思考 | 從互聯網+到AI+：以數據為先，而后談智能化

2024年，國內人工智能領域熱議的焦點之一便是大模型在產業中的應用。 政府工作報告明確指出，將深入推進大數據、人工智能等技術的研發與應用，實施“人工智能+”戰略，旨在打造全球領先的數字產業集群。這一決策體現了我國對人工智能產業發展的深思熟慮和堅定決心。

近年來，中國科技巨頭紛紛加大在大模型領域的投入，不僅每周公布研發進展，還積極尋求跨行業合作，以加速技術成果的轉化和應用。盡管在底層通用大模型方面，我們與OpenAI等國際頂尖企業仍存在一定差距，但在多模態技術創新和應用場景落地方面，中國公司展現出了巨大潛力。

英偉達高級科學家Jim Fa對2024年的人工智能發展充滿信心。他認為，雖然我們不能立刻取得勝利，但我們已經踏上了通往勝利的道路。他特別提到了多模態LLM（大型語言模型）的發展，認為以機械臂為代表的物理輸入/輸出設備將實現重大突破。同時，他還強調了數據集研究的多樣化以及模擬和合成數據在解決機器人靈巧性和計算機視覺問題中的關鍵作用。

在這個關鍵時刻，“AI+”戰略的提出恰逢其時。數字經濟應用實踐專家駱仁童博士認為，這不僅僅是一個簡單的概念或口號，而是對產業變革的深刻認識和積極應對。正如“互聯網+”在十年前引領了傳統產業的轉型升級一樣，“AI+”將在新的時代背景下推動所有產業進行全方位、深層次的重塑和創新。

從“互聯網+”時代的初步探索，到產業互聯網的深入布局，再到數字化浪潮的全面推進，直至今日“AI+”時代的崛起，這一系列發展歷程猶如一個個堅實的階梯，引領我們逐步攀登科技高峰。若非自2020年以來數字化進程的飛速發展，我們或許已在智能化的大潮中失掉了一張重要的王牌。

人工智能的三大核心要素——算法、算力和數據，對于大多數實體企業而言，前兩者并非其所長。 然而，對于我們來說，這些年來積累的海量數據，卻成為了“AI+”時代最寶貴的“飼料”。

國內一家知名女鞋企業便是其中的佼佼者，他們正在積極探索人工智能在業務中的實際應用，并在一些潮流鞋款的設計中嘗試運用行業大模型。

這家企業此前已經打造了一個從生產制造到研發設計，從品牌塑造到零售終端的完整數字化體系。而今，這個體系為他們邁向“AI+”時代奠定了堅實的基礎。憑借強大的數字化能力，該公司形成了三大核心競爭力：全渠道的客戶運營、數字驅動的智能化運營以及全價值鏈的快速精準反應。這三者相互協同，大幅提升了公司的運營效率。

從客戶端到制造端，該企業旗下19個品牌、7個生產基地、8000多家門店以及上百個直播間的帶貨矩陣之間，實現了無縫對接和快速響應。鞋的核心價值在于舒適性，為此，該企業充分利用腳型數據庫建立了相應的技術標準迭代，以提供更符合消費者需求的舒適產品。在這個過程中，他們積累了大量的行業數據、客戶數據和設備數據，并自主研發了數字化中臺。

當嘗試將AI應用于設計領域時，他們發現雖然公域數據具有豐富性和多樣性，但由于其過于嘈雜和分散，難以滿足精準設計的需求。對于獨特風格的設計，如機甲風休閑鞋等，可以借助通用大模型進行輔助，因為其定位明確且目標客群相對狹窄。設計師只需輸入幾個關鍵詞，便能獲得一些選型建議作為參考。然而，對于大型品牌的設計而言，智能化則必須緊密結合自身的私域數據進行精準調校才能實現有效訓練。

因此，這家女鞋企業深刻體會到：在邁向“AI+”時代的道路上，如果沒有先搭建好數字化中臺的能力作為支撐那么一切美好愿景都只能是空中樓閣。

面對AI+時代的浪潮，高質量的行業數據猶如一座難以逾越的高山，尤其是在工業、零售等錯綜復雜的場景中。 當前，我們尚缺乏足夠的數據來訓練出能夠適應B端需求的通用大模型，從而推動智能體不斷自我進化。與非具身智能不同，具身智能需要緊密地與本體綁定，并在真實環境中進行部署才能采集到數據。如果機器人沒有真正投入到實際操作中，那么我們就無法獲取到大量的運行數據。雖然大模型和思維鏈能力的出現使得部分任務可以通過零樣本學習來完成，但是對于關鍵業務來說，我們仍然需要依賴高質量的垂域數據。

谷歌在2022年底推出的Robotics Transformer 1（簡稱RT-1）就是一個典型的例子。谷歌將RT-1應用于機器人模型中，但此前也曾面臨過缺乏大規模與多樣化機器人數據的難題。這種數據匱乏不僅限制了模型吸收廣泛機器人經驗的能力，還使得模型難以找到能夠從此類數據集中學習、并有效泛化的強大、可擴展且快速的實時推理模型。為了解決這個問題，谷歌利用了RT-1機器人演示數據，這些數據是在17個月內由13個機器人在辦公室和廚房環境中收集的，涵蓋了700多項任務。

然而，在中國，盡管得益于“互聯網+”戰略，企業們已經打下了良好的數據基礎，但能夠建立起線上線下全閉環數字化能力的公司依然鳳毛麟角。即使是那些數字化程度最高的樣板公司，也往往無法將全鏈路數字化戰略有效地落實到終端店鋪或車間的具體行動中。這其中的原因在于，終端工人和銷售人員往往缺乏技術背景，導致數字化在終端實現高轉化變得異常困難。

隨著智能化的不斷發展，數字化轉型也變得愈發緊迫。那些在數字化轉型方面表現不佳的企業，無法寄希望于直接跳過這一環節。根據一項最新研究顯示，如今已有高達93%的公司采用或計劃采用數字化轉型戰略。這一戰略的核心目標在于加速流程和提升業務成果。因此，對于那些仍在為如何應對AI+時代的挑戰而苦惱的企業來說，積極擁抱數字化轉型無疑是一條通往成功的必由之路。

在項目的實際設計階段之前，數據工作已成為數據優先方法這一策略的核心組成部分。與此相反，大多數組織在轉型過程中往往忽視了這一點。遺憾的是，它們常常在啟動轉型活動之前尚未解決數據質量、規模和范圍等問題。實際上，數據治理應該先于AI戰略，而不僅僅是在問題出現時才在現有系統中進行修復。

過去，在全球設計完成之前開始數據工作是極其困難的，但現在，隨著現代工具的發展，這已變得可行。這些工具允許我們提前開始數據管理工作，確保數據能夠支持數字化轉型項目的承諾，并推動真正的價值。

如果數據不是核心，那么在進行數字化轉型時，你也必須進行數據轉型。未能早期解決數據問題可能會導致項目延誤、分析不可靠、成本超支甚至失敗。據最近的麥肯錫報告顯示，到明年，組織將在浪費的數據遷移上花費約1000億美元。

數據管理的復雜性常常被歸咎于IT領導與業務部門之間的責任劃分不清，導致該領域未能得到應有的重視。這種復雜性限制了組織的敏捷性，增加了風險，并降低了創新能力。根據Enterprise Strategy Group和HPE的一項調查，74%的參與者表示，讓他們的數據管理流程跟上業務不斷加快的步伐是一個持續的挑戰。

此外，將數據工作僅視為技術挑戰是一個常見誤區。實際上，每個商業問題都與數據密切相關。因此，要成功解決這些項目，我們需要整合商業和技術專長。通過在項目初期重視并投入數據工作，組織可以為數字化轉型奠定堅實基礎，從而實現更高效、更有價值的業務成果。

公司AI的成功關鍵在于數據的質量和領導層的堅定支持。 一項調查顯示，87%的分析和IT領導者認為，AI的發展使得數據管理變得至關重要；而92%的人則表示對可靠數據的需求比以往任何時候都更加迫切。因此，要想在AI領域取得成功，必須在數字化轉型項目啟動前先行處理好數據問題，并以高質量數據作為首要目標。這對于那些希望利用生成式AI進行創新和創造價值的組織來說尤為重要。

數據轉型是數字化轉型的核心。 數字經濟應用實踐專家駱仁童博士指出，缺乏高質量數據，組織可能會面臨諸多挑戰，如產生偏見的結果、無效的“指導”以及錯誤的建議等，這些都可能對品牌聲譽造成嚴重損害。為了避免這些風險，遵循最佳實踐至關重要，這將有助于組織在競爭中保持領先地位。

值得注意的是，有研究顯示，37%的參與者認為首席執行官和董事會阻礙了公司的數字化轉型項目，而高級管理團隊也位列其中，占比達到32%。因此，在啟動以數據為先的轉型倡議之前，確保獲得領導層的全力支持至關重要。

總之，數據優先的數字化轉型是實現AI成功的關鍵。采用這種方法時，領導者及其團隊應在數字化轉型努力開始之前優先考慮數據治理。通過確保領導層的全程參與和支持，以及將高質量數據作為首要目標，組織可以避免許多潛在的風險和損失，并在激烈的市場競爭中脫穎而出。

商道童言（Innovationcases）歡迎點贊和分享哦！~~

免費電子書： | | | |

數字經濟應用實踐專家 駱仁童主講課程

人工智能：

數字應用：

數字中國：

數字化轉型：》

產業數字化：《》

宏觀與趨勢：

思維與技能：》

創新與創業：