哈喽大家好，我是「老周聊架构」的主理人老周。
5月24日下午，深圳，一场关于"企业AI到底怎么落地"的硬核技术分享如期举行。四位风格迥异的嘉宾，从"把公司做成产品"到"用本体论给AI治幻觉"，再到"大小模型联手抓安全隐患"，从"ERP如何拥抱AI变革"到"企业AI数智运营方法论"——可以说，这是一场从哲学到工程、从战略到代码、从方法论到落地路径的全栈式知识轰炸。
如果你错过了现场，没关系。这篇回顾会帮你把干货榨干，把金句捞净，顺带附赠一些现场的"名场面"。
一句话总结：技术公司在炫技，商业公司在焦虑，而真正该做的事情简单到令人发指——把人的工作变成产品。
乔新亮老师的分享，是那种"听的时候觉得他在骂人，听完发现他在救人"的类型。作为前彩食鲜高管，管理过万人研发团队的实战派，他一上来就抛出了一个灵魂拷问：
"IT团队很多人根本不知道自己到底是服务于什么目标。"
乔老师用自己在彩食鲜（给党政军企事业单位食堂送菜）的亲身经历，讲述了一个生鲜供应链的数字化故事：
营收翻了近5倍，人数反而下降了1/3。这背后不是什么黑科技，而是5年如一日地坚持一件事：每两个月，用产品取代一个岗位的重复性工作。
"到年底的绩效就是告诉我一个number——省了多少人。"
乔老师的方法论可以浓缩为两个阶段、三个核心：
第一阶段：产品化——把人做的事情变成产品
思路极其朴素：
1.敬畏业务 —— 去学习业务部门怎么做事，把最优秀员工的做法产品化
2.自底向上 —— 先取代基层（搬数据的Excel Boy/Girl），再取代中层（汇总上传下达），最后碾压高层（优化决策）
3.消灭需求最好的办法，就是消灭提出需求的人 —— 当你把一个岗位的工作产品化了，那60个需求可能就变成了1个产品
第二阶段：进化——A/B测试驱动的持续优化
当基层和中层的工作都被产品接管后，就进入了算法与算法的PK阶段。通过A/B测试，小范围试点，效果好就扩大，效果差就缩小——本质上就是让产品自我进化。
最核心的一个理念——产品和人的关系要倒置：
传统做法：系统给人用，爱用不用乔式做法：系统接管一切，做不了的才交给人，人做完了再还给系统
这不是PPT上的口号。他举了个生动的例子：
"可能某一天，业务部门一上班，发现权限没了。为什么？因为系统已经能做这件事了。"
乔老师用了一个精彩的历史类比——二战德国闪击法国：
AI和数字化技术就是那些坦克。问题不是你有没有先进武器，而是你有没有用新的组织形态去使用它。
这张PPT可能是全场最有温度的一页。乔老师说：
"如果你的生活老是一模一样，大脑会把它压缩成一天。所以人不快乐。让员工不做重复性工作，他自然就会热爱工作。"
他甚至谈到了更宏大的社会命题——科技进步带来的不应该只是失业焦虑，还应该有更好的财富分配制度（比如全民基本收入）。
"生而为人就应该拿到钱。科技解决生产力，制度解决分配。"
| |
|---|
| "给你一年时间把积压需求都做完了，这家公司会变成啥样？还是那样。" | |
| |
| |
| |
| "老板天天跟ChatGPT对话，觉得AI太强了。然后呢？" | |
| |
一句话总结：AI为什么会"胡说八道"？因为它没有本体。给AI一个"绝对事实"的锚点，它才能靠谱地干活。
马俊老师是腾讯云架构师技术同盟上海同盟理事长。当他抛出"本体论"三个字的时候，现场有不少人面露困惑。马老师笑着说：
"上次在另一个地方讲，只有两个人知道本体论是什么。"
但听完之后，你会发现这可能是全场最具前瞻性的分享。
马老师开场就指出了当前企业AI的致命问题——The Action Gap（行动鸿沟）：
BI报表分析洞察做得飞起...然后呢？
AI给了建议...然后呢？
洞察与执行之间，隔着三道鸿沟：
1. 幻觉风险高，无法直接对接生产库
2. 缺乏权限校验，AI不了解操作的安全边界
3. 事务性缺失，无法保证数据回写的效率性
马老师把本体拆解为三个维度：
1.绝对事实（Absolute Truth）：结构化+非结构化数据融合在一起，形成AI推理的锚定物。AI为什么有幻觉？因为它不知道什么是"确定对的"。
2.语义知识（Semantic Knowledge）：让AI"看得懂"数据之间的关系，而不是看到一堆割裂的表和字段。
3.数字孪生（Digital Twin）：用数据的方式把企业的经营管理完整表述清楚。
"AI为什么会有幻觉？因为它不懂。而我们要做的，就是让AI知道它该知道的——这就是绝对事实。"
马老师提出了一个非常清晰的四层架构：
| | |
|---|
| LLM Proxy（智能路由网关） | |
| FaaS / Agents（智能体工厂） | |
| iPaaS（上下文工程） | |
| aPaaS（本体化数据平台） | 核心底层基座，提供本体化数据平台与元数据业务模型引擎 |
Action Service：打通执行的"总闸门"
这是马老师分享中最实用的部分——Action Service的三大铁律：
1.严格权限校验（Permissions）：LLM无法越权执行
2.高治理事务执行（Business Rules）：确保数据回写的原子性与状态一致性
3.全链路可追溯审计（Audit Logs）：记录完整的AI决策血缘
马老师强调了一个关键转变：从二维报表到"立体对象"（Business Objects）。传统的数据是一张张二维表，但本体化之后，数据变成了有实体、有属性、有关联关系的立体对象，AI才能真正"理解"企业。
马老师分享了一个汽车行业的实战案例：
1.问题发现 → 2. 构建质量本体（知识图谱） → 3. 基于问题动态生成推理子图 → 4. 大模型归因分析 → 5. 反向追溯影响范围 → 6. 人工决策+冻结/召回
这个案例完美展示了"本体+知识图谱+大模型"的三位一体协作模式——大模型不是万能的，它需要结构化的知识作为推理基础。
现场还有一个有趣的互动——Palantir的本体到底是在Foundry还是在Gotham？有观众认为源自军事情报的Gotham，也有人认为在商业化的Foundry。马老师没有给出标准答案，但这个讨论本身说明了一个事实：本体论正在从学术概念走向工程实践。
第三场 | 李颖悟：大小模型协同的安全生产智能体工程实践
一句话总结：大模型是"大脑"，小模型是"眼睛"——90%的活让眼睛干，只有10%的难题才惊动大脑。成本直降95%，延迟低至12ms。
如果说乔老师讲的是"道"，马老师讲的是"法"，那李颖悟老师讲的就是纯粹的"术"——而且是那种技术含量拉满、数据详实到令人发指的硬核工程分享。
李老师开场就用近期的安全事故（湖南浏阳烟花爆炸30+人死亡、山西爆炸80+人死亡）说明了安全生产的严峻性。传统的监控手段面临四大痛点：
李老师梳理了AI在安全生产领域的三个发展阶段：
这张图堪称全场最具说服力的一页PPT：
大模型的"三高"挑战：
落地的"三低"困境：
低实时：云端交互无法突破物理延迟瓶颈
低可靠：过度依赖云端，单点故障风险
低隐私：核心生产数据上云有合规风险
解决方案：YOLO26x + VL-72B-INT4
李老师的方案堪称"最佳拍档"：
边缘小模型：Ultralytics YOLO26x
云端大模型：某开源72B VL（INT4量化）
关键数据：整体推理成本比纯大模型方案降低95%以上，同时保持99%以上的功能完整性。
李老师团队在工程化落地中做了多项关键创新：
1. 轻量级预过滤层 传统方案70%算力浪费在无变化的背景帧上。通过特征指纹比对（余弦相似度+动态阈值），过滤90%以上无效帧，每帧计算开销<1ms。
2. STAL小目标感知标签分配 + ProgLoss渐进式损失平衡 针对远距离安全帽、微小瑕疵等场景：
3. 可变形卷积 + 不规则多边形轮廓建模 专门针对火焰这种"不讲规矩"的检测目标——抛弃传统矩形框，用多边形精确贴合火焰边缘。
4. LAIE极端环境自适应增强 夜间、雨雾、粉尘——工业现场什么妖魔鬼怪都有。LAIE模块通过物理退化建模+无监督域适应，恶劣环境下检测精度下降不超过6%。
这个设计堪称精妙：
高置信度（>90%）：小模型直接处理，触发声光报警，毫秒级响应
中置信度（65%-90%）：自动触发大模型二次语义复核（区分"人员违规"还是"异物遮挡"）
低置信度（<65%）：推送人工确认，反馈数据用于模型持续进化
传统工业智能系统代码耦合度极高，换个传感器就要重构大半代码。李老师团队基于MCP协议设计了三层架构：
MCP Host（大模型中枢）：系统的"大脑"，全局推理与任务分发
MCP Server（业务微服务）：DCS、SIS、票证管理等系统的标准化封装
MCP Client（边缘视觉探针）：小模型检测节点，标准化接口上报
李老师设计了一个8+1的智能体团队：
| |
|---|
| |
| |
| |
| |
| |
| |
| |
| |
| 安小虾（AnXiaoxia） | 移动端安全助手，把智能体能力装进口袋 |
最后，李老师展示了已经落地的"地空一体化"巡检体系——无人机负责高空监测，机器狗处理地面细节，AR眼镜辅助现场人员，数据实时回传云端。这不是科幻，而是已经在全国20+个工业园区和应急管理局落地运行的真实系统。
一句话总结：AI转型不是上一套系统，而是构建一个能持续进化的"数智运营操作系统"——从评估到变革、从治理到运营，全链路闭环。
柳忠阳老师是金蝶中国数字化转型咨询资深专家。如果说朱阳老师从ERP视角讲的是AI落地的切入点，那柳忠阳老师讲的就是企业AI转型的全景图和施工蓝图——从顶层战略到底层架构，从成熟度评估到分层适配，一套完整的方法论体系铺展开来。
柳老师开场就抛出了一个清晰的分层模型——企业AI转型的四个阶段：
| | | |
|---|
| L1 AI辅助操作 | | | |
| L2 AI驱动流程 | | | |
| L3 数智驱动决策 | | | |
| L4 AI自主业务 | | | |
这个模型的价值在于——它让每个企业都能对号入座。绝大多数企业还在L1（把AI当工具用），少数走到了L2（让AI重构流程），而L3、L4几乎是无人区。
柳老师定义了"AI原生企业"的核心特征：以AI为中枢、以人机协同为工作方式、以数据飞轮为基础、持续进化的新型企业。
六大特征维度：
战略与商业模式：AI优先战略，按用量/智能体/结果付费（AaaS）
产品：对话式、多模态体验，数据驱动、自我进化
运营流程：从线性分工到端到端闭环，AI成为企业运营中枢
组织与人才：扁平化组织，人机协同小团队
数据与技术：知识与本体、Agentic AI、确定性工程
领导力与文化：推动变革，引领创新，持续进化
柳老师一针见血地指出了当前企业AI建设的困境——「试点易、规模化难，单点易、体系化难」：
| |
|---|
| 业务与技术的语义鸿沟 | 业务语言无法精准转化为系统能力，"为AI而AI"的无效建设 |
| 开发效率与个性化需求矛盾 | 传统开发模式无法适配AI时代的业务敏捷性，错失市场机遇 |
| AI灵活性与企业确定性冲突 | 大模型的概率性推理与企业级业务的确定性执行天然矛盾 |
| 单点试点与体系化能力失衡 | |
"当前企业管理者最大的焦虑是：个人AI能力在提升，但组织AI能力没有跟上。"
这是柳老师分享中最体系化的部分——AIGO方法论，覆盖「评估→变革→治理→运营」全周期：
A（Architecture）：分析与架构——顶层设计，定方向、定路线、定投资
I（Implementation）：实施与执行——场景挖掘、ROI建模、PoC验证
G（Governance）：治理与管理——AI成熟度评估、能力诊断、治理框架
O（Operation）：运营与优化——流程重构、人机协同、持续进化
配套的产品金字塔从上到下四层：
1.AI战略咨询（顶层设计）：定方向、定路线、定投资
2.AI成熟度评估（科学诊断）：评现状、找差距、明路径
3.AI场景设计咨询（价值挖掘）：选场景、算ROI、做PoC
4.AI流程重构咨询（业务落地）：改流程、定协同、调组织
柳老师展示了一套严格遵循国标（GB/T 45341-2025）的成熟度评估体系：
五级：规范级 → 场景级 → 领域级 → 平台级 → 生态级
两维：转型深度（从信息技术工具应用到智能自主）× 转型广度（从单点到产业生态圈）
十档：1.0-10.0分精细化评估
评估规模：6个能力域、21个能力子域、156项采集指标、122项关键能力项
这不是拍脑袋的打分，而是"像体检一样诊断企业AI能力"。
柳老师提出的七层架构，是整场分享中最完整的企业AI技术栈：
| | |
|---|
| 交互与终端层 | |
| 智能体与生态市场层 | |
| 智能体操作系统层 | |
| 全场景SaaS应用层 | |
| 数据底座层 | |
| 信任与安全层 | |
| 多模型底座层 | |
四大核心特征：根技术锚定（DDM为唯一根底座）、语义统一（七维本体为语义桥梁）、工程化优先（Harness为运行时中枢）、价值闭环（AIGO为交付载体）。
柳老师用一个六步飞轮描述了系统的运转逻辑：
意图输入 → 安全校验 → 业务语义理解 → 任务规划与能力匹配 → 确定性执行 → 结果输出 ↑ ↓ └──────────── 反馈迭代与持续进化 ←─────────────────────────────┘
核心价值：体系能力可随客户业务的发展持续进化，而非一次性的项目交付。
"我们越来越多的工作，不是交付系统，而是和企业一起搭建长期可演进的治理与能力体系。"
柳老师特别强调了"不搞一刀切"——针对不同规模的企业设计了差异化的落地路径：
核心解决的是「业务本体太重、中小客户用不起来」的问题——大型企业可深度定制，中小企业可轻量化落地。
最后的圆桌环节请来了乔新亮、马俊、李颖悟、柳忠阳，以及顺丰科技AI平台负责人陈迪豪，围绕"企业AI落地"展开了一场火花四溅的对话。
乔新亮（犀利派）：
"企业里最大的问题就是——没人敢说'我就是要把重复性岗位干掉'。IT团队定位成施工队，叫干啥就干啥。你要不就继续当施工队，要不就站起来。"
马俊（务实派）：
"80%的老板都想拥抱AI，但组织是刚性的。什么时候老板下定决心对组织动刀，才是真正的转折点。"
李颖悟（数据派）：
"误区就是觉得模型越大越好。根据我们的经验，百亿级参数就差不多了。"
陈立豪（成本派）：
"成本就是最大的困局。即使强大到腾讯、阿里，内部AI应用都是有报销额度的。你没法给所有员工免费推Opus 4.7（当时讲的时候是Opus最新的模型）。"
柳忠阳（方法论派）：
"试点易、规模化难——绝大多数企业的AI建设还停留在L1阶段，把AI当工具在用。真正的转型是要构建一个能持续进化的数智运营体系。"
圆桌中最有价值的观察之一——AI项目的牵头人正在发生变化：
主持人总结："最好的状态是1号位牵头——能调预算、调人、调组织、调KPI。"
圆桌最后，乔老师贡献了全场最燃的一段话：
"业务部门不是铁板一块，很多年轻人是很灵活的。你要不要振臂一呼，或者偷偷在一个地方搞个'陕甘宁根据地'？先跑一个小的，星星之火可以燎原，然后把大旗拉出来——因为公司里没人拉这个大旗，等你拉的时候就是你的。"
如果用一张图来概括这五场分享的关系：
五者的共同信念：
1.AI不是炫技的工具，而是要真正取代人的重复性工作
2.数据质量和业务理解比模型大小更重要
3.成本意识是工程落地的生命线——不是所有事都需要大模型
4.组织变革比技术变革更难，但也更关键
5.先做小闭环，再规模化——农村包围城市
6.企业AI转型需要体系化的方法论，而不是零散的试点堆砌
这场分享让我最大的感触是：AI时代最稀缺的不是技术，而是敢于把技术真正用起来的人。
乔老师说得好："人一生都是为认知买单。"今天这五场分享，就是帮你在认知上先走一步的投资。
"解放人，让AI照遍大地，给我们的儿女一个更美好的世界，没有牛马的世界。"
这句话，或许就是所有技术人最好的使命宣言。
在 AI 时代，工程师的核心价值正在从“编码执行”转向“判断、边界定义、质量守门”。真实工作里，我们每天面对的是更小的事情：一个需求怎么拆，一个页面怎么验，一个 PR 怎么写清楚，一个模块边界怎么守住，一个团队怎么减少上下文损耗。这些问题不一定会做成爆款话题，但它们一定适合坐在一个会议室里，和一群同样在做事的人慢慢聊。而这，正是技术社区不可替代的价值所在。
