導(dǎo)讀
5月20日晚，智次方創(chuàng)始人彭昭再次與AI4C應(yīng)用研究院管震連麥，圍繞“AI驅(qū)動(dòng)：企業(yè)數(shù)字化變革的新引擎”主題展開對(duì)話。
隨著上周AI加持下的產(chǎn)業(yè)數(shù)字化變革與創(chuàng)新討論的深入(點(diǎn)擊此處查看往期文章)，AI到底會(huì)給業(yè)務(wù)帶來何變化、應(yīng)用是否會(huì)進(jìn)入深水區(qū)、應(yīng)該走怎樣的應(yīng)用模式、中小企業(yè)如何起步等問題進(jìn)一步浮出水面。
5月20日晚，智次方創(chuàng)始人彭昭再次與AI4C應(yīng)用研究院管震連麥，圍繞“AI驅(qū)動(dòng)：企業(yè)數(shù)字化變革的新引擎”主題展開對(duì)話。
以下根據(jù)直播訪談內(nèi)容整理：
大模型會(huì)對(duì)業(yè)務(wù)環(huán)節(jié)產(chǎn)生哪些影響
彭昭：哈嘍，大家好，我們今天還是繼續(xù)討論 AI 驅(qū)動(dòng)的數(shù)字化變革。第一個(gè)問題就是以 GPT 為代表的大模型對(duì)未來的業(yè)務(wù)會(huì)產(chǎn)生什么樣的影響?業(yè)務(wù)層面涉及到像研發(fā)、生產(chǎn)、銷售、服務(wù)等環(huán)節(jié)，這些環(huán)節(jié)是不是都會(huì)被改造?
管震：如果我們接著上周討論的內(nèi)容，當(dāng)時(shí)我在這個(gè)白板上畫過一張圖，其實(shí)每個(gè)環(huán)節(jié)里面都可能對(duì)不同的地方產(chǎn)生效率提升，這是顯而易見的。因?yàn)樗旧硎且粋€(gè)語言模型，所以但凡涉及到跟文書工作相關(guān)的、跟文字和符號(hào)傳遞相關(guān)的(從上游傳遞到下游)、跟語言處理(如歸納、演繹)相關(guān)的，這些環(huán)節(jié)其實(shí)都會(huì)產(chǎn)生影響。
只不過現(xiàn)在讓人著迷的是我們都不清楚到底他能夠走到哪一步。我舉個(gè)例子就是大家都能看到的客服，一早就被看中了，像轟炸機(jī)一樣就轟進(jìn)去了，我們做個(gè)聊天機(jī)器人，原來要做知識(shí)圖譜，要做語義理解，要做多輪對(duì)話，現(xiàn)在不用了，我們直接上大模型就可以搞定了。然后再做一些embedding，再做嵌入，就可以把自己的知識(shí)庫灌進(jìn)去了，反正回答得好回答得不好，回答得準(zhǔn)不準(zhǔn)確，也無所謂，所以很快就能融入進(jìn)去。
這個(gè)是比較淺層次的，我們?cè)趹?yīng)用上面很快就能看到，那么接下來，在很多行業(yè)里面，只要跟剛才舉的這個(gè)例子相關(guān)的，我相信進(jìn)到這個(gè)直播間來的朋友，應(yīng)該多多少少都有感受，所以我就不再重復(fù)去講這個(gè)比較淺層次的應(yīng)用了。
現(xiàn)在稍微深一點(diǎn)的、讓大家覺得有意思的應(yīng)用在第二輪。如果我們假設(shè)大模型它真的是作為一個(gè)對(duì)符號(hào)、對(duì)語言的抽象，那么人類的文明，無論它現(xiàn)在是機(jī)器，還是不是機(jī)器，是跑在信息系統(tǒng)里面的，還是不是跑在信息系統(tǒng)里，是跑在什么樣的抽象的耦合系統(tǒng)里面的，這些其實(shí)都是符號(hào)、數(shù)字、公式等抽象的集合。那么道理上講，但凡給它個(gè)學(xué)習(xí)的機(jī)會(huì)，它不就是能夠比人快100倍的去處理這些信息，并且能夠產(chǎn)生效益嗎?
所以如果我們回到剛才提的問題，無論是哪個(gè)環(huán)節(jié)，它是研發(fā)、產(chǎn)品設(shè)計(jì)、采購、市場調(diào)研、計(jì)劃、排產(chǎn)，還包括設(shè)備，每個(gè)環(huán)節(jié)里面其實(shí)都是對(duì)前面那個(gè)環(huán)節(jié)交付的一堆信息的處理，并且交付到下一個(gè)環(huán)節(jié)，如果我們現(xiàn)在嘗試去抽象這個(gè)過程的話，它其實(shí)就做這件事情。那以GPT為代表大模型道理上在未來，可能明天，可能一周或者一年之后，干得比我們快得多。這個(gè)就讓人著迷了，那如果用現(xiàn)在的GPT，或類似GPT這種模式，我們能干成多少事情?能干成什么樣?
第二種是有很多在做不同領(lǐng)域的專家也在思考現(xiàn)在的 GPT能否被應(yīng)用于他們的領(lǐng)域。 它不能硬套在各個(gè)領(lǐng)域里面，但GPT的一些思維、模式、思路確實(shí)很好，比如可以用于對(duì)工業(yè)場景的理解，可以用于未來產(chǎn)品新品的研發(fā)，也可以用于(有些可能是我們自己在瞎想)未來的一些新的工作機(jī)會(huì)的創(chuàng)造。
原來我們單獨(dú)朝一個(gè)方向想、到最后就是死胡同的那種思路，豁然開朗成為現(xiàn)在這種更發(fā)散，或者叫做用多模態(tài)的思維方向去做這件事，這個(gè)是讓人著迷的事，當(dāng)然同時(shí)它也是個(gè)謎。到目前為止，有多少人真的把這件事做出來了呢?我覺得還需要等待一段時(shí)間，但非常有意思的時(shí)間點(diǎn)到了。
大模型在工業(yè)領(lǐng)域是否將進(jìn)入深水區(qū)
彭昭：四月份的時(shí)候看到一個(gè)新聞，說西門子和微軟將加強(qiáng)合作，利用生成式AI推動(dòng)工業(yè)生產(chǎn)力發(fā)展，兩家公司正在將西門子用于產(chǎn)品生命周期管理(PLM)的Teamcenter?軟件與微軟的協(xié)作平臺(tái)Teams和Azure OpenAI服務(wù)中的語言模型以及其他Azure AI功能集成。兩家公司在合作開發(fā)可編程邏輯控制器 (PLC) 的代碼生成工具，ChatGPT 將用于通過自然語言輸入生成 PLC 代碼;另外還在研發(fā)能夠更好地發(fā)現(xiàn)生產(chǎn)缺陷的系統(tǒng)，結(jié)合微軟Azure機(jī)器學(xué)習(xí)和西門子的Industrial Edge。
之前大模型的應(yīng)用都是在聊天機(jī)器人都比較淺層次的應(yīng)用，那這個(gè)合作已經(jīng)深層次進(jìn)入到了業(yè)務(wù)和設(shè)備層面，以前這些大家都是不愿意公開的，這是不是意味著大模型在工業(yè)領(lǐng)域開始深入到深水區(qū)?未來在工藝流程、設(shè)備、質(zhì)量等方向上會(huì)有更多深度應(yīng)用?
管震：對(duì)這個(gè)問題我有兩個(gè)方面想和大家聊。
第一個(gè)方面是關(guān)于方向。我和AI4C研究院的同事們，還包括后來一個(gè)叫做 AI Copilot(副駕)的團(tuán)隊(duì)，都是從微軟出來的精英們。那么一開始定位我們想干的事情，就肯定不是說大家都會(huì)的那件事，我們就想深入進(jìn)去看看在制造業(yè)領(lǐng)域里面，在一些數(shù)據(jù)密集的場景當(dāng)中能做什么樣的事。這件事我們就算是往前走了一點(diǎn)點(diǎn)，也不能說是走通了。我舉個(gè)例子，在此之前先給給大家介紹一下，我本身是廣東省工信廳聘請(qǐng)的工業(yè)互聯(lián)網(wǎng)專家，也是廣東省首批制造業(yè)數(shù)字化轉(zhuǎn)型專委會(huì)專家，和團(tuán)隊(duì)在制造業(yè)方面做了一些探索。
好多工業(yè)互聯(lián)網(wǎng)平臺(tái)都提到一件事，要做數(shù)據(jù)采集。但凡你是做制造業(yè)，泛制造業(yè)包括說大工業(yè)場景里面，無論是風(fēng)機(jī)也好，還是一些智能產(chǎn)品也好，相信數(shù)據(jù)采集你已經(jīng)做過很多了。但數(shù)據(jù)采集上來干什么?這件事情一直是個(gè)謎一樣，非常神奇。
數(shù)據(jù)采集完之后呢，原來我們提出了各種各樣的模型，針對(duì)不同的業(yè)務(wù)場景中的一些不同業(yè)務(wù)目標(biāo)，包括像預(yù)測(cè)性維護(hù)。比如說你開的車，4S店讓你回去的時(shí)間點(diǎn)和你把車開壞的時(shí)間點(diǎn)之間選一個(gè)折中的時(shí)間點(diǎn)，這樣可以在財(cái)務(wù)和效益之間取得更好的平衡。
另外我們也可以做一些對(duì)于業(yè)務(wù)上面的調(diào)優(yōu)。比如原來我們跟上海不工軟件合作過好幾年，做這種高級(jí)排程系統(tǒng)，就是企業(yè)里面用的APS。可是高級(jí)排程系統(tǒng)它其實(shí)有很多依存關(guān)系，包括機(jī)器設(shè)備的狀態(tài)好不好，現(xiàn)在招的人現(xiàn)在是什么水平，能不能勝任那個(gè)工作，這些都是做好一個(gè)計(jì)劃的約束條件。無論是采購的計(jì)劃，還是排班的計(jì)劃，都要依賴這些因素。
所以在一些特定的場景下其實(shí)做了一些或者說能做一些，能夠解決某些特定問題的事情。但是一直解決不了的問題是，如果我們從更高的層面來看這個(gè)場景，我們總是在想，對(duì)于工業(yè)領(lǐng)域有沒有這樣的大模型，能夠幫我們?nèi)ザ嗄B(tài)的處理各種各樣的數(shù)據(jù)?當(dāng)然它不是真的去處理聲音、文字、圖片，但是又包括聲音、文字、圖片，也包括從不同設(shè)備、不同系統(tǒng)里來的各種數(shù)據(jù);它去理解不同的這個(gè)業(yè)務(wù)邏輯，業(yè)務(wù)邏輯它本身它代表著業(yè)務(wù)模型，原來我們都得單獨(dú)建模。
曾經(jīng)我和上海不工軟件的人有過如下一段對(duì)話：
上海不工軟件：我們現(xiàn)在已經(jīng)有600多萬種算法了
我：請(qǐng)問你們要600多萬種算法來干什么呢?
上海不工軟件：沒辦法，為適配不同的場景，我們就得搞這么多種算法
我：這些都是你們?nèi)耸謱懗鰜淼膯?
上海不工軟件：基本上都是，后來當(dāng)然有一定的加速
再到后面和他們的溝通中得知這個(gè)數(shù)據(jù)增長的更夸張。無論是適配千變?nèi)f化的工業(yè)場景，還是更復(fù)雜的多家企業(yè)共同構(gòu)成的價(jià)值鏈或者產(chǎn)業(yè)鏈的時(shí)候，場景算法光靠人力是無法窮盡的，我們不能像愚公移山一樣，一點(diǎn)點(diǎn)調(diào)優(yōu)或調(diào)參。
所以這個(gè)是原來人力不可及的，那未來有沒有可能用大模型的思路來將原本散落在不同地方的算法或者一些寶貴的經(jīng)驗(yàn)通過一個(gè)新的適合于工業(yè)場景下的transformer(就是 GPT里面的transformer，現(xiàn)在大部分大模型都基于transformer)來進(jìn)行一些新的思考?我覺得這是很有可能發(fā)生的，這是我們思考的第一個(gè)方向。
包括我估計(jì)西門子和微軟其實(shí)也是在這么嘗試，他們一個(gè)是工業(yè)背景，一個(gè)是IT背景，所以他們兩邊一起碰撞，可能就會(huì)出現(xiàn)這樣的情況：我這邊有一個(gè)思路或想法，你那邊能用上或能解決嗎?兩邊互相碰撞，逐步在工業(yè)領(lǐng)域深入。
第二個(gè)方面是關(guān)于速度。原來我們?cè)诋a(chǎn)品的時(shí)候，特別是跟信息化、數(shù)字化相關(guān)的產(chǎn)品，無論它是硬件還是軟件，無論它是叫 APS、EDA還是叫 ERP、Office，其實(shí)原來在做更新迭代的時(shí)候都很慢，但是今天突然有一條思路可以讓你很快就能把產(chǎn)品推出來。
甚至WPS我看到前兩天發(fā)的新聞，不用再等 Office的Copilot了，用 WPS 就直接可以根據(jù)你的需求描述自動(dòng)生成 PPT。大家都發(fā)現(xiàn)這是一條思路，無論他現(xiàn)在做出來的是 100 分還是 90 分，還是真的比 GPT 差 2 分，無所謂，但是我們都看到這個(gè)模型，這個(gè)思路是對(duì)的，我們就可以朝那個(gè)地方嘗試。
迭代這件事情很快，我們今天可能趕不上GPT，趕不上 4.0，但我們可能很快就能趕上3.0甚至3.5。所以大家在不同的方向上都可以用這個(gè)思路去思考，并且很快速地讓自己產(chǎn)品往前更新迭代。原來可能產(chǎn)品都不知道該往哪個(gè)方向去做，今天起碼提供給你一個(gè)思路，往那個(gè)方向走，它是有一定的前進(jìn)的。
所以我覺得在這個(gè)事情上面有以上兩個(gè)思路可以和大家探討。
松耦合是更適合工業(yè)領(lǐng)域的應(yīng)用模式
彭昭：剛才管總提到的那個(gè)公司我挺感興趣的，他們?yōu)槭裁磿?huì)有那么多種算法?在整個(gè)業(yè)務(wù)運(yùn)行的過程中這眾多的算法如何來高效響應(yīng)業(yè)務(wù)?
管震：原來所謂的適應(yīng)性算法，它是你給多少約束條件，就會(huì)做出對(duì)應(yīng)的題目，就像線性規(guī)劃一樣，大家知道做線性規(guī)劃是根據(jù)給出的一些約束條件，寫出公式、目標(biāo)函數(shù)，然后就可以自動(dòng)得到最優(yōu)解。這個(gè)算法并不需要特別多、特別復(fù)雜，只是需要有一套行之有效的求解器就可以。在國內(nèi)，有很多公司也是這么做的，比如杉數(shù)科技等，大家在做這種協(xié)同算法的時(shí)候，其實(shí)都是按照這個(gè)思路來的。只不過后來有一種思路被大家逐漸接受，叫做松耦合。
我相信大家聽我提到過很多次松耦合，松耦合的目的是將很多環(huán)節(jié)拆解開來，不要綁得太緊。如果綁得太緊，它就變成了一個(gè)黑盒子，要進(jìn)行調(diào)優(yōu)，要與其他人協(xié)作，都會(huì)變得很麻煩，這樣實(shí)際上弊大于利。在工業(yè)場景中，工業(yè)場景本身就是一個(gè)松耦合的場景，就如亞當(dāng)·斯密勞動(dòng)分工論所說的分工才能產(chǎn)生熟練工人，所以需要將其拆解。
如果我們把這個(gè)面向業(yè)務(wù)目標(biāo)的這些算法去拆解一下的話，你就會(huì)發(fā)現(xiàn)原來它可以拆解成不同的環(huán)節(jié)對(duì)于排班或計(jì)劃效率產(chǎn)生影響的一個(gè)一個(gè)子集。那么每個(gè)環(huán)節(jié)都有不同的算法，因此算法和算法之間，當(dāng)你要做到一起的時(shí)候，要變成一條產(chǎn)線，或者是說不在一個(gè)廠里面，它還有外協(xié)廠，還有其他的上游公司和下游公司。當(dāng)你在擴(kuò)大的時(shí)候，就會(huì)發(fā)現(xiàn)環(huán)節(jié)非常多，那環(huán)節(jié)越多，它的組合數(shù)量就越大。也就是說每一個(gè)環(huán)節(jié)我們把它看作一個(gè)節(jié)點(diǎn)，第一個(gè)節(jié)點(diǎn)有10個(gè)算法，第二個(gè)節(jié)點(diǎn)也可能有10個(gè)，第三個(gè)節(jié)點(diǎn)還有10個(gè)，那我們就有很多組合。
這看起來當(dāng)然很嚇人，但實(shí)際上它很好用，因?yàn)槟憧梢栽诓煌钠髽I(yè)和場景中組合，甚至由人工智能去驅(qū)動(dòng)組合。比如說跟人力資源相關(guān)的，跟設(shè)備相關(guān)的，跟生產(chǎn)相關(guān)的，跟搬運(yùn)相關(guān)的，跟紡織相關(guān)的等等，在不同的環(huán)節(jié)組合的時(shí)候，就需要不停地適應(yīng)不同的場景，然后把相關(guān)的算法拿過來進(jìn)行組合，這樣就很容易承擔(dān)億次以上的操作。
接下來其實(shí)在跟不工軟件在聊的一件事情就是，既然如此，我們剛才也提到工業(yè)場景很復(fù)雜，又面對(duì)各種個(gè)樣來自市場、來自訂單、來自配料、來自上下游供應(yīng)商等的變動(dòng)和壓力，這些情況下是不是能夠類似像GPT一樣，更好的和決策者、運(yùn)營者、銷售人員之間去對(duì)話?銷售人員在前端賣東西的時(shí)候，他很快就知道我能不能接這個(gè)單?？蛻裟莾? 150 塊錢我們能不能接?旁邊一個(gè)競爭對(duì)手降到 145 塊錢了，我們能不能 140 塊錢拿下來?拿下來的話我們能排期在 3 個(gè)月時(shí)間內(nèi)完成嗎?他可以不斷問這樣的問題，而后面的不同的這個(gè)系統(tǒng)就組合在一起，通過這樣的協(xié)同計(jì)劃系統(tǒng)來更好的為前端提供服務(wù)。
小步快跑，推動(dòng)變革落地
彭昭：其實(shí)大模型在某種程度上提出了一個(gè)新的組織變革形態(tài)，“數(shù)字員工”進(jìn)入組織，成為節(jié)省人力、提升效率的工具，這會(huì)給企業(yè)帶來哪些影響?在這樣的情況下，組織要如何對(duì)待變革這件事?如何調(diào)整變革節(jié)奏，以適應(yīng)這種新常態(tài)?
管震：我們以咨詢行業(yè)為例，這個(gè)事情對(duì)咨詢行業(yè)目前短期來看有利有弊。弊當(dāng)然是看得到的，比如說兩三年之內(nèi)很可能面臨的要裁員。原來咨詢公司的項(xiàng)目來源是我靠腦力為客戶提供報(bào)告等服務(wù)，但未來甲方說我靠 GPT 也能出這個(gè)報(bào)告，所以你的業(yè)務(wù)量就有可能會(huì)受到影響，尤其是一些中等的和比較初級(jí)的咨詢公司。
彭昭：大的咨詢公司也深受影響，比如埃森哲，也在裁員。
管震：對(duì)的。畢馬威(KPMG)宣布與微軟達(dá)成合作，為美國的審計(jì)、稅務(wù)和咨詢客戶提供生成式人工智能解決方案，以提升工作效率、節(jié)省運(yùn)營成本和增強(qiáng)客戶體驗(yàn)。這其實(shí)是我想說的第二件事，如果咨詢公司真的去研究和應(yīng)用，得到的好處很可能更多。
我先舉表象的例子，我們?nèi)ソo企業(yè)做咨詢，很可能只賣一次。我們今天包裝好了一個(gè)產(chǎn)品賣給客戶，比如領(lǐng)導(dǎo)力、企業(yè)戰(zhàn)略、經(jīng)營管理、供應(yīng)鏈優(yōu)化等，我們的課程或解決方案給人家就完了。但是當(dāng)有了GPT或者GPT配合的一些數(shù)字化的公司之后，你至少可以賣好幾次。企業(yè)原來要改變很困難，就算你給我講課、給我輔導(dǎo)，我真的要完成往你說的那個(gè)方向去做也很困難。但是有了GPT之后，它很可能往前走的那一步很快就試出來了，到底對(duì)還是不對(duì)?效果和你的目標(biāo)之間有多大差距?企業(yè)很快就知道了。
當(dāng)企業(yè)發(fā)現(xiàn)你的咨詢方案出來的非?？?，而且更準(zhǔn)確，可以去協(xié)同不同的系統(tǒng)、不同的數(shù)據(jù)，以前即使你有顧問，也很難從各種系統(tǒng)中獲取數(shù)據(jù)并進(jìn)行分析，但現(xiàn)在你可以從不同的系統(tǒng)中進(jìn)行協(xié)同。然后你給企業(yè)的業(yè)務(wù)目標(biāo)既有感性的又有理性的，很容易評(píng)估，對(duì)企業(yè)來說，邁出這一小步并不復(fù)雜，邁完之后它發(fā)現(xiàn)這個(gè)咨詢方案很落地，有效果，那企業(yè)就會(huì)覺得我們還可以再往前走一小步，再做一期。
最近確實(shí)也碰到了類似的兩家企業(yè)。一家是中小企業(yè)，老板在某一個(gè)傳統(tǒng)行業(yè)做了二三十年，現(xiàn)在兒子要接班，就是這么個(gè)場景。二代接班，他肯定是不愿意用傳統(tǒng)的那個(gè)老思路去做，但是你要知道老人家有很多思路是很難改的，可能是路徑依賴，但也有可能它就是真的經(jīng)驗(yàn)吶。不聽老人言，吃虧在眼前，我們也見到過很多年輕人接班太沖動(dòng)，把企業(yè)家底敗光的案例。
這個(gè)時(shí)候我們站在咨詢方，我們是被年輕的這一代請(qǐng)過去，相當(dāng)于要說服老一輩的創(chuàng)業(yè)者。我們先了解對(duì)方企業(yè)的數(shù)字化基礎(chǔ)，然后在GPT和咨詢專家共同協(xié)作下下輸出了一份面向?qū)Ψ狡髽I(yè)的方案，提交給年輕一代接班人去和老一輩創(chuàng)業(yè)者商量。
這個(gè)咨詢方案跟原來區(qū)別非常大，原來就是有點(diǎn)像賭，500萬做一個(gè)咨詢，不到最后不知道結(jié)果如何?？墒俏覀兘裉旖o提供的咨詢方案里面是分三步走，第一步做的就是你原來做的事情往前走一小步，但是你能很快看到的結(jié)果是什么?比如兩個(gè)月時(shí)間就做完(當(dāng)然這兩個(gè)月是概數(shù))，就可以給企業(yè)一個(gè)反饋。
老一輩看完方案之后，看到兩個(gè)月能有一次真實(shí)成果的反饋，且能及時(shí)確保這件事情是在控制范圍之內(nèi)，加上心態(tài)非常平和，就按照方案開動(dòng)了起來。
第二個(gè)案例是傳統(tǒng)的大企業(yè)，對(duì)于這樣的企業(yè)來說，決策并不是一個(gè)人說了算，在這種情況下，決策者往往也會(huì)非常擔(dān)心自己走錯(cuò)一步。那這個(gè)時(shí)候，小步快跑的思路變得非常重要。在以前這種小步快跑可能難以實(shí)現(xiàn)，但現(xiàn)在我們有了一種可行的路徑。只不過在不同的領(lǐng)域中，小步快跑的實(shí)現(xiàn)方向可能會(huì)有所不同。但重要的是，我們需要有一條線將它們串起來。
一家企業(yè)，打個(gè)比方，原來它是一個(gè)餅，其中餅的每一塊就是它的產(chǎn)品一、產(chǎn)品二、事業(yè)部一、事業(yè)部二等等，老板在這個(gè)餅的中心，所有人都向中心匯報(bào)。很多時(shí)候我們?cè)谧鰯?shù)字化咨詢這件事情的時(shí)候，看著這個(gè)餅不知道從何處下嘴，牽一發(fā)動(dòng)全身，因此小步快跑難以實(shí)現(xiàn)。
換個(gè)思路，如果我們把這家企業(yè)拆成縱向的一個(gè)個(gè)模塊，但每個(gè)不同的部門、不同的事業(yè)部都有自己的業(yè)務(wù)目標(biāo)。同時(shí)我們把它的數(shù)字化現(xiàn)狀用線條的形式展示出來，同時(shí)與背后做個(gè)映射，這個(gè)就有點(diǎn)像咱們 GPT 的這個(gè)embedding，做向量的映射，從前面的數(shù)字化現(xiàn)狀進(jìn)到一個(gè)向量空間的第二維。
在這種模式下，小步快跑就有可能實(shí)現(xiàn)。比方說有一個(gè)二代老板，他是負(fù)責(zé)海外銷售的，非常急迫的需要知道他的企業(yè)是不是能夠在越南開場、能不能在某個(gè)地方去中轉(zhuǎn)貨物、貨物中轉(zhuǎn)周期需要多長，類似這樣的一些需求，這種情況下我們就去分析與前端銷售最緊密連接的部分，映射到后面的向量空間，我們就得到為了實(shí)現(xiàn)這個(gè)需求哪幾個(gè)小模塊必須邁步向前走。
但是往前走的過程其實(shí)并沒有邁大步，我們還是為了他的業(yè)務(wù)目標(biāo)達(dá)成，所以每個(gè)都走了一小步。這樣的話這個(gè)數(shù)字化變革所消耗成本最低，同時(shí)又能拼出來一個(gè)完整的路徑圖。所以進(jìn)到產(chǎn)業(yè)當(dāng)中的時(shí)候，我覺得這個(gè)有很多可以探討的。
彭昭：是的，產(chǎn)業(yè)數(shù)字化變革是一個(gè)值得深入探討的話題，非常感謝管總今天的精彩分享。
