刘志勇：计算力就是生产力 智能化趋势不可阻挡刘志勇

本报记者 谭伦 北京报道

就在日前，由浪潮信息联合国际数据公司IDC、清华大学全球产业研究院发布的《2022—2023全球计算力指数评估报告》显示，全球主要国家数字经济占GDP的比重持续提升，其中计算力指数平均每提高1点，国家的数字经济和GDP将分别增长3.6‰和1.7‰，预计该趋势在2023—2026年间继续保持。

这一研究数据，也揭示了算力与国家经济增长的正向关系。随着数字化转型浪潮席卷全球，以数据中心为代表的算力基础设施建设正成为大国比拼数字化能力的主要指标。在此背景下，我国于2022年开启“东数西算”工程，进一步加大了对算力的部署。

刘志勇认为，正是不断推动算力基础设施建设的发展，才奠定了我国数字经济发展的领导地位，让我国数字化转型和数字产业发展进入了新的快车道。“如果我们能够认识到计算力就是生产力的话，那推动高质量发展的关键，就是抓住数字化与智能化落地的机遇，提高企业的算力生产力。”

数字化转型的多重挑战

在刘志勇看来，在企业决策层建立对于算力重要性的认知后，数字化转型的挑战才刚刚开始。他认为，企业信息化、数字化、智能化三者是一个动态循环的过程，当企业达到一定程度的数字化水平时，就会往智能化的方向发展，在取得一定成果后又将面临数据量、数据质量、处理效率的问题，又会进一步提升信息化能力，三个阶段彼此影响、互相促进，阶段性特征明显。因此，数字化建设必须与企业实际情况和行业特点相结合，而不是盲目追随其他企业的做法。

“不能说因为别人买了很多软件，上了ERP，乃至做了大模型，我们就也要做一个，一定不是这样的。数字化的目的是解决实际问题，推进我们建立一个新的业务模式，或者更高效的作业方式。”刘志勇表示，这对于体量巨大的上市企业尤其重要，因为一个细节技术点的改造，往往就意味着高额的投入，如果收不到理想成效，就会造成极大的损失。

在数字化实施部署过程中，组织结构和工作流程是否与数字化工具的应用相适应，成为刘志勇眼中企业数字化转型的又一挑战。他表示，这是一个关键问题，需要进行流程组织的改造。

“在未来所有部署的信息化系统走向数字化、智能化的过程中，能否形成创新业务模式，大幅提升效率，把自己的组织变得更弹性更敏捷，自己的技术更适合市场的发展，这就是我们面临的另一大挑战。”刘志勇表示。

以上市企业最常使用的ERP为例，刘志勇指出，很多大公司上线ERP后，很多员工不知道如何工作了，这种情况常见。还有一些时候，技术升级也会带来同样问题。“一个工厂10年前能生产8种产品的产线，现在变成了能生产100种产品的柔性产线，你的流程是不是也能适应？”

另外，他强调了人才的重要性。在其看来，对于大型企业或超大型企业的数字化转型，需要一位具备复合型背景的负责人，既要了解企业的业务和生产研发，也要清楚自身所处行业的竞争力和未来方向，同时还必须熟悉信息化手段，能够运用数字化工具解决实际问题，引领创新。

智能化趋势不可阻挡

每一轮新技术浪潮的诞生，都会为企业的数字化发展提供机遇，也会产生冲击。在ChatGPT横空出世后，“一币双面”的效应论再度在业内引发热议。

刘志勇表示，如果把大模型背后的智能化定义为人为干预变少，自动决策变多，那不管企业是否喜欢或接受，不同行业都必须进行智能化升级的趋势不可阻挡，这种情况未来只会越来越多地发生。

刘志勇透露，浪潮信息同样面临着智能化转型的挑战。为了推动企业内部信息化升级，实现真正的智能化，浪潮信息于2022年成立了智能化转型部。

据其介绍，成立该部门的出发点主要包含两大方面。“一方面，浪潮信息是信息产品的龙头企业，我们自己的数字化应用水平首先要保持领先，我们一直在公司内部实践企业数字化、智能化转型，取得了很多实际成果。同时，不断提升企业的运营效率，这是所有企业发展过程中的必然需要，浪潮信息也不例外，我们在数字化建设上的持续投入，事实上也提高了我们自己的管理水平，帮助我们保持在行业中的长期竞争力。正是由于我们有思路、有实践、有经验，我们才能将浪潮信息希望将自身的实践成果快速地转化为产品方案并交付给客户。”

另一方面，浪潮信息自身也训练了供内部使用的人工客服大模型。据刘志勇介绍，大模型的核心目标是解决语音和语义的理解问题，因为只有计算机才能够真正理解客户的问题，从而做出下一步反应，而浪潮信息目前已经拥有了这一技术，并计划将其推广至各行各业，解决实际问题。

开发大模型的历程无疑为浪潮信息提供了丰富的智能化经验。对此，刘志勇总结称，在布局大模型时，企业需要提前考虑基础设施、数据处理及未来应用三大问题。

首先，他明确了基础设施建设的重要性，将其比喻为高速公路，用以支撑庞大的算力需求。“国家和大型企业在算力建设方面已经逐渐显现出基建化特征，投入规模不再是简单的几百万元或几千万元，而是像基础设施建设一样庞大。”其次，数据的处理能力，借助历史数据资产形成新的智能也成为大模型布局的关键因素。刘志勇指出，企业研发生产过程中积累了大量的数据，虽然有些数据目前产生了，但并不确定如何应用。最后，还要能将数据真正应用起来，从而解决实际问题。

“未来的布局应该包括算力基础建设、可靠数据的加工处理能力以及将数据真正转化为生产资料。”刘志勇强调。