王江平：数字化转型2.0，关键在AI的深度应用

那么，当前的人工智能发展对企业数字化转型有什么影响？将给企业带来哪些实实在在的效益？企业应该如何做出调整，从而利用人工智能促进企业挖潜，实现高质量发展？

为此，问杂志专访了全国政协委员、工业和信息化部原副部长、研究员级高级工程师王江平。他认为，企业应当把AI的深度应用视为数字化转型2.0，这是对过往信息化、数字化、智能化转型的继承与发展，是大势所趋，是人工智能时代重塑企业竞争力的必然选择。

AI技术发展与行业影响

问：王委员您好！您在2025年全国企业管理创新大会上，提到当前AI正在步入“普惠化时代”，请您具体解读这一变化是如何实现的，对企业有哪些实际意义和影响？

王江平：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年的每百万token20美元降至2024年的0.07美元，也就是使用成本只有两三年前的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，并很大程度上解决了企业对数据隐私的担忧。此外，空间理解模型、合成数据训练有望大幅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，有望进一步降低算力成本。

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。我们欣喜地看到，普惠化将场景优势（我国发展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。

问：您提到开源正在重塑AI产业格局，如何看待闭源与开源的博弈，开源模式对中国AI生态建设有何特殊价值？

王江平：开源已经从技术共享策略，升级为产业竞争的核心策略。DeepSeek、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已缩小至0.3%左右；根据中国信通院“方升”大模型基准测试，今年一季度中美顶级模型性能基本持平。OpenAI公司CEO萨姆·奥特曼公开承认，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。

AI厚植企业竞争力

问：AI在提升企业竞争力方面，有哪些显著影响和作用？

王江平：判断企业竞争力可以有多种维度，其中，研发设计、要素效率、对市场的敏捷反应以及用户黏性无疑是重中之重。

我认为AI的深度应用能够显著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，大幅度提高企业研发设计能力和技术迭代速度；通过AI技术推动企业生产要素集约化，实现隐性知识显性化、离散资源网络化、静态能力动态化，从而全面提升要素效率；通过AI技术构建“感知—预判—执行—调节—进化”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，不断提高用户黏性等。

问：在研发设计领域，AI如何助力企业突破传统的创新模式？

王江平：AI驱动的“数据+算法”创新体系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AIforScience领域的科学家，其中包括谷歌Deepmind公司的CEO和高级科学家，他们带队研发的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，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。

例如我调研过一家服装企业，他们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，且设计方案的成功率大幅提升。从这个例子也能看出，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的潜力，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）融合训练，赋予AI创新能力。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广泛应用。

问：如何理解“隐性知识显性化”？这将对企业产生哪些影响？

王江平：“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在实际工作中运用车间主任、资深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”，避免出现经验流失问题；

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，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和基础模型调优能力，这样才能将经验、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技术应用与企业生产经营实践“两张皮”。

问：AI帮助企业实现敏捷供应链管理、增强用户黏性，有哪些具体的应用场景，又能带来怎样的实践效果？

王江平：企业通过AI部署智能响应体系，可实现供应链运营成本下降，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，及时调整生产方案，已经在很多企业取得了良好的应用效果。

AI增强用户黏性的本质是通过“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—增强用户体验—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，可大幅提升产品LTV（生命周期总价值），显著降低获客成本，且服务边际成本趋近于零。当前，该模式在电商平台的商品推荐、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经得到广泛应用。

数字化转型2.0实践

问：AI时代的数据治理面临哪些新课题？财政部已经出台了数据资产入表规范，企业如何“从0到1”搭建数据资产体系？

王江平：AI时代的数据治理呈现很多新的变化。

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；

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。

一般而言，数据的价值实现必须经过数据资源化、资产化和资本化三个环节，其中数据资产化是核心环节，而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。财政部出台的《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，我认为应当把握好十个环节：

问：企业应如何根据自身需求选择合适的AI工具，有哪些注意事项？

王江平：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，如研发设计平台等，但需防范对云厂商的技术依赖。

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，如同“别为喝牛奶养头奶牛”；复杂系统要做好应急预案，就像给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、成熟度不断提高，企业AI应用的方式、成本和安全性都在不断优化，比如通过“轻量化模型+边缘计算”降低成本，采用混合云架构实现数据“本地存储+云端训练”。

问：在人工智能时代，企业管理需要做出哪些调整？

王江平：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。

在组织结构上，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；领导力也需要进化，从传统的指挥管理向服务赋能转变。

书享界保留所有权 |书享界 » 王江平：数字化转型2.0，关键在AI的深度应用