AI原生架构，正在重塑企业AI战略落地的底层逻辑

2025年10月13日,23时41分30秒科技新知阅读 4 views 次

大模型落地元年，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，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 Data, Data for AI

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。