行业新闻

很荣幸跟大家分享一点有意思的话题，关于 AI to B 的思考，希望能给大家提提神。我们今天讲四个部分：

一、极氪发展

极氪在 2021 年 3 月正式宣布成立，4 月发布品牌，2024 年 5 月完成上市，成为新能源汽车行业上市最快的企业。这得益于吉利控股集团世界 500 强的有力支撑，我们定位为纯电、智能、豪华品牌。

这是我们极氪汽车的产品图谱，涵盖了从小型车到大型 MPV、大型 SUV 等各种车型，形成了非常全面的产品线。我们以 “极致的科技颠覆想象” 为品牌理念。

去年 11 月，在董事长的号召下，极氪和领克正式完成合并，希望在新能源汽车行业及整个汽车行业提升竞争力，为大家提供更好的产品。

值得一提的是我们的 SEA 浩瀚架构 —— 耗时 5 年迭代、投入 200 多亿打造的新能源架构，支持纯电及混动车型，拥有全球最大带宽，这也是极氪能生产从小型车到大型车丰富产品线的核心能力。

有了强大的浩瀚物理架构，配套的电气架构和智能架构也必不可少。自研的全系搭载极氪电子电气架构 3.0，这是仅有少数控制器的架构，能让车辆更智能，也能在后续 OTA 中为用户带来更丰富的用车体验。这意味着购车不止于交付，后期还能持续享受软件服务的更新。

接下来分享一些有意思的思考：最近在看《道德经》并研究 AI，发现 2500 年前老子写下的 “道法自然” 与 AI 的发展有共通之处。AI 正在重塑人类文明与发展轨迹，回顾古代智慧，或许能在以下三个方面带来启发。

二、道生万物

《道德经》中 “道生一，一生二，二生三，三生万物”，我们认为这可能是 AI 技术落地的底层逻辑 —— 技术需回归本质。这里的 “道” 可类比为业务本质，即企业的核心竞争力；“一” 是企业部署或行业延伸的大模型底座，作为通用智能；“二” 是垂直场景的解构 —— 脱离垂直场景的智能体只是聊天工具或技术炫技产品，而解构需要灌入丰富的行业知识；“三” 是应用生态的涌现，能提供更创新的解决方案，后续会展开讲解。

人类生产力的进化趋势如何？以进化历程为横轴，生产工具先进性为纵轴：最早的原始时代，人类使用石器、木棍生产；后来学会利用畜力（如牛、马）；进入工业时代，人类掌握机械结构，获得更高效、持久的生产力；信息时代，软件和信息加速生产；前几年提及的数字时代，通过云、管、端等技术进一步提效；而现在，我们进入 AI 时代，生成式 AI 正在改变人与技术、生产力的协作模式。最终，生产力的本质回归商业的本质 —— 创新。

详细解读 AI 模型的发展趋势

人工智能的概念在 20 世纪 50 年代提出，直到 80 年代以推理模型、机器学习为主；80 年代后迎来转折，进入神经网络阶段，经历了 “大数据 + 小算力 + 专用范式” 的变革；21 世纪 10 年代，进入 “大数据 + 大算力” 时代；近三年爆发式增长，出现了如 DeepSeek 等开源、低成本、低算力需求却能深度思考的 AI 模型，这是被称为 “改变国运级” 的创新。

接下来思考：AI 能为 to B 场景带来什么？

所有企业都在面临技术变革，即正向的非连续性创新，可总结为三点：

1.业务模式的创新：从线下到线上是直观体现，还有 “从真人到分身”—— 如何让技术专家的能力赋能更多人？单纯靠培训和会议效率太低，AI 可学习专家能力，为其他生产力服务。此外，还包括从事后管理转为事中干预、从抽样分析到全量覆盖等。

2.专业方法的升级：从数据支撑走向智能支撑。未来趋势是从垂直的 ANI（弱人工智能）、垂直应用模型，发展到行业化 AGI（通用人工智能）乃至普世化 AGI，处理的数据也从格式化延伸到非格式化。

3.管理意识的变革：技术迭代推动管理进化，包括 “业数智融合”（业务、数据、智能融合）、数字财务管理向数智化财务转型等场景。

三、大制不割

这源于《道德经》中 AI 与系统、人与环境共生共存的理念。真正的智能不是冰冷的机器，而是人类智慧、技术逻辑与自然规律的相辅相成，应成为人类文化与技术结晶的纽带，而非割裂世界的利刃。

举例来说，在业务模式与研发工程师的 AI 协作中，可分为几个场景：传统工作如技术文档编写，AI 工具可提供辅助；方案评审时，AI 能融合个人经验与行业经验 —— 传统评审更多依赖工程师个人经验，而 AI 可汇总行业经验赋能员工。类似地，流程审批、专家知识沉淀、文件交付等环节，都能通过 AI 助力实现赋能。

但这也面临挑战，总结为：

1.找到适合业务驱动的 AI 应用场景；

2.确定 AI 渗透流程的节点与方式；

3.系统重构、数据治理，以及 AI 可信度调试和模型适配；

4.解决算力调度、信息安全、组织变革、运营管理等基建问题。

以数据治理为例：传统数据训练依赖结构化数据（可见、可读数据），而 AI 时代可融入更多数据 —— 如暗数据（PDF、图片、视频）、潜在数据（录音、录屏）、外部信息（舆情、法律法规更新）。如何让这些数据被 AI 读取？需通过大模型萃取，构建标准化、向量化的企业数据库，实现从数据治理到数据消费的闭环。

另一个挑战是 “从垂直模型到普世化模型”：AI 应用需先摘取 “低垂果实”，在集群能力下深耕细分场景。例如研发领域的智能驾驶、智能座舱、电子电器软件开发等，可从测试用例生成、自动化测试等具体模式切入，逐步向行业 AGI 演进。

以客服场景的 AI 为例，实现响应、解读、全局最优、形成记忆等 12 项能力，需要针对场景赋能 —— 如理解用户真实意图、确保回答准确（不 “瞎说”）、识别历史聊天记录、解读当前场景政策等。

这引出第三个挑战：构建 AI 智能体如同培养员工，需要业务领导、执行员工、流程数字化人员、prompt 工程师、运营、算法、数据等多方面资源投入，并根据 AI 特点编排岗位（如适配业务与流程）。AI 擅长重复、规则清晰的工作，需配合数据治理、复盘、反向训练优化，最终可能成为 “助理”，但尚不能完全独立胜任工作。原因有二：一是人性对 AI 替代的恐惧与排斥（如 20 年前电影《我机器人》的探讨），二是 AI 需平滑过渡为 “助手”“朋友”—— 如陪伴孤寡老人、照顾病人、处理繁琐工作、校验内容逻辑等，这也呼应 “大制不割” 的理念：技术不应成为割裂生态的利刃，而应成为伙伴。

四、为腹为目

《道德经》有言 “五色令人目盲，五音令人耳聋”，追寻事物时需思考：我们追求的是事物本身的价值，还是沉迷技术狂欢？前几年火热的量子计算、元宇宙，因在工业场景缺乏可量化的价值实践，热度渐退，这就是 “为目”（被表象迷惑）。而 “为腹” 则是沉下心深耕行业 know-how 与核心场景，让技术真正赋能。当下，真正投身场景实战的人较少，AI 时代如何 “为腹不为目”？关键在于让 AI 从 “交付功能” 转向 “交付结果”—— 传统行业系统化交付是按业务需求交付功能（从业务梳理到开发测试，最终交付系统功能），而 AI 可通过沉淀行业知识，形成 “按需求交付结果” 的商业模式，甚至汇总行业场景，逐步学习形成行业 AGI。

落地难点亦有三，个人认为 AI 落地需注重：

1.快：AI 技术发展超乎想象。例如 2023 年百川医疗投入大量资源开发医疗场景智能体模型，耗时大半年，而年底 GPT 新版本及今年初 DeepSeek 发布时，大模型已具备其 80% 以上的能力。这意味着 AI 时代的实践必须快速响应。

2.准：精准定位细分场景，摘取 “低垂果实”——AI 在越精细的行业越易产出效果。

3.狠：企业需热情拥抱技术，舍得投入甚至试错，敢于尝试，而非以恐惧心态面对 AI。

最后，价值衡量分两大部分：

1.围绕质量运行的 “价值成本交付” 逻辑；

2.AI 场景下的安全与合规、知识底线，以及开发者对主观感受、客观价值和性能表现的关注。

以新能源汽车行业的需求编写为例：AI 可能写出华丽的需求，但从功能到软件编写需经过 5-7 层需求拆解，这需要行业经验与案例的持续灌入。前期 AI 可做什么？学习并辅助细化已有需求、进行逻辑分析、校验法律法规，再交由工程师完善。

我们认为，AI 现阶段的定位不应是替代员工，而是赋能员工，帮助他们创造更高价值，助力新能源汽车行业的开发进程。

以上是我的见解，谢谢大家！