2024年，国内人工智能领域热议的焦点之一便是大模型在产业中的应用。政府工作报告明确指出，将深入推进大数据、人工智能等技术的研发与应用，实施“人工智能+”战略，旨在打造全球领先的数字产业集群。这一决策体现了我国对人工智能产业发展的深思熟虑和坚定决心。

近年来，中国科技巨头纷纷加大在大模型领域的投入，不仅每周公布研发进展，还积极寻求跨行业合作，以加速技术成果的转化和应用。尽管在底层通用大模型方面，我们与OpenAI等国际顶尖企业仍存在一定差距，但在多模态技术创新和应用场景落地方面，中国公司展现出了巨大潜力。

英伟达高级科学家Jim Fa对2024年的人工智能发展充满信心。他认为，虽然我们不能立刻取得胜利，但我们已经踏上了通往胜利的道路。他特别提到了多模态LLM（大型语言模型）的发展，认为以机械臂为代表的物理输入/输出设备将实现重大突破。同时，他还强调了数据集研究的多样化以及模拟和合成数据在解决机器人灵巧性和计算机视觉问题中的关键作用。

在这个关键时刻，“AI+”战略的提出恰逢其时。数字经济应用实践专家骆仁童博士认为，这不仅仅是一个简单的概念或口号，而是对产业变革的深刻认识和积极应对。正如“互联网+”在十年前引领了传统产业的转型升级一样，“AI+”将在新的时代背景下推动所有产业进行全方位、深层次的重塑和创新。

从“互联网+”时代的初步探索，到产业互联网的深入布局，再到数字化浪潮的全面推进，直至今日“AI+”时代的崛起，这一系列发展历程犹如一个个坚实的阶梯，引领我们逐步攀登科技高峰。若非自2020年以来数字化进程的飞速发展，我们或许已在智能化的大潮中失掉了一张重要的王牌。

人工智能的三大核心要素——算法、算力和数据，对于大多数实体企业而言，前两者并非其所长。然而，对于我们来说，这些年来积累的海量数据，却成为了“AI+”时代最宝贵的“饲料”。

国内一家知名女鞋企业便是其中的佼佼者，他们正在积极探索人工智能在业务中的实际应用，并在一些潮流鞋款的设计中尝试运用行业大模型。

这家企业此前已经打造了一个从生产制造到研发设计，从品牌塑造到零售终端的完整数字化体系。而今，这个体系为他们迈向“AI+”时代奠定了坚实的基础。凭借强大的数字化能力，该公司形成了三大核心竞争力：全渠道的客户运营、数字驱动的智能化运营以及全价值链的快速精准反应。这三者相互协同，大幅提升了公司的运营效率。

从客户端到制造端，该企业旗下19个品牌、7个生产基地、8000多家门店以及上百个直播间的带货矩阵之间，实现了无缝对接和快速响应。鞋的核心价值在于舒适性，为此，该企业充分利用脚型数据库建立了相应的技术标准迭代，以提供更符合消费者需求的舒适产品。在这个过程中，他们积累了大量的行业数据、客户数据和设备数据，并自主研发了数字化中台。

当尝试将AI应用于设计领域时，他们发现虽然公域数据具有丰富性和多样性，但由于其过于嘈杂和分散，难以满足精准设计的需求。对于独特风格的设计，如机甲风休闲鞋等，可以借助通用大模型进行辅助，因为其定位明确且目标客群相对狭窄。设计师只需输入几个关键词，便能获得一些选型建议作为参考。然而，对于大型品牌的设计而言，智能化则必须紧密结合自身的私域数据进行精准调校才能实现有效训练。

因此，这家女鞋企业深刻体会到：在迈向“AI+”时代的道路上，如果没有先搭建好数字化中台的能力作为支撑那么一切美好愿景都只能是空中楼阁。

面对AI+时代的浪潮，高质量的行业数据犹如一座难以逾越的高山，尤其是在工业、零售等错综复杂的场景中。当前，我们尚缺乏足够的数据来训练出能够适应B端需求的通用大模型，从而推动智能体不断自我进化。与非具身智能不同，具身智能需要紧密地与本体绑定，并在真实环境中进行部署才能采集到数据。如果机器人没有真正投入到实际操作中，那么我们就无法获取到大量的运行数据。虽然大模型和思维链能力的出现使得部分任务可以通过零样本学习来完成，但是对于关键业务来说，我们仍然需要依赖高质量的垂域数据。

谷歌在2022年底推出的Robotics Transformer 1（简称RT-1）就是一个典型的例子。谷歌将RT-1应用于机器人模型中，但此前也曾面临过缺乏大规模与多样化机器人数据的难题。这种数据匮乏不仅限制了模型吸收广泛机器人经验的能力，还使得模型难以找到能够从此类数据集中学习、并有效泛化的强大、可扩展且快速的实时推理模型。为了解决这个问题，谷歌利用了RT-1机器人演示数据，这些数据是在17个月内由13个机器人在办公室和厨房环境中收集的，涵盖了700多项任务。

然而，在中国，尽管得益于“互联网+”战略，企业们已经打下了良好的数据基础，但能够建立起线上线下全闭环数字化能力的公司依然凤毛麟角。即使是那些数字化程度最高的样板公司，也往往无法将全链路数字化战略有效地落实到终端店铺或车间的具体行动中。这其中的原因在于，终端工人和销售人员往往缺乏技术背景，导致数字化在终端实现高转化变得异常困难。

随着智能化的不断发展，数字化转型也变得愈发紧迫。那些在数字化转型方面表现不佳的企业，无法寄希望于直接跳过这一环节。根据一项最新研究显示，如今已有高达93%的公司采用或计划采用数字化转型战略。这一战略的核心目标在于加速流程和提升业务成果。因此，对于那些仍在为如何应对AI+时代的挑战而苦恼的企业来说，积极拥抱数字化转型无疑是一条通往成功的必由之路。

在项目的实际设计阶段之前，数据工作已成为数据优先方法这一策略的核心组成部分。与此相反，大多数组织在转型过程中往往忽视了这一点。遗憾的是，它们常常在启动转型活动之前尚未解决数据质量、规模和范围等问题。实际上，数据治理应该先于AI战略，而不仅仅是在问题出现时才在现有系统中进行修复。

过去，在全球设计完成之前开始数据工作是极其困难的，但现在，随着现代工具的发展，这已变得可行。这些工具允许我们提前开始数据管理工作，确保数据能够支持数字化转型项目的承诺，并推动真正的价值。

如果数据不是核心，那么在进行数字化转型时，你也必须进行数据转型。未能早期解决数据问题可能会导致项目延误、分析不可靠、成本超支甚至失败。据最近的麦肯锡报告显示，到明年，组织将在浪费的数据迁移上花费约1000亿美元。

数据管理的复杂性常常被归咎于IT领导与业务部门之间的责任划分不清，导致该领域未能得到应有的重视。这种复杂性限制了组织的敏捷性，增加了风险，并降低了创新能力。根据Enterprise Strategy Group和HPE的一项调查，74%的参与者表示，让他们的数据管理流程跟上业务不断加快的步伐是一个持续的挑战。

此外，将数据工作仅视为技术挑战是一个常见误区。实际上，每个商业问题都与数据密切相关。因此，要成功解决这些项目，我们需要整合商业和技术专长。通过在项目初期重视并投入数据工作，组织可以为数字化转型奠定坚实基础，从而实现更高效、更有价值的业务成果。

公司AI的成功关键在于数据的质量和领导层的坚定支持。一项调查显示，87%的分析和IT领导者认为，AI的发展使得数据管理变得至关重要；而92%的人则表示对可靠数据的需求比以往任何时候都更加迫切。因此，要想在AI领域取得成功，必须在数字化转型项目启动前先行处理好数据问题，并以高质量数据作为首要目标。这对于那些希望利用生成式AI进行创新和创造价值的组织来说尤为重要。

数据转型是数字化转型的核心。数字经济应用实践专家骆仁童博士指出，缺乏高质量数据，组织可能会面临诸多挑战，如产生偏见的结果、无效的“指导”以及错误的建议等，这些都可能对品牌声誉造成严重损害。为了避免这些风险，遵循最佳实践至关重要，这将有助于组织在竞争中保持领先地位。

值得注意的是，有研究显示，37%的参与者认为首席执行官和董事会阻碍了公司的数字化转型项目，而高级管理团队也位列其中，占比达到32%。因此，在启动以数据为先的转型倡议之前，确保获得领导层的全力支持至关重要。

总之，数据优先的数字化转型是实现AI成功的关键。采用这种方法时，领导者及其团队应在数字化转型努力开始之前优先考虑数据治理。通过确保领导层的全程参与和支持，以及将高质量数据作为首要目标，组织可以避免许多潜在的风险和损失，并在激烈的市场竞争中脱颖而出。

商道童言（Innovationcases）欢迎点赞和分享哦！~~

免费电子书：结构化思维 | 荆棘商途 | 年度十词 | 创新企业案例 | 区块链金融

数字经济应用实践专家 骆仁童主讲课程

人工智能：《AI趋势》《ChatGPT》

数字应用：《区块链》《元宇宙》《大数据》

数字中国：《智慧城市》《数字政府》《智慧建筑》《智慧交通》

数字化转型：《制造业数转》《零售业数转》《中小企业创新》

产业数字化：《烟草数转》《银行金融科技》《电力能源互联网》

宏观与趋势：《数字经济》《2024宏观》《双碳》

思维与技能：《数字化思维》《组织变革》

创新与创业：《创业导师》《商业模式》