导读

本文为智次方·物联网智库创始人彭昭在2023数智产业领袖峰会发表的主旨演讲，主题为《大模型时代的“破”与“立”》。

我们最近为什么这么焦虑?为什么AI的进化速度会这么快?为什么ChatGPT在短短两个月就能实现用户1亿?为什么比尔盖茨说ChatGPT是1980年以来最具革命性的技术进步?为什么也有人说ChatGPT不算新技术革命，没有理论创新，不会创造什么就业岗位?为什么有观点认为大模型开启的是一场存量财富的厮杀?

【资料图】

这么多问题，又有这么多的矛盾。因此我们从这些问题出发，试图寻找答案。

我们研究了过去一代又一代新技术的崛起，我发现这其中有很明显的规律，相同的模式重复了一遍又一遍。

在过去的200多年间，每一次技术跨越，生产力变革永远不会缺席。每次新技术的崛起，都伴随着破坏与重塑，也就是熊彼特所说的，颠覆式创新。

其实如果仔细阅读历史，每一次的技术革新都没那么容易，比如电灯的发明也是经历了波峰波谷的。在爱迪生发明电灯的80年前，就有英国的化学家发现实验室中的铂丝通电发光。可以说，爱迪生让电灯得以普及，他在推广的过程中功不可没，他的发明为“电”这种东西创造了一个killer APP。在有电灯之前，普通人根本无法理解电能，看到电灯之后，大家恍然大悟，哦，原来电可以用来做这个。就像我们看见ChatGPT一样，原来人工智能可以做这个，还能做那个。ChatGPT就像电灯的诞生一样，让我们突然发现智能是像电一样的东西，可以遍布各处，可以随意取用。

每一次颠覆式创新，都伴随着多重技术的迭代，比如电灯、还需要电力系统、直流电转交流电等等设施，当时他们也遇到了煤气灯的阻击，说电力会杀人，就像现在有人说人工智能会让我们失业一样。

所以你看，历史的模式多么相似。但如今成功的是哪些人呢?是那些电灯一出现就使用的人，是那些快速学习互联网的人，是那些拥抱云计算的人，现在，成功属于那些以积极心态面对大模型的人。

所以，我们来观察这次大模型带来的变革。

数字原生组织：物理世界可编程，工作流程全建模

先说结论，大模型的发展让我们重新思考什么是数字原生组织?我们认为，数字原生组织就是那些更加贴近物理世界可编程的状态，实现从卖产品到卖服务转变的组织，那些通过对工作流程全建模，推进人机协同的组织。

为什么会有这样的结论呢?我们需要一起来剖析大模型值得关注的一些要点。伴随大模型诞生的还有新的摩尔定律， 这是OpenAI的CEO Sam altman预言的：宇宙中的智能数量每18个月翻一番。这是一个很可怕的说法，因为我们都知道芯片的摩尔定律给我们的生活带来的影响。

还有一些需要我们注意的内容：

第一，功能型AI与拟人型AI在大模型时代均迎来革命性突破。也就是说大模型不仅智商高，而且情商也高。

第二，AI不会是一个纯虚拟的存在，它正在转到现实世界。通过具身智能，AI将会帮助人在物理世界、生物世界，创造更高价值场景。

第三，我们需要关注垂类知识与行业域的大模型应用。

有人说，AI时代所有产品都值得用大模型重做一遍，这是有道理的。因为未来互联网入口将发生变化，比如我们以前的搜索引擎，权重是基于page rank，现在这个基础正在动摇，未来我们搜索的权重有可能基于GPT rank。

用户通过AI界面直接调用大模型，原来APP建起的壁垒都会被绕开，很多产品的范式将被颠覆。我们所有的企业都需要思考，我们之前业务的基础是否会发生重构?

也确实有企业，正在用大模型，以“光速”把之前的应用重做了一遍。我们每天醒来，都会看到这方面的新消息。

除了感慨于大模型造成的快速创新之外，还需要关注大模型带来的成本变化。

以前的几次颠覆式创新，大部分围绕生产制造的环节展开。而这一次大模型带来的生产力改进，则是围绕服务环节展开。它治愈了困扰我们多年的鲍莫尔病。

我们先来看看这是一种什么病。

鲍莫尔观察到，在各个部门之间，劳动生产率的增长率通常是不一致的。生产率增长较快的“进步部门”的工资上涨，会同时带动“停滞部门”的工资上升，但却拖累整体的生产率增长。这里的进步部门，大多是制造相关的，而停滞部门，大多是服务和后勤相关的。很多人可能有切身感受，生产制造环节的技术迭代日新月异，但是和服务相关的部分，却没有那么多变化。

介绍完了病，然后我们来看大模型给的是什么药。

大模型的出现使所有行业、所有部门的劳动生产率急剧增长，尤其是服务相关的部门，也就是说在人工智能时代，已经没有任何行业是鲍莫尔所说的停滞部门或者渐进停滞部门，这彻底颠覆了鲍莫尔病成立的基础。

右图是机器换人的潜在场景图谱。替代的逻辑是按照投资回报率，计算替代人效比(也就是机器人的购买及维护成本，相对于同岗位人力成本的回本周期)：

ROI < 48个月时，该细分赛道会有产品出现;

ROI < 24个月时，该细分赛道的企业开始批量购买测试;

ROI < 12个月时，市场开始全面爆发。

随着人工智能机器人的普及，不仅制造环节会有机器换人，服务环节和其他部门也将会陆续经历机器与人共存的局面。除了机器换人，我们还需要关注到更深层次的成本结构的变化。

互联化、云化、大模型化让“成本界”也有摩尔定律：反摩尔定律。

什么是反摩尔定律?如果你反过来看摩尔定律，一个IT公司如果今天和18个月前卖掉同样多的、同样的产品，它的营业额就要降一半。

互联网让我们获取信息的边际成本趋近于0，我们不用花钱购买百科全书，什么信息都能搜索到。云计算让企业的IT基础设施成本快速下降，数据中心有了规模效益，就像左图所示。

那么大模型呢，它将带来怎样的变化?

大模型加速了物理世界可编程的实现。

什么是物理世界可编程?以前原子是原子，比特是比特。特斯拉的创始人马斯克曾经说过一句很经典的话：产品制造是把原子排列成需要的形状，决定成本的是如何去排列这些原子。

因此，基于第一性原理思考，产品最低成本=原材料价值(获取原子的成本)+所需知识产权(排列原子的方法)。从这个第一性原理出发，我们的产品成本能够被重构。

这一句话拉近了原子与比特的距离。

随着数字革命对现实世界的影响已经开始达到临界值，我们正在着手进行下一个重大转变：可编程的物理世界。在创造现实之上的数字世界的同时，也需要用数字的方式控制和改造物理世界。

这里的想象力和市场空间巨大。

这种对于实体产品成本的变化，将是结构性的改变。

我们不得不等待一场金融革命。每一次科技革命的幕后推手，都与金融革命密不可分。

第一次金融浪潮，形成企业债券市场。瓦特虽然改良了蒸汽机，但是普及并没那么容易。英国依靠中央银行和商业银行体系，最早推出了企业债券，为蒸汽机的发展提供了大规模、可持续、低成本的资金。

第二次金融浪潮，形成了证券交易所。爱迪生发明电灯，福特创造了T型车，洛克菲勒创办标准石油公司，背后都离不开纽约证券交易所，用股权融资代替债券融资，投资银行完成了对实业的布局。

第三次金融浪潮，是我们都很熟悉的风险投资模式兴起。

第四次金融浪潮，已经出现。

比如OpenAI的CEO Sam Altman，就同时创办了一家机构，发行worldcoin。如今新技术也已经渗透到金融服务领域，金融正在经历从大型主机式金融机构，到金融即服务，再到开源原生金融的转变。

所以，这一次我们看到了相同的模式不断的重复，这只是其中的一次重复。

这些浪潮的叠加，我们有大模型、有AR、VR即将带来的突破，有机器人的革新，以及新的一波金融浪潮的就绪，这一次浪潮如果有个总称，那就是元宇宙。

现在元宇宙的热度已经降到冰点，也有人认为是凉凉了。每次我在提到第四次金融浪潮，或者元宇宙的时候，都会听到很多不同观点，包含很多争议，这恰恰是机会所在。众口一词说好，众口一词说不好，恰恰意味着没有机会。反而是哪里有争议，哪里就有机会，争议意味着这个东西的价值还没有被市场深刻的发现。

在这个技术即将打败人的经验，机器的知识终将超越人的知识的时刻。元宇宙可以作为一个宏大愿景，解决知识的产生、利用和规模化复制的瓶颈，实现企业价值创造的新突破。

这就是我们观察到了不断在重复的模式，以及这些模式汇聚成的愿景。

大模型行业应用的受益者是“传统企业”

我们研究了过去一代又一代新技术的崛起，发现这其中有很明显的规律，相同的模式重复了一遍又一遍。这个浪潮过后的受益者，也都在不断押韵的重复。我们判断，大模型行业应用的最终受益者是传统企业。

这是大模型的技术栈和价值链分析图，有没有感觉似曾相识?大模型的技术架构同样分为基础设施层、平台层、应用层，这几个层次。

我们之前在物联网、工业互联网、云计算，都看到了类似的架构。

最终谁会收益呢?每一次的模式都相当一致，价值链的受益者会朝向最终用户的方向移动。

举个我们身边的例子，比如高速收费站的ETC机会，当时由于政策的推动，诞生了一堆明星公司。ETC浪潮启动的时候，首先是上游芯片紧缺，芯片、模组厂商成为最挣钱的环节;但这个过程比较短暂，伴随着这种技术的快速普及，对产业内的组织、业务能力的挑战非常高;长期看，盈利的环节逐渐朝向下游移动，善于利用新技术做长期运营的公路收费公司反而获益最多。

而公路收费公司，恰恰是看似传统的“传统企业”。

传统企业应用大模型的过程，我们也参照工业互联网、物联网等技术浪潮的模式，预判将会经历3个发展阶段：内化、外化和外挂。

内化是企业先应用大模型，解决公司内部的效率问题;

外化是企业横向的在产业上下游进行一个价值链的延展;

最后外挂，企业将大模型的应用赋能到整个生态圈。

这3个发展阶段并不一定必须遍历，有可能跨越。应用大模型，并不是让传统企业一夜之间变成微软，或者变成一个行业大模型公司，而是传统企业在数字化浪潮下保持自身竞争力的必然选择。

AIoT领域的企业，宇视、中科创达等，陆续推出了大模型，近期可能还会有更多企业投入其中。

接下来聊聊大模型在不同行业应用的潜力，我们主要谈两个行业，工业和汽车。

我们前不久曾深入访谈了超过30家工业互联网产业链上下游的企业，在问到有关大模型的问题时，发现这个新事物在工业领域的落地是有争议的，更确切的说，争议非常大，堪比大家对元宇宙的争议。部分支持者和反对者们恨不得要和对方“绝交”了，我们来看看双方的观点。

在接受调研的企业中，超过70%是AGI技术的“观望者”，在他们看来，大模型在工业领域的应用落地还很遥远，甚至可能是个“伪命题”，左侧是他们的理由。

而在另外接近30%的坚定支持者眼里，情况则完全是另一回事，右侧是他们的理由。

还有一些企业，正在探索大模型在工业领域的落地实践。

比如西门子和微软合作，将大模型用于PLC辅助编程;初创公司Divergent 3D使用大模型为豪华跑车制造商阿斯顿·马丁设计的概念车打造后车架，在短短一个小时之内就可进行30~40次迭代;阿里的工程师通过钉钉对话框控制机器人完成一连串的动作等。

在汽车行业，我们看到已有众多头部企业拥抱大模型，纷纷探索将AIGC应用在产品营销、客户服务、座舱交互、自动驾驶开发、智驾辅助训练等方面。

我们已经发布了工业互联网和智能网联汽车两份产业图谱，感兴趣的朋友可以关注图谱中的详细分析。

以上，我们谈到了大模型只是众多技术革命浪潮其中之一，大模型的产业应用正在起步，这个模式我们观察到了多次，正在不断上演。

说完了技术和产业，我们更递进一步，来谈谈大模型在企业组织层面掀起的变革，组织的能力与企业的成就有不可或缺的关系。

大模型的影响从技术、产业渗透到企业组织

大模型为我们提供了一次企业组织层面的刷新机会，这次刷新不止一次，是层层深入的。很多人担心大模型会让我们失业，这个太表层了，大模型引发的变革是涉及思维定式和组织架构层面的，它让我们重新思考过去约定俗成的一些做法。

知名的管理专家杨国安教授曾经提出，企业的成功=战略乘以组织能力，我们将其进行了细化，企业的成功=由业务支撑的战略X以员工为基础的组织能力。

那么大模型颠覆的是哪几个部分呢?

首先是战略和员工，接受的影响首当其冲。

大模型带动产业快速变化，战略的核心原则从长期规划改为了决策的快速迭代，过去我们10年或最多5年做一次战略就足够，而现在企业则需要半年甚至三个月就要做一次重要决定，而且这一决定很可能影响到企业未来的生死。

我们的员工也发生了变化，大模型让每个人有了“第二大脑”，人工与技术结合能够激发双方的潜能。我们的企业当中有了数字员工，根据一位朋友的测算，一个金融领域的数字员工可以完成230个人的工作。右侧的图片是拆解了代表性公司的工作流程之后，大模型可以改进或者提效的部分。

立足于这些分析，我们再重新思考什么是数字原生组织?数字原生组织至少是将工作SOP标准作业程序都建模的组织，人机协同的组织。

生产力决定生产关系，这次大模型带来的生产力变化，可能会更加深刻的影响我们的生产关系。

AI有没有可能从副驾变为机长呢?我也不知道。我试图从之前的模式中寻找答案。

先问个问题，我们做智能制造，其实是在做什么?智能制造做的其实就是，当人和机器在争夺车间生产现场控制权的时候，到底是听人员的，还是听机器的。曾经这个问题有过争论。答案已经显而易见，智能制造做的好的企业，都会把生产制造的控制权交给机器。能让机器做的，绝对不让人去做。

如果AI能够从副驾到机长，还得经历很大的改进。

前微软亚洲研究院副院长周明老师在会议中曾提出“周明曲线”：当模型参数达到100亿，就进入到语言理解能力提升的“平台区”，随着参数规模增加，AGI能力会快速提升，但语言理解能力不会再显著提升，而且在这样的参数规模上，语言理解能力已开始可以满足商用或垂直领域应用的基本需求。所以，如果是to B的大模型，参数规模选在100-1000亿之间是最经济的，且有利于私有化部署，保护企业用户的数据隐私。

在B2B领域，焦点会从“信息生成”转向“信息综合”，从“生成式AI”转到“综合式AI”，也就是汇聚信息从而改善决策。B2B领域的AI将从大规模的通用模型转向能够应用多种模型的架构，包括在特定领域和特定用途的数据集上训练的更精细模型。

由于大模型的迭代速度很快，我们有必要对未来的方向进行预判和提前准备。

站在未来看现在，大模型可能将会重新塑造我们的业务和组织。

生成式AI和大模型让我们看到了利用虚实结合的方式控制物理世界的可能性，生产计划和生产执行的流程可以让机器人充分介入，用数字虚拟的方式训练生产机器，最终实现全自动化的制造业，让机器制造机器，让我们获得实体产品的成本快速降低。

当我们趋近于物理世界可编程的时候，硬件产品的边际成本趋近于零。我们就达到一种非常接近经济学家里夫金描述的零边际成本社会的状态，那么这个阶段更有价值的是什么呢?就是附加在产品上面的服务，人们不需要电钻，而是需要墙上的洞;人们不需要汽车，而是需要便捷的出行体验。

当我们的业务从卖产品转变到卖服务的时候，我们制造的产品大多是软硬结合的形态，而且软件和服务正在成为多种行业的核心驱动力，但我们的组织结构并没有跟上产品迭代的步伐。

因为根据康威定律：一个组织设计出的系统/产品即该组织内部沟通结构的缩影。这意味着企业想要获得什么样的产品或系统，就需要什么样的组织及组织文化。

以汽车为例，在物理世界可编程的大背景下，机械装备更加接近于电子设备，智能车可以视为一台大手机。为了更加适应智能车的生产流程，特斯拉最新提出的生产方式被称为Unboxed Process。

现有汽车的生产方式由冲压、焊装、涂装、总装四大工艺流程组成。但特斯拉表示，自己的新生产方式有很大不同。它是将车辆零部件分成6个大模块，每个模块单独生产，再将其组装成整车。特斯拉测算，如果通过Unbox流程生产车辆，制造人员将减少40%，制造所需的空间和时间将减少30%。

与之相应，特斯拉的组织架构也进行了调整，通过打造动态与平台型组织结构，可以让客户和用户，更多的参与到企业的产品与服务当中。新型组织的核心能力及其要求包括：

快速组建新的协同研发网络，协同合作伙伴高效开发产品和服务;

可以突破边界使用外部的专家和人才;

甚至企业有可能将自身的某一部分或者某一环节，构建为类似DAO组织的形态。

综上，大模型变革了我们的战略、员工，还即将刷新我们的业务和组织。

物理世界可编程、工作流程全建模，善用大模型让我们更接近数字原生组织。AI正在深入的改变我们的世界，这些就是我想分享的内容。

未来我们将被AI引导，还是AI将被我们引导呢?

欢迎一起探索答案。