《云栖战略参考》由阿里云与钛媒体联合策划，呈现云计算与人工智能领域的最新技术战略观点与业务实践探索，希望这些内容能让您有所启发。
企业数字化转型已经成为不可逆转的趋势，然而在转型过程中却面临着诸多痛点。决策和实施周期长、见效慢，系统林立导致数据孤岛问题严重，系统建设跟不上业务变化速度等问题都是转型中的挑战。尤其是企业端系统的更新速度赶不上业务变化的速度，更是企业数字化转型的核心痛点。因此，企业急需一种更灵活、更高效、更智能的数字化转型工具来应对这些问题。
今天，大家对大模型非常关注，但实际上，大模型到产业化应用的过程中仍还有很多路要走。例如，记录的伦理问题和技术的准确性问题。当然，每个企业都在逐步摸索和前行，我们相信所有的业务和成功应用都是在实践当中积累起来，并通过技术逐渐地去迭代的。
随着所谓的人工智能2.0或大模型的推出，我们发现了许多不一样的事情。过去，我们的组织形式是按照流程设计的，因为我们的业务按照流程进行。这种体系带来的架构使每个人围绕着各种生产流程所组成的系统要素。在人工智能时代，随着技术的发展，我们可以看到所有的业务场景与人的交叉关系越来越密切，在“人财物产供销研服”中，人都是核心。
而AIGC正在逐步解决一些脑力思考的问题，在这个过程中，我们在思考，机器人的思维能力应该比人类的思维能力更强，但如何把人脑到人手的过程连接起来？如何解放双手？AIGC成为许多大公司创业的方向。然而很多时候，我们开展的一些AIGC创业应用最终很可能会被平台颠覆。
智能应用是商业大势所趋
通过AI赋能行动的方式，解放双手，对于企服行业来说是一个非常好的机会。我们所说的AIAgent智能应用体，就是通过人工智能产生的逻辑变成生产力和效率的结果。目前，我们的组织是以自然人为基础的组织体系，但很快将转变为混合的组织体系，包括自然人和AI机器人，从而形成一种非常灵活的架构，促进组织熵减成为现实。我们将此模式称为混合现实的运营模式，意味着AI企业级应用的新范式。
这个新范式在解决哪些问题呢？过去，我们经常发现开发的速度跟不上业务发展的速度，因为无论是敏捷开发还是普通开发，整个过程都较长。我们过去的开发方式很难适应当前的发展需求，这不仅仅是页面自动化的问题，还涉及到机器人辅助过程。这个过程是低代码开发模式，而如果它可以与AI结合，将能带来最接近人工智能应用的模式。
现在的开发方式其实是越快越安全，越慢风险越高，特别是在当前的经济情况下，很多时候我们不可能为了完善我们的IT架构去大修大造，相反，我们需要快速解决业务需求，快速适应。因此，在过去几年里，我们花费了很多精力在低代码开发上，但实际上推广起来的开发成本门槛还是相对较高的。业务人员无法使用低代码进行开发，而IT技术人员也不太愿意使用相对受限制的低代码方法进行开发。正是因为有了这样的一个矛盾，给智能应用或智能化的开发方式带来了一个好的机会。
前一段时间，微软已经将大模型与业务开发做了结合，这预示了一个比较好的落地方式——通过人工智能来填补目前业务开发和技术开发之间的鸿沟。接下来，我们将进入智能应用开发阶段。
实际上，智能应用这个概念过去也是非常广泛的。从我们从业者的理解来看，智能应用的本质逻辑是：通过智能化的方式来解决应用敏捷化的问题，同时降低开发过程的成本。因此，根据一些数据显示，目前市场对智能应用的需求绝大部分都非常感兴趣。当然，这有两个原因，一个是因为不了解智能应用，另一个是确实有需求。
只有少部分人已经开始使用智能应用，他们发现其中有很多有趣的事情，因此越来越感兴趣。另外，还存在一些问题，智能应用在当前业务中主要解决的还是点式为主没有连续的问题，或者点式创新没有平台化的能力。
利用大模型构建智能应用
从企业应用的角度来看，我们认为大模型还处于初级阶段。首先，对于AIGC本身的内容准确性，或者对于大模型结果的准确性标准并不是非常严格。AIGC更多的是辅助进行判断和决策，而不是替代人的决策。当真正发展到大模型生成应用、大模型驱动应用的阶段时，准确性要求就变得非常高了。这时，大模型的逻辑和对行业的理解成为非常重要的话题，这是领域模型驱动所谓智能应用体的关键。
当然，我们还需要避免一些技术伦理问题，比如如何确保大模型不会乱作为。大模型应该有选择地发挥作用，而不是随意行动。因此，严格控制技术逻辑非常重要，关于这个问题，我们过去已经进行了一些探讨。
过去我们做了很多尝试，如低代码或无代码平台，在整合各种能力方面，例如RaaS和aPaaS的能力。这些能力为我们提供了很好的技术底座，以前是人们理解设计这些业务流程或业务逻辑，而现在发展到让业务真正实现自动化和超级自动化的能力。在这个问题上，我们尝试了几个维度，也有很多同行花费了很多精力进行思考和尝试。
利用大模型能力构建智能应用是我们探讨的话题，这个智能应用就是我们讲的自动化载体。一旦构建完成，我们需要考虑如何实现智能化和自动化的部署。在这方面存在着历史问题，过去是单机版本的，但随着人工智能技术的普及和云原生数据的增加，如果没有云原生，部署将成为一个问题。一旦部署完成，如何进行运维调度、确保安全性和业务的连续性将变得更加困难。
当然，如果有一万个业务和一千个机器人，如何匹配调度也是一个问题，这其中还有任务分解的问题，我们可以通过模型进行分析。最终，我们需要研究如何将业务结合起来，如何进行运营。因此，在构建、部署、运维和运营这四个连续过程中，需要研究大模型的方法和实践，解决思维模型商业化的问题。
绝大部分能力是本地化的，这导致了我们整个过程有机会向云原生发展，但这里面存在着几个大的矛盾。传统的离线版或单机版模式无法解决服务端的调用问题，不能轻易地将服务的策略性调度推给一个单机版的自动化应用。因此，我们需要解决如何将这些应用部署、运行在服务端的环境中，跑在专有云或者公有云上面。
为了解决从单机版到服务端的问题，传统方式是使用虚拟机的方式，即一个机器人平均需要一个虚拟机。这意味着成本无法降低，增加了一些开销。在整个过程中，如何共享业务知识和组建业务能力是一个关键问题。如果不共享这些服务，成本将无法降低，这意味着我们无法通过互联网或在线方式解决服务效率和成本问题。
基于以上内容，业界提出了RPA的云原生模式，这个模式是大模型驱动的前提。全世界都在探讨这个模式，美国的一家公司在这方面也做了一些工作。但要将这个想法变成现实，还有很多工作要做。
在大模型驱动下，这些自动化机器人生产完毕后，它们是否能够部署和调度自己，最终实现整个过程的闭环？这种人机协作的方式可以降低机器人的成本，并实现各种系统的良好融合。当然，我们还需要解决交付方式，以解决机器人与人之间的协同问题，也就是刚才提到的数字员工和员工之间如何进行协同。
我们可以看到这个行业的趋势是，对于做智能应用的公司或者智能应用的业务形态来说，一方面需要非常强大的智能应用支持，像阿里云、火山云、腾讯云等拥有出色的大模型支持能力和算力。
另外，我们需要将这些基础能力转化为领域模型，然后应用于行业，通过智能化手段实现超级自动化业务底座，解决整个业务过程中的全链路问题。领域模型+智能化底座将成为企业智能时代的转型利器。
业务实际上需要与低代码充分融合，因为RPA只是单点解决方案。结合低代码还不够，我们还需要解决数据融合的问题。除了自己采集的数据，我们还需要获取原有系统的数据，以构建智能应用，这意味着需要整合能力。
企业级应用的趋势：小模型+AI+智能化底座
针对未来AI企业级应用，首先需要解决的是互联互通及成本的问题，当这两个问题得以解决之后，AIGA的效能将得到更大规模的发挥。
小模型+AI+智能化底座，创造了一个应用的模式。我们与市场上一些大型组织协同工具或业务协同工具结合，例如钉钉、飞书、企业微信等，将其运行在各个业务应用系统之上，这才是我们所认为的AIGA运营模式。基于这个基础，我们构建一个柔性组织生态系统，首先解决组织能力问题，数字化平台问题，让员工有机会使用多个数字助手来减轻工作负担。
大模型解决思考能力，通过一些工具的延伸来解放双手，形成一个柔性组织形态，使业务有机会重新定义组织形态。在流程中发现堵点，通过增加RPA数字员工的方式解决堵点，通过柔性组织形态解决业务适应性问题。
我们已经进行了一些尝试，目前取得较好效果的是应用和知识构建，以及整理方面的工作。我们的产品中有一个名为CycloneCopilot的智能应用体，通过人的语义理解构建而来，解决了无感自动化的问题，让许多隐性员工为公司工作，这是一种走得比较快的模式。
除了数字员工领域，各行各业都有许多业务化的应用。我们经常谈论业务数字化，例如财税自动化、人力资源自动化，从营销到供应链等等。就供应链的智能化而言，虽然人工调度和研判很好，但在实际执行时发现自动化执行仍然存在问题。通过GPT训练的方式，我们可以让数字员工解决自动化执行的问题。我们开发了一个供应链小平台，实现智能补货，自动识别需要补货的地方，决定执行与否，并同时监控物流的多方协同。
在企业信息化方面，过去一直解决的是企业内部的数字化问题，而企业外部的数字化一直没有得到良好解决。这种模式与外部数字化的结合非常有效，将内部数字化与外部数字化连接起来，实现自动化的研判和执行。在这个过程中，我们将供应链模式提升到一个全新水平。无论是控制能力、调度能力还是补货执行能力，都得到了显著提升，真正解放了我们白领工人的双手。
此外，在政企行业中，过去的项目大多采用传统的政务模式，例如单机版等。实际上，政府、央企和专有云的政务云普及率非常高，特别是中国的政务云。云原生是最好的方式。我们与政府进行了尝试，在某个直辖市推出了一个系统化的数字公务员平台。之前，数字公务员的设计成本和服务成本非常高，现在我们采用智能化的方式来运维，可以更快地进行设计，并形成一个非常好的数字公务员运营体系。
央企也广泛应用数字员工，例如某500强企业已经使用了弘玑3万多个数字员工，每年以40%到50%的速度增长。这么庞大的数字量需要一个非常好的调度能力。从运营平台的角度来看，我们采用了三级架构，包括集团、各省公司和地市公司，并且各司其职，将运营体系变得立体化。在这个过程中，加入了大模型的能力，帮助他们进行智能化的研判和决策，并最终转化为执行。
大模型判断业务后，通过深层次的自动化平台生成标准化的解决方案或业务解决方案，然后在平台上部署一个非常好的机器人。这个产品具有多种形态。
实际上，在机器人的构建和运营之外，我们还发现了一个非常好的机会，即流程管理。我们有一个产品叫做流程挖掘，经过大模型的赋能后，它可以解决风险控制和企业治理体系的问题，效果立竿见影。一旦发现机会，我们可以采取两种方案解决。一种是改进流程，另一种是增加机器人自动化的控制方式，以及提升岗位的能力。这为我们的自动化套件带来了机会，形成了一个正向循环。
首先，我们使用大模型驱动流程挖掘，进行国企经营风险分析，看看流程是否存在问题。最后，发现关键的地方可以实现自动化控制。如果发现流程数据不合规，我们可以立即通过RPA数字员工执行某种策略来快速解决，并实现事前控制。
这个模型不仅仅局限于网页自动化，我们还广泛应用于其他领域，包括数据自动化、文档自动化和邮件自动化。在AIGA产品平台下，RPA已经不再是过去的RPA，它融合了各种低代码能力和API自动化，包括充分发挥了数据中台能力，使得RPA能够解决自动化的问题。
如今，我们已经迈进智能2.0时代，即AI大模型时代，随着AI技术的发展，未来将有更多诸如数字员工、智能孪生、智能协网、MR等人工智能的应用涌现。
本文摘自《云栖战略参考》2023年10月刊
扫码限时申领纸质版
↓↓
