AI引领未来王江平详解企业AI数字化转型20
在当今科技快速的提升的时代，人工智能(AI)已成为推动各行业变革的关键力量。近日，第十四届全国政协委员、工业与信息化部原副部长、研究员级高级工程师王江平在“2025年一起益企—AI赋能企业管理能力提升”的活动会议上发表了主旨演讲，深入剖析了企业AI数字化转型的现状、趋势以及未来发展趋势，为企业家们提供了一份极具价值的AI行动指南。
王江平在会上指出，AI的普惠化主要得益于模型技术突破和开源生态普及，推动AI的训练和使用成本迅速降低。斯坦福大学《2025年人工智能指数报告》显示，GPT-3.5级别模型的推理成本从2022年的20美元/百万token降至2024年的0.07美元，也就是使用成本只有两年前的3.5‰。我国的DeepSeek开源模型，通过工程优化极大提升模型效能、降低算力消耗，提高了企业本地化部署能力，并解决了企业对数据隐私的担忧。此外，他强调，空间理解模型、合成数据训练有望大幅度降低具身智能的训练成本，以异构算力网络建设应对国内芯片架构多样问题，有望逐步降低算力成本。
这些技术突破，推动AI从少数国家和机构的“高端定制”，一步步转向广大企业都用得起的“基础设施”，中小企业、个人开发者甚至普通用户都获得了使用AI的机会和能力。王江平表示，普惠化将场景优势(我们国家发展AI产业的重要优势)充分激活，推动AI工具在垂直领域迅速落地应用，制造业智能化升级、教育医疗服务个性化定制、创意产业平民化等变革正在加速发生。
针对“闭源与开源”问题，王江平进行了剖析。他指出，开源已经从技术共享策略，升级为产业竞争的核心策略。现在，也出现了DeepSeek、阿里通义千问等高性能开源模型的涌现，打破了国外闭源模型的技术壁垒。根据斯坦福大学的基准测试，中美顶级模型性能差距缩小至0.3%左右；根据中国信通院“方升”大模型基准测试，一季度中美顶级模型性能差距在1.7%左右。OpenAI公司CEO萨姆·奥尔特曼公开承认，OpenAI在开源方面“一直站在历史的错误一边”，称其内部正在讨论开放模型权重事宜，并免费开放模型o3-mini。
对我国而言，开源不仅有助于突破算力芯片管控，更能通过共享共建快速积累行业数据、培育开发者生态，尤其在医疗、工业等数据敏感领域，本地化部署开源模型可兼顾效率与安全，推动“技术主权”与产业创新协同发展。从全球视角看，开源生态的发展壮大也为更多国家、地区、企业加入AI开发与应用创造了有利基础。
在AI提升企业竞争力方面，王江平强调：判断企业是否存在竞争力可以有很多个维度，但研发设计、要素效率、对市场的敏捷反应以及用户粘性无疑是重中之重。
AI的深度应用能够明显提升企业这四大能力。比如AI驱动的“数据+算法”创新体系取代传统的线性创新方式，大幅度提升企业研发设计能力和技术迭代速度；通过AI技术推动公司制作要素集约化，实现隐性知识显性化、离散资源网络化、静态能力动态化，从而全方面提升要素效率；通过AI技术构建“感知—预判—执行—调节—进化”的智能响应体系，使供应链具备生物体般的环境适应能力，极大提升供应链效率和韧性；通过AI技术分析用户行为，构建360°画像，形成个性化服务，逐步的提升用户粘性。
在研发设计领域，关于“AI如何助力企业突破传统的创新模式”，王江平进一步阐述了AI驱动的“数据+算法”创新体系将取代传统的线性创新方式，正在深刻改变科学研究范式，在蛋白质结构预测、药物发现、材料结构与配方预测等领域取得了重大成就。
比如去年诺贝尔化学奖就授予了三位“AI”领域的科学家，这中间还包括谷歌Deepmind公司的CEO和高级科学家，他们研发的AlphaFold系列模型对于蛋白质结构预测具有里程碑意义。
在企业研发设计领域，王江平分析了传统模式依赖“试错—迭代”的线性流程，周期长、成本高。而AI驱动的非线性创新体系，能够形成“用户反馈数据—算法优化产品—市场验证数据—二次迭代优化”的“数据飞轮”效应，大幅压缩研发迭代成本和周期。例如他曾调研过一家服装企业，用全球经典服装设计案例构建数据库，用AI分析流行趋势和市场需要，将设计周期从月级压缩至小时级甚至分钟级，且设计的具体方案的成功率大幅度的提高。从这个例子能看出，AI驱动创新有一个基础前提，就是企业要充分重视和挖掘“数据资产”潜力，建设高质量的本地化数据集，通过多模态数据(图像、文本、设备传感器数据等)的融合训练，“赋予”AI创造新兴事物的能力。这种研发设计模式已经在药物研发、材料科学、汽车制造、消费品开发等诸多领域得到了广泛应用。
对于“隐性知识显性化”的理解，王江平论述“隐性知识显性化”的本质是“经验数字化”，也就是将生产经验、技术诀窍(Know-How)转化为模型训练数据，固化到模型能力之中。即使普通工人甚至新手，也能借助AI在实际在做的工作中运用车间主任、老工人积攒的丰富经验。
这一模式对企业(特别是制造业企业)有两大重要影响：一是解决传统模式下经验传承的“人效瓶颈”，防止经验流失问题；二是推动企业运行模式从“依赖个体能力”转向“沉淀系统能力”，经过长期积淀可能在某个时点达成能力质变。
为此，王江平建议企业应同步优化人才结构，一方面要提升员工的AI素养，如培养操作工人掌握数据标注方法，这样才可以将经验、技术转化为模型能够“消化吸收”的训练数据；另一方面要建立“人机协同”的管理机制，避免AI技术应用与公司制作经营实践“两张皮”。
AI在帮企业实现敏捷供应链管理、增强用户粘性，以及应用的具体场景和带来怎样的实践效果，王江平进行了详细诠释。企业通过AI部署智能响应体系，可实现供应链经营成本下降，客户订单满足率提升，以及减少碳足迹等多重效益。例如海尔的COSMOPlat平台，能够敏捷感应市场需求，让企业实时看到市场需求和喜好，及时作出调整生产方案，已经在很多企业取得了很好的应用效果。
王江平还提到，在用户运营层面，AI增强用户粘性的本质是通过“数据飞轮”实现深度个性化服务，即“用户行为产生数据—AI优化服务—增强使用者真实的体验—激发更多行为数据”。它突破了传统CRM“千人一面”的局限，实现“一人千面”的精准服务，可大幅度的提高产品LTV(生命周期总价值)，明显降低获客成本，且服务边际成本趋近于零。当前，该模式在电子商务平台商品推荐、流媒体/社交媒体信息推送、金融/教育行业定制化服务以及医疗健康APP方案推荐等大量场景中已得到了广泛应用。
针对AI时代的数据治理面临哪些新课题，王江平厘清AI时代的数据治理呈现出很多新的变化。一是数据形态拓展，比如多模态数据、合成数据、产业链交互数据等等；二是数据产生方式变革，从“人工记录”全面转向“机器泛在感知”，推动企业迅速进入“数据自生产”时代；三是数据价值实现复杂化，数据价值量化仍是一道难题，对于敏感数据还需解决“可用不可见”的共享难题。
王江平分析，一般而言，数据的价值实现一定要经过数据资源化、资产化和资本化三个环节，其中数据资产化是核心环节，数据资产化的关键是数据入表，以此为切入点，能够以点带面有效实现企业数据价值。财政部的《企业数据资源相关会计处理暂行规定》为数据入表提供了政策依据，对于如何落地，产业界正在进行讨论和实践探索，他认为应当把握好10个环节：一是制定数据资产管理战略，二是明确数据资产定义和范围，三是建立数据治理框架，四是选择正真适合技术工具，五是优化数据管理流程，六是建立数据资产目录，七是推动数据资产价值实现，八是开展培训与文化建设，九是实施监控与持续改进，最后是确保合规与审计。
企业应如何依据自己需求选择正真适合的AI工具，王江平建议需因地制宜、一企一策。当前主要有四种AI应用模式：一是API接入，优势是即插即用、免维护、按需付费，但需警惕数据上传风险，避免敏感信息直连公网模型，适合非核心业务场景；二是私有化部署，数据安全性高，适合核心业务场景，但前期投入大，中小企业需评估初期算力投入；三是AIAgent，适合复杂场景(如工厂多设备协同)，需重点解决多模型整合与持续训练问题；四是MaaS，适合长期迭代项目(如研发设计平台)，但需防范对云厂商的技术依赖。
王江平认为，这些应用模式各有优缺点，没有绝对的好与不好，选择逻辑需要兼顾场景需求、使用成本、数据安全等。比如，数据敏感的业务不要用API，就像不把密码告诉外人；小企业慎选私有化部署，就如同“别为喝牛奶养头奶牛”；复杂系统要做好应急预案，就像要给AI设置一个“紧急停止”按钮；数据敏感型行业必须建立“安全沙箱”机制，如医疗企业应使用合成数据替代真实病历训练模型，或通过联邦学习实现“数据可用不可见”。
随着技术发展和应用灵活度、成熟度的逐步的提升，企业AI应用的方式、成本和安全性都在一直在优化，比如通过“轻量化模型+边缘计算”减少相关成本，采用“混合云架构”实现数据“本地存储+云端训练”，等等。在AI时代，企业管理需要做哪些调整？王江平倡导，AI的广泛应用深度改变了企业的生产、组织、运营模式，企业管理也需要做出相应调整。在组织架构上，决策机制的智能化削弱了传统层级制的信息传递优势，应从层级化向扁平化、敏捷化转变。在决策模式上，要从经验驱动转向数据智能驱动，避免单纯依靠经验和直觉决策，同时他强调，必须要格外注意这绝非“算法至上”而是“人机互补”，在涉及战略、伦理等重大事项上必须由人来“最终决策”或“一票否决”；在人事管理上，要从普惠性、普遍性向个性化转变，注重培养员工的AI素养，覆盖管理人员、工程师和操作工人等各个层面。“懂业务的AI部门负责人”和“懂AI的业务部门负责人”将成为抢手人才；同时，领导力也需要进化，从传统的指挥管理向服务赋能转变。
“把企业AI的深度应用视为数字化转型2.0，是对过往信息化、数字化、智能化转型的继承与发展，是大势所趋，是AI时代重塑企业竞争力的必然选择。”王江平进一步强调。