AI下半场启航：孙天澍教授深度解读人工智能+产业落地十大关键命题

2025年8月，我国正式推出“人工智能+”战略框架，这是一项至关重要的顶层设计：目标在2027年实现应用普及率超过70%，2030年成为经济发展的重要引擎，2035年跃升为主导力量。然而，在这一宏大蓝图之下，产业、企业、场景与人才等领域仍面临诸多落地挑战。当AI智能体能够参与决策、执行任务乃至成为业务核心时，企业的价值创造模式将被根本性重塑，其变革深度与广度远超普遍预期。

长江商学院终身教授孙天澍指出，“AI与历史上所有技术存在一个根本性差异：AI不再是辅助人类的‘工具’，而是类似于人类本身的‘智能’实体。”

“我们正加速进入‘AI下半场’——智能本身不再稀缺，稀缺的是如何在业务场景中架构智能、创造价值的能力。‘人工智能+’产业落地最急需的是‘AI架构师’：这类人才能融合业务场景与智能体能力，用AI架构下一代业务形态、组织设计及商业模式。”

AI下半场，全球产业企业站在同一起跑线上，红杉资本最新数据显示：面对美国服务业10万亿美元市场，目前仅约200亿美元被AI改造，99.8%的经济活动仍待智能化重构。

基于这些观察，“人工智能+”从框架到落地，面临着‘产业’、‘企业’、‘场景’与‘人才’四大层面的核心问题：

从产业机会视角看——“人工智能+”是否与所有产业相关？当前AI对产业的变革处于何种阶段？实现产业落地目标的最大瓶颈与机遇何在？

从企业投入视角看——“人工智能+”适合哪些企业，应从何种场景开始投入？现在是投入的最佳时机吗？在短期回报不明确时，企业如何决定AI投入并衡量投资回报比？哪些企业已获取最大AI价值？

从AI落地场景看——企业AI落地应如何选择场景？如何以“智能原生”方式重构业务？投入AI却未在场景中看到价值的企业问题出在哪里？

从企业AI转型所需人才看——什么样的人能主导和牵引企业与场景的“人工智能+”转型？这些人才需具备哪些核心素质？企业如何培养和获取这些人才？

为深入探讨这些落地难题，我们与长江商学院科技与运营终身教授、杰出院长讲席教授、数字化转型中心主任孙天澍进行了长达四小时的系统对话。孙天澍此前任南加州大学商学院与计算机系终身教授，研究跨界融合AI与商业，聚焦企业/产业的“AI业务场景重构”，在Meta、阿里巴巴等中美顶尖科技企业拥有丰富实践，并担任多家大型科技与产业企业的董事及资深顾问。

通过对话，我们梳理出“人工智能+”产业落地十大关键问题。希望在AI智能重构千行百业的开端，为产业实践带来启发。

图：长江商学院科技与运营终身教授、杰出院长讲席教授、数字化转型中心主任 孙天澍教授

核心观点：

“人工智能+”战略的深层逻辑

1. AI已快速进入下半场：卡点不再是技术，智能不再稀缺，稀缺的是架构智能的能力。“人工智能+”核心在于如何用AI智能体重构千行百业的场景、组织与商业模式。

2. 当前产业存在巨大“AI认知差”：AI发展速度远超产业吸收能力，智能体开启的可能性远大于产业中已通过架构智能实现的价值。这种认知差根源在于产业企业家与决策者缺乏“AI架构思维”，难以将智能融合进场景。

3. “人工智能+”战略恰逢其时：产业需要新增长引擎，AI需要产业场景与价值反馈，“人工智能+”是产业与AI的“双向奔赴”。产业应用场景的丰富性与纵深性恰是中国人工智能发展的最大比较优势。

“人工智能+”在企业落地，场景重构和业务价值是最终衡量标准

4. 评估企业与场景是否适合AI重构的“百万员工问题”：思考——如果场景中突然多出100万名“博士”级智能员工，能否显著提升业务价值？若能，则说明该企业或场景适合AI重构。

5. 企业AI落地应以“场景”和“价值”为衡量指标：“普及率”指标不够本质，AI不是离散工具，而是融入业务场景的“智能”，应衡量AI对核心场景的闭环重构及所带来的业务价值，而非应用数量或Token耗用；企业聚焦核心场景创造价值，比“撒胡椒面”式AI落地更重要。

6. 企业AI转型与AI原生孵化需“两手抓”：部分企业的核心资产与核心利益可能成为AI时代的拖累与历史包袱。拥有“从零开始”、拥抱AI智能体的勇气与决心，比固守原有城池更重要。

企业AI转型的第一步：选对场景，“先成就AI，再让AI成就你”

7. AI转型成败取决于场景选择与“AI架构思维”：目前多数企业AI尝试未取得业务价值的根本原因非技术缺陷，而是未能选择可突破创值的场景，未在场景中做好智能体架构，缺乏“AI架构思维”。

8. 如何找到最适合AI重构的场景：“三多一高一复杂”。员工多/客户多/费用多的场景，高频互动场景，需要复杂知识与判断的场景，都是最适合AI发挥巨大价值的“原生场景”。选对场景比埋头改造更重要。

9. 智能原生思维 - “先成就AI，再让AI成就你”：智能原生企业需先“成就AI”，即为AI智能体提供知识、数据、工具、权限与协同工作流，助其在该场景中成长；再让“AI成就你”，即让智能内核驱动场景效率、反馈与价值持续迭代、加速演进。此过程比盲目上马项目更为关键。

“智能”是这个时代最大的杠杆

10. 智能体杠杆正重塑创业企业与产业企业的机会版图：

大厂短期将垄断C端，打造超级入口+超级AI，在用户心智、数据与模型上拥有定义权。

创业公司机会在B端产业重构：用AI原生思维与轻资产投入重构场景与组织，最大机遇是将领先企业上个时代获得的“核心资产”转为AI时代的“核心负债”。

产业企业的护城河在于场景+数据积累，若叠加“AI架构思维”，有机会成为“超级富二代”。

“人工智能+”呼唤“AI业务架构师”

11. AI架构师是落地的最大瓶颈：企业需要能融合业务场景与智能体能力、架构下一代业务的复合型人才，需“懂智能、懂产业、懂未来”，他们非学校培养，而是在真实AI产业重构战场中淬炼而出。

12. “产业”与“AI”的体系性人才错配亟待解决：“人工智能+”相比“互联网+”的核心挑战是人才错配。产业企业有场景与数据，但缺AI架构能力；而有AI架构能力的人才缺产业场景与数据。解决之道是企业家具备“AI架构思维”，敢于开放场景与激励机制，让内外部人才在场景战略中锻炼。

以下为孙天澍对谈实录：

问题一、在当前时间点，国家推出“人工智能+”战略的必然性和深层考量是什么？“人工智能+”与所有企业都相关吗？

孙天澍：我认为在2025年8月推出“人工智能+”非常及时且准确，它与所有企业都相关，至少体现于三个层面。

第一，AI本质是一次“智能革命”，我们正处“AI下半场”开端，智能开始重构千行百业。此阶段最显著特征是，随着模型开源、智能体爆发及成本快速下降，智能本身已非稀缺资源。

真正卡点从技术本身转向产业场景，转向如何利用无处不在的AI智能重构场景，在千行百业创造真实业务价值。因此，政策推出恰好匹配人工智能技术发展内在节奏，引导社会关注重心从“数字产业化”（包括基础模型、算力、芯片）向“产业数字化”（即千行百业垂直场景应用）转移。

第二，“人工智能+”是产业与AI“双向奔赴”的必然过程。从产业端看，传统行业迫切需要新增长引擎与新质生产力，人工智能是目前最可能的核心驱动力。从AI技术端看，技术发展不能无源之水，需持续价值源头与资源注入。

千行百业的丰富场景、复杂商业问题，恰为AI迭代与可持续发展提供最肥沃土壤。若无产业价值创造，企业难持续投入AI，AI技术本身也难快速迭代进步。尤其在中国，我们无法像美国般单纯依靠巨额资本驱动AI发展，最大比较优势是庞大产业基础。只有拉动千行百业场景需求，技术才能在应用中创造价值，形成AI投入产出正向循环。

第三，自上而下的政策推动具重要“教育”与“牵引”作用。我近期在产业中大量调研，深感大多数企业家尚未深刻意识到此次AI革命本质及“智能”对产业重构的深度与广度。

今天我观察到大多数企业最大问题是只埋头解决今日之事，无人架构明日场景，更无人想象后天业务。许多人仍用产业惯性思维或“互联网+”模式理解“人工智能+”，或追求规模小、短平快功能应用，未从AI原生思维方式设计业务场景、商业模式与组织架构。

因此，需要自上而下政策推手，甚至像KPI一样“牵引”企业进行更深层次思考规划。此波变革与“互联网+”有本质不同，后者更多是渠道与链接改变，相对直观、企业易理解并建独立团队发展；而“人工智能+”是内核与架构变革，更抽象，企业需重新用AI架构自身发展模式，思考用智能体创造价值的根本方式。虽企业感知初时可能不如互联网渠道崛起明显，但企业业务场景、商业模式、组织流程、生态协同都可能从内核被彻底重构。

问题二：结合您的观察，目前中国的人工智能+大概走到了一个什么样的阶段？企业投入AI的瓶颈和机会在哪？

孙天澍：人工智能+才刚刚开始，所有企业都在AI下半场同一起跑线上。

从产业视角看，我们正处转折点。过去更多关注“数字产业化”，如基础模型、算力、芯片发展。而现在，随着“AI下半场”开启，关注点正转向大基座之上的千行百业垂直场景与业务应用。这是全新开始，给所有企业重新思考、谋划与布局的机会。

我观点：AI发展速度远超产业吸收能力，智能体所开启可能性远大于产业中目前通过智能实现的场景价值。即便今日所有AI科技停止进步，仅用现有智能技术，也足以在未来多年对所有产业带来巨大变革与重构。产业与技术间存在巨大“AI认知差”。

此认知差根源，在于产业核心决策者的“AI架构思维”。智能不再稀缺，缺的是架构智能能力。这种AI架构能力，非指对具体技术细节了解，如懂不懂Transformer或RAG或RLHF，而是一种用智能重构业务场景的思维方式。顶尖企业家须超越单点技术，结合对产业深刻认知与需求本质洞察，想象未来，把AI技术“拉”进企业场景与产业链路。若此认知不能突破，企业乃至整个行业都可能在AI下半场陷入停滞。

所以，此次人工智能+浪潮，最核心变量最终还是“人”。每个行业都需要新一代“AI业务架构师”：能融合业务场景与智能体能力，用AI架构下一代业务形态、组织设计与商业模式的人。他们可能是传统企业家实现认知突破与自我革命，也可能是对产业有理解、对智能有原生认知与习惯的年轻人。他们将是改变行业本质的关键力量。

问题三、政策为“人工智能+”设定了2027年、2030年和2035年三个关键时间节点，并以“应用普及率”作为阶段性的量化目标。企业应如何理解这些节点和指标的现实意义，如何制定目标来评估和指导自身的AI落地？

孙天澍：我对此次AI智能革命衡量与评估方式有不同看法。我认为，不能以过去衡量工具革命（如IT、云计算、互联网App）方式推演测量此波浪潮。最大不同在于，这次AI革命核心是“智能”本身，而不仅是“工具”或“技术”。

在过去IT体系中，无论系统多强大都是辅助，最终决策依然是人，人是体系中唯一智能单元。但AI革命本质，是智能体本身具“智能”，可直接决策，形成执行与反馈闭环。这意味着，AI不再是可简单计数、离散的工具（如企业是否上了某套系统、用了某个App），智能会像电一样渗透融合到业务场景决策方方面面，催生类似“流水线”的创新与重构，带来巨大价值。

因此，我认为，AI智能普及率需用“场景”和“价值”衡量：AI在一个行业或企业的多少场景中多大程度赋能甚至替代了场景中做“决策”所需智能，从而真正改变场景业务模式与组织形态，创造价值。像“应用普及率”指标，若仍用传统方式定义，如统计多少企业用了某个AI应用，我认为不本质。

未来智能形态可能更融合，如一条智能生产线，你难分清是人形机器人、机械臂还是某软件系统发挥作用，它是一个整体。一个企业、一个场景可能Token消耗量巨大，但表面看不到具象AI应用，但场景已重构、企业已变革。

所以，如何创造性定义与衡量“普及率”，本身是对学术界与产业界的新挑战。我认为，在“数字产业化”相关行业可用模型迭代与Token消耗做衡量指标，代表“智能供给”；但“人工智能+”关注的千行百业应用普及必须用AI所变革“场景”衡量“智能价值”。

当然，政策设定2027年普及率超70%等目标，核心意图在于“驱动”与“牵引”，加速所有企业向此方向努力。但我们必须认识到，这只是过程性指标，服务于最终经济增长目标。真正实质，是企业是否用AI架构了下一代场景，创造了下一代需求，创新了下一代产品，重塑了下一代组织，最终实现产业模式转型与业务价值跃升。

所以，更好衡量方式，是转向以“场景”为单位。一个企业内部有多少核心业务场景，实现了由AI智能作为内核驱动、从需求洞察到组织供给的价值闭环。当越来越多企业找到自己标杆场景，就会逐渐形成新行业标准与更具体衡量方式。

例如，我们每天刷的短视频，就是典型智能原生场景，背后无千万客服，但每个用户个性化需求都得到满足。企业转型关键，就是要找到这样能被智能原生方式重构的场景，而非在所有地方“撒胡椒面”。

问题四：MIT Nanda报告发现95%的企业还没有从AI投入中得到价值。企业落地的很多AI应用的尝试是失败的，难以真正服务于业务增长，根本原因是什么？

孙天澍：根源在于，大多数企业尚未真正思考清楚如何在核心业务中选择最适合AI重构场景，如何在场景中深度融合AI，用AI架构下一代业务模式与组织形式。今日最稀缺的不是AI技术本身，而是这种围绕业务场景的“AI架构能力”。我用教育例子说明。无论大学生还是企业家上课，本质需求都是解决个性化问题，实现成长。

但过去千百年教育模式都受限于供给——优秀老师稀缺。所以，我们习惯“教室”这种组织形式。但今日，当智能不再稀缺，我们完全可以重构此服务模式。

一个AI智能体可服务每一学生，深度理解其需求画像与业务问题，再结合老师知识库与行业实践，提供个性化、高频交流与学习。未来，可能所有人仍在同一时间听同一老师讲课，但每人听到内容可能完全不同，是针对其所在行业与具体问题的。在此过程中，老师时间价值被放大成百上千倍，学生需求也得到更充分满足。

从此例可看出，此变革重点不是老师用了某个AI工具，而是整个行业与场景供需模式被重构。要实现此点，就需有人深刻理解需求本质，大胆想象未来场景，并用AI智能体架构出新工作流。这正是吴恩达近期访谈所强调，关键在于能否用AI闭环解决小场景的直接问题。

所以，对企业而言，当务之急是在上千业务环节中，找到一两个最核心、最能体现价值的场景，将其打造成AI智能为内核驱动的业务闭环标杆。

最重要是：“先成就AI，再让AI成就你”。你需先“成就AI”，即为AI智能体提供数据、工具、权限与工作流，助其在此场景中成长；再让“AI成就你”，即让智能内核驱动场景效率与价值不断迭代、加速演进。此选择场景与架构智能体过程，比盲目上马项目重要得多。

问题五：既然并非所有企业的所有场景都适合，那么一个企业该如何判断自己是否适合“人工智能+”？以及，如何才能找到那些真正适合被AI重构的“原生场景”？

孙天澍：判断企业是否适合，或判断业务场景是否适合“AI重构”，我评估场景有一简单直接的“百万员工问题”（litmus test 石蕊测试）：如果你的企业或某具体场景中，突然多出100万不知疲倦、记忆力超群、还能不断学习的智能员工，你在业务场景中是否可以更好、更快、更深满足用户需求？若答案肯定，此场景就有巨大AI重构机会。若答案否定，说明此场景对智能“包容性”不够大，智能投入不能在场景中带来边际收益显著提升。

所以，并非所有企业都适合AI重构，大多数场景也不一定适合AI投入。选择大于努力，找到适合智能重构的原生场景，是企业在人工智能+时代最重要的“能力”与“运气”。

技术革命从不公平，你可将其想象成外星来的神秘力量，不是所有人都会被幸运击中。类似若你今天所在“捕鱼”地方无大鱼了，那么顶级创业者该做的不是原地继续撒网，而是把船开到新的、可能有鲸鱼出没的海域，重新开始。“兵无常势，水无常形”，拥有适应与拥抱AI智能体的勇气与决心，比固守历史包袱与沉没成本更重要。

至于如何找到这些场景，除一开始核心问题，我总结更具体的“AI场景重构”方法论，即看场景是否满足“三多一高一复杂”特征：

三多：员工多（或重复性人力劳动多）、用户/客户多、费用多（成本高）。

一高：高频互动。

一复杂：需复杂知识与判断。

满足这些特征的场景，通常是AI能发挥巨大价值之处。但最难的，仍是对产业需求本质的理解，且超越今日需求，去想象与创造下一代需求。这需懂未来、懂产业、懂智能的人共同架构。

问题六：AI重构千行百业确实是一个大机会，但人工智能+的机会到底是谁的机会，是少数大厂的机会，还是无数创业公司的机会，还是顶尖产业企业的机会？

孙天澍：多数价值至今都被大厂获取。但未来在人工智能+千行百业场景中，我认为创业者会有许多机会，因为“人工智能+”不是C端平台入口心智，也不是规模化技术底座建设，而是对千行百业的场景重构。

在C端，我觉得巨头平台心智入口相对是创业公司不易替代的，短期内难改变现有竞争格局。在面向用户C端创业赛道上，依然是超级富二代之战，由今日拥有场景、数据、智能定义能力的科技大厂扮演关键角色。

但在人工智能+千行百业场景上，我觉得创业者有巨大机会。因为他没有在消费端的规模效应、网络效应和成本效应，它会有许多新的产业重构逻辑。而在用户端，这些效应非常清晰明显。

从今日闪购大战可见两重要趋势：“超级入口 + 超级AI”。

所谓超级入口，指用户时间与钱包份额进一步向少数平台聚集；未来吃喝玩乐、衣食住行、社交与知识获取，都会在更少的端上呈现、满足并形成闭环。

以闪购为代表的超级入口聚合，会进一步赋能并放大“超级 AI”：因场景与数据更丰富、更闭环，AI能更好嵌入、迭代与学习，形成智能体进化。在消费者端，垂直与感性需求仍有创业机会，但在理性、综合需求维度，竞争仍将是“超级富二代之战”。

对AI原生创业企业而言，未来有两大优势：

其一，思维原生，无既有规则或组织结构限制，从第一天起就能围绕智能体能力架构人机协同工作流与AI原生商业模式，直接面向客户需求，“先成就AI，然后让AI成就你”，从而拥有全新机会；

其二，资产原生，无沉重历史核心资产，就不会因AI智能体到来把这些资产变核心负债。许多龙头产业挑战在于，过去引以为豪的核心资产正渐渐变包袱。以数码相机为例，它让柯达的胶卷、全球冲洗工厂、分销渠道与零售网点，迅速从优势转负担。

今日，智能广泛涌现与无处不在，正改变各行业工作方式——可用更AI原生方式、围绕动态迭代智能重构组织。AI原生创业核心机会，正是把产业领先者的核心资产变其核心负债，以全新方式实现跨越。

我觉得纵观人类历史，今日一人所拥有的杠杆比以往任何时候都大得多。因我们拥有了新杠杆——智能体杠杆。过去规模化必须依赖 scale by people / product / capital（用人才杠杆、产品杠杆、资本杠杆规模化），今日新增智能体杠杆（scale by agents）：智能无处不在，一人可大规模架构大量智能体满足需求、重构业务、重塑场景。

AI智能体摩尔定律:Al agent能够完成的任务长度每7个月就增加一倍 资料来源：Al Digest, https://theaidigest.org/time-horizons

因此，未来一定会出现回报率极高投资方式与增长速度极快创业方式：不再只是1倍、2倍、3倍回报，而会出现百倍、千倍杠杆创业与企业，只是多数人尚未适应此新杠杆，更无法驾驭。

对现在领先产业企业来说，最大能力与优势在于长期经营形成的场景资产与数据资产。正因拥有这些场景，才能把智能无缝融合进去，无须从零创造场景；也因此沉淀大量数据与支撑体系。数据资产应作广义理解：既包括客户需求、生产环境、零售渠道等结构化和非结构化“具象数据”，也包括企业员工与专家积累的经验与知识（脑中知识与认知，“无形数据”）。

这些都是产业企业抵御AI原生企业进攻的关键。要用好场景资产与数据资产两核心要素，真正用AI智能体释放场景与数据价值；若再叠加AI原生思维，就有机会成为AI下半场真正“超级富二代”，把既有优势转为下一代产业护城河，并将潜在负债转化为差异化优势与增量价值。

问题七：选择场景后，企业进行AI转型需要投入真金白银，在短期内可能看不到业务价值的情况下，该如何衡量投入产出比（ROI）？

孙天澍：关于此问题，我有两句直接话：衡量AI投入最终也是唯一方式，就是业务价值。在业务价值实现前，靠信仰。这听起来可能玄，但像创业一样，本质是基于判断的投入。不过，“信仰”不等于“盲目”。在最终业务价值实现前，AI架构师核心能力之一，是能精确设计“中间指标”与阶段性业务里程碑。

在选对场景后，最关键的是定义好场景中AI要实现“中间目标”，定义对AI转型业务目标本身就成功一半，因为它会牵引整个组织向特定方向努力。举医药零售例子，企业最终目标是提升GMV和利润。但AI转型切入点是什么？是提升单会员全生命周期价值，还是赋能药店开更多分店？这背后是完全不同的战略选择。若你选择前者，中间指标可能拆解为：提升会员到店频次、提升进店转化率、提升关联销售和客单价等。

好的中间指标需满足两条件：第一，它是有明确价值的业务指标；第二，它可成为智能体动态迭代的“奖励函数”。像抖音的用户时长，此指标既是业务目标，也可拆解为单视频停留、观看完成率等，从而指导推荐算法迭代。当算法发现推的内容你只看一秒就划走，它就知道此推荐失败，需调整策略。这种将业务目标转化为数据指标，并用其牵引智能体迭代形成飞轮的能力，正是“AI架构思维”核心体现。

所以，企业要做的，是找到能快速数据反馈、形成闭环、并能持续产生业务价值的场景和“中间指标”。一旦建立此机制，剩下的就可交给AI，相信其迭代速度与潜力。

问题八：如何理解“人工智能+”行动中说到的“智能原生”（AI原生），怎么培养智能原生的思维，它具体体现在哪些方面？

孙天澍：“智能原生”是真正以智能为中心建立业务与组织，智能原生企业可通过巧妙架构业务模式与组织协同，把智能体能力在场景充分释放。

例如抖音和滴滴都是移动原生产品，在PC时代难想象刷抖音和用滴滴，没有手机交互（触摸屏上划下划）和摄像头不可能消费和生产短视频内容，没有实时GPS位置共享也不可能有用户和司机高效匹配。做到“智能原生”，最重要的是思考你怎么帮智能体成功，你要像“伯乐”一样，思考如何培养“智能体”这匹千里马，真正助其在场景中成功。

我们可以想象，企业里来了“怪才”新员工——AI智能体。她有无限记忆，可快速吸收融合海量知识，能调用各种工具和接口，24小时7天不断工作，也有动态反馈迭代能力，可持续学习甚至智能“涌现”，但在另一些方面却无普通人常见能力如识别意图和稳定对话。

AI原生思考方式，要你发自内心理解并信仰此新同学能力，并思考如何最大化帮助她——教她知识，给她数据，配备工具和权限，持续给她反馈和陪伴。你要真心希望她成功，希望她成为组织中心，而非把她看作威胁，担心她抢你风头，或希望她完全迁就你，助你在现有工作习惯和组织流程中完成任务。

还是上面强调那句话，要学会“先成就AI，再让AI成就你”。想象你是迈阿密足球队教练，当梅西转会后，要思考如何围绕他重构阵型，帮助新同学（“智能体”）成功，而非让他适应之前传统打法。

具体来说，此“AI原生架构”思维体现于几方面：

先把AI智能体玩起来，对AI智能体能力边界有直觉，懂原理：AI下半场，优秀企业家需通过使用agent不断培养直觉，了解AI智能体能力边界，而伟大企业家还需抓住AI智能原理与本质，深刻把握智能运作方式与技术原理。只有这样才能不仅理解今日智能体能力与局限，也能预测明日智能体突破与创新，围绕智能体演化路径与方向，不断定义新业务模式，发现新业务场景，布局新业务创新。

设计人机协同流程：你要思考，如何为此AI员工配备人类合作伙伴，甚至一些人类员工上司，你需要知道如何为她配备知识、数据、工具、系统和权限。让她能更好融入组织，发挥作用。

配套帮助AI智能体持续迭代的机制：你需要理解“奖励函数”重要性，知道如何为AI员工设计清晰考核目标与反馈迭代机制，让智能体不断成长。总而言之，今日世界，懂商业的人很多，但“懂AI商业”的人很少。

所谓懂AI商业，就是能把AI设计与商业设计完美融合，用AI原生方式做商业。最终目的非为做AI而做AI，而是用AI创造性架构下一代业务。这才是AI架构思维精髓。

问题九：您反复强调“AI架构师”的重要性，这是否意味着“人才”是当前推动人工智能+最大的卡点？我们又该如何培养这样的人才？

孙天澍：是的，我认为今日人工智能+最大挑战与机遇都在于人才，特别是我所说真正懂产业、懂智能、懂未来的下一代“AI架构师”。

一个“AI架构师”可抵千军万马。

今日我觉得人工智能+很大问题是拥有场景与数据的传统企业，与拥有AI架构能力的外部人才之间，存在“体系性错配”：拥有场景的人不拥有AI架构能力，拥有AI架构能力的人不拥有场景，且互相找不到对方。怎样创造出合作、孵化、协同、共创机制，非常关键。

关于如何培养，我观点是，AI架构师一定是在重构千行百业的“战场”中打出，非学校学出。他们一定是在千行百业战场中，通过无数次行业试错、重构与竞争涌现。当然，我们可为此涌现创造条件。

我认为AI架构师需具备三核心特质：

懂智能，有“AI架构思维”。这不一定要会编程，但必须对AI能做什么、不能做什么有直觉，及其工作原理有定性理解、且对AI智能体演化有兴趣，当你企业多出100万AI员工时，能判断业务场景会发生什么变化，可能如何去架构。

懂产业，有深刻洞察。这需真正深入产业场景，理解能源、医疗、制造等行业的真实需求本质与组织方式。对年轻人来说，此最需锻炼，也最需机会。

懂未来，有原创勇气。要敢于打破常规与产业固有逻辑，用第一性原理思考，去想象与架构下一代业务。同时，还要有能力驾驭转型节奏，构建人机协同新工作方式。

前两者（懂智能、懂产业）都可通过创造机会培养。培养一个AI架构师，和培养一个AI模型很像，你必须给他提供场景、数据与反馈机制。我们要做的，就是创造这样的环境，让有潜力年轻人能在真实千行百业场景战场中训练，完成他们大脑中神经网络参数的“预训练”与“微调”。所以，关键在于机制建立，让拥有场景与数据的企业，愿意把机会开放给拥有智能架构潜力的年轻人。

问题十：您刚才说到，拥有场景和数据的传统企业，与拥有AI架构能力的外部人才之间，存在一种“体系性的错配”，互相找不到对方。怎么建立机制，如何才能改善这种状况？

孙天澍：此乃非常深刻且普遍问题，也是“人工智能+”与“互联网+”一大不同。要解决这种错配，不能只靠政策引导，最终还要靠市场机制。

核心在于，企业，特别是CEO，需成为好的“AI架构师”，这个架构师不仅架构业务，也架构组织与人才。他需有能力与“品味”去识别、发现、寻找和培养真正拥有智能架构能力的人才，且愿意把场景、数据、知识与实践机会开放给他们。这些人很可能来自企业外部。因传统产业内部，直接拥有算法思维与原创勇气的人才不多。

此带来一系列现实问题：薪资结构怎么定？一个顶尖AI人才，为何要加入薪酬与节奏都相对传统的行业？这需企业在组织设计与激励机制上进行大胆创新，用市场化方式，让顶尖人才愿意并能快速进入千行百业。我认为，当前互联网行业人才溢出，就是巨大机会。

我常说，互联网是一座“小山”，从业者加起来几百万人；而人工智能+的千行百业是一座“大山”，从业者有几亿人。如何让从“小山”里出来的、经过数字化“学前班”训练的人才，进入“大山”里，在重构产业的真实战场中，成长为真正的“黄埔军校”学员，即AI架构师，这是时代给予我们的巨大机遇。

总结： 此轮“人工智能+”实质，非工具换代，而是“智能”成为产业新内核。决定成败的非技术堆叠，而是在千行百业场景中架构智能的能力， 谁能率先以“AI架构思维”，找到AI原生场景，定好指标与迭代，在场景中培养AI架构师，用智能体杠杆重构业务模式与组织设计，谁就能真正在“人工智能+”的AI下半场中领先，定义下一代产业。