创盈中心 AI原生架构，正在重塑企业AI战略落地的底层逻辑

大模型落地元年创盈中心，为什么企业的FOMO（Fear of Missing Out）情绪有增无减？

2025云栖大会人声鼎沸，其中既有CXO级别的高管，也有站在AI一线的各种角色，所有人都希望找到自己想要的答案，而这恰恰是当前行业最稀缺的共识。

大模型时代，业界广泛共识的“AI三要素”——数据、算法、算力，确实构成了人工智能发展的基础，但它们仍然不足以支撑AI从“能用”走向“好用”，更无法真正实现“规模化落地”。

越来越多的企业在实践中意识到，这些都只是大模型的必要不充分条件，企业想要的不是短期的、单点的AI应用，而是长期的、系统的AI生产力。AI要从实验室走向企业现场，还需要新的架构思维、新的组织机制以及贯穿全生命周期的智能化能力。

新的趋势开始显现，AI原生架构——这一词汇高频出现在各种场景，围绕其所展开的讨论正迅速从技术蔓延到业务，企业重新思考AI战略、技术架构和组织人才。当AI能力就是业务本身，这不仅是一次技术迭代，更是一场关于创新范式的深层变革。

落地企业AI战略，先理解AI原生

过去几年，人工智能几乎成了所有行业创新的关键词。从客服到营销，从零售到制造，似乎每一个系统、每一个岗位都在AI化，但很多企业在真正落地时会发现，AI应用的效果做到及格不难，要做到真正可用、好用，要付出的成本和心力指数级增长。

从另一个侧面来看，企业如今最缺的人才已经不是提示词工程师、算法工程师或者AI产品经理等。一位大模型行业高管表示，“今天企业特别缺少AI Architect/AI Solutions Architect。这个角色既要懂模型、懂算法，最好还能动手编程，更重要的是能理解客户需求，并把这些需求变成真正可落地的技术方案。”

这背后反映出企业探索AI的现状，仅靠现有的人才和技术无法真正落地AI应用，自然而然就会追问一个更根本的问题：是不是现有的技术和组织框架，本身已经不足以承载AI？

这正是AI原生（AI-Native）架构的时代背景。简而言之，“AI原生架构师”需要负责把模型、数据、业务场景“拼装成可上线、可运行、可评估的系统”，并能协调AI工程全生命周期的交付。

而对于企业，更重要的不是一个岗位，而是让企业所有人具备AI原生思维，自上而下推动AI原生——让AI从附属变成底座，从被调用的工具，变成驱动系统、业务与组织的核心。

如果还有企业没理解到AI原生的内涵，不妨从《国务院关于深入实施“人工智能+”行动的意见》中寻找答案，该文件首次提出：培育智能原生新模式新业态。

鼓励有条件的企业将人工智能融入战略规划、组织架构、业务流程等，推动产业全要素智能化发展，助力传统产业改造升级，开辟战略性新兴产业和未来产业发展新赛道。大力发展智能原生技术、产品和服务体系，加快培育一批底层架构和运行逻辑基于人工智能的智能原生企业，探索全新商业模式，催生智能原生新业态。

是时候，做一家AI原生企业了。AI原生架构不仅是技术的重构，更是思维模式的重塑。它要求企业跳出“AI工具化”的旧框架，转而以AI为核心去设计产品、优化流程、重构组织。

全栈AI，向AI原生架构升级

如果说，如何转向AI原生架构是一个问题，那么现阶段而言，基于不同业务场景，企业在架构选型上各有侧重。

阿里云智能集团公共云事业部首席解决方案架构师韩鸿源

“AI时代的企业架构升级，关键在于全栈AI能力的构建与落地。”阿里云智能集团公共云事业部首席解决方案架构师韩鸿源表示创盈中心，今天的模型能力，一定会成为未来所有业务系统开发的一个基础设施能力，而今天的大语言模型，也一定要考虑把AI能力引入到系统里。

韩鸿源强调，对于绝大部分企业来说，他所说的“全栈”并非指模型技术研发的全栈，而是指企业从数据管理、模型应用、业务集成到最终价值实现的全链路能力。在这一过程中，AI应当是业务系统的基础设施，企业应当聚焦如何将AI能力融入业务系统。

云栖大会上，一批有着先进AI架构的企业技术一把手，道出了自己通向AI原生架构的实践。

云端协同，AI进化

比如搜推广、内容生产、内容安全、多模态及云端交互为核心的场景下，企业需要既能满足模型训练及推理服务的算力支撑和快速部署，又要能基于模型服务平台构建端到端AI应用的全栈AI能力。

哈啰CTO刘行亮指出，哈啰目前已经推出了多个AI Agent，同时还有Robotaxi业务。通过构建“车云数据闭环”，哈啰实现了全栈AI能力的协同。

在云端，哈啰利用海量数据进行模型训练与仿真，优化出更强大的驾驶Agent（VLA模型）和座舱服务Agent，再部署至车端。这使智驾决策能持续迭代，更准更稳；同时，座舱能深度融合用户意图与生态服务，实现从“出行工具”到“个性化第三空间”的体验升级。

好未来CTO田密分享了AI在教育领域的进阶路径，提出AI老师的L1-L5分级。目前好未来已实现L3级闭环教学，通过软硬件结合打造个性化学习体验。

在多模态的模型训练上，好未来使用Qwen2.5-32B-VL做九章多模态模型的后训练和强化，最终在多个任务上，包括OCR、公式识别和图力解题等层面，都取得了SOTA的结果。

在这一过程中，“云端一体”发挥了很大作用。田密认为，未来云端结合的范式越来越常用，把训练好的大模型蒸馏到本地之后，效果足以满足应用需求，而且响应速度更快。在走向AI原生时代的过程中，好未来的架构升级理念已然诞生：基于通义千问开源模型做后训练，同时进行云端协同。

Agentic AI，应用落地

也有部分企业更加关注上层Agent构建，采用MCP架构以支持扩展性，可以接多种大模型，将传统API服务MCP化，快速构建Agentic Workflow，并通过第三方伙伴协助完成最后一公里建设。

身处电视行业，创维酷开智能系统研究院院长郭尚锋的分享，或许能揭示传统领域企业如何借助AI破局。郭尚锋表示，在架构支撑上，阿里云AI全栈技术提供了从底层算力、模型训练到应用部署的全链路支持，为智能体的构建与运行提供了坚实底座。尤其是基于云原生AI网关、Function Call和MCP广场生态等产品，将传统API服务MCP化，在百炼平台上快速构建AI应用，贯穿跨终端、跨场景的智能体体系，构建无界融合的全场景智慧体验。基于此，创维酷开的Agent得以实现长记忆、快思考、秒行动的核心优势能力。

跨国企业昕诺飞拥有全球1.56亿个智能互联照明节点，对其而言，AI的价值恰恰在于挖掘这些节点产生的数据，实现智能运维和能效优化。

昕诺飞中国研究院院长刘海涛表示，从发展方向上，昕诺飞的三个关键词是高效互联、云边协同和生态共创。尤其是在生态共创层面，刘海涛强调，昕诺飞这样的照明企业非常希望通过MCP协议，打通各个设备之间的互联。

刘海涛还从应用者的角度对云平台提出了四大诉求：极致的安全与合规、模型生态的开放与敏捷、高性能低成本的推理优化以及行业级的大模型运维（LLM Ops）赋能。

他特别强调，“AI本身是个工具，工具本身要和各个垂类的应用进行创新，如果不了解应用本身，只有这个工具，很难找到真正的落地场景，真正为客户解决问题。”作为跨国企业，昕诺飞在中国的AI创新实践体现了“Local for Global”的策略，即利用中国领先的AI技术和应用市场环境，打造最佳实践后向全球输出。刘海涛表示，在多年的合作中，阿里云这样的企业给了他们很好的支持，推进了公司在中国的AI业务落地。

AI for DataData for AI创盈中心

另外，还有一部分企业有庞大数据沉淀和处理需求，尤其是数据打标（如VOC、评论等）、智能问数、智能助手等场景下，将大数据上云，利用数据湖平台为AI提供高质量、多样化的数据，挖掘非结构化数据价值，以Data+AI架构支撑AI落地，成为关键。

识货CTO陈欢在分享中详细介绍了识货如何利用AI重构其核心资产——商品数据平台。面对巨量的数据处理，AI的应用使商品库建设流程（渠道关联、商品新建、审核）的自动化率达到了85%以上。而陈欢也提到，其技术架构的核心是构建了10亿级规模的商品向量库，基于通义千问进行训练，从而实现了高精度的商品匹配和去重。

陈欢提到的核心理念之一是双平台能力的建设。底层平台“Model X”围绕研发流程，比如接到大模型需求之后任务拆解做提示词编写、微调、自动评测、运维资源分配和成本管理等，让研发团队能高效完成大模型需求，全流程自主开发上线，后期会推广到产品及运营；而“Model L”旨在加速算法训练推理，尤其聚焦推理的复杂场景。陈欢表示，这套算法大模型平台+研发大模型平台的双平台模式，是大模型时代最接地气和实用的架构。

OPPO大数据部长郑秋野分享了Data+AI统一底座的建设经验，上云后成本降低50%，并通过AI助理实现自然语言查询与智能打标，提升数据使用效率。

当下，OPPO在AI时代的应用主要聚焦在用户、产品、营收三个方面。郑秋野特别提到，在营收增长层面，多云协同的智能推送已经是公司内部增长的核心引擎，团队也一直持续在探索如何在保障体验的同时，借助AI驱动收入上的增长。

总结而言，这三个方面的落地其实都离不开DATA+AI深度的协同，但过往自建IDC存在成本高、弹性差、运维难等问题。经过和阿里云的深入沟通和技术支持，OPPO采用混合云架构和精细化的迁移方案，实现了业务无感迁移和成本降低50%的结果。基于此，OPPO构建了具备统一存储、统一元数据、弹性伸缩和多引擎兼容四大特性的Data+AI底座，持续支撑AI业务的扩张。

聚而论道AI原生，N个行动指南

AI原生不是简单地“在现有系统里叠加AI功能”，而是把AI视为底座，重新设计企业的技术架构与业务逻辑，这很容易让人联想到，上个时代云计算向云原生的转向。

就像“云原生”不是把旧应用搬到云上，而是从一开始就为云环境而设计，AI原生同样意味着，从一开始就让AI能力融入系统、流程、产品的每一个环节，在云栖大会AI原生架构十问夜话活动上，24位企业CIO、CTO又进一步达成一些共识和行动指南，涵盖战略及ROI、技术及架构、组织及人才等各方面，诸多要素相辅相成。

在All in AI的战略共识层面，企业要实现AI原生转型，大致可以经历三个阶段

AI融合期：在现有业务中嵌入AI功能（如智能客服、智能推荐）。

AI驱动期：核心流程由AI自动执行，人参与关键决策。

AI原生期：业务逻辑、系统架构和组织结构都为AI而生，形成智能闭环。

最终，企业将从“用AI”走向“靠AI生长”。

天鹅到家CTO杜佳利则分享了AI在家政领域的“激进”落地路线：包括考虑企业的获客成本、运营成本、优先在ROI高的场景投入等。

在AI技术架构的全面升级层面，传统架构已到极限，软件的复杂性和数据规模都在指数级增长，人工规则式的系统越来越难适应变化，AI原生架构能以更低的边际成本处理更复杂的任务。过去企业拼的是执行力，现在拼的是“智能密度”，谁能让AI更好地理解业务，谁就能跑得更快。

在软件研发层面，茄子快传CTO陈少为表示，写文档比写代码更难，因为它要求开发者从技术视角转向客户视角，具备产品意识。许多工程师虽技术出色，却缺乏用户导向的表达能力，因此企业应培养技术人员的产品思维。

他认为，AI最能帮助的是具备跨领域能力的高级程序员，他们能借助AI整合开发、测试与产品设计，实现更高效的个人闭环。AI使“一个人搞定更多事”成为可能，但也让中层、技能单一的程序员面临挑战。

陈少为强调，AI转型不仅是技术问题，还涉及组织、HR、财务等协同，必须是一把手工程。AI真正的价值在于减轻重复劳动，让工程师专注于架构思考和创新，实现研发效率与创造力的双提升。

在领域知识的转化层面，树根互联副总裁沈春锋以工业领域为例，工业数据与消费互联网数据最大的不同，在于它包含了大量隐性知识，这些知识往往藏在设备、传感器与工艺过程之中，无法直接以文字或标签的形式呈现。

这意味着，工业智能化要走通，必须解决“如何让工业数据会说话”的问题。以某全球林业客户为例，他们拥有多年的种植和土壤数据积累，希望通过AI找出特定地块产量不高的原因。然而，由于相关知识体系尚未结构化，现有模型难以直接回答。

树根科技正在探索一种“多个小模型协同”的思路：通过大量贴近场景的小模型，对每一类数据、每一个细微变量进行分析，再将这些结果交由大模型统一整合与推理。

他认为，未来AI在工业场景中的发展路径，可能并非单一大模型主导，而是形成“大模型+无数小模型”的组合生态。小模型深入现场、理解具体工况；大模型在上层进行知识归纳与智能决策。只有这样，工业领域庞杂的隐性知识才能被真正激活，让数据不再沉默，推动AI从“能用”走向“好用”。

类似地，在组织与人才层面，达能中国、北亚及大洋洲信息技术&数据副总裁刘冰提出的一个问题，几乎击中所有企业的痛点：AI应该应用在哪些场景，谁来决定？如果完全由IT部门主导，AI可能变成技术的自娱自乐；如果完全交给业务部门，需求又可能超出技术边界，变成不切实际的幻想。

达能的解法是成立“AI攻坚组”，把业务和技术人员放在一起，从数据、流程到文化全面推进。首先是让分散在不同渠道的数据沉淀下来，形成可复用的资产；其次是重构业务流程，而不是在旧流程上简单加一个AI模块；最后则是推动文化变革，让员工日常工作中习惯性使用AI工具，甚至自己动手训练小模型或小Agent。刘冰强调，AI原生不是自上而下的命令式工程，而是战略定力与文化自觉的双轮驱动。

杜佳利也表示，天鹅到家在具体的组织上也作出了变革，以更好更快地支撑AI战略的落地，他们打破部门壁垒、岗位壁垒，通过成立AI实验室、高频次的内部分享和头脑风暴，从上而下（从leader到骨干），快速提升全员认知，并鼓励跨岗位参与AI项目。

如上所述，AI落地的“冰山之下”，隐藏着比模型本身更庞杂的系统工程。技术只是冰山露出水面的那一角，而真正决定成败的，是水面之下的架构、数据、人才、业务与组织等深层因素。

架构决定了AI能否与企业现有系统高效融合；数据是模型学习与持续进化的“燃料”；人才则是连接技术与业务的桥梁，既懂算法又懂场景的人才尤其稀缺；业务流程是否具备可被智能化改造的空间，直接影响AI的落地价值；而组织机制——从战略投入、跨部门协同到绩效体系——则决定了AI能否从“试点项目”走向“规模化能力”。这些因素相互作用，构成了AI落地的深层“地基”，决定着企业智能化转型的厚度与韧性。

阿里云智能集团公共云事业部AI加速器解决方案总经理娄恒综合表示，企业落地AI可遵循“三步走”：

场景选择：根据大模型的能力边界和成长性，进行三维价值评估——业务价值、技术难度与数据支撑；

战略与组织保障：制定适合的AI战略，并建立相应的组织保障；

技术架构与规划：选择适当的技术架构，需要AI全栈架构与AI落地规划相结合。