1. 从“网吧管家”到“AI信仰者”一位老牌科技创始人的转型心路最近和一位在科技圈摸爬滚打了快二十年的老朋友聊天他是一家上市公司的创始人公司名字你可能听过——顺网科技。早些年他们做的“网维大师”、“顺网云”这些产品几乎是国内网吧和线下娱乐场所的标配说他们是“网吧行业的卖水人”一点不为过。但这次聊天我们的话题从头到尾都绕不开一个词AI。这位创始人华勇给我的感觉不再是那个深耕线下场景的“网吧管家”而更像是一位充满激情的“AI布道者”。他反复强调一个观点“建立坚定的AI信仰从内而外全面拥抱AI”。这句话听起来有点宏大甚至带点口号性质但当你听完他背后一整套从认知到组织再到业务落地的完整逻辑后你会发现这绝不是一个空泛的愿景而是一个传统科技公司在时代洪流面前一场关乎生死存亡的、必须打赢的“认知战”和“转型战”。为什么一个曾经以网吧管理软件和云计算服务为核心业务的公司会如此决绝地All in AI这背后不仅仅是追逐风口那么简单。华勇坦言最初的触动来自于一种深刻的“生存焦虑”。当ChatGPT横空出世大模型以月甚至周为单位迭代时他意识到过去赖以成功的“软件服务”模式其技术壁垒和商业模式正在被一种全新的、基于智能与算力的范式快速解构。如果不变今天的核心业务可能明天就成了“传统产业”。因此所谓的“AI信仰”首先是一种清醒的危机意识是认识到AI不是可选项而是未来十年所有科技企业的“必答题”。这种信仰的建立并非一蹴而就。它始于公司最高层对技术趋势的深度研究和亲自体验。华勇提到他和核心团队花了大量时间不是听报告而是亲手去用各种AI工具从ChatGPT、Midjourney到国内各类大模型去写代码、做设计、生成方案。这个过程让他深刻体会到AI带来的不是简单的效率提升而是生产力范式的根本性变革。当一个初级员工借助AI工具其产出可以逼近甚至超越过去的资深员工时组织架构、人才标准、工作流程都必须随之改变。这就是“从内而外”的起点信仰必须先根植于决策者的大脑然后才能渗透到公司的每一根毛细血管。2. “全面拥抱”的四个层面战略、组织、业务与基础设施喊口号容易真刀真枪地转型却难。华勇所提的“全面拥抱AI”在我看来可以拆解为四个层层递进、相互咬合的层面战略认知、组织变革、业务重构和基础设施重投。这四者缺一不可共同构成了一个传统企业向AI原生企业转型的完整图谱。2.1 战略层面将AI定位为公司的核心战略与底层能力对于顺网这样的公司AI不能只是一个部门或一个项目组的事情。华勇强调必须将AI提升到公司最高战略层面视其为驱动未来十年增长的核心引擎和底层能力。这意味着公司的资源分配、投资方向、合作伙伴选择都要围绕AI展开。具体来说他们做了两件事一是明确了“AI赋能泛娱乐”的战略主线利用AI重塑游戏、电竞、线下娱乐等原有优势场景的体验二是设立了专门的AI战略委员会由他亲自牵头定期评估技术进展与业务结合点确保战略不跑偏、执行不走样。这背后的逻辑是只有最高领导者给予最高优先级才能冲破部门墙调动全公司资源。2.2 组织与人才层面重塑团队DNA培养“AI原住民”这是转型中最痛苦也最关键的一环。华勇发现原有的团队尤其是产品和技术团队其思维模式和工作方法是基于确定性的软件开发和运维。而AI驱动的产品具有很强的不确定性和迭代性。为此他们推行了“AI First”的文化改造全员培训与赋能强制要求所有员工无论岗位都必须学习并使用基础的AI工具。为产品经理开设“提示词工程”课程为设计师培训AIGC工具为程序员普及如何利用AI辅助编程如使用Cursor等工具。调整招聘与考核在新的招聘中将“AI工具使用能力”和“人机协同思维”作为重要考察项。在内部考核中增设与AI应用相关的创新指标鼓励员工用AI解决实际问题。设立“AI特战队”从各部门抽调精兵强将组成跨职能的敏捷团队专门负责高优先级的AI创新项目。这个团队享有更高的自由度目标是用最快的速度跑通AI产品从0到1的闭环其经验再反向赋能给主业务团队。这个过程充满了挑战比如老员工的不适应、新老工作流程的冲突。华勇的体会是领导者必须以身作则同时要有耐心“允许试错但不允许不改变”。2.3 业务与产品层面场景驱动寻找“AI倍增器”战略和组织是土壤最终要开花结果还得落在具体的业务和产品上。顺网的做法不是漫无目的地追逐技术热点而是紧密围绕其熟悉的泛娱乐场景寻找那些AI能带来十倍效率或体验提升的“倍增点”。华勇分享了几个正在探索的方向游戏内容生产利用AI进行游戏原画、UI、宣传素材的快速生成甚至尝试用于简单的剧情脚本和关卡设计极大降低中小游戏开发团队的美术和策划成本。电竞与观赛体验探索AI实时解说、精彩镜头自动剪辑、战术分析可视化让普通观众也能获得专业级的观赛洞察。线下娱乐空间智能化在网吧、电竞酒店等场景通过AI摄像头分析用户行为实现智能推荐游戏、调节环境灯光、温度甚至监测异常情况提升运营效率和用户体验。内部效率工具将AI深度集成到公司的客服、运维、代码开发、市场文案等环节实实在在降本增效。他强调“场景大于技术”。在选择落地场景时他们遵循一个原则这个场景是否有真实、迫切的需求AI是否能提供不可替代的价值数据是否可得商业闭环是否清晰避免为了AI而AI陷入技术炫技的陷阱。2.4 算力基础设施层面自建与租赁并举构筑AI时代的“水电煤”聊到具体技术华勇特别提到了算力。他直言如果说数据是AI的“原料”算法是“食谱”那么算力就是“厨房和灶火”。没有稳定、充沛且性价比高的算力一切AI应用都是空中楼阁。这也是为什么“算力”、“GPU”、“智算”会成为他们当前高度关注的关键词。对于顺网而言算力需求来自两方面一是内部AI研发和业务试错二是未来可能面向行业提供的AI服务。他们的策略是“两条腿走路”自建私有算力集群针对核心的、涉及数据安全或需要低延迟响应的研发任务投资建设基于英伟达GPU如H系列的算力集群。这要求团队具备从硬件选型GPU卡槽位识别、驱动开发、集群调度Kubernetes Docker、到模型微调LlamaFactory等工具和部署AirLLM、vLLM等框架的全栈能力。华勇提到这个过程就像当年做云计算一样充满了坑从PyTorch的GPU环境配置pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118到多卡并行训练ComfyUI如何调用多张算力卡再到模型量化3060显卡的INT8算力测试每一步都需要深厚的工程化能力。灵活使用公有云算力对于算力需求波动大、或需要快速验证的探索性项目则采用租用云端GPU实例如AWS的P实例、阿里云的GN系列的方式。市面上也有越来越多的算力租赁平台和个人算力出租平台提供了更灵活的选择。他们也会评估一些免费的AI大模型和开源方案用于特定场景的测试。华勇认为未来的企业CIO除了要管服务器和网络还必须懂算力规划。如何根据业务需求在自建、租赁、使用云端API之间做出成本与效率的最优解将成为一项核心竞争力。他打了个比方“以前公司买服务器是买‘固定资产’现在买算力是买‘能源’你要根据‘用电量’训练/推理任务和‘电价’GPU租赁成本来动态规划。”3. 技术实践中的挑战与应对从模型选型到工程化部署确立了战略改造了组织选定了场景备好了算力接下来就是真枪实弹的技术实践。华勇分享了他们在推进具体AI项目时遇到的一系列典型挑战和应对思路这些经验对于任何尝试落地AI的企业都有参考价值。3.1 模型选择开源还是闭源通用还是垂直面对琳琅满目的大模型如何选择是一大难题。华勇团队的经验是没有“最好”的模型只有“最合适”的模型。他们会建立一个简单的评估矩阵任务类型是对话Chat、文生图AIGC、代码生成还是数据分析性能要求对响应速度、准确性、成本有多敏感数据隐私业务数据能否出境是否需要本地化部署定制化需求是否需要基于自有数据微调Fine-tune基于此他们的策略是对于创意生成、内部知识问答等对实时性要求不高、可接受一定误差的场景优先尝试调用国内外优秀的大模型API如GPT-4、Claude、文心一言、通义千问快速验证需求。对于涉及核心用户数据、需要低延迟高并发的业务场景如游戏内实时交互则倾向于选择优秀的开源大模型如Llama 3、Qwen、DeepSeek进行私有化部署和微调。他们会参考世界AI大模型排名但更注重在自己的业务数据集上进行实测“动手学大模型”。3.2 工程化落地把实验室的模型变成稳定服务“让一个模型在笔记本上跑起来和让它以99.9%的可用性服务百万用户完全是两回事。”华勇感慨道。工程化是AI落地最大的拦路虎之一。他们总结了几条关键经验环境隔离与依赖管理使用Conda或Docker严格管理Python环境、CUDA版本、PyTorch版本。一个“a d3d11-compatible gpu is required”的错误提示可能背后是驱动版本、CUDA版本、框架版本一连串的兼容性问题。他们甚至为不同的项目准备了标准化的Docker镜像。推理服务化使用专门的模型服务框架如Triton Inference Server、TensorRT Serving或者国内开源的Xinference等将模型封装成标准的HTTP/gRPC API。这涉及到模型量化FP16/INT8、动态批处理Dynamic Batching、请求队列管理等优化以充分利用GPU算力。监控与运维建立完善的监控体系不仅监控GPU使用率、显存占用、温度还要监控模型的输入输出分布、响应延迟、错误率。设置告警当出现大模型投毒测试中类似的异常输入或输出时能及时干预。成本控制持续监控算力消耗通过模型压缩、缓存、请求合并等技术优化成本。对于非峰值时段考虑使用算力卡的自动伸缩功能。3.3 数据与提示词决定AI效果的“隐形之手”华勇强调很多团队过于关注模型本身却忽略了数据和提示词Prompt的质量而这往往是项目成败的关键。数据质量对于需要微调的场景数据标注的质量和一致性至关重要。他们建立了数据清洗和标注规范甚至利用AI辅助进行数据预处理和初筛。提示词工程这是让大模型听懂人话、干好活的核心技能。他们内部建立了“提示词库”针对常见的任务类型如写邮件、生成报告、代码审查总结出高效的模板。同时也提醒团队注意安全边界避免使用可能生成不当内容的提示词。评估体系如何判断AI输出的好坏他们摒弃了单一的准确率指标针对不同任务设计综合评估体系。例如对于文案生成会从相关性、流畅度、创意性、品牌符合度等多个维度进行人工或自动化评分。4. 未来展望AI Agent、超级应用与生态构建当被问及对未来的看法时华勇的眼睛里闪着光。他认为当前我们仍处于AI革命的早期大模型只是起点未来两到三年两个方向会特别值得关注4.1 AI Agent智能体的爆发他认为当下的大模型更像是“百科全书”或“万能助手”而AI Agent才是能让AI真正自主完成复杂任务的形态。一个能理解目标、规划步骤、使用工具搜索、执行代码、操作软件、并从结果中学习的智能体将彻底改变软件交互模式。顺网在密切关注AI代理助手与本地模型结合的方向探索在游戏陪玩、客服、个性化内容推荐等场景中部署具有长期记忆和规划能力的智能体。4.2 超级应用与垂直模型的融合华勇预测未来不会存在成千上万个独立的AI应用更可能的是在微信、抖音这样的“超级应用”内集成各种垂直场景的AI能力。对于顺网这样的场景方机会在于打造深度垂直的、具有领域知识的AI模型或能力然后以API或插件的形式嵌入到更大的平台生态中。例如一个专精于“游戏战术分析”的AI模块可以提供给直播平台、电竞数据公司使用。4.3 构建开放协作的AI生态最后华勇特别提到了“生态”的重要性。单打独斗无法赢得AI时代。顺网正在积极与GPU厂商如英伟达、华为昇腾、云计算公司、高校研究机构以及垂直领域的创新企业合作。他们参与算力基础设施的讨论贡献开源社区的代码也投资有潜力的AI初创团队。他相信建立一个开放、协作的生态共同解决AI算力军备竞赛背景下的成本、技术和人才难题是整个行业走向繁荣的关键。这场对话让我深刻感受到一位传统科技企业的掌舵者在面对颠覆性技术时的思考深度与行动决心。“建立坚定的AI信仰从内而外全面拥抱AI”这不仅仅是一句口号更是一份需要巨大勇气和智慧去执行的转型路线图。它关乎认知的重塑、组织的再造、业务的涅槃以及一场围绕算力、数据和算法的全新基础能力建设。这条路注定不平坦但正如华勇所言“看不清的时候信仰就是最好的指南针。至少我们知道方向是对的。”对于所有身处这个时代的科技从业者而言这份在焦虑中生长出来的坚定或许比任何具体的技术方案都更有价值。