人工智能 | 深度学习 | GPT-4文心一言 | 机器学习 | ChatGPT近日，随着ChatGPT-4和百度的文心一言的出台，人工智能技术得到迅猛发展。人工智能（AI）是一种模拟人类智能的技术，它可以通过学习和自我改进来执行各种任务。ChatGPT是一种基于AI的聊天机器人，它可以与人类进行自然语言交互，回答问题和提供信息。人工智能是通过模拟人类大脑的方式来工作的。它使用算法和数据来学习和自我改进，以便更好地执行任务。人工智能可以分为弱人工智能和强人工智能。弱人工智能是指只能执行特定任务的AI，例如语音识别或图像识别。强人工智能是指可以像人类一样思考和决策的AI。2023年政府工作报告指出“过去五年极不寻常、极不平凡，我们经受了世界变局加快演变、新冠疫情冲击、国内经济下行等多重考验，经济社会发展取得举世瞩目的重大成就。”聚焦到科技领域，“全社会研发经费投入强度从2.1%提高到2.5%以上，科技进步贡献率提高到60%以上。科技创新成果丰硕，人工智能领域的创新成果也不断涌现。”纵览人工智能产业近年发展，虽然一定程度上突破了深度学习等各类算法革新、技术产品化落地、应用场景打磨、市场教育等难点；但如今也仍需致力解决可信、业务持续、盈利、部署的投资回报率等商业化卡点。聚焦于2022年，这一历史上极为重要一年中我国AI产业参与者的特征表现、探讨AI产业在我国经济发展中的价值与地位、洞察各技术赛道参与者的发展路径与产业进阶突破点。人工智能产业发展环境演变一、人工智能参与社会建设的千行百业——价值性、通用性、效率化为产业发展战略方向人工智能已成为推动产业发展的主流趋势，其产品形态和应用边界不断拓宽，包括软件服务、云服务、硬件基础设施等形式，应用场景涵盖消费、制造业、互联网、金融、元宇宙和数字孪生等领域。据艾瑞预测，到2022年，我国人工智能产业规模将达到1958亿元，同时，人工智能产学研界在通用大模型、行业大模型等方向上取得了一定突破，促进技术通用性和效率化生产。AI技术的商业价值塑造、通用性提升和效率化应用是其助力产业发展、社会进步和自身造血的关键。二、企业积极部署AI战略以实现业务增长——对AI应用的比率及数量持续走高； AI提升营收能力进步纵观近五年来的AI技术商业落地发展脉络，产品及服务提供商围绕技术深耕、场景创新、商业价值创造、精细化服务不断努力；需求侧企业也在从单点试验、数据积累到战略改革的发展路线上，与AI技术逐渐深度绑定。AI成为企业数字化、智能化改革的重要抓手，也是各行业领军企业打造营收护城河的重要方向。麦肯锡2022年对企业应用AI技术的调研表明：相较于2017年的20%，2022年企业至少在一个业务领域采用AI技术的比率增加了一倍多，达到50%；应用的AI产品数量也从2018年的平均1.9个增加到2022年的3.8个。除了应用数量上的提升，AI产生的商业价值也不断增长，企业部署AI的动力显著。埃森哲商业研究院针对中国250家领先企业的调研显示，2018-2021年，企业营收中“由AI推动的份额”平均增加了一倍，预计到2024年将进一步增加至36%。落地AI应用对企业业务运营的商业价值与战略意义越来越明确。三、城市算脑建设推动区域发展与产业升级——各地加速布局区域智算中心，夯实AI算力基础设施基于对支撑AI应用及研发的智能算力需求扩大、以及全国算力枢纽一体化和“东数西算”的工程建设方向。近两年来，各地对人工智能计算/超算中心（智算中心）的关注度和投资增多。智算中心是指基于最新AI理论，采用领先的AI计算架构，提供AI应用所需算力服务、数据服务和算法服务的公共算力新型基础设施。目前，我国有超过30个城市建设或提出建设智算中心，其中已有近10个城市的智算中心投入运营，为当地各行业领域提供算力支撑。智算中心建设对区域经济发展和产业升级有明显推动作用，同时可提高城市治理智能化水平和城市竞争力。从政府投资角度看，智算中心产业发展尚处于初期阶段，建设、运营、应用推广与生态建设、节能环保要求等投入较大，需结合地方财政能力合理评估，根据实际需求适度超前部署机柜。四、政策引导解决AI重大应用和产业化问题——着力打造人工智能重大场景，形成可复制推广的标杆应用尽管我国在数据、算力、算法及模型的基础层资源与研究积累日益丰富，为开展下游人工智能场景创新应用打下了坚实基础，但在应用场景上仍存在“对场景创新认识不到位，重大场景系统设计不足，场景机会开放程度不够，场景创新生态不完善”等问题。为此，2022年，我国陆续出台一系列指导意见及通知，持续加强对人工智能场景创新工作的统筹指导，规范与加强人工智能应用建设，实现AI与实体产业经济的深度融合。其中，政策引导是解决AI重大应用和产业化问题的重要手段之一。着力打造人工智能重大场景，形成可复制推广的标杆应用，是政策引导的重要方向之一。通过政策引导，加强对人工智能场景创新工作的统筹指导，规范与加强人工智能应用建设，将有助于实现AI与实体产业经济的深度融合。五、科技伦理治理持续引导AI  “向善”——全球AI伦理治理迈入法治时代，我国积极倡导框架规范随着人工智能与社会产业的融合应用，其带来的安全、法律和伦理方面的风险不容忽视。2022年，科技伦理治理的约束力和影响力持续提升。从全球范围来看，主要发达国家和地区的人工智能伦理治理从政策建议正式进入法律范畴，相关立法逐步完善，国际组织也在凝聚共识的基础上，启动大规模深入研讨。而在中国，在吸取发达国家治理经验和思路的基础上，2022年首次将人工智能伦理治理上升到国家政策层面，提出科技伦理治理的原则和行动方案，具体治理举措将会不断细化和完善。同时，我国也在科技伦理问题上通过国际组织积极表态，增强国际影响力和话语权，防止在科技伦理问题上陷入被动。六、人工智能产业投资热度仍在——融资向中后期过渡，视觉赛道上市浪潮涌动人工智能产业一直是投资市场的热门领域，而最近的数据显示，这一趋势仍在持续。统计数据显示，Pre-A~A+轮人工智能产业创投轮次数量最多，但整体而言，Pre-B~B轮+及以后轮次的人工智能产业创投数量逐渐成长，资本流向稳定发展企业，融资逐渐向中后期过渡。此外，视觉赛道上市浪潮也在涌动，商汤科技、格灵深瞳、云从科技、创新奇智等企业都已实现上市目标。虽然2022年我国人工智能产业资本市场投资金额整体缩水，但投资标的更加丰富，孵化出AIGC、元宇宙、虚拟数字人等新投资赛道，认知与决策智能类企业也吸引更多关注，智能机器人、自动驾驶两类无人系统是融资的热门赛道。七、区域与独角兽企业融资分布特点——北上广与江浙地带融资密度高；独角兽企业聚集于自动驾驶、医疗、工业、芯片赛道从区域分布看，统计时间内融资事件集中分布于北上广、江浙地带。北京的融资事件密度最高，融资事件数量占全国的31.1%。除北上广、江浙地带以外区域融资密度较低且分散，相应融资事件数量占全国不超过10%。这可能是因为北上广、江浙地带人工智能人才密集、具备产业园区进行产学研成果转化、风投机构密布等因素，为孵化创投项目提供了有利条件。从独角兽企业融资情况看，统计时间内独角兽企业占比6.7%，但对应的融资金额比例高达32.3%。独角兽融资事件集中分布于自动驾驶、医疗、工业、芯片行业赛道，分别孵化出L3及以上智能驾驶解决方案、AIDD药物研发服务、工业机器人、云端大规模训练或端侧推理芯片等产品或服务。随着市场资金向独角兽企业持续流入，AI产业未来或将逐步出现一批明星上市企业。八、人工智能产业市场规模——2022年市场平稳向好，市场规模近2000亿元根据艾瑞的定义，我国人工智能产业规模涵盖AI应用软件、硬件及服务，主要包括AI芯片、智能机器人（商用）、AI基础数据服务、面向AI的数据治理、计算机视觉、智能语音与人机交互、机器学习、知识图谱和自然语言处理等核心产业。预计到2022年，中国人工智能产业规模将达到1958亿元，年增长率为7.8%，整体平稳向好。2022年的业务增长主要依靠智算中心建设以及大模型训练等应用需求拉动的AI芯片市场、无接触服务需求拉动的智能机器人及对话式AI市场，除此之外的增长动力将在第三章详细阐述。目前，中国大型企业基本都已在持续规划投入实施人工智能项目，未来随着中小型企业的普遍尝试和大型企业的稳健部署，在AI成为数字经济时代核心生产力的背景下，AI芯片、自动驾驶及车联网视觉解决方案、智能机器人、智能制造、决策智能应用等细分领域增长强劲。预计到2027年，人工智能产业整体规模可达6122亿元，2022-2027年的相关CAGR为25.6%。人工智能的底层基础一、AI芯片1、AI芯片针对机器学习算法设计开发，广泛应用于云、边、端各类场景AI芯片(AI Chip)是一种专门用于处理人工智能相关的计算任务的芯片。它的架构是专门为人工智能算法和应用进行优化的，能够高效地处理大量结构化和非结构化数据。AI芯片能够高效地支持视觉、语音、自然语言处理等智能处理任务。目前，AI芯片主要分为GPU、FPGA、TPU、IPU、DPU、NPU等类型。AI芯片广泛应用于云端、边缘端、终端等各种场景。云端AI芯片具有高性能特征，终端AI芯片具有低功耗和高能效特性，而边缘端AI芯片的性能介于云端和终端之间。2、AI芯片性能指标评价评价AI芯片性能需重点关注TOPS/W、时延、功耗等相关指标 目前，评价AI芯片性能的指标主要包括TOPS、TOPS/W、时延、成本、功耗、可扩展性、精度、适用性、吞吐量和热管理等。其中，TOPS/W是用于度量在1W功耗的情况下，芯片能进行多少万亿次操作的关键指标。近年来，MIT、Nvidia等研发人员开发了专门的芯片软件评价工具，如Accelergy（评估芯片架构级能耗）和Timeloop（评估芯片运算执行情况），对于AI芯片的性能做出了系统、全面评价。此外，MLPerf是由来自学术界、研究实验室和相关行业的AI领导者组成的联盟，旨在“构建公平和有用的基准测试”，可用于衡量深度学习软件框架、AI芯片和云平台性能。3、AI芯片：云端场景数据中心1）GPU具备矩阵和大规模并行计算优势，适合数据中心场景CPU是一种通用处理器，它由控制单元（负责指令读取和指令译码）、存储单元（包括CPU片内缓存和寄存器）以及运算单元（ALU约占20%CPU空间）三个主要模块组成。然而，由于成本、功耗、技术难度和算力瓶颈等问题的限制，目前还没有出现适用于AI高算力要求的主流CPU产品。相比之下，GPU是一种由大量核心组成的大规模并行计算架构，它具有较多的运算单元（ALU）和较少的缓存（cache），是专门为同时处理多重任务而设计的芯片。GPU拥有良好的矩阵计算能力和并行计算优势，能够满足深度学习等AI算法的处理需求，因此成为主流云端AI芯片。2）张量计算单元是GPU进行深度学习运算的核心组成部分英伟达A100芯片是一种并发多核处理器，由多个SM单元(Streaming Multiprocessors，流式多处理器)构成。不同的SM单元共享L2 Cache存储资源，以便进行数据访问。该芯片采用安培架构，拥有128个SM核，其中SM结构是芯片架构升级的核心。此外，英伟达GPU架构中还设置了Tensor Core，这是专为深度学习矩阵运算设计的张量计算单元，也是英伟达GPU系列深度学习运算加速的核心。Tensor Core主要处理大型矩阵运算，执行一种专门的矩阵数学运算，适用于深度学习和某些类型的高性能计算。其功能是执行融合乘法和加法的运算，其中两个4*4 FP16矩阵相乘，然后将结果添加到4*4 FP32或FP64矩阵中，最终输出新的4*4 FP32或FP64矩阵。4、边缘端场景—AIoT。边缘端集成AI芯片可以实现本地化数据的实时处理 AIoT是一种融合了人工智能和物联网技术的新型智能化系统，它可以实现万物智联，涉及到安防、移动互联网等多种场景。在智慧安防方面，由于终端摄像头每天产生大量的视频数据，若全部回传到云数据中心将会对网络带宽和数据中心资源造成极大占用。为了解决这个问题，可以在终端加装AI芯片，实现数据本地化实时处理，即仅将经过结构化处理、关键信息提取后带有关键信息的数据回传云端，从而大大降低网络传输带宽压力。目前，主流解决方案是在前端摄像头设备内集成AI芯片，在边缘端采用智能服务器级产品，后端在边缘服务器中集成智能推理芯片。为了推动这项技术的发展，国内外企业正在加大对边缘端AI视觉处理芯片的研发和投入，相关芯片产品如英伟达Jetson AGX Xavier、地平线旭日3、华为海思Hi3559A V100等。5、终端场景—智能驾驶。随着智能驾驶等级的提高，技术不断迭代促使车用AI芯片性能逐步增强SAE（国际自动机工程师学会）将自动驾驶分为六个级别，从L0（非自动化）到L5（完全自动化）。每一级别需要强大的算力进行实时分析、处理大量数据和执行复杂的逻辑运算，对计算能力有着极高的要求。L1（驾驶员辅助）和L2（部分自动化）需要的计算能力相对较低，而L3（有条件自动化）需要约250TOPS的计算能力，L4（高度自动化）需要超过500TOPS，L5（全场景自动驾驶）需要超过1,000TOPS。随着芯片设计和制造工艺的提高，车用AI芯片正朝着高算力、低功耗的方向发展。6、终端场景—智能驾驶。预计到2025年，全球车用AI芯片市场规模将突破17亿美元 随着汽车控制方式逐渐由机械式转向电子式，每辆汽车对车用AI芯片需求提升，带动车用AI芯片长期发展。据市场研究机构Yole预测，到2025年，全球车用AI芯片产量将达到67.19亿颗，市场规模将达到17.76亿美元，年复合增速分别达到99.28%和59.27%。此外，车用AI芯片逐渐往高能效方向发展。例如，英特尔计划于2022年推出EyeQ Ultra自动驾驶汽车芯片，该芯片基于经过验证的Mobileye EyeQ架构而打造，含有8个PMA、16个VMP、24个MPC、2个CNN Accelerator视觉处理单元（VPU），通过优化算力和效能以达到176TOPS，可满足L4自动驾驶场景。该产品将于2023年底供货，预计在2025年全面实现车规级量产。7、终端场景—消费电子。2026年全球消费电子AI芯片市场规模将突破55亿美元AI芯片在图像识别、语音识别和快速建立用户画像等方面具有重要作用。根 据Yole预测，2026年全球消费电子AI芯片市场规模将达到55.8亿美元，其中笔记本电脑、平板电脑和智能手机AI芯片渗透率将分别达到100%、100%和91%， 未来全球消费电子AI芯片市场规模和渗透率呈现逐步增长态势。二、深度学习开源框架深度学习开源框架是一种标准接口、特性库和工具包，用于设计、训练和验证AI算法模型。它们集成了数据调用、算法封装和计算资源的使用，是AI开发的重要工具。目前，国际上广泛使用的深度学习开源框架包括Google TensorFlow、Facebook PyTorch、Amazon MXNet和微软CNTK等。在中国，也有一些深度学习开源框架，如百度PaddlePaddle、华为MindSpore等。这些框架已经初步应用于工业、服务业等场景，服务200余万开发者。三、数据服务以AI训练与调优为目的，涉及数据采集、标注与质检等环节人工智能数据服务是指提供数据库设计、数据采集、数据清洗、数据标注和数据质检等服务，以满足客户的需求。这个服务流程是围绕客户需求展开的，最终产出的产品是数据集和数据资源定制服务，为AI模型训练提供可靠、可用的数据。随着短视频、直播、社交电商等应用的快速兴起，全球数据量也在快速增长。根据IDC的预测，全球数据量将从2015年的9ZB增加到2025年的175ZB，这为人工智能技术的持续迭代提供了重要的底层基础。四、云计算服务显著降低人工智能算法开发成本，缩短产品开发周期由于人工智能的开发和应用对于算力和数据有较大需求，云计算服务可以为开发者提供智能服务器集群等强大算力设施的租用。同时，云计算服务还可以直接提供已经训练好的人工智能功能模块等产品，通过多元化的服务模式，降低开发者的开发成本和产品开发周期，为客户提供AI赋能。例如，亚马逊SageMaker可以提供图片/图像分析、语音处理、自然语言理解等相关服务。使用者无需了解参数和算法即可实现功能的应用。随着底层技术的发展，IBM推出深度学习即服务（DLaaS），借助此项服务用户可以使用主流框架来训练神经网络，如TensorFlow、PyTorch及Caffe。用户无需购买和维护成本高昂的硬件，每一个云计算处理单元都遵循简单易用的原则而设置，无需用户对基础设施进行管理。用户可以根据支持的深度学习框架、神经网络模型、训练数据、成本约束等条件进行挑选，然后DLaaS服务会帮助完成其余的事情，提供交互式、可迭代的训练体验。人工智能的核心技术机器学习作为人工智能技术的核心，近年来实现了明显的突破。它与计算机视觉、自然语言处理、语音处理和知识图谱等关键技术紧密结合，相关机器学习算法主要应用于图像分类、语音识别、文本分类等相关场景中。这些应用场景的不断发展和完善，不仅提升了人工智能技术的整体应用效果，也使得人工智能技术在金融、医疗、交通等各领域实现了广泛的应用。一、机器学习机器学习是实现人工智能的核心方法，专门研究计算机如何模拟/实现生物体的学习行为，获取新的知识技能，利用经验来改善特定算法的性能。根据学习范式的不同，机器学习可划分为有监督学习、无监督学习、强化学习三类。有监督学习是指通过给计算机提供标注数据，让计算机学习如何将输入映射到输出的过程。无监督学习则是指在没有标注数据的情况下，让计算机自行学习数据的特征和结构。强化学习则是通过让计算机在与环境的交互中不断试错，从而学习如何最大化奖励的过程。深度学习是机器学习算法的一种，具有多层神经网络结构，其在图像识别、语音处理等领域取得了划时代的成果。1、有监督学习：从有标注训练数据中推导出预测函数 有监督学习是机器学习任务的一种类型，其目的是从给定的训练数据集中学习出一个函数（模型参数），以便在新的数据到来时，能够根据该函数预测结果。训练集中包括输入和输出，也称为特征和目标，其中目标是由人工标注的。有监督学习的过程一般包括确定训练类型、收集训练集、确定特征提取方法、选择算法、训练算法、评估准确性六个环节。通过已有的训练样本去训练得到一个最优模型，再利用该模型将所有的输入映射为相应的输出，从而实现分类目的。1）逻辑回归逻辑回归是一种用于学习某事件发生概率的算法，它可以对某个事件的发生或不发生进行二元分类。逻辑回归使用 Sigmoid 函数来输出结果，其输出结果的范围在 [0,1] 之间。逻辑回归的主要目标是发现特征与特定结果可能性之间的联系。例如，我们可以使用逻辑回归来根据学习时长来预测学生是否通过考试，其中响应变量为“通过”和“未通过”考试。2）支持向量机：以间隔最大化为基准学习远离数据的决策边界支持向量机（Support Vector Machine，SVM）是一种基于间隔最大化的决策边界算法。其主要目的是学习一个尽可能远离数据的决策边界，以确保分类的准确性。在SVM中，支持向量是决策边界的重要数据点，其位置对于分类结果具有重要的影响。当训练样本线性可分时，SVM采用硬间隔最大化的方法学习线性可分支持向量机；当训练样本近似线性可分时，SVM采用软间隔最大化的方法学习线性支持向量机。在解决线性不可分问题时，SVM引入核函数，将数据映射到另一个特征空间，然后进行线性回归。通过采用核方法的支持向量机，原本线性不可分的数据在特征空间内变为线性可分，从而实现了分类的准确性。3）决策树：以树结构形式表达的预测分析模型决策树是一种树状结构，用于对数据进行划分。它通过一系列决策（选择）来划分数据，类似于针对一系列问题进行选择。一棵决策树通常包含一个根节点、若干个内部节点和若干个叶节点。每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树的生成是一个递归过程。在决策树基本算法中，有三种情况会导致递归返回： 当前节点包含的样本全属于同一类别，无需划分。当前属性集为空或是所有样本在所有属性上取值相同，无法划分。当前节点包含的样本集合为空，不能划分。这些情况都是决策树生成过程中的终止条件。4）随机森林：利用多决策树模型，提高模型预测精度随机森林是一种分类器，它利用多棵决策树对样本进行训练和预测。在随机森林算法中，每个决策树的输出被收集起来，通过多数表决的方式得到最终的分类结果。这种方法类似于找人商量事情，不只听一个人的意见，而是在听取多人意见后综合判断。随机森林的每棵树都是通过以下步骤生成的：从训练集中随机且有放回地抽取N个训练样本，作为该树的训练集，重复K次，生成K组训练样本集；从M个特征中随机选取m个特征，其中m<<M；利用m个特征实现每棵树最大程度的生长，并且没有剪枝过程。这种方法可以有效地避免过拟合问题，并且在处理大型数据集时表现良好。5）朴素贝叶斯是常用于自然语言分类问题的算法朴素贝叶斯是一种基于概率进行预测的算法，主要用于分类问题。在实践中，它被广泛应用于文本分类和垃圾邮件判定等自然语言处理领域。具体来说，该算法通过计算数据为某个标签的概率，将其分类为概率值最大的标签。例如，假设训练数据类别为电影（包括那部让人感动的电影名作重映、华丽的动作电影首映和复映的名作感动了世界），训练数据类别为宇宙（包括沙尘暴笼罩着火星、火星探测终于重新开始和VR中看到的火星沙尘暴让人感动），而验证数据为“复映的动作电影名作让人感动”。在这种情况下，朴素贝叶斯算法将通过计算“复映的动作电影名作让人感动”属于电影或宇宙的概率，来判断该数据属于哪个类别。以下为朴素贝叶斯算法过程：2、无监督学习：对无标签样本进行学习揭示数据内在规律无监督学习是一种机器学习方法，其主要目的是在没有标记的训练数据的情况下生成模型。这种方法通常用于缺乏足够的先验知识难以进行人工标注类别或进行人工类别标注成本高的情况下。无监督学习的目标是通过对无标签样本的学习来揭示数据的内在特性及规律。该方法主要涉及聚类和降维问题。聚类问题包括K-means聚类、概念聚类、模糊聚类等算法，其目标是为数据点分组，使得不同聚类中的数据点不相似，同一聚类中的数据点则是相似的。降维问题主要是主成分分析、线性判别分析、多维尺度分析等算法，其中主成分分析将数据中存在的空间重映射成一个更加紧凑的空间，此种变换后的维度比原来维度更小。无监督学习适用于发现异常数据、用户类别划分、推荐系统等场景。1）策略梯度：有效处理高维及连续动作空间问题策略梯度（Policy Gradient,PG）是一种基于策略优化的强化学习算法。在强化学习中，机器通过判断在特定状态下采取不同动作所得环境回报大小来评价采取该动作的优劣。PG的核心思想是，当一个动作的环境回报较大时，增加其被选择的概率；反之，减少该动作被选择的概率。每个动作选择概率由神经网络决定，以参数化神经网络表示策略（记为𝜋𝜃）。通过调整参数𝜃，使总体回报期望值最大化，从而实现最优策略的学习。最大化问题可转化为求取回报函数关于参数𝜃的梯度，一般使用梯度上升算法，即为策略梯度算法。为提高算法的收敛性和效率，通常采取引入基线（baseline）、修改因果关系（当前策略不影响该时间点之前的回报）和引入回报权重等方式。2）时序差分学习：结合蒙特卡罗方法与动态规划特点，提升策略优化速度 时序差分学习（Temporal Difference,TD）是一种无需具体环境模型，可直接从经验中学习的方法。它结合了动态规划和蒙特卡罗方法的优点，能够在每执行一步策略后即进行Q函数更新，而不必等到完成一个采样轨迹后才进行更新。根据算法中采样策略和更新Q值策略是否相同，TD学习可分为同策略算法（on-policy）和异策略算法（off-policy）。同策略代表算法为Sarsa，其行为策略和目标策略均为贪心策略；异策略代表算法为Q-Learning（或称SarsaMax），其行为策略为贪心策略，而目标策略为确定性策略。Sarsa收敛速度较快，但可能无法得到全局最优解；Q-Learning可找到全局最优解，但收敛速度较慢，因此需要根据具体问题选择合适的算法。3）深度Q网络：神经网络与Q-Learning结合，有效应对复杂状态空间 深度Q网络（Deep Q-network, DQN）是一种基于深度学习的Q-Learning算法，由Google DeepMind团队于2013年提出，并在2015年进一步完善。传统的强化学习算法（如动态规划、蒙特卡罗方法、时序差分学习等）的状态均为离散、有限的，并使用查找表存储状态价值或Q函数。然而，现实生活中的状态多为连续的，即使离散化后状态空间（系统全部可能状态的集合）仍十分庞大，因而产生内存不足、表格搜索耗时过长等问题。DQN则通过DNN、CNN或RNN等神经网络对价值函数做近似表示，利用经验回放方式替代查找表，令最终结果无限逼近全局最优解，有效解决Q-Learning状态空间有限问题。4）Actor-Critic算法：综合策略梯度与Q-Learning优势，提高学习效率和准确性Actor-Critic算法（AC）是一种强化学习算法，也被称为“演员-评论家”算法。它由两个神经网络组成：策略网络Actor和评价网络Critic。Actor使用基于策略优化的算法，如策略梯度，来决定在当前状态下采取何种动作。Critic使用基于值优化的算法，如Q-Learning，对Actor所选动作进行评分，Actor根据Critic评分改进动作选择概率。AC算法结合了策略梯度和Q-Learning算法的优点，既可以做到单步更新，又可以扩展至连续状态空间，提高策略更新效率同时解决高偏差问题。目前，AC算法已经发展出了Advantage Actor-Critic（A2C）以及Asynchronous advantage Actor-Critic（A3C）等改进型，进一步提高了策略准确性，降低了内存需求。3、迁移学习：将知识由源域迁移至目标域，提高机器学习效率 迁移学习（Transfer Learning, TL）是一种机器学习方法，其核心目标是将已训练好的模型参数迁移到新的模型来帮助新模型训练。这种方法可以将知识从源域迁移到目标域，让机器也可以做到“触类旁通”。迁移学习的主要优点是节省模型训练时间，且在目标域训练数据不足时，模型仍能取得较好的性能。迁移学习的训练框架可以概括为：1）选择源模型，从可用模型中挑选出预训练模型；2）重用模型，在目标域中使用源模型进行训练；3）调整模型。模型可以在目标数据集中对输入-输出进行选择性微调，以让其适应目标任务。实现迁移学习的方式主要包括样本迁移、特征迁移、模型迁移。目前，迁移学习主要应用在计算机视觉、自然语言处理等领域。4、联邦学习：以分布式机器学习方式，有效化解信息孤岛问题 联邦学习（Federated Learning,FL）是由Google公司首次提出的一种学习机制，它允许多个数据持有方协同训练模型，而不需要共享数据，仅在中间阶段交换训练参数。根据数据分布情况，联邦学习可分为横向联邦学习、纵向联邦学习和联邦迁移学习。联邦学习的基本流程包括：1）客户端从服务器下载全局模型；2）训练本地数据得到本地模型；3）上传模型更新信息；4）中心服务器加权聚合本地模型，得到更新后的全局模型。通过多次迭代，联邦学习可以得到趋近于集中式机器学习结果的模型。联邦学习是一项新兴技术，在物联网、智慧医疗、金融风控、智慧城市等领域都有广阔的应用前景。二、深度学习1、神经网络：具有适应性简单单元组成的广泛并行互联网络 神经网络是一种由数千甚至数百万个紧密互连的简单处理节点组成的模型。它主要包括输入层、中间层/隐藏层和输出层。输入层接收输入数据，中间层使用非线性函数对输入数据进行计算，输出层使用非线性函数对中间层数据进行计算，最终输出结果。神经网络可以用于回归，但主要应用于分类问题。通过设置中间层的数量和层的深度，神经网络可以学习更复杂的边界特征，从而得出更加准确的结果。2、卷积神经网络：以图像识别为核心的深度学习算法卷积神经网络（Convolutional Neural Network,CNN）是一种由数千甚至数百万个紧密互连的简单处理节点组成的神经网络结构，主要用于处理图片、视频等类型数据。该网络结构主要包括输入层、卷积层、池化层、全连接层和输出层。早在1980年，日本科学家福岛邦彦就提出了一个包含卷积层、池化层的神经网络结构。随后，Yann Lecun将BP算法应用到该神经网络结构的训练上，形成了当代卷积神经网络的雏形。在1998年，Yann LeCun及其合作者构建了更加完备的卷积神经网络LeNet-5，并在手写数字的识别问题中取得了成功。此外，1998年Wei Zhang提出了第一个二维卷积神经网络：平移不变人工神经网络（SIANN），并将其应用于检测医学影像。卷积层、池化层、全连接层和输出层是卷积神经网络中的四个主要组成部分。在卷积层中，输入的图片会被转化成RGB对应的数字，并通过卷积核进行卷积操作，以提取输入中的主要特征。池化层的作用是压缩特征映射图尺寸，从而降低后续网络处理的负载。全连接层计算激活值，并通过激活函数计算各单元输出值，常用的激活函数包括Sigmoid、tanh、ReLU等。输出层使用似然函数计算各类别似然概率。3、循环神经网络：用于处理序列数据的神经网络循环神经网络（Recurrent Neural Network, RNN）是一种神经网络，其输入为序列数据，例如时间序列数据、信息性字符串或对话等。该网络在序列的演进方向进行递归，并通过链式连接所有节点（循环单元）。RNN在语言建模和文本生成、机器翻译、语音识别、生成图像描述和视频标记等领域得到广泛应用。4、图神经网络：用于处理图结构数据的神经网络图神经网络（Graph Neural Networks，GNN）是一种将图数据和神经网络进行结合的新型机器学习方法。它能够在图数据上进行端对端的计算，具备端对端学习、擅长推理、可解释性强的特点。目前，图神经网络已经发展出多个分支，主要包括图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络等。图神经网络的训练框架如下：首先，每个节点获取其相邻节点的所有特征信息，将聚合函数（如求和或取平均）应用于这些信息。聚合函数的选择必须不受节点顺序和排列的影响。之后，将前一步得到的向量传入一个神经网络层（通常是乘以某个矩阵），然后使用非线性激活函数（如ReLU）来获得新的向量表示。图神经网络在许多领域的实际应用中都展现出强大的表达能力和预测能力。例如，在物理仿真、科学研究、生物医药、金融风控等领域，图神经网络已经被广泛应用。它不仅能够对图数据进行分类、回归和聚类等任务，还能够进行图生成、图表示学习和图推理等任务。因此，图神经网络被认为是一种非常有前途的机器学习方法。5、长短期记忆神经网络：在RNN中加入门控机制，解决梯度消失问题长短期记忆神经网络（Long Short-Term Memory，LSTM）是一种特殊的循环神经网络（RNN），它可以有效地解决传统RNN在训练中出现的“长期依赖”问题。在训练时间加长和层数增多的情况下，传统RNN很容易出现梯度爆炸或梯度消失问题，导致无法处理长序列数据。LSTM由状态单元、输入门、遗忘门和输出门组成，通过这些门的控制，可以实现长期记忆与短期记忆的结合，从而达到序列学习的目的。LSTM的应用领域非常广泛，包括文本生成、机器翻译、语音识别、生成图像描述和视频标记等。6、自编码器：通过期望输出等同于输入样本的过程，实现对输入样本抽象特征学习 典型深度无监督学习模型包括自编码器、受限波尔兹曼机与生成对抗网络。自编码器（Autoencoder,AE）是一种神经网络模型，由编码器和解码器两部分组成。编码器将高维输入样本映射到低维抽象表示，实现样本压缩和降维；解码器将抽象表示转换为期望输出，实现输入样本的复现。自编码器的输入和期望输出均为无标签样本，隐藏层输出则作为样本的抽象特征表示。自编码器通过最小化输入样本与重构样本之间的误差来获取输入样本的抽象特征表示，但无法保证自编码器提取到样本的本质特征。为避免这个问题，需要对自编码器添加约束或修改网络结构，进而产生稀疏自编码器、去噪自编码器、收缩自编码器等改进算法。自编码器凭借其优异的特征提取能力，主要应用于目标识别、文本分类、图像重建等领域。7、生成对抗网络：通过对抗训练机制使得生成器生成以假乱真的样本生成对抗网络（GAN）是一种通过对抗训练机制对两个神经网络进行训练的方法，以避免反复应用马尔可夫链学习机制带来的配分函数计算，从而明显提高应用效率。GAN包含一组相互对抗的模型，即判别器和生成器。判别器的目的是正确区分真实数据和生成数据，使得判别准确率最大化；而生成器则是尽可能逼近真实数据的潜在分布。类比于造假钞的人和警察的博弈，生成器类似于造假钞的人，其制造出以假乱真的假钞；而判别器则类似于警察，尽可能鉴别出假钞。在这个博弈中，双方不断提升各自的能力，以达到更高的准确率和更逼真的生成数据。三、计算机视觉1、U-Net：在有限数据集图像分割方面独具优势U-Net是一种由Olaf Ronneberger、Philipp Fischer等人于2015年首次提出的神经网络结构，最初应用于医学图像分割领域。该网络结构可视化的结果形如字母“U”，由左侧的收缩路径和右侧的扩展路径两部分组成。相较于传统模型，U-Net在架构和基于像素的图像分割方面更具优势，且在有限数据集图像上更加有效。在生物医学图像领域，U-Net通过弹性变形方法帮助扩充数据集，从而提高学习效果。此外，U-Net在卫星图像遥感和无人驾驶系统等相关领域也有应用。因此，图像分割不仅限于医学图像领域，其在其他领域也有广泛的应用。2、R-CNN：基于深度学习模型的目标检测算法目标检测算法主要分为两类：R-CNN和Yolo。R-CNN（Region-CNN）最早将深度学习应用在目标检测任务中。目标检测任务是计算机视觉中的重要组成部分，其在人脸识别、自动驾驶等领域有着广泛应用。传统目标检测方法大多以图像识别为基础，在图片上使用穷举法选出所有物体可能出现的区域框，对这些区域框提取特征并使用图像识别方法分类，得到所有分类成功的区域后，通过非极大值抑制算法得到输出结果。R-CNN遵循传统目标检测的思路，但在提取特征这一步，将传统特征换成深度卷积网络提取的特征。虽然R-CNN准确度高，但速度慢。相比之下，Yolo算法速度快但准确性相对低。3、Yolo：采用CNN模型实现端到端的目标检测算法 以往的目标检测算法通常采用滑动窗口的方式，将检测问题转化为图像分类问题，但存在计算量过大等弊端。为了解决这个问题，Yolo算法应运而生。Yolo算法直接将原始图片分割成互不重合的小方块，然后通过卷积产生特征图。具体而言，Yolo算法采用单独的CNN模型实现端到端的目标检测，包含24个卷积层和2个全连接层。卷积层主要使用1x1卷积来做通道缩减，然后紧跟3x3卷积。卷积层和全连接层采用Leaky ReLU激活函数，最后一层采用线性激活函数。Yolo算法的优点在于采用CNN实现检测，训练和预测都是端到端过程，因此该算法比较简洁且速度快。同时，由于Yolo是对整张图片做卷积，因此在检测目标时拥有更大的视野且不容易对背景误判。然而，Yolo算法的缺点是其在物体的宽高比方面泛化率相对较低，无法定位不寻常比例的物体。四、自然语言处理1、自然语言处理：用于分析、理解和生成自然语言，便于人机间交流自然语言处理（NLP）是一种通过对词、句子、篇章进行分析，理解其中的人物、时间、地点等内容，从而支持一系列核心技术的技术。这些技术包括跨语言的翻译、问答系统、阅读理解、知识图谱等，可以应用于搜索引擎、客服、金融、新闻等领域。例如，在机器翻译中，输入的源语言句子经过词法和句法分析得到句法树，然后通过转换规则将源语言句子句法树进行转换，生成目标语言的句法树，最后得到目标语言句子。2、Word2Vec：以分布式方法表示词向量，有效降低维度，丰富词语间关系Word2Vec，即Word to Vector，是一种高效的词向量训练模型，由Google团队Tomas Mikolov等人于2013年提出。在自然语言处理任务中，需要将单词或词语转化为数值向量（词向量）以供计算机识别，这一过程称为词嵌入。早期的One-Hot编码方法简单易懂、有较好的鲁棒性，但存在维度爆炸问题，且无法表示词语相关关系。Word2Vec使用分布式词向量表示方法，有效降低词向量维度，丰富单词间关系。Word2Vec主要使用CBOW（连续词袋）模型和Skip-Gram（跳词）模型两种预测方法。前者根据上下文预测当前词，适用于小语库；后者根据当前词预测上下文，在大型语料库中表现更好。3、Seq2Seq：基于循环神经网络输出非固定长度语句 Seq2Seq（Sequence to Sequence）是一种神经网络模型，由Google Brain和Yoshua Bengio团队在2014年分别独立提出。它的主要应用场景是解决机器翻译任务中输出语句长度不确定的问题。Seq2Seq模型基于RNN或LSTM等神经网络算法，由编码器（Encoder）和解码器（Decoder）两部分构成。编码器负责将输入序列压缩为指定长度的语义向量，而解码器则根据语义向量生成指定序列。这种模型可以实现序列信号转化为无固定长度序列输出，而传统的RNN只能将序列信号转化为固定长度序列输出。除了机器翻译，Seq2Seq还被应用于文本摘要、图像描述文本生成、语音识别等场景。4、门控卷积神经网络：应用于语言建模，以并行计算方式加速学习过程门控卷积神经网络（Gated Convolutional Neural Networks）：由Facebook团队Yann等人在2016年提出，使用基于门控机制的卷积神 经网络处理语言建模问题。与循环神经网络（RNN）相比，门控卷积神经网络可实现并行计算，有效缩短运行时长。由于卷积神经网络 不存在梯度消失问题，因而门控卷积神经网络中的门控机制更加简化，仅需保留输出门用于判定信息是否传递至下一层，可实现更高精 度及更快收敛速度。目前，门控卷积神经网络模型已被应用于光学字符识别（OCR）、机器阅读理解等多个领域。五、语音处理1、语音识别：将语音自动转换为文字的过程语音识别（Speech Recognition,SR）是将语音自动转换为文字的过程，目的是将语音信号转变为计算机可读的文本字符或命令。动态规划匹配方法是最具代表性的研究成果之一，该方法能够将输入语音与样本语音的各自特征，按时间轴进行伸缩、匹配。随着时间的推移，基于隐马尔可夫模型的统计建模方法逐渐取代了基于模版匹配的方法，基于高斯混合模型-隐马尔可夫模型的混合声学建模技术推动语音识别技术的蓬勃发展。到21世纪初，深度学习技术在语音识别中发挥重要作用，使语音识别的研究获得突破性进展。语音识别技术主要包括特征提取、模式匹配和模型训练三个方面。特征提取是将语音信号转化为计算机能够处理的语音特征向量，常用的特征参数有基音周期、共振峰、短时平均能量或幅度等；模式匹配是根据一定的准则，使未知模式与模型库中的某一个模型获得最佳匹配的过程；模型训练是提取语音库中语音样本的特征参数作为训练数据，合理设置模型参数初始值，对模型参数进行重估，使识别系统具有更佳的识别效果。2、基于深度神经网络-隐马尔可夫模型的声学模型成为主流声学建模技术声学模型承载着声学特征与建模单元之间的映射关系，其中建模单元包括音素、音节、词语等，其单元粒度依次增加。然而，若采用词语作为建模单元，每个词语的长度不等，导致声学建模缺少灵活性，很难充分训练基于词语的模型。相比之下，词语中包含的音素是确定且有限的，利用大量的训练数据可以充分训练基于音素的模型。因此，目前大多数声学模型一般采用音素作为建模单元。混合声学模型是比较经典的声学模型，通常可以分为两种：基于高斯混合模型-隐马尔可夫模型的声学模型和基于深度神经网络-隐马尔可夫模型的声学模型。后者具有两方面优势：一是深度神经网络能利用语音特征的上下文信息；二是深度神经网络能学习非线性的更高层次特征表达。因此，基于深度神经网络-隐马尔可夫模型的声学模型已成为目前主流的声学建模技术。3、语音合成：将任意输入的文本转换成自然流畅的语音输出语音合成（Text To Speech, TTS）是一种将文本转换为语音的技术，赋予机器像人一样自如说话的能力，是人机语音交互中重要的一环。语音合成系统分为文本前端和声学后端两个部分。文本前端主要负责在语言层、语法层、语义层对输入文本进行预处理，如为文本添加韵律信息，并将文本词面转化为语言学特征序列。声学后端可以分为声学特征生成网络和声码器。声学特征生成网络根据文本前端输出的信息产生声学特征。声码器利用频谱等声学特征，生成语音样本点并重建时域波形。近年来出现的端到端语音合成系统则将声学后端合并为一个整体，可直接将语言学特征序列，甚至字符直接合成语音。目前，语音合成技术已经广泛应用于银行、医院信息播报系统、自动应答呼叫中心等领域。这些应用场景需要机器能够快速、准确地将大量的文本信息转化为语音，以提供更好的用户体验。随着技术的不断发展，语音合成系统的语音质量和性能也在不断提高，未来将会有更多的应用场景涌现。六、知识图谱：利用图模型来描述知识和建模万物关系的语义网络 知识图谱是一种结构化描述客观世界中概念、实体之间关系的方式，旨在提高搜索引擎的能力，提高用户搜索质量，改善用户搜索体验。其最常见的表示形式是RDF（三元组），即“实体x关系x另一实体”或“实体x属性x属性值”集合，其中节点代表实体或概念，边代表实体/概念之间的各种语义关系。知识图谱的构建过程旨在让计算机更好地理解各行业领域信息，使其具备人的认知能力。基本构建流程包括知识抽取（如实体抽取、关系抽取）、知识融合（如数据整合、实体对齐）、知识加工（如知识推理）等。由于图数据相对于传统的关系型数据具有更强大的表达能力，善于处理大量、复杂、互联、多变的网状数据，因此图数据的计算与推理逐渐成为知识图谱的重要研究任务之一。人工智能产业企业案例一、格灵深瞳1、以三维视觉技术为核心，致力开发高价值AI应用场景格灵深瞳成立于2013年，专注于人工智能领域，致力于将先进的计算机视觉、大数据分析、机器人和人机交互技术与应用场景深度融合，以“让计算机看懂世界，让AI造福人类”为愿景，为智慧金融、体育健康、轨交运维、城市管理、商业零售、元宇宙等领域提供人工智能产品及解决方案。格灵深瞳在三维计算机视觉技术方面处于行业头部水平，未来主要应用场景的人工智能产品均依托三维视觉技术，可实现对场景中人员位置和姿态、三维物体的精准检测和识别。2022年，格灵深瞳成功上市科创板，成为一家备受关注的人工智能赛道上市企业。2、轨交运维领域及体育健康领域解决方案展示格灵深瞳推出了两款智能解决方案，分别是列车智能检测解决方案和校园体育训练考试产品。列车智能检测解决方案由智能巡检机器人、车辆360动态图像监测系统和深瞳鹰眼列车智能检测系统组成。通过对列车各零部件的多维数据的高质量采集与智能分析，实现自动化的故障或缺陷检测，助力轨道交通更加的智慧高效。校园体育训练考试产品面向“教、练、考、赛”四大场景，对人员过程性数据进行采集分析，精准评估辅助决策，构建综合性学生体能提升路径。包括搭载视觉交互体能训练系统的体能训练交互屏、智能视觉训练考核分析服务、体育大数据分析平台等软硬件产品，助力智慧校园体育建设。二、百应科技百应科技是一家专注于对话式AI技术的产品服务商，致力于为客户提供全面的智能对话、语音和虚拟人等核心领域的全栈技术能力。我们推出了六大AI对话机器人应用，并根据政企客户在沟通运营方面的需求，提供了丰富的产品方案。我们已经深度布局金融、政务、零售三大行业，并在教育、电商、医美、家居等20多个行业领域为客户提供高易用性的场景化落地方案。三、94AI九四智能是一家成立于2018年的智能运营产品和服务提供商，以AI语音技术为核心，聚焦语音识别与合成、NLP、数据挖掘等关键技术。结合团队在多行业的精细化运营实操经验，为客户提供智能用户运营SaaS平台，应用于金融营销、催收、电商大促等多种用户运营场景。九四智能自主研发的语音半合成技术让AI语音流畅自然高度拟人，配合行业针对性话术策略，能有效提升业务效果。在人机交互方面，九四智能根据业务场景需要提供AI与人工相结合的解决方案及全套调度运营服务，赋能企业的智能化转型和业绩提升。目前，九四智能在金融、电商零售、教育、大健康、政府/事业单位等多个行业拥有众多客户。四、思必驰1、专注人性化语音交互，布局全链路对话式AI产品方案思必驰是一家专业的人工智能平台企业，致力于通过智能对话系统定制开发平台和人工智能语音芯片，提供软硬件结合的人工智能技术与产品服务，实现普适的智能人机信息交互。公司主要业务包括智能人机交互软件产品、软硬一体化人工智能产品以及对话式人工智能技术服务，覆盖智能家电、智能汽车、消费电子等物联网领域，以及数字政企类客户为主的生产、生活和社会治理领域（包括金融服务、交通物流、地产酒店、政务民生、医疗健康）等行业场景。2、深化车联网领域人机交互服务，推动汽车产业智能化升级思必驰是一家专注于车联网领域的企业，致力于为用户提供智能化交互服务，以大幅提升行车的安全性、便利性和娱乐性。同时，思必驰不断创新出行陪伴方式，推动汽车产业走向高端化和绿色化发展。该公司基于自研全链路语音交互技术，为两轮车和汽车前装、后装设备提供语音技术SDK、天琴车载语音助手（国内版/海外版）以及软硬一体化解决方案，以满足主机厂、车厂和Tier1厂商对语音交互的需求。此外，思必驰还提供场景化大数据运营服务能力，以推进车联网智能化升级。目前，思必驰已成功与哪吒汽车、小鹏汽车、理想汽车、北汽集团、一汽奔腾、上汽通用五菱、雅迪等企业合作，推出包括哪吒汽车V/U/S、小鹏汽车P7/P5/G3、理想汽车ONE/L7/L8/L9、宏光MINIEV系列、雅迪VFLY流星隼N系列等多款车型。五、中关村科金1、以对话式AI为技术底座，打造企业级AI应用场景，激发产业新动能中关村科金成立于2014年，总部位于北京，在上海、重庆、深圳、成都等地设有分支机构。作为对话式AI技术解决方案提供商，中关村科金是国家高新技术企业、中关村高新技术企业、北京市专精特新“小巨人”企业。公司坚持自主研发，在人工智能、大数据、实时音视频等前沿技术领域形成多项核心能力。其中，人脸识别、声纹识别等人工智能前沿技术成果屡获国际比赛大奖。中关村科金以“得助”系列智能产品为支撑，围绕智能营销、智能运营、智能分析、智慧能效等场景为企业打造端到端的场景解决方案体系，成功服务于金融、零售、教育、医疗、政务、智能制造等行业900余家头部企业的200多个应用场景，激发产业新动能。2、人机协同的会话式营销，助力企业业务价值全面提升中关村科金以对话式AI技术为核心，为企业提供全域营销解决方案。该解决方案依托人机协同的会话式营销，围绕客户全生命周期，打造具有数据认知能力、自动化执行能力的营销解决方案。通过预训练对话语言模型、知识中台、会话分析和流程挖掘等认知技术的加持，企业全域营销解决方案充分运用客户对话和行为数据，驱动引流获客、新客促转、存客复购、售后服务、需求挖掘和企业内部运营优化闭环，帮助企业实现持续增长。该解决方案已应用于金融、零售、政务、教育、医疗、汽车、快消等多个行业，助力企业业务价值全面提升。六、竹间智能1、运用NLP、知识工程与情感计算技术，服务企业数智化变革竹间智能是一家以NLP、知识工程与情感计算为核心的人工智能公司，凭借自主研发的差异化AI技术，创建了三大平台级产品——Sales AI、Service AI及Knowledge AI，为客户服务、销售、培训、企业内部服务、知识管理、数据分析、企业运营等丰富场景提供全方位的数智化转型解决方案。为了将AI能力快速且低成本地整合到客户业务中，竹间智能全力推动成熟产品上云，打造Emoti Cloud竹间云，提供一站式AI-as-a-Service产品服务。同时，竹间智能积极布局大语言模型与生成式AI领域，旨在通过大小模型的NLP双引擎驱动来加速技术升级、产品迭代和服务模式变革，以更强技术力及产品力推动企业数智化变革的深化开展。至今，竹间智能已服务数百家大客户，覆盖金融、企业服务、制造、零售、政务、能源、医药等多个行业领域。2、与某国内头部证券商强强联手，打造企业级服务操作系统竹间智能结合Emoti-X、Emoti-V和Gemini三大主力产品为基础，为某国内头部证券商成功打造贯穿企业内外部的智能化场景应用方案。该方案包括智能客服机器人、知识工程建设和RPA故障智能推荐解决方案等多个方面。首先，竹间智能为客户建设了智能客服机器人，提供智能知识辅助、培训、质检等服务，问题有效拦截率超过70%。同时，竹间智能将对话机器人渗透延伸到企业内部HR、运营、托管等部门机构，实现全方位的智能化服务。在知识工程建设方面，竹间智能基于Gemini认知知识平台，为客户提供结构化数据和非结构化数据的图谱构建能力，优化了企业RPA业务流程，实现RPA故障智能推荐解决方案。这些技术手段的应用，大大提高了企业的效率和智能化水平。未来，竹间智能将与客户展开更深入合作，在客服营销方面深入私域流量运营管理，在知识管理方面打造Gemini企业级知识工厂。通过认知智能实现数据的实时可见、风险提前预判和解决方案推荐，让AI大脑实现更多高价值业务场景的转型赋能。这将为客户带来更多的商业价值和竞争优势。七、第四范式1、SHIFT数字化转型平台与服务，支撑企业全方位数字化当前，企业数字化已经不仅仅是大数据建设和业务创新的试点，而是从战略、策略、执行和评价的全流程数字化。为此，第四范式运用智能决策技术，开发了端到端的企业级人工智能产品，推出SHIFT数字化转型咨询与服务，旨在解决企业智能化转型过程中面临的效率、成本、价值等问题。在战略数字化阶段，第四范式为企业提供数字化战略咨询服务，帮助企业识别核心竞争力指标；在策略数字化阶段，为企业构建科学策略决策体系，通过智能决策技术，基于实验、迭代、分而治之的科技运营体系方法，实现北极星指标体系中各个指标的优化迭代；在执行数字化阶段，围绕企业中各部门共识，制定各项指标的数据采集规则，构建一整套新的经营管理平台，并不断完善前置系统的布局情况；在评价数字化阶段，第四范式提供树状指标体系明确各部门工作重心及协同关系，通过适合的量化数值进行策略有效性评估，形成端到端数字化的系统以及人机协同的智能决策能力，构建了企业核心竞争优势。2、SHIFT全栈产品与服务，助力营销拓客与电力管理数字化在商业营销领域，第四范式基于北极星指标方法论，依托AI技术算法的融合机器学习、大规模运筹优化等技术，为来伊份公司提供智能供应链解决方案。该解决方案从品类规划、价盘管理、智能全网预测、补货和调拨等关键场景切入，根据时效优先、成本优先、最小包裹量等履约规则确定提升策略，通过反复实验、快速迭代提升策略的有效性，从而实现供应链体系的自动化智能决策。在能源领域，第四范式与健新科技（第四范式子公司）为桂冠电力公司提供智能数字化转型服务。利用数据支撑决策、驱动运营、优化创新，打造“数字桂冠”生态云平台，实现电厂无人化、平台生态化、业务数字化、运营智慧化，推动桂冠电力数字化转型升级。八、蜜度1、语言智能科技企业，为政企赋能增效提供数智化解决方案蜜度是一家专注于人工智能技术研究的企业，致力于为数字政府、数字营销、数字媒体、数字城市的建设提供全方位的语言智能应用产品和解决方案。在跨模态检索(CMR)、多语言校对(MLC)、计算机视觉(CV)、自然语言处理(NLP)、内容生成(AIGC)、知识图谱(KG)等前沿技术领域深耕十余年，针对当前海量多模态数据，蜜度发挥自身优势，打通多模态数据壁垒，自主研发MiduCMR、MiduMLC、MiduCV、MiduNLP、MiduAIGC、MiduKG六大语言智能能力引擎，构建智能检索、智能校对、智能生成三大核心应用，打造由11款跨领域多功能语言智能软件所组成的产品矩阵，为30000+家政企机构提供服务。在互联网跨模态信息检索和智能校对SaaS服务细分领域，2021年市场占有率超过15%，深度赋能企业和政府数字化、智能化转型升级。2、校对通：依托昇腾Atlas 200边缘计算，打造办公桌上的专属 智能校对产品蜜度校对通是一款智能校对工具，以中文语言特点和使用习惯为基础，结合行业先进的自然语言处理、知识图谱与图像识别等技术，实现中文文本错误和语义关系的自动发现与纠正处理。该工具基于百亿级训练语料，能够有效提高文本校对的效率和准确性。随着互联网信息规模的不断扩大，文本信息中产生错误和风险的概率也不断提高。为了满足智能化办公需求，蜜度联手华为昇腾，发布校对通AI-Box作为集软硬件为一体的本地化智能校对解决方案。该方案完整移植了SaaS版本检测功能，兼顾了检测类型、检测速度、检测精度和内容的隐私性。除了基础文字标点差错外，重点建设了时政内容安全模块，为涉密办公场景校对提供专属解决方案。九、数之联1、数据+AI算法+多场景应用，助力政企客户构建完整数智体系数之联成立于2012年，是一家专注于“智能制造”与“智慧城市”领域的大数据、AI解决方案提供商。凭借20多年的行业经验，数之联形成了成熟完善的数据治理、数据分析与可视化平台能力，以及自主可控的计算机视觉、数据挖掘、NLP等AI算法能力，构建了一体化云原生平台。同时，数之联还推出了面向工厂和政法机关各类场景的成熟解决方案，能够快速帮助客户搭建从底层数据到上层应用的全流程数智化体系。目前，数之联已经服务了京东方、四川省高级人民法院、国家电网等上百家政府、企事业单位。2、AI视觉质检—良率分析，打造闭环式解决方案目前，工业品质检主要采用人工和传统机器视觉两种方式。然而，人工质检不稳定、精度低，传统机器视觉质检准确率低，需要人工复检等问题导致工业质检成本居高不下，质检数据留存差，难以发挥作用。为了解决这些问题，数之联提出了AI工业视觉质检+良率分析一体化解决方案，能够实现图像采集、智能检测分类、复判到数据分析的全流程闭环。 该方案中，AI Camera是软硬一体的视觉检测分类产品，采用自主生产的AOI（自动光学检测）设备，配合自研的ADC缺陷识别与分类软件，内置多种针对性AI算法，能够实现在产线的在制、成品等状态的外观表面的毫秒级实时拍出、精确检测一体化，准确率达到99%以上，同时支持设备与产线改造两种部署方式。 在此基础上，数之联YMES良率分析系统通过对产线人、机、料、法、环、测、时各维度数据及具体case的综合分析，快速精准进行问题溯源，指导工厂有效改善良率。此外，数之联具备面板、家电、汽车、PCBA等多行业的know-how及工程化经验，能够针对客户个性需求提供定制服务的同时确保快速上线。十、中科闻歌1、构建2+N数据与决策智能产品体系，服务近千家政企客户中科闻歌是一家人工智能认知与决策智能平台型企业，专注于多模态（文本、图片、视频、语音）融合语义分析智能技术的研发。我们致力于构建具有自主知识产权的DIOS数据操作系统及决策智能引擎，以应对互联网数据指数级增长的挑战。随着半结构化数据（主要包括文本、图像、音频、视频）在互联网中的应用越来越广泛，多模态大数据分析技术市场潜力巨大。作为数据与决策智能服务商，中科闻歌依托多模态人工智能技术谱系，搭建了闻海数据操作系统和天湖决策智能引擎两大核心技术底座。我们面向媒体、金融、治理等细分领域，构建了2+N数据智能产品体系，为政企客户智能决策提供有利支撑。2、发力多模态大数据，深耕媒体、社会治理与金融领域 “泛媒体+多模态+大数据”技术将颠覆当前单一模型对应单一任务的人工智能研发范式，成为不同领域的共性平台技术。中科闻歌深耕多模态大数据领域多年，产品应用广泛。针对媒体宣传行业中跨模态数据量增多的现状、多语言信息整合的需要以及智能化选题与创作的诉求，中科闻歌推出红旗融媒体平台，推动“融媒体+行业”智能化转型。同时，针对目前信息监控与治理的难点，中科闻歌推出闻海·晴天多模态内容监测分析平台，监控100+风控场景、实现实时预警与一键视频溯源等功能，满足更高效的跨模态信息监测分析要求。此外，数智金融平台以天镜金融知识大脑为核心，提供一站式、网络化、全周期、智能化产业链及投研分析、企业金融风险监测分析等金融科技服务，为金融行业提供更加智能化的支持。人工智能的发展趋势人工智能（AI）是一种模拟人类智能的技术，它可以通过学习、推理和自我改进来执行任务。随着技术的不断发展，人工智能的应用范围也在不断扩大。一、更加智能化人工智能的发展趋势之一是更加智能化。随着机器学习和深度学习技术的不断发展，人工智能系统可以更好地理解和处理自然语言、图像和声音等信息。这将使得人工智能系统能够更好地执行复杂的任务，如自动驾驶、语音识别和自然语言处理等。二、更加普及化人工智能的发展趋势之二是更加普及化。随着人工智能技术的不断成熟和普及，越来越多的企业和组织开始将人工智能应用于其业务中。例如，人工智能可以帮助企业提高生产效率、优化供应链和提高客户满意度等。三、更加个性化人工智能的发展趋势之三是更加个性化。随着人工智能技术的不断发展，人工智能系统可以更好地理解和分析用户的行为和偏好。这将使得人工智能系统能够更好地为用户提供个性化的服务和建议，如个性化推荐、智能客服和智能家居等。四、更加安全化人工智能的发展趋势之四是更加安全化。随着人工智能技术的不断发展，人工智能系统的安全性也成为了一个重要的问题。人工智能系统需要具备强大的安全性能，以保护用户的隐私和数据安全。例如，人工智能系统需要具备防止黑客攻击和数据泄露的能力。人工智能趋势下中国该如何做？随着人工智能在数据、算力、算法、工具、模型等方面的技术推进， AI已实现由实验室到产业应用的层级跃升，更广范围、更深层次地影响着中国的经济发展与生产生活方式变革。 作为可承担发展引擎功能的新兴技术，AI已成为国际科技竞争的焦点。 顺应生成式AI、预训练大模型、国产AI芯片商业化落地、虚拟数字人等技术热潮，中国将持续加强人工智能布局，发挥政府及市场的积极性，共同推动普惠AI高质量发展。 如何在AI新一轮发展热潮中抢抓机遇，是AI产业链各环节企业关注的 核心议题。从业务持续的角度考虑，把握技术变革与产品应用的融合 界限，致力解决质量、ROI、安全可信等核心瓶颈；根据企业产业链角色和应用场景特点，定位各类型厂商的差异化路径深耕实践，或是AI 企业的制胜之路。在这个全球竞争激烈的时代，中国必须积极应对人工智能的发展趋势，加强技术研发和人才培养，推动人工智能技术的应用和创新，以实现经济社会的可持续发展。一、加强人工智能技术研发人工智能技术的发展需要大量的技术研发和创新。中国应该加强人工智能技术的研究和开发，提高技术水平和创新能力。同时，还应该加强与国际先进技术的交流和合作，吸收和借鉴国际先进技术，推动人工智能技术的发展。二、加强人才培养人工智能技术的发展需要大量的高素质人才。中国应该加强人才培养，培养一批具有国际水平的人工智能专家和技术人才。同时，还应该加强人才引进和留用，吸引国内外优秀的人工智能人才来到中国，为中国的人工智能事业做出贡献。三、推动人工智能技术的应用和创新人工智能技术的应用和创新是人工智能发展的关键。中国应该积极推动人工智能技术的应用和创新，加强与各行业的合作，推动人工智能技术在各个领域的应用，为经济社会的发展做出贡献。四、加强人工智能技术的监管和管理人工智能技术的发展也带来了一些风险和挑战。中国应该加强人工智能技术的监管和管理，制定相关的法律法规和标准，保障人工智能技术的安全和可靠性，防止人工智能技术的滥用和误用。总之，人工智能技术的迅猛发展为中国带来了巨大的机遇和挑战。中国应该积极应对人工智能的发展趋势，加强技术研发和人才培养，推动人工智能技术的应用和创新，加强人工智能技术的监管和管理，以实现经济社会的可持续发展。

云计算在中国起步相对较晚，但十几年来，在众多科技公司入局连番加码下，云计算在中国快速崛起，取得了突飞猛进的发展。根据麦肯锡发布的中国云计算最新调研洞察显示，中国的公有云市场规模有望在未来几年再增长一倍以上，从2021年的320亿美元增长到2025年的900亿美元。　　云计算的迅猛发展为中国的数字化转型提供了重要助力。从互联网企业到传统企业、再到各类政府机构纷纷走上云端，而云计算的技术与服务能够为其提高能效、促进业务协同、更深层次地满足其对于数据的存储与应用等各类需求。　　当起步较早的国外云厂商在中国因为数据安全、功能不适配等多种原因在中国市场接连碰壁后，更了解企业、政府客户的真正需求，也在不断开拓技术创新的中国云厂商就迎来了更大的发展空间。根据Canalys发布的2022年第二季度中国云计算市场报告显示，中国大陆的云基础设施服务支出同比增长11%，达到73亿美元，占全球云总支出的12%。其中，阿里云、华为云、腾讯云与百度智能云始终市场领先地位，四朵云合计占比接近中国云计算市场总额的80%。与此同时，云计算行业内的竞争也走进了下半场。　　各厂商之间技术与产品逐渐趋于同质化、企业对于上云所带来的数据安全及迁移成本问题下的迟疑、以及上云对于企业绩效的作用仍有待清晰等诸多问题是云厂商当前所面临的共性问题。而在多年来的野蛮生长之后，云厂商的业绩增速也有明显放缓之势，开始将目光投向更高质量的增长、盈利能力的显现以及技术与生态的突破。　　对此，上市公司研究院选取了阿里云、华为云等互联网云厂商及运营商云厂商，对其发展状况、竞争优劣势及未来发展动向等方面进行梳理与解读。　　率先实现盈利 收入增长放缓　　阿里云于2009年创立，在众人对于云计算还持质疑与并不看好的态度时，阿里云有着“投10个亿”的果敢，而这也的确为其创造了后来者难以企及的优势：在一众云厂商还在亏损中挣扎时率先实现盈利，并连续多年占据国内最高的市场份额。　　由于阿里云侧重于IaaS与PaaS，伴随着涉及领域的增多、客户规模的扩大，可以使硬件资源得到更有效的协调与利用，从而摊薄成本。同时，更多的服务客户案例也能够从客户的需求与反馈中获得更为明确的信号，从而对产品及服务做出改进。　　当下，阿里云的产品覆盖弹性计算、存储、数据库、安全、大数据、人工智能、网络与CDN等十三项类别。截至2022年第二季度，阿里云的服务客户已超300万，覆盖金融、互联网、制造、新零售、医疗健康、交通物流等多种行业。在市场份额方面，根据IDC的数据显示，阿里云在中国云计算市场中连续多年保持第一，在全球市场中排名逐渐上升，目前稳居第三。　　在财务方面，2022财年，阿里云以盈利11.46亿元首次实现全年盈利，同时，也是所有云厂商中唯一实现盈利的一家。　　从下图可以看出，阿里云的营业收入在近年来保持了增长的态势，从2013财年的6.5亿元到2022财年746亿元，在近10年的时间内营业收入增长超百倍。但与此同时，不难看出，阿里云的营业收入增长幅度却在显著下降，在2016年-2018年间能够实现超100%的增长后，在近几年来增长水平一再减少。根据最新一期的财报显示，2022年4-6月，阿里云的营业收入为176.85亿元，同比增长仅为10.18%，收入增幅一再创新低。收入增长放缓的云厂商不止阿里云，而几乎是当前互联网云厂商的行业通病，而这又与互联网本身增长见顶、对满足政企客户的需求尚需经验、监管趋严等多种因素有关。多重挑战之下，阿里云拿出了新的打法。 　　注重生态伙伴 伙伴收入贡献今年有望超三成　　今年3月，前华为中国政企业务总裁蔡英华出任阿里集团资深副总裁、阿里云全球销售总裁。　　今年7月，在2022阿里云合作伙伴大会中，蔡英华表示，要恪守边界，与伙伴形成分工明确的合作模式、货真价实的权益体系和长期稳定的发展政策。阿里云的伙伴业务仍有巨大增长潜力，营收占比要进一步提升，今年有望超过三成。　　根据财报显示，2019财年-2022财年，阿里云生态伙伴的贡献收入分别为25.8亿元、62亿元、132亿元与185亿元，连续三年实现增长。在2022财年，阿里云生态伙伴的收入占比达到25%，与今年占比超过三成的目标十分接近。　　阿里云的生态伙伴分为多种类型，包括咨询和销售伙伴、产品生态伙伴、服务生态伙伴、云市场伙伴等，其中，咨询和销售伙伴又分为分销伙伴、集成伙伴、咨询伙伴、ISV解决方案伙伴等。　　更多生态伙伴的加入，一方面能够发挥其销售、渠道能力等，促进伙伴方与阿里云共同拓展市场，推动更多客户上云；另一方面，生态伙伴与阿里云的产品能力结合形成新的产品形态或解决方案、或是具备交付能力等也为阿里云的产品和服务带来更多创新的可能。　　这或许也是在国内互联网云厂商普遍增速放缓之后，阿里云让其触角更深、更广之举，发展出伙伴的蓬勃生态。　　自研CIPU显著提升性能 技术壁垒加深　　今年6月，在2022阿里云峰会上，阿里云发布了其自主研发的云基础设施处理器CIPU（Cloud infrastructure Processing Units）。CIPU是为阿里云飞天操作系统设计的专用处理器，通过虚拟化、池化、调度的技术，连接计算、存储、网络资源使其快速云化并进行硬件加速，成为数据中心的中枢。　　CIPU与CPU看来相似，但又不同。一直以来，云计算的基础架构体系都是以CPU为核心。但随着客户数据量的增多、对数据密集型计算需求的增大，对云计算本身所提供的低时延、高带宽提出了更高的需求。因此，在这样的情形下，以CPU为中心的架构由于其本身的性能限制，很难达到这样的要求，随之带来的成本问题也是很大的压力。　　而目前，CIPU成为云计算基础架构的核心，将云计算由软件定义转变为软硬结合，和飞天云操作系统更为适配，使数据中心中的上百万台服务器得到更为有效的纳管、编排与调度。根据官方公布的数据，以CIPU为核心的飞天操作系统使云计算的核心要素计算、存储、网络的性能得到显著提升。CIPU与飞天操作系统的结合，或许是云计算步入下一个阶段的先行信号。在粗犷生长、高歌猛进的十几年后，整个市场对于算力会出现更高的要求、更大的需求，这也在一定程度上推动了云计算技术本身的发展进步。而高性能、低成本、更加安全稳定、为客户解决实际问题的云产品和服务显然会成为各个云厂商之间的竞逐方向，也是建立起自身竞争壁垒的关键所在。查看原文

文/许诗军 阿里巴巴集团副总裁 每个企业都在期待着数字化能够为其带来二次增长。“云上企业”的规划与实施对于企业意味着技术升级、组织升级与战略升级的融合与叠加，对企业数字化转型的成功具有现实意义。 而数字化对于组织的影响已延伸至神经级别，一家真正意义上的云上企业，转型过程必然是痛苦和甘甜交织，基于多年政企客户服务经验，阿里云总结提出“企业云战略与发展设计框架”，目标是为企业开展云上数字化转型提供一套理论参考和方法指导，避免误区，提高成功率。未来，阿里云也会继续关注企业的组织、人才、咨询和运营等全方位的革新，在更广阔的行业数字化转型中探索更多成功路径。 “上云企业”与“云上企业”，这不是一道小学语文题，而是企业在数字经济时代的认知题。 2021年国家工业信息安全发展研究中心、埃森哲商业研究院联合调研并发布的《2021中国企业数字化转型指数》报告中指出，560家企业参与的数字化调研中，仅有16%企业在数字化转型中获得比较明显的成效，还有很多企业没有明显感觉到数字化给他们带来的价值。当中一定有什么阻碍，横亘在上云企业的业务和生产实践之间，所以我们一直在思考，“云”对于企业意味着什么？ 过去数年，企业是否要做数字化转型，是不是要上云，是由信息化主管CIO、CTO决定，彼时绝大多数企业，包括提供云计算产品和服务的我们，都认为上云是个技术选择，把它当作信息化的延续。 但是，随着云计算的发展，我们发现，越来越多负责战略的企业一把手，开始深度介入到企业数字化转型，他们关心更完整的云上蓝图。云厂商不是卖完云就可以收拾好行囊，我们必须要给客户描绘出一张蓝图，并且要规划出清晰的数字化路径。 这促使我们再思考，如果说，“云上企业”代表了一种战略选择，那它究竟包含哪些重要方面，需要关注哪些重要方面。 从“企业上云”到“云上企业”，云在企业数字化转型战略中的作用已发生根本变化 上云是企业数字化转型第一步，已成为业界共识。 以前我们说“企业上云”，大部分工作是在做“企业IT基础设施云化”与“应用系统上云”的事情。大型企业把各类管理系统、生产系统、营销系统，从原来老旧机房或独立IDC搬到云上，节省了大量IT基础设施建设成本和运维成本；中小互联网公司则把核心业务搬到云上，利用云的动态弹性扩展能力，解决业务急速增长时的IT瓶颈问题。 在这些场景下，云代表了一种新的IT资源使用模式和交付模式，具有传统IT服务无可比拟的经济优势，这就使得云成为企业数字化转型中的一种全新的生产力要素。 而在数字经济程度越来越高的今天，企业需要通过上云实现生产在线、管理在线，甚至连接外部更广泛的社会资源，实现业务流、货物流、资金流、人才流、信息流——这样云就不只是一种IT资源，而且是一种新战略的开启。而云作为一个全时在线的数字化承载，天然具备跨越物理时空的优势：企业以云为基础，能够让更多相关方在线连接形成共生网络，运行起来就会产生大量的行为交互数据，企业通过算法挖掘实现智能化，进而为数字化业务创新提供无限可能。从这个意义上讲，云也成为企业数字化转型中的一种全新生产关系。从生产力要素到生产关系，类似的对技术的认知转变在电力和互联网领域也发生过，结合技术和社会发展史可以得出，每一种革命性技术一方面会形成一个工具、一种生产资料、一个平台，另一方面，它肯定会深刻变革着各种各样的生产关系。 基于这些考虑，我们认为，应该把对云的认知，上升到社会经济的角度来看待。 过去五年间，我国数字经济年均增速达到16.6%，平均是GDP增速的一倍，规模达到39.2万亿元，在GDP中占比达到38.6%。即使2020年在新冠肺炎疫情冲击和全球经济下行叠加影响下，我国数字经济依然保持9.7%的高位增长，是同期GDP增速的三倍多(信通院2021年《数字经济白皮书》)。数字经济已成为我国中长期稳定经济增长的重要引擎和关键动力，数字经济的时代已正式来临。 数字经济的快速发展，也在驱动企业加速进入到数字化转型“深水区”：不仅要实现企业IT架构升级的支撑性要求，还要实现业务重塑、降本增效、找到新的业务增长模式的发展性要求，同时还要满足安全合规、风险管控、绿色发展等多方面的约束性要求。 对于企业来说，今天数字化转型不再是“要不要”的问题，而是转型速度“快”与“慢”，转型质量“高”与“低”的问题，这决定着企业在这场数字经济大潮中的成败存亡。 树立数字经济时代“原住民”观念 从“上云企业”向“云上企业”转型的过程往往是不轻松的，也是企业由“移民”变为“原住民”的进化之路。麦肯锡的数据显示只有20%左右的传统企业转型成功。传统企业转型经常面临着以下误区： 误区一：把数字化技术应用等同于数字化转型 Gartner对云计算的未来发展预测，到2025年，将有85%的企业和组织采用“云优先”原则，上云意愿非常强烈。但是，很多企业的负责人对上云的认识缺乏全局观，认为通过“上云”为企业提供了更好的IT资源和先进的技术平台，就是在做数字化转型，没有意识到数字化转型要与企业的整体战略、关键业务发展与商业价值相结合，是企业理念、战略、组织、运营等全方位的变革。 误区二：转型战略落地缺乏体系化保障 传统企业信息化部门和业务部门存在非常清晰的边界，信息化部门往往只负责IT资源和业务系统可用性，而对业务规划甚少涉及，只负责“数字化”而不负责“转型”；即便是有转型要求的业务部门，也因缺乏有效的组织、人才、考核激励等机制保障，导致整体规划及落地路径设计的科学性不够、全局性不足。比如，考虑哪些业务转型是“单向门”没退路、哪些业务转型是“旋转门”需要设计失败回退路径等。 误区三：把“上云”当终点而忽视可持续发展 多数企业IT负责人认为建云和把应用“搬”上云体现了技术工作的“显性成功”，而没有意识到“上云”不是终点，后续三个关键动作才是关键：一是如何让生态在云上协同开发更加顺畅，二是如何保障云资源供需双方的精准匹配和保证资源利用率，三是如何合法合规推动企业自身数据云上聚汇并作为生产要素流动起来。这些都是云持续发挥价值，源源不断地支持业务转型的关键。 绘制企业云战略一张图 基于多年政企客户服务经验，我们总结提出“企业云战略与发展设计框架”，目标是为企业开展云上数字化转型提供一套方法论的参考，避免误区，提高成功率。包括以下五大关键要素： 一、战略上，要把“云”与企业业务战略的制定和落地紧密关联 首先，“云”是企业战略制定的重要依据。战略的本质是解决发展问题，在数字经济时代，“速度+颠覆”使得企业发展机会充满了不确定性。有时候光靠“人”去看战略是看不清的，这时候需要通过“云上”的“关系网络”及沉淀的数据，来帮助企业看到很多看不清的客户需求和商业机会，从而做出更具确定性的战略。可以说，企业把“云”的价值边界扩展到哪里，企业未来发展的版图就走到哪里。 其次，云是企业战略落地的关键承接。企业战略是自顶向下的设计和拆解，云战略要与之进行紧密匹配和承载。这里要做三个关键动作：一是对焦云在企业战略中的地位，定义云在能力水平及价值创造等方面的阶段性目标；二是识别业务云化的关键机会与价值场景，定义业务云化的关键成果和收益指标；三是选择云架构与技术路线，从战略角度基于发展、价值创造、竞争、成本及自主可控等因素进行评估决策。 国内某大型头部车企，自2016年就开始实施企业上云与数字化转型工作，但是一直存在数字化不能聚焦于业务目标与成果的问题。2021年启动了云咨询规划项目，将企业战略在“集团治理与全球化”“全球潮牌潮品”“认知智能化”“绿色碳中和”四个方面进行分项拆解，通过对技术部门、业务部门的数十场联合调研，细化到“四个连接”(外部用户、内部用户、供应商、设备)、“三个打通”(设计开发、供应链、营销)等具体策略，并落实到云的建、用、管、运各方面。同时基于现状，对企业进行了“云能力成熟度评估”，找出了十个方面差距，明确了下一步“云上企业”建设的26项关键任务。 二、组织上，要推动人与机构的数字化转型 企业数字化转型首先是人的转型。上云前，企业就有各类开发、测试、运维人员，上云后，这些原来的岗位和人是否继续存在？工作方式和能力要求有什么变化？需要设置哪些新岗位？都要在组织设计层面想清楚，关键做好两件事： 一是云治理组织优化。云上转型是新生事物，容易发生“小事情多头决策，大事情没人决策”的情况。企业应梳理云在建设、应用、管理、运维工作中各相关方的利益诉求，构建云事项的责任矩阵，并优化云技术决策的组织架构、决策机制和流程，这些事情越早确定越好。 二是云人才发展设计。传统企业多是面向大分工的科层制，要的是效率，需要的是专才，把事做专；而今天企业数字化转型，要的是创新，更缺的是全才，把事做对。企业需要重新考虑人才要求并开发新的岗位，开展知识协同体系建设、人员能力提升、外部人才合作与引入等一系列动作。 鲁商集团，在疫情压力之下开始数字化转型，董事长亲自挂帅担任数字化转型领导小组组长，有了组织保障，各产业板块和二级公司非常配合，在二期项目中更多的业务单元主动要求参与实施。 此外鲁商集团也在原信息中心基础上进行组织架构的变革，新成立了大数据中心，原来信息中心的主要工作偏运维支撑，而现在的大数据中心和业务的结合度更加紧密，人员也从原来各个业务板块抽调，不但有技术能力，更有业务思维。这样大数据中心逐步从后台浮现到中台，利用数据为一线部门提供有力的业务支撑。 三、业务上，要实现业务创新与云“一体化”生长 首先，对于传统企业，数字化是一种颠覆而不是优化。因为传统企业业务多是职责明确和流程固定的稳态业务，但在数字化时代，企业的生产模式、营销模式、运营模式、管理模式，都因“数据”这个新要素的充分利用发生了巨大的变化。 今天我们看到的全域营销、直播带货、万物互联、扫码支付、数字工厂、产业互联、智能决策等业务创新场景，无一不是对过往稳态业务的重构。而互联网企业因天生带有“云基因”和“数据基因”，业务也多是以数据为原料，从云上“生长出来”的，本身就具有数字化原生的特点，快速灵活。所以对传统企业来说的，要坚定地通过推动核心业务数据上云，打通更多数据、实现数据闭环，通过重构来创造新的数字化业务。这样企业才能从根本上提升竞争力而涅槃重生。 飞鹤乳业集团，在其核心业务发展的基础上，坚持“建立实体零售与全域消费者的在线连接，以大数据驱动人货场的全面数字化”的整体转型策略，通过云上数据平台建设，打通了29个业务前端，沉淀了1600多万会员、10万家门店、3万导购等核心数据资产，全面实现了数据的标准化、资产化、价值化和服务化目标，为集团的全渠道数字营销，终端门店精细化运营和客户服务体系提升提供了云上数据支撑。今天的飞鹤，无论从销售业绩还是品牌影响力来看，都成为中国乳业行业翘楚。 四、技术上，要通过云原生技术先进性解决关键业务问题 1.云原生分布式架构，快速实现企业跨地域跨业务的协同 某大型电网公司在云平台规划和设计阶段均采用专有云部署，总体架构采用“一朵云多region(区域)”部署模式，既可以满足总部统一管控要求，又可以兼顾省级自运营和自运维的需求。以此架构为基础，建设全公司内网和外网各一朵云，形成“IT资源服务中心”和“数据服务中心”，实现运维运营“两级协同”，夯实了公司数字基础。 2.云原生高可靠性，为业务连续性提供坚实保障 某路网中心承担全国高速公路取消跨省收费站、实现跨省统一结算的系统建设重任，社会责任高，业务压力大。该中心通过采用128个数据节点的云原生分布式数据库PolarDB-X作为主数据库平台，支持全国29个省数据中心，2.5万套龙门架，2.26亿ETC用户的实时数据存储和处理，数据库支持每天10多亿增量数据，交易写入量高达4.5万笔/秒。2020年的1月1日至7日撤站首周，全国500米以上拥堵缓行的收费站比上一年同期减少了18%。实现了全国高速当天费用结算清分和发票拟合，保障了业务的高可靠性。 3.云原生开发技术，加速企业应用云化 企业业务要更灵活多变，应用开发就要更敏捷。 云原生开发是以容器、微服务、DevOps、低代码等技术为基础建立的一套体系，从技术架构、开发、测试、部署和运维等各个阶段，让企业能快速构建真正“应云而生”的“云原生应用”，最大程度发挥云的优势。河北某医用包装品生产企业，创始人率领自己的高管基于云上低代码开发平台，搭建了订单系统、ERP系统、质量分析系统、设备管理系统，仅花费几万块钱实施三个月左右，就达到了数据更易整合、使用效率更高的效果。 五、运营上，要坚持云安全运行和数据运营并重 1.云运维的自动化、智能化 企业上云后，运维工作的重心从原来维护机房硬件的稳定性和可靠性中解脱出来，变成了面向整个数字化业务场景的运维，包括海量数据处理、高并发连接、实时数据传输、异构系统的调用等等，依靠人工运维几乎不可能完成。这时云运维的关键，就是如何从手工向自动化、智能化转变。 某物流企业在2019年全站上云之后，不仅日常系统运维实现了自动化管理，并且制定了“双11”流量高峰期间运维护航方案：在“双11”到来之前，运维团队完成全部12个业务场景的三轮全链路压测，并针对核心业务场景制定流量防护、弹性扩容、ECS异常迁移、数据库切换等十多个应急预案；在“双11”期间，通过业务大盘，实时监控退单成功率和响应效率，通过资源大盘，实时监控核心业务资源水位情况，最终保障了核心系统100%可用。 2.云运营的标准化、科学化 云运营，是云上线投入使用后发生的所有管理活动，包括云服务的申请、订购、消费、计费、监控、报告等。 云运营的核心是做好三件事：一是云服务目录与服务水平协议一定要标准化梳理出来，可视化地透出给用户，这是云在供需两端的重要契约；二是云资源计量计费与财务核算机制要科学制定，促进各类资源绿色合理使用，提升云资源利用率，避免浪费；三是把云的运营与业务运营指标结合起来，根据云资源变化情况洞察业务变化，为业务决策提供参考依据。 结语 随着越来越多的企业加入数字化转型的大潮，每个企业都在期待着数字化能够为其带来二次增长。“云上企业”的规划与实施对于企业意味着技术升级、组织升级与战略升级的融合与叠加，对企业数字化转型的成功有着决定性的基础价值。 数字化对于组织的影响已延伸至神经末梢，一家真正意义上的云上企业，转型过程必然是甘苦交织，我们也会继续以“企业云战略与发展设计框架”为指导，关注企业的组织、人才、咨询和运营等全方位的革新，在更广阔的行业数字化转型中探索成功路径。  对话许诗军：数字化转型，最基本的是不去拒绝 基于本文“云上企业”数字化转型战略主题，《云栖战略参考》对话许诗军，将阿里云与企业客户并肩作战过程中的更多思考呈现给读者。 Q：刘湘明 钛媒体联合创始人、ITValue发起理事 A：许诗军 阿里巴巴集团副总裁、阿里云智能政企行业事业部总经理 Q：你的文章里有一个特别好的观点：“云是一个新型的生产关系”。原来我们都觉得云是个技术，应该是生产力，你为什么会觉得它是生产关系呢？ A：“云上企业”和“企业上云”，完全一样的四个字，只是次序变化，意味着云对整个经济社会的影响发生了变化。 现在没有人说“电上企业”“网上企业”，为什么？因为电、互联网都已经成为必需品，默认它必须要存在。谈“云上企业”隐含一个很重要的前提：云还没有成为电和互联网，还没有发展到让人们已经忘记它存在的程度。 云，一方面是技术平台，或者说是一个产业；另一方面，它在深刻地变革着各种各样的关系，人和人之间的关系、企业和企业之间的关系，社会、城市乃至国家的关系。所以说它其实是生产力，它能与其他生产力产生关系，影响其他生产力发生一些新变化。基于这些考虑，我们应该从经济和社会的视角来看云。 Q：是的，最早研究互联网时，媒体就用电做类比。电其实最早也是当作一种工具被引进的，后来变成了一个环境，意味着上升到一个生产关系层面了。能不能展开谈一谈，具体有哪些生产关系的改变？ A：埃森哲连续几年对560家数字化转型企业调研，2020年这份报告的结论是，有10%的数字化转型企业获得了比较明显的成效，2021年这个数字提升到16%。一方面数字化转型获得明显成效的比率提升了60%，另一方面还有80%多的企业没有感觉到数字化给他们企业带来了明显的价值。80%多的企业里一定有一些已经上云的，为什么没有感觉到云带来的价值？这就是我们从业者需要思考的问题，也是我们在业务实践中发现的问题，这一直促使我们思考：云对企业究竟意味着什么？ 几年前，企业是不是要做数字化转型、是不是要上云，都是与信息化部门主管或CIO、CTO去谈。我们作为云计算的服务商，也认为这就是个技术选择，我们重点会阐述云在技术上的优势、产品的优势。随着时间变化，特别是这两年，我们看到越来越多的企业一把手、战略官，来和我们见面。他们首先会问云到底能够带来什么变化，这些变化只靠云就可以做到吗，然后要求我们把这个变化的大图画全。 所以说，上云现在是作为一个企业的战略去思考。于是我们把“云上企业”最重要的变化归纳为12个领域，去告诉客户，一旦上云，会有12件事跟云有关联，你要在这12个方面做相应的调整。 比如从战略的角度，企业到底要往哪去？企业的发展路径是什么？未来要生产什么？卖给谁？组织如何匹配？人才如何匹配？有什么样的内外部力量去推动落地？技术路线有哪些选择？云上业务创新是怎样一个逻辑？数据和云之间的关系，和应用之间的关系是什么？云建设完，后期运营应该是什么样的？ 看清楚12个领域之后，企业的一把手、战略官，会对整个企业未来的云上转型更有信心，也会有一系列的行动安排。 Q：你的话给我很大的启发。如果我们把云当作生产力的工具来看，它就是应该CIO来管。如果把它当作生产关系来看，就涉及顶层架构，就需要一把手、首席战略官来管，是这个逻辑。钛媒体每年八九月都会举办“数字价值峰会”，四五百位CIO、CTO会聚在一起讨论很多拷问灵魂的问题，其中有一个“什么是数字化转型成功的标准”，你怎么看？ A：我觉得成功的标准很简单，企业真正关心这么几件事：第一，成本是不是降低了；第二，客户是不是多了，营收有没有增加；第三，产品的品质是不是有提升；第四，是不是能不断地开发出新产品，适应市场变化。无非就是这几个，哪怕给客户干成一件，哪怕只能提升5%-10%，都算是客户价值的实现。 比如，创新的价值。这一点用低代码很容易实现。原来开发一个应用，最少也要一两个月的时间，而且这一两个月是指已经开工到交付验收的时间，在此之前还有大量的论证过程。 但低代码能做到什么？大幅缩短开发时间。这里既包括行业ISV服务的开发，也包括企业内部的开发。开发者在拿到一个需求之后，他可以基于低代码平台，很快把业务应用写好、实现出来，可能只需要几天或几小时。第二，肯定成本更低了。另外还有一个很重要的价值，创新的业务不一定都对，也不一定都适合，几个月之后，如果发现给客户的服务，或给企业内部人员的应用，不太适应，就可以很快替换，几乎不用考虑沉没成本。 再比如，成本的价值。我们发现锅炉是很多制造企业的核心环节，比如垃圾焚烧企业，如何保证能耗降低2%-3%。垃圾和煤的燃烧发电完全不同，因为垃圾的种类不同，各个种类没有规整的配比，有塑料、有厨余，燃点不同，那温度怎么控制？原来是靠老师傅在炉子旁边看，边看边调整风量、助燃材料量。即便如此，老师傅也不能做到百分百精确，而且这个工作还有危险。既然这个事情不太适合人做，那么就通过传感器，收集炉内燃烧的数据，如温度数据、排烟量，再通过算法设计一些模型，然后不断地自动调优，烧得越多，锅炉就越聪明，能耗也会降低更多。我们现在已经做了100多个垃圾焚烧炉的智能系统，一个锅炉可能每年能节约200万到300万元。诸如此类的案例还有很多。 Q：在“数字价值峰会”上，一位传统零售集团的科技中心总经理对数字化转型成功的一个判断标准是：原来信息化其实是赋能老板的，而成功的数字化应该是赋能终端的。 A：我觉得“赋能终端”这是个很好的提法，这里其实隐藏着一个观点：数字化要做实。能够赋能终端了，一定能赋能老板，但赋能老板不一定能赋能终端。 Q：其实也是另一种方式的赋能老板。原来信息化的时候，老板是一个压力非常大的角色，他的一个决策失误可能带来很大的代价。云有一个概念叫做“分布式”，其实数字化也把企业的很多决策分布式了，很多决策能在现场就做了，提高企业的效率。你谈的低代码也类似，它打通了整个数字化里很难的一个环节：敏捷性的问题。原来再敏捷的开发，也是以月来计算的，但低代码实现了“技术民主化”，把门槛极大降低了，一线人员也能迅速试错，一层一层地科技赋能，终于赋能到了终端用户，我觉得这其实是特别大的进展。 A：去年大家很关注低代码，但低代码还需要继续去推广，还没有被更广泛接受的一个原因，就是行业化。 我觉得未来很重要的方向是行业的低代码平台，在云的基础上，把一些行业的know-how加载进去，变成不同行业的低代码开发平台。把应用开发的门槛进一步降低，类似于开源的思路，大家都可以为行业应用开发作贡献，每个人也都能够以更低的成本去享受到整个行业进步的红利。 Q：文章里12个领域有很多话题，能展开介绍一下云对战略的影响吗？ A：战略，是客户提出来的问题。其实我们所做的一切事情都是响应客户的需求，解决困扰着客户的问题。客户一上来一定会问两个问题：第一，能给我带来什么价值？他要看终局。第二，你说云好，我的团队、员工接不接得住，我的企业能不能承受？不只是资金的承受，还涉及整个生产关系、人的认知能不能接得住。客户会问这样的问题，我们就要去思考，就要回答。 首先，我们必须了解这家企业，我们有一系列的方法论慢慢地把企业整个的战略梳理清楚，并形成企业发展的阶段性愿景。然后看技术能起到什么作用，符合发展的阶段性目标，建立技术和战略之间的连接，慢慢就清晰了。这是一个从上往下推的过程，不是技术往上堆的过程。技术还是服务企业战略的。 其实12个领域里每一个问题都和战略有关，都围绕企业发展的主线去做。最后需要有一个企业云的评估体系，评估做得到底怎么样，而不仅仅是一个局部的收益，或者不可评的结果。一定需要有一套评估体系去验证我们做的事情对这个企业是有价值的。 Q：把企业的愿景和云的技术可能性中间建立一个正确的连接，这其中是很大的变量。比如原来觉得成本很高的一件事情，也可能因为技术的出现、成本突变，企业发展的路径选择就会有很大的变化。下一个很重要的事，是不是组织？原来的信息化是对传统科层结构的强化，每层的工作都定义得很清楚，流程很清晰。但数字化是对原来管理体系的解构，大家都在谈分布式，都在谈新的管理组织和新架构，你觉得云会如何改变组织？ A：我觉得改变是非常大的，每个人都能感受到。一家真正意义上成为云上企业、数字化转型成功的企业，这个过程都是非常痛苦的。这里面最痛苦的是什么？就是组织问题，就是人的问题。 数字化这件事我觉得非常有意思，它对组织、对人更像是神经手术，而不是一个器官的安装或去除。每一个部门都要面临考验，销售部门、供应链部门、企管部门、人力资源部门、战略部门要面临一些变化，从老板到每一个员工都会有变化。这种神经级别的痛苦，是特别难以忍受的。我们也看到只有16%的领军企业去年在数字化转型中得到明显的效益，这16%的企业转型过程肯定很痛苦，那些没有实现明显效率的企业，一定更痛苦。 作为数字化转型的服务提供商，我们要告诉企业，这是一个很难、很痛苦的过程，要让他有精神准备，有精神准备对痛苦的忍耐力就比“猛然来一下”要好一些。我们要告诉企业会有哪些坎、哪些难点，有哪些经验和最佳实践，需要哪些技术能力，我们帮他把痛苦减轻。不是说上云了，就能一刀切、把组织全部都改过来。有些企业可能要成立一个数字化的推动机构，有一些企业要强化关键部门的参与，让企业自己建立起忍耐痛苦的能力。 我们经常说企业数字化转型或政府数字化转型，是“一把手工程”。有些一把手可能不懂数字化，但他只要懂一件事情：按照数字化的规律去调整企业的生产关系，成功的可能性就大。 关于数字化转型的组织变革有很多文章和书，但是我觉得这里面没有一定之规。这场变革一定要是体系化地理解，逐步提升。 最基本的就是不去拒绝。比如数据共享，前些年推动政府数字化转型、打破部门壁垒，核心是大家有一个起码的共识。 Q：企业里原来信息化水平很高的部门，会不会对数字化有一些阻碍作用？ A：如果企业原来的销售管理系统做得比较好，用了很多年、用得很熟，而且确实是行之有效的，把合作伙伴、客户都能管理起来，销售部门能够拿到数据并且对未来销售规划都有帮助，这时肯定很愿意在舒适区继续工作。但现在如果从整个企业的数字化转型去思考，就需要销售、供应链、生产订单管理、财务所有系统的数据整合，再去为不同部门、不同业务服务。这时候销售部门比较容易想：一来，我要重新构建就要有适应的过程；二来，我的数据很好，其他部门的数据质量不够好，我的数据沉到大池子里，对我的帮助没有那么大，但是对别人的帮助很大，我的价值怎么评估......可能会有一些担忧。 但是大多数企业的数字化都不是从0做起的。现在很少有一个新成立的公司一上来就在数字化上投入很大。大多数都是尝到一点点的甜头，再做整体数字化。 最后成功的企业是内部达成了高度的统一，达成了某种平衡。 Q：还有哪些坑，是你可能会提前和客户说的？ A：我们现在最怕的不是怀疑的人，反而是怕有的客户觉得一上云就一了百了，觉得云是灵丹妙药，对我们的期望特别高。怀疑的人，可以慢慢跟他谈，看实例，做项目验证。就怕那种“我不管了，全部都交给你了，我太信任你了，你们做了这么多成功的企业”——这反而很危险。 因为数字化是客户的事情，我们是提供服务的，企业需要深度参与，企业的老板、管理者、员工都要深度参与。而且一定要很清晰地定义出企业到底要什么。如果“什么都好”，我们进去做了一个方案，可能客户也认了，最后实现之后，他会觉得这是你给我做的，不是我想要的。 还有一个很大的坑，就是认为数据只要整合了，建立起数据平台、数据中台，这些数据就能自动发挥价值、发挥作用，这也是一种认知误区。 在云上可以很方便地搭一个数据中台，可为什么很多企业搭好了之后，没有完全用起来？有人说数据不鲜活。不对，这数据也是鲜活的，每天每秒实时沉淀的数据，这样的数据一定是活的，一定有生命力。但数据需要被深度治理，像我们现在做的医疗、工业生产、城市大脑等项目里的数据中台，要把数据技术和行业Know-how集合起来，需要我们和客户、伙伴一起梳理数据的价值和使用。 可以把它理解成一个厨房，企业是炖肉的。数据中台是一套适合炖肉的工具，肉就是那些数据，这一切都准备好了还不够，最关键是需要和客户一起把这锅肉做成一道菜，才能供人们去享用。 总之，对数字化转型和企业上云来说，那些误区或者坑基本可以总结成一句话：“只要......就......”这种句式是不成立的。比如，只要上云，就能成功。 Q：传统企业的数字化转型，其实很欠缺一个“运营”的概念。信息化项目是交付的概念，成功上线，这事就算完了。但数字化是个持续运营的体系，交付可能只是个开始。这一块怎么去补强呢？这里也包括人、战略、组织、文化。 A：我觉得数字化转型里最关键也最难的，是两头。一个是整个大图，整体咨询；一个是最后这头，运营，极其重要。 运和营，两件事需要分开讲。“运”，偏重于传统意义的稳定、安全、可扩展、可服务，让信息系统、数字化系统和云计算系统保持良好的运行状态。“运”可以第三方去做，办法比较多，甚至有时候好的选型也可以让“运”的成本非常低。 “营”是关键。“营”里面有经营，有盈利，营是价值的体现，如何让这朵云、数字化系统不断地产生价值。绝对不可能简单地全部外包给别人去做。为什么？“营”是企业自己家里的事情，企业要盈利，一定和整个经营体系紧密相关。数字化系统可能就是实际经营体系的数字孪生，一个是现实的、一个是虚拟的，两者是分不开的。 基本上，公司需要把前面提的12个领域，定期、不定期地Run一遍，不断审视数字化系统的数据变化，看企业的经营情况变化，给企业经营提供一些建议。也让数字化系统不断调优。实际上，数字化系统就是一个企业管理者经营的必需品。 Q：可以认为在这个数字化时代，运营能力就是一个企业未来的核心竞争能力了。 A：所以我们在去年云栖大会上提出来：数字化转型，一个是大融合，让数据更好地在一起发生作用；一个就是大运营，基于数据能把企业Run起来。 Q：你怎么看待云对企业文化的影响？这其实是更长远的影响。 A：谈及文化、价值观或氛围，云上企业和其他企业，有一个很大的区别，或者说是进步。它通过数据把人们连接起来，协同能力更好，企业更利他。因为部门自己在产生数据的同时，也充分享受着所有人、所有部门提供的数据。 另外因为云计算、大数据、人工智能技术是个新鲜的事物，员工会因为用到了这样的新技术来为企业创造价值，而感到自豪，心态上会更加积极地拥抱新鲜事物，继而刺激企业的创新力不断加强。 我去长城汽车，发现企业很开放，员工都特别年轻。他们说，现在干的事情，新型汽车制造就是一个欣欣向荣的产业，企业大量用到了数字化技术去创新，就会吸引年轻人加入。 Q：还有一个思考，就是企业内的关系：按照传统的层级关系，下属必须听领导的；但现在数据让大家变得实事求是，可能会变得更平等、更开放。但反过来，层级观念比较强的企业是不是上云的困难会更大一些？ A：其实层级是一个现象，为什么形成层级，“领导”和“被领导”靠的是信息不对称。 如果更多的信息被更多人了解和掌握，就会让组织的决策更快。我觉得一开始会有抵触，但随着技术的推动，阻碍者会发现他是受害者，经过一个博弈的过程，最后其实都会愿意做受益者。 Q：回到刚才你谈的数据，从10%到16%，这里提升的不只是技术，还要改变管理习惯，比如改变“一言堂”。没准一半的企业就会摔倒在这个问题上，就像你说的神经痛。 A：这里还涉及如何看待“取得成效”的认知问题，有些时候企业所说的“成效不明显”有几种： 有一种是一开始就将信将疑，看隔壁企业跟我规模差不多，在做数字化转型，人家做了，我不做，不去上个云、建个中台、搞个营销体系，感觉自己有点落后。这种跟随型的，对问题没有根本性认识，也就感觉不到特别明显的成效。另一种，一开始满腔热情，但对上云的认知不够深，或者没有一个好的伙伴帮他去构建一个很好的实现体系和步骤，做着做着才发现目标不清晰，就有可能虎头蛇尾。 还有一种，确实是我们从业者最应该注意的——我们是不是真的帮客户实现了价值。我们不得不承认在业内存在着不少客户价值最终没有实现的案例，云服务商、数字化服务商乃至整个业内，要高度关注。 Q：你也见过不少企业，是否有一个模型，大概聊一聊就能对它数字化能走多远有一个基本的评估？可能对很多企业也有帮助，可以自己去印证一下“我是不是这样”，这个模型应该很有价值。 A：一个企业数字化成功的可能性，看几个角色：一看企业的最终决策者，二看事情的关键推动者，三看受益部门人的状态，四看短期受损部门人的状态。我刚才也说了“一号位工程”，首先老板不需要懂技术，但需要他对这个企业将来要到哪去很清楚；如果再加上强力、负责的关键推动者，我觉得这个企业成功的可能性就大。 如果这企业并不知道该干什么，只想试试能不能通过数字化帮助找到一条出路——我觉得这种就比较危险。本文摘自《云栖战略参考》2022第二期，订阅数字化转型双月刊《云栖战略参考》请扫码（或填写下方链接），工作人员会在审核后为您寄出https://survey.aliyun.com/apps/zhiliao/xsTiZ4YaM

数字孪生增强了建筑信息模型的优势。数字孪生就像一个活生生的模型，为连接现场和办公室而构建的数字孪生技术可以将建筑资产生命周期转变为持续运维。随着时间的推移，很多市政建筑基础设施迫切需要维护和维修。例如，美国土木工程师协会对美国市政基础设施现状的评分为C-，则充分说明了这一点。美国政府最近通过的基础设施投资和就业法案(IIJA)计划投入1.2万亿美元修复美国的道路、桥梁、管道、水道和电网，并在全国范围内启动建设和维修项目。然而，在受到系统性延误、频繁返工以及不断膨胀的预算困扰的建筑行业中，取得成功并不容易。为了成功改造美国的基础设施，企业则需要解决面临的一个挑战：数据。考虑到这一点，数字孪生技术将被证明是实现美国基础设施的现代化、改善通信、生产力和建筑数据完整性的核心。数字孪生增强了建筑信息模型的优势。数字孪生就像一个活生生的模型，为连接现场和办公室而构建的数字孪生技术可以将建筑资产生命周期转变为持续运维。为了使美国的高速公路和电网能够持久运营，业主、工程师和承包商之间的交接不容忽视。从一开始，价值链上的利益相关者就需要在数字孪生平台上进行协作，并在设计、构建和维护能够为未来持续使用的基础设施方面保持一致。什么是数字孪生技术?Bentley软件公司首席执行官Greg Bentley在解释该公司使用数字孪生技术时指出：“到目前为止，我们努力使软件能够产生有用的可交付成果，但这是一个静态且过时的目的。我们在数字孪生中的目标是，使这些可交付成果的价值在资产的寿命期内持续存在，并对暗数据具有长期的可见性，以同步其随时间的变化，并可视化分析这些暗数据。更重要的是，分析的可见性以及数字孪生随时间推移的分析是第四维的。”换句话说，数字孪生提供了从设计到施工和持久运维的无与伦比的可见性。这使得在各个流程交接之间没有任何损失，数据实际上能够为决策提供信息。人们经常看到，纸质文件、集成不良的应用程序、孤立的遗留系统或电子表格阻止价值链的利益相关者访问可操作的数据或创建内容丰富的记录系统。以建筑行业为例。建筑行业对模拟技术的依赖导致了生产力危机。然而，关键是要了解施工延误和高成本会产生连锁反应，所有这些最终都会影响建筑资产的健康和寿命。数字孪生技术不仅有望克服施工中的许多数据和通信挑战，而且还能改变整个资产生命周期。导致建筑业生产力面临危机的三个因素任何导致效率低下的问题都是至关重要的，建筑在数据和通信方面面临的重大挑战可能导致全球每年数十亿美元的损失。(1)大数据和高成本对于一些至关重要的基础设施项目来说，全球平均每天产生1.3亿封电子邮件、5500万份文档和1200万个工作流。然而，建筑行业是全球数字化程度最低的行业之一，主要受到现场模拟流程和办公室遗留系统的阻碍。FMI公司和PlanGrid公司在联合发布的2018年建筑行业调查报告中指出：建筑工人每周浪费两个工作日来搜索项目数据(修改后的图纸、材料切割表等)，并解决一些能够避免的问题(例如解决冲突和返工等)。这些任务每年将耗费建筑公司大量的成本，建筑业总计耗费1775亿美元。糟糕的沟通和项目信息导致了近一半的返工，每年损失高达313亿美元。(2)持续返工FMI公司和Autodesk公司进行的2021年调查表明，建筑的数据数量和质量问题仍然很严重：可用的项目数据在短短三年内翻了一番。25%的受访者表示项目数据无法使用。三分之一的错误决策是由于数据错误。由于决策失误，不良数据在2020年在全球造成大约1.84万亿美元的损失。887亿美元的返工可追溯到不良数据。简而言之，随着建设项目在快速增长的行业中变得越来越大和越来越复杂，良好的数据和通信比以往任何时候都更加重要。(3)生产力下降建筑业生产力下降和数据挑战并不新鲜。世界经济论坛在2016年发布的一份报告指出，虽然美国其他行业的劳动生产率在过去50年中增长了153%，但建筑业的劳动生产率却下降了19%。世界经济论坛认为，数字化是建筑业转型的核心，可以在全球工程和建设方面节省7000～12000亿美元，在运营方面节省3000～5000亿美元。换句话说，数字化的好处可以延伸到整个价值链。建立有竞争力的建筑公司麦肯锡公司强调了建筑公司可以创新并获得竞争优势的五个领域：更高分辨率的测量和地理定位下一代5D建筑信息模型数字协作和移动性物联网和高级分析面向未来的设计和施工在这五个领域中，有四个直接涉及收集、可视化和处理信息。考虑到探索的统计数据，信息在这里的核心作用可能不足为奇。为了更加有效，建筑公司需要一个丰富、准确、实时的记录系统。这就是数字孪生将改变建筑行业的地方。使用数字孪生缩小办公室与现场之间的差距现场工作人员经常在纸上记录工作，将数据保存到电子表格和U盘中，然后将这些需要更新的信息带回办公室进行处理。这是缓慢、容易出错、成本高昂且难以与第三方合作的过程。因此，数字孪生对每项实物资产数据的即时访问取决于该领域的创新。建筑公司需要为移动数据、基于云和数据不可知的现场解决方案交换流程和模拟技术。这些是实现数字孪生的关键要求。建筑业在采用移动通信技术方面取得了进展，但仍然存在重大问题：人工收集数据和传输、现场应用程序的采用率低以及缺乏集成。与移动技术采用相关的三个问题(1)人工收集数据仍然存在根据TrackVi公司在2018年发布的一项调查报告，47%的施工经理采用人工方法获取关键项目信息。值得注意的是，大多数经理都认为人工收集会导致工作质量信息不完整。在2018年进行的另一项研究中，近50%的建筑公司报告称，移动通信技术增加了他们可以收集的质量数据量，绝大多数受访者认为需要改进数据访问和现场到办公室的通信。(2)忽略现场软件简单地为现场工作人员配备移动通信技术并不能解决建筑的数据挑战。例如，PlanGrid公司和FMI公司在调查中观察到，虽然75%的受访者向项目经理和现场主管提供移动设备，但只有不到50%的人使用移动应用程序。与其相反，大量的信息分散在电子邮件、文本和电话中。(3)缺乏整合尽管如此，即使对于那些拥有现场应用程序的企业来说，缺乏整合也会阻止团队充分利用移动软件的潜力。事实上，在JB Knowledge公司的2021年研究中，超过50%的受访者因为缺少集成而人工传输应用程序数据。尽管采用了现场软件，但建筑公司仍在使用人工传输、电子表格导入、电子邮件或其他耗时且容易出错的流程。数字孪生和基于云的数据的好处为了弥合办公室和现场工作之间的差距，管理人员应为工作人员配备集成的移动通信软件，以实现轻松的数据捕获、无错误的数据共享和集中协作。提供与数据无关的SaaS解决方案的企业已准备好通过简化工作流程，并确保数字孪生植根于实际情况来满足这一需求。例如，如果承包商要从实时数据访问中受益并创建准确的竣工数据，他们就需要获得来自现场的动态、高质量数据。归根结底，数字化只有在与后台系统和价值链上的利益相关者之间的集成和协作相结合时才有价值。以下是采用数字孪生的另外两个好处。(1)转变项目交接尽管集成的移动软件是建设中向前迈出的关键一步，但孤立的应用程序不仅仅是该领域的问题。原有的后台系统(EAM、GIS等)甚至数字孪生也是如此，因为利益相关者从项目开始就没有对数字孪生技术保持一致。考虑到这些孤岛，在建筑和工程中收集的总数据中有95%未被使用，其中30%的数据实际上由于项目移交而丢失也就不足为奇了。相比之下，在项目开始时诞生的数字孪生可以为所有相关人员提供全面而实时的可见性。例如，资产所有者和总承包商之间的这种协作可确保项目顺利交接，并使总承包商能够轻松创建高质量的可交付成果。(2)高质量和实时竣工当承包商与资产所有者就数字孪生技术进行合作时，他们可以随着施工的进行动态编译文档和映射更改，从而保证整个项目的可见性和交付时的准确信息。这与在项目结束时提交竣工图纸或努力在孤立的数字孪生之间传输数据形成鲜明对比。避免返工和纠纷是数字孪生技术在施工中的直接好处，准确的竣工对于资产的整个生命周期尤其重要，并且从长远来看可以为资产所有者节省大量资金。借助数字孪生技术，建筑竣工数据更加全面，因为数据不会在遗留系统或模拟技术中丢失：模型、时间线、图纸、表格、地图、照片、视频等提供了丰富的场景。此外，如果数字孪生是基于云计算且适合移动设备的，那么运维人员可以随时随地访问这些完整记录。这节省了前往办公室和整理文件的时间。当承包商无缝地交出一份完整的记录时，他们不仅可以通过记录清晰有效的工作来提高自己的声誉，还可以确保建筑资产在未来继续良好运行。现场采用是数字孪生技术的关键数字孪生技术有着无限潜力，尤其是考虑到其影响可能会延伸到各行业的价值链。这很简单，要使数字孪生有效地改造关键基础设施，它们需要让现场工作人员的生活更轻松。它们需要直观、适合移动设备、集成和基于云计算，以便无论身在何处都可以快速捕获和轻松交流信息。

作者：许诗军随着越来越多的企业加入数字化转型的行列，每个企业都在期待着数字化能够为其带来二次增长。“云上企业”的规划与实施对于企业意味着技术升级、组织升级与战略升级的融合与叠加，对企业数字化转型的成功具有现实意义。数字化对于组织的影响已延伸至神经末梢，一家真正意义的云上企业，转型过程必然是甘苦交织，基于多年政企客户服务经验，我们总结提出“企业云战略与发展设计框架”，目标是为企业开展云上数字化转型提供一套理论参考和方法指导，避免误区，提高成功率。未来，我们也会继续关注企业的组织、人才、咨询和运营等全方位的革新，在更广阔的行业数字化转型中探索更多成功之路。“上云企业”与“云上企业”，这不是一道小学语文题，而是企业在数字经济时代的认知题。2021 年国家工业信息安全发展研究中心、埃森哲商业研究院联合调研并发布的《2021 中国企业数字化转型指数》报告中指出，560 家企业参与的数字化调研中，仅有 16%的企业在数字化转型中获得比较明显的成效，还有很多企业没有明显感觉到数字化给他们带来的价值。当中一定有什么障碍，横亘在上云企业的业务和生产实践之间，所以我们一直在思考，“云”对于企业意味着什么?过去数年，企业是否要做数字化转型，是不是要上云，是由信息化主管 CIO、CTO 决定，彼时绝大多数企业，包括提供云计算产品和服务的我们，都认为上云是个技术选择，把它当作信息化的延续。但是，随着云计算的发展，我们发现，越来越多负责战略的企业一把手，开始深度介入到企业数字化转型中，他们关心更完整的云上蓝图。云厂商不是卖完云就可以收拾好行囊离开，我们必须要给客户描绘出一张蓝图，并且要规划出清晰的数字化路径。这促使我们再思考，如果说，“云上企业”代表了一种战略选择，那它究竟包含哪些重要方面，需要关注哪些重要命题。从“企业上云”到“云上企业”从“企业上云”到“云上企业”，云在企业数字化转型战略中的作用已发生根本变化上云是企业数字化转型第一步，已成为业界共识。以前我们说“企业上云”，大部分工作是在做“企业 IT 基础设施云化”与“应用系统上云”的事情。大型企业把各类管理系统、生产系统、营销系统从原来老旧机房或独立 IDC 搬到云上，节省了大量 IT 基础设施建设成本和运维成本；中小互联网公司则把核心业务搬到云上，利用云的动态弹性扩展能力，解决业务急速增长时的 IT 瓶颈问题。在这些场景下，云代表了一种新的 IT 资源使用模式和交付模式，具有传统 IT 服务无可比拟的经济优势，这就使得云成为企业数字化转型中的一种全新的生产要素。而在数字经济程度越来越高的今天，企业需要通过上云实现生产在线、管理在线，甚至连接外部更广泛的社会资源、实现业务流、货物流、资金流、人才流、信息流——这样云就不只是一种计算资源，而是一种新战略的开启。而云作为一个全时在线的数字化承载，天然具备跨越物理时空的优势：企业以云为基础，能够让更多相关方在线连接形成共生网络，运行起来就会产生大量的行为交互数据，企业通过算法挖掘实现智能化，进而为数字化业务创新提供无限可能。从这个意义上讲，云也成为企业数字化转型中的一种全新生产关系。从生产要素到生产关系，进而成为全新的生产力，类似的对技术的认知转变在电气时代也发生过，结合技术和社会发展史可以得出，每一种革命性技术一方面会形成一个工具、一种生产资料，另一方面，它肯定会深刻变革着各种各样的生产关系。电力和云，除了作为新的生产力要素之外，他们还可以影响其他的生产力，与之产生联系并发生变化，基于这些考虑，我们认为，应该把对云的认知，上升到社会经济的角度来看待。过去五年间，我国数字经济年均增速达到 16.6%，是 GDP 平均增速的二倍，规模达到 39.2 万亿元，在 GDP 中占比达到 38.6%。即使 2020 年在新冠肺炎疫情冲击和全球经济下行叠加影响下，我国数字经济依然保持 9.7%的高位增长，是同期 GDP 增速的 3 倍多(信通院 2021 年《数字经济白皮书》)。数字经济已成为我国中长期稳定经济增长的重要引擎和关键动力，数字经济的时代已正式来临。数字经济的快速发展，也在驱动企业加速进入到数字化转型“深水区”：不仅要实现企业 IT 架构升级的支撑性要求，还要实现业务重塑、降本增效、找到新的业务增长模式的发展性要求，同时还要满足安全合规、风险管控、绿色发展等多方面的约束性要求。对于企业来说，今天数字化转型不再是“要不要”的问题，而是转型速度“快”与“慢”，转型质量“高”与“低”，决定着企业在这场数字经济大潮中的成败存亡。树立数字经济时代“原住民”观念从“上云企业”向“云上企业”转型的过程往往是不轻松的，也是企业由“移民”变为“原住民”的进化之路。麦肯锡的数据显示只有 20%左右的传统企业转型成功。传统企业转型经常面临着以下误区：、误区一、把数字化技术应用等同于数字化转型Gartner 对云计算的未来发展预测，到 2025 年，将有 85%的企业和组织采用“云优先”原则，上云意愿非常强烈。但是，很多企业的负责人对上云的认识缺乏全局观，认为通过“上云”为企业提供了更好的 IT 资源和先进的技术平台，就是在做数字化转型，没有意识到数字化转型要与企业的整体战略、关键业务发展与商业价值相结合，是企业理念、战略、组织、运营等全方位的变革。误区二、转型战略落地缺乏体系化保障传统企业信息化部门和业务部门存在非常清晰的边界，信息化部门往往只负责 IT 资源和业务系统可用性，而对业务规划甚少涉及，只负责“数字化”而不负责“转型”；即便是有转型要求的业务部门，也因缺乏有效的组织、人才、考核激励等机制保障，导致整体规划及落地路径设计的科学性不够、全局性不足。比如，考虑哪些业务转型是“单向门”没退路、哪些业务转型是“旋转门”需要设计失败回退路径等。误区三、把“上云”当终点而忽视可持续发展多数企业 IT 负责人认为建云和把应用“搬”上云体现了技术工作的“显性成功”，而没有意识到“上云”不是终点，后续三个动作才是关键：一是如何让生态在云上协同开发更加顺畅，二是如何保障云资源供需双方的精准匹配和保证资源利用率，三是如何合法合规推动企业自身数据云上聚汇并作为生产要素流动起来。这些都是云持续发挥价值，源源不断的支持业务转型的关键。绘制企业云战略一张图基于多年政企客户服务经验，我们总结提出“企业云战略与发展设计框架”，目标是为企业开展云上数字化转型提供一套方法论的参考，避免误区，提高成功率。包括以下五大关键要素： 战略上，要把“云”与企业业务战略的制定和落地紧密关联首先，“云”是企业战略制定的重要依据。战略的本质是解决发展问题，在数字经济时代，“速度+颠覆”使得企业发展机会充满了不确定性。有时候光靠“人”去看战略是看不清的，这时候需要通过“云上”的“关系网络”及沉淀的数据，来帮助企业看到很多看不清的客户需求和商业机会，从而做出更具确定性的战略。可以说，企业把“云”的价值边界扩展到哪里，企业未来发展的版图就走到哪里。其次，云是企业战略落地的关键承接。企业战略是自顶向下的设计和拆解，云战略要与之进行紧密匹配和承载。这里要做三个关键动作：一是对焦云在企业战略中的地位，定义云在能力水平及价值创造等方面的阶段性目标；二是识别业务云化的关键机会与价值场景，定义业务云化的关键成果和收益指标；三是选择云架构与技术路线，从战略角度基于发展、价值创造、竞争、成本及技术自研等因素进行评估决策。国内某大型头部车企，自 2016 年就开始实施企业上云与数字化转型工作，但是一直存在数字化不能聚焦于业务目标与成果的问题。2021 年启动了云咨询规划项目，将企业战略在“集团治理与全球化”“全球潮牌潮品”“认知智能化”“绿色碳中和”四个方面进行分项拆解，通过对技术部门、业务部门的数十场联合调研，细化到“四个连接”(外部用户、内部用户、供应商、设备)、“三个打通”(设计开发、供应链、营销)等具体策略，并落实到云的建、用、管、运各方面。同时基于现状，对企业进行了“云能力成熟度评估”，找出了 10 个方面差距，明确了下一步“云上企业”建设的 26 项关键任务。 组织上，要推动人与机构的数字化转型企业数字化转型首先是人的转型。上云前，企业就有各类开发、测试、运维人员，上云后，这些原来的岗位和人是否继续存在？工作方式和能力要求有什么变化？需要设哪些新岗位？都要在组织设计层面想清楚，关键做好两件事：一是云治理组织优化。云上转型是新生事物，容易发生“小事情多头决策，大事情没人决策”的情况。企业应梳理云在建设、应用、管理、运维工作中各相关方的利益诉求，构建云事项的责任矩阵，并优化云技术决策的组织架构、决策机制和流程，这些事情越早确定越好。二是云人才发展设计。传统企业多是面向大分工的科层制，要的是效率，需要的是专才，把事做专；而今天企业数字化转型，要的是创新，更缺的是全才，把事做对。企业需要重新考虑人才要求并开发新的岗位，开展知识协同体系建设、人员能力提升、外部人才合作与引入等一系列动作。鲁商集团，在疫情压力之下开始数字化转型，董事长亲自挂帅担任数字化转型领导小组组长，有了组织保障，各产业板块和二级公司非常配合，在二期项目中更多的业务单元主动要求参与实施。此外集团也在原信息中心基础上进行组织架构的变革，新成立了大数据中心，原来信息中心的主要工作偏运维支撑，而现在的大数据中心和业务的结合度更加紧密，人员也从原来各个业务板块抽调，不但有技术能力，更有业务思维。这样大数据中心逐步从后台浮现到中台，利用数据为一线部门提供有力的业务支撑。 业务上，要实现业务创新与云“一体化”生长首先，对于传统企业，数字化是一种再造而不是改良。因为传统企业业务多是职责明确和流程固定的稳态业务，但在数字化时代，企业的生产模式、营销模式、运营模式、管理模式，都因“数据”这个新要素的充分利用发生了巨大的变化。今天我们看到的全域营销、直播带货、万物互联、扫码支付、数字工厂、产业互联、智能决策等业务创新场景，无一不是对过往稳态业务的重构。而互联网企业因天生带有“云基因”和“数据基因”，业务也多是以数据为原料，从云上“生长出来”的，企业数字化转型首先是人的转型。关键做好两件事：一是云治理组织优化；二是云人才发展设计。今天企业数字化转型，要的是创新，更缺的是全才，把事做对本身就具有数字化原生的特点，快速灵活。所以对传统企业来说，要坚定的通过推动核心业务数据上云，打通更多数据、实现数据闭环，通过重构来创造新的数字化业务。这样企业才能从根本上提升竞争力而涅槃重生。飞鹤乳业集团，在其核心业务发展的基础上，坚持“建立实体零售与全域消费者的在线连接，以大数据驱动人货场的全面数字化”的整体转型策略，通过云上数据平台建设，打通了 29 个业务前端，沉淀了 1600 多万会员、10 万家门店、3 万导购等核心数据资产，全面实现了数据的标准化、资产化、价值化和服务化目标，为集团的全渠道数字营销，终端门店精细化运营和客户服务体系提升提供了云上数据支撑。今天该企业，无论从销售业绩还是品牌影响力，都成为中国乳业行业翘楚。 技术上，要通过云原生技术先进性解决关键业务问题1、云原生分布式架构，快速实现企业跨地域跨业务的协同某大型电网公司在云平台规划和设计阶段均采用专有云部署，总体架构采用“一朵云多 region(区域)”部署模式，既可以满足总部统一管控要求，又可以兼顾省级自运营和自运维的需求。以此架构为基础，建设全公司内网和外网各一朵云，形成“ IT 资源服务中心”和“数据服务中心”，实现运维运营“两级协同”，夯实了公司数字基础。2、云原生高可靠性，为业务连续性提供坚实保障某路网中心承担全国高速公路取消跨省收费站、实现跨省统一结算的系统建设重任，社会责任高，业务压力大。该中心通过采用 128 个数据节点的云原生分布式数据库 PolarDB-X 作为主数据库平台，支持全国 29 个省数据中心，2.5 万套龙门架，2.26 亿 ETC 用户的实时数据存储和处理，数据库支持每天十多亿增量数据，交易写入量高达 4.5 万笔/秒。2020 年的 1 月 1 日至 7 日撤站首周，全国 500 米以上拥堵缓行的收费站比上一年同期减少了 18%。实现了全国高速当天费用结算清分和发票拟合，保障了业务的高可靠性。3、云原生开发技术，加速企业应用云化企业业务要更灵活多变，应用开发就要更敏捷。云原生开发是以容器、微服务、DevOps、低代码等技术为基础建立的一套体系，从技术架构、开发、测试、部署和运维等各个阶段，让企业能快速构建真正“应云而生”的“云原生应用”，最大程度发挥云的优势。河北某医用包装品生产企业，创始人率领自己的高管基于云上低代码开发平台，搭建了订单系统、ERP 系统、质量分析系统、设备管理系统，仅花费几万块钱实施三个月左右，就达到了数据更易整合、使用效率更高的效果。 运营上，要坚持云安全运行和数据运营并重1、云运维的自动化、智能化企业上云后，运维工作的重心从原来维护机房硬件的稳定性和可靠性中解脱出来，变成了面向整个数字化业务场景的运维，包括海量数据处理、高并发连接、实时数据传输、异构系统的调用等等，依靠人工运维几乎不可能完成。这时云运维的关键，就是如何从手工向自动化、智能化转变。某物流企业在 2019 年全站上云之后，不仅日常系统运维实现了自动化管理，并且制定了“双 11”流量高峰期间运维护航方案：在“双 11”到来之前，运维团队完成全部 12 个业务场景的三轮全链路压测，并针对核心业务场景制定流量防护、弹性扩容、ECS 异常迁移、数据库切换等十多个应急预案；在“双 11”期间，通过业务大盘，实时监控退单成功率和响应效率，通过资源大盘，实时监控核心业务资源水位情况，最终保障了核心系统 100%可用。2、云运营的标准化、科学化云运营，是云上线投入使用后发生的所有管理活动，包括云服务的申请、订购、消费、计费、监控、报告等。云运营的核心是做好三件事：一是云服务目录与服务水平协议一定要标准化梳理出来，可视化的透出给用户，这是云在供需两端的重要契约；二是云资源计量计费与财务核算机制要科学制定，促进各类资源绿色合理使用，提升云资源利用率，避免浪费；三是把云的运营与业务运营指标结合起来，根据云资源变化情况洞察业务变化，为业务决策提供参考依据。结语随着越来越多的企业加入数字化转型的大潮，每个企业都在期待着数字化能够为其带来二次增长。“云上企业”的规划与实施对于企业意味着技术升级、组织升级与战略升级的融合与叠加，对企业数字化转型的成功有着决定性的基础价值。数字化对于组织的影响已延伸至神经末梢，一家真正意义的云上企业，转型过程必然是甘苦交织，我们也会继续以“企业云战略与发展设计框架”为指导，关注企业的组织、人才、咨询和运营等全方位的革新，在更广阔的行业数字化转型中探索成功之路。点击此处，下载云上发展框架设计白皮书！

随着车联技术的进步，V2V(车辆与车辆互联)、V2X(车辆与基础设施及其他事物互联)趋势逐步深化，无数传感器收集海量数据。掌控接口，采集和汇总数据已悄然成为车联业务必不可少的环节;然而，如何利用这一筹码，捕捉汽车产业上下游价值链动态并开发潜力，有效变现数据才是重点。问题的解决上，各方还处于起步阶段。 为此，麦肯锡公司启动了大规模多模态的研究，包括召集汽车行业(OEM、供应商、销售)、高科技，保险，电信、金融等方面的重头人物，在德国和美国举行圆桌会议;在中国、德国和美国调查评估消费偏好、趋势;逐一访谈相关板块的领军力量;开展“客户诊所”项目，收集指向各种汽车连接功能和服务实用性态度的用户观察资料;开发基于行业关键参与者所优选案例的模型，来量化与汽车数据相关的总总收入，并汇总给出了报告。 全球汽车产业宏观趋势和汽车数据的价值机遇 四大因素促使汽车数据变现潜力提升：环境问题和更加严格的排放标准成为决定因素，到2030年，包括混动、插电、电池、燃料电池在内的新能源车将占汽车总销的10%以上，某些地区将高达50%;共享经济作为逐步替代私家车，成为全新模式，到2030年，每十辆新购车就有一辆是共享车;车联网的日趋成熟，ADAS逐步落地;到2030年，近乎15%的乘用车将支持完全无人驾驶，汽车的“第三空间”概念全面深入。 (四大因素;来源：麦肯锡)　　 (汽车相关相关产业总收入增速惊人;来源：麦肯锡) 培养更有理有据的客户消费新主张 数据变现之路的第一个挑战，是与终端用户的价值体系打通，也就是要培养一套更有理有据的客户消费新主张。本质上讲，汽车数据的价值创造核心是数据与利益的交换。而客户的利益诉求又最终落在了四大方面：安全、便捷、省时和实惠。 在调查中发现，对于如下两个问题： 1. 分享数据意愿：下列何种服务版本你更中意? 表中展示了数据分享中，选择完整或基础版的受访者百分比 2. 付费意愿：对于此种服务，你更倾向的获取方式是什么? 表中展示了放弃免费或带广告版本而选择付费版本的受访者百分比 (德、美、中三国的受访者数据;来源：麦肯锡2016汽车数据变现问卷调查)　　 (德、美、中三国的受访者数据;来源：麦肯锡2016汽车数据变现问卷调查)德、美、中三国客户愿意分享的数据排首位的分别为：车载非驾驶相关数据、车联导航和预约汽车保养;而付费意愿最强的分别为网联停车、用户监测及评分和预约保养数据。 另外，全球90%的被调查者知晓数据被用于应用或第三方;79%的受访者表示答题允许数据被采用;79%的受访者比起移动出行数据，更愿意分享应用或智能端操作系统的个人数据。调查还表明,年轻人和经常出行的旅行者对于数据驱动的功能或服务体现出更浓厚的兴趣;大约75%的客户不介意将数据共享给主机厂，这其中有1/3的人表示要保证数据不被出售。 构架业务模型，发掘案例价值和开发变现思路 汽车大数据拓广了市场及产业生态圈，带来了新的参与者，也提供了海量案例和变现商业思路。其中涉及主机厂、供应商、零售商、维修厂、保险商、道路辅助提供商、基础设施运营商、科技巨头、创新企业、服务提供商、移动运营商、政府相关政策部门。行业主要致力于产生价值、降低成本和提高安全性。 事实上，这一产业价值链上的参与者和相关案例可产生的利益关系是复杂的，由诸多因素驱动： 用户的使用率和付费意愿--驱动商机的经济吸引力;价值链的复杂性--驱使多数参与者合作(如“网联停车”或“e-call/b-call 服务”);塑造价值链关键节点和技术储备的渠道和能力;对行业动态数据权衡和反应，判断商机、推动执行的核心能力。将三个关键技术推动因素安置就位 汽车数据变现依赖于三大重要技术赋能因素：车内技术、基础设施技术、后端进程技术。 (来源：麦肯锡)其中，在基础设施技术上，包括八大方面：高速基站塔、V2X车联、道路智能基建、大数据分析、云数据、软件平台、高精度地图和高分辨定位。 (来源：麦肯锡)　　 (后端进程，包括各方协同的后台技术支撑;来源：麦肯锡)完善自身能力，建立联盟和协同布局 完善自身能力的同时，汽车数据变现的产业生态更依赖与各方精心规划的战略协同合作，包括：主机厂的内核经营、科技巨头的外部资源、供应商和服务提供商的分散作用以及大数据分析的专业化合作。 (来源：麦肯锡)新阶段：启动数据变现旅程的五大实用建议 在这一汽车数据变现启程阶段，对于各企业，麦肯锡给出了建议： 在决策层规划远大布局深挖既有案例功在当今，为以后建立鲁棒性更强的解决方案建立科技、商业的合作生态圈以更好的思维完善内部体系“免费移动资源”--客户利益，是商机还是乌托邦 在文末，麦肯锡提到了很有意思的概念：(为终端客户提供的)免费移动资源--包括车本身、里程、车载流量等。 将交通资源变成一种服务载体，汽车数据驱动的商业模式是有能力实现的。大胆地想，在一定的环境、时间、条件下，以数据交换为前提，将移动资源免费提供给终端客户，是否可行?随着未来无人驾驶技术和车联网技术的结合，商家可能为用户免费提供移动资源，是以精准广告投放、用户的商品反馈和车载消费为交换的。与此同时，多方商业体将率先在商场(或集散地)推广免费车，因为汽车的高自动化将极大意义地降低个人出行成本;而下一代的车联以及数字技术可以把车本身变为“商场第一站”(客户消费的一大场所)。 这个构想是有趣的，类比当今手机等移动终端的服务绑定趋势和免费化，这又绝非象牙塔，具体落地也并不虚无缥缈。 麦肯锡从多种角度给出了可行的方向： 首先，“移动资源提供实在的利益提供给客户”： (来源：麦肯锡)这一思路用在汽车后市场的增值服务绑定上，也再合适不过了，取得用户数据，构建生态圈，利于主机厂也利于运营商，利益共享;同时客户也实惠到手。 其次，免费的移动交通资源更可以增加用户的到店率 (来源：OSM-在线协作地图，LandScan)理解一下，这个思路其实是拓广了实体店的覆盖消费群体的地域范围。 (全新的商业模式，将收集客户数据、提高客户忠诚度、提升品牌消费体验和曝光度;来源：麦肯锡)1. 消费者决定购买某品牌产品，预订其移动服务2. 在车上决定购买的品类意向3. 由于已经预约，到店得到店员的全面而体贴服务4. 在店员的协助下购买商品5. 回到车上，利用车载的流量提供商品及服务反馈6. 系统的数据同步，汽车服务知晓消费者的时间安排，并根据其空闲推荐品牌活动;提供免费茶饮作为消费鼓励 。 本文出处：畅享网 本文来自云栖社区合作伙伴畅享网，了解相关信息可以关注vsharing.com网站。

ZD至顶网CIO与应用频道 03月30日 北京消息：   作为中国最具代表性的跨境电商，阿里巴巴国际站上有超过1亿件产品，平均每件产品有2000字产品说明，按此计算阿里国际站上的产品需要翻译总量超过2000亿字，而这个数字每天都在增长。整个中国跨境电商产品翻译总量预计超过4000亿字/年。 一个BAT的需求只是冰山一角。根据《2015全球互联网报告》最新发布的数据显示，目前全球互联网用户已超过30亿，占全球总人口的40%。截至2014年12月，中国网民规模达6.49亿，互联网普及率为47.9%，然而全球接近90%以上的网民不具有母语以外的语言技能，其中59.4%以上的用户具有跨语言、交友、购物、娱乐、旅游、享受教育等的需求。 无法计算的数据量每一天都在资讯、影视多媒体、社交媒体、电子商务网站上呈指数增长，分秒间都在提醒我们身处于大数据时代。 在国家大数据战略下，各行各业的大数据应用都在挖掘数据海洋的价值。根据中国信息通信研究院的报告，2015年，中国大数据市场规模116亿人民币;IDC数据显示，2016年，全球大数据市场将达238亿美元；《中国大数据产业白皮书》大胆预测，2020年，中国大数据市场规模8200亿人民币；而麦肯锡对2020年美国大数据市场价值的估计是6900亿美元。 但是，目前大多数大数据只是在单一语种，那些散落在全球范围内的多语种价值大多沉睡海底。放眼国际，你可曾想过联合后的多语数据比单一语种数据价值能高出多少倍？这部分无法计量的价值又如何打捞？ 好消息是，语言大数据至少是目前解决此问题的不二方法。语言是一切沟通的基础，通过语料的收集、处理和智能分析，我们将从数据源头抓取跨语言大数据的价值。 近日，“语言大数据联盟”成立预备会在京召开，这个组织要解决的问题顾名思义。该联盟是一个全球性、多领域、多语言的基于大数据资源开放与共享平台的科研应用联盟，由全国翻译专业学位研究生教育指导委员会、中国对外翻译有限公司及全国二十余所重点高校联合发起，将解决语言大数据下的系列问题，为全民提供跨语言大数据智库。据悉，2016年4月8日此联盟将在青岛召开第一次大会，届时有超过100所高等院校、企业与科研机构参与会议，共同就语言大数据的共建、共享与协同进行深入地交流与分享。 原文发布时间为：2016年3月30日 本文来自云栖社区合作伙伴至顶网，了解相关信息可以关注至顶网。

站在互联网数字经济时代的“风口”，聚焦大数据、人工智能、无人驾驶汽车、中国制造2025、“互联网+”等公认的“暴涨”行业，直接催热了国内各大高校的大数据专业。大数据专业悄无声息的就一下子成为了大学的"新宠"，232所高校竞相布局大数据相关专业，抢抓新机遇，立求在大数据时代占有自己独有的一席之地。 2017年3月，在教育部公布的高校新增专业名单中，有32所高校成为第二批成功申请“数据科学与大数据技术”本科新专业的高校。第一批成功申请该专业的高校共有3所，为北京大学、对外经济贸易大学及中南大学，于2016年2月获得教育部批准。 时隔一年的2018年4月，教育部公布《2018年高等职业教育专业备案和审批结果》，确定了2018年经各省级教育行政部门备案的非国家控制高职专业和教育部审批同意新设的国家控制高职专业共计733个。在高职院校新增专业中，“大数据技术与应用”专业成为热门——全国总计有143个大数据专业获批新办。俩专业学制都为四年，授予工学学位或理学学位。 大数据产业迅猛增长，人才缺口高达150万 我国大数据产业迅猛增长，相关人才高度稀缺。2016年，近六成企业已成立大数据分析相关部门，超过1/3的企业已应用大数据，中国大数据市场规模168亿元，预计2017-2020年仍将保持30%以上的增长。根据麦肯锡公司分析报告， 2018年，国内大数据科学家的缺口在14万到19万之间，懂得利用大数据做决策的分析师和经理岗位缺口将达150万。 在市场需求和人才供应的不均衡下，大数据人才问题日渐严峻。人才紧缺带来的最直观的现象就是薪酬的提升。 日前，在西安交通大学举办的一场招聘会现场，来自各地的300多家单位提供了14000多个人工智能专业相关岗位。企业为人工智能、移动终端、云计算、大数据等相关专业应届生开出的年薪约为30万元到40万元，大数据专业毕业生可谓炙手可热。 两年光景，高校大数据专业迅速扩张 2016年2月第一批”数据科学与大数据技术专业”获批名单 2017年3月第二批”数据科学与大数据技术专业”获批名单 2018年4月 高职专业中与大数据相对应的是“大数据技术与应用”专业，它是2016年教育部公布的新增专业，2017年，部分高职院校以“大数据技术与应用”专业开始招生。 首批批准设立大数据专业的高职院校有54所，而到2018年，共有143所高职院校的大数据专业获批。可以看出，大数据专业在高职院校的“落地”，今年呈现出“放量”的迹象。 目前全国共计197所高职院校获批开设大数据专业，具体名单如下： 结语 当前，新一代信息技术正广泛渗透到经济社会的各个领域，聚焦新经济、新产业发展，高职院校在办学和专业设置上，也面临“推陈出新”的新局面。对高职院校而言，既是机遇，也是挑战。 大数据专业强调交叉学科特点，以大数据分析为核心，以统计学、计算机科学和数学为三大基础支撑性学科，培养面向多层次应用需求的复合型人才。因此，如何跟随产业变化，培养满足技术和企业发展需要的大数据人才，是学校迫切需要思考和解决的问题。 原文发布时间为：2018-07-19本文来自云栖社区合作伙伴“CDA数据分析师”，了解相关信息可以关注“CDA数据分析师”

10月28日到31日，全国移动互联创新大赛大数据专项赛暨滨州2019大数据和人工智能研讨交流大会在滨州举行。本次大赛暨大会由全国移动互联创新大赛组委会、滨州市人民政府共同主办，滨州市大数据局、滨州职业学院、滨州市大数据产业协会、北京青苔数据科技有限公司承办。大会以“数聚赋能·智享未来”为主题，旨在配合国家大数据战略，加快产业人才培养，促进创新思维、实践能力和协作能力的提升，建立起专业研讨和融合创新体系，逐步推动大数据在滨州市各行业的创新应用，为产业发展提供大数据支撑，促进数字经济发展。全国移动互联创新大赛战略合作伙伴青苔数据承办了本次大赛。会议期间，青苔数据CEO程永作了 “互联网+大数据创新” 主题演讲，主要分享了以下观点： 1、大数据和人工智能成为国家战略，2019年全球大数据市场将超过1250亿美金，中国在全球市场占比将超过8%，超过100亿美金（IDC报告）。 根据Gartner最新发布的预测报告，2018年全球人工智能市场规模将高达1.2万亿美元，较2017年增长70%之多。2022年人工智能驱动的商业价值将高达3.9万亿美元，其中决策支持/增强（例如DNN深度神经网络）2018年占据市场总规模的39%，2022年占据44%，虚拟助理（2018年46%，2022年26%），智能产品（2018年18%，2022年14%），决策自动化系统（2018年2%，2022年16%）。 2、大数据和人工智能工程师市场人才缺口在持续扩大。 中国未来3-5年内需要有180万人从事大数据相关的岗位，目前大约有150万人才缺口（麦肯锡全球研究院2016年预测）；2017年，大数据及人工智能人才需求迅猛增长，招聘人数猛增6倍。大数据开发类职能增长幅度最为惊人，达795%。（Linkedin领英数据）。 3、截至2017年第一季度全球人工智能领域专业技术人才数量超过190万，其中美国人工智能领域专业技术人才总数超过85万，高居榜首。中国人工智能领域专业技术人才总数超过5万人，排在全球第7位。印度、英国、加拿大、澳大利亚和法国分列2-6位。（来自linkedin数字） 4、大数据核心领域关键词 5、人工智能核心领域及关键词

大数据领域正在发生巨变。有更多的数据被创造、存储和迁移，而企业比以往任何时候都更加渴望从中获取价值。 对数据增长的预测令人震惊。美国计算机科学公司（CSC）估计，到2020年，超过三分之一的数据都会途经或存放于云端。数据存储厂商易安信（EMC）表示，数字世界的规模目前每两年就要翻上一番，待到2020年，每年生成和复制出的数据将达到44ZB。 按照思科（Cisco）的说法，要不了五年，智能手机的网络流量就会超过电脑的网络流量。该公司预测，到2020年，电脑在网络流量中的占比将只有29%，而智能手机将占到30%。而若仅就物联网而言，麦肯锡全球研究所（McKinsey Global Institute）预计，到2025年，嵌入式传感器和联网设备对世界经济的贡献将高达6.2万亿美元。 如何对迅猛增长的数据量进行有效管理？这已经成为一大难题。Unisphere Research近日对身为独立甲骨文用户联盟（Independent Oracle Users Group，简称IOUG）成员的数据管理者和数据专业人士进行了一项调查，发现数据足迹的实例数量和规模大小都在膨胀，给管理者带来了不小的挑战。据甲骨文（Oracle）赞助的《迅速加快的云事业：2015年IOUG数据库可管理性调查》（The Rapidly AcceleratingCloud-Enabled Enterprise: 2015 IOUG Survey on Database Manageability）报告显示，大多数受访者称他们的数据量每年增长10%以上；至少38%的受访者称他们的公司管理着至少100个不同的数据库，较2013年的调查结果（25%）有所上升。 数据库规模方面，10%的受访者称数据规模每年在以超过50%的速度增长，另外28%的受访者称增速超过20%。这项调查发现，为了维护数据环境的通用性和一致性，市场对自动化和主动式管理的需求均有所上升。 随着企业从墨守成规向创新转变，易安信赞助的另一项IOUG调查发现，虽然很多企业继续通过添加更多的存储阵列和服务器等硬件来应对令人头疼的数据库和数据中心挑战，但提高效率的进阶方法也越来越受关注。整合、自动化和虚拟化便是三种直接关系到这些受访者所在企业未来能力的数据管理方法。 总而言之，随着数据种类、数据量和处理速度的增长，需要采取新的数据管理方法。如今，数据湖使企业能够积累大量数据以供将来分析，云技术为企业获得所需技术和服务大开方便之门，人工智能则有望主动简化数据管理。开源技术对大规模数据处理的价值也越来越受关注，比如Spark和Hadoop，以及能在通用硬件上运行、支持非结构化和非关系型数据的各种NoSQL数据库变体。此外，数据发现和数据可视化对普通商业用户大有好处，不断发展的物联网提供了大量的实时数据分析机会，还有各种各样的方法可以从新的数据源中获取价值。 为了应对IT行业的迅速变迁，有些公司甚至进行重组，希望以此令自己处于最有利的地位，牢牢抓住新的机遇。在过去的一年里，很多引人注目的并购和拆分已经或即将完成，有些行业专家预测科技企业在证交所挂牌上市的数量将出现增长。 为了帮助企业继续充分利用他们的数据，美国《大数据季刊》（Big Data Quarterly）发布了第二届年度“大数据企业50强”榜单。就管理数据和从数据中获取价值而言，榜单上这些具有前瞻意识的企业正在为我们创造新的可能。 本文转自d1net（转载）