央企在数字化转型和AI理论研究和应用创新中处于领先地位，对于地方国企、软件公司探索AI建设路径有非常强的借鉴意义。

跟不上世界一流技术的企业，肯定不是世界一流企业。

跟上人工智能，证明还没有被历史抛弃。

在战略决策领域，基于人工智能的商业智能决策技术可以帮助企业迅速获取并分析数据，并能基于数据做出准确的决策。

在管理运营领域，搭建基于生成式人工智能、机器人流程自动化、虚拟现实(VR)和增强现实(AR)知识内容等要素的智能管理运营平台，提升管理智能化水平和运营效率。

在质量管理领域，基于人工智能技术，以优质资源要素为保障，精准把握客户需求，全面提升产品质量和效益。

产业工人大量减少，西方公司项目现场，只有少数人员操作机器设备。

产业是数字化的基础，数字化是提升产业高质量发展的核心动力。

工程数字化，包括产业数字化和数字产业化。

产业数字化，是工程实现过程的数字化与工程交付产品的数字化。

数字产业化，是经过实践检验的优势技术与能对行业产生影响的数据。

1.AI造成分化

利用大模型识别出的逻辑，结合人类经验给定的逻辑，形成可被业务使用的应用，这些应用给出不同的模型、不同的反馈，不同的模型调用不同的数据。

这是技术逐步发展的过程，是技术应用逐步成熟的过程，更是技术应用促进企业、行业提升的过程。

这取决于企业实践者对技术的理解，对行业业务的专精程度，以及业务的数据化成熟度。

智能化造成业务的分化、业务分化造成企业的分化，人类也因此分化。未来，是否会分化成为智能化人类和传统非智能化人类？

行业、企业、业务、人，逐渐分化，差距将越来越大。

2.工程建设行业利用AI需要思考的问题

AI要革人工的命，企业搞AI，是革员工的命。

企业搞AI的核心问题是：钱从哪来，人往哪去。

具体需要思考的问题是：

1.路径设计：信息化、数字化、智能化，内容、边界和路径的确定

2.人员职责：作为业务人员、管理人员、高层决策者在AI技术变革中的定位与职责，企业是否应当了解学习人工智能基本知识

3.数据治理：数据目录与标注，多层级、多主体多业务数据拉通，数据的场景化，价值的思考

4.AI场景化：实时场景，数据与AI应用在什么业务场景；分析场景，历史数据范围与维度，业务模型建立与计算；可信安全环境，各取所需

5.数据驱动业务；知识、经验定义模型；业务定义软件；软件定义工程

6.AI理念产生创新思路，思路转化成语言，语言转化成指令，指令指挥机器，实时调整修正，及时归类结果，结果自动汇报

7.解放脑(替人思考)与解放手(替人干活)：痛点分析、场景切入、实用价值

8.投入成本：前期算力、数据、模型训练的成本投入很大(钱从哪里来?)

9.替代后的成本：后期人员安置困难重重(人到哪里去?)

10.AI商业化：头部企业，要为生态企业获得传统模式下无法获得的价值，从而增加自己的收益，逐步放大产业链整体收益，做大规模，生态共赢

AI要按一体化、规模化、价值化的思路统一行动。

业务和管理人员需要思考，企业的业务和管理需要达到什么程度，达到什么高度，再确定投入的资源与IT技术能力。

未来，人制定规则，人指挥机器，训练模型；还有一类人，做机器做不了的事，除此之外，剩下的交给计算机。

3.AI要面临的卡脖子

AI当前所谓的突破，主要是文本、视频、图形这些，包括SORA都是生成式的人工智能，一些好玩能用的应用，都是国内厂商，基于国外开源的通用大模型。

第一是国外开源能力存在关闭的风险。

大模型升级后，存在原有应用不能正常迁移的风险。可能造成投入变成沉默成本。

第二是AI的尽头是电力。ChatGPT一天耗电50万度，按这种消耗，我国不可能实现双碳目标。碳代表经济发展，电力用在AI，就会延误经济发展。国家也开始在AI领域上做一定程度的降温。

第三是投入高。这两年某建筑央企投了7亿，其中3亿是投在了算力，4亿投在软件。

未来：软件定义世界，数据驱动未来，模型重构业态。