图片来源@视觉中国
文 | 衔远产品参谋，作者 | 周伯文（衔远科技创始人）
一、产业数智化的趋势
1、需求和供给持续互动，推动产业向数智化发展
从上图看，我们可以发现产业是动态平衡发展的，需求和供给的持续互动推动产业不断深化，形成超级供应链网络。
我们回顾一下国内产业链的变化，早期是从自然产物直接到消费者，很多都是区域性的；工业化以后开始有初级的加工，原材料会通过加工商、零售商再到消费者，从区域到全国。90年代加入WTO之后，消费者触达范围从国内变成了国际，产业链出现了显著的变化：加工商与零售商之间出现了制造商与品牌商。再到2008年大规模刺激经济以来，产业要素的分工与协调更加密切。
从消费端来看，产业变迁反映了给消费者提供的价值的变化：品牌商的出现给需求端带来了社交属性，开始满足消费者的社交层面需求。如果从马斯洛需求分析的角度来看，消费者需求层次的满足是不断提升的。
那么未来10年、20年产业链会发生什么变化？我们认为原材料分布格局会变化，加工商分工会更细化，制造会更去中心化、更柔性，品牌分化的颗粒度会更细，分销零售环节会更扁平，消费者需求也会更分化、个性化。
我们该如何应对这些变化？核心是借助AI、5G、IoT等技术实现万物互联，通过数智化技术实现产业链间的智能协作；从消费者角度讲，每个人都能获得自己想要的个性化产品，这符合马斯洛理论最高需求的自我实现，也是未来10年的机会所在。
2、数智技术增强企业运营和盈利能力，提升竞争力
我们综合了多个调研报告、咨询公司的调研结果，发现数智化在各个行业发生了这些变化。
首先，产业数智化不仅仅发生在互联网、消费品等跟消费者互动较多的行业，也包括机械工程、冶金业等重工业领域。前不久我受邀参加了三一集团的科技节，与多位专家探讨产业数智化的未来，中国电动汽车百人会理事长陈清泰也在会上指出“软件定义汽车的时代，智能机械颠覆功能机械已是大势所趋”。换句话讲，产业数智化不属于某一个行业，而属于这个时代。
第二，产业数智化不是个口号，它可以带来真刀实枪的效果。我们发现，产业数智化水平高的行业领军者销售收入的增长速度能领先行业水平3倍以上，而销售收入的增长带来的是更加丰厚的利润。
第三，我国各行各业数智化水平参差不齐，即使是最先进的行业，也只做到了六十分左右，像一些更传统的行业得分会更低，所以我们还有很长的路要走。
第四，产业数智化具体能带来什么？一方面是智能化运营，指的是从海量数据中生成数据洞察，实时且正确地制定决策，提升用户体验。通过智能化运营，企业可以在消费者触达营销等方面做得更高效，比如客户需求反馈，这一点上大家对数智化是非常感同身受的。为什么互联网企业做得好？因为他们是数字原生企业，从第一天开始就是从数字化运营的。
但是对于工业制造业来讲，还有个重要价值——数智化创新。数智化创新指的是借助数字技术的力量，加速企业产品和服务的创新，探索新的市场机遇，开创新的商业模式，孵化新业务。这种数智化的手段，可以让企业全链条数据积累、复用，能让企业更敏捷、更高效地创新。我们观察到，数智化转型的领军者不仅是智能化运营做得好，更是在数智化创新方面做得好，这是全链条的价值体现。
产业数智化转型在不同行业存在不同的挑战，实现的路径、时间节点也有所差异，并没有一个放之四海而皆准的标准。具体来看，批发零售、居民服务、住宿餐饮等行业已经开启了数智化转型，但是重工业、制造业、交通运输、公共服务等行业还是产业数智化的蓝海，目前有大量的需求亟待满足。
人工智能技术进入生产力阶段
以人工智能技术、大数据等为代表的新一代互联网技术，是支撑产业数智化转型的重要产业要素，那么目前人工智能发展到什么阶段了？
1、从自然语言到图像生成
目前人工智能很重要的发展是通过表征学习将多模态信息融合，包括图像、视频、音频、语义等，更逼近人工的感觉。
跨模态数据的协同训练，使得从抽象的自然语言到图像生成成为可能。比如OpenAI可以实现让人工智能根据人类的自然语言生成图片，而且这些图片不是单纯地对已有图片模仿，它是像素级的重构。
比如右边宇航员骑马的图片，描述的是理论上不存在的场景，宇航员怎么能在月球、火星上骑马呢？但是人工智能可以根据关键词“宇航员”“骑马”，创造出这样的图片。换句话讲，人工智能在目前阶段通过多模态来深度学习，具备了对语义的深度理解，也具备了一定的创造和自主决策的能力。
我曾经邀请一些人闭着眼想象一种现实中不存在的鸟，然后让AI根据大家的描述将这种鸟的颜色、形状进行像素级的描绘。画出来之后，我问大家有没有见过这种鸟，还真有人举手说见过。因为图片非常高清，跟在图库上看到的一样真实。
2、从自然语言到代码生成
除了具体的图像文本之类，人工智能已经开始进入生产力的阶段了。大模型也能够帮助我们进行综合的任务行为，例如根据人类的提示，自动完成代码，这给更多用户使用AI技术提供了便利。
Google开发的AI通用架构Pathways，混合了多种人工智能的基础模块，用稀疏连接的方式形成了一个混合式专家系统。如果你要写一段代码，只需要提示所需要的代码是什么，那么人工智能可以通过Prompt Learning（提示学习）的方式自动生成代码。整个过程就像有人出题、有人做题一样，这是大模型在生产力方面的呈现。
3、从自然语言到序列决策生成
人工智能更复杂的应用则与工业、制造业息息相关，根据最新的研究，人工智能可以把自然语言换成一个序列决策模型去完成最佳任务。
上图展示的场景发生在硅谷，一个程序员到无人售货店，对机器人说“我刚刚锻炼回来，需要一个饮料和一份小吃”，然后机器人拿来一瓶水、一个苹果。
这个案例最让人印象深刻的地方在于机器人理解了抽象的要求，并分解成一系列的决策。机器人的决策过程大概是这样的：第一件事是找一瓶水，第二把水拿起来带给顾客，然后再去找个苹果带给顾客。
这个过程有很深刻的意义：首先机器人能够理解人类的指令，能准确地把饮料对应到水、把小吃对应到苹果，这意味着它能把自然语言理解到实体当中；第二，机器人能够决定一个序列，即先做什么、再做什么，能够完整地完成客户服务。
从自然语言到序列决策是一个非常重要的应用场景突破，大多数人听起来都会感到激动人心，但是在落地上还有各种挑战。
AI推动产业数智化转型的核心问题
1、产业数智化，洞察需求是第一步
2021年，我曾带队拜访了数十家制造业企业，跟大家讲述我们的技术能够干什么。经过大量的拜访，我把制造业数智化转型带来的核心价值，拆解成十几个环节，在每个环节人工智能都能带来革命性的思考和全链路的数智化升级，这样就能完全重构传统模式。
传统模式下，企业先设计、制造出产品再卖给客户。但是在数智化转型后，通过对大量用户、消费者实时的洞察，对运营数据的跟踪和分析，完全可以做到第一步就以客户为中心、以市场为中心、以竞争为中心来重构产品设计和生产。
第二步就是把市场洞察跟企业的产能、供应链等结合起来，把需求转化成产品。通过对蓝海市场的分析，转化到企业竞争力覆盖范围内，去定位产品、定义产品、甚至根据供应链去定价产品，然后再开始做个性化的、千人千面的设计。
再往后是柔性设计，人工智能可以优化所有的产品设计指标，在更高的维度寻找最优组合，就像AlphaGo下围棋一样，能在更高维度的空间里找到人类想不到的组合和特征设计，可以作为人类产品设计的补充。从深刻的市场洞察到产品概念和验证，这也是我们在做的事情。
人工智能可以辅助智能产线排布、智能用料调度、智能库存管理等方面进行生产调度；通过制造模式的自动切换提升效率，进行生产管理；对全过程的质量控制、追溯提升成品率；对用户全渠道触达，提供用户唤醒服务提高留存；还能实现智能仓储物流配送、智能售后等。能把客户的需求、痛点实时反馈到最开始的需求洞察，形成全链路闭环的数智化管理。
2、基础模型参数2年增长240倍，如何支撑产业升级？
红线是过去几年随着人工智能进展计算量发生的变化，可以看得出基础模型的上升非常陡峭，每两年模型的参数要生长240倍，这带来了大量的人员消耗和不经济的情况。绿色的线基本上是摩尔定律在GPU时代的延续。
从摩尔定律的角度来讲，硬件的内存每两年才能提升两倍，考虑到模型两年生长240倍，毫无疑问这是不可持续的。在其他领域，随着技术发展人员利用越来越高效，但是在人工智能界，人员的消耗是在迅速提升的。
3、从产业视角看，如何提升云边端自演化协同
另外，在产业数智化过程中，无数的场景可以用到这些模型，但是一个大模型不能再缩小到场景里。比如说智能生产，每个摄像头的位置、光线，以及每个终端计算设备都不一样，如何让这些模型解决不同的问题，这是接下来人工智能落地需要面临的。
多数学者更关注怎么去做“陡峭的直线”，因为看起来非常的“激动人心”。但是我更关注的是如何落地，把前沿的技术在碎片化的产业数智化场景高效输出。但是原有的大模型不适应碎片化的产业数智化场景，因为小样本数据非常突出，并且在每个点部署人工智能模型的需求都是不一样的。
在重工业企业，我很容易就能想到上千个场景可以用人工智能，每个场景有不同的终端应用的环境，所以终端模型可能会达到百万级。这个量级如何从云端的大模型中获得治理和动力，同时百万级的终端模型如何实时反馈给云端的大模型，反哺基础模型的迭代提升？这是我最近提出的一个基础科研方向，就是从产业视角看，如何提升云边端的自协同。
换句话讲，云端的基础模型如何通过自适应的方式，被推送到每个终端场景，能很快自己适应这个场景并创造价值；同时，在边端场景反复迭代，将专家学者给的反馈集中起来去迭代云端的模型。
4、人机增强协同，未来应该向哪里发展？
在产业落地的过程中，人工智能的存在不是为了取代人类工作，而是为了让人在工作环境中创造更多的价值。
在这里我特别推荐一本书《思考，快与慢》，该书的作者是诺贝尔经济学奖获得者丹尼尔·卡尼曼，他提出人有两种思考模式：凭借直觉、快速、无意识思考（System1），以及有意识、深度的思考（System2）。
凭借直觉思考（System1）的典型例子是国际象棋大师，他们可以同时跟20个人对弈，根本不需要长时间思考，因为是凭借直觉下棋。有意识的逻辑思考（System2）就像我们做高考数学题一样，今年高考数学很难，没有人扫一眼就能交一份满分答卷，你必须老老实实地思考。
所以第二个学术问题就是如何设计人工智能系统，让人工智能跟人，尤其是行业专家协同好做各种决策。曾经流行的说法是让AI做快速思考（System1）的事情，让人类去做有序列、规划、逻辑性思考（System2），但是经过长期的研究，我认为应该倒过来：基于直觉、判断、艺术创造性的东西应该交给人来做，因为人做这件事的优势太大了，反而是逻辑思考（System2）、需要反复计算、推演的事情应该交给人工智能来做，这样我们能够获得更好的人机智能协同结果。
数智化驱动企业模式创新案例
理解了人工智能技术趋势，以及落地的核心问题，我们思考如何把对消费者、用户的洞察，和对产业的深刻理解融合起来，帮助产业做最好的产品设计和创新。
1、智能反向定制
我们有个跟家电巨头合作的例子。某家电巨头的冰箱业务线业绩一般，没进过该品类前十名。当时这个企业提出一个议题：能否用人工智能帮助提升数智化水平？于是我们答应用AI帮其全新设计一个人工智能系列的冰箱。
冰箱看起来简单，但是细分的话有300多个参数，包括连续的、离散的。比如离散的参数包括选择几开门、什么颜色、几个色号，连续的参数包括用电量、容积、功能取舍、定价等等。所以我们让该企业按照生产线的参数范围，给到了300多个参数以及取值空间。
我们回来第一件事就是通过人工智能多模态感知、自然语言理解技术，对所有品类的冰箱进行分析，发掘包含多少维度、消费者体验等参数，这是一个策略性的神经网络，它来决定人工智能怎么设计产品。另外一个神经网络来模拟消费者看到这款冰箱之后的反应、评价、情绪、喜欢的特征、转化率、是否会下单，这个神经网络叫做价值神经网络。
然后两个神经网络开始互相攻防，每当价值网络迭代的时候，就更新策略网络，重新设计冰箱，然后再看消费者怎么反应……这个过程不断重复并收敛，使得冰箱上市周期缩短83%，定制款冰箱在2021年618新品首发，首批上线即在全国多地被销售一空，在同期上市的70多款新品多门冰箱中销量排名第1，帮助实现销量逆袭。
2、消费需求个性化、场景化，数智化技术大发光彩
我们有个头部3C企业客户，他们注意到了消费者需求变得更个性化、更加难以捕捉，于是开始了数智化的转型、迭代，并且根据物联网时代的经济特征深度洞察产品创新机会，进行产品创新。
第一，企业已经从单品生产转变为快速迭代的场景化体验经济。消费者购买的将不再是一个既定产品，而是一种不断迭代升级的体验，互动的维度更多了，需要考虑的参数空间更大了。一个很重要的头部客户跟我们反馈，现在很难找到拥有多个设计维度的产品设计专家，因为场景化的产品丰富度极大提升，如何把握用户体验是个巨大的挑战，而人工智能技术正好有用武之地。
第二，千人千面的个性化需求的出现，需要供给侧迅速拥抱数智化。人工智能技术对用户海量数据的高效智能分析，让企业可以精准实时地捕捉用户的个性化需求。
第三，随着AIoT时代的到来，消费者数据维度极大丰富，包括互联网媒体大数据、AIoT“生活大数据”、运营服务大数据，而数智化技术可以对产品的上市表现、用户旅程全触点追踪，给企业提供基于市场、人群、场景、技术的创新企划解决方案，实时洞察产品创新机会，助力企业持续打造爆品。
产业数智化的未来
总结一下目前的人工智能技术进展，特别是可信赖人工智能的进展，进一步提升了人工智能的鲁棒性、泛化性、可解释性、透明性、可复制性、公平无偏、隐私保护、负责任等，我们能看到越来越多的公司会进一步融入产业数智化各个环节里。
最后，关于产业数智化的成功，我们总结出了一个公式：产业数智化=产业专家+数智化产品。产业数智化要成功，取决于各位产业资深专家、行业领军人物，以及好用、易用的产业数智化产品。“好用”指的是复杂的大模型不藏在产品的后面，呈现出来的是好用、易用的特点，可以跟场景深度匹配和融合，同时可以跟人更好的协同，而不是取代人类。好用的数智化产品可以提供一整套完整解决方案，以消费者为中心，重构产品创新模式，塑造市场竞争力。
我们对产业数智化的未来坚信不疑，就像我在上海人工智能大会上讲的：人工智能未来十年最大的机遇就是产业数智化！
作者简介：
本文为系衔远科技创始人周伯文在“人工智能赋能数字经济发展高峰论坛”上的主题演讲《数字经济时代，人工智能开启产业数智化新未来》。
周伯文博士，清华大学惠妍讲席教授、清华大学电子系长聘教授、衔远科技创始人，IEEE/CAAI Fellow。周博士曾任京东集团高级副总裁、集团技术委员会主席、京东云与AI总裁、京东人工智能研究院院长，此前为IBM美国纽约总部人工智能基础研究院院长、IBM Watson集团首席科学家、IBM杰出工程师。
