【AI前沿】圆桌对话：进化的终极思考：引入AI，先改流程还是先换脑袋？| 2026AI Partner·北京亦庄AI+产业大会

圆桌对话：进化的终极思考：引入AI，先改流程还是先换脑袋？| 2026AI Partner·北京亦庄AI+产业大会未来一氪·2026年05月22日 14:59企业AI转型：找准小场景先干，用结果换共识促变革企业引入AI，先改流程还是先换脑袋？没有标准答案，只有实战经验——学者、制造业主、工业赋能者三种视角碰撞出一个共识，不要指望把全公司的认知统一好再动手，也不要贪大求全一步到位，用小流程换结果，用结果赢共识，才是AI转型最稳的路径。圆桌对话直面AI落地中“上热下冷”、过度追求全智能、数据治理欠账等现实之坑，并给出了一句建议：找准场景先干起来，用1%的成功促进100%的变革。以下为圆桌演讲内容，经36氪整理编辑：何思翀丨蚂蚁集团NEXTA创新实验室项目负责人（主持）梅丹青丨哥伦比亚大学金融学博士、长江商学院金融学助理教授何一波丨宁波金山双鹿电池副总裁李新春丨和利时科技集团有限公司中央研究院资深研究员何思翀：各位朋友们大家上午好，很高兴做客AI Partner的舞台，我是本场圆桌主持人何思翀，代表主办方欢迎台上的几位嘉宾参与本场圆桌，作为今天上午的收官圆桌，只想跟大家讨论一个问题，解决一件事，企业引入AI第一步究竟怎么办？抛出圆桌的讨论原则，不讲概念，就讲实战体验，把自己曾经做过的AI实践跟大家做一个简单的分享，先做什么，后做什么，包括可能踩过什么样的坑，最终得到什么样的结果。我先来介绍一下台上的三位嘉宾，长江商学院金融学助理教授、哥伦比亚大学金融学博士梅丹青先生。梅丹青：很高兴跟大家一起交流，谢谢。何思翀：双鹿电池副总裁何一波女士。何一波：大家好，我是何一波，今天很高兴跟大家在这里相会，希望今后有机会有更多的合作，谢谢。何思翀：和利时科技集团有限公司中央研究院资深研究员李新春博士。李新春：大家好，很高兴在这儿跟大家分享流程工业的AI经验。何思翀：再次欢迎三位来到我们的圆桌，开门见山，先请三位嘉宾跟我们快速亮明自己的立场，在各自的企业视角、研究视角也好，一个企业想进入AI的转型究竟先改流程还是先换认知，有请梅教授。梅丹青：大脑和流程一定是同步修改的，但如果非要二选一，我建议优先改一号位的认知。因为如果一号位的认知没改好，那改流程就只是在旧世界里做一点小小的提升而已。在2026年的今天，我们要从“引入AI”转向“AI原生”。简单来说，不应该是在原有流程上加AI，而是改成“AI+”，构建AI原生的架构。这就要求企业，尤其是决策层和一号位，必须先改变大脑、改变认知。流程也要跟进，通过小流程来验证认知。这就是我的基本观点。何思翀：AI的核心不在于流程优化，在于认知和决策层面的智能提升，主要是集中在一号位的认知提升上。何总，双鹿电池怎么拥抱AI的，当时怎么做的，是想解决什么问题吗？何一波：你刚刚的那个问题挺有意思，这个问题类似于吃饭先动筷子还是先张嘴巴的问题，对企业就是顺势而为的问题，很多人对双鹿电池不太了解，我们公司1954年就成立，比新中国成立年轻几岁，今年已经有72周年了，我们整个公司经历了中国工业革命，从原来基础比较薄弱到后来不断追赶，部分技术上的领先，这么一个过程，我最大的感悟，一个企业并不是孤立的，肯定是跟国家政策、当时时代同频共振的，我们经历的从原来小作坊到后来自动化、智能化、AI时代的到来，我们公司也是这么一个历程，最早七个人的小作坊，到后来引入国外的生产线，技术被制裁后，我们自主研发设计了自动化生产线。再到现在我们积极拥抱AI，这么多年以来，我们沉淀下来的数据和流程优化，本身就是现在拥抱AI、应用AI很好的土壤，顺势而为、水到渠成的事情。何思翀：当时的触发点是什么，是觉得是时候引进AI了？何一波：大家讲到认知，很多企业的一把手，我相信他们现在都已经有认知了，我们可以感受到中国企业这么多年发展起来，是一些新的技术迭代更新应用，我们的生产力快速提升，我们肯定要去拥抱AI技术，最终企业要解决的问题，就是企业效率、质量、成本。何思翀：李博士，我们在一线服务了那么多工业客户，我们给到企业一个建议，会说您应该先做什么？李新春：和利时在工业自动化领域耕耘了三十多年，服务了上万家工业客户，做了大量工业智能应用，从工业AI赋能的角度我们建议先从流程入手，通过流程撬动认知，工业有其特殊性，工业领域的行业非常多，场景千差万别，高度碎片化，对安全性、稳定性，模型可解释性要求很高。在这样的情况下，很多通用的AI技术在工业场景中很难直接落地应用，从技术路线到价值体现差异都比较大。目前无论是产业界还是学术界，在工业AI价值体现上、在工业AI功能边界上、在未来AI的发展路径上还缺乏一个统一的认知。我的观点是，既然统一认知这个事现在很难达成，能不能先从流程入手，通过实打实的AI落地的效果，从数据、实际价值体现角度来推动认知的升级，促进共识的达成。何思翀：从这个问题，三位嘉宾的立场也都立起来了，梅教授这边是从决策、认知层面出发，何总是从双鹿具体的经验，包括他们72年一路走来的企业实践出发，李博士是从服务客户一线经验来谈的，答案可能不同，是有一个共同的指向，还是看你和你的企业在哪样的阶段，面临怎样的问题，促使你来做出怎样的选择和处理方式，我们现在更加希望聊具体的场景，双鹿是72年的老牌制造品牌，在产线上全面拥抱AI、上AI，拥抱AI是顺势而为的，比如第一个AI场景怎么选的？何一波：我们公司打造“黑灯工厂”，讲一个大家有画面感的东西，最早我们电池里面正极材料里有一个电解二氧化锰、石墨，去过工业企业的人会了解一点，原料车间出来的每一个人都是黑的，除了牙齿其他全是黑的，那会儿大家上公交车的时候，公交车司机要拒载，真的很脏。今天再看我们公司是黑灯工厂，一黑到底，全面实现自动化、智能化场景。第一个AI落地是外观的质检，生产线、物流仓储全部实现智能化，有一个环节也是我们的痛点，我们还是从痛点出发，我们做出来的电池要在仓库里储存10-15天，出来的电池进行外观全检，外观很小，第一个确保没有漏液、没有撞伤、没有瑕疵、没有金属丝等。据我了解在我们这个行业里几十年以来都是靠人工肉眼去看的，但是电池非常小，0.001平方米去看，一板电池有600多节，5号电池有600多节，7号电池有1000多节，去看这个场景一天下来看得眼睛都看花了，又费眼又费腰，2021年要打造一个新的工厂，时机非常好，原来传统的外观视觉检测，还没办法做到很好地检测出不良点、瑕疵点，我们跟华为云技术人员一起碰撞，加上原来积累的数据，加上他们的AI算法再加上工业摄像机，就能很好的至少在设想里能够很好解决这个事情，把原来这么多重复的劳动力，人的肉眼是有漏检的可能性，通过AI解决这个事情，大家马上达成共识。这个过程中并不容易，AI底层是数据，我们出来的电池不良率是比较低的，我们要求不可以放过一颗有瑕疵的电池流出去，AI学习是从零开始的，我们要积累大量的不良品，让他学习，积累数据，原来有很多，但更多是在人的大脑里，样品积累我们花了两三年的时间不断投喂他，到今天为止这个工作已经成功了，一个是国家工信部政策上的支持；还有一个华为云也是把它作为经典的案例做一些推广，几方形成合力把这个事情做成功了，在这个行业里树立一个标杆。何思翀：朱总有一句话核心问题还是在于人，我想了解一下，在我们这样一个应用AI过程中，您刚才讲的主要是在数据、技术能力上的改变，怎么让员工他也发生转变、充分拥抱AI？何一波：说到人，几位老师也讲到焦虑，AI是不是要替代人，是不是要失业了，我们公司做AI项目，我们全部都是有听证会的，听证会的目的是把大家所有的想法、顾虑、建议全部摆在面上去讲，这个事情能给我们带来什么价值，要花多少钱，这个事情值不值得投入，统一思想以后，大家再去做。第一个场景是AI外观质检，做成功以后不是把这些员工开除，而是让他们去更轻松的岗位工作，大家感觉到AI确实帮助到我很多东西，而且是最苦最累的活让AI解决，这时候所有人都会积极拥抱。何思翀：我们不是用AI替代人，而是让人找到更适合人来干的工作。何一波：我们还有其他的应用场景，现在在研发端的大模型，原来通过老的研究人员、工艺人员去做各种各样的实验，现在有了AI以后，会给我们提供想法和思路，再去做就是事半功倍了，更多要知道AI能给我们带来什么好处，有了这个好处，尝到红利以后，大家愿意主动推进这个事情。何思翀：谢谢何总。接下来有请李博士从赋能方的角度分享一下，先从流程上做改造，如果有一个新客户找上门来，他就说我想要上AI，你们的标准动作是什么样的？李新春：我们跟行业中的客户有很多AI应用的交流，首先进行的是价值锚定，先分析业务场景，从业务场景中梳理那些对业务影响比较大的，数据基础比较好，能够量化分析对比的场景，把这些场景梳理出来，我们叫作价值锚点，首先要把目标确定起来。第二步也不会对既有业务场景进行大刀阔斧的改造，。先做最小MVP的闭环，在闭环试点运行场景下去验证技术的可行性，验证实际落地的价值有多大，再看看用户的反馈。在MVP闭环基础上，我们再讨论如何从10%的场景往20%、30%场景不断扩展。实打实地用数据、效果说话，如果开始就说流程有问题，要去改流程，最初阶段用户肯定是难以接受的，通过数据和价值支撑，再回过头来引导客户去做流程重构，例如操作手册、管理流程的修改，一线操作人员也好管理人员也好才会有意愿配合我们做这样的变革，进而推动企业人员对AI认知的提升。何思翀：我们在推动过程中速度的要求是什么样的，一个AI项目从启动到第一步看到可衡量的效果，很多企业非常着急，长时间没有看见水花，信心很快就没了，我们是怎样的速度？李新春：和利时去年618发布了XMagital工业智能平台，主要目的是通过这个平台来支撑工业智能应用快速开发和部署，这个平台解决两个主要问题，一个是数据问题，打通工业生产控制和工业生产管理的数据原生融合问题，原来这两层是分开的，数据原生融合基础上我们又进行了语义底座的构建，通过通过本体模型进行数据的组织和管理。在数据层基础上是模型层，将和利时三十多年积累的模型、算法、工业知识打包成工业世界模型的概念，这也是我们今年616发布的主题。为此还配套了智能编排工具，快速通过自然语言，由业务人员提出业务诉求，编排工具可以调配工业世界模型来组态智能应用。例如基于xmagital平台，预测类应用的开发就由原来以月周为单位改到以天为单位，大大促进了工业智能应用的开发和部署。何思翀：还是回到人的问题，刚才说到先从流程入手，老板来找和利时做AI改造，管理会、战略会已经达成了共识，我们必须要做AI。企业真正落地的时候，还是会碰到中层的犹豫、观望包括一线他们也不会马上行动起来，我们怎么处理上热下冷的情况？李新春：各个层级的利益诉求是不一样的，我们要分层赋能，让每个层级看到AI的价值。对老板来说给他看的不只是宏观的经济报表，还要让他看到生产中的一些主要问题，通过数字孪生技术、把现场生产的具体情况、损耗、能耗、质量波动等问题，通过可视化的形式让他看得到，让他推动管理层、解决这些问题。对管理层我们要提供适当的抓手，问题暴露出来了，上级给他安排任务，那么对应的AI工具是什么？我们通过锚点分析，对化工行业做了比较深入的研究，梳理出来了几大场景集群，例如工艺智能控制、优化、智能设备运维、设备质量管理、安全环保智能控制等等，我们梳理出锚点，提供相应的智能工具，帮助他们完成老板安排下来的任务。对于一线人员，把智能优化投运以后产生的效益给他们按一定比例分配，让他们看到实在的收益，就从原来的抵触情绪变成更加积极使用这些工具。何思翀：梅教授，不同的企业，20人的小企业，500人的中型制造，超过五千人的大型集团，AI切入是不一样的，应该怎么切入？梅丹青：对于小企业来说，内部摩擦比较小，在当下反而更容易从头打造一个AI原生的体系，即以AI为中心，重新架构整个工作流和业务逻辑。在AI能力的加持下，这件事相对容易实现。中型制造业企业或大型企业就比较难了。就像李博士说的，制造业里有很多关键因素，比如材料、工厂流程等，这些很难一下子改造成功。需要一步步来，以流程为线索，从小的痛点为起点，逐步改造整个流程，这一点我非常赞同。今