解析CIAS|一汽-大众武艳军：汽车产业AI原生架构应用思路初探
2025-02-21
尊敬的各位来宾，大家下午好！非常荣幸能够来到本次论坛，与诸位共同探讨汽车产业中 AI 原生架构的应用思路。如今，生成式人工智能热度极高，自两年前起便备受关注。大家一直在思索如何借助人工智能技术，深入推进数字化转型，实现企业的全面智能化变革。我们运用企业架构方法，梳理了整体思路，今天在此与大家分享。
在分享之前，先简要介绍一下自己。我在一汽 -大众负责企业架构规划与数字化转型工作，同时在信通院企业架构推进中心以及中国商业联合会数据委担任专家。去年，我出版了一本关于企业架构驱动数字化转型的书籍，提出了企业数字化转型的方法论，并对企业架构方法进行了升级。
今天的分享主要涵盖四个部分：
一、智能化转型背景
大语言模型LLM引发AI新热潮
大模型的核心是通过海量数据训练，借助万亿级参数和千卡、万卡规模的算力支持，实现智能涌现，使其能够像人类一样思考和输出。
AIGC技术一览
不仅在语言模型领域，文生图、文生视频等相关领域也出现了新技术，这些发展让人不禁畅想通用人工智能（AGI）是否即将到来。从 AI 技术发展趋势来看，大致会经历三个阶段：
AI技术发展趋势
AI 核心基础设施发展阶段：过去的 2023 年，大模型及其支撑的算力基础设施，如智算中心、云等发展迅猛。随着基础设施和产能逐渐饱和，算力价格和大模型价格逐渐下降。
边缘 AI 与 AI 原生应用发展阶段：当下，我们正处于这一阶段。边缘 AI，特别是 AI 终端发展迅速，像苹果计划推出下一代 AI 手机，联想、微软等也推出了 AIPC。同时，智能体和 AI 聊天机器人等 AI 原生应用也在快速发展，2024 年智能体的开发应用得到了广泛认可。
具身智能与自动驾驶技术发展阶段：未来，具身智能和自动驾驶技术将成为发展重点。在边缘 AI 的端侧硬件和模型发展到一定阶段后，AI 与物理硬件将更好地结合，推动具身智能的发展。当然，这三个阶段并非完全依次进行，在一定程度上是并行的。
数字化转型进入2.0阶段：数智化
我们也注意到，数字化转型概念已提出十年，许多行业，尤其是头部企业已取得一定成果。随着生成式人工智能技术的发展，数字化转型已进入 2.0 阶段 —— 数智化。企业数字化进程从信息化起步，重点建设 ERP、OA、CRM 等系统，关注系统功能；到数字化阶段，大量应用数字技术，开发 APP、业务中台、数据中台，更加重视数据，实现业务的数据化；进入数智化阶段，生成式人工智能、智算中心、高质量数据集等技术得到应用，智能体开发和组装式架构成为重点，数据治理更关注非结构化数据，以支持 AI 的广泛应用。
汽车行业新四化进入下半场：智能化
从汽车行业来看，过去十年关注新四化概念，上半场电动化取得了爆发式增长，2021 - 2024 年，年产量从增长迅速，到 2024 年年产量达到 1000 万辆，国内零售渗透率达到 52.9% 。下半场，智能化成为竞争焦点。基于大模型的支持，汽车产业的智能化体验成为决定车企未来生存的关键因素，消费者购车时更加注重智能化体验。
大模型落地中存在的问题和解决路径
尽管大模型和智能体带来了良好体验，但在实际应用中仍存在诸多问题，如推理能力不足、长程对话较弱、幻觉问题等，这些问题阻碍了大模型的有效应用。在解决这些问题的过程中，技术不断发展，从简单的大模型、提示词到提示词模板、调用链，再到智能体，逐步解决相关问题，例如通过 RAG 模式智能体可在一定程度上解决幻觉问题。
智能体技术：让AI像人一样工作
智能体技术比大模型更进一步，它不仅具备类似人类大脑的思考能力（大模型可类比为人的大脑），还增加了记忆、任务规划和工具执行模块，能够实现长程对话和思考，分解并执行任务。从生成式人工智能技术发展趋势看，它越来越接近通用人工智能。OpenAI 的奥特曼预测，最早到 2026 年可能出现通用人工智能，尽管这一预测可能较为乐观，但我们已从云原生时代迈向 AI 原生时代。
二、DEAF数智化企业架构框架
SABOE数字化转型五环法
这是我们思考智能化转型的核心方法。企业数字化转型不能仅关注数字化项目或系统建设，而应统筹规划，从规划企业数字化战略开始，在战略指引下设计企业整体架构蓝图，然后进行数字化建设，上线系统并运营，使其与企业日常业务相结合，最后定期进行数字化评估。这五个阶段英文名称的首字母连起来是 SABOE，是我们方法的英文简称。其中，最重要的是数智化的企业架构框架（DEAF 框架），它基于经典企业架构方法和众多企业的前期实践总结而来，具有五方面特点：
数智化企业架构框架DEAF适应AI原生时代变化
数据化：重视数据作为核心资产和生产要素的作用。
智能化：强调提炼业务规则，用 AI 模型支持业务实现。
敏捷化：基于云原生服务化架构，支持产品和服务快速迭代，满足业务灵活变化和创新需求。
生态化：在数字经济时代，企业需与合作伙伴构建生态链接，共同为客户提供服务，企业架构不仅关注自身，还需关注外部生态。
体验化：将用户体验作为数字化转型的重要牵引，通过内容模型（架构元模型）体现，主要包括业务架构、数据架构、应用架构和技术架构四个部分，此外还包括数字化工艺流程和项目管理相关内容，确保架构能够落地。
业务架构是其中的核心部分，它对企业整体业务进行全局结构化描述，是数字化转型的关键。通过构建企业的数字孪生，即线上数字化体系来描述企业实际运行情况，并反作用于业务实践。有了业务架构模型，才能构建 IT 体系支撑业务，指导业务变化，实现业务与 IT 的更好结合，推动转型。因此，在我们的方法中，业务架构的元素最多，对业务的描述也最为深入细致。
智能化转型总体框架
基于这些方法，我们形成了智能化转型的总体框架，综合考虑了转型过程中的各方面因素，不仅包括与人工智能直接相关的数据、AI 等内容，还涵盖组织、业务和技术基础设施等方面。具体框架如下：
智能化场景分析：明确智能化场景，为后续转型工作奠定基础。
业务流程智能化升级：思考如何对业务流程进行智能化改造。
组织进化：使组织形态向与 AI 原生架构匹配的方向转变，如从职能型组织向流程型组织、平台型组织、组件型组织和个体型组织等更敏捷的组织形态转化。
工作模式转变：随着生成式人工智能的发展，AI 从辅助工具逐渐转变为与人类形成新的人机协作关系，工作协同模式从完全人工或 AI 辅助向人机组合甚至 AI 主导的模式发展。
以上四个方面属于业务架构范畴。再往下是应用建设，除了开发不同场景的智能体 AI 原生应用，还需改造新兴系统，嵌入 AI 能力或设计 API 供 AI 调用。数据方面，要处理非结构化数据，形成高质量数据集，用于 AI 模型训练和推理。模型方面，需考虑构建哪些大模型，是自建还是使用行业通用模型。底层算力支持也不容忽视，如果自建大模型，需考虑算力池建设。此外，还需考虑 AI 使用过程中的风险，如输出内容是否符合伦理和法律要求，进行 AI 风险治理。这些内容涵盖了企业架构的 4 个架构域。
三、智能化流程再造
企业应用大模型时，通用大模型难以直接在企业内部使用，需进一步形成行业大模型或企业大模型，以支持不同场景应用。同时，要确定适合智能化改造的场景，形成业务场景模型，对业务流程进行建模，分析哪些环节适合 AI 改造。分析 AI 应用场景可遵循 “三多两密” 原则，即人力投入多、资金投入多、耗费时间多以及数据密集、知识密集的场景。
工作模式的变化前面已提及，在此不再赘述。流程的发展会经历标准化、信息化、在线化、自动化和智能化的过程，每个步骤都是基础，缺一不可。流程智能化是人和 AI 协同完成流程，通过衡量流程中 AI 完成的部分来度量智能化程度。
四、数据智能架构
从 IT 架构角度看，数字化转型的数据化阶段，重点建设数据中台，实现数据集中汇集、处理和共享服务。进入智能化阶段，数据中台已不能满足需求，需要建设数据智能中台，其核心包括数据模型开发、智能体开发和数据服务。通过处理数据形成高质量数据集，训练和推理模型，萃取知识形成知识库平台，在此基础上开发适合各场景的智能体，基于平台提供数据、模型、知识库和智能体等服务。高质量数据集的模型框架核心是打造从采集、清洗、标注、测试、使用到评估的全过程数据集生产流水线，对企业内部非结构化数据进行信息抽取和处理，如向量化或图谱化处理，以供模型使用。服务架构方面，大模型和智能体的服务架构分为应用层、算法层、数据层和模型层四个层次，从算法层生成不同智能体，智能体调用大模型、插件、API 和知识库内容，应用于不同场景。
以上就是今天分享的全部内容。我们运用企业架构方法，对企业智能化转型所需考虑的各方面因素进行了全面梳理，目前仍在初步探索阶段。非常期待日后能有更多机会与大家深入交流，感谢大家的聆听！
