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”，就像是娃生下来再认亲，数据产生之后再给它贴标签，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会成本越来越高。现在工业界大部分企业都是这个路线，因为它是过去几十年很多企业使用的路线。这种方式确实能解决很多问题，但是它不能解决根本问题，它遗留的事情非常多，它就像一个老世界，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，然后让老世界的业务量逐渐削减，融入新世界的业务。这样，新世界做的越来越强大，旧世界也慢慢日落了，这就是底层逻辑。华为自己就是这么做的，我们认为别的企业也可以如法炮制，也有不少客户已经按这个方式来做。但我们也发现，很多企业的数据管理，还是在旧世界里打转，因为没有构建一个新世界，所以他费尽力气，发现始终走不出那个村子，陷在那样一个数据困境里。

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，并不是南辕北辙的错误，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，但是因为方向偏了，很容易造成走到尽头的可能性很小，它需要很大一个力量来矫正。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的时候，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。