对话和鲸科技范向伟：大模型的出现会让SaaS赛道重塑 | 年度AI对话

年度AI对话

文 |杨俊

编辑 |石亚琼

封面来源｜企业官方

掌握了人工智能就掌握了新时代的生产力密码。

在ChatGPT爆火的当下，大模型火遍全球，中国产业也激发了对人工智能应用的新热情。

因此，这个时间点，36氪数字时氪团队正式启动《年度AI对话》专栏，希望与国内在大模型领域有着深度研究的专业人士进行热点话题的探讨，通过一系列报道，还原AI新的技术能力与应用潜力。

本期我们邀请到了和鲸科技CEO范向伟。

大模型的出现对中国企业的数字化转型会有什么短期和长期影响？CIO/CDO作为企业数字化转型整体布局的负责人，在这次大模型引领的AI浪潮中应该做出什么样的应对？借助大模型，未来中国的企业数智化到底是倾向于自研还是合作？这些问题都成为当前全行业关心的话题。

和鲸科技作为一家数据智能科技公司和平台服务商，服务了包括但不限于医药、制造、金融、新零售等多个领域的众多企业，深入了解并参与这些企业的数字化转型。它是回答上面关键问题的合适人选之一。因此，36氪邀约了和鲸科技CEO范向伟一起聊聊这些可能出现的变化。

范向伟认为：大模型出现后，当下中国企业的CIO/CDO必须要紧急应对智能化，未来CIO/CDO 能做更多的事情；未来借助低成本的大模型应用，中国企业数据结构化的路径可能会发生重大变化，中国企业的数字化需要和智能化同步推进；这个过程中，中国企业其实有自己独特的工程优势。

以下内容为采访原文，经数字时氪编辑整理：

大模型出现后CIO能做更多的事情， 未来机器学习工程师有机会做CIO

CIO/CDO作为企业数字化整体布局的负责人，在这次的AI浪潮下，有什么新的动作以及变化？关于这些问题，范向伟认为当下中国的CIO/CDO必须要开始应对智能化的任务，要站在战略的角度去思考更多问题。未来机器学习的工程师有机会成为CIO。

数字时氪：最近大模型出现后，你观察到CIO/CDO有什么新的动向？

范向伟：CIO和CDO近来的动向是需要向CEO和董事会分析这一轮AI创新的冲击。过去中国的CIO/CDO，要同时处理信息化和数字化的任务，现在必须要开始应对智能化的任务。

尤其是在交互强度高的消费者场景，比如内容消费、教育、电商，生成式AI会改变品牌和消费者的交互方式，也就是CIO需要考虑过去很多CMO和COO考虑的问题，要帮助CMO和COO完成营销方式、运营方式的转型，并且是用更快的速度、更加清晰的路径来完成这个转型，这是一种很紧迫的变化。

CIO 过去能做的事情，其实是有限的，更多的是流程上面去做修修补补的事情。现在CIO要考虑公司战略，他需要建立完整的分析框架、战略框架，以此判断业务底层竞争力在哪，壁垒在哪，ChatGPT所带来的这种能力会替代哪些环节？改造哪些环节？会让哪些环节消失？这些问题是非常难回答的，但是又是董事会想要了解的问题。因为董事会要决定接下来花多少钱加速数字化转型。

在整个公司里，需要CIO/CDO来回答这些问题。他们现在更加关注的是，AI将在怎样的时间尺度、怎样的程度、以怎样的速度，改造他们所在的产业，他们需要评估用怎样的方式、怎样的路径，来把握这其中的机会。

但现在CIO/CDO感受更多的是焦虑。

焦虑的原因主要有两点：第一，这一轮的大模型，它的表现和它在过去的三个月里所展现出来的进化速度让很多CIO都不能理解它。

第二，现在CIO/CDO要带着董事会给到的任务做事，董事会给到任务就是CIO要告诉董事会大模型会怎么影响公司？短期看是否会影响公司的岗位、某个具体的职能；中长期看是否会影响公司的运营模式、商业模式、产业链结构等等。

数字时氪：以后CIO/CDO的岗位职能会发生什么变化？

范向伟：因为CIO管理的是企业的信息资产，在管理资产方面需要有一套方法论。还是有足够多的企业认为需要人来管理好这些核心资产。

只不过，CIO/CDO的岗位要求会变得更高。CIO这个岗位肯定会变得更贵，因为它的胜任力要求会非常非常高。

其次，CIO/CDO的能力半径会被拓宽，过去，可能IBM出来的高级人才可以胜任中国大部分的制造业企业的CIO，但之后，CIO/CDO既要拥有IBM培养的理解企业流程的能力，还要具备麦肯锡、BCG所培养的战略管理、战略转型的能力。目前兼备这2项能力的人才还是稀缺的。

我们认为很多未来的 CIO 会是机器学习的工程师，他们可以用更快的速度坐到类似的位置，这是我们能够看到的比较确定的职业发展趋势。

从 0 到 1 做一个大模型也没有必要的，更多的工程师的机会是用好大模型，叠加机器学习策略、调优策略做智能化的应用程序，一些之前觉得很难数字化的行业包括医疗、农业、教育、制造等都给了机器学习工程师发挥的空间。

企业数智化的实现路径可能会发生变化，低成本结构数据收集或成可能

大模型所带来能力该如何与企业的数字化进行结合？实际落地时会遇到哪些难点？大模型所需的数据如何解决？

关于这些问题，范向伟认为大模型会让更多的任务被完整的数字化，但生成式AI的局限性、成本结构、收益结构等并不明朗，所以在实际落地时会遇到困难。

数字时氪：大模型在数字化落地的难点会是什么？

范向伟：很多产业还没有完成数字化，通过大模型的生成能力，显然可以降低数字化的门槛，降低数字化的成本。这个过程的难点在于，可以数字化的场景的数量，有了数量级的提升，但是生成式AI的局限性在哪里、成本结构、收益结构是什么，仍然是不确定的，而且是很难被确定的。

如果说过去做数字化，问题是能够看得到的，只是成本高、效率低、见效慢，要做的事情就是跨越鸿沟。那么现在的生成式AI的应用，更多是盲人摸象的过程，好像已经摸到了很大的机会，也看到了很大的机会，但是并不知道摸到的是什么、机会背后的规律是什么。

举一个具体的难点，相比上一代的决策式AI，生成式AI对于场景的改造深度是更强的。如果说AI的1.0是手枪，已经展示了AI的竞争力，那么现在的生成式AI，在战斗力上的表现就是马克沁机关枪，这个级别的生产力的提升，需要改变的是军事组织、战术设计的底层逻辑，我不知道什么级别的人才可以驾驭这样的变革，但显然这不是一个容易的事情。

数字时氪：在智能化场景下，现在中国企业的数据够不够？

范向伟：如果按照过去的表现来看，这个数据肯定是不够的。但如果从今天算起，五年之后会有 98% 的数据增量是今天所没有的。这些新的数据也是通过用户交互来获取的。大模型有更强的感知能力和更强的交互能力，那也就意味着有更强的产生数据的能力。所以过去没有很多的数据，但不意味着不能通过更低的成本获得新的数据。

从短期来看，大模型可以让大家看到的是一些任务被替代。但在这个过程中，它所带来的副产品其实是很恐怖的，因为任务不仅是被替代了，而且从任务本身来看，它是被完整的数字化了。比如当一个文案工作被替代掉的时候，那么其实文案和用户交互的数据都被记录下来了。

如果把每一个流程叠加起来来看的话，其实最终的场景和职能被完整的数字化了。

比如营销这件事情，其实现在大部分的营销仍然不是数字化的，比如楼宇广告、海报等，虽然有些媒介看上去是数字化的，但是它们之间没有联系，而且各个流程之间也没有联系在一起。

从中长期来看，实际上大模型可以让企业和消费者的交互方式发生完整的变化。消费者和企业之间的关系会从一个短期的关系变成一种长期关系，也就是企业能够越来越深入的了解消费者，因为企业在和消费者互动的过程中就在了解消费者，企业可以通过大模型的能力，比如基于消费者什么时候喝可乐、什么时候喝牛奶等场景数据生成用户画像，而且这是可以实时在线生成的，这会让消费者有更强的动力进行交互。比如大模型可以提醒消费者热量摄入过多，该去锻炼了。这其实是一个颠覆性的变化。

这种能力其实是确定性的，企业可以通过这种方式收集到更多的数据，了解用户。

数字时氪：在智能化浪潮下，企业数字化预算还会大幅提升，如何解决预算问题？

范向伟：其实很现实的说，大部分的企业在现在的这个局面下，它的边际收益率是低于银行理财的。在今天的这个环境下，很多企业本身就已经不赚钱了。基于过去的惯性，可能许多企业仍然保持着一种扩张的冲动，继续在经营。但既然如果公司没有钱再投信息化，那当下最合理的决策就是把这个公司卖掉，进行产业整合。目前无论是欧洲、日本还是美国大部分的制造业，他们的市场整合度是很高的，经历了很多轮的并购整合。

用好数字化的能力，并且在服务好客户的基础上，做好产品创新，这是企业活下去的必要条件。

大模型的出现会让SaaS赛道重塑

大模型的出现对于SaaS行业到底有什么影响？范向伟认为大模型出现后，最佳实践是应用大模型和用户洞察去服务用户，所以SaaS赛道会被重塑。

数字时氪：大模型对SaaS行业有没有影响？

范向伟：因为跟大模型所代表的生产力潜能相比，你越仔细看SaaS，你越会发现大部分SaaS的形态是不合理的。因为大部分的SaaS其实就是由表单和流程所构成的，这个表单跟流程在实现企业内部的任务的时候，它只是非常非常小的一块。也就是说无论是财务、人力资源、营销的SaaS对生产力确实有提高，仍然是很局限的，企业仍然需要大量的人。

大部分的SaaS，对于效率的提升，都有一个天花板，就是很难影响用户的意识和行为，或者说，SaaS作为一个系统，和用户的交互的深度是不够的。用户想要从SaaS系统里面拿到特定的数据、洞察，想要完成特定的操作、实现特定的任务，成本都是非常高的，需要大量的引导、培训、服务。

现在大模型比较夸张的一点就在于它把人的很多行为和过去的数据表单以及逻辑都执行完了，这件事情对于所有的SaaS的冲击都很大，因为SaaS产生的目的就是帮企业通过数据，通过流程，通过最佳实践来提高效率。

过去在没有大模型的情况下，那就是流程加表单加数据加人的动作，形成最佳实践，但现在大模型出现后，最佳实践本身已经被颠覆了。现在最佳实践就是应用大模型和用户洞察去服务用户。这本身就已经把SaaS给覆盖掉了。

我们发现最近大家有一个共识，就是SaaS 是会被重新做一遍，只是大家说的重新做的程度，是从头到尾重新改造，还是局部改造，还是混合来做，这方面还没有确定性的消息。

数字时氪：这次的大模型浪潮对和鲸有什么影响？

范向伟：这次的 AI 的浪潮的对我们的影响，我觉得从宏观上和微观上看到的东西会不太一样。从宏观上来看， AI 从一个小行业开始变成了一个大行业。在之前的三四年，无论是科创板的上市公司的数量，还是一级市场流向 AI 细分市场的资金都没有很大。虽然在16-17年有过一个小高潮，但是没有商业化或者说市场化的清晰路径，当时间来到18-20年，其实已经慢慢变成比较小的体量了。AI这件事大家虽然都挺关注的，但重要性其实是不断下降的。这一轮的AI技术实现了突破，重新面向整个产业、整个社会展现了AI 所带来的生产力的变化。过去可能是在局部的场景中能够看到局部的效率提升，现在变成了一种全局的效率提升，甚至说是颠覆性的效率提升。

所以在宏观上，AI对于大部分的大中型的客户也就是ToB的主流客户群体开始变成了一个重要的事情，他们要开始对AI能力做建设，采购AI服务，对AI的发展做规划，这就相当于从一个不重要的事变成了一个重要的事，从一个不紧急的事变成了一个紧急的事。

在中国AI 的产业链上面能够提供相对清晰的价值主张，相对清晰的PMF 的厂商是比较有限的。所以对于和鲸来说，市场的需求是明显在增加的，有更多的潜在客户变成了有急迫需求的客户。

从微观上来看，就要对应到AI的产业链了。大家都看到了ChatGPT所达到的表现。事实上 AI 要达到这样一种能力，它还是一个工程问题。从数据到建模，到模型训练，到持续调优，到持续迭代的过程是一个工程问题。只要是工程问题也就意味着它还会不断的进步，也会不断的产生相应的故障，会有相应的成本问题，会有相应的性价比问题，同时也会有相应的风险包括比如数据泄露等。

对于这些问题需要有一整套的AI能力的产业链来让模型的表现变得更好、故障变得更少、风险变得更小。那和鲸所提供的数据科学的协同平台，在整个AI的供应链里也是必不可少的一环。

当然进一步从微观上看，在大模型的功能的实现上，过去许多的事情是工程师或科学家在做，他们在建模的过程中的链条很长。其实里面的很多任务是可以被自动化的，会出现拥有人工智能领域知识的GPT来解决这些问题。当前人工智能的模型有局限性，因为人工智能本身还是一个工程问题，它有自己的领域知识，那就会有人工智能领域的大模型，我们可以用人工智能大模型的技术来提高人工智能建模的效率和性价比。这件事情本身就是和鲸的业务范畴，这也是我们要去做的事情。

我们的愿景在过去几年其实就是很简单的一句话：Connect people with data，数据能够让人变得更有生产力，现在可能会是Connect people with data and model。

现在的生产要素不仅是数据，甚至说是更重要的生产要素开始变成模型了。但我们的愿景的主体其实没有变化，还是要让人变得更有生产力和创造力。

数字时氪：和鲸科技存在着哪些机会？目前有什么规划么？

范向伟：我觉得是三方面的机会。需求侧、供给侧、流程上。

需求侧，AI从一个明天要做的事情，变成了今天要做的事情。在中国不怕没有需求，就怕需求不够重要、不够紧迫。

有了需求，就会出现更加繁荣的供给。和鲸作为一个AI开发者社区、AI开发平台，就可以接入更多的优质供给，包括优质的数据、模型、框架，从而放大和鲸的价值。

有了更大的需求、更大的供给，就需要用更高的效率，来完成AI的供应链，到AI的需求侧的转化效率、落地效率，也就是用生成式AI进行代码生成、分析模块生成，以及对于数据、指标、模型进行解释。

数字时氪：核心业务会有什么变化？

范向伟：现在这个时间点还真是蛮难判断说大模型对各行各业真正的机会是什么？风险是什么？因为确实太颠覆了，它改变了许多游戏规则。

对我们来说有几件事情在工程上面是确定性的事实，首先这一代的大模型技术仍然是基于机器学习的原理，这个不会变。技术路线没有出现突变，它仍然需要机器学习的流水线。大模型很厉害，也就意味着机器学习很厉害。也就意味着用机器学习的方式来去做事情，它的一个可能性、可行性和必要性都在增强。

这其实是对我们来说一个确定性的机会，所以AI 的基础设施大概率会变得更加的重要。对和鲸来说，还是要守住自己的基本盘，就是机器学习工程师、数据科学家的社区，以及他们做机器学习过程中所需要的提高他们工作效率的生产线，也就是ModelOps。

当然这里面还有一些我们觉得必须要探索的这种机会，大模型仍然需要人来进行孵化，人可以把大模型当作是自己驯化的动物，但是它能力更强。过去我经常跟别人开玩笑，这个东西有点像宠物小精灵，也就是你是在借助自然界的力量跟科学的力量，创造一个有自己生命力的物种。但是你要孵化它，它仍然在你的掌控之中，或者它有一天不在你的掌控之中了也是完全有可能的事情。那现在你需要让它变得更强。你就需要训练他，让它变得更加智能。

这一层我们叫做interaction， interaction 的来源就是大模型和所有其他为大模型提供养分的这些相关之间，这里会有一层交互界面，和鲸其实在探索这个东西，包括如何让更多的没有工程背景、没有编程能力、没有编程兴趣的人也可以对大模型进行辅导，对大模型的能力进行调用。我们现在也是在这方面做了蛮多的探索，这是完全有可能被办到的一件事情，而且我们也觉得这是必须被做到的一件事情。

对和鲸来说，我们最重要的生态位就两个，一个就是机器学习的工程师的社区，这个生态位我们肯定是要卡住的。另外我们也需要思考机器学习的工程师这个群体，他们在接下来的大模型的冲击或者赋能之下，如何变得更有生产力，更有创造性，更有职业发展的空间和价值。我们目前想到的是机器学习的工程师首先要拥抱大模型，其次要找到自己的一个垂直领域，作为发挥大模型价值的土壤。

数字时氪：和鲸科技的数据科学协同能力将发挥什么作用？

范向伟：过去机器学习平台、数据科学平台，其实是一种能力的提供方，对于确定性的任务，比如风控、精准营销提供支持。也就是说，数据部门、算法部门，和业务部门的协同当然是重要的，但是没有那么重要。

生成式AI的性能突破、能力进化，意味着企业和消费者在生产场景的交互界面、决策过程的中心，开始从人转向模型，比较容易理解的是销售、在线营销、客服这些场景，大模型+数字人，可以实现比许多的普通人更好的服务质量。

人的作用，就是成为大模型的后勤保障人员，让大模型的表现更加稳定、更加安全、更加节能，同时也要变成大模型的老师，通过持续的RLHF，也就是人在回路的标注辅导，让模型能够更好的学习。如何让模型的表现更好、让模型的可解释性更强、让模型的学习和训练的效率更高、效果更好，这个过程，仍然是ModelOps、MLOps要做的事情，这里面还是有很大的创新空间的。

其实对于人类来说重要的知识，大部分仍然是隐性知识，是人类在和任务、和其他人交互的过程之中，才会表达出来的。任何技术，都有自己的潜力和局限性，只要看到了大模型的潜力和局限性，就能够看人在里面的作用，也就能够看到一个产品的价值。

数字时氪：大模型能给数据科学团队协作的赛道带来什么？

范向伟：大模型能够带来的作用，就是会让更多的人，变成模型使用者、模型维护者、模型开发者。也就是说，所有的企业，都会意识到有三个核心指标，是自己要去优化的，一个就是自身的模型资产的质量，一个就是自身的员工的模型利用的能力，还有一个就是自身的业务的模型融合度。就像工业化、城市化、信息化，都是有相应的指标，可以测算一个企业、一个地区的现代化的水平。

对于企业、个人来说，模型化，就是一个重要的视角，也就是工作方式、学习方式和模型的结合紧密程度。

大模型让组织模式重构，中国公司依然有机会

大模型的出现对于企业的组织模式会有什么影响？中国企业的机会在哪里？

对于上述问题，范向伟认为：未来企业的组织会围绕大模型展开，而且会更贴近用户。而在用户服务和流量变现方面，大模型给中国企业带来了很多机会。

数字时氪：未来公司的组织模式会有什么变化？

范向伟：我觉得其实组织模式的演化是有长期的历史规律的。组织模式的演化一方面要贴近核心资产，另一方面要贴近你的价值创造的活动。比如企业要顺着产业链去想在哪个城市落地。如果是一个服装制造企业可能更适合在广州，因为服装制造的产业链就在广州，它会有很扁平化的一个组织的形态，因为要更好的响应时装上面的趋势变化，更好的服务不同偏好的用户。

接下来我觉得有两个会因大模型的产生而发生的确定性的趋势变化。一方面企业的组织会围绕着大模型展开。可能会有专门的模型维护部门或者是模型应用部门等等。这里也可以参照一下Open AI的组织架构，Open AI的组织架构里会有专人处理数据、处理模型、处理基础设施等等各种东西。这种组织架构其实就是围绕着大模型，这会成为促进生产力最大的部分，而这显然是一个通用的生产力。未来绝大多数的行业都会慢慢演化成类似的样子。

另外一方面组织一定会更近地贴合用户。当所有确定性的事件都完成后，剩下的事情就是要面对市场的不确定性，主要就是面对消费者需求的变化，这个时候企业里面就会有更多的人去做用户洞察、用户研究，然后会基于他们看到的东西或感受到的东西而被赋予更多权利。这其实也是权利分配的一种方式的变化。

数字时氪：中国公司有哪些机会？

范向伟：我觉得大模型带来的机会，在用户服务和流量变现方面对于老玩家、新玩家和腰部玩家的其实都有很大的机会。对老玩家的优势在于之前积累的用户的规模与客户数据是非常有价值的。如果能用好的话，那就可以凸显模型优势，它的知识不一样，它的服务体验不一样，这显然是老玩家的巨大优势，另外老玩家有更多的资金，也有更好的融资渠道。因此这可以让老玩家去做新一代的大模型。

对于腰部客户来说的话，比如腰部的创新者是现在从 0 到 1 要开始创业的这些创新者，其实我觉得最大的一个利好，就是游戏规则被重新定义了，之前一个创业团队有许多事情是不应该去做的，因为资本不会支持你。但现在因为大模型的能力太强了，进化速度太快了，所以会有足够多的事情能够被允许去探索。

同时大模型的能力是确定性的在提高，有大量的中间流程是可以被大模型做掉的，那能做的事情就会变得越来越多，这其实是一个很大的红利，而且显然大模型一定会有开源版。这会让创新本身的门槛和成本大幅度下降，创新的边界会获得大幅度提升，那这些事都是老玩家不愿意做或者不擅长做的。这可能就是新玩家的机会。

经过这四个多月的观察和思考，我现在越来越相信，大模型时代，中国的大企业和创业公司，相比其他地区，是有很大的机会的，中国会成为这一轮AI创新的核心国家。

因为大模型所需要的AI的生态，包括高等教育、科研、互联网、云计算等等，中国都已经和北美没有代差了，当然芯片领域的差距还很大，但是芯片也只是大模型的支柱之一。

大模型的技术进步，是类似于云计算、特高压这样的规模化的工程化创新，这就是中国的工业体系具备结构性优势的领域，也就是背后的科学原理是清晰的，发展的技术路径、商业化路径也是清晰的，就是要不断积累、不断完善，直到击穿创造性破坏的临界点。

我相信中国在未来的3-5年，会在大模型的理论研究、工程创新、产业生态的各个方面，跟上北美的创新的速度，并且在商业化上形成独特的产业链优势。

—

我们正在建设「AI领域」主题交流社群，欢迎扫码添加数字时氪小助手，并发送名片或者个人介绍，我们将为您持续推荐相关产业信息和活动。

更多活动信息及行业详情，请关注微信公众号“数字时氪”（微信 ID ：digital36kr），期待您的到来。

扫码加群

扫码关注数字时氪，获取更多信息

本文来自微信公众号“数字时氪”（ID:digital36kr），作者：杨俊，36氪经授权发布。