主持人：各位嘉宾，咱们最后聚焦一个议题——站在台下企业家的立场，聊聊新技术、新模式在供应链物流服务创新中的应用建议，帮大家避坑。

　　王少华：聚焦降本增效需求，把握出海与协同机会。这几年我们做企业出海，跑了“一带一路”国家、欧洲、东盟、美洲，本想学习当地物流新技术，结果反而失望，国内的技术应用场景更丰富、系统更先进。

　　主持人：现在国内市场需求、供给、政策变化都快，国外也会这么“变”吗?

　　王少华：举两个例子。我们在波兰落地了一个60万平方米的单体仓库，这是欧洲历史上首个这么大的单一体量项目，当地同事之前都没有过这种需求;在东南亚，当地厂房大多一千平方米以下，但中资企业租赁的仓储空间基本都在五千平方米以上，和国内单一体量持平。能明显感觉到，国外更多是在顺应中资企业带来的结构性变化——他们的政府和服务商，会围绕中国企业的需求调整服务，这是当下海外市场最直观的变化。

　　主持人：国内这种快速变化是常态，还是阶段性的?AI未来会走向稳定吗?

　　朱有亮：AI，能在平面基础上实现立体思考，但作为从业者，我们必须在技术底层植入“善”的逻辑，让它具备人类的正向思维。我始终相信，未来AI在某些方面一定会超越人类，这是技术发展的必然，而“善”就是守住底线的关键。

　　主持人：AI确实在部分领域超越人类了，但过度依赖会不会有问题?

　　朱有亮：我现在写材料、做分析也用AI，但它输出的多是知识库的通用内容，我的实践经验、独特观点它算不出来，不过随着使用加深，它会越来越贴合我的需求。前期有人给AI输入错误信息不可怕，它会通过数据迭代修正;但如果一开始就给它植入“恶”的逻辑，比如为了压缩成本让它优化“偷工减料”方案，这就很危险了。所以核心不是怕AI出错，是要守住“善”的底层，这是技术应用的前提。

　　邓洁：忌闭门造车，组团创新要划清边界、建立共识。我谈两个实践中总结的点。第一，新技术应用切忌闭门造车。第二，新模式创新要做好“重构准备”。

　　现在的创新不是单打独斗，是“组团”，组团的关键在“边界”和“共识”。成功的项目都是边界划得清、信任建得牢;失败的大多是边界模糊、互相推诿，比如仓储说“监管没到位”，银行说“仓储数据不准”，最后卡壳。

　　主持人：组团建边界，需要一个“老大”来牵头协调吗?还是大家平等协商?

　　邓洁：刚做项目时我觉得要么平等、要么集权，现在觉得要“分阶段”。如果问题很清晰，需要快速定框架，“老大”很有用，能统一方向、建立信任;但框架定好后，进入商业合作阶段，平等就更重要了。比如和金融机构合作，要是银行全程主导，把所有规则都按自己的来，反而可能让其他合作方“抱团应付”，最后项目走样。不同阶段用不同模式，才更务实。

　　黄昊阳：理性看待AI发展，明确数字化边界。我先分享个AI开发的第一手体验：来到洛捷斯特后，我牵头过一个小AI项目，虽然没做出成型产品，但感受很深——这个行业发展太快了。去年还得手动花大力气调优的问题，今年随着模型和基础设施升级，居然自然而然就解决了。2024 年很多开源库还不完善，今年已经很成熟了，这种速度超出预期。

　　这就带来一个矛盾：企业家要不要投入大量人力、资源做AI开发?我没法给“是”或“否”的绝对答案，因为它是双刃剑——不投入可能落后，投入了又可能被技术迭代“颠覆”。

　　但大家不用恐慌，推荐用库恩的“科学范式理论”理解AI：不用懂底层每一个0和1，只要知道它的核心逻辑——从数据中抓取模式、重复规律。就像朱总说的“教它善就善、教它恶就恶”，其实直击内核——AI的行为取决于喂给它的数据，数据是什么样，它就会形成什么样的运作模式。

　　从这个逻辑看，AI好像不会“创新”，但它有个特点——规模大、神经网络复杂，会出现“复杂系统涌现”现象，可能产生超出预期的结果。不过即便如此，大家还是要勇敢学习、了解它，未来几年AI一定会变成“可理解、可掌控”的工具。

　　主持人：这种精度损失，是技术问题还是数字化逻辑本身的问题?

　　黄昊阳：首先是技术限制，比如现在的成像设备，像素和感知能力远不如人眼;其次是物理规律限制，量子力学里的“测不准定律”——任何测量都会对原物体产生影响，数字化本质是“测量并编码”，自然会有偏差。

　　主持人：所以数字化做“精确事”可行，但描述人的行为或复杂事件，会失真?

　　黄昊阳：确实是，但这不影响数字化成为高效工具。就像地图会简化地形，但依然能帮我们导航，关键是用对场景。

　　主持人：您觉得数字化始终是人的工具，对吗?

　　黄昊阳：对，它是辅助手段，不能替代人的判断和创新。

　　王永刚：数据“三性”是数字化核心，专家能力不可替代。

　　我结合案例聊聊新技术应用的关键。河钢集团和下游长城汽车的协作。现在双方车间数据完全打通，长城汽车要生产100辆坦克300，只要说“需要100辆车的门板钢材”，我们就能立刻算出钢材型号和用量——因为长城把门板的3D模型库共享给了我们，甚至门板的冲压工序都能在我们车间完成。这说明数据共享的重要性：上下游数据共享越充分，协作密度越高，效率也越高。长城不会轻易换供应商，因为只有我们能精准匹配它的生产节奏;我们也能提前规划产能，避免浪费。所以数字化不是“把数据存起来”，而是“让数据准确、唯一、可共享”，才能真正产生价值。

　　主持人：您提到数据共享，现在数字产权没有明确法律规定数据属于产生方、整理方还是使用方?这件事重要吗?会影响数字化吗?

　　王永刚：非常重要，这是数据交易和流通的前提。现在各地已经在探索解决方案，比如河北保定：政府把气象、土地等公共数据授权给“一级数商”(政府下属平台公司)，一级数商再把数据交给“二级数商”(加工企业)，二级数商只有加工和流通权，没有产权，但能通过加工获取附加值。这种模式既明确了产权，又保证了数据流通，是目前比较可行的过渡方案。

　　主持人：所以数字化进程中，这些问题是“边做边解决”?

　　王永刚：对，我们不会等所有规则完善了再做，而是在实践中探索平衡，比如先从企业间的“数据共享协议”开始，再逐步对接政府的产权规范。

　　蔡绍芳：我做创新业务十年，从阿里内部创业到现在外部创业，有两个核心建议：一是控制资源投入节奏，二是选对能落地的人。

　　现在团队里有很多“00后”，他们和我们“80后”不一样：以前领导说什么，我们先做再调整，“皮实抗造”;“00后”玻璃心稍强，但活力足、想法多，还喜欢“自己做主”。

　　但不管怎么创新，“品行”永远是底线。HR初筛时会重点考察价值观，入职后通过日常“照镜子”“闻味道”观察——看他是不是能和团队同频，有没有责任心，这比单纯的“创新能力”更重要。

　　主持人：“00后”思维活跃，怎么区分“天马行空”和“真创新”?万一摔了跟头，会不会成长?

　　蔡绍芳：这需要团队“组合拳”——让有经验的员工带新人，把“试错范围”控制在可控区间。比如让“00后”做小范围测试项目，就算想法偏了，成本也低，他们自己摔一次跟头，就知道要“落地”而不是“空想”。成长都是从试错来的，关键是给机会，也给边界。

　　主持人：总结一下各位嘉宾的核心观点,核心其实就一句话：技术是手段，人是核心，创新要务实，底线要守住。让我们以热烈的掌声感谢各位嘉宾!(责任编辑：孙昊)C