麦当劳、茅台、奔驰、中国中车......
都是百度 AICA「首席 AI 架构师培养计划」学员
AICA「首席 AI 架构师培养计划」由百度与深度学习技术及应用国家工程研究中心联合发起，旨在培养集“分析业务问题、掌握模型算法、操刀落地应用”于一身的首席 Al 架构师。
造高铁也用上 AI 了？
企业正在找什么样的 AI 人才？
......
哪些行业在 AI 落地进程中领跑？
落地 AI 的“卷王”企业，
有哪些成功经验？
又有哪些避坑指南？
......
答案就在这期“AI 连麦中”——
AI 连麦中
“AI 连麦中”是百度推出的一档全新线上直播栏目，将围绕 AI 行业热点话题、聚焦行业发展趋势，邀请内外部的专家、从业者，展开深入交流，分享专业洞察。
这期百度直播间 AI 连麦中，我们邀请到：
周奇
百度基础技术体系产品委员会主席
百度AI技术生态副总经理
刘琦
中车研究院人工智能所副所长
梁宁
知名产品战略专家
完整音频请听：
滑动可查看时间轴——
Part 1
来到2025，AI 落地现状
00:02:28 AI 生产力革命下，哪些行业挤进了 AI 落地快车道？
00:05:08 AI 落地黄金场景，需要具备哪些要素
00:09:03 技术发展变化历程中，AI 落地和过去有哪些不同？
Part 2
落地 AI，有何密码？
00:11:00 中车落地 AI 经验：战略规划、技术底座和人才保障
00:14:55 在 AICA，培养首席 AI 架构师：懂技术，懂行业
00:17:15 找到高价值项目，探索属于自己的机会
Part 3
落地 AI，避坑指南
00:27:48 AI 浪潮中，培养业务领导力和战略沟通能力
00:32:10 聊聊 AI 投入产出比：凭借 AI，奔驰如何用“一个人”替换几百万？
00:37:48 如何避坑：判断场景、分析落地可行性、采集高质量数据、选择模型
Part 4
浪潮之下，AI 人才进化论
00:44:02 AICA 如何培养复合能力人才：站更高、看更远
00:45:24 AI 落地领跑企业，需要什么样的 AI 人才？
00:49:25 快速变化的时代里，运营自己的稀缺性
我们摘取并整理了部分精彩对话：
■ AI 落地的赛跑里，现在哪些行业跑在前面？为什么？
周奇：从 AICA 过去的培养的489位首席 AI 架构师来看，我们认为有些行业，比如说能源、工业、制造等，都进入了各自的快车道。
为什么这么说？首先，它们找到了有价值用新技术去解决的真场景需求，虽然可能一开始是个点状的，但逐渐是由点到线到面的扩展。
第二个，这些场景当中有非常多的高价值数据能为业务带来新的增益，它的成本是可控的，收益是更可期的，这样的场景很多企业愿意尝试，
更关键的是，过去几年我们会发现企业出现了很多既懂新技术 AI 需求的复合型人才，使得这些行业推动得更快。
最后我们会发现，这些企业的生产范式或者生产流程，是允许被新技术来慢慢改造的，甚至可以做变革或颠覆式创新。
生产关系、生产要素、生产力在新的场景进行综合，使这些行业走得更快一些。
梁宁：AI 落地的黄金场景有一个“场景成熟度”的问题，也就是业务成熟、数据成熟、技术成熟。
业务成熟。比方说一，有清晰稳定付费方；二就是接口清晰，责任人明确等等。
数据成熟。所有人都知道 AI 是吃数据的，很多行业的从业者想做 AI，但当下还是数据的盐碱地，但有一些行业已经有了数据的积累。
第三是技术成熟。比如等下聊中车的案例，当下是不是可以用现在的数据来支撑业务，比如幻觉可控。
■ 这些年 AI 落地有了什么新变化？
刘琦：我从2020年的时候参加了 AICA 第三期，当时报了一个课题《深度学习在虚拟传感器中的应用》，来向百度取经验。
我们研究院从2015年开始瞄准人工智能这个方向，从业务落地而言，以前是单点试水，现在是逐步往深水区转。
一个是 AI 赋能，从场景，从业务，从数据角度考虑怎么先把自己的能力建起来；另外一个就是 AI 势能，如何用 AI 来重构我们的整个体系或者说重构我们的整个范式，来推动整个制造业的发展。
还需要考虑到一些点，比如最近几年大家会提大模型，大模型和小模型现在在工业领域是一个并存的状态，不能说一味追求大模型，或者追求智能体，其实应用场景小模型用的居多。
整个发展过程中，我们是从点到线到面的发展形式。
■ 在设计研发阶段，AI 发挥了什么作用？
刘琦：研发设计阶段，中车研究院正在研发的两个大的方向，其中一个是工业设计方向的大模型。
大家一提到工业设计大模型觉得非常高端，其实它可以用特别普通、特别朴素的一个形式就能实现：比如说我们向 AI 提问，“请帮我设计一个新型号动车组”。
就这么一句话，它背后的整个逻辑就会马上拆解：要做一个动车组、要设计新形态，比如外观、造型加新元素，或色彩是多样化的。
更深层的就是我的动车组或我的车头应该怎么设计，在设计层面我的图纸是怎么实现，以及下一步对应出来这个图之后，我们这个车到底能不能行，要考虑和仿真阶段怎么结合。
再往后走还会考虑生成式工艺层面如何和制造连起来，打通整个研发设计的阶段，其实就是我们整个正向设计的过程，也就是我们现在做的大创新体系科技创新范式的革新。
■ “帮我生成一个动车组的设计”听起来非常炸裂，怎么控制幻觉呢？
刘琦：第一个是生成式 AI，现在我们更多想考虑的是它的一个创意能力。
比如说一张图换我画一个造型，帮我换一个衣服或者换一个风格，它出来的多样性或者不一样的特点，这个地方其实不太考虑幻觉这个层面。
另一个方向更多是精密计算这个形式，就需要先考虑整个模型是可解释性的，我们能了解它底层数学公式，到最后都是一系列数学公式的组合，所以能真正分析清楚它的底层逻辑。这个模型也好，这个算法也好，才真正说敢用在实际情况上。
或者说现在这个阶段，如果是处于中间过渡阶段的话，大模型、小模型或深度学习等等，更多作为辅助的力量，它先做一层基础的判断，节省了人力和物力，到最终还需要我们人为来进行检验，来确保是安全可靠的。
■ 到制造阶段，动车组也会用到大模型吗？会怎么用？
刘琦：从装备制造这个角度出发，我们更多面向是研发设计、生产制造这些层面。
从大家的角度，和大家息息相关的首先就是动车组，我们经常坐高铁，比如从北京出发去上海、广州，动车也用大模型吗？那是必然的。现在不只大模型，小模型、智能体，都有涉及。
前阵子央视报道了仿真大模型，从仿真计算层面节约时间，从数天级，现在到了秒级的计算能力 ，极大压缩了车的制造时间，给大家提供了更多更好的服务。
小模型的层面也有很多，比如说我们设计审图，出来的这些图纸，在仿真前要考虑图纸合适不合适，能不能进行到下一步。比如运维服务，我们的车在正常运行的时候，要保障它的安全，各个部件、系统都是能正常给大家提供服务的。再比如说在高铁上立硬币、立鸡蛋，去保证它的平稳，也可以用强化学习的方式来进行提升。
■ 连动车都可以用大模型来设计，更多企业是不是也都可以用大模型来解决一部分设计问题？
周奇：很多企业要去理解 AI 模型，大模型和原来辨别式小模型，各有擅长的地方。
原来很多辨别式小模型，它的性能和处理场景的成本在有些场景是性价比最好的，成本没那么高，确定性更高。
但反过来，大家有时要看大模型的特长，我们有时讲幻觉，反过来想一定程度上它代表着创意，如果在一些需要创意的场景，发挥它生成的特点，是大模型的长板。
很多企业在用 AI 的时候，首先要去理解不同模型的特性，大小模型之间的合作协同关系，以及我们人+机器能带来的更多的可控性。这样不同的场景就有很多可用的模型了。
■ 企业落地AI，怎么计算投入产出比？
周奇：我们 AICA 有一期学员是奔驰，是第8期学员，基于飞桨做了一个漆面检测系统。
汽车做漆面的划痕检测过去几十年都在用不同技术做，他用人工智能最新的方法，相比原来传统的机器学习或者传统的视觉方法，准确率提高了，成本下降了。
那位同学在内部分享时也讲到，今年这套系统已经面向奔驰全球多个工厂推广，每一套的成本就会比原来降低数百万。
反过来看，他就投入了一个人，干了一学期，这个投入产出比是相当可观的。
■ AI 浪潮中，企业想要什么样的人才？
刘琦：我们不仅缺会算法、会解决问题的人，更多我们要考虑一下能预见问题，并且把这些问题和实际场景做结合，把 AI 用到实际工业中或者用到更多领域的这样一个人才。
研究院的人才招聘分两个方面，一个方面是我们的算法式，更多考虑的是尖端数学分析能力的人才，考虑一下如何把这个问题用更好的方式做解决，选不同的路径进行实现。
另一个层面像工业软件方面、智能制造和智能产品，我们考虑的是业务方向的人员，大家从实际的这些场景中挖掘企业真正的痛点到底应该怎么解决。从需求、从痛点出发，然后匹配对应的解决方案，将这个方案转化成实施落地，把整条路径来打通。
周奇：AI 是一个技术的趋势，人才它未来也可能是一个组合，因为不同岗位还是会存在。
从通用性的能力上来看有几点还是比较重要的，包括思维、技能和综合的工程算账能力。
AI 思维是现在没有太成熟的提法，但是有两点比较明确：
一是是否理解大模型或者 AI 它底层运行的技术的原理，这有助于你判断事情，不管是做产品还是做投资。
二是从思维底层需要大家一起去培训或了解技术，比如我知道怎么用大模型，利用大模型的能力去解决我的问题。
比如说我们做产品，原来做一个软件产品我在 PRD 的时候我大概就能知道我写出来这个软件最终长什么样子，但现在大模型有实时的接受用户反馈的过程，所以现在做产品是一个技术和需求动态平衡的过程。
很多人觉得现在 AI 产品变得日新月异或者更“活”了，本质上是它的技术架构允许它实时反馈用户的很多需求，实现价值。
第二个是技能，除了大模型里的使用技巧以外，对什么样的数据是未来有价值的数据（有判断），能够据此做各种应用也很关键。因为我们判断随着底层能力逐渐统一标准化，数据的差异会带来产品或业务的差异。
第三个就是刚才讲的综合的工程算账能力，比如说部署，把一个模型能部署到边缘侧，到底是多大？怎么样性价比最高？才能有利润？
综上所述来看，仅就一个 AI 的产品人或者工程人的能力就有这么多。那企业除了这个岗位还有非常非常多，比如说投资、财务、行政，各行业都需要慢慢去建构它的复合能力的标准，这的确是仍在探索中、还没有定论的。
点击阅读原文，了解更多
