专题：主题演讲

过去两年，企业AI转型经历了从工具尝鲜到规模落地的快速演进阶段。但随着大模型和智能体逐渐进入企业核心流程，真正的竞争已经不再是“是否使用 AI”，而是 AI 能否进入业务闭环，并进一步改变企业的人才结构、协作方式与组织模式。

本次演讲基于对百余家企业管理者的调研，以及大量企业 AI 落地案例分析，深入拆解 AI 时代企业转型的新范式：为什么大量 AI 项目停留在效率工具阶段，而少数企业开始通过 AI 重写业务流程；为什么 AI 带来的变化不仅是降本增效，更是组织结构、人才能力和价值创造方式的系统重构。

演讲将从应用、业务、人才、组织、价值五个维度出发，分享企业 AI 转型从“工具部署”走向“生产关系重构”的关键路径，并进一步探讨未来 AI 原生组织的形态，以及企业如何找到适合自身规模与业务属性的AI转型路线。

演讲提纲

1. AI转型进入深水区：从工具提效到组织重构
   • 企业AI应用正在从单点工具走向业务流程深度融合 
   • 真正的竞争差距，不在于是否使用AI，而在于能否重塑业务与组织 
2. 企业AI落地的新范式：从“加AI”到“重写流程”
   •  为什么大量AI项目停留在试验阶段 
   • 企业如何围绕业务价值，重新设计AI应用路径 
3. AI时代的组织与人才进化
   • AI如何改变岗位、协作方式和组织结构 
   •  “一专多能+AI能力”成为未来人才核心特征 
4. 迈向AI原生组织：企业未来竞争力
   • 什么是真正的AI原生组织 
   • 企业如何找到适合自身的AI转型路线

听众受益

• 理解企业AI转型从工具应用到组织重构的演进路径
• 掌握AI落地从场景选择、流程重构到组织建设的方法论
• 洞察AI原生组织未来形态，为企业AI战略布局提供参考

具身智能正在迅速成为人工智能发展的新前沿。机器人开始学会行走、抓取和完成复杂动作，资本、人才与产业资源也在加速涌入。但繁荣背后，一个根本问题仍未解决：许多机器人能够完成精彩的演示，却难以在真实生产环境中长期稳定工作；综合采购、部署、运维和人工照看成本之后，完成同一项任务甚至比熟练工人更贵。
如果机器人不能稳定创造产值，具身智能就还没有真正成为生产力。
群青选择焊接这一高难度、高价值的工业任务作为起点，将视觉感知、任务规划、机器人控制与现场数据反馈闭合为完整的物理 AI 系统。本次演讲将结合真实产线实践，围绕几个关键问题展开：

1. 为什么具身智能演示不断突破，产业落地仍然困难？
2. 工业具身智能与传统自动化、工业机器人有何本质区别？
3. 如何让 AI 在非标、小批量、持续变化的制造现场可靠工作？
4. 如何构建“感知—决策—执行—反馈”的物理 AI 闭环？
5. 为什么真实产线数据与持续进化能力，是工业智能体的核心壁垒？
6. 从焊接智能体出发，通用工业机器人的产业化路径将如何展开？

大模型训练与推理带来的算力成本和能源消耗，使性能优化成为推动人工智能规模化应用的关键支撑。本次演讲将结合讲者三十年的性能工程研究与产业实践，围绕“为人工智能做性能优化”和“用人工智能做性能优化”两个相互促进的方向，探讨人工智能时代性能工程面临的关键问题、实践思路与发展趋势。演讲将从系统视角分享性能优化的经验与思考，并讨论人工智能与性能工程相互作用所带来的方法演进和应用拓展。

工业数智化的落地瓶颈正从 AI 算法层转向底层数据基础设施。当前工业企业普遍面临数据烟囱林立、标准不统一、数据情景化不足、系统封闭几大挑战，直接制约了 AI 在工业场景的价值释放。AI 要真正“拥有身体”、走进物理世界，仅靠大模型远远不够，还需要连接物理世界的感官、神经与执行能力。

本次分享中，陶建辉将解析 TDengine 作为 AI 原生工业数据平台的战略演进路径。TDengine 内置高性能分布式时序数据库、工业本体层与工业智能体运行时，将 AI 的能力在工业、物联网场景落地，为工业数据流提供从采集、存储、实时分析到可视化、事件管理、根因分析、AI 洞察等全栈技术解决方案，为传统工业实时数据库与工业互联网平台提供了一个价格更优、功能更强、面向 AI 的替代选择。

分享将重点展示 TDengine 工业本体建模，并展示两大智能化数据消费能力：“智能问数”让业务人员用自然语言即可查询数据，无需 IT 技能；“无问智推”则进一步将数据消费从“人找数据”推向“数据找人”——系统主动感知业务场景，自动生成指标看板、推送异常预警与根因分析，将复杂事件调查从数小时压缩至分钟级。同时，TDengine 通过构建可检索的知识图谱、skills、本体、计算表达式等将企业隐性知识从个人记忆转化为持续增值的企业资产。

此外，陶建辉还将阐述工业 AI“可控、可信、可审计、稳健”的安全建设框架，并从“产品思维”到“基础设施思维”的战略升级角度，探讨高质量数据底座对工业 AI 规模化落地的核心意义——当 AI 的瓶颈从算法转向数据时，谁能成为工业世界的默认数据基础设施，谁就能定义下一个十年的产业格局。

2026年，人工智能的叙事正在经历一次根本性的转向。主角从“大语言模型”变为了“世界模型”——AI的目标正从预测下一个Token变为“预测下一个状态”，这一本质差异决定了性能工程范式需要重构。
通往世界模型的技术路径，必须首先跨越让AI真正“看见”世界这道门槛。然而传统多模态模型本质上是“单模态拼接”，每一次跨模块传递都在损耗信息。这样的模型无法建立一个统一的、物理世界意义上的“状态”认知。
智象选择了一条不同路径：自研的UiT（Unified Transformer）原生全模态架构，它将图像像素、文本Token、视频、3D和动作等原始信号统一映射至共享表征空间，各个模态不单独编码，而是统一 tokenization，端到端地在同一套网络里完成。
本次演讲将立足智象原生全模态架构的实践，系统分享在模型设计、训练范式与推理架构等维度的思考。同时，也将深度探讨，从原生全模态迈向世界模型，技术演进的下一个决定性变量是什么？

大模型赋予了AI理解、推理和生成的能力，但今天的AI仍主要运行在云端和数字世界。它能够回答问题、生成内容，却难以持续感知真实环境、调度物理设备，并在工业、交通、医疗、能源等场景中完成闭环行动。AI要真正走进千行百业，除了拥有聪明的“大脑”，还需要连接物理世界的感官、神经和身体。

本次演讲将从AI产业化面临的现实问题出发，讨论为什么大模型能力的提升，并不必然带来行业智能化的规模落地；分析物理AI对设备连接、数据供给、端边云协同和系统安全提出的新要求；进一步阐述开源鸿蒙如何通过统一操作系统、分布式软总线和多设备协同能力，将海量异构设备转化为可感知、可理解、可协同、可进化的智能节点，为大模型和智能体提供高质量数据与物理执行能力。由此探讨开源鸿蒙如何成为连接AI与物理世界的桥梁，以及AI落地千行百业的关键数字底座。