AI的出現，會讓制造業的工程范式發生變化，產業范式發生變化。“產業+技術”，最終會幫助整個社會資源實現最優化配置。但其中最難的部分，不是技術，而是人。

AI引發了這個時代最致命的集體高燒，讓人們既狂熱又混亂。

狂熱在于不斷涌現的各種新鮮體驗，讓人上頭；混亂在于其中很多悖論與復雜關系，難以理清。這些悖論與復雜關系，既有哲學層面的：AI到底會將人類帶往何方？在強大的、飛速進化的AI面前，人到底應該是怎樣的存在？也有很多是日常工作中具體又迫切的選擇：個人層面，哪些技能對我而言是重要的、哪些不再重要；企業層面，該以怎樣的方向、速度，投入AI；產業層面，資金與人才會流向何處，競爭格局將如何演變。

華為工業智能平臺總經理丘水平，大約是我這幾年遇到的最清晰、冷靜的人之一。至少在工業領域，從最底層的技術邏輯與范式轉移；到中國企業從數字時代走到AI時代，內部盤根錯節的復雜現實，老板與員工擁抱AI的不同姿勢；再到產業內、企業間競爭格局的變化；以及自己團隊的角色，與整個制造業生態的演變趨勢——丘水平有一套通透、完整的思路。他頭腦里似乎有一張高清的AI時代的工業藍圖。

丘水平的思路和藍圖，來自他所在團隊——從華為工業軟件平臺到今天的華為工業智能平臺——這些年來的“具身認知”：海量、異構的數據如何被打通、以最佳方式管理和使用；最佳數據管理范式和最優模型使用方式如何在企業內部扎根和生長，變成企業真正的價值與護城河，同時讓老板和員工各得其所。

丘水平的一些觀點，并非主流，聽起來頗有點刺耳和警醒。但其中很多觀點，已有學術驗證。哈佛商學院教授琳達·希爾（Linda Hill）和她的團隊，自2022年至今，對超過8000家公司的持續跟蹤、調研、訪談，也得出一些相同結論：一把手個人投入精力越少，數字化/智能化成功的概率越小；大部分企業在技術上的投入遠超對員工的投入，而那些關注員工技能、工作方式與體驗的企業，數字化/智能化的效果通常更好；因技術投入而迅速大規模裁員的企業，很多遭遇了巨大的失敗與反彈（有家公司不得不把裁掉的上千名客服員工全部重新招回來）。

從個人到組織，甚至產業，丘水平反復強調認知先行，認知到位并不確保后續工作一路坦途，但認知不到位，則絕無敞亮未來。安踏COO（首席運營官）陳科先生新書《無限游戲》，也圍繞企業穿越周期與各種內外部挑戰需要翻越的三大壁壘：認知壁壘、資源壁壘、組織壁壘。

本文基于2025年12月與2026年4月，兩次對丘水平先生的訪談。文中觀點并非真理，僅供參考。希望幫助更多中國企業家在AI高燒中，獲得些許清涼，跨越一些認知壁壘，少走一些彎路。更希望智能制造時代的中國企業與制造業，迎來更高質量的發展，更繁榮、共贏的生態。

龍蝦火爆，工業緩慢

HBRC：2025年12月，我們聊到AI智能體時，你說“螞蟻軍團”——海量AI智能體即將進入工業領域。結果，2026年初，龍蝦（OpenClaw）先來了。龍蝦火爆，可見C端普通用戶對AI的熱情之高。我想知道，為何工業領域的AI進展很慢？互聯網公司總是說“天下武功，唯快不破”。B端企業應用AI比較慢，是卡在了哪里？還是工業領域要求的精確度很高，所以就是應該慢一些、更謹慎地部署AI？

丘水平：整個B端應用AI智能體、推進AI戰略確實是不容易的。它跟C端很不一樣，C端決策很多時候是感性主導，而且成本也不高，龍蝦養成養不成，無非千把塊錢的投資，人們覺得，你有我也要有，我不能落后，跟買新款手機、買車是同樣心理。但是B端是理性的，決策周期比較長，在決策過程中，從企業的一把手、二把手，到落地的工程團隊，必須達成共識，有統一的認知，這是很不容易的，所以B端必然是慢的。

我覺得企業可以先做一些先導項目，這樣，在慢當中又可以稍微快一些。首先就是企業對AI的認知，不能把它簡單理解成又一次技術升級，而是要認識到，它是一次企業級的智能化轉型，要認識到AI戰略是一次企業級的變革。如果只當它是技術升級，大概率會發現技術引入只帶來了局部優化和一點效能提升，或者讓員工工作體驗變好了一點，就會覺得它的投入產出比是不劃算的，它沒有帶來一把手想要的收入和利潤的飛速增長，企業也沒有煥發青春，AI戰略也就注定失敗了。所以首先一定是認知上，要把AI戰略當作公司內部的智能化轉型變革。

然后就是要做一系列決策，這些決策勢必關系到公司的方方面面，比如AI戰略要清晰地描繪出來，要有對這次改革的業務目標的核心定義，要匹配對應的組織形態等等，也包括從外部引入一些新的范式和方法論，比如引入我們提供的，以本體論為核心的工業增強知識圖譜，最后落實為一整套支撐公司AI戰略的平臺或者工程化體系。

但現實是，很多企業要構建這樣的認知、形成共識，這一步就很不容易。有些企業很迷信華為，覺得華為說的就是對的，他自己并沒有一個清晰的想法和獨立判斷。當然大部分企業是理性的，但是他們內部很難達成共識。

HBRC：B端真的比C端更理性嗎？我看到很多CEO都非常焦慮，有位CEO跟我說，為了跟上技術趨勢，他現在每天讀Nature（《自然》雜志）、Science（《科學》雜志）。硅谷大廠的競爭被稱為AI軍備競賽，《人類簡史》的作者尤瓦爾說，他發現硅谷科技公司的CEO不關心AI會給人類帶來什么風險，他們只擔心自己被同行超越。

丘水平：AI焦慮確實是普遍的。

HBRC：你焦慮嗎？

丘水平：我還好。但確實，我跟很多董事長、總經理、CXO（高管）級別的人交流，能明顯感覺到他們的AI焦慮，恨它不來，又恨它來得太快，又擔心對手，怕自己沒抓住機會。因為確實這一次，對AI的判斷和選擇，會成為很多公司未來很多年發展狀況的一個分水嶺，不焦慮是很難的。未受他人苦，莫勸他人善。不在那個位置的人說不要焦慮，是沒用的。

焦慮的消減，從底層邏輯上來說，核心是要自己看清楚，并且做出自信的判斷。如何做出判斷？對于工業企業而言，就是剛才講的，企業如果能夠有一個非常快的先導項目，在這個過程中形成自己的一套方法論、體系和對事物發展的研判，獲得清醒的認知和自信的判斷，凝聚了共識，那AI焦慮自然就消除了，就可以有節奏地推進自己的AI戰略了。

HBRC：先導項目是指實驗項目？

丘水平：實驗項目失敗就失敗了，只是試一下，我說的“先導項目”，是要選出特定的場景，真正干起來，要追求一個相對確定的結果。就像改革開放選擇深圳市作為先導，要非常堅定。企業可以選擇一兩個先導項目，在不損傷主體經營的情況下，拿出一筆錢、一些人，選出一個產品形態真正跑起來。圍繞先導項目，目標怎么定、團隊怎么組、未來的業務形態怎么做、平臺可能是什么樣子，先用一年時間跑下來，這樣有助于公司內部建立認知、凝聚共識，這樣比光說不練要好，也比全面練起來要穩妥。

HBRC：龍蝦這么火爆，對B端企業推進AI有影響嗎？AI在C端和B端的發展，會是兩條平行線嗎？

丘水平：OpenClaw（龍蝦）之所以能夠火，因為它切中了絕大多數普通人能夠使用它的一些日常生活場景，比如辦公、出行。但是，它在生活場景勝任的方向，在B端反而是不勝任的，它在生活場景的經驗和知識，使得它在B端場景下特別難用。我也在養小龍蝦，我也在試，跟它聊聊天，讓它在出行和基本辦公場景做簡單的任務。但是在B端，你讓它做一點專業的事情，它立刻就特別傻。從技術上來看，C端小龍蝦和B端小龍蝦是完全不一樣的。在專業領域，你可能需要喂它物理公式、化學公式、機理模型，這些專業知識，對大多數人而言，自己都理不清楚，怎么喂給龍蝦？所以C端和B端一定是兩個不同的賽道。

工業>AI

HBRC：你們團隊最初是華為內部的數字化變革團隊，如何走到今天成為華為工業智能平臺？

丘水平：華為工業智能平臺，前身是華為工業軟件平臺，最早源于華為內部的產品數字化改革項目。2016年，公司給我們7個億的立項，我們團隊的目標就是想盡一切辦法把公司所有系統的數據拉通。這個過程是非常難的，其中最難，或者說數字化最核心的部分，就是把底層數據集成都打通，這個我們花了很大力氣，也有非常多的創新點，其中最大的創新，我認為是對數據管理范式的重新定義。

我們認為有三種數據管理范式，第一種是面向結果，第二種是面向過程，第三種是面向對象。前兩種是很多企業在使用的數據管理的范式，但是這兩種范式都有很大的弊端。我們選擇的是第三種：面向對象。

從一開始，我們就認為所有數據都應該是面向工業的對象本體進行建模，我們把華為內部所有的業務對象都梳理出來，最后抽象為用“2類模型+6類元關系”，這是最底層的邏輯、最高的抽象，它可以“一生二，二生三，三生萬物”，你既可以用它來定義汽車，也可以定義飛機，定義萬物，這個邏輯適用于絕大多數場景，一切都可以用它去生成。這就是我們說的，華為原創的“面向對象、元模型驅動”的數據管理新范式。

HBRC：這兩年關于企業應用AI，我聽到最多的一句話就是“企業AI應用的第一步是AI data ready，數據要先準備好”。你說的數據管理范式的選擇，就是data ready這一步嗎？

丘水平：三種數據管理范式，本質我認為就是兩種類型，一種是“亂而后治”，就像是娃生下來再認親，數據產生之后再給它貼標簽，這是誰家孩子。這種“亂而后治”的數據管理范式，在企業未來的發展中會成本越來越高。現在工業界大部分企業都是這個路線，因為它是過去幾十年很多企業使用的路線。這種方式確實能解決很多問題，但是它不能解決根本問題，它遺留的事情非常多，它就像一個老世界，就是那個樣子了。

我們做的是構建一個新世界，新世界按照“面向對象”的范式去管理數據，然后讓老世界的業務量逐漸削減，融入新世界的業務。這樣，新世界做的越來越強大，舊世界也慢慢日落了，這就是底層邏輯。華為自己就是這么做的，我們認為別的企業也可以如法炮制，也有不少客戶已經按這個方式來做。但我們也發現，很多企業的數據管理，還是在舊世界里打轉，因為沒有構建一個新世界，所以他費盡力氣，發現始終走不出那個村子，陷在那樣一個數據困境里。

HBRC：我這幾年在企業調研采訪時，總會問他們數字化的進展：“如果數字化轉型一共10步，你們公司走到第幾步了？”很奇怪，不同行業、不同企業，基本都是行業頭部企業，好些企業說，大概4步、5步吧。我不懂為何大家都在4～5步這里。以你在工作中的觀察，大部分中國企業的數字化處在哪個階段？

丘水平：我認為大多數企業做數字化，包括以后準備去做智能化的，更多是方向錯了。

HBRC：這么嚴重？！

丘水平：這個方向錯誤，并不是南轅北轍的錯誤，而是方向偏了，要向北走，結果走了東北方向。不能說是很大的錯誤，但是因為方向偏了，很容易造成走到盡頭的可能性很小，它需要很大一個力量來矯正。就是我剛才說的，因為它還在舊世界里做治理，在舊世界里使勁折騰不是沒用，但是用處很有限，這是其一。

第二，數字化的終局，是百米半于九十。你前面做的所有工作希望得到的結果，到真實工業場景使用的時候，會發現天花板太矮了。企業想要真正達到業務效果，甚至面向AI時代，充分釋放AI的價值，就會發現舊世界的范式有非常大的局限，讓企業在AI時代智能化的效果非常差，它就不得不回去補上數據管理的功課。大部分企業無疑都在很努力地做數字化，但是努力的方式方向如果錯了，后面就還得修正。所以我只能說，大部分企業的數字化轉型，做了肯定比沒做好，但是距離它最終向智能化演進，差距非常大。

HBRC：你覺得大部分中國企業認知到這一點了嗎？數字化的方向如果偏了，很難走到智能化。

丘水平：這個不容易認知。企業家有自己做生意的想法，他也聽到各種各樣的聲音，但說服教育他們的成本很高。我們團隊也還在能力外溢的路上。首先，華為自己的優秀實踐，并不是所有都能拿給別人看。其次，也有很多企業覺得，華為我學不了，華為能干成的事，不見得我能干成。所以我們也還在布道的路上。

HBRC：業內有人說，數字化是一個特別龐大復雜系統的工程，推進起來很慢，但是AI應用可以很快，選一個場景做起來，可以快速見效果，所以他們建議可以在AI應用上行動快一些，不必糾結數字化完成再做智能化。你怎么看二者的關系？

丘水平：其實數字化也好，智能化也好，要在局部取得一些效果，都可以很快，沒有太大的差別。但是，數字化和智能化，一旦加上轉型兩個字之后，它的意義就不再局限于只是梳理一個場景、上一個IT、做一個應用、產生一點效果，覺得這就是數字化或者智能化轉型了，那是非常錯誤的認知。數字化和智能化，是CTO（首席技術官）的事。數字化轉型和智能化轉型，是CEO的事。

所謂的數字化轉型或者智能化轉型，一定是在某種范式上、某種運營形態上發生根本性的變化，要么是商業模式的創新，要么是研發范式的變革，它是一種質變。如果有人說，數字化需要使勁折騰，智能化可以很快，這是一種不對稱比較。一套數字化系統和智能化系統上線，哪個更容易？我認為差不多。而轉型一定都是企業級的，都很難，但是智能化轉型更難，不是一般的難，所謂AI原生企業，它比數字原生企業的級別要高多了。至于二者的先后關系，智能化一定是依賴于數據的，數據質量、數字化的技術，一定是智能化的先決條件，這些底層的工作一定是要做的，這個少不了，上面才是模型、應用。

HBRC：那說說模型的部分吧。2025年被稱為智能體元年，亞馬遜云科技CEO也在年底說，未來幾年AI智能體將迎來大爆發，每個公司、每個業務場景都會有數億個智能體在運行、工作。你怎么看智能體的應用前景？

丘水平：我是認同這個判斷的。面向終局來看，智能體會大量涌現。但是智能體要實現它神乎其神的一面，一定要做得非常精準且高效，它一定要非常專業、非常垂直，一定是在某個行業的細分場景去做文章，就是我們老板講的，它必須是一米寬、一萬米深。智能體跟我們傳統工業領域的軟件是很不一樣的思路。傳統工業軟件，基本上都做成通用型，因為不通用就難賣錢，商業模式上很難成立。通用型，意味著大而全，而智能體一定是小而專的。所以我們的判斷是，以后1～5個人左右的小團隊，就可以做一個非常好用的智能體，這樣的創業團隊、創業公司會非常多，這樣小而美的公司也會非常盛行。

但是對于企業而言，內部有成千上萬、上億的智能體，就像一支“螞蟻軍團”在你的企業里，它很散、很垂直、很多，你如果不善于管理，就是個災難。所以我認為面向未來看，企業需要底層有一個高質量的數據形成的圖譜，去約束智能體的行為，不讓它亂來，不讓它一本正經地胡說八道，然后在最頂層，還需要一個multiple agent，就是多智能體系統，它能夠把中間的“螞蟻軍團”管起來，所以這是一個三明治的結構：底層的數據圖譜是收攏的，數據同源的，最上層的多智能體系統也是收攏的，中間層會有無數個智能體在跑，這一層可以放開給外部企業去做。

HBRC：工業領域AI應用的一個很大的痛點，就是它的幻覺問題。你說的“三明治”底層的數據圖譜，正是你們團隊在做的事情。公眾對大語言模型很熟悉了，能否解釋下，你所謂的底層數據圖譜是什么，它如何和大模型搭配使用，提高工業領域AI的精準度？

丘水平：華為工業智能平臺現在做的東西，我們把它叫作“工業增強知識圖譜”。它和傳統知識圖譜最大的不同在于我們引入了“本體論”，也就是先搞清楚業務對象的本質邏輯再建模。基于對象本體建模，然后元模型之間建立關系，形成模型圖譜，然后再往里灌實例數據，變成實例圖譜，再把知識疊加上去變成知識圖譜。傳統知識圖譜只是簡單的點線連接，很容易變成新的“數據孤島”，我們把事實數據和事理知識疊在一起，再往里裝數據，形成一個渾然一體的底座。這么做雖然起手慢點，但是最終演進和成功的概率是非常大的。

大語言模型，生成式AI，它擅長意圖理解、交互和知識抽取，但它是基于概率統計，容易產生“1+1>2”這種邏輯結果，但是在工業領域我們需要嚴謹的指向，就不能完全指望大語言模型，在工程層面不能依賴它。工程領域需要垂直的小模型，我們叫它“判決式AI”，必須yes就是yes，no就是no，判決式AI可以拿工業增強知識圖譜去訓練它。所以，我們的核心觀點是，盡可能在工程層面用垂直小模型完成，但是所有的交互意圖、理解、任務解構、認知方法、知識抽取，盡可能用大語言模型解決，實際工作中，就是“生成式AI+判決式AI”的聯動。

HBRC：生成式AI+判決式AI，目前使用效果如何？

丘水平：我認為在工業領域，這個路徑絕對是正確的，在全國范圍內，我不認為有誰在這件事情的理解上比我們更深。AI的應用，在任何行業現在都屬于非常早期的階段，我們不能說現在跟所有客戶的合作都是成功的，所以我們把它叫作成長。但是我們認為這個方向非常正確，因為每往前走一步，都有一個非常大的驚喜給我們，我們想的又對了，這是一個一步步驗證的過程。所以我們篤定這個方向是非常正確的，不是說我們已經走到盡頭了，還沒走到那個盡頭，但是我們每一個探索都發現它確實比別的路線效果好太多了。

HBRC：企業要把“生成式AI+判決式AI”用好，是需要在內部長出自己的“增強知識圖譜”嗎？容易長出來嗎？還是必須依靠外力？

丘水平：這一步其實是非常難的。并不是說選哪個技術路線，難度就會降低。本質上，企業內部要深度使用AI的能力，跟數字化轉型一樣，需要企業級的變革，這個變革其中非常關鍵的環節，就是組織和人才。這是企業智能化轉型最難的一步。

很多人講“AI+工業”，我們始終堅持“工業+AI”，甚至我們認為是“工業>AI”。因為AI本質上是為業務服務的工具，真正的競爭高地依然是工業知識。企業想要深度應用AI，不能完全指望外部廠商給一套方案，必須擁有自己的“全棧式變革團隊”。就像華為當年做數字化變革，有一支BET（bussiness enable team）團隊，就是把IT和數據團隊下沉到業務里，組成業務、流程、數據一體化的混編團隊。企業需要這樣一個團隊，他們既懂底層的業務邏輯，又能梳理數據，還能指揮智能體。智能化的下半場，企業的競爭會發生變化。行業通用的基座知識可以由第三方提供，但企業真正的護城河在于自己獨特的“小竅門”和私有工業知識。當大家都在用大模型和智能體出設計圖時，如果你能把這些核心知識通過圖譜化和智能化疊加到通用底座上，把90分的標準方案變成100分的獨門秘籍，這多出來的10分，才是企業最核心的差異化競爭力。所以，工業知識的積累和轉化，才是這場較量的最終局。

HBRC：如果跳出工業知識、模型、數據管理范式等等這一切，從你的工作經驗中，你看到企業在AI應用和轉型中，最大的瓶頸，或者說最常見的誤區是什么？

丘水平：我覺得還是可以回到數字化轉型的經驗教訓去看，今天的智能化轉型，跟數字化轉型一樣，我們在企業里面發現，最大的問題還是在于一把手的認知。一把手對智能化的認知，決定了后面的一切。

我們發現，認知很好的一把手，他在關鍵決策上是毫不猶豫的，而認知不到位的往往很喜歡授權。他把這件事授權給CIO（首席信息官）來負責牽頭。CIO沒有預算決策權，沒有業務決策權，他在橫向拉通上就非常痛苦，他就拼命地做證明題，證明給業務團隊、證明給CEO，他做的事情是對的、是有價值的、預算是合理的。CIO開始做證明題就麻煩了，最終會發現做了無數證明題也無法證明這件事他是對的。因為他無法讓做業務的人真正參與，也就無法幫助業務真正創造價值。數字化和智能化的轉型期往往是很長的，通常要花很長時間才能看到翻天覆地的變化，這是一個量變到質變的過程，所以CEO授權CIO去做，肯定搞不定。

那么，即便第一關過了，CEO認知到位，他親自負責，后面依然有重重困難，人才是第一關。華為自己從數字化轉型經驗總結出來“5個1工程”：一個戰略、一個目標、一支隊伍、一個平臺、一個范式。具體而言，第一，一定要有一個頂層戰略；第二，一定要有一個非常核心的目標；第三，要有一支我前面說到的BET隊伍；第四，要有一個平臺；第五，要堅定地執行一套數據管理的范式。

這五個缺一不可，其中最難的就是“一支隊伍”，人才和團隊。老板定了頂層戰略，比如要增收還是要降本，要提拉貨期還是縮短周期，之后設定關鍵目標也不難，但是執行戰略和實現目標的人和團隊，是關鍵難點所在。我們發現很多公司內部沒有這樣的人和團隊，它的執行都依賴外部團隊。所以我經常跟這些公司開玩笑：你找我，找華為，究竟是讓我給你當丫鬟，還是當教練？大多數企業習慣性把外部團隊當丫鬟，去做所有執行的活，自己什么都不干，甚至一頁PPT都讓我給你寫。這樣的數字化或者智能化轉型，注定一開始就輸了。因為企業沒有內生的能力，就相當于我賣一輛豪車給你，你內部沒有駕駛員去開這輛車。

所以我們的建議，也是華為內部自己走通的經驗，你一定要有一支自己的BET團隊，一支業務和技術的混編團隊，這個團隊的頂層最好是業務負責人。你這支隊伍建好了，我們再來幫你，企業就會進步非常快。企業自己心里就有數了，內部應該做什么事情，外部需要哪些力量幫他完成轉型。所以，我認為，即便一把手認知到位、親自主導，企業內部也需要這樣一支隊伍，把這件事變成組織級能力，而不是某個人、某位專家的能力，那基本上就能成功。

HBRC：CEO對智能化的認知，怎樣算到位？哪一類CEO更容易認知到位？技術出身的CEO會更容易認知到位嗎？

丘水平：我只能說，從我的觀察來看，跟我們配合得很舒服的企業一把手，大概是怎樣的狀態。

第一，就是對前沿技術知識的好奇心很強，他學習能力很強，理解得特別快。第一次你跟他講，他好像聽得一知半解，第二次你發現他已經可以跟你對話了。而且這跟他的背景、出身沒什么關系，我見過中專畢業的大老板，還有搞宣傳出身的人，理解技術問題完全沒有障礙。你不能說他懂技術，但是他非常能夠抓住和理解關鍵點，他能夠把核心邏輯和第一性原理捕捉到位，他的洞察和抓取關鍵信息的能力非常強。所以第一就是這種好奇心和抓住關鍵點的能力。

第二，他有非常強的戰略取舍能力，除了好學之外，他能夠非常快地構建起自己對于這件事情的頂層思維，他不會沉迷于做好單獨的一件件事，他抓住關鍵點之后，就會立刻去落實，設定目標、分配資源、選人。

比如，我跟他講，一把手首先要明確，你做數字化或者智能化的戰略目標是什么，究竟是改變商業模式、改變研發模式，還是縮短制造周期，或者提升良品率？在這一期變革，你究竟要達到什么目標？你發現他很快就開始思考這些問題，然后很快做出決策，他不會在戰略上含糊不清。

第三，他的決斷力很強，做事不磨嘰。有些老板，非常糾結，他試圖讓自己完全理解這件事情的每一個細節，生怕在某個細節上他不懂，有遺漏。于是他花了一年時間把所有事情搞明白，然后才做出一個決定。但是別的企業，人家沒想那么清楚，花了半年時間去做，已經早把事情都搞明白了。

HBRC：我調研和采訪也見到很多這樣的企業家，他個人很厲害，擁有你說的好奇心、戰略思維、決斷力，但是經常抱怨團隊跟不上。他跟我說：“我一個老頭子都在學習新技術，團隊都比我年輕，但是很麻木。”你有遇到這樣的企業嗎？這是企業文化的問題吧？一把手的能力，沒有成為組織能力。

丘水平：我看到的這種企業還挺多的，老板認知和團隊認知，中間差距非常大。團隊認知比老板差一點不奇怪，但是差很多，這樣的企業很常見。

如果說是企業文化的問題，聽起來就虛無縹緲的。有位高手指導過我，實的東西要虛著做，虛的東西要實著做。企業文化價值觀，這種特別虛的事情，就需要用特別實的方式去做，不能只是紙面上宣貫。AI焦慮的企業家，想要構建一個AI原生思維的企業，他需要去做很多實實在在的事情，我覺得有三條原則要落到實處。

第一條原則就是人智共生。老板一定要告訴大家，引入智能體，不是來替代你，明天就把你炒魷魚，裁員2 000人。老板可以有很多種做法，比如，引入智能體，讓公司在人數不變的情況下，業務翻3倍。應該用這種邏輯和思維去做事情，員工就不會焦慮了，就自然會很積極地擁抱AI，而不是抗拒它。

第二條，要構建AI原生思維的組織架構。它跟傳統組織的結構會很不一樣，會是高度扁平化的。當然具體而言，要以公司的業務類型為終局，去調整公司的陣型。如果只是嘴上喊AI思維、AI轉型，組織架構都沒有調整，沒有用的。

第三條，我們強調要“人人講AI、人人學AI、人人用AI”。比如我們團隊，年初我跟大家講，我們今年要All in AI。怎么做呢？就是團隊要去再造500人，不是新招500人，而是再造500人的能力，團隊不會增加1個人。大家一聽犯難了，但是到今天我們已經做到了。因為我們已經有45%的代碼是AI寫的，那就相當于再造了500人。如果把AI思維都落到實處，效果就會特別好。

HBRC：你剛才說到AI企業的“三明治”結構，底層是華為的數據圖譜，中間是“螞蟻軍團”——無數個智能體，最上層是多智能體系統。那么在這個“三明治”里，人在哪兒？還需要人嗎？

丘水平：這是一個很重要的理念問題。就是我剛才說的，所謂AI原生思維的企業，第一條原則就是，人智共生。所以我們提出一個口號：human in Loop（人在環），人和智能體、AI一定是共生的關系，而且一定在這個環中找到人的主人位置。如果這個理念都沒有，那這家企業大概率以后不會是一家真正AI原生的企業。

所謂“人在環”，道理跟自動駕駛是一樣的，至少現在的交通法規是不讓駕駛員的手離開方向盤的，如果自動駕駛出了事故，是人負責而不是車負責，人在環中的責任是沒有變的。同樣的道理，未來智能體可以執行很多任務，但我們認為這種執行一定是Human Aid X（簡稱HAX），意思是人類輔助。以前是Computer Aid X（簡稱CAX），計算機是輔助者，人為主，計算機輔助人類做各種各樣的事情。從CAX到HAX，意思是，我沒有讓智能體完全閉環去完成一件任務，人始終在環里，智能體做的工作，需要人去授權、人最后確認。雖然是人輔助智能體完成任務，但是人始終是智能體的boss（老板），這就是“授權不授責”。

HBRC：我之前在龍湖調研，他們的智能化轉型做得很不錯。他們團隊分享時，說AI應用最難的不是data ready（數據準備好）或者技術ready（技術準備好），而是people ready（人準備好）。你說，人應該在環中，人智應該共生，但是如何讓員工更好地進入這個環，在環中有更好的工作體驗呢？

丘水平：確實最難的部分，是人的改變。我認為，第一步還是認知的改變，需要真正能夠認知到位，我跟AI到底是什么關系？一般是兩種心態，一種是這個東西跟我沒關系，離我還很遠；另一種是，AI會取代我，我干嗎還說它好。所以，如何改變認知，對智能體和自己的關系有一個準確的認知，第一步就是意識到你和它是共生的關系，這個很重要。改變了刻板認知之后，人們就會進入一個想學、愿意學的狀態。這個時候，老板可不要給一套培訓資料，上培訓課。今天的AI知識已經非常便利和豐富，有大量的信息和教程，學習成本極低，員工只要認知轉變，不再高高掛起，也不再抗拒，他會學得很快、用得很快。

智能制造時代的商業圖景

HBRC：中國的制造企業正在集體從傳統制造向智能制造升級，你覺得大部分中國企業能成功實現這個飛躍嗎？智能制造時代，中國的制造業還能世界第一嗎？

丘水平：首先，我堅定地認為這不是夢。其次，我認為這個過程非常依賴頂層的產業設計。

HBRC：國家層面的產業政策引導嗎？

丘水平：一定是國家層面的引導。這個引導非常關鍵，引導得當，這一步就會快一些，引導不當，這個過程中會經歷震蕩，會導致劣幣驅逐良幣。

比如，一個最基本的判斷就是，AI和工業的關系，是“工業+AI”，還是“AI+工業”？我們看到有產業在講“大模型+”。當一個產業的認知被引導到“大模型+”的方向之后，產業的著力點就會落在人工智能技術上，大家都去拼大模型、拼算力、拼智能體的框架。作為少數派，我們發現很難說服別人相信“工業+AI”，我們認為企業應該去拼工業知識，技術只是手段，無論判決式AI還是生成式AI，哪個好用就用哪個，這只是技術路線的選擇問題。在技術路線選擇之前，更重要是你的戰略規劃，最終企業需要想明白，你要給客戶交付什么樣的服務、你怎么幫客戶創造價值，必須回到這個邏輯，而不是你的模型、算法、算力有多厲害。

HBRC：在傳統制造時代，中國制造雖然是世界第一，但是也伴生很多問題，比如產能過剩、內卷等等。AI加持的智能制造時代，這些問題能解決嗎？

丘水平：我不能說這些問題一定能徹底解決，但我認為會有所改善。所謂制造業的高質量發展，我的認知是，首先其本質應該是產業的安全可控，這是第一條底線。其次，就是社會資源的最大化、最優化利用。

在傳統制造時代，資源肯定不是最優化配置的，它有非常多的阻礙，其中一個阻礙是因為產業的資源分布，跨時空的協調非常困難和低效。你明明知道很多企業的產能已經過剩，同時還有很多企業缺貨，但就是無法在他們之間建立直觀的關系。你明明知道很多人找不著工作，又知道很多公司招不到人、缺人才，但二者之間也無法建立關系。問題的核心就在于，面向產業層面的數據是無法打通的，技術上不支持。

但是智能硬件的創新創業，會催生新的共享經濟業態，讓很多小企業可以從小而全走向小而專，這些企業能充分共享一些資源，事實就是在極大限度地提升社會資源的利用效率。在這個過程中，大家因為共享而產生的互相之間的連接，就會讓產業集群里活力不高的那部分，被活力更高的集群替代。所以我們認為AI的出現，會讓制造業的工程范式發生變化，從CAX（計算機輔助）走向HAX（人輔助），產業范式也會發生變化，從小而全走向小而專，共享經濟盛行。通過“產業+AI”這樣的技術和能力，最終幫助整個社會資源實現最優化配置，也就實現高質量發展了。

中國的工業門類齊全，沒有特別的短板，如果產業安全可控這一條底線能達成，那么隨著產業人工智能的成熟，我篤定會走到那一天，中國一定能從傳統制造業大國走到智能制造大國。

HBRC：智能制造的競爭中，馬太效應會加劇嗎？還是AI技術會讓制造業有一個更豐富、更多贏的商業生態？

丘水平：我的判斷是它會更碎片化。以前，至少在工業領域，確實是強者恒強，大公司是巨無霸，小公司特別小，很卑微。但是AI時代，有非常多的技術隨處可得，所以最終的格局可能是，卷算力的只有個別公司，卷大模型的不超過10家公司，這些都是巨頭去卷。但是在算力和大模型之上，卷智能體的公司會非常多。基于這樣的判斷，我認為未來的商業生態會變得更加碎片化。

現在所謂one-person company（一人公司）很流行，為什么以前沒有這樣的概念？因為它很符合現在的狀況，現在確實有希望成為小而美的公司，只做一個智能體，就可以活得很好。但是我更愿意把它翻譯成one-pizza company（一個比薩能喂飽的團隊），大約6～12人的規模。我認為這樣的公司會非常多，會成為現象級的存在，也很有可能成為獨角獸，去上市。

HBRC：在你描繪的中國智能制造的路徑和圖景當中，華為工業智能平臺的角色是什么？

丘水平：華為工業智能平臺目前所做的工作，建立在一個頂層愿景之上：共建新一代智能工業軟件體系，讓天下的創意皆可造。這是我們的愿景。基于這個愿景，我們有一幅藍圖，分為五層（見圖）。我們團隊只做“工業智能平臺”這一層。因為我們認為中國工業領域的軟件企業，最難解的就是最底下這一層。從資源稟賦來看，華為大概可以說是世界上唯一一家同時具有操作系統、數據庫、AI、智能計算的公司，而且我們是有三十幾年工業經驗的云廠商，所以我們想盡可能賦能產業。但是也要有邊界，我們不往上層走，就聚焦于最難、最硬核的這一層。

華為很大，別的團隊有別的使命。我們團隊的使命就是瞄準工業，提供工業智能平臺去支持其他產業伙伴做上面幾層。我們平臺的研發已經完成得差不多了，現在大量的時間都花在產業端。我們認為“工業+AI”就是未來正確的演進方向，這一步走對了，整個中國產業界，大家都能節省5～10年時間。

程明霞 | 對話、文

程明霞是哈佛商業評論中國執行主編。

聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org