神州控股“校企联合”模式解构 AI加速向工业场景渗透

生成式AI正在重塑中国的千行百业，带来前所未有的机遇。

继去年全国两会，“人工智能（AI）+”行动被首次写入政府工作报告后，2025年全国两会，推进“人工智能+”行动被再次提出。相较于去年，部署更加细化。

随着国产大模型DeepSeek的出现，生成式AI能够赋能具体的产业环境已然成为不争的事实。但究竟如何落地应用，让AI真正在多元产业环境中生根发芽，是行业和科研界亟待突破的问题。

“未来所有的企业都是数字化企业，数字化转型会成为一项整体战略。企业将通过数据汇聚、数据融合、数据资产化、数据治理等获得融合的数字驱动能力，从而实现业务场景的跨界融合。”近日，神州控股董事局主席郭为提到AI和大语言模型时认为，当前面临的挑战，其实是如何让大语言模型在保持泛化能力的同时，还能精准解决专业问题。

要实现这样的目标，不能靠单打独斗，也不能凭空想象。郭为认为，这不仅需要强大的产业生态，更需要一批具备创新能力的高端人才。“尤其在产学研方面，需要与高校和研究机构合作，为企业的持续发展提供有力的人才保障。”

此前，神州控股（00861.HK）旗下数据智能集团神旗数码已与北京大学共建“燕云Infinity智能化软件联合实验室”，该实验室与北京大学共建，将聚焦于软件行业的数字化革新。

工业和信息化部数据显示，截至2024年12月20日，我国已建成1200余家先进级智能工厂和230余家卓越级智能工厂，智能制造取得了长足发展。

AI重塑“数字化流水线”

国产大模型DeepSeek凭借低成本、高性能及开源特性引发行业震动。然而，对于大多数企业而言，特别是传统制造行业，仍在如何应用大模型问题上无所适从。大部分企业的基础数据治理问题尚未解决，应用DeepSeek等领先的大模型工具更是无从谈起。

AI技术相较于人类的学习和工作逻辑而言，仍有不小差距。如何基于AI现有智能能力，通过对应的现实场景训练，去挖掘在合适赛道上的商业价值，是横在AI企业面前的一大难题。

“当前，软件技术正面临一场深刻变革。人类正进入人机物三元融合的万物智能互联时代，机器学习模型正在成为软件及其开发过程的重要成分，智能作为各类领域应用软件系统的核心能力特征，成为各行各业的重大需求。”北京大学教授、中国科学院院士梅宏认为，智能化软件与千行百业的融合，将推动数字化转型，赋能新质生产力。为此，首先需要全流程、全要素的数字化，进而通过软件定义构建平台、实现组织重构和流程再造，最后利用各类算法和模型进行分析决策，也就是AI for Process，实现提质增效。

事实上，AI技术的特点在于它具备普适性，能够快速基于一个行业的数据，提供这个行业的知识，从而进行AI辅助决策。扎根在中国庞大的工业与制造业环境下，未来AI的角色将更加多元，如化身“Agent”直接帮助企业管理与决策，甚至优化生产线。类似的技术也能凭借其通用性，可迅速在供应链、制造、能源等行业复制应用，为各类企业落地AI提供全面支撑。

按照郭为的说法，就是为企业打造一条“会思考的数字流水线”。

因此，DeepSeek在各行各业被应用时，与原有体系并不是纯粹的“替代”关系，而是借助它的能力，形成差异化互补。

神旗数码技术研发中心总经理张伟在接受21世纪经济报道记者采访时认为，企业从下订单到完成交付，需要经过大量基于数据的决策环节，传统的决策流程效率和准确性有很大的提升空间。

他以钢铁行业为例介绍，某企业在供应链环节存在原料调度效率低的问题，通过实时采集高炉煤气排放数据，结合生产订单信息，构建动态优化模型。将能源浪费从行业平均的8%降至3.2%。这一举措降本效应显著，15座高炉全年累计节省能耗成本约9200万元。

“通用”与“专有”需平衡

据了解，北京大学与神州控股已经有近20年的合作经验，新一代燕云的研发团队也由已正式加入神旗数码的原北京大学青年科研人才构成。

北京大学副校长朴世龙指出，北京大学将“科技创新”作为学校的年度工作主题，通过优化科技创新体制机制、涵育一流生态，培育具有国际影响力的重大成果，这既是服务科教强国的重要举措，也是北京大学自身高质量发展的内在需求。“成立智能化软件联合实验室，有利于打通从基础研究、关键技术、装备研制、成果转化到产业化推广的全链条，加速推动北大智能化软件科研成果转化为现实生产力。”

此前，北京大学计算机学院与字节跳动、腾讯、华为等企业已成立联合研发平台，在大模型系统、机器学习系统等人工智能基础设施软件方面取得了多项突破，一批成果实现落地转化。

产学研的紧密结合，也为科技行业储备人才，提供了更多捷径和可能性。尤其在软件行业，如何将通用方案与专有方案结合，从而使得技术更具可复制性，成为亟需平衡的要点。

神旗数码总裁孙洋在接受21世纪经济报道记者采访时称，传统企业数字化转型面临的痛点主要分为三类：第一类是已完成数据整合治理的产业链行业龙头，它们需要将人工智能深度绑定生产系统，实现流程再造与智能决策，保持行业领先地位；第二类是产业链中的配套企业，必须满足链主的数据要求而进行数字化改造，防止被淘汰；第三类是大量中小企业，因利润率太低而不愿在数字化上有太多投入，但行业“内卷”又倒逼他们必须采用性价比高的数智化解决方案降本增效。

因此，对于不同的行业和场景，也需要个性化策略，与Deepseek的结合程度也要分层对待。

“头部企业部署Deepseek模型时，要强调与底层数据逻辑互操作，例如汽车零部件企业通过新燕云Infinity产品打通多品牌设备数据，通过数据建模分析优化生产环节；对配套企业要推动其向链主标准靠拢，迅速补短板提升整体数智化水平；对基础薄弱企业要聚焦具体需求，用低成本投入精准提升特定环节数智化能力，实现降本增效。”孙洋进一步认为，ToB领域难以通用化，必须结合行业特点制定针对性的数智化解决方案。从商业模式上看要采用“内生式创建+外延式复制”的模式，通过核心企业的丰富场景打磨全栈产品与解决方案，然后切片式地复制到更多中小企业实现盈利，摊薄研发交付成本。

面对新一轮的AI竞赛，孙洋认为，软件行业与DeepSeek是技术协同而绝非替代关系。“以某中资车企在马来西亚的园区为例，他们在生产排程中同时使用了供应链控制塔和DeepSeek的推理能力。具体来说，先将分布在7个国家供应商的订单数据实时归一化处理，再通过DeepSeek进行跨区域排产优化，使全球供应链响应速度提升27%。”

对企业来说，使用大语言模型在内部保证其强通用性、强泛化能力的同时，还能深度的适配特定的行业、企业的专业化需要，也就是要走一条“通专融合”的道路。企业不缺数据，缺的是让数据活起来的能力；不缺需求，缺的是让AI真正落地的路径。

今年政府工作报告提出，加快制造业数字化转型，培育一批既懂行业又懂数字化的服务商，加大对中小企业数字化转型的支持。或许，产学研结合的深度融合能探索出一条可落地的路径。