从数字化到AI原生，到底什么是AI原生？

大家好，我是人月聊IT。

最近一年被问得最多的一个问题是：什么是AI原生？很多企业说自己要做AI原生，我问他们打算怎么做，答案往往是"我们准备上一个大模型，把系统都接上AI能力"。每次听到这个回答，我都觉得这两个字被用得太轻了。

今天试着把这件事聊清楚。不追求严密，就是把我这几年关于数字化和AI原生的想法串一遍。

一、"原生"这两个字，到底在说什么

图片

先说"原生"。

我在谈云原生、数字原生的时候反复讲过一句话：原生这个概念的核心，就是一项技术或能力是伴随着企业核心的业务或价值链共同成长的，是一开始就存在并共同进化的，而不是长大了再抱养回来的技术或能力。

注意"抱养"这个词。抱养和亲生，差别不在于孩子本身，而在于成长过程有没有一起走。

放到AI上，结论就很清楚了：AI原生必须是土生土长的，系统一开始构建就原生在系统里面的能力，而不是已有系统后简单嫁接或集成AI大模型能力。 所以我一直说，那些把传统IT系统改造集成AI大模型能力后叫AI原生是相当错误的说法。

你给一个跑了十年的ERP加个AI知识库、加个智能报表、加个图像识别，这叫AI赋能或AI集成，不叫AI原生。

顺便说一句，现在业界有些说法把智能原生企业定义为"创立之初即将人工智能作为核心产品、服务或能力，并以此驱动价值创造和业务创新的公司"。这个定义我不太赞同。它太技术化了，太强调AI技术本身的能力，反而忽视了企业核心的业务和价值链；而且它默认了只有以AI技术为核心的新创公司才算AI原生。我更关心的其实是另一件事：传统企业应该如何发展和演进为一个AI原生企业。这个才是我们真正的重点。

现在业界流行的另一个说法是：AI原生应用就是基于大模型能力开发的应用，大模型构成了应用的核心驱动力。这个说法不算错，但它只解决了"大模型原生"这一半问题。我认为AI原生应用的核心重点应该是在知识原生上面。

为什么这么说，得先回头看数字化。

二、回头看看数字化：从业务驱动到数据驱动

图片

我谈企业架构时喜欢用信息化、数字化、智能化三个阶段做对比，因为这三个阶段描述的重点完全不同。

信息化阶段是业务驱动IT。 业务流程驱动IT系统建设，流程落地为系统功能点，系统执行过程中产生和沉淀数据。这个阶段是典型的流程驱动，人驱动系统，数据往往是流程执行后的附属品。说得再直白一点：业务不是数据驱动的，业务是流程和人驱动的。

这个阶段还有个更本质的问题。采购了10件商品入库，你在系统里录入100件，系统不会报错；商品是10日入库，你写成11日，系统也不会报错。现实世界里面事物的时间和空间上的位移，和你抽象的信息世界里面记录的二进制bit流数据并不一致，这种一致性完全是靠人去保障的。

这里还要说明一点，严格讲不能说数字化就是信息化发展的下一个阶段，因为从狭义概念看，两者的关注点明显不同。信息化关注的是如何把现实世界里的信息媒介转移到IT系统里，辅助业务协同；数字化关心的是现实世界如何通过数字转换和数字映射，形成一个独立的数字世界。信息化并不需要对现实世界做完全建模，它只关心与信息协同相关的那部分。

数字化阶段变了，变成数据驱动业务。 4A架构本身没有太大变化，但多出来一条关键的线：数据不再是被动的。单个数据往往来源于单个业务，无法反向产生价值。但是多个相关的数据发生关联和组合，往往就能够产生新的价值，进而反向驱动业务，甚至催生新的业务运营模式。

我讲过数字化有三大核心要素：连接、数据、智能。连接是人和人、物和物、人和物之间的万物互联，它打破了传统企业边界；连接产生数据，数据的积累又衍生出智能化的能力。

而所有这些事情，我认为可以归结为一句话：数字化的核心是通过各种数字化技术和工具，来解决现实世界和抽象世界的时空统一。 时空信息本来就该附属在事物身上，而不是人为分割；事物的时空位移信息本该自动采集记录，而不是靠人录入中转。这就是为什么5G、物联网、云平台在数字化里这么重要，它们是在把"有限空间"扩展成"无限空间"。

但这里还有个东西没说透。在数据和智能之间，其实还隔着一个知识层。

三、AI原生的真实分界线：模型原生 + 知识原生 + 价值原生

图片

我认为一个系统要称得上AI原生，得同时满足三件事：AI原生 = 大模型原生 + 知识原生 + 价值原生。

大模型原生好理解，系统底层要有大模型能力。价值原生是说，去掉AI之后这个系统的核心价值会大幅降低，智能本身就是主要价值，而不是锦上添花。

但真正的分水岭在中间那个：知识原生。

我一直强调一个模型：从数据到信息，从信息到知识，从知识到智慧。数据不能直接产生智慧，知识才是产生智慧的基础。 经过加工清洗的有用数据变成信息，经过大量实践验证的信息才能转变为知识和经验。

那知识是什么？我在讲知识管理时举过一个例子：知识不是最终你形成的那个文档结果，而是你思考形成文档的过程。 这个过程才是核心的知识和经验，也才是我们构建AI原生的关键基础能力。

那么问题来了：企业现在数据库里有数据，也有大量资料文档，为什么构建不出AI原生应用？

因为数据到智能的转化，中间需要知识层。而很多企业的实际情况是，其一连数据这一层都没搞明白，数据不标准、不一致、重复严重，连数据驱动都难；其二应用数据和系统的经验没有浓缩为知识沉淀下来，简单说就是缺了知识这个分层。

更关键的一点在这里。我们回头看看，一个传统IT系统的知识到底存在哪。你做面向对象分析建模的时候，构建了完整的对象、属性和行为关系。但转到IT系统实现的时候，这些东西被拆开了：对象和属性落地到数据库模型里面，而行为和关系逻辑实际体现在了上层应用的代码里面。

也就是说，你底层数据库里的那些数据，并不是完整意义上的知识，它缺了数据之间的关系，也缺了行为逻辑。这些逻辑没有被模型化沉淀，而是散在上层应用的代码里。

这就解释了为什么大量AI智能体应用很难叫AI原生应用。你复盘一下自己开发的AI智能体，会发现里面仍然出现了大量的业务规则逻辑处理或者是相关的业务流编排，这些内容并没有内置到底层的大模型里面。底层确实有数据支撑，但涉及业务处理规则、个人处理经验的部分仍然留在上层。

所以到了智能化阶段，本质变成了模型驱动，而模型驱动的本质是数据+算法驱动。数据来源于数据架构，算法在应用架构的AI平台层，两者结合底层大模型能力，才能衍生出新的应用形态。

我甚至想说，大模型时代你要优先考虑的问题，一定是如何结合我们的隐性经验，把已有数据结合大模型能力转换为知识，有了知识才可能进一步衍生智能化能力。

最后给大家三个自检问题，判断一个应用是不是AI原生，问完基本就有答案了：去掉AI后，这个系统还能实现其核心价值吗？AI是后期添加的功能，还是从第一天就是系统的基础？系统的竞争力主要来自AI能力，还是传统软件工程？

四、那到底该怎么走

图片

聊到这儿，路径其实比较清楚了。

第一步，补知识层。 具体是两个核心动作：一是把原有的数据库数据进一步加工，向核心知识库转移；二是把原来构建在上层应用里的处理规则和逻辑，进一步模型化，沉淀到知识库里去。这两件事做扎实了，才会逐渐形成一个知识中台，才谈得上真正意义上的知识层。

这里面我特别认同本体论的思路。本体＝对象＋属性＋关系，但真正重要的是行为建模和关系建模，有了关系才能够形成相应大模型推理的逻辑基础。Palantir这家公司我一开始以为它只是大模型赋能下的数据中台，后来才看明白，它核心是基于Ontology构建了一个知识中台，把AI模型嵌入到本体里，成为可复用、可治理的"决策函数"。

第二步，别指望一步到位。 这里有个技术上的硬约束：AI大模型的先天能力是在处理模糊的东西，而不是处理精确的规则。 很多精确规则你即使前期做了规则化定义、形成了提示语、做了上下文工程，把它落到大模型里，用的时候仍然会出现幻觉。这个问题短期很难克服。所以我一直说，我们离真正的AI原生应用还有相当长的一段距离，至少三到五年都很难达到一个理想状态。

第三步，别把顺序搞反。 很多企业的想法是等IT建完、数字化做透了，再来搞AI。我不这么看。企业的AI能力应该和企业的业务、IT和数字化能力共同发展和成长，相互促进。 不是你数字化要多么成熟才能搞AI，AI应该和传统IT能力共同进化。

还有一点要拎清楚，也是我一直在纠正的一个误解：将AI技术作为企业原生是错误的，企业的AI原生更多应该是知识的原生。 AI工具、技术、大模型只是技术支撑能力，技术为知识创造服务。技术可以是舶来品和拿来主义，你可以直接买最好的模型；但是企业私有化知识的形成不能是生搬硬套他人的经验，它必须结合企业自己的商业模式和价值主张，在企业内部通过大量实践不断浓缩和沉淀。

这个才是构建AI原生企业的关键。

回到最开始那个问题：从数字化到AI原生，到底什么是AI原生？

我的答案是：数字化解决的是现实世界和抽象世界的时空统一，把数据这条线打通；而AI原生要在此基础上，把藏在代码里的行为逻辑和散在个人脑子里的经验，进一步沉淀为可被机器理解和推理的知识。AI原生代表了软件开发的新范式，它改变了我们思考和构建应用的方式，让智能成为软件的基因而非附加功能。

数据本身不能产生智能，知识才能。

相关阅读（本文观点整理自以下历史文章）

• 《深刻理解数字化的底层逻辑-从信息化到数字化和智能化》
• 《数字化转型核心底层逻辑-现实世界和抽象世界的时空统一》
• 《AI时代的企业架构-对传统企业架构中的4A架构能力的增强》
• 《如何构建AI原生应用？从大模型到知识中台，从数据到规则逻辑。（AI原生=模型原生+知识原生+价值原生）》
• 《在AI时代，如何去构建AI智能原生企业？》