圓桌對話：進化的終極思考：引入AI，先改流程還是先換腦袋？| 2026AI Partner·北京亦莊AI+產業大會

企業引入AI，先改流程還是先換腦袋？沒有標準答案，只有實戰經驗——學者、制造業主、工業賦能者三種視角碰撞出一個共識，不要指望把全公司的認知統一好再動手，也不要貪大求全一步到位，用小流程換結果，用結果贏共識，才是AI轉型最穩的路徑。

圓桌對話直面AI落地中“上熱下冷”、過度追求全智能、數據治理欠賬等現實之坑，并給出了一句建議：找準場景先干起來，用1%的成功促進100%的變革。

以下為圓桌演講內容，經36氪整理編輯：

何思翀丨螞蟻集團NEXTA創新實驗室項目負責人（主持）

梅丹青丨哥倫比亞大學金融學博士、長江商學院金融學助理教授

何一波丨寧波金山雙鹿電池副總裁

李新春丨和利時科技集團有限公司中央研究院資深研究員

何思翀：各位朋友們大家上午好，很高興做客AI Partner的舞臺，我是本場圓桌主持人何思翀，代表主辦方歡迎臺上的幾位嘉賓參與本場圓桌，作為今天上午的收官圓桌，只想跟大家討論一個問題，解決一件事，企業引入AI第一步究竟怎么辦？拋出圓桌的討論原則，不講概念，就講實戰體驗，把自己曾經做過的AI實踐跟大家做一個簡單的分享，先做什么，后做什么，包括可能踩過什么樣的坑，最終得到什么樣的結果。

我先來介紹一下臺上的三位嘉賓，長江商學院金融學助理教授、哥倫比亞大學金融學博士梅丹青先生。

梅丹青：很高興跟大家一起交流，謝謝。

何思翀：雙鹿電池副總裁何一波女士。

何一波：大家好，我是何一波，今天很高興跟大家在這里相會，希望今后有機會有更多的合作，謝謝。

何思翀：和利時科技集團有限公司中央研究院資深研究員李新春博士。

李新春：大家好，很高興在這兒跟大家分享流程工業的AI經驗。

何思翀：再次歡迎三位來到我們的圓桌，開門見山，先請三位嘉賓跟我們快速亮明自己的立場，在各自的企業視角、研究視角也好，一個企業想進入AI的轉型究竟先改流程還是先換認知，有請梅教授。

梅丹青：大腦和流程一定是同步修改的，但如果非要二選一，我建議優先改一號位的認知。因為如果一號位的認知沒改好，那改流程就只是在舊世界里做一點小小的提升而已。在2026年的今天，我們要從“引入AI”轉向“AI原生”。簡單來說，不應該是在原有流程上加AI，而是改成“AI+”，構建AI原生的架構。這就要求企業，尤其是決策層和一號位，必須先改變大腦、改變認知。流程也要跟進，通過小流程來驗證認知。這就是我的基本觀點。

何思翀：AI的核心不在于流程優化，在于認知和決策層面的智能提升，主要是集中在一號位的認知提升上。何總，雙鹿電池怎么擁抱AI的，當時怎么做的，是想解決什么問題嗎？

何一波：你剛剛的那個問題挺有意思，這個問題類似于吃飯先動筷子還是先張嘴巴的問題，對企業就是順勢而為的問題，很多人對雙鹿電池不太了解，我們公司1954年就成立，比新中國成立年輕幾歲，今年已經有72周年了，我們整個公司經歷了中國工業革命，從原來基礎比較薄弱到后來不斷追趕，部分技術上的領先，這么一個過程，我最大的感悟，一個企業并不是孤立的，肯定是跟國家政策、當時時代同頻共振的，我們經歷的從原來小作坊到后來自動化、智能化、AI時代的到來，我們公司也是這么一個歷程，最早七個人的小作坊，到后來引入國外的生產線，技術被制裁后，我們自主研發設計了自動化生產線。再到現在我們積極擁抱AI，這么多年以來，我們沉淀下來的數據和流程優化，本身就是現在擁抱AI、應用AI很好的土壤，順勢而為、水到渠成的事情。

何思翀：當時的觸發點是什么，是覺得是時候引進AI了？

何一波：大家講到認知，很多企業的一把手，我相信他們現在都已經有認知了，我們可以感受到中國企業這么多年發展起來，是一些新的技術迭代更新應用，我們的生產力快速提升，我們肯定要去擁抱AI技術，最終企業要解決的問題，就是企業效率、質量、成本。

何思翀：李博士，我們在一線服務了那么多工業客戶，我們給到企業一個建議，會說您應該先做什么？

李新春：和利時在工業自動化領域耕耘了三十多年，服務了上萬家工業客戶，做了大量工業智能應用，從工業AI賦能的角度我們建議先從流程入手，通過流程撬動認知，工業有其特殊性，工業領域的行業非常多，場景千差萬別，高度碎片化，對安全性、穩定性，模型可解釋性要求很高。在這樣的情況下，很多通用的AI技術在工業場景中很難直接落地應用，從技術路線到價值體現差異都比較大。目前無論是產業界還是學術界，在工業AI價值體現上、在工業AI功能邊界上、在未來AI的發展路徑上還缺乏一個統一的認知。我的觀點是，既然統一認知這個事現在很難達成，能不能先從流程入手，通過實打實的AI落地的效果，從數據、實際價值體現角度來推動認知的升級，促進共識的達成。

何思翀：從這個問題，三位嘉賓的立場也都立起來了，梅教授這邊是從決策、認知層面出發，何總是從雙鹿具體的經驗，包括他們72年一路走來的企業實踐出發，李博士是從服務客戶一線經驗來談的，答案可能不同，是有一個共同的指向，還是看你和你的企業在哪樣的階段，面臨怎樣的問題，促使你來做出怎樣的選擇和處理方式，我們現在更加希望聊具體的場景，雙鹿是72年的老牌制造品牌，在產線上全面擁抱AI、上AI，擁抱AI是順勢而為的，比如第一個AI場景怎么選的？

何一波：我們公司打造“黑燈工廠”，講一個大家有畫面感的東西，最早我們電池里面正極材料里有一個電解二氧化錳、石墨，去過工業企業的人會了解一點，原料車間出來的每一個人都是黑的，除了牙齒其他全是黑的，那會兒大家上公交車的時候，公交車司機要拒載，真的很臟。今天再看我們公司是黑燈工廠，一黑到底，全面實現自動化、智能化場景。

第一個AI落地是外觀的質檢，生產線、物流倉儲全部實現智能化，有一個環節也是我們的痛點，我們還是從痛點出發，我們做出來的電池要在倉庫里儲存10-15天，出來的電池進行外觀全檢，外觀很小，第一個確保沒有漏液、沒有撞傷、沒有瑕疵、沒有金屬絲等。據我了解在我們這個行業里幾十年以來都是靠人工肉眼去看的，但是電池非常小，0.001平方米去看，一板電池有600多節，5號電池有600多節，7號電池有1000多節，去看這個場景一天下來看得眼睛都看花了，又費眼又費腰，2021年要打造一個新的工廠，時機非常好，原來傳統的外觀視覺檢測，還沒辦法做到很好地檢測出不良點、瑕疵點，我們跟華為云技術人員一起碰撞，加上原來積累的數據，加上他們的AI算法再加上工業攝像機，就能很好的至少在設想里能夠很好解決這個事情，把原來這么多重復的勞動力，人的肉眼是有漏檢的可能性，通過AI解決這個事情，大家馬上達成共識。

這個過程中并不容易，AI底層是數據，我們出來的電池不良率是比較低的，我們要求不可以放過一顆有瑕疵的電池流出去，AI學習是從零開始的，我們要積累大量的不良品，讓他學習，積累數據，原來有很多，但更多是在人的大腦里，樣品積累我們花了兩三年的時間不斷投喂他，到今天為止這個工作已經成功了，一個是國家工信部政策上的支持；還有一個華為云也是把它作為經典的案例做一些推廣，幾方形成合力把這個事情做成功了，在這個行業里樹立一個標桿。

何思翀：朱總有一句話核心問題還是在于人，我想了解一下，在我們這樣一個應用AI過程中，您剛才講的主要是在數據、技術能力上的改變，怎么讓員工他也發生轉變、充分擁抱AI？

何一波：說到人，幾位老師也講到焦慮，AI是不是要替代人，是不是要失業了，我們公司做AI項目，我們全部都是有聽證會的，聽證會的目的是把大家所有的想法、顧慮、建議全部擺在面上去講，這個事情能給我們帶來什么價值，要花多少錢，這個事情值不值得投入，統一思想以后，大家再去做。

第一個場景是AI外觀質檢，做成功以后不是把這些員工開除，而是讓他們去更輕松的崗位工作，大家感覺到AI確實幫助到我很多東西，而且是最苦最累的活讓AI解決，這時候所有人都會積極擁抱。

何思翀：我們不是用AI替代人，而是讓人找到更適合人來干的工作。

何一波：我們還有其他的應用場景，現在在研發端的大模型，原來通過老的研究人員、工藝人員去做各種各樣的實驗，現在有了AI以后，會給我們提供想法和思路，再去做就是事半功倍了，更多要知道AI能給我們帶來什么好處，有了這個好處，嘗到紅利以后，大家愿意主動推進這個事情。

何思翀：謝謝何總。接下來有請李博士從賦能方的角度分享一下，先從流程上做改造，如果有一個新客戶找上門來，他就說我想要上AI，你們的標準動作是什么樣的？

李新春：我們跟行業中的客戶有很多AI應用的交流，首先進行的是價值錨定，先分析業務場景，從業務場景中梳理那些對業務影響比較大的，數據基礎比較好，能夠量化分析對比的場景，把這些場景梳理出來，我們叫作價值錨點，首先要把目標確定起來。第二步也不會對既有業務場景進行大刀闊斧的改造，。先做最小MVP的閉環，在閉環試點運行場景下去驗證技術的可行性，驗證實際落地的價值有多大，再看看用戶的反饋。在MVP閉環基礎上，我們再討論如何從10%的場景往20%、30%場景不斷擴展。實打實地用數據、效果說話，如果開始就說流程有問題，要去改流程，最初階段用戶肯定是難以接受的，通過數據和價值支撐，再回過頭來引導客戶去做流程重構，例如操作手冊、管理流程的修改，一線操作人員也好管理人員也好才會有意愿配合我們做這樣的變革，進而推動企業人員對AI認知的提升。

何思翀：我們在推動過程中速度的要求是什么樣的，一個AI項目從啟動到第一步看到可衡量的效果，很多企業非常著急，長時間沒有看見水花，信心很快就沒了，我們是怎樣的速度？

李新春：和利時去年618發布了XMagital工業智能平臺，主要目的是通過這個平臺來支撐工業智能應用快速開發和部署，這個平臺解決兩個主要問題，一個是數據問題，打通工業生產控制和工業生產管理的數據原生融合問題，原來這兩層是分開的，數據原生融合基礎上我們又進行了語義底座的構建，通過通過本體模型進行數據的組織和管理。在數據層基礎上是模型層，將和利時三十多年積累的模型、算法、工業知識打包成工業世界模型的概念，這也是我們今年616發布的主題。為此還配套了智能編排工具，快速通過自然語言，由業務人員提出業務訴求，編排工具可以調配工業世界模型來組態智能應用。例如基于xmagital平臺，預測類應用的開發就由原來以月周為單位改到以天為單位，大大促進了工業智能應用的開發和部署。

何思翀：還是回到人的問題，剛才說到先從流程入手，老板來找和利時做AI改造，管理會、戰略會已經達成了共識，我們必須要做AI。企業真正落地的時候，還是會碰到中層的猶豫、觀望包括一線他們也不會馬上行動起來，我們怎么處理上熱下冷的情況？

李新春：各個層級的利益訴求是不一樣的，我們要分層賦能，讓每個層級看到AI的價值。對老板來說給他看的不只是宏觀的經濟報表，還要讓他看到生產中的一些主要問題，通過數字孿生技術、把現場生產的具體情況、損耗、能耗、質量波動等問題，通過可視化的形式讓他看得到，讓他推動管理層、解決這些問題。對管理層我們要提供適當的抓手，問題暴露出來了，上級給他安排任務，那么對應的AI工具是什么？我們通過錨點分析，對化工行業做了比較深入的研究，梳理出來了幾大場景集群，例如工藝智能控制、優化、智能設備運維、設備質量管理、安全環保智能控制等等，我們梳理出錨點，提供相應的智能工具，幫助他們完成老板安排下來的任務。

對于一線人員，把智能優化投運以后產生的效益給他們按一定比例分配，讓他們看到實在的收益，就從原來的抵觸情緒變成更加積極使用這些工具。

何思翀：梅教授，不同的企業，20人的小企業，500人的中型制造，超過五千人的大型集團，AI切入是不一樣的，應該怎么切入？

梅丹青：

對于小企業來說，內部摩擦比較小，在當下反而更容易從頭打造一個AI原生的體系，即以AI為中心，重新架構整個工作流和業務邏輯。在AI能力的加持下，這件事相對容易實現。

中型制造業企業或大型企業就比較難了。就像李博士說的，制造業里有很多關鍵因素，比如材料、工廠流程等，這些很難一下子改造成功。需要一步步來，以流程為線索，從小的痛點為起點，逐步改造整個流程，這一點我非常贊同。

今天有一個重要的觀念轉變：我們不應該再談AI賦能，而要談“AI原生”，也就是從“+AI”變成“AI+”。我想引用長江商學院孫天澍教授的觀點：所有大企業都需要意識到，傳統的管理經驗本質上是“管理人”，但今天，我們需要思考如何以AI為優先，讓AI幫我們重構企業的底層邏輯。

具體怎么做呢？可以拿出一個小產線、一個小區域，甚至在那里面做一個“鏡像業務”，這個業務完全以AI為中心，而不是以人為中心。在這個小產線或小區域里完全鏡像化地運行，去觀察效果、測算提效了多少，再逐步把其他業務遷移到這個新的鏡像上。聽起來可能有點大膽，但這恰恰是大企業做好AI轉型的唯一路徑。因為在企業內部直接改很難，中層會有阻力，企業過去的管理經驗和AI時代的要求也完全不一樣。不如先找一個小部門，做出一個AI鏡像，再慢慢把業務遷移上去，反而是一條很好的路徑。這是我個人的想法。

何思翀：聽起來非常有意思，不知道是否有企業在嘗試？

梅丹青：我聽說有藥企在做這樣的事，先挑一個小業務板塊或一個小區域市場，試著跑起來。

何思翀：在您之前的分享中看到，重要的投入往往是看不見的，不那么的投入往往是非常熱鬧的，在AI落地這個事情，看不見但重要的投入具體指什么？

梅丹青：

我們前面談到的大腦和流程，其實都很重要。最不重要的，反而是技術本身。那些看起來很熱鬧的投入，往往都是投在技術、模型上的，數據當然也重要。但最不熱鬧卻至關重要的投入，是去改流程、改變人的認知、做架構上的調整。

我引用一下BCG之前的調研報告。BCG曾指出，企業做AI轉型的過程中，10%是算法，20%是技術和數據，70%是流程和人。不是說技術不重要，而是更重要的是：如何讓人和流程去適配技術。

我們今天的時代已經不是技術去適配人，而是人要去適配技術，因為AI太強了。不知道這是幸運還是不幸運。

何思翀：我們應該把錢花在大腦和流程上，梅教授提到看不見的投入，問一下何總，雙鹿在AI這個事情花得最值的一筆錢是什么？

何一波：我們現在在AI應用有幾個場景，第一個是外觀質檢場景很好地解決了我們用到人工，這個工作非常辛苦，更多是體力活。還有一個應用場景是生成式AI，在研發端的應用，已經有一定的成效出來，今年剛剛上市了智能鎖電池第四代產品，我們結合了AI，看著是一顆小小的電池，里面的科技含量還蠻高的，2005年就獲得了國家科技進步獎二等獎，因為它是一個電化學體系，不像一件衣服，你穿在身上他是不會變的，電池通了以后，里面發生了急劇的化學反應，轉化為電流的反應，還是很有科技含量的。

我們現在更多的是場景研究，不同應用電器應用場景不一樣，放電模式、電池要求都是不一樣的，最新研發的智能鎖四代電池是剛剛推上市，從原來研發差不多要兩到三年出一款新品，到這個產品我們用了半年的時間，非常高效就出來了，對我們是極大的鼓勵，支撐我們在未來有更多領域的探尋，怎么擁抱AI。

何思翀：用AI更好的創新。

何一波：對。

何思翀：李博士，你們見過的客戶最典型的錢花錯了地方，不值得投入是什么。

李新春：這幾年AI發展很快，尤其是大模型技術，我們跟客戶交流的過程中，一個比較典型的問題，客戶沒有搞清楚場景和技術之間的驅動關系，很多客戶在沒搞清楚自身需求的情況下，首先花上百萬、幾百萬買了昂貴的算力設備，但談到具體應用場景是什么，拿這些設備來干什么的時候，反而說不清具體的訴求，而提出的一些訴求其實是傳統小模型就能解決的問題，也無需昂貴的算力。我們從行業賦能的角度建議以場景驅動技術。首先你要搞清楚場景、流程上的問題出在哪兒，有哪幾條技術路線，各條路線需要什么樣的模型、算力，把這些分析清楚以后，選擇最合適的去落地，后面再說要不要購置昂貴的算力。場景落地也不是技術越新越好、模型越復雜越好，不是這樣的，肯定是合適才好，只有場景落地了，技術的價值才能體現，再好的技術不能落地，也是缺乏實用價值的，還是要需求引領，場景驅動。

何思翀：剛才幾位嘉賓站在自身視角進行分享，現在換一個角度，剛才主要聊的是怎么做成，我們是不是也走過一些坑，給大家一些避雷的指南。

梅教授，你觀察從企業決策上，他們在AI落地上最容易犯的錯誤是什么，認知層面的錯誤是什么？

梅丹青：

我先稍微糾正一下剛才關于投資的說法。技術是重要的，我很同意李博士說的，那些看起來很熱鬧的投資，比如買算力、投入最先進的技術，反而對你的業務可能沒有幫助。這才是我剛才真正想表達的意思。

回到你的問題：企業在AI落地上最容易犯的認知錯誤是什么？我觀察到當下比較容易犯的錯誤，是過度追求AI全智能，希望從頭到尾全部由AI做判斷，中間沒有人去驗證、沒有人做把關。

今天反而需要強調：人在其中找到自己的價值。何總說得很有道理，工具是工具，人是人。人在AI時代最大的價值在于驗證，在于有品位、有審美，在于在這個過程中如何與AI良性互動、幫助AI發揮最大效果，而不是盲目追求整個工作流從頭到尾全是AI，沒有人的參與。這是當下需要打破的迷思。

何思翀：需要了解AI的邊界在哪里以及人機配合的過程是怎樣協作的。

梅丹青：對，找到人機配合最有效率的方式。

何思翀：雙鹿在這個過程中有沒有踩過什么坑，而且踩得很疼呢。

何一波：坑算不上，我們不是專門做AI研究的，制造型企業，比較務實，從場景端、需求端出發去考慮，這個事情怎么做成，訴求還是比較簡單的。梅教授講的全流程一定要AI，同時還是要考慮成本，能不能解決效率、質量問題，這其實不算坑，最難的并不是技術，因為AI底層是數據，雖然我們沉淀或者我們有大量的經驗、數據，但數據是很分散的。到今天上AI，把數據重新整理出來、清理，是很難的事情，需要花很長的時間，要看你有沒有定力把這個事情做成，做不成，或者很多人覺得這個事情很難成，可能就放棄了，從實際需求對你來說這個事情是非常有必要的，把這個事情一點一點積累起來，做起來，最后這個事情成了以后還是非常有成就感的。

何思翀：這個問題非常典型，AI時代突然意識到數據如此重要，過去積累過程中沒有那么重要來收集或者整理，現在要回頭做一些工作。

李博士，您剛剛也分享了有一些客戶在技術、算力投入上腦子一熱就上去了，有沒有失敗模式反復出現，比如想要一步到位、貪大求全？

李新春：這樣的場景也是有的，用戶過于相信AI，迷信技術，盲目跟風，大模型發展很快，用戶覺得大模型來了能夠解決所有問題，上來就是企業AI大腦，手和腳還沒干好，就建大腦，受限于技術和資源條件，這種項目大多數都做成了為了智能而智能。

我們的理解工業智能前進路線還是場景驅動、螺旋式上升的，不可能是一步到位的、貪大求全是不行的，一定是小步快跑，對場景進行分級，根據技術水平、場景需求，分步驟、分期實施，這是一條可行的路徑。還有就是建立完善的AI價值評估體系，而不是一錘子買賣，上線就完事了，需要長期在線運行，創造持續價值。這套價值評估體系一定不是從技術角度評估模型精度多少，分類準不準，不是這些指標，而是從業務角度看節能的百分比是多少，產品質量提升多少，持續用這套價值評估體系評估在線應用的效果，發現問題，后期肯定涉及到運行維護、模型迭代更新，構建AI應用在線長期、持續運行狀態。只有讓用戶看到長期價值，后續場景化AI推動才有基礎的條件。

何思翀：謝謝三位的分享，三位的分享指向同一個事情，AI技術發展日新月異，熱鬧未必是在技術那一層，我們還是需要有一些預期的管理，對企業轉型預期的管理以及優先級的判斷，場景選擇等等都是幫助我們把AI切實落實到企業當中。

最后請三位嘉賓用一句話總結你的觀點以及給現場企業和所有觀眾一句AI落地最高優先級選擇的建議。

梅丹青：我的觀點是：如果不改變認知，所謂的“AI賦能”就只是在舊世界、舊規則里提效；如果沒有流程驗證，那一切都只是空想。

展開來說，行業Know-how和流程都很重要，把兩者結合也沒問題。但關鍵是要搞清楚：什么是真正的行業Know-how？什么是AI時代下新的知識或業務流程？大家要看得更遠一些。AI能力會不斷進步、不斷迭代，你今天所依賴的行業Know-how，會不會只是傳統行業邏輯的慣性？在AI時代，它會不會被重構？

我們一直在講第一性原理，而AI時代恰恰是最需要第一性原理的時候。一定要想清楚：什么是真正本質的行業Know-how。理清這一點，再去修改流程，用流程來驗證想法，這才是我們擁抱AI最好的態度。

何思翀：不要在舊地圖里找新世界。

何一波：不要為AI而AI，大家還是要從客觀、自身企業實際的階段、情況出發，AI底層需要有大量的數據，公司是不是具備這方面的能力，只是一味跟風，會誤入歧途，花了很多錢得不到效果。圍繞質量、效率、成本這幾個點出發，最終老板覺得這個事情值得投，讓工人覺得AI幫到我，而不是讓我失業。

何思翀：各方ROI都要算清楚。

李新春：找準場景先干起來，用1%的成功促進100%的變革。

何思翀：感謝三位，本場圓桌看到了三位嘉賓不同的站位，學者看全局，制造業在做實干，賦能者是見到了行業百態。雖然企業或者組織AI轉型沒有一個標準的答案，我們越來越清晰地看到一條清晰的路徑，別想說我們把公司腦袋全部換好再動手，也不要一步到位全面更換AI的流程，而是像李博士說的那樣用小流程換結果，用結果贏得大家的共識，再從共識推動更大規模的AI轉型，這是最穩最有效也最能幫助企業活下去的路徑。

再次感謝三位嘉賓以及現場和線上嘉賓的收看，本場圓桌就到這里，謝謝大家。