附上本期直播時間軸，幫你快速跳轉(zhuǎn)感興趣的部分

00：03：39  AI發(fā)展的幾個階段

00：10：04  資本如何看待AI公司的發(fā)展前景？

00：15：55  AI對于企業(yè)的意義和價值

00：24：18  企業(yè)在訓(xùn)練模型的過程中，還有哪些問題？

00：34：25  資本對AI賽道和對企業(yè)有什么判斷？

以下為對話實錄，經(jīng)筆者整理：

萬寧：星塵數(shù)據(jù)在數(shù)據(jù)標(biāo)注領(lǐng)域進入的傳統(tǒng)業(yè)務(wù)有哪些？

章磊：星塵數(shù)據(jù)是國內(nèi)最早一批專注于AI數(shù)據(jù)的創(chuàng)業(yè)公司，經(jīng)歷了每一波AI創(chuàng)業(yè)浪潮和AI技術(shù)的顛覆，并且深入與每個時代處于“風(fēng)口浪尖”的公司進行了合作，幫助他們創(chuàng)造了更大的價值。從最初NLP應(yīng)用，到2018年前后的自動駕駛，我們?yōu)閹准臆嚻髲?到1解決了他們首款量產(chǎn)（自動駕駛）車輛的算法問題。在大模型問世之后，我們也與頭部的大模型公司進行深入的合作，共研創(chuàng)新技術(shù)，解決大模型發(fā)展中遇見包括幻覺、指令跟隨等在內(nèi)的各種問題。

我們觀察到AI的演進路徑是：從最初的CV、NLP等一些簡單的模型算法的落地，到自動駕駛，需要通過大量感知型數(shù)據(jù)標(biāo)注來解決常識性的問題，再到認知型的問題，再到現(xiàn)在，隨著大模型學(xué)習(xí)互聯(lián)網(wǎng)知識已經(jīng)告一段落，就進入了專家型知識學(xué)習(xí)和交互型知識學(xué)習(xí)的階段，還有就是像具身智能等與環(huán)境進行數(shù)據(jù)交互的階段。

此外，數(shù)據(jù)也從低價值階段向著高價值轉(zhuǎn)變，原先一條數(shù)據(jù)可能幾塊錢、幾毛錢，但是現(xiàn)在一條數(shù)據(jù)可能幾十塊錢、幾百塊錢，甚至幾千塊錢。

在此基礎(chǔ)上，未來到底還需要多少數(shù)據(jù)呢？——這是目前大家經(jīng)常問的問題。我認為答案是：無窮無盡。因為我們需要依賴一套底層技術(shù)——機器學(xué)習(xí)，學(xué)習(xí)的內(nèi)容就是我們標(biāo)注好的知識，或者一些交互型的知識，學(xué)習(xí)的過程是無窮無盡的。如果機器能夠達到自我學(xué)習(xí)了，那么人類的意義又在哪里？但這一天離我們還很遙遠，至少在未來的幾十年內(nèi)，AI還需要不斷通過人類提供的數(shù)據(jù)進行學(xué)習(xí)和演進，同時學(xué)習(xí)的方式和內(nèi)部機制也在不斷演進。接下來的幾年，我們?nèi)匀豢梢钥吹?，AI會不斷攻破一個又一個人類認為不可企及的知識高峰。這里面包括了數(shù)學(xué)競賽的問題、前沿物理學(xué)，以及DNA基因等方面。這是我認為星塵數(shù)據(jù)存在最大的意義。

從數(shù)據(jù)標(biāo)注行業(yè)角度出發(fā)，我們也從由互聯(lián)網(wǎng)、科技公司領(lǐng)投的企業(yè)，到自動駕駛、車廠領(lǐng)投的方向，再到接下來我們已經(jīng)做了很多央國企，比如能源、交通、法律、金融保險等領(lǐng)域，現(xiàn)在各行業(yè)都有我們的應(yīng)用案例。這是因為模型的門檻已經(jīng)下降到各行各業(yè)都能夠應(yīng)用的階段。在這個階段，星塵數(shù)據(jù)不僅提供數(shù)據(jù)標(biāo)注，還提供了數(shù)據(jù)平臺、模型搭建的解決方案、顧問等服務(wù)，幫助各行業(yè)企業(yè)真正通過AI實現(xiàn)賦能。

萬寧：請介紹一下水木清華基金，以及從投資人角度出發(fā)，如何看待諸如星塵數(shù)據(jù)這樣的AI創(chuàng)業(yè)企業(yè)的未來？

丁昳婷：水木清華校友種子基金主要專注于投資清華校友相關(guān)的初創(chuàng)企業(yè)。我們成立于2014年前后，陸續(xù)進行到了第五期基金。在AI方面，從之前的CV，逐漸到大模型相關(guān)的AI技術(shù)，清華校友圈從事AI行業(yè)的人很多。所以我們也比較早開始在AI方面的投資，從上一代AI開始，到大模型，再到具身智能等方向與相關(guān)產(chǎn)業(yè)都投了很多項目。比如星塵數(shù)據(jù)這樣的企業(yè)，還有一些AI安全相關(guān)的企業(yè)。我們創(chuàng)立的初衷就是致力于成為清華校友創(chuàng)業(yè)第一站，給予校友在早期創(chuàng)業(yè)的科技項目提供一些幫助。

關(guān)于AI應(yīng)用方面，我認為數(shù)據(jù)基座是非常關(guān)鍵的，近段時間也能感受到大家對數(shù)據(jù)的關(guān)注度很高，包括硅谷投資熱點也在向數(shù)據(jù)相關(guān)領(lǐng)域轉(zhuǎn)移。

從我們的觀點出發(fā)，無論是之前的自動駕駛，還是模型數(shù)據(jù)，甚至是CV技術(shù)的階段，大量優(yōu)質(zhì)數(shù)據(jù)的獲取一直都是各行業(yè)能夠應(yīng)用AI技術(shù)的前提。我們認為星塵數(shù)據(jù)所做的事情，就是在AI的“掘金”時代“賣鏟子”，為AI提供了核心要素，提供了標(biāo)注能力，以及對整個世界理解的能力。這點在國際上也是，比如一些與星塵數(shù)據(jù)類似的美國企業(yè)，在美國也得到了資本界的認可，估值也很高，這也體現(xiàn)了資本市場對于這個環(huán)節(jié)價值的認可度。

基于此，我們認為，不管AI發(fā)展到了什么時代，數(shù)據(jù)一定是基礎(chǔ)，就像剛剛章總所說的，隨著AI向各行各業(yè)滲透，大家在希望更好地擁抱AI的過程中，數(shù)據(jù)這個環(huán)節(jié)的價值會越來越大，越來越受重視。

萬寧：回溯技術(shù)的演進，AI在企業(yè)的意義和價值是什么樣的？

章磊：我相信當(dāng)下，絕大部分企業(yè)都會購買DeepSeek的一體機，但當(dāng)部署了之后，DeepSeek是否真正解決了公司業(yè)務(wù)當(dāng)中的問題？我相信很多公司的答案都是：沒有。

為什么？因為DeepSeek學(xué)的是互聯(lián)網(wǎng)知識，通用知識。但在企業(yè)內(nèi)部業(yè)務(wù)環(huán)節(jié)，每家企業(yè)的業(yè)務(wù)知識都不一樣，怎么樣能讓一個通用大模型去解決私有化業(yè)務(wù)場景中的問題呢？我認為，最好的辦法就是：通過企業(yè)私有化的數(shù)據(jù)，訓(xùn)練出一個私有化的大模型和私有化的AI技術(shù)，這是現(xiàn)在大多數(shù)企業(yè)所面臨和忽略的一個問題。

同時，我認為一些簡單的推理問題、信息檢索的問題，可以通過RAG解決，但企業(yè)最核心的業(yè)務(wù)的問題，仍然需要私有化大模型去解決。而且，很多企業(yè)都存在信息墻——內(nèi)部信息是不能通過外部通用大模型使用的，而這個時候，就更需要一個私有化的大模型。

在這個過程中，企業(yè)會面臨很多問題。首先是“幻覺”問題?；糜X問題不是技術(shù)問題，也不是架構(gòu)問題，而是數(shù)據(jù)質(zhì)量、數(shù)據(jù)分布、數(shù)據(jù)重復(fù)、數(shù)據(jù)矛盾等問題，有噪音，以及“臟”數(shù)據(jù)，都會導(dǎo)致幻覺問題。這個問題就需要通過高質(zhì)量編排的訓(xùn)練數(shù)據(jù)解決。

星塵數(shù)據(jù)通過MorningStar這樣一個以數(shù)據(jù)為中心的數(shù)據(jù)平臺解決這些問題。同時，還需要區(qū)分業(yè)務(wù)邏輯和知識之間的關(guān)系。很多時候問一個帶著業(yè)務(wù)邏輯的問題，不僅是一個通過知識+通用落地就能回答的問題，而是需要有業(yè)務(wù)邏輯關(guān)系來解決的。我們通過MorningStar平臺將客戶的業(yè)務(wù)思維鏈整理出來，讓其具備特定業(yè)務(wù)場景下的推理能力，再結(jié)合業(yè)務(wù)中的數(shù)據(jù)，梳理好一本精心編排的“教科書”，讓模型進行學(xué)習(xí)。

另一個挑戰(zhàn)是：正在被逐步解決的多模態(tài)的問題。如何將業(yè)務(wù)中Word、PPT這樣的文件，轉(zhuǎn)化為一條條的訓(xùn)練數(shù)據(jù)，需要一個轉(zhuǎn)化過程，這個過程可能是半自動化的，也可能是全自動化的。當(dāng)然，在這個過程中，我們也碰見過數(shù)據(jù)量不夠的問題。一些企業(yè)當(dāng)中，真正了解業(yè)務(wù)的人往往是企業(yè)高管，這些高管的時間十分寶貴，可能一周都安排不出一小時與我們進行溝通建設(shè)思路之類的問題。所以，在這方面，我認為多模態(tài)業(yè)務(wù)數(shù)據(jù)，再加上核心業(yè)務(wù)人員的時間投入是必要的，這樣才能將一些類似于工業(yè)內(nèi)部智能制造的數(shù)據(jù)，結(jié)合到企業(yè)真正業(yè)務(wù)過程中，真正落地好AI應(yīng)用。

綜合來看，要解決企業(yè)內(nèi)部問題，不僅需要一個錘子（工具），還需要企業(yè)有“能工巧匠”，同時還要有時間的投入和耐心，以及公司內(nèi)部達成落地AI應(yīng)用的共識和決心，才能真正解決AI落地的問題。

萬寧：除了業(yè)務(wù)人員時間投入不足之外，企業(yè)在訓(xùn)練模型的過程中，還有哪些問題？

章磊：第一點，企業(yè)一定要有耐心。就好像人們對自己的子女有很大的耐心，能夠反復(fù)地傳授他們知識、培養(yǎng)能力，一點點地成長。AI的學(xué)習(xí)能力比人要強很多，但這個學(xué)習(xí)的過程也需要人們給予更多的耐心。

第二點，在應(yīng)用AI方面要有決心，因為AI已經(jīng)是一個不可逆的趨勢。我們發(fā)現(xiàn)很多企業(yè)的業(yè)務(wù)人員內(nèi)心還存在僥幸，他們覺得，AI不好用，就不用了，公司就不推廣AI應(yīng)用了。這是不可能的，公司肯定會推廣AI應(yīng)用，只不過是快慢的問題。

第三點，管理層要制定好機制。讓中層、一線員工，有足夠的時間使用AI、迭代AI、磨合AI。同時還要推行良好的管理機制、競爭機制、分享機制，將資源分配到AI應(yīng)用上，才能做好AI落地。

第四點，企業(yè)不要“單打獨斗”，要通過生態(tài)解決問題，而不要內(nèi)部自己研究。像星塵數(shù)據(jù)這樣的，具備充足行業(yè)解決方案經(jīng)驗的公司有很多，即便企業(yè)所處行業(yè)有一些獨特的問題，也能通過其他行業(yè)的一些經(jīng)驗，加速企業(yè)在行業(yè)內(nèi)落地AI應(yīng)用的進程。

萬寧：在AI落地，以及智能體落地的過程中，星塵數(shù)據(jù)會給客戶怎樣的建議？

章磊：我覺得要在有耐心的前提下，做到“小步快跑”。一個項目需要從前期咨詢/溝通、數(shù)據(jù)策略、模型架構(gòu)策略、設(shè)計，到小規(guī)模驗證，然后再到大量數(shù)據(jù)合成、標(biāo)注，準(zhǔn)備好數(shù)據(jù)，再到模型訓(xùn)練、部署、應(yīng)用、集成，最后再到數(shù)據(jù)迭代、模型迭代，是一個很長的鏈路。這個過程中，也會出現(xiàn)剛剛提到的幻覺、思維鏈不對等問題，這些問題就需要一點點去解決。沒有一個企業(yè)的業(yè)務(wù)問題是可以通過通用大模型一下就解決的。

舉個例子，比如法務(wù)行業(yè)，客戶需要撰寫某一個專業(yè)領(lǐng)域的法務(wù)合同。這個過程中就會遇見很多問題，比如，無法通過RAG進行多份合同的沖突分析、證據(jù)鏈構(gòu)建，法律原則適用度判斷，這些都無法通過信息檢索來解決。就需要通過先學(xué)習(xí)法律基礎(chǔ)知識，內(nèi)化法律語義和推理，然后構(gòu)建復(fù)雜的證據(jù)鏈，沉淀專家經(jīng)驗，再將專家策略邏輯寫成代碼，轉(zhuǎn)化為可以訓(xùn)練的內(nèi)容，這些都需要一點點迭代完成。

再比如制造業(yè)。需要多模態(tài)的能力，而RAG很難通過圖像特征、工藝參數(shù)深度關(guān)聯(lián)，進行參數(shù)溯源，復(fù)雜因果推理，工藝優(yōu)化建議等能力，這時候模型就需要學(xué)習(xí)制造工藝材料學(xué)等一些知識，并在多模態(tài)數(shù)據(jù)上進行溯源歸因，將專家經(jīng)驗沉淀下來，這個過程也是漫長的。

像RAG、Agent、Workflow都屬于工程類，是人類邏輯能夠快速理解的，我相信企業(yè)業(yè)務(wù)人員肯定會有比較聰明的人，能夠快速地掌握這些工具鏈去解決問題。但真正要解決數(shù)據(jù)的問題，才能在這些工具鏈上解決問題。我們認為，Agent、Workflow是一個短暫過渡的產(chǎn)物，當(dāng)GPT5、GPT6出來之后，你會發(fā)現(xiàn)，其實不需要這些工具流，因為它是一個人的邏輯鏈，而真實的問題復(fù)雜度非常高。

就像自動駕駛，原先在L2的時候，車企為了趕交付周期，寫了上萬條規(guī)則，但后來特斯拉就使用端到端，將規(guī)則全部內(nèi)化成深度的信息。我相信大模型也是一樣，通過Workflow會發(fā)現(xiàn)，補丁加了很多，規(guī)則加了很多，最后很難網(wǎng)簽執(zhí)行，因為它只能解決一個具體的小問題。但如果它是一個公司的業(yè)務(wù)大腦，最后公司的業(yè)務(wù)形態(tài)也會轉(zhuǎn)變，原來是以人為中心，計算機輔助，現(xiàn)在是以模型為中心，人不斷“喂養(yǎng)”這個模型，這樣模型才能越來越好用，真正解決企業(yè)的問題。

萬寧：作為投資人，在AI落地方面，對賽道和對企業(yè)有什么判斷？

丁昳婷：AI已經(jīng)從原先的提升某個環(huán)節(jié)的效率，走向大家更期待AI能夠直接交付一個結(jié)果，或者說是深度理解業(yè)務(wù)流，然后幫助企業(yè)在某些業(yè)務(wù)中，交付更好的結(jié)果。

我們看到在很多行業(yè)，或者說業(yè)務(wù)方向上，AI更容易落地。比如在AI營銷，或者客服（售前），通過學(xué)習(xí)大量數(shù)據(jù)，與顧客進行溝通，或者售后方面的一些預(yù)溝通。這些相對容易落地的方向，已經(jīng)有越來越多的團隊涉足這些領(lǐng)域。

如果要更深入到整個企業(yè)的流程中，就需要與業(yè)務(wù)深度綁定。以制造業(yè)企業(yè)為例，制造業(yè)涉及了生產(chǎn)過程管理、產(chǎn)線管理，就需要AI理解一整套系統(tǒng)，需要有人理解整個業(yè)務(wù)流程是什么樣的，然后讓AI學(xué)會整個業(yè)務(wù)流程。然后再將AI的能力逐步深入滲透到業(yè)務(wù)的各個環(huán)節(jié)。

在這個過程中，也有很多困難需要解決。比如在多Agent協(xié)同減少人力成本的過程中，就可能面臨幾個問題。一個是標(biāo)準(zhǔn)化，可規(guī)?；瘡?fù)制的能力。比如一個龍頭客戶將某個場景下的AI能力迭代了一遍，這個能力能否具備向同行業(yè)，甚至跨行業(yè)客戶遷移（復(fù)用）的能力。投資機構(gòu)在評估的時候，也會考慮這些因素。

在我看來，當(dāng)下是一個傳統(tǒng)行業(yè)+AI的機會，傳統(tǒng)行業(yè)本身具有了豐富的行業(yè)Know-How，能將AI的能力在應(yīng)用過程中，進一步提升。而對于創(chuàng)業(yè)公司來說，他們可能缺乏行業(yè)深度業(yè)務(wù)流程的理解能力。

但從另一個維度上看，越來越多的創(chuàng)業(yè)公司將標(biāo)準(zhǔn)化的能力抽象出來，主要解決一個方面問題，就有可能在更多的行業(yè)（場景）中復(fù)用。這就需要整體生態(tài)的支撐，不同的團隊，側(cè)重不同的方面，比如有的團隊就通過大量行業(yè)專有數(shù)據(jù)，打造好垂類的行業(yè)大模型。

在某些行業(yè)AI對生產(chǎn)力的提升已經(jīng)很明顯了。比如在編程領(lǐng)域，國內(nèi)外有大量公司布局這個方面的業(yè)務(wù)，通過LLM語言模型，在編程方面能夠替代大量的人工。同時，AI編程也可以幫助一些原來不會編程的人，通過輕量化的方式，構(gòu)建個人網(wǎng)站?，F(xiàn)在已經(jīng)有一些公司具備了這樣的能力，能夠幫助用戶快速地構(gòu)建一個相對標(biāo)準(zhǔn)化的產(chǎn)品。

總結(jié)來看，無論在企業(yè)側(cè)，還是個人側(cè)，AI都在越來越多地替代我們身邊的角色，這個過程中，有很多多樣化的需求，有一些容易用AI實現(xiàn)的功能，已經(jīng)有很多初創(chuàng)公司推出了“百花齊放”的產(chǎn)品。但從另一個角度來說，離真正的解決專業(yè)性極強的行業(yè)場景還有比較遠的距離。這就需要構(gòu)建完善的生態(tài)，通過行業(yè)專有數(shù)據(jù)，進行結(jié)合。

我們也看到了一些現(xiàn)象——現(xiàn)在很多大企業(yè)都非常迫切地尋找一個強力的AI團隊，他們認為有了這個團隊，就能解決公司的問題。在這個過程中也有一些難題。比如，雖然老板的決心很強，但在專業(yè)性方面，對流程并不是很理解的情況下，很難評估工作量、協(xié)同資源、計算投入。所以究竟什么樣的人員構(gòu)成，以及什么樣的業(yè)態(tài)才能更好地幫助傳統(tǒng)行業(yè)進一步實現(xiàn)AI轉(zhuǎn)型，也是目前行業(yè)內(nèi)在討論的一個熱議話題。

萬寧：在AI已經(jīng)是必選項的背景下，很多企業(yè)希望通過多Agent協(xié)同來落地AI應(yīng)用，但大多數(shù)企業(yè)的費效比并不是很好，您如何看待這個問題？

章磊：我覺得核心的問題是管理的方式還有待提高。我們內(nèi)部管理層開會的時候，也說要倡導(dǎo)員工擁抱AI。其實我們自己也需要擁抱AI，因為不是每個星塵的員工都是算法工程師，都懂AI，我們也有大量業(yè)務(wù)人員。這種情況下，首先我們就有一些體系上、制度上、財務(wù)上的支持。比如，給員工報課，每周進行分享，然后在評級的時候，將使用AI算在評級內(nèi)。招聘的時候，我們要求應(yīng)聘者對AI有強烈的興趣。

第二點，要有機制。比如我們幫助客戶打造了業(yè)務(wù)問答助手，也會告訴客戶打造完不是終點，而是起點。因為這個助手現(xiàn)在將將夠用，但企業(yè)若想要將它打造成內(nèi)部業(yè)務(wù)助理，就需要與員工進行大量的交互，并且企業(yè)需要專門安排一個員工實時監(jiān)測問答效果好不好，不好的數(shù)據(jù)需要剔除。比如星塵的MorningStar平臺就有這么一個功能：將不好的答案自動挖掘出來，自動收錄起來，生成新的數(shù)據(jù)，再進行訓(xùn)練，形成一個迭代的思維。

在管理層上，需要管理者將員工擁抱AI的熱情慢慢調(diào)動起來；在數(shù)據(jù)層面、模型層面，需要不斷對模型進行迭代、優(yōu)化。

這個過程中，相對于ChatGPT這樣的幾百B參數(shù)的通用模型來說，企業(yè)需要的是真正能解決業(yè)務(wù)問題的小模型，可能20B、30B參數(shù)的模型就夠了。關(guān)鍵是要將企業(yè)內(nèi)部數(shù)據(jù)存下來，整理清楚。所以，模型架構(gòu)不是阻礙AI落地的關(guān)鍵，阻礙AI在業(yè)務(wù)上落地的主要瓶頸是數(shù)據(jù)、機制、企業(yè)文化和管理迭代的過程。

企業(yè)需要設(shè)計一個機制，讓數(shù)據(jù)能夠迭代起來，就像今年紅杉AI大會上，有的合伙人就說：我們投AI公司最大的邏輯是看這個公司有沒有數(shù)據(jù)護城河，因為AI技術(shù)本身沒有護城河，只有數(shù)據(jù)才有護城河。

所謂數(shù)據(jù)護城河，一種是，你的數(shù)據(jù)是不是別的企業(yè)沒有的數(shù)據(jù)？并且你還能持續(xù)地通過這些數(shù)據(jù)賺錢；另一種是，打造一種業(yè)務(wù)模式，可以讓數(shù)據(jù)在這種模式下，越滾越大。

對于企業(yè)而言，走到最后企業(yè)的核心競爭力就是：企業(yè)能不能通過AI提升業(yè)務(wù)能力，AI能力越滾越大的背后，不是模型越來越強，而是數(shù)據(jù)越滾越大。

萬寧：在行業(yè)Know-How等數(shù)據(jù)越來越重要的背景下，創(chuàng)業(yè)企業(yè)的機會還多嗎？

丁昳婷：這不是一個很好回答的問題，我結(jié)合自己的理解來解答一下。

首先，我很贊同章總的觀點——數(shù)據(jù)肯定是最重要的護城河，尤其是一些垂直行業(yè)落地應(yīng)用的過程。而什么樣的數(shù)據(jù)才能形成一個高效的解決方案，對于整個團隊來說是一個非常大的挑戰(zhàn)。有些傳統(tǒng)行業(yè)企業(yè)，雖然有豐富的數(shù)據(jù)，但對于AI沒有深度的理解，并不清楚AI的工作流是如何進行的，并且在數(shù)據(jù)結(jié)合模型的時候，通過什么樣的方式，能夠?qū)⑦@些行業(yè)Know-How更好地“喂”給AI。這些過程都具有很強的專業(yè)性。但從另一個維度上看，這個過程中本身還是依賴于數(shù)據(jù)。

這兩個方面缺一不可：一方面，企業(yè)需要擁有大量的原始的、高質(zhì)量的數(shù)據(jù)，另一方面，企業(yè)需要知道如何將這些組織在一起。

很多時候，行業(yè)模型并不是垂直大模型，加一些行業(yè)數(shù)據(jù)的微調(diào)就能解決的。而是需要在模型架構(gòu)上，進行針對性的設(shè)計，核心要求是：最適合業(yè)務(wù)場景的模型，這就需要很多Know-How。

所以，我認為初創(chuàng)企業(yè)與傳統(tǒng)企業(yè)的協(xié)同缺一不可。一方面，傳統(tǒng)企業(yè)有大量原始數(shù)據(jù)，但是僅憑這些原始數(shù)據(jù)也不足以支撐在AI落地方面走得更快；另一方面，初創(chuàng)企業(yè)對于如何利用好這些數(shù)據(jù)，有著更充分的理解，結(jié)合在一起才能走得更好。

包括在企業(yè)組織架構(gòu)問題方面，我也覺得是一個非常關(guān)鍵的問題。因為人具有一定的多樣性，允許在業(yè)務(wù)中存在模糊空間，但AI需要有一個非常精準(zhǔn)的定位。所以，原先一個人的工作，需要拆分成幾個不同的業(yè)務(wù)流，專門干某一項工作。然后再用比較高效的方式，將這些工作流組織起來。這就需要企業(yè)管理層對業(yè)務(wù)流程有著清晰的認知，并不是有一個AI應(yīng)用，就能將原先的員工取代了。從這個維度上看，就需要企業(yè)創(chuàng)新組織形式，適應(yīng)AI的能力。

我們也觀察到，有一些行業(yè)，行業(yè)的組織方式在AI的影響下，正在發(fā)生變化。比如醫(yī)療行業(yè)。AI加入到醫(yī)療行業(yè)中，與原先的醫(yī)生、醫(yī)護是一個什么樣的協(xié)同方式，甚至是收費方式，可能都需要進行一些調(diào)整。從這個角度出發(fā)，有一些業(yè)態(tài)需要改變，并不是基于原來的模式，能實現(xiàn)AI的原位替代。

從組織形式上講，我認為傳統(tǒng)行業(yè)的行業(yè)Know-How與對AI有深度理解的團隊人員都是必要的。只有這兩種員工組合在一起，才能在AI落地這件事上，走的比較快。

章磊：我補充一下。在硅谷有一家專門賣“專家”的公司發(fā)展得非?？?。他們擁有醫(yī)療、法務(wù)、制造、工程等在內(nèi)的多個行業(yè)的專家，然后同時還具備一個特點——這些專家又同時懂一些基礎(chǔ)算法知識。這些專家知道如何能將業(yè)務(wù)知識轉(zhuǎn)化為可訓(xùn)練的數(shù)據(jù)，進而在企業(yè)內(nèi)部打造AI能力。

基于此，我覺得，未來，無論是星塵，還是企業(yè)側(cè)，AI的發(fā)展需要“雙料冠軍”，這種人才既非常懂業(yè)務(wù)，又知道如何將行業(yè)Know-How轉(zhuǎn)化成AI能吸收的知識和數(shù)據(jù)。星塵數(shù)據(jù)也已經(jīng)開始搭建專家人才網(wǎng)絡(luò)，其中不乏一些行業(yè)資深的專家。

因為我們看到，越來越多的客戶，核心業(yè)務(wù)人員十分忙碌，在這個過程中，我們?nèi)绾文軌蚩焖俚赝ㄟ^我們自己的專家了解到企業(yè)業(yè)務(wù)方向，并且能快速地將這個方向翻譯成AI的訓(xùn)練數(shù)據(jù)，就相當(dāng)于我們給客戶搭建了一個專家團隊，快速地抽取出企業(yè)業(yè)務(wù)知識，轉(zhuǎn)化為搭建AI模型需要的。這個過程就能看到數(shù)據(jù)公司在其中的價值。

當(dāng)然，光有懂算法的老師傅還不夠，企業(yè)還需要工具鏈，以及一套完整的工具流，推動AI應(yīng)用落地。這也是我們搭建MorningStar平臺的原因，也是我們面向未來AI和AI數(shù)據(jù)機遇的一個布局。

萬寧：企業(yè)在落地AI應(yīng)用過程中，最值得關(guān)注的問題有哪些？（面向企業(yè)CIO管理層）

章磊：第一個是，企業(yè)管理層真的準(zhǔn)備好了么？真的搭建了一個AI First的企業(yè)文化了么？如果只是嘴上喊口號說“我們要用AI”，那永遠不會成功。AI First的企業(yè)文化意味著，企業(yè)的保障制度、激勵措施、資源分配，還有基礎(chǔ)設(shè)施等方面的準(zhǔn)備都需要到位。

第二個是，企業(yè)是否愿意為了“AI信仰一躍”。這句話的意思是：之前在互聯(lián)網(wǎng)時代（或者說在AI之前的所有時代），人類的商業(yè)行為依賴于計劃、執(zhí)行，然后驗收。但在AI時代，企業(yè)不知道需要投入多少，但是得在基礎(chǔ)設(shè)施、人才、數(shù)據(jù)、訓(xùn)練成本等方面進行投入，成本是不可忽視的一部分。企業(yè)的AI落地就像ChatGPT時代一樣，在看不見確定性成果的前提下，企業(yè)愿不愿意為了信仰而不斷前行。如果企業(yè)就抱著“我先花幾十萬試試”的態(tài)度，那是一種玩法；另外一種是——企業(yè)就抱著“背水一戰(zhàn)”的態(tài)度，一定要將AI落地，那又是一種玩法。

萬寧：丁總，如果您作為提問者，在面向數(shù)字化領(lǐng)導(dǎo)者（CIO）提問的時候，關(guān)于AI落地過程中，需要注意的方面，您會提出哪些問題？

丁昳婷：我可能更多的從對數(shù)據(jù)認知的角度進行提問。這其中有一個實際的挑戰(zhàn)是：像星塵數(shù)據(jù)這樣的涉及AI業(yè)務(wù)的公司，在出海的過程中，面臨著數(shù)據(jù)規(guī)范、數(shù)據(jù)安全的挑戰(zhàn)。

這就引出了一個實操的問題，比如一些大型互聯(lián)網(wǎng)公司出海的過程中，在當(dāng)?shù)氐臄?shù)據(jù)，用什么的方式能夠比較合理地被一家中國的互聯(lián)網(wǎng)公司納入到模型體系中，然后再為當(dāng)?shù)氐目蛻暨M行服務(wù)。越是像醫(yī)療、金融這種比較核心的層面的企業(yè)越會遇見類似的問題。

比如，企業(yè)將來希望具備全球化復(fù)制的能力，在國內(nèi)已經(jīng)將模型初步打磨好，在海外就需要注意如何能夠更好的完成模型、Know-How的跨境，需要注意的點，這是出海企業(yè)面臨的共性問題。

萬寧：對，AI倫理和合規(guī)的話題，已經(jīng)不是選擇題，而是必答題。未來，所有企業(yè)都希望成為全球化的企業(yè)，在這個層面，就需要企業(yè)在一開始底層業(yè)務(wù)邏輯上就需要考慮這個話題。而在這個方面做好相關(guān)戰(zhàn)略的規(guī)劃，已經(jīng)是企業(yè)當(dāng)下需要考慮的問題。

 評！加入創(chuàng)新場景50榜單評選

2025年度「創(chuàng)新場景 TOP 50」榜單評選征集啟動

申報日期：即日起~8月22日止

公開投票及專家評審：2025年8月23日起~8月31日止

申報鏈接：https://m.tmtpost.com/post/cj50（請使用PC端申報，暫不支持手機端）

763人已贊賞 >

敬原創(chuàng)，有鈦度，得贊賞

贊賞支持

0

30

0

掃描下載App