软开始开发云服务时就提出了「云加端」，今天仍然非常适用。但仍有一些问题，比如所谓的「数据飞轮」，需要回到云端，特别是训练数据，才能进一步进行训练，使整个模型的生命周期得以启动。同时一些伙伴会要求在电脑断网时完成某些任务。所以未来云和端都会存在。极客公园：未来最有希望率先转型，或者迈入「智能原生」的行业有哪些？有哪些可预见的应用场景？李京梅：我们希望 AI 能够赋能千行百业。文化娱乐行业相对比较云原生，场景应用容错率也比较高，所以落地验证非常快。金融行业也是主战场，因为原本数字化走得比较早，所以智能化条件更加成熟。但它相对会慢，因为需要更加严谨。社交也是比较有想象空间的。在科技方面，比如分子动力学、制药这些领域，怎么样用 AI 的方式去解决超大规模计算的能力。往大了讲，对我们人类的发展有很大帮助。安筱鹏：我判断，制造业是 AI 大模型应用的主战场。因为 AI 大模型为代表的新一代人工智能，将从研发设计、生产工艺、营销客服、运维质控、组织协同等环节，加速制造业走向智能化。我们已经看到了 AI 大模型在软件编码、自然语言交互等方面，在制造业的多个环节中得到应用，并且这些应用已经开始形成了一种实实在在的商业闭环。首先，在产品的研发和设计阶段，可以应用 AI 大模型，赋能芯片研发设计、蛋白质结构设计等，还可以赋能飞机、汽车、机器人等产品研发。第二，进入控制环节、进入制造业生产环节最核心的控制系统，是 AI 应用制造业的关键标志。例如 PLC（可编程逻辑控制器）、MES（制造执行系统）、SCADA（数据采集与监视控制系统）等等这些控制系统或环节。AI 大模型的出现，将降低开发成本，降低整个工业生产中工艺设计的门槛，这样的案例在实践中已经发生了。第三是营销环节，例如 AI 大模型+数字人的应用，将提升营销效果，打造全新的消费者体验。第四个是在产品全生命周期的维护过程，AI 大模型+IoT 技术可以优化设备/产品全生命周期运维和质控服务。以上是从环节的角度，那具体到实现的方式，我认为 AI 驱动软件升级是大模型赋能制造业的主要途径。我们看到，今天的 AI 大模型正在重构整个软件体系，各种 APP、Office 等等，以及企业大型的 CRM（客户关系管理），MES、ERP（企业资源计划）等等。当软件体系被重构之后，它就会改变整个制造业应用和使用软件的方式。最后，大模型的应用，它不是孤军奋战。用一个大模型很难解决一个个特定场景的问题，它一定是大模型+小模型、开源+闭源，以及 AI 大模型本身跟传统的软件体系、数据体系等等融合协同起来，包括最近讨论较多的各种 Agent 去协同、去互动、去交互，才能更好地解决不同场景下的具体问题。本文为极客公园原创文章，转载请联系极客君微信 geekparkGO来看 Sam Altman 现场演示 GPT-4 Turbo 的有趣瞬间！在今天凌晨举行的首次 OpenAI 开发者大会上，Sam Altman 发布了全新的 GPT-4 Turbo。然而在现场演示时，紧张到打错字的 Sam 也露出了很有人情味的一面……
