AI技术日新月异的今天，一场深刻的产业变革正在全球范围内加速。从大模型的迭代到智能体（Agent）的涌现，AI正从一项前沿技术演变为驱动企业增长与重塑产业格局的核心力量。然而，这场技术革命在带来无限机遇的同时，也引发了普遍的"AI焦虑"——企业既担心错失良机被竞争对手超越，又忧虑投入巨大却难以获得可衡量的回报。如何穿越迷雾，将AI从"听起来很美"的概念转化为"用起来很实"的生产力，成为摆在所有企业管理者面前的关键课题。

《深度实践》（DeepPractice）是钛媒体聚焦AI技术演进、落地的视频播客节目，撇开深奥浮夸的大词，深度拆解实现路径、思考决策与硬核细节。本期《深度实践》栏目请来了IBM大中华区董事长、总经理陈旭东与施耐德电气高级副总裁、战略与业务发展中国区负责人熊宜，一同探讨AI时代，企业数字化转型的破局之道。

企业深陷双重焦虑的核心困境

在AI技术快速迭代的当下，企业的焦虑并非单一的技术应用困惑，而是宏观环境与技术落地双重不确定性叠加的结果，这也是当下产业界的普遍痛点。一方面，AI技术发展日新月异，今天的技术可能明天就落后了；另一方面，AI应用之后，如何才能体现其价值，让企业获得切实的收益。这两个问题构成了目前企业级用户的焦虑。

陈旭东将企业的核心焦虑归结为两大层面，其一便是宏观环境变化带来的系统性不确定性，油价、贵金属等要素价格的剧烈波动，地缘政治与法规规则的频繁变动，再加上生产力提升的持续压力，让企业CEO难以做出稳定的战略判断。其二则是AI应用的落地焦虑，尽管全球今年AI领域支出预计达2.5万亿美元，AI技术的商业价值被广泛看好，但多数企业的AI应用尚未显现显著成效，"怕落后又怕投入打水漂"的心态，让企业在AI布局上陷入犹豫。

施耐德电气的观察则更贴近能源、工业、数据中心、基础设施等实体产业的实际痛点，熊宜将企业焦虑拆解为技术与宏观成本的双重冲击。从技术落地角度看，过去企业数字化转型的固定流程已难以适配当前的技术迭代速度，一个企业级AI项目从规划到落地通常需要1.5至2年，而AI技术的发展让企业担忧投入的技术尚未产生效益便已过时，项目投资回报的评估成为一大难题。

从宏观环境来看，当企业在微观层面通过精益生产、AI应用提升效率时，市场的变化、供应链的不确定性等可能直接颠覆这些努力，如何锻造企业韧性以应对突发性宏观环境的冲击，成为实体企业的核心诉求。而这种焦虑的本质，是技术发展速度与企业落地节奏的脱节，以及微观效率提升与宏观环境波动的矛盾，这也让企业在AI转型中陷入"不用不行，用又不敢"的两难。 

破局AI落地，从单点尝试到平台化深耕是关键

面对多重焦虑，企业的破局之道并非盲目跟风布局AI，而是以战略定力为核心，从单点尝试走向平台化深耕，让AI应用真正与业务价值挂钩。

熊宜从实体企业的实践角度，提出了AI落地的三大核心原则，也是衡量企业AI是否真正落地的关键标准。首先是树立平台思维，摒弃分散的单点应用模式，构建企业级的AI能力体系，让数据、经验与技术能力能够沉淀复用，施耐德电气将AI贯穿 EcoStruxure™三层架构：接入适配层、运营控制层、管理优化层，并搭建统一的数据平台，实现能源与工业智能化，正是平台思维的落地。

其次是坚持场景驱动与可量化的投资回报，AI应用需聚焦于能快速产生价值的场景，将投资回报周期尽可能缩短，为项目设定清晰的量化目标，比如工作时间的节省、人员的优化、生产效率的提升，而非模糊的"效率改善"，施耐德电气通过举办AI"大施杯"大赛挖掘内部场景，筛选项目时以能否提升综合劳动生产率等硬性指标为核心，实现"花小钱办大事"。

最后是推动自下而上的自发应用，当AI工具真正解决员工的工作痛点，比如将生产计划制定的2小时工作缩短至5分钟，员工便会主动使用，这种自发的应用模式远胜于自上而下的强制推行，也是AI落地的最佳状态。

陈旭东则建议企业聚焦于行动与积累。

第一，应加快数字化转型步伐。供应链的韧性一方面可以通过数字化手段来提升，另一方面可能需要在组织管理等方面进行优化；

第二，关于AI相关的焦虑，面对不可阻挡的AI浪潮，建议企业仍需进行一定程度的尝试。他以IBM自身作为"零号客户"为例，在利用AI优化HR、财务等办公效率时，推进的决心非常坚定，在快速试错、迭代后已经产生了可观的投资回报；

第三，在企业内部发动员工，寻找可以优化的环节。让大家了解AI能做什么，再发动大家去发现AI能够发挥作用的地方，之后再进行更大规模的投入。

而当AI应用从试点走向规模化时，企业需要选择统一的平台，避免单点项目的重复投资，IBM的Watsonx平台与watsonx Orchestrate系统，正是为了解决企业AI应用的管理与协同问题，让不同部门的AI应用能够相互调用、形成体系。

而此前施耐德电气商业价值研究院与IBM联合发布的《AI for GREEN——以场景驱动AI应用，实现企业价值跨越》报告中也曾明确指出，企业对于AI价值的期待正在从单一向立体转变，形成了三大显著趋势：从仅重视商业收益拓展到注重社会环境价值；价值取向从宏观决策深入到微观个体体验；从追求短期增长到重视长期的价值跨越。基于此，报告提出了"AI for GREEN"价值主张，认为企业通过AI可以实现五大价值：业务增长（Growth）、可靠性与韧性（Reliability）、效率与满意度（Efficiency）、可持续发展（Environment）以及全新的商业模式（NewHorizon）。

值得注意的是，AI落地的核心逻辑已发生转变，从过去的IT部门驱动变为业务部门驱动。陈旭东指出，过去的信息化多解决财务、供应链等通用问题，而AI能针对企业的个性化业务痛点优化流程，这需要业务部门提出真实需求，技术部门提供支撑，形成"业务+技术"的共创模式，这种模式也让企业的AI应用更贴合实际业务，避免技术与业务的脱节。

总体来看，在落地AI应用的过程中，企业需要一套以场景为中心的实施路径。

第一步：统一共识，规划全图。 企业需通过跨团队交流统一AI战略共识，并运用价值框架全面梳理业务流程，绘制出清晰的AI场景全景图，明确赋能方向，从而降低试错成本。

第二步：聚焦场景，小步快跑。 在全景图基础上，通过评估技术可行性、资源投入和风险，筛选出优先落地的具体场景。应避免追求"万能明星"项目，而是组建跨部门团队，以解决流程中部分问题的"细分专家"项目为起点，敏捷迭代，快速验证价值。

第三步：数据沉淀，构建差异化。 高质量的数据是AI的"燃料"，而企业内部独特的行业知识与经验则是未来的核心竞争力。企业需要建立高效的数据处理管道和治理机制，并有意识地挖掘、整理那些隐藏在文档、流程和专家头脑中的隐性知识，将其转化为可记录、可复用的企业知识库。

第四步：民主赋能，全民创新。 成功的AI应用不应局限于技术团队，而应实现规模化赋能。这需要在组织上弥合业务与技术的认知鸿沟，让非技术员工也更多地参与技术创新。

AI、能源深度融合，产业协同开启发展新机遇

"AI的尽头是算力，算力的尽头是能源"，这一行业共识让AI与能源的深度融合成为产业发展的核心方向，也为科技企业与能源科技企业带来了全新的机遇，而中国市场的技术、场景与成本优势，让这一融合拥有了更坚实的落地基础。

对于施耐德电气而言，AI蓬勃发展带来的能源挑战，本质上是电力供应与电力管理的双重问题，一方面，算力中心的建设面临电力瓶颈，施耐德电气通过推动绿电直连、新型电力架构等项目，解决电力"有没有"的问题；另一方面，AI负载的峰值功率波动更快、更不可预测，传统的供电方案已无法适配，施耐德电气正探索电化学储能、飞轮储能等新技术，实现对电力波峰的秒级响应，同时将电力管理从机柜级、服务器级精细到芯片级，解决电力"用得好不好"的问题。而这一过程也推动了施耐德电气的商业模式与技术体系变革，从单纯的产品销售转向与客户联合研发的共创模式，从电力外围设备供应转向与算力核心的深度融合。

IBM则在AI技术层为能源与工业领域的AI落地提供了技术支撑，其针对良品率极高的视觉检测场景推出的反向学习方案，通过建立"完美产品"模型识别异常，解决了实体企业因缺陷样本不足导致的AI训练难题。同时，IBM持续深耕混合云与AI领域，将传统AI与生成式AI融合于Watsonx平台，为企业提供从数据管理到模型训练、AIAgent协同的全流程解决方案，成为企业搭建AI平台的核心选择。此前双方联合发布的"AI for Green"报告与GROWTH模型，也为AI与能源的融合奠定了理论基础。

从焦虑到破局，从单点尝试到产业协同，企业的AI转型正进入深水区，这场转型并非一蹴而就的技术升级，而是企业战略、组织架构、业务模式的全方位变革。

以下为对话实录，经钛媒体APP整理：

刘湘明：各位观众大家好，欢迎来到钛媒体的视频播客《深度实践》。今天，我们将聚焦探讨当前备受关注的两个关键词：焦虑与机遇。首先，请允许我介绍今天邀请到的两位重量级嘉宾：施耐德电气高级副总裁、战略与业务发展中国区负责人熊宜先生。熊总您好！另一位嘉宾是我们的老朋友，IBM大中华区董事长兼总经理陈旭东先生。陈总您好！

AI Agent来了，企业在焦虑什么？

我们刚刚结束春节假期，但这个假期对许多业内人士而言，可能并未感受到太多节日氛围。近期各类新闻频出，如大模型、具身智能等话题，春节后行业又开始热议"龙虾"。因此，最近见面时大家常提到一个热词："最近在焦虑什么？"今天，我们不妨先从个人焦虑谈起——请熊总和旭东分享一下，你们个人最近焦虑的是什么？

熊宜：大家好。刚才刘总的问题很有意思——焦虑什么？就我个人而言，我其实是一个比较乐观的人，很少感到焦虑。我更多思考的是，如何应对我们当前面临的各种技术应用实践，以及如何将我们日常讨论的概念，比如您刚才提到的"龙虾"，真正落地。

所以，我认为积极尝试新技术非常重要。在今天这个时代，我们尤其需要思考：如果未来出现所谓"零员工公司"，我们最终会成为那个"零"，还是那个"一"？这是目前我比较关注的问题。

陈旭东：我们其实有很具体的事情。特别是全球的一些软件公司，在春节期间，出现了一次股市的大波动，这与AI的发展密切相关。特别是AI在编程、写代码方面的革命性影响，以前大家更多是玩玩，但一旦涉及企业级应用，有人提出可以用AI重写主机代码。不过最近（股价）又慢慢回升了，因为大家发现事情没那么简单。光把代码翻译一遍，离实现整个IT系统的现代化还有很大差距。所以谈不上真正焦虑，但这确实引起了市场的巨大波动。

刘湘明：更具象化一点：从你们当前的职位视角来看，整个市场焦虑的核心是什么？同时，从产业和企业层面，我们应该如何理解这些焦虑，又该如何应对？

陈旭东：从我们的观察来看，客户当前主要存在两个层面的焦虑。

第一，是宏观环境变化带来的不确定性。整个大环境变化太快，许多过去难以预料的事情现在频繁发生。例如，近期油价等要素价格剧烈波动。地缘政治局势、法规规则的变动，以及对生产力的要求压力日益增大，这些因素共同构成了许多企业CEO深感焦虑的核心问题。

第二，是关于人工智能（AI）的应用焦虑。虽然AI已进入大众视野，但在许多企业内部的实际应用尚未展现出显著成效。这引发了普遍的焦虑：如果竞争对手成功应用了这些技术，是否会将自己远远甩在后面？因此，如何有效应用AI来加速提升企业竞争力，已成为一个重大的焦虑点。有专家预测，今年全球在AI领域的支出将达到约2.5万亿美元，这进一步加剧了企业在此问题上的紧迫感。

熊宜：我们有很多相似的观察。从我们接触的众多行业客户以及我们自身（业务涉及工业、基础设施、数据中心、楼宇等领域）来看，大家的焦虑主要集中在两个方面。

首先，是技术本身，最核心的焦虑是技术迭代速度过快。正如我上午和同事讨论时提到的，过去企业进行数字化转型或应用AI，通常遵循一套固定流程：从公司领导层统一思想、开展培训开始，然后寻找技术团队或公司实施项目，最后上线一些能够提升具体场景效率的应用，例如质量检测、视觉识别，或在工厂部署机器人等。

但现在我们发现，这类项目要评估其投资回报变得非常困难，因为技术迭代太快了。一个企业级项目，从规划到上线、再到真正产生效果，通常需要一年半到两年时间，这对大企业来说已经不算慢了。然而，以AI为代表的技术发展速度，让我们根本无法想象两年后它会变成什么样子。这就是最大的焦虑所在：现在用还是不用？不用，似乎大家都在做；用，又担心投入不菲的技术很快会过时，而且很多系统并非能够随时迭代升级。这是我们在服务客户以及自身实践中，从技术层面看到的一个非常关键的问题。

其次，是宏观环境的不确定性带来的焦虑。有时候宏观环境带来的冲击和影响是根本性的。因此，如何锻造企业的韧性，以应对这种突发性的宏观层面冲击，是我看到的另一个普遍存在的焦虑。

直面焦虑，企业应当如何做？

刘湘明：针对企业核心的焦虑，您会给企业提出哪些建议？

熊宜：我认为可以先从宏观层面的建议谈起，后续再逐步深入到具体操作。对于公司而言，无论规模如何，它首先是一个大型组织。因此，一个全盘的考虑、整体的规划，或者说全局性的思路，仍然是至关重要的。我们应对前面提到的各种挑战（技术迭代、宏观不确定性）已经很多年了，也投入技术做了很多细节工作，但始终感觉缺少一个平台级的思维方式。说得更公司化一些，就是战略规划层面的、总体的顶层设计。我认为这是一个需要提前考虑，或者说现在就应该开始着手考虑的事情。

其次，是如何让技术应用找到能够快速见效的场景。过去我们偏向于寻找快速落地的场景，现在则需要在前面提到的整体规划之下，再去寻找一些投资回报周期更短的项目。以前一个项目的投资回报周期可能需要一年半，现在能否缩短到一年，甚至六个月？我们需要能清晰地说明，某个场景在落地后，比如投入100万，是否能在六个月后开始产生效益，或者在两三年内收回这100万成本。总之，需要一个比较清晰的投资回报预期。

第三点，我认为无论是AI还是其他技术，都需要长期的积累，包括数据、内部能力以及人才等方面的积累。一个可能的解决方法，或者说我们现在正在尝试的做法是，不能仅仅依靠一个个针对特定场景的、临时组建的小分队去单点作战。而是要让这些技术能力、数据资产和人员经验能够逐渐沉淀、积累起来，形成一个可复用、可迭代的基础。同时，在这个过程中，人员的能力也能得到系统性的锻炼和提升。虽然外部环境充满不确定性，但这几点可能是企业内部确定需要去推进和建设的方向。

陈旭东：针对我提的那两个焦虑，第一个是形势变化快，如何应对？熊总提到的价格波动、供应链中断等，其实前几年就出现过。我们的建议是，首先要加快数字化转型步伐，将信息整合研究，增强供应链韧性。这既需要数字化手段，也可能需要组织管理，甚至找咨询公司做顾问。

第二个跟AI相关，大家既担心落后，又怕技术投入很快过时。还有一个大问题是，AI的投资回报率（ROI）现在很多时候算不清楚，这很挑战。但回顾以往的信息化（IT）投入，其实也不见得都能算那么清楚。奇怪的是，在这一轮AI阶段，大家却特别想把它算清，可能是因为对AI能干什么还不太清楚，怕浪费太多钱。但面对不可阻挡的AI浪潮，我的建议是，一定要进行尝试。

尝试的规模与企业有关。像IBM这种公司，就是毫不犹豫地全面实施AI，把技术用在自己企业里。我们内部把自己叫"零号客户"。比如用AI优化HR、财务的办公效率时，我们做得比较"激进"。这跟每个企业的决心有关。

一开始用AI肯定会碰到不好用的问题。但你知道它哪里不好用，就知道怎么去优化它，这对企业都是一种积累。所以一定要开始做，通过这个过程培养全员的相关能力。发动大家找到可以优化的地方，让大家知道AI能干什么，然后再去投更大的投入。大概有这么一个过程，但一定要开始做，不可能一蹴而就，特别是在企业里，不可能搬个系统过来就能用。

刘湘明：两位讲得特别好。我简单小结一下：第一，企业仍需保持战略定力，毕竟这（指应对变革）是件大事，不能盲目焦虑。第二，必须行动起来。正如刚才熊总所谈，可以先从尝试"小龙虾"这样的具体实践开始，不能仅仅停留在讨论层面。面对一个全新的事物，需要获得直接的体验和感知。正好借这个机会问一下，您尝试的"小龙虾"现在训练得怎么样了？

熊宜：刚开始尝试。我认为一个可以24小时不间断工作、能够持续学习、没有情绪且不会疲劳的智能体，只要数据安全允许并给予足够的信息，它肯定会比我们做得更好。这可能是我的一个体会。

AI产品涌现，企业如何调整，适应？ 

刘湘明：是的，这其实也是我下一个问题的铺垫。回想一年前，我们谈论AI时，技术发展已经很快，而DeepSeek的爆发其实也就是去年春节的事。现在想起来，感觉好像已经过去五六年了，时间过得非常快。

然后，像"小龙虾"这类智能体的出现，让我们感觉AI原来可能只是帮你回答一些问题、搜集一些资料，现在却好像"长出了手脚"。虽然这"手脚"可能还不那么完善，但它已经可以帮助你去执行一些任务，把一些事情串联起来。

这反过来引出了我想请教二位的问题：原来AI更多是一个辅助工具，现在它可能真的变成了工作流中的一个自动、自发的节点了。这就意味着，企业需要不断地对AI进行重新定义和认知。你们如何看待这两年AI如此快速的变化？企业又该如何调整自身去适应？

陈旭东：关于AI，我们公司七八年前就提出了AI战略。从生成式AI（GenAI）出来后，我觉得大家在思想意识上可能还没完全把它区分清楚。我想借这个机会聊聊，我认为生成式AI，特别是在两个世界里，它出现和带来的改变是不一样的。

第一个世界我称之为"表意世界"，即完全不需要与硬件产生直接关联的领域。无论是语言、图像、视频，还是写代码、发邮件，这些在电脑前完成的工作都属于这个表意世界。这个世界已经发生了快速的颠覆，生成式AI就像一个强大的助手，可以帮你完成很多工作。如果没有安全问题，这将是一个极其出色的工具。但今天早上的新闻也特别提到，企业使用这类工具时，最好不要与外网连接，否则可能存在风险，比如可能有AI智能体（agent）在交互中窃取企业信息。所以，目前这个领域的情况还不好下定论。

另一个世界我称之为"物理世界"，它的变化也非常巨大。例如，机器人技术去年开始"跳舞"，今年已经特别厉害，甚至能翻跟头了。生成式AI领域的许多进步被大量应用到物理世界中，目前应用最广泛的其实是自动驾驶。未来，司机这个职业很可能会被取代，这在技术逻辑上已经没有问题。此外，机器人可以帮助家庭做家务，或在生产线上工作。目前许多组装线仍需依赖人工，因为机器人还无法完全复现人类在精细操作（如按压、感知组装过程）中的触觉和判断力。但在另一些领域，如手术，机器人已经表现得很出色。不同领域的技术演进速度是不同的。

因此，对于企业而言，首先需要理解AI给表意世界和物理世界分别带来了哪些变化，然后再去思考这些变化会对自身企业产生何种影响。例如，刚才提到的视觉检测技术，我以前也以为它已经应用得很广泛了，但实际走访企业后发现，其普及程度还差得很远。很多场景下，人们还在用肉眼进行费时费力的检测，而且许多特殊场景的要求并非通用算法能够解决。

所以，大家要先把AI能干什么搞清楚，然后在企业中找场景。千万不要被表面现象迷惑，要把它能干什么、不能干什么整明白。每一个部门领导都要非常清楚了解AI能干什么，然后通过这个工具去优化效率。生产线上还是有很多优化点我们没做到，很多企业在这方面还差得很远。这和生成式AI一点关系都没有，是传统的AI。说明老AI大家还没用，新AI又来了。

熊宜：现阶段的AI技术应用确实越来越深入，正从辅助流程向核心业务流程，甚至向物理世界的控制延伸。我们通过数据采集、模型分析预测，最终实现控制。我们也做了一些项目，在一些具体节点上开始实现这种过程控制或节点控制。其逻辑是，将专家经验或由小模型收集的信息，转化为大模型的知识，再由大模型给出指令，驱动小模型去执行。大致是这样一个逻辑。

比如刚才讲到的视觉检测，产品出来后需要进行视觉检测。我们曾有一个工厂上线了这套系统。原来需要三个人三班倒，每人看大约8小时（实际无法连续看，中间需要休息），三个人需要不间断地检查。

后来我们使用了视觉检测技术。但一开始，由于我们的产品质量很好，缺陷很少，导致系统缺乏错误样本进行学习，无法识别哪些是坏品。所以，没有样本，AI再智能也无法落地。

第二个原因是成本。我们很多客户，包括我们自己的工厂，在使用这类技术时面临成本问题。例如，在定制化程度较高的装配环节，或者拧一个小螺丝这样的操作，如果使用机器人或机械臂，在定制化需求频繁变动的情况下，成本会很高，因为需要不断重新编程或调整。相比之下，人工操作反而更便宜。因此必须寻找最经济的方法，而机器人、AI或机械臂协同的方案未必是最经济的。

汽车行业可能比较特殊，因为其标准化程度高。但我们有大量离散制造场景，最终要看经济效益。所以，为什么AI技术进入核心业务流程，真正用软硬件结合的方式去替代人工，其效率或成本效益不见得最高，这是很多企业都会遇到的问题。只要客户有个性化需求，这就是个无法避免的难题。

陈旭东：我补充一点，关于刚才提到的定制化问题。定制化确实是成本的"杀手"，它会带来较高的成本。但这里正好可以介绍一下IBM的解决方案。例如在视觉检测方面，IBM提供了一个平台。这个平台的特点在于，它并非要求你必须针对某种特定场景进行定制，而是能够根据不同场景自动进行模型训练。这样一来，每个新场景的部署成本就比较低，而不需要针对每个场景专门派人去开发。所以，像IBM这样的公司，就是开发这种平台，让企业可以在内部的一个点成功应用后，自行再去部署到其他地方。

此外，关于硬件要求，以前的视觉检测对摄像头要求非常高，一个摄像头动辄十几万。而现在，我们甚至能做到用手机拍摄一下也可以进行检测，对硬件的要求大大降低了。因此，从技术逻辑上讲，这类解决方案是能够得到一定普及和推广的。

施耐德电气与IBM如何应对挑战？

刘湘明：我们更聚焦一点。熊总，我特别关心的是，像施耐德电气现在面临着数字化、智能化转型，以及各种国际形势、宏观挑战，您认为当前最大的挑战是什么？以及你们是如何应对的？这是大家很关心的问题。

熊宜：挑战确实很多。从战略角度来看，无论是全球还是中国，我们都应该聚焦于那些我们一直在做，并且在当前技术革命和AI带来的变化中，应该继续做，甚至做得更好的事情。

核心是：在能源转型的大背景下，我们对于能源科技的"战略定力"。不盲目跟随热点，而是在能源领域里持续深耕，并将我们的产品、解决方案、服务乃至整个体系都向这个方向靠拢。我认为这是我们当前需要非常聚焦去做的事情。

稍微展开而言，现在无论大家谈论"算力的尽头是电力"，还是宏观形势与全球格局，能源都不可避免地成为一个非常核心的主题。无论是能源竞争、能源管控，还是各国强调的能源安全，都围绕于此。尤其在当前，传统能源面临绿色和可持续发展的巨大要求，新型能源（或者说在以电力为主的新能源格局下）正在崛起。我们应该做什么？就是把我们刚才讲到的一系列转型都往这个方向靠拢。这既是我们的挑战，也是最大的机遇。

为什么说是挑战？因为传统的电力格局正在发生根本性变化。我相信，即使在中国，我们过去以火电为主的能源格局也并非终极目标，它正在发生巨变。现在从企业角度看，再小的企业也会用点新能源，比如配置电池储能，或者在屋顶安装光伏板。这些新能源技术带来的变革，正在改变整个电力系统的结构——从原来更集中、单向的"电网到用户"模式，转变为更多向、多维度的"微电网+大电网"协同用能格局。

在这个格局变化中，我们原有的积累可能是机遇或优势，但同时也是挑战。我们希望在能源转型的大格局下，通过我们的新产品和技术，持续地——在市场变化最快的部分跟上步伐，甚至引领能源科技的发展。我认为这是我们当前面临的最大挑战。

刘湘明：IBM的应对之策又如何？

陈旭东：从全球视角看，IBM正逐步将自己打造为一家以软件和咨询为核心的公司。在过去十几二十年里，这个变化非常大。目前，我们的软件业务占比已达到45%，而硬件业务已降至25%以下。

进入新时代，我们称之为混合云与AI时代。最大的挑战在于，如何在AI时代继续引领企业的信息化或数字化转型进程。IBM本身就是一家软件公司，很多员工是坐在电脑前工作的。正如我们刚才讨论的，这类工作可以被优化，效率可以得到提升。因此，IBM自身也作为"零号客户"，进行了许多变革。我们面临的一大挑战是：我们能否走在客户前面？所以我们把自己称为"零号客户"，自己开发出来的技术和解决方案都会先内部试用，成熟后再作为案例分享给客户。这既是挑战，也是巨大的动力。过去这些年，我们在AI领域也收获了许多客户。 

而且，IBM在AI领域的探索并非始于生成式AI。我们的Watson平台在十几年前就已推出，那时我们称之为传统AI，包括视觉检测等应用。生成式AI出现后，我们将其升级为Watsonx平台，兼容了生成式AI与传统AI，使这个平台有能力帮助客户解决更广泛的问题。因此，IBM的角色更多是帮助客户发现他们可能存在的问题，并加以解决。 

但在这个过程中，许多问题IBM自身也同样存在。例如，我们组织如此庞大，如何为员工提供财务、HR等各方面的支持，原本是一项巨大的投入。现在，这部分工作已有50%以上被AI取代。这个过程内部也经历了磕磕绊绊，一开始并不好用，抱怨很多，但度过磨合期后，很快就发挥了更大的价值。所以，可以说AI的发展既是我们的"饭碗"，在某种程度上也是一种焦虑——我们如何在这场竞赛中胜出。

离AI规模化还有多久？

刘湘明：当下，AI是否真正进入实用落地、价值深耕阶段？产业端真正用起来的最核心标志是什么？

陈旭东：在我看来，一个关键的标志是：企业是否已经有很多想要实施的AI项目。具体来说，就是企业自身是否已经发现了许多可以用AI来提升效率的具体环节。这背后意味着，你已经理解了AI能做什么，并且能够识别出这些机会——通常，这种识别能力源于你曾经有过成功的实践经验，否则你很难发现这些机会。

因此，我认为判断AI是否在一个企业内部真正推行起来，就看它是否已经在一个地方取得了成功，并且在此基础上，企业自身又主动发现了更多的应用机会。这有点像我们公司的情况：现在AI应用已经形成了一个自我推动的良性循环，不再是需要自上而下强推某个点去使用，而是每个部门都在自发地推动AI的应用。我认为，当达到这个阶段时，就可以算作是一个比较成功的开始了。

刘湘明：那更具体一点，您刚才也谈到了IBM的HR、财务部门都在应用AI。您认为AI在这两个部门、两个体系里是真正落地了吗？

陈旭东：我认为AI在HR和财务部门是真正落地了。因为我们现在已经看到了实际的结果：确实优化了很多岗位。以前很多需要找人询问或办理的事情，现在基本上你也不知道是谁（或什么系统）帮你办好了，这种情况非常多。但事情最终都能办成。

不过，前提是公司内部必须得有相应的系统。如果没有系统，光靠AI是搞不定这些事的。以前有人问我："你们有没有一个HR的AI系统？"我说没有。

对于大公司，HR流程要么跑在SAP上，要么跑在某个其他系统上。如果你没有这个基础系统，那么谁来记录这些事情呢？总得有人（或系统）把它记下来。以前有一个流程（process），AI来了之后，或许可以跳过这个流程中的某些人工环节，但这些记录最终还得在某个地方存下来。如果没有这个底层的系统，直接搞一个HR的AI系统，我确实没有。所以，AI的应用还是以原来的数字化为基础。

刘湘明：熊总，您怎么看？

熊宜：没错，讲到如何衡量企业AI是否真正落地，我其实前面谈到几个观点，可以再拎回来总结一下。我认为有几个方面： 

第一，需要从单点式、单场景、单部门的应用，转变为企业级的、平台化的思维。我们遇到过这样的案例。供应链、研发、客服，大家可能用不同的AI工具或者Copilot。这就带来一个问题：这些应用比较分散。在一个企业里，首先需要一个平台化的思维。如果企业用了这么多不同的工具，最终经验、数据可能都分散在各个地方。我感觉这还不能称之为真正成熟，或者成为一个企业级的、总体的AI能力体系。这是第一点，从单点到平台化。

第二，大家对投资回报这件事还是有些疑问。但我个人对此比较坚定。虽然刚才陈总也提到，回顾10年、15年前第一轮信息化建设时，投资回报也很难说清，因为那是一个"摸清家底"的过程。在早期信息化阶段，确实很难从投资回报角度看"它直接帮你赚钱"或"优化了多少成本"。但现在不同了，再加上技术迭代非常快，所以我非常强调：如果AI已经深入到企业里，你是否能说清楚，做这件事到底需要多长时间就能带来明确的价值？

正如陈总刚才提到的很多例子，比如HR、财务部门人员减少了，客户满意度或交货率提升了，生产效率达到了百分之多少的提升，这些都是可以衡量的。否则，大家做的项目就缺乏依据。因此，第二个清晰的标志是：是否有一个比较清晰的投资回报衡量体系。

第三，要看应用是自发的多，还是领导要求的多。如果是领导要求用AI，很多人可能会说这东西不好用，跟原来的习惯不一样，结果花了钱却没效果。以前信息化最大的障碍就是这个。凡是需要天天写报告来论证价值的，往往是因为它本身价值不明显，才需要去"找"价值。就像我们的IT部门如果天天写报告说某个系统有多大价值，这恰恰说明它可能没价值，或者价值转变很困难。 

反之，如果是全员自发的事情，情况就不同。例如，在我们去年获评"灯塔工厂"的武汉工厂里，有一个做生产计划的员工。他原来制定日计划，需要分解周计划，整合一大堆当天的数据，比如机器使用率、员工到岗率等，每天要提前两个小时做表格来排出当天计划，还要应对各种突发情况，比如领导临时要来参观，又得调整计划。现在，给了他一个AI助手，他把这两个小时的工作变成了5分钟就能搞定。他就特别愿意用，不用你说，他自己就会用。所以，我认为是否能够形成自下而上的、自发性的应用，这也是一个成熟度的标志。我觉得这三个方面是衡量的关键。

AI的尽头是能源

刘湘明：AI的尽头是算力，算力的尽头是能源。作为能源科技的引领者，施耐德电气如何看待AI蓬勃发展带来的能源挑战？有哪些举措？

熊宜：首先，电力"有没有"的问题。算力的基础是电力，而我们目前在很多地方仍面临电力瓶颈。无论是"东数西算"工程，还是在乌兰察布、贵州等地建设的数据中心，其根本制约在于电力供应是否充足。我与数据中心客户交流时了解到，最大的瓶颈并非电力调度或算力本身，而是数据迁移所伴随的巨大网络与通信成本。但前提是，必须有电。我们正在推动绿电直连、新型电力架构等项目，以解决电力扩容问题。 

第二是，电力"用得好不好"的问题。AI负载的电力需求特性与传统IT负载不同。经过研究，我们发现AI负载的峰值功率上升更快，短时间内的波动更大，且这种波动是秒级甚至毫秒级的，难以预测。传统IT负载有规律可循（如电商峰值在晚间），但AI的算力需求是突发、不可控的。这意味着，传统的UPS（不间断电源）方案已不足以应对，需要引入电化学储能、飞轮储能等新技术，以实现秒级的快速响应，来平抑这种瞬时波峰。

然而，解决这些问题对我们而言也意味着巨大的挑战和改变。我们越来越发现，过去那种"卖产品、收钱"的商业模式行不通了。现在需要与客户进行联合研发、共创，先一起把解决方案做出来，再谈商业回报。这要求我们在商业模式上进行根本性转变。

此外，技术融合的挑战也在加深。过去我们主要提供电力外围设备，但现在需要与算力核心（芯片、存储）更深度地融合。电力供应需要从传统的"机柜级"或"服务器级"，精细到"芯片级"（PowertoChips），去管理单颗芯片的能耗与供电的连接。同时，技术本身也在革新，例如从交流电到直流电的转换，从机械式设备到基于半导体（如IGBT芯片）的固态电力设备。这些转变都要求我们与全球的数据中心大客户共同实践和探索。

AI应用要"循序渐进"

刘湘明：IBM如何看待生成式AI在企业内部真正落地所面临的最大障碍？以及，回顾过去几十年企业的信息化、数字化、智能化历程，你认为这次的挑战有何不同？

陈旭东：经历了四个阶段。最早应该叫"电算化"，然后才到"信息化"，再到"数字化"和"智能化"。我的观点是，这几个阶段是循序渐进的，但并非线性发展。并不是说完成了信息化，然后做到数字化，就万事大吉了。实际上，有些工作回过头来还得补信息化的课。可能因为技术进步或各方面原因，企业在一层一层向前推进的同时，也在循环往复。

到现在为止，很多企业信息化工作还没做完。例如，中国企业虽然可能已经上了ERP系统，财务管理上来了，但大量生产企业的资产管理（如庞大的固定资产）可能还没有任何系统来管理。如何让这些资产更好地发挥作用、延长使用寿命，这又是新一轮的信息化工作。以前只是管账，现在要管物。在这些信息化的基础上，积累了更多信息，才有可能进入数字化。 

到现在为止，企业积累了大量的信息和数据，但如何将其用于下一步发展？以前很多数据并没有被很好地利用起来，特别是研发数据，其中包含的错误结论等都有巨大价值可以挖掘。这又可能需要回到信息化，把那些数据找出来，形成研发管理系统等。所以，这个过程是循环往复的。

到了AI时代，特别是生成式AI要广泛应用的时代，前提肯定是信息化、数字化基础达到一定程度。我认为，AI时代与数字化、信息化时代最大的区别在于：以前可能是以IT部门驱动为主，现在则进入到以业务部门驱动为主的过程。以前多是解决通用问题（如用ERP解决财务问题），但现在企业遇到的很多问题没有通用软件可以实现，却可以用AI工具来优化流程。这时，AI就能发挥很大价值。

但即便如此，它依然需要强大的基础。就像有一个智能体（如"小龙虾"），它要去调用应用，如果没有那个应用，它调谁呢？最终的基础还是要有一些应用在那里。企业要自动化一些东西，也需要调用内部的应用来干活。因此，这变成了通过激发员工或组织，去思考如何优化业务、提升效率，然后将这些需求转化为IT需求，再去实施。这真的变成了像刚才说的"共创"，而不是由IT部门主导。所以，未来AI应用普及后，每个公司的做法可能会很不一样。不像今天，你看所有的制造企业，其ERP系统都差不多。

刘湘明：回到施耐德电气。刚才您也谈到，施耐德电气其实已经做了很多AI项目。我想请您分享一下这方面的经验。因为您刚才也提到了，从原来的预测性维护、机器视觉，到现在您谈到的研发、供应链，包括生产全流程都在进行优化。您有什么经验可以跟大家分享一下？

熊宜：首先，需要一个总体的架构。无论是对AI还是对原有的软件数字化。

比如我们的EcoStruxure架构，我们将其分为三层。最上层是"管理优化"（Optimize），它主要利用大模型对底层上来的数据进行分析，给出决策机制或建议。这个层面包含很多场景，比如能源优化、自动化/智能化优化、管理信息化优化等。

中间层是"运营控制"（Operate），它更多地与边缘侧控制、物理侧设备相结合。因为我们有大量的电气设备和自动化设备，数据经过模型处理后，必须实现闭环控制。同时，这些数据也需要在边缘侧进行初步分析后再上传。 

底层是"接入适配"（Onboard），即所有设备的连接与数据采集层。设备本身不会"说话"，需要通过各种方式（如从黑盒子到带控制、带屏幕的演进）让数据能够被采集上来。我们看到的很多基础工作，如数据采集，都发生在这个层面。

此外，还需要一个纵向的数据模型或数据平台DataCube，将上、中、下三层所需的数据连接起来，让大家用统一的语言进行沟通。

梳理好架构是我们的首要经验，这是第一步。有了架构，接下来就要寻找各自的场景。我们每年会举办一个AI"大施杯"大赛，实际上是一个全员参与的创新活动。

例如，供应链部门每年能提出一百多个想法或案例，比如刚才提到的生产计划优化、设备预测性维护、提升设备综合效率（OEE）等。后台各部门，如研发部门，也会提出想法，比如如何提升开发效率、减少外包人员等。我认为，抓住这些场景非常重要。我们内部的这个机制运转得比较有效，能让员工把这些想法提出来，并通过短周期的项目快速落地使用。这可能算是我们的一些经验分享。

我们内部的这些实践，有点像陈总讲的"零号客户"。同时，我们也赋能客户和生态伙伴。例如，与太古这样的商业综合体合作，通过AI引擎优化其能效、空调、电梯、冷机等，帮助他们提升效率、降低成本，从而改善租户和消费者的体验。我们有很多这样的案例。

比如生态圈内的伙伴（如系统集成商、盘厂），他们希望与我们建立更长期的合作关系。我们助力他们提升效率。如果我们自己提升了效率，而他们没有提升，整个价值链的效率就无法提升。所以，我们会分享经验，赋能生态伙伴。

通过分享我们自己的实践去赋能他人，这也是我们认为很有价值的一点。这大概就是我想分享的内容。

刘湘明：那我再追问一下，比如您刚才谈到了AI大赛，大家提出了很多项目想法，但不可能都做。您是如何评估这些项目，决定哪个项目上马、哪个不上马的呢？包括我们一直在谈的投资回报率（ROI）问题，具体是如何评估一个AI项目的ROI的呢？

熊宜：首先，肯定要评估它对工作效率或生产效率有没有提升。关键在于，能否为这个项目设定一个非常清晰、可量化的目标。有的人说"用这个特别好、很方便"，但这并不是量化指标。必须明确：你的工作时间能从多少小时节省到多少小时？人员使用能从几个减少到几个？或者像我们每年对工厂设定的目标——综合劳动生产率每年要提升五个点（这个要求非常高，非常难），你的项目能否支持这个目标的实现？

供应链领域的项目其实最容易评估，因为它有比较多的硬性指标。但像我们刚才提到的客服场景，评估起来就很有挑战。一开始谈客服时，大家会说："哎呀，不行，我们客户打来问的都是非常专业的、复杂的问题，靠AI智能体搞不定。"

我认为这实际上是一种误区。所谓的"复杂"，只是因为你没有教会它。它第一次肯定不行，但第十次呢？第二十次呢？当老师傅退休了呢？所以很多时候，这还是人的观念问题 

总而言之，如果你自己都无法为项目定出一个清晰的目标，那么这个项目肯定不能被筛选出来。当然，还有一个因素是投入有多大。假设总共只有100块钱的预算，那就按优先级排名。我们一般一年能排出来几十个项目可以执行。最终带来的提升效果还是挺明显的，算是花小钱办大事。

刘湘明：刚才谈到了视觉检测。原来我们认为视觉检测就是良品率没有那么高，数据很多，可以迅速学习。但像您谈到的，施耐德电气的质量很好，次品率很低，那它是怎么去训练和学习的呢？包括旭东，你们有什么方案？这其实原来真是没有想过，原来想的是迅速帮助提升良品率。那如果良品率本来就很高，这个问题是现在悬而未决呢，还是已经解决了？

熊宜：经过多年积累，现在用得已经很好了。我们正通过大量样本进行建模和学习，识别出缺陷产品。在已经部署的生产线中，AI视觉检测的误检率降到0.5%以内，同时漏检率降为0%。并且这一方案也推广到了其他一些工厂。

在提升过程中，一开始的提升曲线可能不是线性的，但到了最后阶段逐渐趋于稳定。关键在于，它（技术）不依赖于人。所以，只要你坚持投入、坚持做这件事，时间越长，投资回报就越能显现出来。

这也是我给很多客户讲的道理。很多企业如果原来的水平很低，可能在初期阶段会看到一个非常明显的提升。但实际上，最难的是最后那零点几的提升，比如从99.1%到99.3%，再到99.9%、99.99%。就像六西格玛，或者电网安全要求的"六个九"，最后那个阶段是非常难的。真正到了那个阶段，不靠这些工具或技术是不行的，你不可能从五个九提升到六个九。

陈旭东：是的，你们可能确实花了一段时间才把系统性能提升上来。IBM确实发现过这个问题。因为我们是做平台的，所以我们专门有一个功能，就是针对良品率特别高的场景进行学习。

它首先学习合格品的特征，建立一个"完美产品"的内部模型。然后，当检测到与这个正品模型不一致的图像区域时，它就会报警。这是一种反向思维，通过识别"异常"而非预先定义缺陷来工作。这样就能很快地把一些问题点找出来，从而更快地积累缺陷样本。所以，将来咱们可以在这方面合作一下。

AI对员工，对公司都将带来改变

刘湘明：陈总，你之前提到过：让业务人员提出AI需求，再协调技术资源来实现。这种"业务驱动"的模式，如何避免技术团队与业务部门之间的理解鸿沟？在AI项目中，业务负责人和技术负责人应分别承担怎样的角色？

陈旭东：AI在实施的过程中，是复杂的状态。多数企业一开始会更多地拿开源工具进行尝试。我相信像熊总他们公司一开始也是这样。等到做到一定数量的应用以后，公司就发现需要一个平台。但多数企业在一开始并不觉得需要平台，他们可以用各种各样的方案和模型。

IBM就在这时候发挥作用了——当你搞一两个应用的时候可能不会想到IBM，但等到你需要管理几百个应用时，就会想到IBM。 

当应用数量多到一定程度（可能比员工还多），怎么来管理这些应用？IBM已经做了这样的准备：除了Watson这个大平台，我们还做了WatsonOrchestrate，用来协调和管理这些系统。将来，这些系统之间还可以相互调用，有点像内部的应用市场。IBM在这方面下了一些功夫，我们想得比较靠前，想到了企业下一步会碰到什么问题，然后提前布局。做了这样的平台准备后，就可以为不同层级的企业服务。

比如，一开始如果企业说：自己刚开始试验，那我们可能会鼓励他去做，用一些开源的东西先跑一跑。这时候，更多的驱动力可能是某个人的想法，花钱也很少，所以不存在IT部门和业务部门之间的冲突，因为反正花钱不多，大家都觉得可以试。

然后，试了几个应用以后，他可能就要开始往更多的"生产系统"的环境迁移。这时候，可能就不是随随便便能搬上生产系统的了。就需要IT部门投入很大精力去看住这个系统，或者这时候得寻找一些企业级的解决方案。对很多企业来说，这时候可能开始考虑平台，这就变成了IT决策。IT部门搭完这个平台以后，各个部门又可以在这个平台上去做很多事情。所以，这个过程我觉得是一个交互、演进的过程，可能没有想象中那么难以跨越，到了一定程度就水到渠成了。

刘湘明：最后一个问题：刚才我们谈到软件的未来。听两位的分享，AI在企业落地确实带来了很多变化。一方面，它现在似乎没有那么大的动静了。原来上一个系统软件，那都是伤筋动骨，上升到"到底是找死还是等死"的生死高度。现在好像变得没那么复杂，似乎可以随便上一些轻量级的应用； 另一方面，它可能对真正软件的根基是有动摇的。系统的底层可能会有很大的变化。 

二位怎么看。我特别想听听你们二位的意见，对未来怎么看？

陈旭东：我先说说AI工具能不能替代软件开发这件事。实际上，春节期间发生的一些事情（指资本市场对AI冲击软件业的担忧）让大家开始思考这个问题。

我认为，在目前AI的能力下，还做不到直接用AI替代一个完整的、复杂的企业级软件系统。比如，你不能说"AI，给我做一个Salesforce.com"，或者"ERP在那儿，AI直接做一个ERP把它替掉"。现在的AI水平还做不到这一点，但不好说10年、20年以后是不是可以，因为技术进化非常快。

那么，现在AI可以做什么呢？现在它可以帮你搞定很多可以模块化的部分。因为那些大型系统，特别是企业级系统，内部有很多复杂的逻辑关系。当然，AI可能再学习一段时间后有能力做，但这需要开放给它学习。所以，最终可能做出ERP升级版的，还是SAP这样的厂商，因为他们有数据可以学习，其他人想学也没那么容易。

所以，为什么（软件公司的）股价又开始回升了呢？就是发现我们的客户并没有特别担心说"我是不是可以不需要你了，自己写个程序搞定"。好像还没有一个客户来找我们问过这个问题。因为他们在企业里做CIO的人很清楚，程序本身只是整个IT工作中一个很小的部分。

我们现在谈得比较多的是"IT现代化"。 

IT现代化其实包含很多内容：

第一，硬件的现代化是一直在进行的。你今天买一台服务器，不可能用20年。过几年新技术出来，老技术连维修备件都找不到了，所以你不得不升级到新一代服务器上。硬件的现代化从未停止。

第二，软件的现代化为什么大家比较懒呢？特别像美国一些机场的系统，都是用COBOL语言写的，他们就懒得去改。因为硬件升级后，软件改动的意义在当时看来不大，而且它稳定性极好，系统本身几十年变化也不大。像机场、银行这些以极度可靠和稳定为主的领域，系统是很难被替代的。

第三，还有一些新的领域，比如混合云架构、容器化技术、数据库等，这些都是IT现代化的内容。最终，现代化还可能影响到组织结构、流程的变化。

所以，这不是简单地用AI把代码改写或翻译一下就能搞定的。

因此，我认为这场关于AI对企业级软件影响的"风波"已经过去了。但是，它有可能逼着那些原来编写这些代码的企业（软件公司）去加速他们的业务转型，这肯定是一个必然的过程。

熊宜：首先，我认为软件和AI这两件事，不是替代关系。不是说有了AI以后就没人买软件了，或者大型企业级软件就没有了。因为企业软件本身这些年已经面临很大的挑战和变革，即使没有AI，它也在自我演变——从比较固定、僵化、解决基础问题的形态，变得可灵活配置，底层比较稳定，而上层应用可以比较灵活地开发。

AI实际上是辅助演变的工具，能够把软件做得更灵活。这是我的基本观点。 

所以，确实大型的企业软件还在继续发展。在当前阶段，可能CIO会关注"AI会不会替代它"这个问题，但真正的CEO、董事长这些企业决策者，他们不太关注这个。他们觉得够用就行了，能解决基础问题、让流程跑起来、能审批、能出货，那就先用着，别去折腾它。因为这不是他们当前面临的最大问题。

他们更关注的是：怎么能通过AI的一些工具或方法，真正提升我的业务价值、产品价值，或者提升客户服务满意度。他们想通过这些数据来做这些事，而不是去想怎么优化企业的管理软件或生产线上的软件。

所以，我还是感觉"AI替代大型企业软件"不是一个真正的痛点。对于很多企业来讲，我们面临的是市场竞争的变化。实际上，怎么让AI发挥价值，对外、为客户创造价值，或者通过产品应用AI，这才是我认为的核心价值。我反而不是特别关注它会不会把那些东西替代掉。

刘湘明：能不能请二位给所有正在路上、要进行智能化变革的企业一些核心建议。每人给三条吧，帮助他们如何抓住这个机会，不要乱花钱，系统地推进。

陈旭东：1、夯实数字化基础：必须首先打好数字化底座，确保数据基础，否则AI难以实现，会事倍功半。

2、积极尝试，积累体感：无论步伐大小，必须开始探索和实践AI，通过实际使用（如部署AI工具）来获得直接经验和理解，避免纸上谈兵。

3、规模化时选择平台：对于大型企业，在从试点转向规模化推广时，应选择一个合适的平台。这能保护前期投资，避免每个项目都成为独立的新投资，从而实现低成本、可管理的内部拓展。

熊宜：1、平台思维（全局思维）：反对零散、单点的AI建设模式，强调必须从企业全局出发，构建统一的平台。

2、场景驱动与投资回报：强调AI应用应聚焦于能快速产生价值的清晰场景，并明确投资回报（ROI），在积极尝试的同时避免盲目投入。

3、持续积累与迭代：强调企业内部知识、数据和人才的系统性沉淀，通过建立社群等方式将项目经验转化为可复用、可迭代的组织能力。

刘湘明：新的一年，施耐德电气与IBM的战略方向是什么？

陈旭东：我们的战略其实非常清晰。大的战略就是混合云和AI。我们会全力帮助中国企业进行数字化转型，特别是那些愿意接受我们服务的企业。在客户选择上，我们会更多地聚焦在民营企业和跨国企业这边。

熊宜：公司秉持三到五年的战略定力，核心方向是利用能源科技为每个行业、企业、家庭，提供电气化、自动化、数智化解决方案，推动高效和可持续发展。这是大的战略方向。

具体而言，在中国市场，战略重点从提供通用设备转向聚焦特定行业，特别是数据中心、电子半导体、食品饮料、生命科学等高潜力和高价值行业。

在这些行业中，我们的重点是助力构建新型电力系统，并以软件、数字化和AI驱动作为重中之重，为此在中国（如北京亦庄）设立了专门的软件与数字化研发中心。 

中国市场的三大优势：

深厚的技术积累：尤其在新能源领域（如光伏、储能、电动车）具有全球领先优势。

丰富的应用场景：中国拥有全球最丰富的工业制造场景，是产品和技术方案落地的最佳试验场。

"技术+成本"融合：通过"DesigntoCost"理念，结合技术领先性与成本优势，打造有竞争力的产品。

因此，我们在中国的研发投入和聚焦，就是要打造出既有技术领先性又有性价比的产品。我们强调"DesigntoCost"，在设计之初就要考虑成本优势。这个结合点非常好，能够帮助我们打造在新型电力系统、软件数字化方面的产品，服务于行业客户，以及出海的中国企业，同时也能辐射真正的跨国公司在海外的市场。这就是我们大概的战略方向。

刘湘明：最后一个问题：咱们今天聊了这么久，你们从各自的领域出发，看到了哪些可能的合作机会？

陈旭东：我已经看到了至少两个机会。一个是关于视觉检测这个领域，双方的技术还是有互补性的。我们更强调平台和软件，所以这方面是有合作机会的，我们可以共同去服务我们的客户。第二个是刚才你提到的，在AI领域，你们已经到了一个开始寻找平台的阶段。这个阶段就是IBM最好的客户。因为现在全球你去看企业级平台，应该只有IBM一家真正在做，其他公司没有想得很完整：如何去搞数据、如何做模型、如何做Agent、如何做Governance（治理）管理整个AI体系。对企业级应用来说，IBM应该是当之无愧的领导者，有一个完整的系统可以支持企业在这个平台上去更快发展。

而且IBM在不断地收购这个时代最新的、很厉害的软件。比如我们最近宣布的110亿（美元）收购Confluent。基本上到AI应用，离不开这样的一些基础软件。它也是开源的，我们可以给你提供更多服务，特别适合中国。因为中国对代码要求很高，开源的话，我们提供服务可能给我们打开了一个新的空间。对像流通领域这种AI数据需要实时更新的企业，那都是非常大的应用场景。所以我觉得应该有蛮多的合作机会。

熊宜：是的，我也非常认同这个观点。无论是我们自己，还是我们的很多客户，我们现在都提倡大家要把企业级的AI平台规划好这件事。刚才陈总讲的，我特别有感触。其实我们去年还和IBM合作发布了一个报告，我们称之为"AI for Green"的报告，其核心是"GROWTH"模型：G代表增长（Growth），R代表韧性（Resilience），第一个E是效率（Efficiency），第二个E是环境（Environment），N是新视野（NewHorizon），即通过AI实现突破性的创新和商业模式。我觉得我们已经在思想领导力、市场教育方面开始做一些联合的工作了。

后续，确实就是企业真正要落地的时候。刚才咱们提了很多建议给这些企业，但光有嘴上的建议是不行的，真正需要大家一起去做一些实际的、能落地的项目。IBM在设计和构建这类企业级平台方面，肯定是一个领先的伙伴。 

刘湘明：谢谢两位今天的分享。