CSDI数智+跃迁，产业万象：千行百业的智能创新

创新意味着什么？

智能创新又意味着什么？

有人说创新是跳跃式的，有人说创新是源自于人的懒惰，也有人说创新是人们的想象力.....

空调、洗衣机、电灯、汽车、飞机的发明创造，电灯并不是从油灯的演化而来，是先有了电；汽车也并不是马车演化而来，是先有了蒸汽机......

这就像解决一件事情的本身，并不在事情本身身上。

如今这个数字化、智能化的时代，每一个创新的想法都可能成为一个改变生活的突破口。而智能创新这种全新模式，融合了先进科技、人性化设计和市场需求的领域。它利用人工智能、大数据、物联网等先进技术，变革了生产方式。AI模型可能也是大模型时代的“蒸汽机”。

今年的2024CSDI 主旨是：数智+跃迁 千行百业的智能创新，我们更关心的是“跑马圈地”的时代已过去，数字化应用企业的管理者们关注点应该看哪里？数字化的技术创新，如何更易开发软件、灵活构建商业模式？并且通过移动设备与互联网传播成果。

企业需要数字化能力

才能免于淘汰

领袖与跟风者之间的区别在于创新，而创新越来越取决于数字化关键的这一环。数字化本身并不是战略，而是实现战略的方法，借助数字化技术、数字业务，让商业模式发生变化，需要组织通过创新来提高企业能力。数字化对商业模式有很大的影响，也为诸多领域带来很大创新，同时颠覆着传统企业，处在数智化时代，必须具备数字化能力，拥有数字化思维，突破传统框架，创造新的商业生态，才能面对数字变革的各种场景。

新范式转变的阶段中,企业管理者关心的IT技术战略方向与规划、IT研发管理优化与流程设计往往是相对被忽视，而数字化技术的基础正是其业务与运营模式。企业的数字化也不是建立了一个IT部门，而是完整的数字流程IT化、产品与客户关系的数字化、系统架构云化、小项目拆解思路、AI在产品创新中的应用，以及数字化带来的量子飞跃。每个企业的商业战略都很重要，敏捷组织、智慧经营、精准把控，都是建设路径。

图1 成功适应数字化的组织更易生存

自1917年至2017年，美国最大的几家公司名单的演变。

1917年，美国最大的公司主要来自能源和钢铁行业。

半个世纪后的1967年，尽管IBM已经位居榜首，但是榜单上的大多数公司仍然来自能源行业。

到了2017年，全球最大的5家公司来自数字化技术行业。

我们看到，技术发展与社会发展快于组织发展，成功适应数字化的组织更易生存。

AI产业深入产业版图

图2 AI产业在企业职能中的渗透面

去年AIGC势如破竹的闯入人类的领地，从产业发展上看，技术革新已经渗透到方方面面。新兴智能技术对于每个企业的相关智能角度，都能找到应用场景，比如：零售行业供应链、营销、客服等方面，以及金融研发、营销、客服、风控等应用场景。从产业角度上看，AI包括基础层、技术层与应用层。产业的视角来看，其中，基础层是人工智能产业的基础，为人工智能提供数据及算力支撑；技术层是人工智能产业的核心，主要包括各类模型和算法的研发和升级；应用层则是人工智能面向特定场景需求而形成的软硬件产品或解决方案。

从不同纬度上，我们也看到模型分为：决策式AI与生成式AI，并且从技术路径、成熟程度、应用方向，在场景上都有各自的延伸。文成生成的模型以及图片生成的模型，更加成熟，原因是有海量的互联网数据，加上本身应用场景的需求与丰富，多模态的数字媒体（声音、图片、3D、视频等），这些都是全方位影响的。生成式大模型引领着新一轮AI技术变革，正在往多模态、个性化、智能体的方向演进。

图3 交互引擎：决策与生成对比

可以说，AI合理利用有助于提升体验，帮助企业降本增效，并有着极大的商业机会。与此同时，数据与模型分属Ai产业的基础与技术层，这些都离不开“大数据”与“大模型”，都离不开利用大量数据来训练模型，就像算力是一种消耗品，本身不构成壁垒。创业公司对算力的投入要理性适度，用户在自己产品中交互沉淀的数据才是真正的壁垒，数据飞轮虽然很难建立，但一旦形成比模型和算力更具竞争力。

 图4全球数据总量增长趋势与预测

「来源：国际数据公司发布的白皮书《数据时代2025》」

而随着深度学习落地与发展，为很多领域带来前所未有的精度与效率，GPT模型经历三代演变，训练数据、模型参数、任务数量都有迭进式增长，模型本身存储空间在近年显著增加，由1.17亿和参数到GPT4到达1T（10000亿）。GPT–3的参数更是扩展至1750亿。让我们看到通往“通用人工智能”的希望。 

并且，23年英伟达用于AI大模型的训练，新一代AI芯片HGX H200，相比于其前一代产品H100，H200的性能提升了约60%到90%。与过往GPU升级主要都在架构提升上不同，在同架构之下，而其主要升级点转向了内存容量和带宽。具体包括141GB的HBM3e内存，比上一代提升80%，显存带宽从H100的3.35TB/s增加到了4.8TB/s，提升40%。

图5：大模型参数数量变化趋势

近来，大模型在许多行业与消费应用中，主要是其迅速有效的处理海量数据，LLM与AI技术相辅相成，也将与日益普及的5G网络、弹性计算等基础设施，创造更多可能，这背后不仅是复杂算法的功劳，也是依赖了云计算服务的支撑。产生很多先进工具、先进应用。

生成式AI的推动下，预计到2035年，产业数字化率将突破85%，将进一步催生全新的工作方式，显著提高企业的商业效能。大模型将借助多模态技术实现全面感知。随着多模态数据处理、多模态感知融合等技术的跃升发展，大模型将逐步从支持文本、图片、音频、视频等单模态任务，向支持多种模态融合任务演进。

AI在行业上与研发生产力上的

融合与技术趋势

如果说2023年，大模型用Prompt重构了一个生成式新世界， 2024注定是AIGC应用落地元年，站在这个新世界所要探索的，正是以大模型为基础的新应用。

行业的深度应用便是数字化的深水区，保险、银行、能源、汽车、通信等领域龙头企业，已打造了大模型赋能的应用标杆。企业建设自主可控的大模型底座建设，同时，与AI企业分工协作，联合创新和协同发展。

*在金融保险领域：通过部署行业全链路信创的私有化大模型平台，打造保险行业数字劳动力。丰富的应用场景， 大幅可以提高研发岗、综合服务岗、审计岗的工作效率。

*在科研领域：智能应用产生的成果调研、论文研读和学术写作三大功能，可高效精准完成的科技文献助手，助力科研工作。

*在能源领域：构建多业态、多场景的行业大模型，也是可持续提质增效。

*在医疗领域：数字医疗和AI融合，以AI+Science获得越来越多的应用，科学领域不断交叉融合，技术驱动的医疗创新将迎来重大拐点，‘医疗＋X’将是下个十年的医疗创新主旋律。

*在工业、通信领域：赋能工业领域提质增效，关键领域可保障自主可控的国产硬件和国产大模型，在保障核心基础设施自主可控的同时，加快打造国产大模型应用生态。

*在互联网领域：智能化系统将践行软件行业领域，代码大模型的深度应用，推动互联网与工业、能源领域数字化转型，加速数字经济和实体经济深度融合。

*在电商、教育、游戏领域：智能客服、数据分析、自动化流程应用、AI助理、数字人平台个性化定制等智能应用升级，企业信息化系统向着更深度方向融合。

*在社交、平台领域域：AI 大模型赋予企业信息化系统更多的价值，AI 大模型帮企业IT平台更高效地处理数据，智能筛选、智能测评、提高工作效率，减少企业 人力成本，降低运营成本;增强用户体验，实时在线智能服务，让业务决策智慧化。

*在IOT领域：构建与整合物联网设备实时数据、运用 AI 和区块链技术，有效提升数据的实时性和不可篡改性，还强化对潜在风险的预测和响应能力。AI帮助企业提升效率、降低成本、增强智能化程度和改善用户体验。

*在制造领域：智能座舱、智能仓储、智能巡检、智能流水线......

不胜枚举......

▶ 1.边缘计算成为云计算领域的关键因素。

随着5G技术的成熟，为边缘计算的行业应用创造了大量的机会，加上边缘计算消耗的网络带宽变少，处理大量数据的更有效。在边缘计算的世界中，计算和数据存储可以更接近数据的来源，使数据更准确，更易于管理，降低成本，提供更快的洞察力和行动，并允许执行连续操作。数据安全性、隐私性、更低的带宽成本并提高了网络效率。优势在于减少延迟、提高性能和增强决策能力。并且提高性能和自动化。毫无悬念，边缘数据处理的速度将未来几年大幅提高。嵌入边缘计算的物联网（IoT）设备具有速度、敏捷性和更大的灵活性等优势，准确执行实时分析并实现自主行为。

云计算生态发展，云在商业中的作用不仅是降低成本也是促进创新。在创新、效率和可扩展性的推动下，AI和机器学习的集成、边缘计算的兴起、云应用转变为业务必需品、多云和混合云的盛行以及IaC的进步都将是确定性的趋势。

组织采用多云和混合云的趋势正在增强，多云战略使得企业利用多个云商和本地基础设施来优化性能、增强冗余并降低风险。多云和混合云策略使企业能够平衡灵活性和成本，提高整体研发生产力，考虑到安全性和合规性，更加多样化、弹性和可扩展的一种趋势。

▶ 3.AI Agent将重构人机交互方式。

随着接口对齐、复杂任务规划、工作记忆等技术的发展，其应用场景将不断拓展，人机交互方式转向更加自然、直观的人机对话，极大地改善用户体验。智能化的互联网生态系统。会实现人机交互的更高层次。

随着大模型技术在语义理解、视觉感知、逻辑推理等方面能力的迭代与成熟，具身智能将在感知、推理、泛化等能力上进一步突破。推动制造业在生产效率、质量控制和成本节约等方面实现跨越式提升。

分布在各区域的人工智能计算中心将有机连接起来，成为构建算力网络的重要节点，实现人工智能算力在跨区域间的感知、分配、调度，使得智算中心成为支撑人工智能产业生态、拉动区域经济转型与高质量发展的坚实底座。

▶ 6.AI人才结构将从“算法技术型”向着“复合应用型”跃升。

未来，随着人工智能技术的不断迭代与成熟、AI与应用场景的耦合度不断加深，能主动用AI大模型赋能业务的跨领域人才、能开拓应用场景的AI算法人才和懂AI大模型的管理决策型人才等复合应用型人才将成为人工智能领域主要的人才需求。

▶ 7.全行业加速向AI原生转型，业务应用场景赋能创新。

全行业应用开发与实施不满足于简单地依托云计算平台进行部署和运维，而是在设计之初就积极融入AI技术的核心逻辑，实现AI能力对业务流程的深度改造与全面优化。AI治理也将打造更可信、可控的产业应用。

▶ 8.AI产业生态构建的核心成为：模型即服务、数据即服务。

模型即服务：上游企业通过提供预训练大模型作为AI技术基础设施，下游行业基于此开发个性化、场景化的应用模型，使得AI从“手工作坊”转变为“工厂模式”。良好的生态基础模型的意义，就是让底层架构的算法趋于统一，基于此开发的算法和应用，可迭代、可维护、可扩展，也就有机会诞生出一个系统级的AI应用。

数据即服务：更便捷数据分析和管理数据，允许订阅者通过互联网在线访问，使用和共享数字文件。随着用户对高速互联网应用的增加，预计DaaS的使用范围也将进一步扩大。DaaS在大数据分析中的使用将简化数据分析师的业务审查任务，并使跨部门和行业的大数据资源共享变得更加便捷。企业转向云来升级其基础设施和工作负载，DaaS将会成为集成、管理、存储和分析数据的一种高效的方式。

▶ 9.数据处理与大模型的结合。

在数据处理层面，大模型可简化传统的ETL过程难度，提高实时交互效率。在数据分析上，替代拖拽交互方式，让业务用户用更简单、更高效的方式以自然语言形式与底层数据交互，来构建需要的报表和看板。在行业应用上，大模型可以真正发挥对行业知识的理解能力，与具体数据结合，形成具针对客户、特定项目、指标体系的输出，加上数据准备，可直接输出标准化的项目成果。

数据处理使用大模型能力：通过对话式的交互方式生成ETL，降低难度；辅助生成专属派生指标和计算指标，即一些SQL代码片段，以及MDX表达式；在数据模型模型或指标模型中辅助生成计算字段的SQL或者MDX。

▶ 10.生成式人AI多功能进化，同时与机器学习无缝集成。

生成式大模型引领着新一轮AI技术变革，正在往多模态、个性化、智能体的方向演进。预计将其影响力从创意领域扩展到内容策略和产品设计等领域，由于检索增强生成（RAG）等进步，系统将产生更细致、更准确的输出。同时，AI和ML无缝集成，推动云空间创新核心组件。AI和机器学习与云服务的集成预计将呈指数级增长。用户对AI的应用需求预计将增加50%左右，产品开发中的生成式AI也将增长约65%。

▶ 11.数据安全治理。

数据是喂养AI的石油，通过实施必要的安全措施，数据安全治理策略确保了企业数据保护并最大化数据的价值。有效的数据治理程序，可提高数据质量、促进业务决策、分析及时以及AI模型训练准确、可用性。

▶ 12.各行各业呈现的编程大模型。

在编程方面，Github Copilot 和 Mintlify 均是基于大模型的 AI 代码助手，前者可根据开发人员的代码上下文和注释来生成合适的代码建议，帮助开发人员提高编程效率和质量，减少重复和繁琐的工作，轻松实现自己的想法。后者可根据代码的语义和上下文生成代码注释，减轻开发人员编写注释的负担，提高代码的可读性和可维护性。

Copilot 这种类型的工具，能够与开发人员定义小段功能代码、按照惯例以及在上下文环境中工作的能力协同工作。它所做的有效工作就是去掉了在 Stack Overflow 上查询的步骤。呈现出的是，LLM 的早期采用者在代码输出的质量和数量方面遥遥领先。将会有很多非原生企业，走入AI编程开发学习与应用中。

▶ 13.企业使用API工具增强组织决策。

企业将需要利用AI来降低构建自己平台的复杂性和成本。API将充当抽象层，以集成大量预构建的API工具、服务和系统。这将使组织能够定制AI解决方案以满足特定的定制需求，从而自动执行重复性任务并增强组织决策能力。

▶ 14.数据库推动大模型优化发展。

对于拥有大模型的企业来说，庞大的数据计算需求和高昂的计算成本负担，即使获得了复杂大模型的代码，也很难跑起来。大语言模型的背后不仅仅是复杂算法的功劳，更是依赖了云计算服务的支撑，包括计算、存储、数据库等各方面的资源供给。数据库的融合将推动人机交互和数据库应用的发展，二者的结合是一种双赢，通过借助大语言模型的语言理解和生成能力，数据库的使用和管理将变得更加便捷和智能化；数据库则提供了高质量的数据集与高效的数据管理来支持大型语言模型的训练和应用。数据库与大模型结合势必成为未来发展的一大趋势。

▶ 15.智能运维与大模型融合，促进数智管理。

大模型的能力想要在智能运维的私域范围，大力应用。需建立特定的告警知识、深入分析告警之间的关联性、解决问答过程长度限制、准确模型问答等。卓有成效的完成本地化部署、集成现有工具与管控、优先效率、增强语言生成与推理能力成为关键。

▶ 16.AI增强分析可最大化利用数据。

先进的机器学习算法也将带来，更强的威胁检测和响应能力，在强化网络安全措施以应对日益复杂的网络威胁方面发挥关键作用。增强分析让机器学习和NLP自动化和处理数据，获取信息。其解决方案可帮助企业业务部门和管理层更好地了解其业务发展环境，提出相关问题，并更快地找应对策略。同时，可帮数据分析师执行更彻底的分析、数据准备任务，最大化利用数据价值。

▶ 17.RPA技术为企业自动化加码，推动企业实现数字化转型和业务效率提升。

超级自动化技术与运营流程重设，智能RPA改写企业运营方式，为企业带来前所未有的竞争优势与利润空间。尤其AI技术的驱动下，RPA不再局限于简单流程执行，而是拥有认知和决策。将AI功能嵌入RPA连接器，轻松实现发票扫描、身份证识别等任务的自动化，只需调用插件，任何数字化系统调用，会为复杂的业务流程。

我们都将重视技术长期的意义，举足轻重的方方面面......