神州控股“校企聯合”模式解構 AI加速向工業場景滲透

21世紀經濟報道記者 陶力 實習生林耀康、喬博林上海報道

生成式AI正在重塑中國的千行百業，帶來前所未有的機遇。

繼去年全國兩會，“人工智能（AI）+”行動被首次寫入政府工作報告後，2025年全國兩會，推進“人工智能+”行動被再次提出。相較於去年，部署更加細化。

隨着國產大模型DeepSeek的出現，生成式AI能夠賦能具體的產業環境已然成爲不爭的事實。但究竟如何落地應用，讓AI真正在多元產業環境中生根發芽，是行業和科研界亟待突破的問題。

“未來所有的企業都是數字化企業，數字化轉型會成爲一項整體戰略。企業將通過數據匯聚、數據融合、數據資產化、數據治理等獲得融合的數字驅動能力，從而實現業務場景的跨界融合。”近日，神州控股董事局主席郭爲提到AI和大語言模型時認爲，當前面臨的挑戰，其實是如何讓大語言模型在保持泛化能力的同時，還能精準解決專業問題。

要實現這樣的目標，不能靠單打獨鬥，也不能憑空想象。郭爲認爲，這不僅需要強大的產業生態，更需要一批具備創新能力的高端人才。“尤其在產學研方面，需要與高校和研究機構合作，爲企業的持續發展提供有力的人才保障。”

此前，神州控股（00861.HK）旗下數據智能集團神旗數碼已與北京大學共建“燕雲Infinity智能化軟件聯合實驗室”，該實驗室與北京大學共建，將聚焦於軟件行業的數字化革新。

工業和信息化部數據顯示，截至2024年12月20日，我國已建成1200餘家先進級智能工廠和230餘家卓越級智能工廠，智能製造取得了長足發展。

AI重塑“數字化流水線”

國產大模型DeepSeek憑藉低成本、高性能及開源特性引發行業震動。然而，對於大多數企業而言，特別是傳統制造行業，仍在如何應用大模型問題上無所適從。大部分企業的基礎數據治理問題尚未解決，應用DeepSeek等領先的大模型工具更是無從談起。

AI技術相較於人類的學習和工作邏輯而言，仍有不小差距。如何基於AI現有智能能力，通過對應的現實場景訓練，去挖掘在合適賽道上的商業價值，是橫在AI企業面前的一大難題。

“當前，軟件技術正面臨一場深刻變革。人類正進入人機物三元融合的萬物智能互聯時代，機器學習模型正在成爲軟件及其開發過程的重要成分，智能作爲各類領域應用軟件系統的核心能力特徵，成爲各行各業的重大需求。”北京大學教授、中國科學院院士梅宏認爲，智能化軟件與千行百業的融合，將推動數字化轉型，賦能新質生產力。爲此，首先需要全流程、全要素的數字化，進而通過軟件定義構建平臺、實現組織重構和流程再造，最後利用各類算法和模型進行分析決策，也就是AI for Process，實現提質增效。

事實上，AI技術的特點在於它具備普適性，能夠快速基於一個行業的數據，提供這個行業的知識，從而進行AI輔助決策。紮根在中國龐大的工業與製造業環境下，未來AI的角色將更加多元，如化身“Agent”直接幫助企業管理與決策，甚至優化生產線。類似的技術也能憑藉其通用性，可迅速在供應鏈、製造、能源等行業複製應用，爲各類企業落地AI提供全面支撐。

按照郭爲的說法，就是爲企業打造一條“會思考的數字流水線”。

因此，DeepSeek在各行各業被應用時，與原有體系並不是純粹的“替代”關係，而是藉助它的能力，形成差異化互補。

神旗數碼技術研發中心總經理張偉在接受21世紀經濟報道記者採訪時認爲，企業從下訂單到完成交付，需要經過大量基於數據的決策環節，傳統的決策流程效率和準確性有很大的提升空間。

他以鋼鐵行業爲例介紹，某企業在供應鏈環節存在原料調度效率低的問題，通過實時採集高爐煤氣排放數據，結合生產訂單信息，構建動態優化模型。將能源浪費從行業平均的8%降至3.2%。這一舉措降本效應顯著，15座高爐全年累計節省能耗成本約9200萬元。

“通用”與“專有”需平衡

據瞭解，北京大學與神州控股已經有近20年的合作經驗，新一代燕雲的研發團隊也由已正式加入神旗數碼的原北京大學青年科研人才構成。

北京大學副校長樸世龍指出，北京大學將“科技創新”作爲學校的年度工作主題，通過優化科技創新體制機制、涵育一流生態，培育具有國際影響力的重大成果，這既是服務科教強國的重要舉措，也是北京大學自身高質量發展的內在需求。“成立智能化軟件聯合實驗室，有利於打通從基礎研究、關鍵技術、裝備研製、成果轉化到產業化推廣的全鏈條，加速推動北大智能化軟件科研成果轉化爲現實生產力。”

此前，北京大學計算機學院與字節跳動、騰訊、華爲等企業已成立聯合研發平臺，在大模型系統、機器學習系統等人工智能基礎設施軟件方面取得了多項突破，一批成果實現落地轉化。

產學研的緊密結合，也爲科技行業儲備人才，提供了更多捷徑和可能性。尤其在軟件行業，如何將通用方案與專有方案結合，從而使得技術更具可複製性，成爲亟需平衡的要點。

神旗數碼總裁孫洋在接受21世紀經濟報道記者採訪時稱，傳統企業數字化轉型面臨的痛點主要分爲三類：第一類是已完成數據整合治理的產業鏈行業龍頭，它們需要將人工智能深度綁定生產系統，實現流程再造與智能決策，保持行業領先地位；第二類是產業鏈中的配套企業，必須滿足鏈主的數據要求而進行數字化改造，防止被淘汰；第三類是大量中小企業，因利潤率太低而不願在數字化上有太多投入，但行業“內卷”又倒逼他們必須採用性價比高的數智化解決方案降本增效。

因此，對於不同的行業和場景，也需要個性化策略，與Deepseek的結合程度也要分層對待。

“頭部企業部署Deepseek模型時，要強調與底層數據邏輯互操作，例如汽車零部件企業通過新燕雲Infinity產品打通多品牌設備數據，通過數據建模分析優化生產環節；對配套企業要推動其向鏈主標準靠攏，迅速補短板提升整體數智化水平；對基礎薄弱企業要聚焦具體需求，用低成本投入精準提升特定環節數智化能力，實現降本增效。”孫洋進一步認爲，ToB領域難以通用化，必須結合行業特點制定針對性的數智化解決方案。從商業模式上看要採用“內生式創建+外延式複製”的模式，通過核心企業的豐富場景打磨全棧產品與解決方案，然後切片式地複製到更多中小企業實現盈利，攤薄研發交付成本。

面對新一輪的AI競賽，孫洋認爲，軟件行業與DeepSeek是技術協同而絕非替代關係。“以某中資車企在馬來西亞的園區爲例，他們在生產排程中同時使用了供應鏈控制塔和DeepSeek的推理能力。具體來說，先將分佈在7個國家供應商的訂單數據實時歸一化處理，再通過DeepSeek進行跨區域排產優化，使全球供應鏈響應速度提升27%。”

對企業來說，使用大語言模型在內部保證其強通用性、強泛化能力的同時，還能深度的適配特定的行業、企業的專業化需要，也就是要走一條“通專融合”的道路。企業不缺數據，缺的是讓數據活起來的能力；不缺需求，缺的是讓AI真正落地的路徑。

今年政府工作報告提出，加快製造業數字化轉型，培育一批既懂行業又懂數字化的服務商，加大對中小企業數字化轉型的支持。或許，產學研結合的深度融合能探索出一條可落地的路徑。