20周年年会 | 周奇：拥抱新质生产力——AI为制造业注入增长新动能

AI发展的趋势

　　在这个不确定的产业竞争格局下，各位企业家都在寻求某种确定性。特别是在新技术变革和旧技术轮替过程中，所有企业家都在算一笔账：投入新技术能否带来可观的ROI（投资回报率）。面对这个不确定性，我们该怎么用确定的逻辑去研判？

　　一般认为，生产力会推动生产关系的变革。首先我们要定义清楚，生产力是什么。AI是其中一个重要变量，能为整个生产力带来巨大的提效。过去几十年，我们也经历过类似技术带来的代际变革：从最早的电脑，到2000年互联网兴起，再到2010年后的移动互联网，直到现在的AI。

　　技术的发展不是无中生有，也不会一蹴而就，而是按照内在的规律和节奏在发展。今年以来，以DeepSeek为代表的大模型引发了破圈效应，让大家觉得AI突然走进日常生活。而从过去技术积累以及未来几年的发展规律来看，智能技术、通信与网络、感知与交互这几条线是非常融合的。从智能技术到新能源，本质是一体化发展的体系，最终演进方向指向的是Agent，也就是超级智能体。

　　这个发展趋势是确定的，主要源于两个方面：一是人工智能发展的芯片，相信很多做芯片的企业，在一年半甚至两年前就已经确定了其芯片计划，从设计、流片到生产再到规模化应用，未来两年算力能实现怎样的突破是可以预判的。二是现在很多企业对数据越来越重视，数据资产的积累能慢慢带来模型的变化。很多企业已经积累了大量的数据，但如果数据没有转化为AI能用的、高知识密度的数据资产，就难以有效支撑模型的迭代优化。

　　从这个角度来看，我们预判明年将成为由数据驱动的新一轮AI智能体和产业融合的关键一年。不管是多模态还是全模态模型，都会给各行各业带来非常多的机会。

智能化是制造业发展必选项

　　回到刚才讲的，核心还是生产力和生产关系的问题。如果说AI带来了生产力的变革，那么它必然会推动生产关系进行调整。AI本质上是一项系统性工程。很多企业家曾对我说：“AI的ROI不高。”确实，如果只在单一环节应用AI，很难带来显著或颠覆性的变化。比如在银行，如果只是把AI替代高拍仪的OCR（光学字符识别）功能，可能只提升了几个岗位的工作效率，并不能带来系统化的提升。

　　数据作为生产要素，由AI慢慢转化为新产品，并在整个体系中实现以点到面的全流程变革，最后大家才能感受到，AI带来的变化是系统级的变化。不过，很多人表示没有看到这种系统级的变化，尤其是制造业涵盖众多细分领域，变革需要更长的时间。从信息化、数字化到智能化，这一进程需要遵循客观规律，现在确实还没到达爆发点，但未来制造业一定是AI落地的最大阵地。

　　大家看如今的营销或是数字媒体行业，就会明显发现，AI已经带来整个系统的变化。刚才和李青老师（编者注：李青叙事班创办人、广东省中小企业发展促进会品牌顾问）交流时谈到，二十年前我们主要通过报纸获取信息，但现在传媒行业已经完全被技术颠覆，这也预示了未来发展的方向。

三个关键点判断企业与AI结合的合适时机

　　从国家政策来看，不管是“十四五”规划还是“十五五”规划建议，都把制造业放在非常重要的地位。但关键问题是，我们到底该怎么做。工业大模型或者各个领域的垂类模型，要怎么做才能真正帮企业提效。比较客观地讲，这确实需要一个过程，毕竟它本质是系统性改造。我们在分析各行业AI渗透率时，有三个前提要明确，各位企业家也可以对照这三点，审视自身企业跟AI结合是不是合适的时机。

　　第一，行业是否有足够高知识密度的数据。因为AI是用来做决策的，决策依赖于高知识密度的数据。很多企业家表示有过去30年的所有数据，但我会告诉他们，这些数据当时记录下来是给人看的，不是为AI训练准备的。企业往往只是将这些数据用于归档保存，连人工都难以高效解读。这样的数据真的能支撑科学决策吗？仅凭零散的数据，又如何精准判断当下、预测未来？AI模型需要的不是原始数据，而是提炼后的知识。因此，企业或行业是否具备足够供AI决策的数据，决定了能否打造出AI产品。这是客观现状。我们可以看到，国家层面大力倡导建设高质量数据集，其底层逻辑就在于此，而这其实是AI变革的第一步。

　　第二，有了数据，且数据也能被AI有效调用，还要看你所在的企业或者行业的整个生产范式能否顺应生产力的发展需求进行系统性改变。我们和企业沟通时始终强调，做任何事情的第一性原理是“A到B”。有了AI之后，很多岗位是应该重新梳理的，因为岗位最初的设定是人工决策，如果沿着“A到B”的目标推进，就会发现岗位数量可以精简、职能可以重构，但这个流程如果无法同步调整，那么AI就永远无法实现真正的提效，因为它始终是人和固定岗位的附属工具。

　　第三，还要看ROI。很多行业现在要么盈利状况不错，没有什么转型痛点；要么有需求但利润难以支付高昂的AI成本，也无法推进变革。

　　无论是企业变革还是行业变革，这三个原则都是客观存在的规律。如果不遵照这个客观规律，AI变革第一步就会失灵。数据是未来竞争的关键，很多企业正逐步将数据转化为资产，但要明确的是，数据资产化并不是金融化。数据资产化必须依托具体的产品，如果数据只是停留在原始数据集层面，没有转化为行业解决方案或产品，那这些数据最多只能用于抵扣研发费用。因此，如何实现数据的资产化落地，是一切AI产品的起点。

　　我们常常讲生产范式的变革，很多企业老总面临的问题是要扩产，要么购置设备，要么增加人力。从AI赋能的逻辑来看，如果一名员工能部署5至10个AI虚拟员工，人力资源部门则可以把这种新创造的生产力视同为新增的岗位。比如新招一个岗位的人力成本是2万块钱，而某员工部署了一个效能相当的agent（AI智能体），这个智能体就可以成为该员工的“下属”。原本要投入的2万块钱人力成本，可以拿出1万块钱作为对这名员工的奖励。因此，未来的人力资源管理，应该把AI虚拟员工和现实员工统筹规划，其核心目标仍是降本增效，但可以通过多元化的激励机制来引导。这种机制能让员工主动拥抱AI工具，积极用于增产提效，而不是担心被替代而抵触甚至阻碍AI的落地应用。

掌握模型与硬件的适配能力

　　百度一直做AI，因为我们本质是数据公司。从搜索业务起步，百度最大的资产是数据，而搜索只是一个方式，本质是把高质量的数据和用户需求进行匹配。回顾过去十年，我们认为，要真正做好AI必须统筹四层架构：芯片层、框架层、模型层和应用层。谷歌、百度等科技大厂都在布局这四个层面，但并不意味着要求每一家企业自建这四层，关键在于系统布局的理念。反观很多企业，在做产品的时候往往没有系统化地考虑硬件、框架、模型和应用之间的关系。

　　举个例子，我曾接触一家企业，他们开发的瑕疵检测系统效果很好，但没有考虑硬件的性价比。该方案采用了售价数万元的显卡作为硬件支撑，而那条产线一年也就十几万的利润。我们建议他改用价格可能就十分之一的国产芯片，在通用设备上同样能达到检测效果，这样既能盈利，也便于规模化复制。但他们坦言：“我们既缺乏硬件人才，也不懂模型调优，更不了解如何将模型量化压缩到小型低功耗上面。”因此，不管是百度还是其他AI企业，在完成大规模模型训练后，都需要逐步掌握模型与硬件的适配能力。无论是科学计算领域，还是传统制造业，都需要重点攻克这一课题。

基于生态的系统性破局路径

　　刚才郝聚民博士（编者注：广东省中小企业发展促进会总架构师）提到了生态，百度实际上已经构建了一个相对完整的AI生态。这个生态以技术为主轴，一端是人才，另一端是资本。当前许多生态的上下游合作仍停留在项目层面，而我们所构建的生态则是基于技术协同。因此，欢迎对AI开源技术感兴趣的企业，加入我们和促进会一起构建的生态，一起推动AI技术的开放创新与规模化落地。

　　整个生产链上已经有很多应用的案例，比如研发端的中车、电池质检、园区等场景，均有成熟的落地实践。事实上，供应链的各个链条都已经有很多企业开展创新探索，并且取得了良好的落地成效。在此，我也呼吁大家可以通过促进会的平台加强交流互动，多了解上下游的AI应用进展。很多时候，不同领域的实践经验可以触类旁通，进而推动全链条的协同创新。当前，无论是终端的AIoT设备应用，还是后端的AI助手部署，已经有不少企业实现了点状创新。

　　我们也希望未来能与广大企业及促进会一起，通过AI创新实验室，把点状的创新变成线性、面性突破，最终形成适配产业的共性解决方案，通过互利互惠的合作模式，全面赋能产业发展。

　　今年在促进会的支持下，我们联合四家企业开展了先行先试工作。这些企业落地AI创新实验室都是遵循统一的推进模式：明确自身在行业中的AI战略定位。这里的战略定位不是宏观的，而是聚焦产品的具体场景，研判自身的数据资源，进而打造差异化的产品。基于此，我们进一步从组织、战略、产品、人才到实施路径，为企业提供系统性的转型方案。

　　未来，我们希望通过真实案例和深入一线的实践，帮助各位企业家在AI时代找到转型破局的那把钥匙，充分挖掘企业存量的价值，实现产品创新突破，赋能整个产业发展。2026年，我们将联合促进会启动“AI共创计划”，希望能帮助更多企业在AI时代顺利完成数字化升级和智能化转型。