随着生成式AI和大模型的快速发展，各行业正经历智能化变革。元年科技作为国内领先的数字化转型服务商，正处于变革前沿。

元年科技董事、执行总裁李彤，长期致力于将计算机技术应用于解决中国企业问题。多年来，李彤带领团队以管理会计思想为指导，依托技术领先的PaaS平台，将数据驱动作为核心，率先在企业服务中应用AI大模型等技术，提供数字化解决方案。

李彤表示，元年科技2017年已预见到AI在企业应用的潜力，并前瞻性布局规划AI能力。ChatGPT发布后，元年科技迅速行动，突破大模型在企业落地的难题。2023年11月，元年发布方舟GPT，运用AI技术挖掘数据价值，推动企业数字化转型升级。

以下为采访内容（经整理）：

01

“前瞻性布局AI，推动企业管理进步”

《AI Talk》：您为什么选择管理会计领域创业，想为行业解决哪些问题？

李彤：我在清华读了十年书，专攻机械工程。在博士期间，深入研究了虚拟制造方向，运用计算机技术仿真企业的生产线。毕业后，我希望能将计算机技术应用于解决中国企业的管理和技术问题。

我们专注于管理会计，管理会计是回答企业经营灵魂三问的体系——“我们是谁？我们要做什么？如何达成目标？”我们提供一整套咨询解决方案，通过管理咨询，从理论和方法上将事情想清楚，并落地到用计算机技术支撑的业务系统中，将咨询能力、专业能力和技术能力结合。这个方向与我的职业理想非常契合。

《AI Talk》：元年科技不断创新，兼具管理咨询能力和产品技术能力，您如何思考企业使命和定位的？

李彤：我们的使命是推动企业管理进步，始终强调专业和技术能力的重要性，并努力跟上技术发展的步伐。过去20多年，我们经历了三次由新技术驱动的企业管理模式变革，以及底层软件系统架构的升级。

第一次变革，80到90年代，管理软件界面从DOS过渡到Windows图形界面。自2000年起，迎来了ERP时代。我们通过局域网将企业财务和业务紧密连接，实现了高效的内部管理。

2004年至2017年，我们见证了第二次变革——从互联网到移动互联网的跃迁。ERP局域网信息化系统逐渐演变为全业务在线处理模式。这一阶段构建了基于云计算的全新服务架构，推动了企业线上化业务模式变革，大幅提升了经营效率。

第三次变革，始于2017年，我们预见到AI时代的到来，AI算法将对财务管理、企业经营管理和决策领域产生深远影响。2017年，我们前瞻性布局AI领域，组建了20人的算法和产品团队，专注探索如何将AI技术应用于业务中。

我们的初心是通过专业与技术推动中国企业的管理进步。随着技术的不断进步，专业思想和方法也在持续提升，促使技术手段不断创新。基于新技术，进一步驱动专业理念和产品持续创新，这是元年的使命和定位。因此20年来，我们一直致力于将专业和技术结合，不断成长。

02

“推动大模型工程化落地，突破应用挑战”

《AI Talk》：2023年大模型涌现，大模型技术走向垂直领域的商业化落地，如何看待这一现象？有哪些挑战？

李彤：以ChatGPT为代表的AI技术让我们经历了V字型心态变化，刚开始确实很惊艳，大模型技术让人工智能突然进入一个全新的时代。

我们尝试将AI技术融入产品和服务，发现实际应用存在较大落差。大模型本质是一种大型语言模型，在对话流畅性和用户需求理解方面表现出色，拥有强大的泛化能力，能在多领域发挥良好。经过大量专业语料和数据训练，它像一位准专家。但应用于企业场景时，就会遇到一系列挑战。

首先是安全性问题。大型企业作为中国企业应用的主力军，对数据安全和信息安全格外重视。大模型如何在安全的前提下，从高成本的公有云迁移到企业应用中，是第一个需要解决的挑战。此外，大模型并不了解企业的专属知识、数据、经营决策的逻辑和术语，需要经过学习和磨合才能成为企业专家。

对于财务管理，大模型一个重要的制约是底层原理仍然缺乏理性部分，推理的稳定性和计算的准确性仍存在问题。把一个任务端到端地交给大模型去完成，在财务领域比较困难。财务领域有严密的规则，输入和输出必须严格一致，大模型有时会出现“幻觉”，可能会产生致命的影响。

《AI Talk》：这个过程中，元年如何探索小参数模型在垂直领域与业务深入结合，落地赋能场景的？

李彤：在第一阶段，我们尝试将大模型引入，利用其擅长意图理解、多轮对话及文本生成能力，解决传统技术下产品交互的问题。对于一些基于强规则的处理，我们采用了传统方法补充。

第二个阶段让我们更加兴奋。经过一年的发展，我们在工程化落地方面取得了许多进展，特别是在Agent智能体的应用上，结合企业知识检索RAG技术，通过工程化的方法弥补大模型在落地过程中的问题，让我们更加坚信大模型在财务领域的应用潜力。

整个财务领域涵盖了信息的采集、信息的转换，包括将非结构化的信息转化成结构化信息，将结构化的业务信息转化成财务会计信息。在这个过程中，还需要进行合规性和正确性的审核，生成数据，将数据转化为报告，并从报告中发现问题、找到原因，再匹配规则和策略去看如何解决问题，包括问题能否解决以及由谁来解决。所以，在整个链条上，大模型每个节点都有很大想象空间。

经过一年多研究，我们认为未来会变成一个无人化和全自动化运营的机制。通过多角色的智能体协同，企业大量常规事务型操作被AI替换，实现企业从运营到决策的全链条的智能化、无人化和自动化。

《AI Talk》：经过一年多研究，财务管理领域大模型工程化落地，还有多长的路要走？

李彤：目前，挑战仍然存在。第一，安全性问题。线上大模型能力很强，但如何解决安全问题？私有化部署的大模型，是否还能像线上大模型一样更好地胜任上述场景？这是需要进一步思考和解决的问题。

第二，是关于如何将工程化的方法融合，确保每个节点上都能发挥作用。大模型从工程化落地过程来看，需要一个较长的周期。

目前，大模型应用更多集中在写诗、作画偏文艺或偏文科的领域，在企业管理，尤其财务管理需要理性思维或严密工科模式场景中，应用较少。元年希望用工程化的方法，将大模型的优势与既往积累进一步融合，打造出具有独特特点并能在企业落地达成效果的应用场景。

03

“探索AI化产品，提供数字化解决方案”

《AI Talk》：元年自2017年以来，一直在积极探索和实践AI技术的应用与落地，是如何在产品架构中规划AI能力的？

李彤：17年我们引入AI时，做了一个架构图，希望未来将更多业务逻辑融入AI。我们的目标始终是解决两个问题：一是如何用计算机数据来描述业务活动和业务世界；二是如何将业务运营过程中的各种规则系统化。

第一阶段，期望未来能将规则这一部分分离到AI中，为此设计了AI规则引擎，可容纳专家的知识，可以通过黑盒算法利用历史数据学习到规律。未来，我们希望AI能驱动自然语言生成规则。

第二阶段，规则引擎采用了类似于自然语言的表述方法，在底层构建了一个知识图谱。这个知识图谱来源于我们如何用计算机语言描述客观世界的问题，我们引入了原对象、原数据驱动的对象建模作为底层模型。

我们将企业组织、人员、产品、客户、合同、订单等定义为业务对象。每个业务对象都有对其每个字段和属性的详细描述，对象之间的关联关系也通过这些源数据进行描述。底层描述将这些对象串联成了一个图谱网络。

目前，这些规则是由人根据图谱定义的。由于图谱可以被AI理解的，当AI理解了图谱，就理解了业务。AI有可能代替人完成规则的定义、监控和调整过程，或者在这个过程中，人与系统底层的互动将变成一种自然语言的方式，包括用AI驱动源数据的变化，以改变底层承载。例如，如果合同需要添加一个字段，用AI驱动这个过程将变得更高效，并且可以实现全自动化的闭环配置和检查。

我们的思路是在架构上，将底层源数据驱动的业务对象建模与规则引擎结合。在大模型到来之前，我们已打好了坚实基础。

《AI Talk》：在企业级数据分析领域的应用场景上，是如何解放生产力的？

李彤：从2017年我们在数据分析领域的应用场景上发力，希望让机器代替人发挥更大的作用。

在企业决策过程中，高层必须依靠数据才能做出科学决策，但他们最大的痛点是不掌握数据。为解决这个问题，我们开发了智达产品，让用户能在受到权限管控授权的基础上，用自然语言与数据库数据资产进行对话，查询、检索并获取数据。2019年推出第一个版本，在与通威、海尔等企业实践过程中，对产品能力进行了延伸，不仅能做到“人找数”，还能做到“数找人”。

我们定义了一系列预警规则，以便在数据更新或发生特定情况（例如客户流失、销售额和利润波动）时，能够通知相关人员。我们引入了归因分析算法，能够对数据进行全面扫描，识别并推送对结果产生影响的因素给企业用户，解决了管理者依赖企业内部层层反馈机制的问题，使他们能够直接与数据对话，获取关键指标，并分析评价这些指标的好坏及其影响因素。

此外，还引入了“数找人”机制，通过设定规则和订阅机制，实现监控数据变化能自动推送给相关人员，基于产品的强大能力，我们对元年未来的智能化产品定位进行了延伸。

04

“大模型技术和工程化落地，打造竞争力”

《AI Talk》：今年，很多企业从业务场景出发，下场做垂直大模型、企业大模型，这种趋势下，元年科技整体的核心竞争力是什么？

李彤：基于2017年架构基础和数据驱动的应用场景经验，我们致力于将元年业务进行整合，借助智能化手段进行升级，助力中国企业实现运营和决策过程的全面智能化升级。

本质上，这遵循了管理会计的指导原则。从战略规划开始，企业顶层设计需明确“我是谁，我要去哪，怎么去”这三个核心问题。我们监控所有运营数据和过程，这称之为数据驱动。管理会计负责解决定位和如何达到目标的问题，数据驱动则确保所有过程都紧密围绕目标展开。

因此，形成了一个完整的循环：从规划、设定目标、评估目标的可行性，到每一个业务环节的执行。所有线上化数据从业务转化为财务，再从财务转化为指标，并与企业规划的经营目标进行对标。这个过程包含两个关键循环：战略目标的定义和管控循环，以及运营的循环。这两个循环需要朝着同一个目标协同匹配。

《AI Talk》：一个各节点都能发挥AI潜力的完整闭环系统，会对企业管理带来什么变革？

李彤：在过程中，我们计划引入大模型能力和智能体能力，将数据驱动与AI技术深度融合，确保在每个节点上都能充分发挥AI的潜力。我们希望为每个员工和岗位配备一个智能助理，实现人机协同。这将推动我们从依赖大量人工的方式，逐步向少人化、甚至无人化的方向迈进。我们的所有产品策略都紧密围绕数据分析与决策这一核心领域，构建了一个完整的闭环系统。

未来，我们的目标是打造“自动驾驶模式”助手。我们将使每个岗位都能通过这一助手提升工作效率，但协同工作仍以人为主导。随后，协同工作模式将逐渐转变为以Agent之间的协同为主，在面对新的、风险高的或更重要的场景时，才会引入人类的参与。

随着大模型技术和工程化落地的日益成熟，未来几年，所有的软件企业都可能需要将软件架构再次升级到云原生加AI原生的新架构。

05

“AI新质生产力，推动社会效率最大化”

《AI Talk》：人工智能对企业和个人影响深远，冲击与机会并存，如何应对这一变革？

李彤：AI是一种新质生产力，是人类近一两百年发展史上最重大的生产力升级。尽管它会颠覆某些行业或岗位，但本质上将推动社会效率的最大化，并催生新的行业和岗位。

从释放和提高生产力、提升工作效率、使人们能专注于更有价值的事务这一角度来看，AI的正面意义尤为突出。我们应积极拥抱这一新技术。

目前AI在理性层面和创造性能力上尚存局限。但随着发展，若其理性思维和计算逻辑推理能力进一步提升，可能会带来难以想象的结果。我们应更积极地思考和探索如何让AI在企业和个人工作中发挥更大的价值。

06

“不重复造轮子，积极拥抱大模型生态”

《AI Talk》：生态位非常重要，元年科技在人工智能大模型时代的生态链中，如何定位自己？如何做生态建设？

李彤：大模型的生态链构建复杂，基础大模型的核心在于数据、算法与算力三大要素，它们共同构成一个基础生态。我们更侧重于应用落地层面，这一环节同样构成了一个复杂的生态体系。

大模型落地需考虑多方面因素，比如大模型所需知识检索，需要向量数据库支撑。如果要引入知识图谱，还需要图数据库的支撑，还需要中间件搭建以实现智能体的工程化应用。因此，应用开发生态体系中层级众多，结合大模型的不同分层，构成了庞大且复杂的生态链。

生态链的成熟需要比较长的时间，过程中工程化落地的新思想可能带来颠覆性变革，任何公司难以独自完成所有环节。

我们策略上不重复造轮子，而是强化应用端优势，针对市场空白自研满足特定需求的工具，整合市场通用工具。大模型创业方向上，底层公司可能较少，但上层应用层机会更多，生态与参与者更为丰富。我们旨在企业管理、决策及财务领域集成更多底层生态，通过合作与集成发挥各自优势，共同创造企业应用价值。

服务客户、联合生态是大模型应用发挥作用的关键。数据显示，2023年全球大模型应用领域投资占数字化投资2%，中国则高达4%，显示中国在此领域的积极投资态度。

大模型应用发展空间广阔。虽然众多企业兴趣浓厚，但普遍仍处于思考与初步探索阶段。原因在于大模型的能力、价值场景及在企业中的落地与现有系统融合等问题尚需深入探索与实践。我们相信，随时间推移与技术成熟，大模型将在更多领域发挥关键作用，为企业创造更大价值。

07

“专注专业和AI技术布局，服务中国企业”

《AI Talk》：未来，元年科技的战略发展方向是什么？

李彤：我们的核心使命是推动企业管理进步。我们专注于两方面：一是专业体系的建设，二是抓住新技术提前布局。

AI大模型引领的全新一代AI能力，可能是过去20年和未来20年间最重要的生产力变革。我们希望能抓住这一新的力量，构建服务于企业的战略、决策和运营智能闭环。在闭环中，我们致力于帮企业更智能科学地利用数据，通过AI工具，实现管理会计指导与数据驱动的协同，推动从助手到智能化助手的协同升级，实现少人化、无人化和智能化进步。

我们积极拥抱大模型厂商，与生态伙伴紧密合作，从模型到应用框架，再到技术，共同把事情做好，服务中国企业，帮助中国企业提升管理水平。