人工智能时代企业创新发展模式探讨

□冯仕文

人工智能（AI）时代已经来到。企业如何大胆拥抱，构建相适应的创新发展模式，培育可持续的竞争优势？本文作如下探讨。

第一，推进创新发展范式转型。人工智能具备感知、推理、学习、规划、决策和自然交互等人类智能行为能力，是引领新一轮科技革命和产业变革的战略性技术，是培育和发展新质生产力的重要引擎。企业要着力构建与人工智能相适配的创新发展范式。一是要实现把人工智能作为单纯技术工具化向构建自主创新生态的转变。这一生态系统的核心在于以企业为主导，整合内外部资源，形成数据、技术、人才、场景、产品等闭环流动，实现可持续的技术突破与商业价值转化。在数据上，建立内源数据、外延数据和关键行动的协同性。在技术底座上，建立基础层、框架层、应用层和关键原则的分层框架。在人才上，建立内部培养、外部融合、柔性引进等协同机制。在场景迭代上，实现最小化验证、在细分场景快速试错、反馈驱动优化和用户行为数据实时反哺模型训练。在产品上，建立加快新品开发速度、降低成本和开拓市场的创新研发体系。同时，建立上下游协作、开发者联盟、跨界融合的开放协同生态。二是要构建“自下而上”的涌现式创新体系。人工智能创新具有不可预测性，企业需建立容错机制，鼓励内部创业和开源协作。如无锡国家高新技术产业开发区积极试行容错纠错机制，允许科研失败项目终止或延长，鼓励科研人员尝试具有挑战性的科研项目，取得了明显效果。三是政府需从指令管控转向“生态赋能”。提供“耐心资本”和算力支持，着力解决工业场景应用成本过高等问题。指导行业和企业研究制定人工智能能力标准，建设专有服务平台，搭建开源模型适配平台，制定人机协同标准作业流程等。

第二，强化智能化技术能力建设。一是着力数据与算力基础设施建设。建立企业数字化平台，实现业务流程、生产流程、客户资源、市场拓展等管理端、生产端、运营端数字化。建立健全数据管理系统，健全数据资产、数据开发、数据应用、数据交易、数据安全生态系统。尤其要在用好工具解锁非结构化数据价值上下功夫。注重算力优化，部署混合云架构与国产化算力平台，降低算力成本。二是着力行业模型开发与场景创新适配。根据行业和企业场景需要选择或研发轻量化与专业化模型。积极推进智能体规模化应用，沿着添加AI功能、业务单元自主采购、构建多智能体系的路径发展。三是着力解决智能技术适配性。在核心基础技术攻关上，开发专用AI芯片、异构计算平台及存算一体、光子计算等新型架构和轻量化模型，适配移动端设备、多模态融合算法、小样本学习技术，还要建设自动化数据标注平台等。在智能系统开发方向上，围绕自主决策系统、人机协同系统、辅助操作预测性维护系统、实时认知系统进行技术攻关攻关。在智能硬件装备升级路径上，围绕实现感知层革新、执行层进化、交互层重构进行技术攻关。在产品智能化演进策略上，着眼产品形态重构、服务模式创新、新价值维度创造进行技术攻关。四是制定企业AI能力演进路径图。在实验探索阶段，主要是验证技术可行性、添加AI功能优秀产品，如试点智能助手、数字孪生、合成数据生成等，提高企业效益；在能力建设阶段，主要是建立技术底座，构建数据平台和人工智能开源开放平台，开发垂直模型，实现流程优化，降低成本；在深度融合阶段，主要是重构核心业务，部署智能体，改造生产系统，创新业务模式；在生态主导阶段，主要是引领制定行业标准，开放平台，制定治理框架，提高生态系统收益。

第三，构建产业组织生态体系。一是建立创新发展组织机制。建立跨边界协作机制，如政府搭台推动企业和高校联合研发，共建实验室，建立产学研融合发展机制。建立供应链协同机制，通过工业互联网平台连接制造企业与AI服务商，实现产能共享。二是建立“AI+”产业生态体系。强化组织能力构建，建立跨部门的AI治理委员会，设置“首席数据官+首席AI官”双轨制。强化技术基础设施搭建，建立混合式技术架构，构建“云—边—端”协同的计算平台，开发统一的“数据湖+特征仓库”。实现核心能力中台化，计算机视觉/NLP/预测分析等能力组件化，建立模型全生命周期管理系统。强化数据资产体系构建，建立数据治理框架。实施数据管理能力成熟度认证，建立数据确权、分级、质量管理机制；加强知识图谱建设，构建企业级知识图谱底座，开发行业特定的预训练大模型，抓好华为云知识计算解决方案在行业和企业的应用。强化应用开发生态培育，建立基础能力层、行业方案层、创新应用层的分层开放体系；开展开发者生态运营，建立开发者分级认证体系。强化产业协同网络建设，加强价值网络构建，组建产业联盟。建立供应链AI协同平台，促进商业模式创新，实现AI能力产品化，建立成果共享机制和智能服务订阅模式。三是建立相适应的人才队伍。构建涵盖技术研发、应用落地、治理合规等多个维度的多层次、复合型团队结构：包括有芯片算法工程师、AI架构师、智能体开发者、数据科学家与工程师的核心技术研发团队，包括有AI产品经理、行业专家、AI解决方案工程师的垂直行业应用团队，包括有A1治理专家、AI安全工程师、人机交互工程师的AI治理与合规团队，包括有Al培训与赋能专家、AI人力资源顾问的跨职能支持团队，包括有AI研究员、AI跨学科人才的前沿探索与创新团队。借鉴腾讯云大学的做法加强在职人员培训，把业务人员培养成人工智能赋能者。

第四，建立政策运用和安全治理体系。一是充分运用好政策。用好国家出台的支持企业数据管理、算力支持、场景应用、大模型开发、智能化设备产品采购销售等政策，用好工信部等六部门出台的智能工厂梯度培育政策。用好国家建立的人工智能基金和税收递延、首台套补贴、金融支持政策和地方算力券等支持政策。有条件的企业要用好工信部“AI+标准化”政策，参与标准制定，关注人工智能立法，提前规避合规风险。二是建立企业人工智能安全监管制度。企业要以威胁建模为核心，努力构建数据安全、模型监管和应用控制三层防护体系，构建技术监测、风险预警、应急响应体系。在顶层设计与治理架构上，要明确安全性、合规性、可信性、业务连续性监管目标。在全生命周期安全控制上，开发阶段要解决好数据安全、模型安全，部署阶段要做好访问控制、运行监控，运维阶段要做好持续审计、版本回溯。在核心安全技术工具链上，要根据数据泄露、模型窃取、对抗攻击、偏见放大等风险类型，选择适合的防护技术和工具。在合规与伦理框架上，要遵守我国数据安全法和《互联网信息服务深度合成管理规定》，建立AI使用负面清单，遵守透明性、人类监督、应急开关等伦理准则。在保障机制上，防范第三方风险管理，做好供应商审计、开源模型审查。制订AI安全事件响应手册。建立安全、伦理度量指标和外部协同的持续改进体系。处理好数据共享与安全隐私保护的关系。

第五，明确场景应用路径。企业要着眼产业生态的整体性跃升，明确场景应用路径。如在制造业，聚焦“AI+工业互联网”，创建数字工厂、工业互联标杆工厂和5G智慧工厂，大力发展由智能产品、智能生产及智能服务三大功能系统以及工业互联网络和智能制造云平台两大支撑系统集合而成的智能制造，推进以自组织自进化为特征的制造模式变革。具身智能机器人是人工智能、高端制造、新材料等尖端技术的集大成者，企业要在安全、有效前提下，探索建立具身智能机器人与技术工人协同劳动机制。如在交通行业，人工智能可应用于智能交通管理与执法、自动驾驶与无人驾驶、智慧停车与车位管理、智能导航与交通优化、公路与基础设施管理等。如在能源行业，可运用人工智能开展智能勘探与资源优化、生产流程自动化、设备预测性维护、能源交易与风险管理、客户服务与能效优化、绿色能源创新等。

 （作者系省政协经济委员会主任）