从“项目交付”到“价值交付”，AI步入“工业化”时代 | ToB产业观察

从手工业走向工业化，西方国家花费了近200年。即便是快速发展的中国，也经历了70余年的时间。而在AI领域，从“手工作坊”走向工业化，仅花费了不到3年。

当前，AI落地已经不仅仅是“项目交付”，而更多的是“价值交付”，这点从今年红杉资本会场上被广泛讨论并在业界成为共识，当时包括OpenAI首席执行官 Sam Altman和谷歌首席科学家Jeff Dean 等在内的150位全球顶尖AI创始人共同认为——“下一轮AI，卖的不是工具，而是收益。”

在AI从“工具”转变为“价值”的过程中，国家层面也在积极推动AI落地产生价值，8月26日，国务院印发《关于深入实施“人工智能+”行动的意见》（简称《意见》），明确将智能体列为重点发展领域，并提出了三个阶段的发展目标：2027年，实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超过70%；2030年，新一代智能终端、智能体应用普及率进一步提升至90%以上；2035年，中国将全面步入智能经济和智能社会发展新阶段。

在优化应用发展环境方面，《意见》提出了一系列创新举措，为智能体技术的发展提供了强有力的支撑保障。通过布局建设一批国家人工智能应用中试基地，搭建起连接技术创新与产业应用的桥梁，加速智能体技术从实验室走向产业化。这些中试基地将成为智能体技术验证、成果转化和商业模式探索的重要平台。

与国际相比，国内在AI方面发展路径不尽相同，浪潮集团执行总裁、总工程师，浪潮云董事长肖雪表示，国内与国际在AI的发展路径，与互联网时代的发展路径很像，“国际更多在基础理论研究上、在算力上是占先的，通过这个角度来驱动人工智能的整体发展。”肖雪分析道，“中国实际从上一个互联网时代就已经呈现出这个力量了”，凭借工业全品类、统一大市场、政策的集约性和执行的延续性，中国在消费互联网时代依靠场景和应用赢得了胜利。从移动支付到健康码，都是“应用之道”的成功实践。

在肖雪看来，对于中国企业而言，不需要追求在基础大模型上直接与OpenAI等巨头抗衡，而是聚焦于将各种基础模型能力，与中国庞大的垂直行业场景相结合，解决“最后一公里”的落地问题。“相对而言，国际上其他国家更多强化AI的金融属性、算力属性和基础理论属性，中国更多去定义了应用之道。”肖雪总结道。

从“手工作坊”走向工业化面临“三座大山”

而让AI从“技术”走向“落地”的关键就在于普适化。在肖雪看来，真正要实现从“手工作坊”到“现代工厂”的转变，最直接的改变要体现在效率、成本和质量这三个“制造业”永恒的命题上。

《意见》中明确，2030年，新一代智能终端、智能体应用普及率进一步提升至90%以上，这也就意味着，到2030年，AI将像水电一般，成为我们生活不可或缺的一部分。

但“硬币的另一面”是，当前AI技术发展并不如想象般顺畅，开发周期过长、投入成本过高，以及模型质量在实际业务应用的成效过低等三大核心问题，是阻碍AI应用落地的三座大山。

效率方面，过去训练一个政务问答模型，光数据标注就需要5个工程师花费将近一个月的时间，最后效果还依赖调参工程师的经验。有统计数据显示，传统模式下模型制造周期长达90人天，且质量随工程师水平波动，这与当前市场对AI服务“分散化、小型化、定制化”的需求形成尖锐矛盾。

成本方面，传统模式下企业需单独采购算力、组建算法团队、搭建数据平台，导致单个模型成本高达数千万。有研究机构指出，全球AI公司年均研发投入增长45%，但商业化落地率不足30%，边际收益递减现象日益显著。

与此同时，企业在大幅增加AI投入的同时，也越来越关注可量化的业务成效。“投资流向生成式AI过程中，企业已从对技术先进性的追求，逐渐转变为追求切实的商业价值。”联想集团高级副总裁、首席信息官、方案服务业务集团首席技术与交付官曾对笔者指出。

在企业普遍追求降本增效的时代，企业虽然对AI会加大投入，但同时也更希望看到AI为他们带来“既得利益”，“AI在企业中应用，要么给企业带来新的增长，要么为企业节省开支，这两个都不能带来的技术，是没有意义的。”此前笔者在与某零售行业CIO交流时，他曾多次向笔者强调。

模型质量方面，当前模型在行业侧应用质量不高，很多模型产品投产之后达不到原有想要的应用效果。究其原因，主要有两点，一是模型选型与业务需求不匹配。不同模型擅长领域不同，而企业不同业务领域需求模型能力也不尽相同。例如，金融行业的企业可能更关注AI在风险控制、客户画像构建等方面的应用，而零售行业的企业则更看重AI在精准营销、库存管理等领域的价值。

二是模型存在幻觉问题。例如深度学习模型的性能，高度依赖于海量高质量的训练数据。但目前企业内部数据质量“参差不齐”，多数企业的数据分散在ERP、CRM、IoT设备等分散的，各自成“孤岛”的数十个系统中，格式涵盖结构化表格、非结构化文档、时序传感器数据等多种不统一的格式，且存在大量“脏数据”。据BCG统计，企业可用于AI训练的有效数据占比普遍低于10%，“数据丰富但信息匮乏”成为常态。此外，FineBI的行业研究指出，传统模式下“数据孤岛”“指标混乱”“结果不可复现”等问题，使80%的企业AI项目卡在落地环节。

在肖雪看来，造成上述三重困境的主要因素是，常规的模型训练模式是一种类似“手工作坊”的模式——过程非标、高度依赖人才经验、难以规模化。

“价值交付”，模型将更像“工业产品”

肖雪看来，AI应用将是一个服务态，不是运维态。

面对AI工业化挑战，浪潮云给出的答案是：搭建人工智能模型工厂，通过“九大单元”（数据车间、模型车间、评测中心、集成车间、客户服务中心、产品工程中心、安全中心、设备管理中心、调度服务中心）架构，提供系统性答案，构建覆盖从数据准备，到集成交付全流程的体系，通过标准化工序将模型生产拆解为可复制的模块。通过这些举措，让模型的生产从“手工作坊”时代，走向工业化生产时代，在提升了模型训练效率的同时，还降低了应用成本。

以数据车间为例，数据是企业AI应用落地过程中的重要因素，很多企业应用落地失败主要是因为训练模型的高质量数据集不足。在由11道工序和60套工具组成的数据车间内，首先会对企业提供的数据进行清洗，选取出适合模型训练使用的数据，进而通过数据合成，以及浪潮云多年来在服务各行业的过程中积累的数据，将数据“扩容”到足够大的体量，基于可信数据空间对客户原始数据依照业务需求进行最小化授权，进行必要的脱敏处理，并对不同租户的数据进行隔离，确保订单数据与流程完全独立，在数据采集、存储、标注、训练乃至销毁的全生命周期中都确保了数据的安全，也打消了企业对于数据安全的顾虑。

当数据“就绪”之后，会将数据集“传输”到模型车间，该车间基于数据车间形成的高质量数据，对模型做调优训练，达到用户订单要求。由8道工序和10套工具组成，实现“数据输入”到“模型输出”的标准化转化。

正是通过这样一个个单元，组建起了一条模型的“产品流水线”，构建了统一、标准、安全、高效、开放的AI模型生产模式，解决了原先模型训练过程中存在的分散、高成本、高风险的问题，将模型作为一个工业产品，用集约化的方式对外输出。

据肖雪介绍，通过浪潮人工智能模型工厂，将模型制造的平均周期，从90人天压缩到了20人天左右，平均效率提升75%。

浪潮云的探索并非个例，而是行业发展的必然选择。据悉，目前全球范围内已经建成了包括浪潮人工智能模型工厂在内4个模型工厂，而第五个——美的荆州工厂也投产在即。

显然，模型工厂的模式将逐渐成为企业级AI应用的一条可行路径，通过集约化的方式，达到标准化流程、专业化分工与生态协同的目的。已经有不少企业通过模型工厂以低成本、高效率的方式打造出了符合自身业务需求的模型产品，快速落地AI应用。

“当AI步入Agent时代，企业不需要盲目地追求技术的迭代，而是要尽快地将Agent与业务场景结合，创造出价值。”瓴羊副总裁林永钦（千绝）在与笔者的交流中曾明确指出。

AI已经步入“价值交付”时代，在肖雪看来，当前，模型交付不是终点，而是服务的起点。

从“手工作坊”到“现代工厂”，从工具提供到价值交付，大模型的工业化革命正在重塑产业形态，更在开启一个人人可享的智能新时代。（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨盖虹达）