凯发国际官网首页|dnf达7|AI将如何重塑食品饮料产业发展
凯发天生赢家一触即发官网★ღ◈✿，凯发国际★ღ◈✿。药理研究★ღ◈✿，糖尿病★ღ◈✿。★ღ◈✿，就像是把 近乎免费的武器 摆在了企业的桌面上★ღ◈✿，企业要么用 AI 重塑竞争力★ღ◈✿，要么就可能成为 AI 时代的恐龙 ★ღ◈✿。
蒙牛自 2022 年底便开始布局生成式 AI★ღ◈✿。此次发布的白皮书★ღ◈✿，正是基于两年多的实践经验总结★ღ◈✿，展示了 AI 在食品饮料行业的典型应用场景★ღ◈✿，筛选出了五大领域★ღ◈✿、十大应用场景★ღ◈✿，并按 研★ღ◈✿、产★ღ◈✿、供★ღ◈✿、销 加 通用 归类★ღ◈✿。白皮书中的案例筛选标准包括本土化★ღ◈✿、落地性★ღ◈✿、领先性和可复制性★ღ◈✿，所有案例均已在企业内部成功运行★ღ◈✿。
在大模型应用方面★ღ◈✿，企业面临着如 自研大模型 还是 使用第三方方案 的技术路径选择★ღ◈✿。大模型应用主要有三种常见方式★ღ◈✿。第一类是传统软件的AI 化★ღ◈✿，例如钉钉★ღ◈✿、飞书等办公软件都已进行了 AI 升级★ღ◈✿；第二类是垂直大模型★ღ◈✿，如金融★ღ◈✿、医疗等特定行业★ღ◈✿，特别是那些拥有大量行业数据的企业★ღ◈✿，通过训练行业大模型实现更精准的智能化应用★ღ◈✿；第三类是 大模型 +Agent+ 知识库 模式★ღ◈✿，即以大模型为基础★ღ◈✿，结合知识库搭建企业级 Agent★ღ◈✿。通过强化智能体能力★ღ◈✿，打造出属于企业自己的 数字员工 队伍★ღ◈✿。因此★ღ◈✿，不同企业的 AI 应用路径需要根据数据量★ღ◈✿、成本收益和具体应用需求进行综合考量★ღ◈✿，以确保技术投入的最大化回报★ღ◈✿。
AI 对食品饮料行业的影响无疑将是深远的★ღ◈✿。以蒙牛为例★ღ◈✿，部分业务流程已经实现了 AI 自主★ღ◈✿，比如蒙牛宁夏 灯塔工厂 ★ღ◈✿，订单拆分★ღ◈✿、排产调度等环节都已由 AI 自动执行★ღ◈✿。未来或许会出现 AI 原生品牌★ღ◈✿，完全由 AI 运行★ღ◈✿，不过可能会分阶段实现★ღ◈✿：先从辅助决策★ღ◈✿，到人机赛跑★ღ◈✿，最终走向 AI 自主决策★ღ◈✿。但在人类仍然是主导者★ღ◈✿、监督者★ღ◈✿。
AI 正在深刻改变食品饮料行业的竞争格局★ღ◈✿，但 AI 已不再是可选项★ღ◈✿，而是企业发展的必然选择★ღ◈✿。
附上本期直播时间轴★ღ◈✿，帮你快速跳转感兴趣的部分★ღ◈✿：
09:54 十大核心应用场景★ღ◈✿，AI 助力全链路升级
13:58 自研 or 第三方？大模型应用的三种主流路径
46:40 AI 原生品牌时代即将到来？
【以下为对话实录★ღ◈✿，经钛媒体 APP 编辑】
Q★ღ◈✿：钛媒体集团联合创始人 & 联席 CEO 刘湘明
A★ღ◈✿：蒙牛集团相关负责人
AI 从 战略选择 变为 生存刚需
Q★ღ◈✿：各位观众大家好★ღ◈✿！欢迎来到数字价值观察室★ღ◈✿！今天★ღ◈✿，我们非常荣幸地邀请到了蒙牛集团相关负责人来聊聊 AI 在食品饮料行业的落地★ღ◈✿。DeepSeek 今年非常火★ღ◈✿，千行百业都在接入★ღ◈✿，你觉得这种火爆给食品饮料行业带来什么样的启示？
A★ღ◈✿：从技术的角度来看★ღ◈✿，第一★ღ◈✿，AI 技术现在还没有成熟和定型★ღ◈✿，新的技术架构可能会继续颠覆大家对 AI 能力的认知★ღ◈✿。DeepSeek 本身也是一个技术型的创新★ღ◈✿，它的能力的提升★ღ◈✿，和大家以往的认知不同★ღ◈✿，不是靠堆算力★ღ◈✿，堆数据★ღ◈✿。它在技术上有很多探索★ღ◈✿，比如像 MoE（混合专家模型）★ღ◈✿，蒸馏技术的应用★ღ◈✿，在更低成本下实现了更高的能力★ღ◈✿。
第二★ღ◈✿，大多数模型其实用的还是 Transformer 架构★ღ◈✿，这个架构其实也不是唯一的技术路径★ღ◈✿。我们也能看到去挑战 Transformer 注意力机制的一些论文★ღ◈✿，并提出了一些新的构想★ღ◈✿。所以★ღ◈✿，AI 能力现在肯定还没到天花板★ღ◈✿。但是其实地板已经出现了★ღ◈✿。从千行百业都在接入★ღ◈✿，包括原先做大模型的大厂也都接入了★ღ◈✿，都是从侧面印证了现在的 AI 有一些实用价值的能力了★ღ◈✿。
此外★ღ◈✿，我们在企业端从商业的视角来看这个事情★ღ◈✿，两年前 AI 的应用可能还算是一种战略选择★ღ◈✿，企业可以积极一点去主动的拥抱 AI★ღ◈✿，去做一些探索★ღ◈✿；也可以选择做个 等等党 ★ღ◈✿，看看这个技术是真对产业有影响★ღ◈✿、有意义★ღ◈✿，还是说像一些技术只是在某些行业★ღ◈✿，某些场景里有一些比较实质的改变dnf达7★ღ◈✿，而对于大多数的企业来说★ღ◈✿，可能只是一个技术浪潮★ღ◈✿。
但是现在★ღ◈✿，我觉得形势变了凯发国际官网首页★ღ◈✿，AI 从原来的战略选择变成了生存刚需★ღ◈✿。这个其实也跟越来越多的开源模型有关★ღ◈✿，开源之后★ღ◈✿，相当于把近乎免费的武器放到了桌面上★ღ◈✿，如果你不捡起来用★ღ◈✿，你的竞争对手就可能拿起来对付你★ღ◈✿。从以前还能再等等★ღ◈✿、再看看★ღ◈✿，变成了近乎 非上不可 ★ღ◈✿，不然就可能变成 AI 时代的恐龙★ღ◈✿。因此★ღ◈✿，食品饮料行业的 AI 转型升级也在加速★ღ◈✿。
Q★ღ◈✿：前几天蒙牛发布了一份食品饮料行业的 AI 转型白皮书★ღ◈✿，你们为什么要做这么一份白皮书？
A★ღ◈✿：蒙牛在这波 AI 浪潮中是属于引入 AIGC 技术的先行派★ღ◈✿，已经实际尝试了大概两年时间★ღ◈✿。2022 年 GPT-3.5 发布的时候★ღ◈✿，我们做了技术研判★ღ◈✿，觉得这是能深刻改变整个行业的技术★ღ◈✿，就开始组建团队★ღ◈✿，进行不同的试点★ღ◈✿。历经两年多时间★ღ◈✿，有很多的探索★ღ◈✿，正好也是赶上春节期间推理模型再次刷屏了★ღ◈✿，所以我们想借着这个时间点把落地经验做个发布★ღ◈✿。拿一些真正已经落地的案例★ღ◈✿，让更多的行业企业去看到★ღ◈✿，这一波的 AI 技术在产业里已经能实现什么样的作用★ღ◈✿。
十大应用场景★ღ◈✿，AI 助力全链路升级
Q★ღ◈✿：白皮书里边也筛选了不少非常有趣的场景★ღ◈✿，你们筛选的标准是什么？
A★ღ◈✿：食品饮料本身是一个产业跨度很大的行业★ღ◈✿，第一产业（泛指农业）★ღ◈✿、第二产业（主要指加工制造产业）★ღ◈✿、第三产业（现代服务业或商业）都有★ღ◈✿，比如说种草★ღ◈✿、养殖★ღ◈✿、产出牛奶★ღ◈✿、做加工（初加工★ღ◈✿、深加工）★ღ◈✿，包装之后进商贸流通★ღ◈✿，产业场景特别的丰富★ღ◈✿。我们当时在做场景和案例筛选的时候★ღ◈✿，基本上也是按照企业 研★ღ◈✿、产★ღ◈✿、供★ღ◈✿、销 的价值链★ღ◈✿，再加上一些通用领域做得一个系统性的梳理★ღ◈✿。
这本白皮书的案例部分★ღ◈✿，最终是五个域★ღ◈✿、十大场景★ღ◈✿、二十多个具体的案例★ღ◈✿。筛选的考量主要有几点★ღ◈✿：
第一★ღ◈✿，选择本土化的案例★ღ◈✿。我们也能看到很多国外的企业在用 AIGC 去做一些尝试和探索★ღ◈✿，但是国外跟国内的产业基础和面临的市场情况★ღ◈✿、政策情况其实都不太一样★ღ◈✿，所以是选了本土化的案例★ღ◈✿。
第二★ღ◈✿，我们的案例都是已经落地了★ღ◈✿、跑通了的★ღ◈✿，有运行数据经验的★ღ◈✿，在这个场景能发挥实际作用的★ღ◈✿。
第三★ღ◈✿，在案例的技术路径方面★ღ◈✿，我们选了以这一波的 AIGC 技术为主的案例★ღ◈✿。虽然说在传统的整个产业里★ღ◈✿，决策式 AI★ღ◈✿、小模型应用的也很多★ღ◈✿。紧跟技术发展趋势★ღ◈✿，我们特别整理了这些前沿应用的典型案例★ღ◈✿，给大家做做分享★ღ◈✿。
最后★ღ◈✿，就是复制性★ღ◈✿，既然是希望能让行业的企业去更多地参考借鉴★ღ◈✿，这些案例选的还是有一定的普适性★ღ◈✿、通用性★ღ◈✿，能让更多企业从通用的场景里产生思考★ღ◈✿。
Q★ღ◈✿：因为开源对行业推动非常大★ღ◈✿，其实你们也是把自己过往在 AI 落地里边的很多的经验做了一次开源★ღ◈✿，可以这么理解吗？
A★ღ◈✿：也是致敬开源的精神★ღ◈✿。经验分享和技术开源类似★ღ◈✿，会有积极的外部效应★ღ◈✿，大家都在为推动整个行业发展去做一些事情★ღ◈✿。蒙牛是乳业国家队★ღ◈✿，不仅是在数智化领域★ღ◈✿，在其他方面★ღ◈✿，我们也一直在做有行业担当的事情★ღ◈✿，做一些底层技术的研发★ღ◈✿，主导建立一些行业标准的制定等等★ღ◈✿。
自研 or 第三方？大模型应用的三种主流路径
Q★ღ◈✿：现在企业还是面临一个决策★ღ◈✿，到底是做自研的大模型★ღ◈✿，还是选择直接用成熟的大模型或第三方案？你觉得做这个决策需要考虑的核心因素是什么？企业到底应该怎么去选择？
A★ღ◈✿：我们当年也做过这样的探索★ღ◈✿，也训练出了营养健康领域模型 MENGNIU.GPT★ღ◈✿。现在看来★ღ◈✿，大模型的 AI 能力应用大概有三种比较常见的方式★ღ◈✿。
第一类dnf达7★ღ◈✿，传统软件本身就在 AI 化★ღ◈✿。比如像钉钉★ღ◈✿，飞书★ღ◈✿，腾讯会议★ღ◈✿，你不用去刻意地去用它★ღ◈✿，它的 AI 功能就加上来了★ღ◈✿。
第二类★ღ◈✿，自研的垂类大模型★ღ◈✿。我们当时在做垂类大模型的时候★ღ◈✿，通用大模型的基础能力没有现在这么好★ღ◈✿，我们是把蒙牛和一些合作伙伴手上的数据资源★ღ◈✿，共同地去把这个模型在营养健康领域方面做了进一步的调优★ღ◈✿。
今天★ღ◈✿，情况可能又不太一样了★ღ◈✿，因为底层大模型的能力有了极大的提升★ღ◈✿，而且现在公域数据已经都被训练完了★ღ◈✿。现在是不是还要自研★ღ◈✿，去做个垂类的大模型★ღ◈✿，以下几点要考虑清楚★ღ◈✿：第一★ღ◈✿，是不是有自己足够多的还没有被训练进去的数据？这是一个很关键的事情★ღ◈✿。第二★ღ◈✿，跟场景需求有关★ღ◈✿，可能有一些场景因为安全或者政策性的要求★ღ◈✿，使得没有办法去调用这种通用大模型的能力★ღ◈✿。
但是无论是什么原因★ღ◈✿，整个的训练成本还是相对比较高的★ღ◈✿，如果说当前的场景需求通过现在大的通用大模型基本上可以满足★ღ◈✿，那么再去训练一个自己的大模型凯发国际官网首页★ღ◈✿，投入产出比不一定像以前那么高了★ღ◈✿。
从百模大战到现在★ღ◈✿，真正还在持续更新模型的可能只有五分之一★ღ◈✿、十分之一★ღ◈✿，慢慢的会集中到几个厂商★ღ◈✿。我看到的可能就只有比如像金融★ღ◈✿、医疗这种既有特别垂的数据★ღ◈✿，成本收益也还好★ღ◈✿，同时也有一些政策性上的限制行业★ღ◈✿，去做比较垂的模型的情况会多一些★ღ◈✿。
第三类★ღ◈✿，现在相对主流★ღ◈✿、试错成本低★ღ◈✿、工具链也比较成熟的一个方式★ღ◈✿，就是大模型 +Agent+ 知识库的方式dnf达7★ღ◈✿。白皮书里收录的一些案例★ღ◈✿，不少是基于这个技术路径去打造的★ღ◈✿。业界说今年是 Agent 元年★ღ◈✿，大模型这种简单的聊天方式肯定不是其真正应用到产业里的方式★ღ◈✿，还是需要一个相对复杂一点的架构★ღ◈✿，能贴合企业的具体情况发挥作用★ღ◈✿。所以我们做了很多 大模型 +Agent+ 知识库 的 Agent 出来★ღ◈✿。
Q★ღ◈✿：白皮书里边其实用了很多的 Agent★ღ◈✿，比如像养殖顾问★ღ◈✿、萃智牛博★ღ◈✿、营销魔盒★ღ◈✿，这些 Agent 背后使用的技术有什么区别吗？比如说接智谱或者接其他★ღ◈✿，区别大不大？
A★ღ◈✿：智能体在业界也没有一个特别统一的定义★ღ◈✿，但大家公认的 Agent 是作为一个载体★ღ◈✿，比如说有长期记忆的功能★ღ◈✿，能去调取不同工具的 API★ღ◈✿，能自主去规划一些事情★ღ◈✿。所以说每个智能体背后的运作逻辑是相似的★ღ◈✿，都是通过重现业务的工作流★ღ◈✿：每一步要做什么★ღ◈✿、每一步的关键的点是什么★ღ◈✿、怎么去判断★ღ◈✿、输出什么样的结果★ღ◈✿。起重要作用的就是 Prompt（提示词）★ღ◈✿，通过提示词智能体一步一步地去把这个事情操作下来★ღ◈✿。
虽然说运行原理是这样★ღ◈✿，但它接入不同的模型★ღ◈✿，结果肯定也是不一样的★ღ◈✿。首先是模型可以分为两种dnf达7★ღ◈✿，一种是推理模型★ღ◈✿，比如 R1★ღ◈✿，另外一种是对线★ღ◈✿。推理模型有思维链★ღ◈✿，它会根据提问做一些背景情况的补充★ღ◈✿、意图的识别★ღ◈✿，把更多的信息给到它后面的推理★ღ◈✿。在具体的表现上★ღ◈✿，你会发现简单地问一下 R1★ღ◈✿，它就能说出很多结构化的东西★ღ◈✿，清楚全面★ღ◈✿，所以显得能力很强★ღ◈✿。
但在企业具体的场景里★ღ◈✿，不光是需要这种结构化的思维★ღ◈✿，智能体运作的逻辑就是复现实际工作流★ღ◈✿，工作流本身是有逻辑的★ღ◈✿，有的情况是不需要 R1 自己去推理★ღ◈✿，有时候反而是因为自己想多了没有达到预期的结果★ღ◈✿。R1 和 V3 这两个模型比★ღ◈✿，V3 就显得更老实★ღ◈✿，遵从性更好★ღ◈✿。用什么模型需要考虑匹配相应的场景★ღ◈✿，如果说需要创造性★ღ◈✿，R1 的结果可能就会更好★ღ◈✿，但是说如果工作的整个流程是很标准化★ღ◈✿，很固定的★ღ◈✿，像 V3 这样的对话模型执行得会更标准和稳定★ღ◈✿。
第二★ღ◈✿，模型本身的底层能力也不一样★ღ◈✿。现在大家也是感受到不同模型的能力差异★ღ◈✿，出现很多 缝合怪 式的应用方式★ღ◈✿。之前我听了一个叫 DeepGemini 的产品★ღ◈✿，它先让推理模型去做推理★ღ◈✿，把推理内容输入给对话模型去生成最终结果dnf达7★ღ◈✿，结果发现比两者单独用更好★ღ◈✿。不同的模型还是有一定的适用场景的问题★ღ◈✿。
第三★ღ◈✿，成本不同★ღ◈✿，个人应用的时候这件事情不太明显★ღ◈✿，因为大量的国内个人端目前都是免费的★ღ◈✿。但是到企业用的时候★ღ◈✿，成本就会是一个问题了★ღ◈✿。我们现在的 AI 中台上面有个功能★ღ◈✿，它会根据创建智能体的基本场景★ღ◈✿，自动推荐一个模型★ღ◈✿。比如说写个文本★ღ◈✿，可能它会推荐 V3★ღ◈✿，不仅能胜任工作★ღ◈✿，而且 V3 比 R1 便宜不少★ღ◈✿。根据用户需求自动匹配能胜任的模型★ღ◈✿，而不是说随便一个简单任务就都调一个能力很强但很贵的模型★ღ◈✿。这可能是在企业方面多一层的考虑★ღ◈✿。
智能体如何驱动企业 AI 应用？
Q★ღ◈✿：刚才你谈到了通用智能体★ღ◈✿，我看 OpenAI 也推出了开源的多智能体工作流的编排框架★ღ◈✿，叫 Agent SDK★ღ◈✿，还有支持网络搜索★ღ◈✿、文件搜索★ღ◈✿、计算机控制这些内置工具的 Responses API★ღ◈✿，这些是不是意味着整个通用型的智能体会越来越普遍？
A★ღ◈✿：我觉得大模型的能力会走向通用化★ღ◈✿，但是智能体反而会走向专业化★ღ◈✿。OpenAI 做的智能体搭建的工具包★ღ◈✿，从时间上来看★ღ◈✿，推出的不能算早★ღ◈✿，比如国内有 Coze★ღ◈✿，还有一些开源的都很好用★ღ◈✿。OpenAI 推出这个工具包★ღ◈✿，其实还是说业界对 Agent 是实现大模型能力的一个认可★ღ◈✿。
第二★ღ◈✿，这个工具包里搭配了很多调用其他不同的 API 的功能★ღ◈✿，Agent 能调用的 API 越多★ღ◈✿，它能实现的功能就越多★ღ◈✿，那么它的功能其实也就越强大★ღ◈✿。蒙牛之前有业务中台★ღ◈✿，其实就是把系统里的原子能力沉淀出来★ღ◈✿，变成可拼接的积木★ღ◈✿，等到其他新系统的需求来的时候★ღ◈✿，它就可以通过搭积木的方式更快地去形成一个应用★ღ◈✿。我们现在做的就是把这些历史上积累出来的原子能力★ღ◈✿，这些 API 做 AI 友好化的改造★ღ◈✿，也是为了让 AI 中台上的企业大脑可以去调度企业内部原先就有的这些 API★ღ◈✿，实现企业级的能力★ღ◈✿。
我认为智能体也会走向专业化★ღ◈✿，会变成一个原子能力级的智能体★ღ◈✿。当有一个复杂的工作的时候★ღ◈✿，可能有一个 Super Agent★ღ◈✿，相当于 Agent 的小组长★ღ◈✿，它会根据任务自己去调组员★ღ◈✿，调完组员之后形成一个 Agent 之间的协作★ღ◈✿。
白皮书里也收录了一个类似的案例★ღ◈✿，叫营销魔盒★ღ◈✿。营销魔盒里面有三个主要的 Agent凯发国际官网首页★ღ◈✿，第一个 Agent 是热点追踪 Agent★ღ◈✿，把市场上的热点先搜集到★ღ◈✿。第二个 Agent 是内容生成的 Agent★ღ◈✿，会把搜索来的热点跟企业的产品自动地找结合点★ღ◈✿，形成创意★ღ◈✿。比如★ღ◈✿，前两周女神节★ღ◈✿，它就会根据我们内部一些女性向的产品产生一些创意dnf达7★ღ◈✿，并进一步生成营销方面的内容★ღ◈✿。第三个 Agent 是 SEO（搜索引擎优化）★ღ◈✿，同样一篇内容在不同的平台上去发的时候★ღ◈✿，因为每个平台的搜索规则和流量规则是不完全一样的★ღ◈✿，这个 SEO 的 Agent 就负责把文稿打造成个性化的★ღ◈✿、针对不同平台的文稿★ღ◈✿。
这三个 Agent 协作起来之后★ღ◈✿，就相当于把整个业务链条上的所有的职能都串联起来了★ღ◈✿，就可以通过 Agent 的协作把整个链条都覆盖★ღ◈✿。但是其实我也可以把 SEO 这个 Agent 剥离出来单独用★ღ◈✿，其他方式创作的内容★ღ◈✿，也可以用 SEO Agent 来优化★ღ◈✿。智能体以后可能就变成一个 Agent 的团队在那里★ღ◈✿，根据用户的不同需求★ღ◈✿，它自己组队去完成工作★ღ◈✿。
Q★ღ◈✿：白皮书里面有没有一些共性的应用值得大家借鉴？
A★ღ◈✿：除了研产供销这四个域之外★ღ◈✿，还有一个通用域★ღ◈✿。通用域里有一个案例叫 AI 融入流程 ★ღ◈✿。无论企业规模如何★ღ◈✿，它都有一些既有的系统★ღ◈✿，而且但凡先上系统的★ღ◈✿，通常是企业里最为关键的核心的业务凯发国际官网首页★ღ◈✿，对这些系统如何去进行 AI 赋能？可以通过这种外挂型的 AI 助手来帮助现有的业务流程做赋能和提效★ღ◈✿。
传统的业务流程基本可以分成两类★ღ◈✿：执行★ღ◈✿、决策★ღ◈✿。
执行类的比较常见★ღ◈✿，比如填表单★ღ◈✿，整个的填写过程其实是一个最基本的输入过程★ღ◈✿，后面的决策★ღ◈✿、审批★ღ◈✿，都是以这些信息为基础的★ღ◈✿。比如有一个包装破损物品要退货★ღ◈✿，一线员工可能就会写 破损需要退换 那么几个字★ღ◈✿，然后单子就提上来了★ღ◈✿。这个时候★ღ◈✿，审批的人说这个信息不全★ღ◈✿，就打回去了★ღ◈✿，这么一来一回时效就差了★ღ◈✿。
我们现在做的这个功能就包括辅助填写★ღ◈✿，比如包装破损★ღ◈✿，它根据之前提报的表单大概知道几种情况★ღ◈✿，生成一个半模板化的东西★ღ◈✿，用户只需要稍微改几个字★ღ◈✿，这个信息就全面精准了★ღ◈✿，再提交上去★ღ◈✿，提高了审批通过率★ღ◈✿。
第二类就是跟决策相关★ღ◈✿。有特别简单的决策★ღ◈✿，比如请假★ღ◈✿，报销★ღ◈✿，都是 RPA（机器人流程自动化）规则写好★ღ◈✿，单子扫描上去费用就报销了★ღ◈✿。还有一些可能就涉及这种复杂性的★ღ◈✿、非标的★ღ◈✿，一个审批上来挂了好多个附件★ღ◈✿，决策者看的时候就比较费劲了★ღ◈✿。
现在大语言模型来了★ღ◈✿，有几点明显变化★ღ◈✿。第一个就是提炼能力★ღ◈✿，先提炼一段附件上的内容★ღ◈✿，做一个相对的精炼★ღ◈✿，能把这个事情来龙去脉★ღ◈✿，更简洁明了地说清楚★ღ◈✿。第二★ღ◈✿，提供决策建议★ღ◈✿，比如★ღ◈✿，仓库调拨的场景★ღ◈✿，有一个从 A 仓库调一批货去 B 仓库的申请★ღ◈✿，以前这个场景★ღ◈✿，看完审批申请★ღ◈✿，可能要看一下两个仓的库存情况★ღ◈✿，然后为什么要把 A 仓的货调去 B 仓？甚至是不在同一个系统里★ღ◈✿，决策者要跨系统地去掌握信息★ღ◈✿，再结合他的经验去做判断★ღ◈✿。现在把所需的库存数据自动调出来★ღ◈✿，AI 结合基本判断逻辑★ღ◈✿，先给一个带推理过程的判断建议★ღ◈✿，是否同意这个调拨★ღ◈✿： 比如说 A 仓还有 500★ღ◈✿，计划调 50 到 B 仓★ღ◈✿，因为 B 仓只剩 30 了★ღ◈✿，按照 B 仓的正常的销售节奏★ღ◈✿，可能 30 用不了两天就没有货了 ★ღ◈✿。这些所有的内容通过一个外挂的方式提供给决策者★ღ◈✿，决策者可以参考★ღ◈✿，也不用跨系统地去看各种数据★ღ◈✿，提升决策的效率和质量dnf达7★ღ◈✿。这是我们现在在做的★ღ◈✿，把 AI能力全面融入现有的业务流程里★ღ◈✿，于是也就有了 见习期的数字员工 凯发国际官网首页★ღ◈✿。数字员工 能独立承担某些岗位中的特定任务★ღ◈✿；还能连接不同系统★ღ◈✿，调用工具自动干活★ღ◈✿；在固定领域能自己规划步骤★ღ◈✿、执行任务★ღ◈✿，不再需要人工操作或者参与★ღ◈✿。因此★ღ◈✿，在业务流程中★ღ◈✿，可以清晰的描述出数字员工所承担的工作任务（有明确的任务目标★ღ◈✿、所需输入★ღ◈✿、工作标准★ღ◈✿，以及执行成果等）★ღ◈✿，可以精确的统计出数字员工所执行的工作量（比如几分钟就从上百份简历中★ღ◈✿，筛选出了合适的 10 个候选人）★ღ◈✿，可以看到整条流程上有多少百分比的任务被多个数字员工赋能了★ღ◈✿。
Q★ღ◈✿：现在模型也开源了★ღ◈✿，经验分享了★ღ◈✿，包括大家都在选择第三方的方案★ღ◈✿，企业怎么做出差异化★ღ◈✿，怎么建立自己的优势？
A★ღ◈✿：差异化本质上是需要进行创新★ღ◈✿，行业和企业的 know-how 跟技术方案去结合是最重要的★ღ◈✿。白皮书里每个案例都是有一个结构化输出的★ღ◈✿，从场景到解决方案★ღ◈✿，再到运行的实际效果★ღ◈✿，最后是经验总结★ღ◈✿。但直接抄作业的可能性基本不大★ღ◈✿，因为每个企业流程不同★ღ◈✿，基础也不同★ღ◈✿，要解决具体的问题也不一样★ღ◈✿。我认为是这个白皮书的案例最大的价值点是通过经验总结带来启发★ღ◈✿，帮助读者企业思考★ღ◈✿。
现在的 AI 技术也没有定型★ღ◈✿、能力没到顶★ღ◈✿，创新是一个向内求和向外求的事情★ღ◈✿：向内求★ღ◈✿，就是怎么把自己的业务场景吃透★ღ◈✿。向外求★ღ◈✿，就是要知道 AI 的能力的边界在哪凯发国际官网首页★ღ◈✿。既不要把它想象得无所不能★ღ◈✿、无所不知★ღ◈✿，也不能置之不理★ღ◈✿。最终★ღ◈✿，要靠企业自身来把真正的场景挖掘出来★ღ◈✿。
AI 原生品牌时代即将到来？
Q★ღ◈✿：你觉得未来食品饮料行业有没有可能诞生出从研发★ღ◈✿、生产★ღ◈✿、物流到营销的全流程 AI 决策的 AI 原生品牌？
A★ღ◈✿：我觉得有一部分可能已经实现了★ღ◈✿。比如蒙牛在宁夏的灯塔工厂★ღ◈✿，订单过来之后★ღ◈✿，它会自己把订单拆分★ღ◈✿，拆分到不同的产线★ღ◈✿，自己去做排产排程★ღ◈✿，这个过程就已经实现 AI 自动决策了★ღ◈✿。
至于会不会所有的流程都由 AI 决策★ღ◈✿，最关键的问题其实是决策权的问题——人类能不能把这个决策权给到 AI？这可能也涉及一些 AI 伦理★ღ◈✿，比如说 AI 能不能承担这样的责任？现在一个比较大的问题是★ღ◈✿：AI 的决策是黑箱的★ღ◈✿。
长远看★ღ◈✿，我觉得这件事情是非常有可能发生的★ღ◈✿，但在此之前★ღ◈✿，它可能会去分步骤地去发生★ღ◈✿。就像现在很多人类制定好规则★ღ◈✿，AI 来校对事实跟规则是否相符★ღ◈✿，它其实是在做决策里的执行★ღ◈✿，这可能是第一阶段★ღ◈✿。第二阶段★ღ◈✿，AI 可能会真正的跟人来个 A/B Test★ღ◈✿，PK 一下到底谁的决策质量好★ღ◈✿。到了第三阶段★ღ◈✿，可能 AI 的能力已经达到或者超越人力的水平★ღ◈✿，AI 可以真正自主做决策★ღ◈✿，人类可能在旁边做监督★ღ◈✿，避免问题和挽回局面★ღ◈✿。
以上为《数字价值观察室 · AI 落地场景观察》第二期直播的部分内容★ღ◈✿，接下来★ღ◈✿，我们也将持续关注 AI 将如何重塑食品饮料行业产业发展★ღ◈✿。
