近日，波士顿咨询 Platinion 董事总经理陈果在“数字变革者-2023 未来 CIO 数字峰会” 上，发表了主题为“数字化转型下企业架构的智能化升级”演讲。

他认为，随着大模型成为企业的数字化基础设施，企业的 IT 架构将会发生很大的变化，生成式 AI 将会全面改造企业的应用系统。届时，企业的数字化可以概括成一句话，“喊一嗓子，剩下的交给AI”。

什么是企业的数智化？

现在的热题一定是 ChatGPT，那么这个最热门题（生成式AI）怎么用到企业里去？例如微软最新的Copilot可以自动生成文字等。但其实这个东西不能代替ERP，那ERP怎么能把生成式AI用起来？

举个例子，我们在寄快递的时候，快递员都有一个 APP，这个 APP 是个寄件的后台系统，但是快递公司面临一个问题，现在竞争越来越激烈，所以对于快递运费和成本核算的要求越来越精细。过去获取快递都是按照重量或者距离寄的，比如说要从上海寄到新疆，要寄 100 公斤的货物，最后就是按这种方法来计费的。

但如果是一个100公斤的花盆或是床垫，花盆比较小，可能一个人就能搬走，而床垫比较大，可能要两三个人来抬。所以说在同样重量的前提下，因为体积不一样、形状不一样，包装要求不一样，背后的成本是不一样的。这牵涉到一个问题，可能会影响客户满意度，也会影响上门处理的效率。这就是传统的信息化，对用户的体验、业务流程的优化本身没有太多好处。

几年前，我们给一家快递物流公司设计了一个方案，我们现在都有这种手机识图功能，通过手机识图很容易辨别要寄送的物品，甚至还可以很准确地测量它的体积，通过人工智能来判断究竟是个花盆还是个床垫，然后自动判断这一单快递该收多少钱。

这样你会发现，效率有了大幅提高，而且还有一系列的好处，因为人工智能通过摄像的方式把物体数字化了，还能通过人工智能自动判断业务规则，这个业务规则不仅仅包括收费，甚至包括车辆的路线。

如果有这样的一个识别，就可以提前知道寄送物品的体积，放到货箱里面去，会占多大的面积，多大的空间，到下一站的时候，就可以判断车里的空间还有多大，人工智能就可以建议你下一个适合接什么样的货物，还可以做路线优化的处理。

所以这是个很典型的例子。传统的信息化没有产生洞察和智能，机器不能实现对人的认知。

什么叫智能化？什么叫人工智能？

实际上，50 年代就有人工智能这个词，它要解决的是机器怎么认知人的问题。之前，计算机上的键盘鼠标解决的是人和机器互动的问题，到了人工智能阶段，其实要解决互动之后怎么样让机器理解人，这就是所谓的认知科学。

未来的信息系统会变成智慧机器，这就是所谓的人工智能，人的大脑是神经元构成的，由神经元和神经元之间进行连接，那机器的神经元和神经元之间的连接，我们可以称为模型参数，这个模型参数大概是什么样的数量级？人脑的这个神经元的连接数量大概是100万亿个，也就是说，当人工智能的模型和算法如果模拟人脑，也就是能够处理的参数，要达到100万亿这样一个数量级的规模。

今年年初突然开始热起来的 ChatGPT，技术上称为大模型和生成式 AI，它能够处理多少参数？它能够处理几千亿这样的一个数量级，现在大家看到国内的像清华的大模型，大概是600亿，所以现在是百亿到千亿的这样一个规模。

随着技术发展，人工智能的学习曲线在陡峭上升。按照目前这个发展趋势，也许不到十年之后，图灵测试的目标就会实现。那这对企业意味着什么？就是企业的 IT 架构。可能在过去的十几年企业内部建设了核心系统，这些系统解决了我们的很多问题，几年前，大家可能又在做一些类似于BPM系统，能够把系统数据和数据之间、系统之间连起来，实现系统之间的打通。

最近两三年最热的一个词就是数据中台，它能够实现系统和系统之间数据的打通，能够用数据服务于业务。它经历了一个发展历程，有了系统之间的打通，就有了流程，之后有了数据平台和数据，最后有了智能应用场景。

那这背后的机制是什么呢？从整个企业系统架构上来讲，其实有这么几层，一层就是我们的核心系统，比如说定价优化系统，你的ERP系统等等，这是核心系统。第二层就是数据层，把这些数据解耦出来，能够形成无论用户也好、商品也好、价格也好、促销也好，能够形成这些数据。

但是我给你推的这个商品，至少我仓库里面要有，库存有，我能够发得了货的商品，我再推给你们，所以还要有库存数据等等，你所有的未来场景的决策数据都会在数据平台上拉通，在这之上，是有我们的智能或是算法支持，这是今天比较流行的服务架构。

这是典型的数字化时代的架构。云计算出现之后，包括所谓云原生的架构出现之后，大家都在建设这个架构，但现在又加上了人工智能架构。人工智能，对企业来讲还没有出现大规模的应用，所以大多数企业还没有形成人工智能中台，但是数据和服务平台，最近这几年这种分层的架构是主要趋势，这是我们波士顿咨询提出来的企业 IT 架构的一个方法论。

我们叫数据和数字化平台，简称 DDP，就是 data and digital platform。其实从 DDP 演化到今天，要完成两层智能的转型。

对企业的 IT 架构，一层架构就是要在数字化平台之上，大家都知道有云原生、微服务，就是怎样把服务调度起来。过去有传统的 BPM 的方式，用流程的方式去把业务串起来。所谓的微服务是什么呢？微服务是说通过一个开放的平台，按照数字化产品的方式对服务进行灵活迭代，所以 BPM 和微服务是两个不同的思想，虽然都是服务导向，到今天，还不仅仅是说按前面的用户的导向，因为用户本身是非常个性化的，我怎样按照用户需求，实时组合我的服务，这就是智能化。

智能化的前提是，怎样实时和用户交互？比如说 ChatGPT，在连续对话时，机器不断在理解你，所以机器理解你的过程，就是所谓的 NLP 的过程。

怎么样去提高这个沟通的效率？今天甚至出现了一些新的技术，能够更高效地对人进行提炼，提高 NLP 的效率，更好调取后面的服务，这是前端。

后端就是说我们怎么样能够用这个人工智能的方法，根据前端的指示，能够快速调度服务。这些服务是怎么来的？这些服务是既包含了核心系统的服务，也包含了内部和外部的服务，每项服务都是可以通过人工智能来进行调度。

现在越来越多企业，如合同所需的身份认证、签名等，这是很典型的外部服务。所以在你的一个业务流程中间，哪怕你的一个合同处理，这是内部的一个流程。但是合同处理中间你涉及到身份的认证和涉及到合同的签字，这个时候你可以接入一个外部的服务。

对内部和外部的服务，怎么样用人工智能的方式，能够把它快速组合起来。那这种两层架构，就是我认为的未来的企业架构，这个两层架构里面涉及到两层的核心技术，后台的超自动化和前台的智能代理。这两个核心的技术我分别展开谈一下。

第一个是后台的自动化的问题，这其中有几个很关键的技术。

一是我怎么样去发现我们系统里实际的服务和流程。大家会看到在最近四五年，几乎所有的大的 ERP 软件公司都在干一件事，都在收购流程挖掘公司。其实流程挖掘这个概念很早就提出来了，大概九十年代的后期，大家都在提业务流程管理。

业务流程管理是一种自上而下的过程，你先去做建模，然后再去生成软件代码，它是一种自上而下的，是定义业务、定义逻辑，最后去定义软件代码的这样一个自上而下的过程，而流程挖掘，它思维是反过来的，就是我怎么在业务实际的业务作业中间，我通过这个系统日志文件分析，反向还原出来流程。

这是流程挖掘本来的概念，它解决了什么问题？它解决了当我又来信息系统之后，我怎么样去解析系统里面服务的问题？我究竟有哪些业务服务，比如说做订单处理，里面可能会有一个叫做商品产品的服务，我提了两个产品，可能有价格服务，可能还会有折价的服务，有运输条款服务，每个订单里面还有运费等等，还可能还会有订单的可交付性检查服务，把这些服务加起来，共同构成了一个叫订单处理的业务流程。那实际在操作一个订单处理的时候，在系统中间究竟有哪些服务？最后会形成订单处理这个业务流程。

流程挖掘就是干这个事情，它是反向发现我们的业务中心系统中间有究竟有哪些服务好，那为什么最近这几年这些 ERP 厂商都在干这个，他们主要是解决上云的问题。像 SAP 现在收了一个软件企业，就是最近这几年比较火的做流程挖掘的，IBM 都在收购这样的软件，他们主要是解决说当你要去上云的时候，那要去做容器化、做服务化，去对传统的系统做容器或者服务化的一个流程解析这样的问题。

但另外一个角度来讲，自动化其实道理是一样的。一旦服务化解耦之后，怎么样去指挥和调度服务？要知道有哪些服务才能指挥和调度？用人工智能去指挥，所以这个超自动化就像导航。

第二个，你指挥流程，就像做一个系统，系统里面做什么操作，但是这个方式是不自动的，而且还有很多环境因素的变化，但今天有导航了，这个导航会告诉你，有几条路可以选，有什么条件可以选？开的过程中间还可以随时去改路，避免走错了或者怎么样。

所以这个导航的背后有什么？其实有智能指挥。所有的条件选择和过程，全部是机器回答的，全部是我这个智能导航软件回答的。所以今天的企业业务其实是以目标为导向的。所以说这个我们会谈智能流程处理，这套体系叫什么呢？这套体系就是所谓的超自动化。

超自动化这个名词其实也不是我提出来的，这个名词是 Gartner 提出来的，大概是在2018或2019年提出来，有四年左右的时间。

大家会认为这个超自动化包含了传统的核心系统，也包含了 BP、BPM、BPI、业务流程治理、业务流程管理和业务流程挖掘，也包含了 RPA。因为你前端业务的集成，系统和系统之间集成是 RPA，它其实是画面级和动作级的，所以说流程服务整合起来，这叫流程发现，然后你要去解释它的那个，比如说你的屏幕怎么操作的，这个叫做动作发现，叫 task discover。

从任务到流程到数据，全部加起来，这个就叫 Hyper Automation。所以今天还在弄 ERP、CRM，流程管理、大数据平台等等，也许两三年之后这些名词都不存在了，这些加起来叫超自动化。所以 Gartner 认为，超自动化是我们的一个企业级市场，是大几千亿美元市场。这就是我们后台的系统革命。

什么是生成式 AI 前台？

其实市面上的大模型非常多，但现在国内不能用国外的模型，也出现一些开源模型。

清华等一些开源的大模型去做基于大模型的 AI 应用，那怎样把流程运用到大模型上面？什么叫大模型？大模型就是说这个模型你就像人脑，他看了很多很多的书，他有很多数据，所以说有很多数据、各种文本语言语料训练它。这个训练的方法跟传统训练方法不一样，这是一种非监督式的或者半监督式的训练。总之就是说传统方法是需要不断教它该怎么样。今天大模型学习的方法，就是他是在学习过程中间，他学了少量了之后，再加上新的语料之后，他会根据过去的知识去叠加去训练，所以它是怎么训练的？这个成本是比传统的训练方法效率要高很多。

大模型可能并不了解你企业的具体情况，所以说在用 ChatGPT 的时候就会有一个感觉，叫做一本正经地胡说八道，他说的大家可能是看起来很通顺，但不一定准确，那怎么能够在企业应用中间让它看起来很准确呢？那也就是说你要用你企业具体的可能在互联网上都没有的这些信息，企业自有的信息，再去训练它，就能让他快速的去学会。

所以说，其实大模型用到企业就是叫做企业大模型，解决企业的问题，那怎么做？企业要搭建一个私有的训练环境去训练大模型，这是第一个，要有自己的训练环境。

第二个，你要有自己的企业级语料。这个企业级语料就是我们写的核心系统来的，比如说订单数据，库存、控货等等各种各样的企业数据，把企业数据放到大模型里面，又有两路可以走，一条路叫做精调，所谓精调就是用这个大模型学习方法来学习你的小数据，那这个大模型具有理解小数据的知识能力，这叫精调。

还有一种方法叫嵌入。嵌入就是当在做问题回答的时候，它出来的这个知识库内容，它的回答内容就前端是这个 NLP，它理解你的语言之后，你最后反馈的内容既包含了这个大模型的公有内容，同时也包含了企业的私有内容。它是个混合，这个内容不是学进去的，而是混合进去的，然后做成你的回答。不管你嵌入或者精调，我们会看到大模型改造了企业的应用系统。

ChatGPT 现在是不可以用来做业务的，为什么？答案是不准确的，但是它一个很大的好处是什么？它可以培养，也可以帮你探索你不知道的内容。但企业任务是确定性的，比如说我要去查询余额、查询工资，这个一点都不能错，或者是我要去处理一个订单，订单的价格一点都不能错，这是确定性的任务。

所以说未来，自然人机界面的互动，可能就没有键盘了，甚至是可以通过语言互动，通过任何智能方式来进行互动。未来，对企业来讲，交互既可以处理不确定性的业务，也可以处理我们精确性的业务。

这种方法对企业的架构带来的变化是什么？就是四层基础设施上，运营是核心系统，你要保留你的核心系统解耦之后的数据，解耦到数据平台，然后应用解耦到这个应用服务层，前面做APP，这是前几年大家都在讲的这个中台等等。

不管是后端的超自动化，前端的精调加嵌入，智能代理的方式可以自动判断，就像导航一样。那这就让企业架构发生了变化，企业级的架构，第一就是基础设施上，你要有支持人工智能的这个训练，人工智能的处理环境，所以说为什么现在云服务上面也在加这个 GPU、TPU，包括做私有环境，甚至自己去部署你的人工智能服务器，这是基础设施的变化。

这也是ERP非常重要的原因。任何时候企业都要有 ERP，但ERP会越来越弱，更重要的是什么呢？是数据和规则。在数据这一层，也有一些新的面向人工智能的数据处理方式，比如说矢量数据库，但在数据存储、数据准备方面，也要面向人工智能，做一些架构升级。

最重要的其实就是人工智能这一层。越来越多企业，随着人工智能的发展，要去建立人工智能层，这里面是包括训练环境、模型管理，以及怎样对整个 AI 能力进行持续运维。

最后这一层就是前端。过去大家都在谈建立一个应用程序整合服务，但是今天的前端都是智能化的前端，NLP 的前端。所以在前端怎么去建立前端的语义理解能力，这个就是用户的互动方式发生改变。

总结一下未来企业的数字化，我就把它总结成一句话，就是 " 你喊一嗓子，剩下就交给 AI 了。"

所以人其实只要做两件事情，第一，告知目标，第二，不断认可迭代。认可迭代是什么呢？就是你帮助机器学习的过程，你告诉机器这条路是对的，我对这条路很满意，下次他就知道说老板喜欢这条路，我下次沿着这条路走，人只要告诉机器目标，以及对机器持续做出反馈，其他的全部交给机器。