旧秩序与新范式：华为视角下的智能制造突围之路

AI技术的涌现，正重塑制造业的工程逻辑与产业形态。“产业融合技术”，终将推动社会资源达到最优配置。然而，这一进程中最大的挑战并非技术本身，而是人的因素。

AI引发了当今时代最为剧烈的集体认知震荡，令群体陷入狂热与迷茫交织的状态。

狂热源于层出不穷的新奇体验，令人沉醉；混乱则源于其中交织的悖论与复杂关联，难以厘清。这些矛盾既存在于哲学层面：AI终将把人类引向何方？在飞速进化的强大AI面前，人类应如何自处？也体现在日常工作的具体抉择中：个人层面，哪些技能至关重要、哪些已显冗余；企业层面，应以何种方向与速度投入AI；产业层面，资金与人才将流向何处，竞争格局将如何重构。

华为工业智能平台总经理丘水平，或许是我近年来所见最为清醒、冷静的人之一。尤其在工业领域，从底层的技术逻辑与范式转移，到中国企业在数字时代迈向AI时代的内部错综现实，从管理者与员工拥抱AI的不同姿态，到产业内及企业间竞争格局的演变，再到其团队的角色定位与制造业生态的演进趋势——丘水平拥有一套通透且完整的思考框架。他的脑海中仿佛绘制着一张高清的AI时代工业蓝图。

丘水平的思路与蓝图，源自其团队——从华为工业软件平台演进至如今的华为工业智能平台——这些年的“具身认知”：海量异构数据如何被打通、以最佳方式管理与应用；最佳的数据管理范式与最优的模型使用方式如何在企业内部扎根生长，转化为企业真正的价值护城河，同时让管理者与员工各得其所。

丘水平的一些观点并非主流，听来甚至有些刺耳且发人深省。但其中许多观点已获学术验证。哈佛商学院教授琳达·希尔（Linda Hill）及其团队，自2022年起持续跟踪、调研、访谈超过8000家公司，也得出了相似结论：一把手投入精力越少，数字化或智能化成功的概率越低；大多数企业在技术上的投入远超对员工的投入，而那些关注员工技能、工作方式与体验的企业，其数字化或智能化效果通常更佳；因技术投入而迅速大规模裁员的企业，往往遭遇巨大失败与反弹（曾有公司不得不重新召回上千名被裁掉的客服员工）。

从个人到组织，乃至整个产业，丘水平反复强调认知先行。认知到位虽不能保证后续工作一帆风顺，但认知不到位，绝无可能拥有光明的未来。安踏COO陈科先生的新书《无限游戏》，亦围绕企业穿越周期及应对各类内外部挑战所需跨越的三大壁垒：认知壁垒、资源壁垒、组织壁垒。

本文基于2025年12月与2026年4月，两次对丘水平先生的访谈。文中观点并非绝对真理，仅供参考。期望能帮助更多中国企业家在AI热潮中获得些许冷静，跨越认知壁垒，少走弯路。更期盼在智能制造时代，中国企业的制造业能迎来更高质量的发展，构建更繁荣、共赢的生态。

消费火爆，工业迟缓

HBRC：2025年12月，我们谈及AI智能体时，你曾提及“蚂蚁军团”——海量AI智能体即将涌入工业领域。然而2026年初，龙虾（OpenClaw）率先走红。龙虾的火爆，折射出C端普通用户对AI的极高热情。我想知道，为何工业领域的AI进展缓慢？互联网公司常言“天下武功，唯快不破”。B端企业应用AI为何较慢？是卡在何处？还是因工业领域对精确度要求极高，故而必须更慢、更谨慎地部署AI？

丘水平：B端应用AI智能体、推进AI战略确实不易。这与C端截然不同，C端决策常由感性主导，且成本不高，龙虾养不养成，无非千把块钱的投资，人们觉得“你有我也要有”，不能落后，心理与购买新款手机、汽车类似。但B端是理性的，决策周期较长，在决策过程中，从企业一把手、二把手到落地工程团队，必须达成共识，形成统一认知，这非常困难，因此B端必然是慢的。

我认为企业可先开展一些先导项目，在慢节奏中寻求稍快的突破。首要的是企业对AI的认知，不能简单视作又一次技术升级，而应认识到这是一次企业级的智能化转型，AI战略是一次企业级的变革。若仅将其视为技术升级，大概率会发现技术引入仅带来局部优化与些许效能提升，或让员工工作体验稍好，便会觉得投入产出比不划算，未带来一把手期望的收入与利润飞跃，企业也未焕发新生，AI战略注定失败。因此，首要在认知上，将AI战略视为公司内部的智能化转型变革。

其次需做出一系列决策，这些决策必然牵涉公司方方面面，如清晰描绘AI战略，明确本次改革的业务目标核心定义，匹配相应的组织形态等，也包括从外部引入新范式与方法论，例如引入我们以本体论为核心的工业增强知识图谱，最终落实为一整套支撑公司AI战略的平台或工程化体系。

但现实是，许多企业要构建此类认知、形成共识，这一步就极难。有些企业盲目迷信华为，认为华为所言即真理，自身却无清晰想法与独立判断。当然大部分企业是理性的，但其内部很难达成共识。

HBRC：B端真比C端更理性吗？我看到很多CEO极度焦虑，有位CEO直言，为紧跟技术趋势，如今每日研读Nature（《自然》杂志）、Science（《科学》杂志）。硅谷大厂的竞争被称为AI军备竞赛，《人类简史》作者尤瓦尔发现，硅谷科技公司的CEO不关心AI给人类带来的风险，只担忧被同行超越。

丘水平：AI焦虑确实普遍存在。

HBRC：你焦虑吗？

丘水平：我倒还好。但确实，我与许多董事长、总经理、CXO（高管）级别人士交流，能明显感知他们的AI焦虑，既恨其不来，又恨其来得太快，既担忧对手，又怕错失良机。因为这一次对AI的判断与选择，将成为许多公司未来多年发展状况的分水岭，不焦虑实属难得。未受他人苦，莫劝他人善。不在其位者劝人勿焦虑，往往无效。

焦虑的消解，从底层逻辑看，核心在于自身看清形势，并做出自信判断。如何做出判断？对于工业企业而言，即如前所述，若能有一个极快的先导项目，在此过程中形成自身的方法论、体系及对事物发展的研判，获得清醒认知与自信判断，凝聚共识，AI焦虑自然消除，便可有节奏地推进AI战略。

HBRC：先导项目是指实验项目？

丘水平：实验项目失败便失败，仅是尝试。我所指的“先导项目”，是选取特定场景，真正干起来，追求相对确定的结果。就像改革开放选择深圳作为先导，需无比坚定。企业可选一两个先导项目，在不伤及主体经营的前提下，拨出一笔资金、一些人，选出一个产品形态真正跑通。围绕先导项目，目标如何定、团队如何组、未来业务形态如何构建、平台可能为何样，先用一年时间跑下来，这有助于公司内部建立认知、凝聚共识，比光说不练更好，也比全面铺开更稳妥。

HBRC：龙虾如此火爆，对B端企业推进AI有何影响？AI在C端与B端的发展，会是两条平行线吗？

丘水平：OpenClaw（龙虾）之所以能火，是因为它切中了绝大多数普通人能使用的日常生活场景，如办公、出行。然而，它在生活场景胜任的方向，在B端反而不胜任，其在生活场景的经验和知识，使其在B端场景下特别难用。我也在养小龙虾，也在尝试，与其聊天，让其处理出行和基本办公场景的简单任务。但在B端，若让其做一点专业事务，它立刻显得特别愚笨。从技术角度看，C端龙虾与B端龙虾完全不同。在专业领域，你可能需要喂给它物理公式、化学公式、机理模型等专业知识，这对大多数人而言自己都理不清，如何喂给龙虾？因此C端与B端必然是两个不同的赛道。

工业主导AI

HBRC：你们团队最初是华为内部的数字化变革团队，如何走到今天成为华为工业智能平台？

丘水平：华为工业智能平台，前身是华为工业软件平台，最早源于华为内部的产品数字化改革项目。2016年，公司给我们7亿元立项，我们团队的目标就是想尽一切办法打通公司所有系统的数据。这个过程极其艰难，其中最难，或者说数字化最核心的部分，就是将底层数据集成全部打通，我们为此耗费巨大心力，也有诸多创新点，其中最大的创新，我认为是对数据管理范式的重新定义。

我们认为有三种数据管理范式：第一种面向结果，第二种面向过程，第三种面向对象。前两种是许多企业正在使用的数据管理范式，但这两种范式都有很大弊端。我们选择的是第三种：面向对象。

从一开始，我们就认为所有数据都应面向工业的对象本体进行建模，我们将华为内部所有业务对象梳理出来，最后抽象为“2类模型+6类元关系”，这是最底层的逻辑、最高的抽象，它可以“一生二，二生三，三生万物”，既可用它定义汽车，也可定义飞机，定义万物，该逻辑适用于绝大多数场景，一切皆可由此生成。这就是我们所说的，华为原创的“面向对象、元模型驱动”的数据管理新范式。

HBRC：这两年关于企业应用AI，我听到最多的一句话就是“企业AI应用的第一步是AI data ready，数据要先准备好”。你所说的数据管理范式选择，就是data ready这一步吗？

丘水平：三种数据管理范式，本质我认为就是两种类型，一种是“乱而后治”，就像孩子生下来再认亲，数据产生后再给它贴标签，确认这是谁家孩子。这种“乱而后治”的数据管理范式，在企业未来的发展中成本会越来越高。现在工业界大部分企业都走这条路线，因为它是过去几十年许多企业使用的路线。这种方式确实能解决很多问题，但它不能解决根本问题，遗留事务众多，它就像一个旧世界，就是那个样子了。

我们做的是构建一个新世界，新世界按照“面向对象”的范式去管理数据，然后让旧世界的业务量逐渐削减，融入新世界的业务。这样，新世界做得越来越强大，旧世界也慢慢日落西山，这就是底层逻辑。华为自己就是这么做的，我们认为其他企业也可如法炮制，已有不少客户按此方式操作。但我们也发现，许多企业的数据管理仍在旧世界里打转，因为没有构建新世界，所以费尽力气，发现始终走不出那个村子，陷在那样的数据困境里。

HBRC：我这几年在企业调研采访时，总会问他们数字化的进展：“如果数字化转型一共10步，你们公司走到第几步了？”很奇怪，不同行业、不同企业，基本都是行业头部企业，好些企业说，大概4步、5步吧。我不懂为何大家都在4～5步这里。以你在工作中的观察，大部分中国企业的数字化处在哪个阶段？

丘水平：我认为大多数企业做数字化，包括以后准备去做智能化的，更多是方向错了。

HBRC：这么严重？！

丘水平：这个方向错误，并非南辕北辙的谬误，而是方向偏了，要向北走，结果走了东北方向。不能说是很大的错误，但因为方向偏了，很容易造成走到尽头的可能性很小，需要很大力量来矫正。就是我刚才说的，因为它还在旧世界里做治理，在旧世界里使劲折腾不是没用，但是用处很有限，这是其一。

第二，数字化的终局，是百米半于九十。你前面做的所有工作希望得到的结果，到真实工业场景使用时，会发现天花板太矮了。企业想要真正达到业务效果，甚至面向AI时代，充分释放AI的价值，就会发现旧世界的范式有非常大的局限，让企业在AI时代智能化的效果非常差，它就不得不回去补上数据管理的功课。大部分企业无疑都在很努力地做数字化，但是努力的方式方向如果错了，后面就还得修正。所以我只能说，大部分企业的数字化转型，做了肯定比没做好，但是距离它最终向智能化演进，差距非常大。

HBRC：你觉得大部分中国企业认知到这一点了吗？数字化的方向如果偏了，很难走到智能化。

丘水平：这个不容易认知。企业家有自己做生意的想法，他也听到各种各样的声音，但说服教育他们的成本很高。我们团队也还在能力外溢的路上。首先，华为自己的优秀实践，并不是所有都能拿给别人看。其次，也有很多企业觉得，华为我学不了，华为能干成的事，不见得我能干成。所以我们也还在布道的路上。

HBRC：业内有人说，数字化是一个特别庞大复杂系统的工程，推进起来很慢，但是AI应用可以很快，选一个场景做起来，可以快速见效果，所以他们建议可以在AI应用上行动快一些，不必纠结数字化完成再做智能化。你怎么看二者的关系？

丘水平：其实数字化也好，智能化也好，要在局部取得一些效果，都可以很快，没有太大的差别。但是，数字化和智能化，一旦加上转型两个字之后，它的意义就不再局限于只是梳理一个场景、上一个IT、做一个应用、产生一点效果，觉得这就是数字化或者智能化转型了，那是非常错误的认知。数字化和智能化，是CTO（首席技术官）的事。数字化转型和智能化转型，是CEO的事。

所谓的数字化转型或者智能化转型，一定是在某种范式上、某种运营形态上发生根本性的变化，要么是商业模式的创新，要么是研发范式的变革，它是一种质变。如果有人说，数字化需要使劲折腾，智能化可以很快，这是一种不对称比较。一套数字化系统和智能化系统上线，哪个更容易？我认为差不多。而转型一定都是企业级的，都很难，但是智能化转型更难，不是一般的难，所谓AI原生企业，它比数字原生企业的级别要高多了。至于二者的先后关系，智能化一定是依赖于数据的，数据质量、数字化的技术，一定是智能化的先决条件，这些底层的工作一定是要做的，这个少不了，上面才是模型、应用。

HBRC：那说说模型的部分吧。2025年被称为智能体元年，亚马逊云科技CEO也在年底说，未来几年AI智能体将迎来大爆发，每个公司、每个业务场景都会有数亿个智能体在运行、工作。你怎么看智能体的应用前景？

丘水平：我是认同这个判断的。面向终局来看，智能体会大量涌现。但是智能体要实现它神乎其神的一面，一定要做得非常精准且高效，它一定要非常专业、非常垂直，一定是在某个行业的细分场景去做文章，就是我们老板讲的，它必须是一米宽、一万米深。智能体跟我们传统工业领域的软件是很不一样的思路。传统工业软件，基本上都做成通用型，因为不通用就难卖钱，商业模式上很难成立。通用型，意味着大而全，而智能体一定是小而专的。所以我们的判断是，以后1～5个人左右的小团队，就可以做一个非常好用的智能体，这样的创业团队、创业公司会非常多，这样小而美的公司也会非常盛行。

但是对于企业而言，内部有成千上万、上亿的智能体，就像一支“蚂蚁军团”在你的企业里，它很散、很垂直、很多，你如果不善于管理，就是个灾难。所以我认为面向未来看，企业需要底层有一个高质量的数据形成的图谱，去约束智能体的行为，不让它乱来，不让它一本正经地胡说八道，然后在最顶层，还需要一个multiple agent，就是多智能体系统，它能够把中间的“蚂蚁军团”管起来，所以这是一个三明治的结构：底层的数据图谱是收拢的，数据同源的，最上层的多智能体系统也是收拢的，中间层会有无数个智能体在跑，这一层可以放开给外部企业去做。

HBRC：工业领域AI应用的一个很大的痛点，就是它的幻觉问题。你说的“三明治”底层的数据图谱，正是你们团队在做的事情。公众对大语言模型很熟悉了，能否解释下，你所谓的底层数据图谱是什么，它如何和大模型搭配使用，提高工业领域AI的精准度？

丘水平：华为工业智能平台现在做的东西，我们把它叫作“工业增强知识图谱”。它和传统知识图谱最大的不同在于我们引入了“本体论”，也就是先搞清楚业务对象的本质逻辑再建模。基于对象本体建模，然后元模型之间建立关系，形成模型图谱，然后再往里灌实例数据，变成实例图谱，再把知识叠加上去变成知识图谱。传统知识图谱只是简单的点线连接，很容易变成新的“数据孤岛”，我们把事实数据和事理知识叠在一起，再往里装数据，形成一个浑然一体的底座。这么做虽然起手慢点，但是最终演进和成功的概率是非常大的。

大语言模型，生成式AI，它擅长意图理解、交互和知识抽取，但它是基于概率统计，容易产生“1+1>2”这种逻辑结果，但是在工业领域我们需要严谨的指向，就不能完全指望大语言模型，在工程层面不能依赖它。工程领域需要垂直的小模型，我们叫它“判决式AI”，必须yes就是yes，no就是no，判决式AI可以拿工业增强知识图谱去训练它。所以，我们的核心观点是，尽可能在工程层面用垂直小模型完成，但是所有的交互意图、理解、任务解构、认知方法、知识抽取，尽可能用大语言模型解决，实际工作中，就是“生成式AI+判决式AI”的联动。

HBRC：生成式AI+判决式AI，目前使用效果如何？

丘水平：我认为在工业领域，这个路径绝对是正确的，在全国范围内，我不认为有谁在这件事情的理解上比我们更深。AI的应用，在任何行业现在都属于非常早期的阶段，我们不能说现在跟所有客户的合作都是成功的，所以我们把它叫作成长。但是我们认为这个方向非常正确，因为每往前走一步，都有一个非常大的惊喜给我们，我们想的又对了，这是一个一步步验证的过程。所以我们笃定这个方向是非常正确的，不是说我们已经走到尽头了，还没走到那个尽头，但是我们每一个探索都发现它确实比别的路线效果好太多了。

HBRC：企业要把“生成式AI+判决式AI”用好，是需要在内部长出自己的“增强知识图谱”吗？容易长出来吗？还是必须依靠外力？

丘水平：这一步其实是非常难的。并不是说选哪个技术路线，难度就会降低。本质上，企业内部要深度使用AI的能力，跟数字化转型一样，需要企业级的变革，这个变革其中非常关键的环节，就是组织和人才。这是企业智能化转型最难的一步。

很多人讲“AI+工业”，我们始终坚持“工业+AI”，甚至我们认为是“工业>AI”。因为AI本质上是为业务服务的工具，真正的竞争高地依然是工业知识。企业想要深度应用AI，不能完全指望外部厂商给一套方案，必须拥有自己的“全栈式变革团队”。就像华为当年做数字化变革，有一支BET（bussiness enable team）团队，就是把IT和数据团队下沉到业务里，组成业务、流程、数据一体化的混编团队。企业需要这样一个团队，他们既懂底层的业务逻辑，又能梳理数据，还能指挥智能体。智能化的下半场，企业的竞争会发生变化。行业通用的基座知识可以由第三方提供，但企业真正的护城河在于自己独特的“小窍门”和私有工业知识。当大家都在用大模型和智能体出设计图时，如果你能把这些核心知识通过图谱化和智能化叠加到通用底座上，把90分的标准方案变成100分的独门秘籍，这多出来的10分，才是企业最核心的差异化竞争力。所以，工业知识的积累和转化，才是这场较量的最终局。

HBRC：如果跳出工业知识、模型、数据管理范式等等这一切，从你的工作经验中，你看到企业在AI应用和转型中，最大的瓶颈，或者说最常见的误区是什么？

丘水平：我觉得还是可以回到数字化转型的经验教训去看，今天的智能化转型，跟数字化转型一样，我们在企业里面发现，最大的问题还是在于一把手的认知。一把手对智能化的认知，决定了后面的一切。

我们发现，认知很好的一把手，他在关键决策上是毫不犹豫的，而认知不到位的往往很喜欢授权。他把这件事授权给CIO（首席信息官）来负责牵头。CIO没有预算决策权，没有业务决策权，他在横向拉通上就非常痛苦，他就拼命地做证明题，证明给业务团队、证明给CEO，他做的事情是对的、是有价值的、预算是合理的。CIO开始做证明题就麻烦了，最终会发现做了无数证明题也无法证明这件事他是对的。因为他无法让做业务的人真正参与，也就无法帮助业务真正创造价值。数字化和智能化的转型期往往是很长的，通常要花很长时间才能看到翻天覆地的变化，这是一个量变到质变的过程，所以CEO授权CIO去做，肯定搞不定。

那么，即便第一关过了，CEO认知到位，他亲自负责，后面依然有重重困难，人才是第一关。华为自己从数字化转型经验总结出来“5个1工程”：一个战略、一个目标、一支队伍、一个平台、一个范式。具体而言，第一，一定要有一个顶层战略；第二，一定要有一个非常核心的目标；第三，要有一支我前面说到的BET队伍；第四，要有一个平台；第五，要坚定地执行一套数据管理的范式。

这五个缺一不可，其中最难的就是“一支队伍”，人才和团队。老板定了顶层战略，比如要增收还是要降本，要提拉货期还是缩短周期，之后设定关键目标也不难，但是执行战略和实现目标的人和团队，是关键难点所在。我们发现很多公司内部没有这样的人和团队，它的执行都依赖外部团队。所以我经常跟这些公司开玩笑：你找我，找华为，究竟是让我给你当丫鬟，还是当教练？大多数企业习惯性把外部团队当丫鬟，去做所有执行的活，自己什么都不干，甚至一页PPT都让我给你写。这样的数字化或者智能化转型，注定一开始就输了。因为企业没有内生的能力，就相当于我卖一辆豪车给你，你内部没有驾驶员去开这辆车。

所以我们的建议，也是华为内部自己走通的经验，你一定要有一支自己的BET团队，一支业务和技术的混编团队，这个团队的顶层最好是业务负责人。你这支队伍建好了，我们再来帮你，企业就会进步非常快。企业自己心里就有数了，内部应该做什么事情，外部需要哪些力量帮他完成转型。所以，我认为，即便一把手认知到位、亲自主导，企业内部也需要这样一支队伍，把这件事变成组织级能力，而不是某个人、某位专家的能力，那基本上就能成功。

HBRC：CEO对智能化的认知，怎样算到位？哪一类CEO更容易认知到位？技术出身的CEO会更容易认知到位吗？

丘水平：我只能说，从我的观察来看，跟我们配合得很舒服的企业一把手，大概是怎样的状态。

第一，就是对前沿技术知识的好奇心很强，他学习能力很强，理解得特别快。第一次你跟他讲，他好像听得一知半解，第二次你发现他已经可以跟你对话了。而且这跟他的背景、出身没什么关系，我见过中专毕业的大老板，还有搞宣传出身的人，理解技术问题完全没有障碍。你不能说他懂技术，但是他非常能够抓住和理解关键点，他能够把核心逻辑和第一性原理捕捉到位，他的洞察和抓取关键信息的能力非常强。所以第一就是这种好奇心和抓住关键点的能力。

第二，他有非常强的战略取舍能力，除了好学之外，他能够非常快地构建起自己对于这件事情的顶层思维，他不会沉迷于做好单独的一件件事，他抓住关键点之后，就会立刻去落实，设定目标、分配资源、选人。

比如，我跟他讲，一把手首先要明确，你做数字化或者智能化的战略目标是什么，究竟是改变商业模式、改变研发模式，还是缩短制造周期，或者提升良品率？在这一期变革，你究竟要达到什么目标？你发现他很快就开始思考这些问题，然后很快做出决策，他不会在战略上含糊不清。

第三，他的决断力很强，做事不磨叽。有些老板，非常纠结，他试图让自己完全理解这件事情的每一个细节，生怕在某个细节上他不懂，有遗漏。于是他花了一年时间把所有事情搞明白，然后才做出一个决定。但是别的企业，人家没想那么清楚，花了半年时间去做，已经早把事情都搞明白了。

HBRC：我调研和采访也见到很多这样的企业家，他个人很厉害，拥有你说的好奇心、战略思维、决断力，但是经常抱怨团队跟不上。他跟我说：“我一个老头子都在学习新技术，团队都比我年轻，但是很麻木。”你有遇到这样的企业吗？这是企业文化的问题吧？一把手的能力，没有成为组织能力。

丘水平：我看到的这种企业还挺多的，老板认知和团队认知，中间差距非常大。团队认知比老板差一点不奇怪，但是差很多，这样的企业很常见。

如果说是企业文化的问题，听起来就虚无缥缈的。有位高手指导过我，实的东西要虚着做，虚的东西要实着做。企业文化价值观，这种特别虚的事情，就需要用特别实的方式去做，不能只是纸面上宣贯。AI焦虑的企业家，想要构建一个AI原生思维的企业，他需要去做很多实实在在的事情，我觉得有三条原则要落到实处。

第一条原则就是人智共生。老板一定要告诉大家，引入智能体，不是来替代你，明天就把你炒鱿鱼，裁员2 000人。老板可以有很多种做法，比如，引入智能体，让公司在人数不变的情况下，业务翻3倍。应该用这种逻辑和思维去做事情，员工就不会焦虑了，就自然会很积极地拥抱AI，而不是抗拒它。

第二条，要构建AI原生思维的组织架构。它跟传统组织的结构会很不一样，会是高度扁平化的。当然具体而言，要以公司的业务类型为终局，去调整公司的阵型。如果只是嘴上喊AI思维、AI转型，组织架构都没有调整，没有用的。

第三条，我们强调要“人人讲AI、人人学AI、人人用AI”。比如我们团队，年初我跟大家讲，我们今年要All in AI。怎么做呢？就是团队要去再造500人，不是新招500人，而是再造500人的能力，团队不会增加1个人。大家一听犯难了，但是到今天我们已经做到了。因为我们已经有45%的代码是AI写的，那就相当于再造了500人。如果把AI思维都落到实处，效果就会特别好。

HBRC：你刚才说到AI企业的“三明治”结构，底层是华为的数据图谱，中间是“蚂蚁军团”——无数个智能体，最上层是多智能体系统。那么在这个“三明治”里，人在哪儿？还需要人吗？

丘水平：这是一个很重要的理念问题。就是我刚才说的，所谓AI原生思维的企业，第一条原则就是，人智共生。所以我们提出一个口号：human in Loop（人在环），人和智能体、AI一定是共生的关系，而且一定在这个环中找到人的主人位置。如果这个理念都没有，那这家企业大概率以后不会是一家真正AI原生的企业。

所谓“人在环”，道理跟自动驾驶是一样的，至少现在的交通法规是不让驾驶员的手离开方向盘的，如果自动驾驶出了事故，是人负责而不是车负责，人在环中的责任是没有变的。同样的道理，未来智能体可以执行很多任务，但我们认为这种执行一定是Human Aid X（简称HAX），意思是人类辅助。以前是Computer Aid X（简称CAX），计算机是辅助者，人为主，计算机辅助人类做各种各样的事情。从CAX到HAX，意思是，我没有让智能体完全闭环去完成一件任务，人始终在环里，智能体做的工作，需要人去授权、人最后确认。虽然是人辅助智能体完成任务，但是人始终是智能体的boss（老板），这就是“授权不授责”。

HBRC：我之前在龙湖调研，他们的智能化转型做得很不错。他们团队分享时，说AI应用最难的不是data ready（数据准备好）或者技术ready（技术准备好），而是people ready（人准备好）。你说，人应该在环中，人智应该共生，但是如何让员工更好地进入这个环，在环中有更好的工作体验呢？

丘水平：确实最难的部分，是人的改变。我认为，第一步还是认知的改变，需要真正能够认知到位，我跟AI到底是什么关系？一般是两种心态，一种是这个东西跟我没关系，离我还很远；另一种是，AI会取代我，我干吗还说它好。所以，如何改变认知，对智能体和自己的关系有一个准确的认知，第一步就是意识到你和它是共生的关系，这个很重要。改变了刻板认知之后，人们就会进入一个想学、愿意学的状态。这个时候，老板可不要给一套培训资料，上培训课。今天的AI知识已经非常便利和丰富，有大量的信息和教程，学习成本极低，员工只要认知转变，不再高高挂起，也不再抗拒，他会学得很快、用得很快。

智能制造时代的商业图景

HBRC：中国的制造企业正在集体从传统制造向智能制造升级，你觉得大部分中国企业能成功实现这个飞跃吗？智能制造时代，中国的制造业还能世界第一吗？

丘水平：首先，我坚定地认为这不是梦。其次，我认为这个过程非常依赖顶层的产业设计。

HBRC：国家层面的产业政策引导吗？

丘水平：一定是国家层面的引导。这个引导非常关键，引导得当，这一步就会快一些，引导不当，这个过程中会经历震荡，会导致劣币驱逐良币。

比如，一个最基本的判断就是，AI和工业的关系，是“工业+AI”，还是“AI+工业”？我们看到有产业在讲“大模型+”。当一个产业的认知被引导到“大模型+”的方向之后，产业的着力点就会落在人工智能技术上，大家都去拼大模型、拼算力、拼智能体的框架。作为少数派，我们发现很难说服别人相信“工业+AI”，我们认为企业应该去拼工业知识，技术只是手段，无论判决式AI还是生成式AI，哪个好用就用哪个，这只是技术路线的选择问题。在技术路线选择之前，更重要是你的战略规划，最终企业需要想明白，你要给客户交付什么样的服务、你怎么帮客户创造价值，必须回到这个逻辑，而不是你的模型、算法、算力有多厉害。

HBRC：在传统制造时代，中国制造虽然是世界第一，但是也伴生很多问题，比如产能过剩、内卷等等。AI加持的智能制造时代，这些问题能解决吗？

丘水平：我不能说这些问题一定能彻底解决，但我认为会有所改善。所谓制造业的高质量发展，我的认知是，首先其本质应该是产业的安全可控，这是第一条底线。其次，就是社会资源的最大化、最优化利用。

在传统制造时代，资源肯定不是最优化配置的，它有非常多的阻碍，其中一个阻碍是因为产业的资源分布，跨时空的协调非常困难和低效。你明明知道很多企业的产能已经过剩，同时还有很多企业缺货，但就是无法在他们之间建立直观的关系。你明明知道很多人找不着工作，又知道很多公司招不到人、缺人才，但二者之间也无法建立关系。问题的核心就在于，面向产业层面的数据是无法打通的，技术上不支持。

但是智能硬件的创新创业，会催生新的共享经济业态，让很多小企业可以从小而全走向小而专，这些企业能充分共享一些资源，事实就是在极大限度地提升社会资源的利用效率。在这个过程中，大家因为共享而产生的互相之间的连接，就会让产业集群里活力不高的那部分，被活力更高的集群替代。所以我们认为AI的出现，会让制造业的工程范式发生变化，从CAX（计算机辅助）走向HAX（人辅助），产业范式也会发生变化，从小而全走向小而专，共享经济盛行。通过“产业+AI”这样的技术和能力，最终帮助整个社会资源实现最优化配置，也就实现高质量发展了。

中国的工业门类齐全，没有特别的短板，如果产业安全可控这一条底线能达成，那么随着产业人工智能的成熟，我笃定会走到那一天，中国一定能从传统制造业大国走到智能制造大国。

HBRC：智能制造的竞争中，马太效应会加剧吗？还是AI技术会让制造业有一个更丰富、更多赢的商业生态？

丘水平：我的判断是它会更碎片化。以前，至少在工业领域，确实是强者恒强，大公司是巨无霸，小公司特别小，很卑微。但是AI时代，有非常多的技术随处可得，所以最终的格局可能是，卷算力的只有个别公司，卷大模型的不超过10家公司，这些都是巨头去卷。但是在算力和大模型之上，卷智能体的公司会非常多。基于这样的判断，我认为未来的商业生态会变得更加碎片化。

现在所谓one-person company（一人公司）很流行，为什么以前没有这样的概念？因为它很符合现在的状况，现在确实有希望成为小而美的公司，只做一个智能体，就可以活得很好。但是我更愿意把它翻译成one-pizza company（一个比萨能喂饱的团队），大约6～12人的规模。我认为这样的公司会非常多，会成为现象级的存在，也很有可能成为独角兽，去上市。

HBRC：在你描绘的中国智能制造的路径和图景当中，华为工业智能平台的角色是什么？

丘水平：华为工业智能平台目前所做的工作，建立在一个顶层愿景之上：共建新一代智能工业软件体系，让天下的创意皆可造。这是我们的愿景。基于这个愿景，我们有一幅蓝图，分为五层（见图）。我们团队只做“工业智能平台”这一层。因为我们认为中国工业领域的软件企业，最难解的就是最底下这一层。从资源禀赋来看，华为大概可以说是世界上唯一一家同时具有操作系统、数据库、AI、智能计算的公司，而且我们是有三十几年工业经验的云厂商，所以我们想尽可能赋能产业。但是也要有边界，我们不往上层走，就聚焦于最难、最硬核的这一层。

华为很大，别的团队有别的使命。我们团队的使命就是瞄准工业，提供工业智能平台去支持其他产业伙伴做上面几层。我们平台的研发已经完成得差不多了，现在大量的时间都花在产业端。我们认为“工业+AI”就是未来正确的演进方向，这一步走对了，整个中国产业界，大家都能节省5～10年时间。

程明霞 | 对话、文

程明霞是哈佛商业评论中国执行主编。