与资深 AI 架构师⼀起，解锁传统行业转型的真实挑战与破局思路

全球 AI 技术竞速进入深水区， 正以 “产业变革核心引擎” 的姿态重塑商业格局。

Omdia 发布的报告显示，以⼤模型为核心的生成式 AI 正加速进入中国的千行百业。对于中国 500 强企业在 AI 基础设施、⼤模型、开发平台和 AI 应⽤的实际情况，74.6% 已经应用或部署生成式 AI。

显然，AI 浪潮正以前所未有的力度席卷千行百业。然而，光鲜数据背后，传统企业的 AI 转型之路布满荆棘：汽车行业面临 AI 安全与交付标准的严苛考验，保险行业深陷数据治理与业务适配的双重困境；一边是 “为用模型而用模型” 的盲目跟风，一边是人才缺口与架构僵化的现实桎梏。

更普遍的痛点在于，部分企业陷入 “为技术而技术” 的盲目狂欢，将大模型应用等同于转型成功，却忽视人才缺口、架构僵化等底层短板，最终让 AI 项目沦为 “纸面成果”。

为穿透行业热度下的转型迷雾，挖掘传统企业 AI 落地的 “真实问题” 与 “有效路径”，我们特别邀请两位深耕产业一线的 AI 架构师，百度 AICA 首席 AI 架构师培养计划优秀学员——华晨宝马汽车有限公司宝马大中华区 IT 平台组 lead architect，AI 首席架构师郭原成，以及泰康科技有限公司算法研发资深专家朱兴杰，结合各自企业的实战经验，从 AI 应用实践、数据治理、人才培养等维度，拆解传统行业 AI 落地的核心痛点与破局路径，为正在转型路上挣扎的企业提供最具实操性的前瞻洞察。

AI 落地传统行业：应用实践与工具选型

问题 1：请两位嘉宾，结合各自行业与企业的实际情况，介绍—下使⽤AI 工具的情况是怎样的？主要使用了哪些工具？基于开源大模型做了哪些场景的尝试？

郭原成： 我们企业的 AI 工具主要分为三类。第一类是基础设施平台相关工具，核心聚焦模型部署、算力池化与算力优化，支撑整个 AI 体系的底层运行；第二类是开发团队专用工具，既包括 Dify、N2N 等开源工具，也涵盖低代码形式的闭源开发工具，用于业务场景的定制化开发；第三类是面向全体用户的通用工具，涵盖桌面端、web 端等多个 AI 可触点，满足日常办公与基础业务需求。

核心应用案例方面，我们从德国引进了一个大型智能体平台，上线半年就吸引了一万多个用户，孵化出几百个覆盖全部门的 APP，成为日常高频使用的核心工具。在技术选型上，我们兼顾开源与闭源模型的优势，比如在 CV 领域，通过 SAM 等模型实现了 99.99% 到 99.999% 的准确度，满足企业级交付要求；针对车载芯片等算力受限场景，我们用‌ Paddle Lite 对模型进行简化，无需依赖云端资源就能完成车牌识别、人脸屏蔽等任务，解决了车端数据处理的核心痛点。

朱兴杰： 泰康科技的 AI 工具体系同样围绕三类核心场景构建。一是技术人员专用的代码编程工具，提升开发效率；二是面向业务与开发人员的智能体平台工具，支撑场景化应用搭建；三是训推一体的模型平台，负责模型全生命周期的管理与应用落地。

目前，智能体开发平台是核心应用载体，已有千余名业务与科技人员使用，完成了数千个智能体应用，重点落地在健康险两核、财务报销、核保等核心业务场景。技术选型上，开源模型以文心飞桨系列为主，例如视觉领域采用的 PaddleOCR-VL 模型。未来我们有两大规划：一是从 “用模型” 向 “调模型” 转变，深化场景定制化能力；二是建立 AI 中台，实现模型的跨场景复用，提升整体效率。

问题 2：结合汽车与保险行业的特性，AI 在解决行业特定痛点时，最常遇到哪些陷阱或核心挑战？

郭原成： 汽车行业的 AI 应用核心痛点是如何达到“交付要求”，尤其是涉及安全相关的场景，要求 AI 产品绝对安全可靠。我们有大概 70% 的 AI 产品，最终因为准确率或性能达不到交付要求，无法实现上车或规模化应用。比如在机器人、大模型相关的尝试中，很多技术在实验室环境表现良好，但落地到实际场景后，准确率、响应速度等关键指标就会出现波动，而汽车行业对安全性的零容忍要求，让这些技术难以突破 “最后一公里” 的落地障碍，这也是业界普遍面临的共性难题。

朱兴杰： 保险行业的 AI 转型主要面临两大核心陷阱。第一个是“目标错位”，很多项目陷入 “为用模型而用模型” 的误区，没有先明确业务目标与核心痛点，就盲目启动大模型建设，导致技术与业务脱节，无法产生实际价值。第二个是 “数据认知陷阱”，企业普遍认为 “数据量足够就可以训模型”，但实际应用中，大量数据是非结构化的，分散在各个业务系统中，缺乏统一规范，既没有聚合沉淀，也无法直接被模型消费，需要投入大量精力进行精标与数据治理，否则再好的模型也无法发挥作用。

问题 3：您认为 AI 落地企业场景，需要从哪些方面进行保障？（战略层面、组织层面、数据层面、⼈才层面等）

郭原成： 我认为人才是重中之重。找到 “对的人” 去做 “对的事”，能让很多问题迎刃而解。一个优秀的解决方案提供者，不仅能精准匹配技术与业务，还能提前预判风险、规避陷阱，这是我们在实践中最深的体会，也是企业面临的最大痛点 —— 如何找到这类复合型人才。

其次是数据治理与数据策略问题。企业内部很多部门会搭建小型且离散的知识库，采用的  Embedding 知识库架构各不相同，当需要构建企业级知识库时，这些离散数据无法兼容整合，甚至不如从零开始构建。因此，如何打破数据孤岛、实现数据融合，是构建有效知识库的核心前提。

第三是组织架构的适配。我们内部采用 “三层结构”：专门负责 Infra 的团队、业务开发团队、需求对接与用户服务团队。但即便如此，仍会面临 决策权责划分、技术发展方向协同等问题，需要不断优化组织协同机制，确保 AI 开发的高效推进。

朱兴杰： 核心保障集中在组织变革与人才建设两大维度。组织变革方面，传统行业的系统经过几十年沉淀，形成了 “各管一摊” 的模式，没人对整个系统负责。而 AI 全流程重构需要打破部门壁垒，明确资源投入、目标执行与最终交付的全链路责任，这就需要建立新的组织形式，实现端到端的统筹推进，否则很难突破传统流程的束缚。

人才建设方面，AI 时代需要的是复合型人才。过去解决技术 BUG 只需专注技术本身，但现在要重构业务流程、对最终交付目标负责，就要求人才既懂算法、架构，又理解业务逻辑与核心痛点。只有这样的复合型人才，才能将技术转化为真正的业务价值。

问题 4：从功能特性、性能表现、安全性、生态支持、成本效益等多方面，结合保险与汽车的行业特性，分享企业选择 AI 产品有哪些决策因素？考量过程是怎么样的？

郭原成： 汽车行业的选型优先级是 “安全＞性能＞性价比”。安全是底线，包括数据安全、产品可靠性等，必须确保 AI 不会出现重大失误或信息泄露，避免引发产品风险或舆论危机；其次是模型性能与最终效果，上车产品的准确率至少要达到 99.99%；最后是性价比，举个例子，我们曾做过一个厂区 Docker 监控系统项目，技术上很成功，但领导一句话点醒我们 ——80 万的项目成本，在沈阳当地完全能招聘好几位工作人员人工监控，成本更低且效果可控。这让我们深刻认识到，AI 选型不能只看技术先进性，还要兼顾投入产出比。

朱兴杰： 保险行业的核心优先级是 “安全合规＞性能＞可扩展性＞性价比”。安全合规的核心是客户隐私与数据安全，这是金融行业的生命线，因此我们必须基于私有云部署，在满足监管要求的前提下推进 AI 落地，这是不可突破的底线。

性能方面，直接影响客户体验的场景有明确的硬性指标。比如理赔场景中，客户上传影像后，需要 1-2 秒内判断是否满足报销需求，若用大模型做综合判断，虽然准确率可能提升，但响应时间会延长到 10 秒甚至更久，严重影响体验，这样的项目就无法落地。

性价比方面，我们会严格计算 ROI。比如对账功能，原本只需 2 名员工兼职完成，若进行智能化升级需要 4 名全职人员投入，再加上系统运维成本，总投入远高于原有模式，且业务价值存在天花板，这种投入与产出不成比例的项目会直接终止。

数据与架构：AI 规模化应用的基石

问题 5：很多企业宣称自己是“数据驱动”，但 AI 项目—开始就卡在数据上。根据德勤的研究结果，约三分之—的 AI 项目失败源于数据管理能力不足。您认为企业在数据准备方面最常见的误区是什么？是数据孤岛、标准不—，还是在数据标注、安全合规方面的投入不足？

郭原成：很多人认为 “数据不足是核心问题”，但实际情况是，数据本身不是根本问题，会用数据的人才才是关键。我们经常遇到这种情况：AI 算法人员会以 “数据不足” 为由要求业务部门准备更多数据，但优秀的从业者会利用现有数据，通过自回归、强化学习等方法解决问题，甚至能达到更好的效果。总之，数据体量的大小并非决定 AI 项目成败的核心要素，数据规模有限时可探索适配的技术路径，数据规模充足时也需聚焦价值挖掘，关键在于能否通过专业能力激活数据的潜在价值，将数据资源转化为项目落地的有效支撑。

数据治理的核心误区是 “分散建设”。企业内部往往有大量数据，但各部门各自搭建知识库，采用不同的模式导致数据无法联合搜索，难以形成企业级数据资产。因此，统一数据标准与建设模式，比单纯追求数据量更重要。

朱兴杰： 保险行业的核心误区是 “重数量、轻质量”。以理赔业务为例，泰康每年沉淀四五千万条理赔数据，量足够大，但这些数据多为非结构化数据，分散在各个业务系统中，既没有聚合，也没有统一规范，无法直接被模型消费，不能直接创造实际业务价值。

另一个关键误区是 “忽视数据治理的系统性”。不同系统中的同一数据，表现形式与存储方式存在差异，缺乏公司级别的统一数据架构与治理标准，导致数据无法有效整合。大模型的核心是数据，没有高质量、标准化的数据，再好的模型也只是 “空中楼阁”，这是我们在实践中最深刻的体会。

问题 6：企业如何解决数据治理难题？预计多久能实现阶段性改善？

朱兴杰： 首先建立统一的数据标准，无论是中后台数据还是理赔两核等业务数据，都遵循同一套规范；其次建立统一的知识标准，通过知识中台对所有业务数据进行汇总，统一对外提供知识输出。

这个项目已经立项，目标是明年中旬实现所有数据的治理与规范达成统一，为后续的模型微调与规模化应用奠定基础。统一的核心价值在于，由一个专业团队集中解决数据治理的核心问题，避免新技术更替后出现 “各自为战” 的混乱局面，确保数据资产的长期复用价值。

郭原成： 补充一点，知识中台是数据治理的核心载体，但要注意 “架构的开放性”。AI 技术发展太快，新的模型与方法层出不穷，现在搭建的知识中台，必须保证拆分方式与构造逻辑能够适配未来的技术迭代，否则下一代技术出现后，现有中台可能无法兼容，导致前期投入白费。此外，组织层面必须由同一个团队负责知识中台的建设与维护，多团队并行会导致标准不一、难以整合，反而增加治理难度。

问题 7：从平台方和技术赋能者的视角看，企业在数据治理和 AI 架构方面应该如何系统性地“补课”，才能为 AI 的规模化应用铺平道路？例如，在构建企业级 AI 架构时，如何平衡可扩展性与定制化的需求？采用模块化、微服务的设计思路是不是未来的主流方向？

郭原成： 对于“系统性补课” 的问题，核心是建立统一标准 + 打破数据孤岛。大企业的数据孤岛问题非常突出，无论是 AI 架构还是企业整体架构，都需要明确统一的构建、搜索标准，尤其是数据量庞大时，分布式搜索的实现至关重要。其次是确保 AI 架构的开放性，AI 技术迭代速度远超想象，“开源比开发还快” 是常态，架构设计必须支持组件的灵活替换，每个模块都能拆换且不影响整体运行，才能适配未来的技术变革，比如现在用 GPT 模型，未来可能出现更优的世界模型或逻辑模型，开放性架构能避免 “推倒重来” 的浪费。

关于 “扩展性与定制化的平衡”，关键在于架构的分层设计。底层保证可扩展性，支持模型、工具的灵活插拔；上层通过定制化适配不同业务场景的需求，既不牺牲整体效率，又能满足个性化需求。

最后是 “模块化微服务” 的问题。在大规模业务场景中，模块化与微服务是提升效率、节省资源的有效方式，但在 AI 领域存在明显痛点 —— 算力与 GPU 的限制导致延时过高。我们的很多业务要求服务响应时间控制在 30 毫秒或 100 毫秒以内，但现有微服务架构的冷启动、热启动延时难以满足，这是需要突破的技术瓶颈。我们目前正在推进 AI 算力池化与优化方案，希望能在非核心关键场景中实现可接受的微服务体系；如果有成熟的企业级 SaaS 服务能够解决延时问题，那将是更优选择。

朱兴杰： 我们通过 “三层 AI 架构” 解决扩展性与定制化的平衡问题。最上层是平台层，作为集团统一的 SaaS 服务载体，提供标准化的接口接入规范，所有子公司与业务部门都通过统一规范使用 AI 能力，保证整体的扩展性与一致性；中间层是服务层，针对不同业务场景与需求，编排底层算法工具与 AI 能力，通过多个智能体与服务支撑个性化业务赋能；最下层是模型层，采用可插拔式设计，支持各类开源模型的快速接入与替换，业务或服务层可根据需求自主选择模型，既保证了底层的扩展性，又满足了上层的定制化需求。

这种架构设计既避免了 “一刀切” 的僵化，又防止了 “各自为战” 的混乱，能够适配集团化企业多业务、多场景的复杂需求。

AI 架构师的能力进阶与人才培养

问题 8：市场普遍面临“AI 专家不懂业务，业务专家不懂 AI”的尴尬。近年来，“AI 架构师”这—角色被频繁提及，被认为是连接业务需求和技术能力的桥梁。您如何定义“AI 架构师”？除了技术能力（如编程、算法、MLOps），他们还必须具备哪些关键的软技能，例如业务敏锐度、批判性思维和沟通能⼒？

郭原成： 在我看来，AI 架构师的核心定义是 “技术 + 业务 + 工程落地” 的三位一体。只懂技术、能开发或提供解决方案，更偏向于 AI 工程师；架构师需要像 “与人对弈” 一样，既要理解业务方的真实需求，还要预判业务可能的误用场景，更要清楚 AI 产品本身的潜在问题，提前填补漏洞。

关键软技能包括三个核心：一是业务洞察力，能够穿透表面需求，找到核心痛点；二是风险预判能力，提前识别技术落地过程中的安全、性能等风险；三是沟通引导能力，既要倾听业务需求，也要向业务方清晰传递 AI 技术的边界 —— 哪些能做、哪些不能做，甚至通过引入新技术为业务提供新的解决方案思路，实现技术与业务的同频。

此外，AI 架构师还要具备 “引导业务的能力”。业务方往往对 AI 的预期过高，认为 “一提需求就能解决所有问题”，这时候架构师需要通过专业知识引导业务方，清晰界定技术边界，同时提供更优的技术方案 —— 可能业务方没想到的技术路径，反而能更好地满足需求。这种 “双向沟通 + 主动引导” 的能力，是技术人才成长为架构师的关键一步。

朱兴杰：AI 架构师本质是 “复合型专家人才”，核心能力是 “将复杂业务问题转化为可量化、可定义的技术方案”。他不仅要懂算法、架构等技术，还要懂业务逻辑，更要有工程化实现能力。

软技能方面，业务转化能力是核心 —— 不能简单地用技术响应业务需求，而是要拆解需求背后的业务逻辑与价值诉求，通过一套技术体系而非单一技术解决问题；其次是全链路思维，要关注技术在整个业务系统中的价值贡献，而不是局限于单点技术指标；最后是跨部门协同能力，AI 落地涉及业务、技术、运维等多个环节，需要协调各方资源，推动方案落地。

问题 9：作为在能源、汽车等传统行业工作的 AI 架构师，您认为 AICA 的课程体系（如兼顾业务、算法、架构的设计）是如何帮助您克服挑战，建立“全局视野”的？AICA 的实践项目在帮助您连接技术与业务、将理论转化为价值方面，起到了怎样的作用？

郭原成： 我和朱老师三年前参加了 AICA 课程，后来还以飞行助教身份参与了两届，最大的收获是 “跳出企业框架的知识输入与跨界交流”。

第一，课程内容与实践高度同步，我们当时正在搭建大模型平台，课程从算力池化、模型部署加速到微调的四门课程，正好匹配我们项目的推进节奏，每节课的内容都是下一步实践的关键指导；第二，跨界交流价值巨大，课程中有不同行业的同学，大家围绕技术问题展开讨论，能碰撞出很多新思路 —— 比如老师当天讲完 SFT，我们第二天就落地实践，遇到问题在群里交流，往往能找到比单一企业内部更优的解决方案；第三，课程内容持续迭代，比如我们曾遇到与 NVIDIA 相关的算力池化问题，后来发现 AICA 课程中已经新增了相关内容，确保我们能及时获取业界最新的技术成果与解决方案。

朱兴杰：AICA 课程带来的是 “观念与能力的双重升级”。一是跨界融合的视野，课程涵盖能源、银行、汽车等多个行业的 AI 落地实践，让我跳出保险行业的局限，看到 AI 在不同场景的价值形态，比如我们现在推进的 GBI（报表查询与知识查询）方向，就是受到其他行业实践的启发；二是全链路思维的建立，过去我只关注单点技术任务的完成，比如数据处理、模型训练，而通过课程学习，我开始关注技术在整个业务系统中的价值转化 —— 是精度提升更重要，还是功能扩展更能推动业务发展，这种思维转变让技术方案更具商业价值；三是实战能力的强化，课程在大模型刚兴起时就设置了模型微调、测试、应用等实战任务，让我们在早期就积累了一手经验，为后续企业内部的大模型应用奠定了基础。

问题 10：从您在 AICA 课程的学习经验来看，您认为在成为复合型 AI 人才的过程中，最大的挑战是什么？您认为企业应该如何设计内部的培养机制？

郭原成： 最大挑战是 “跟上 AI 技术的迭代速度”。AI 领域几乎每两年就会出现新的核心技术，企业内部的内训师往往跟不上节奏，导致培训内容滞后，员工无法学到最新的知识与解决方案。很多员工反馈内部培训 “太老了”，但自己通过公众号、零散资料学习，又缺乏体系化框架，效果有限。

企业的培养机制核心是 “内外结合”。内部培训聚焦业务场景与实操技能，外部则需要接入优质的第三方资源，比如 AICA 这样的课程体系，让员工能够系统学习业界最新的技术与实践案例。单纯依赖内部培训，很难满足复合型人才的成长需求；只有将外部的体系化知识与内部的业务场景结合，才能快速培养出既懂技术又懂业务的核心人才。

朱兴杰： 最大挑战是如何将思维模式进行转变，即从 “技术思维” 转向 “业务价值思维”。很多技术人才陷入 “精度崇拜”，认为把分类准确率从 98% 提升到 99% 就是最大价值，但深入业务后发现，业务更需要的是 “如何让 98% 的精度转化为可感知的业务价值”，比如提升流程效率、降低人工成本等。这种 “技术为业务服务” 的思维转变，是很多技术人才的瓶颈。

企业培养机制应聚焦两个核心：一是拓宽认知广度，通过跨界学习、一线业务调研等方式，让技术人才跳出单一技术场景，理解业务全貌；二是建立价值导向，引导员工关注技术的业务产出，而不是单纯的技术指标。比如在项目考核中，不仅评估模型精度，更要评估业务效率提升、成本降低等实际价值，让人才在实践中逐渐建立 “技术服务业务” 的思维。

问题 11：请两位嘉宾为正在 AI 转型道路上挣扎的企业决策者提供—份“避坑指南”，会给出哪三条最关键的建议？

郭原成： 第一条把人才放在首位。找到一个具备全局视野、能打通技术与业务的 AI 架构师，比盲目投入算力、搭建平台更重要。优秀的架构师能找到最优解决方案，规避大部分转型陷阱，而单纯堆砌技术资源，往往会导致项目上限低、问题频发。很多企业有 AI 工程师或科学家，但缺乏能从全局视角规划方案的架构师，这是转型失败的核心原因之一。

第二条从小而精的场景起步。不要一上来就追求 “大而全” 的平台或泛化能力，先聚焦 1-2 个核心业务痛点，做出准确率高、效果好的 AI 应用，让业务方看到实际价值。这个应用不一定是大模型，传统算法可能更高效、更稳定，只要能解决问题、不出错即可。当单个场景的价值得到验证后，底层的平台、API、并发支持等基础设施自然会按需迭代，形成 “价值驱动” 的良性循环。

第三条不要迷信大模型。大模型的优势是开发快、泛化能力强，但在很多传统行业场景中，存在明显短板：响应时间长（多 Agent 系统可能需要几分钟回复）、准确率难以达到 4 个 9 的企业标准、安全性不可控、性价比低。很多时候，强化学习等传统算法就能满足需求，且成本更低、更可靠。企业应从业务需求出发选择技术，而不是跟风追逐热点。

朱兴杰： 第一条明确业务价值再动手。不要为了做 AI 而做 AI，先想清楚 “解决什么业务痛点”“能带来什么价值增益”，再规划技术方案、投入资源。很多企业跟风做大模型，前期投入巨大，最后却说不清业务价值，导致项目不了了之。只有业务目标清晰，技术落地才有方向，才能避免资源浪费。

第二条理性看待组织变革。不要因为大模型热门就盲目组建新团队，否定原有 AI 团队的价值。传统 AI 团队在深度学习、OCR、人脸识别等领域积累的经验，在很多场景中依然有效。应基于实际业务场景，判断是否需要组建新团队，或在现有团队基础上补充能力，让新旧团队协同发力，而不是一刀切地 “推倒重来”，否则容易导致团队动荡、项目混乱。

第三条重视数据治理的基础性作用。数据是 AI 的地基，地基没打好，再先进的模型也无法发挥作用。很多企业忽视数据治理，认为 “有数据就能做 AI”，但非结构化、分散的数据根本无法被模型消费。企业需要投入资源建立统一的数据标准与治理体系，同时要让数据治理团队的工作得到认可，避免 “做了看不到价值就不愿投入” 的恶性循环。

第四条以产品思维做 AI，而非项目思维。AI 转型是长期工程，需要持续迭代优化，不能当成 “完成即结束” 的项目或政治任务。只有将 AI 作为持续打磨的产品，聚焦长期业务价值，才能在迭代中不断提升效果，真正实现转型目标；如果频繁更换方向、浅尝辄止，最终只会 “猴子摘桃，一无所获”。

结尾

传统行业的 AI 转型不是 “技术替换”，而是 “价值重构”—— 它需要人才打通技术与业务的壁垒，需要数据筑牢底层基础，需要架构适配长期迭代，更需要企业摆脱 “跟风追热点” 的浮躁心态，以长期主义视角聚焦业务价值。

华晨宝马与泰康科技的实践证明，AI 转型的成功不在于 “用了多先进的模型”，而在于 “是否解决了真问题、创造了真价值”。未来，只有那些抓住人才核心、夯实数据基础、搭建灵活架构的企业，才能在 AI 浪潮中真正实现跨越周期的转型突破。

百度 AICA 首席 AI 架构师培养计划第 10 期已经启动，欢迎扫描下方二维码或者点击链接（http://gk.link/a/12EFA）免费报名！