2025年，AI技术迎来爆发式增长，大语言模型的崛起，让企业对AI的商业落地充满期待。食品饮料行业如何真正用好AI？哪些场景适合AI落地？AI落地有哪些难点？企业如何通过AI创造独特的价值？

钛媒体企业数字化IP《数字价值观察室》在2025年聚焦AI落地场景，通过真实数据、真实案例、真实对话，拆解AI落地的“真问题”与“真解法”。

《数字价值观察室·AI落地场景观察》第二期，钛媒体集团联合创始人&联席CEO刘湘明对话蒙牛集团相关负责人，基于蒙牛新发布的，深入探讨了食品饮料行业的AI应用实践。

AI应用正在从“可玩”走向“可用”，成为企业发展的核心驱动力。而越来越多的开源模型，就像是把“近乎免费的武器”摆在了企业的桌面上，企业要么用AI重塑竞争力，要么就可能成为“AI时代的恐龙”。

蒙牛自2022年底便开始布局生成式AI。此次发布的白皮书，正是基于两年多的实践经验总结，展示了AI在食品饮料行业的典型应用场景，筛选出了五大领域、十大应用场景，并按“研、产、供、销”加“通用”归类。白皮书中的案例筛选标准包括本土化、落地性、领先性和可复制性，所有案例均已在企业内部成功运行。

在大模型应用方面，企业面临着如“自研大模型”还是“使用第三方方案”的技术路径选择。大模型应用主要有三种常见方式。第一类是传统软件的AI化，例如钉钉、飞书等办公软件都已进行了AI升级；第二类是垂直大模型，如金融、医疗等特定行业，特别是那些拥有大量行业数据的企业，通过训练行业大模型实现更精准的智能化应用；第三类是 “大模型+Agent+知识库”模式，即以大模型为基础，结合知识库搭建企业级Agent。通过强化智能体能力，打造出属于企业自己的“数字员工”队伍。因此，不同企业的AI应用路径需要根据数据量、成本收益和具体应用需求进行综合考量，以确保技术投入的最大化回报。

AI对食品饮料行业的影响无疑将是深远的。以蒙牛为例，部分业务流程已经实现了AI自主，比如蒙牛宁夏“灯塔工厂”，订单拆分、排产调度等环节都已由AI自动执行。未来或许会出现AI原生品牌，完全由AI运行，不过可能会分阶段实现：先从辅助决策，到人机赛跑，最终走向AI自主决策。但在人类仍然是主导者、监督者。

AI正在深刻改变食品饮料行业的竞争格局， 但AI已不再是可选项，而是企业发展的必然选择。

附上本期直播时间轴，帮你快速跳转感兴趣的部分：

00:58 AI从“战略选择”变为“生存刚需”

09:54 十大核心应用场景，AI助力全链路升级

13:58 自研or第三方？大模型应用的三种主流路径

18:43 智能体（Agent）如何驱动企业AI应用？

46:40 AI原生品牌时代即将到来？

对话人：

Q：钛媒体集团联合创始人&联席CEO刘湘明

A：蒙牛集团相关负责人

AI从“战略选择”变为“生存刚需”

Q：各位观众大家好！欢迎来到数字价值观察室！今天，我们非常荣幸地邀请到了蒙牛集团相关负责人来聊聊AI在食品饮料行业的落地。DeepSeek今年非常火，千行百业都在接入，你觉得这种火爆给食品饮料行业带来什么样的启示？

A：从技术的角度来看，第一，AI技术现在还没有成熟和定型，新的技术架构可能会继续颠覆大家对AI能力的认知。DeepSeek本身也是一个技术型的创新，它的能力的提升，和大家以往的认知不同，不是靠堆算力，堆数据。它在技术上有很多探索，比如像MoE（混合专家模型），蒸馏技术的应用，在更低成本下实现了更高的能力。

第二，大多数模型其实用的还是Transformer架构，这个架构其实也不是唯一的技术路径。我们也能看到去挑战Transformer注意力机制的一些论文，并提出了一些新的构想。所以，AI能力现在肯定还没到天花板。但是其实地板已经出现了。从千行百业都在接入，包括原先做大模型的大厂也都接入了，都是从侧面印证了现在的AI有一些实用价值的能力了。

此外，我们在企业端从商业的视角来看这个事情，两年前AI的应用可能还算是一种战略选择，企业可以积极一点去主动的拥抱AI，去做一些探索；也可以选择做个“等等党”，看看这个技术是真对产业有影响、有意义，还是说像一些技术只是在某些行业，某些场景里有一些比较实质的改变，而对于大多数的企业来说，可能只是一个技术浪潮。

但是现在，我觉得形势变了，AI从原来的战略选择变成了生存刚需。这个其实也跟越来越多的开源模型有关，开源之后，相当于把近乎免费的武器放到了桌面上，如果你不捡起来用，你的竞争对手就可能拿起来对付你。从以前还能再等等、再看看，变成了近乎“非上不可”，不然就可能变成“AI时代的恐龙”。因此，食品饮料行业的AI转型升级也在加速。

Q：前几天蒙牛发布了一份食品饮料行业的AI转型白皮书，你们为什么要做这么一份白皮书？

A：蒙牛在这波AI浪潮中是属于引入AIGC技术的先行派，已经实际尝试了大概两年时间。2022年GPT-3.5发布的时候，我们做了技术研判，觉得这是能深刻改变整个行业的技术，就开始组建团队，进行不同的试点。历经两年多时间，有很多的探索，正好也是赶上春节期间推理模型再次刷屏了，所以我们想借着这个时间点把落地经验做个发布。拿一些真正已经落地的案例，让更多的行业企业去看到，这一波的AI技术在产业里已经能实现什么样的作用。

十大应用场景，AI助力全链路升级

Q：白皮书里边也筛选了不少非常有趣的场景，你们筛选的标准是什么？

A：食品饮料本身是一个产业跨度很大的行业，第一产业（泛指农业）、第二产业（主要指加工制造产业）、第三产业（现代服务业或商业）都有，比如说种草、养殖、产出牛奶、做加工（初加工、深加工），包装之后进商贸流通，产业场景特别的丰富。我们当时在做场景和案例筛选的时候，基本上也是按照企业“研、产、供、销”的价值链，再加上一些通用领域做得一个系统性的梳理。

这本白皮书的案例部分，最终是五个域、十大场景、二十多个具体的案例。筛选的考量主要有几点：

第一，选择本土化的案例。我们也能看到很多国外的企业在用AIGC去做一些尝试和探索，但是国外跟国内的产业基础和面临的市场情况、政策情况其实都不太一样，所以是选了本土化的案例。

第二，我们的案例都是已经落地了、跑通了的，有运行数据经验的，在这个场景能发挥实际作用的。

第三，在案例的技术路径方面，我们选了以这一波的AIGC技术为主的案例。虽然说在传统的整个产业里，决策式AI、小模型应用的也很多。紧跟技术发展趋势，我们特别整理了这些前沿应用的典型案例，给大家做做分享。

最后，就是复制性，既然是希望能让行业的企业去更多地参考借鉴，这些案例选的还是有一定的普适性、通用性，能让更多企业从通用的场景里产生思考。

Q：因为开源对行业推动非常大，其实你们也是把自己过往在AI落地里边的很多的经验做了一次开源，可以这么理解吗？

A：也是致敬开源的精神。经验分享和技术开源类似，会有积极的外部效应，大家都在为推动整个行业发展去做一些事情。蒙牛是乳业国家队，不仅是在数智化领域，在其他方面，我们也一直在做有行业担当的事情，做一些底层技术的研发，主导建立一些行业标准的制定等等。

自研or第三方？大模型应用的三种主流路径

Q：现在企业还是面临一个决策，到底是做自研的大模型，还是选择直接用成熟的大模型或第三方案？你觉得做这个决策需要考虑的核心因素是什么？企业到底应该怎么去选择？

A：我们当年也做过这样的探索，也训练出了营养健康领域模型MENGNIU.GPT。现在看来，大模型的AI能力应用大概有三种比较常见的方式。

第一类，传统软件本身就在AI化。比如像钉钉，飞书，腾讯会议，你不用去刻意地去用它，它的AI功能就加上来了。

第二类，自研的垂类大模型。我们当时在做垂类大模型的时候，通用大模型的基础能力没有现在这么好，我们是把蒙牛和一些合作伙伴手上的数据资源，共同地去把这个模型在营养健康领域方面做了进一步的调优。

今天，情况可能又不太一样了，因为底层大模型的能力有了极大的提升，而且现在公域数据已经都被训练完了。现在是不是还要自研，去做个垂类的大模型，以下几点要考虑清楚：第一，是不是有自己足够多的还没有被训练进去的数据？这是一个很关键的事情。第二，跟场景需求有关，可能有一些场景因为安全或者政策性的要求，使得没有办法去调用这种通用大模型的能力。

但是无论是什么原因，整个的训练成本还是相对比较高的，如果说当前的场景需求通过现在大的通用大模型基本上可以满足，那么再去训练一个自己的大模型，投入产出比不一定像以前那么高了。

从百模大战到现在，真正还在持续更新模型的可能只有五分之一、十分之一，慢慢的会集中到几个厂商。我看到的可能就只有比如像金融、医疗这种既有特别垂的数据，成本收益也还好，同时也有一些政策性上的限制行业，去做比较垂的模型的情况会多一些。

第三类，现在相对主流、试错成本低、工具链也比较成熟的一个方式，就是大模型+Agent+知识库的方式。白皮书里收录的一些案例，不少是基于这个技术路径去打造的。业界说今年是Agent元年，大模型这种简单的聊天方式肯定不是其真正应用到产业里的方式，还是需要一个相对复杂一点的架构，能贴合企业的具体情况发挥作用。所以我们做了很多“大模型+Agent+知识库”的Agent出来。

Q：白皮书里边其实用了很多的Agent，比如像养殖顾问、萃智牛博、营销魔盒，这些Agent背后使用的技术有什么区别吗？比如说接智谱或者接其他，区别大不大？

A：智能体在业界也没有一个特别统一的定义，但大家公认的Agent是作为一个载体，比如说有长期记忆的功能，能去调取不同工具的API，能自主去规划一些事情。所以说每个智能体背后的运作逻辑是相似的，都是通过重现业务的工作流：每一步要做什么、每一步的关键的点是什么、怎么去判断、输出什么样的结果。起重要作用的就是prompt（提示词），通过提示词智能体一步一步地去把这个事情操作下来。

虽然说运行原理是这样，但它接入不同的模型，结果肯定也是不一样的。首先是模型可以分为两种，一种是推理模型，比如R1，另外一种是对话模型V3。推理模型有思维链，它会根据提问做一些背景情况的补充、意图的识别，把更多的信息给到它后面的推理。在具体的表现上，你会发现简单地问一下R1，它就能说出很多结构化的东西，清楚全面，所以显得能力很强。

但在企业具体的场景里，不光是需要这种结构化的思维，智能体运作的逻辑就是复现实际工作流，工作流本身是有逻辑的，有的情况是不需要R1自己去推理，有时候反而是因为自己想多了没有达到预期的结果。R1和V3这两个模型比，V3就显得更老实，遵从性更好。用什么模型需要考虑匹配相应的场景，如果说需要创造性，R1的结果可能就会更好，但是说如果工作的整个流程是很标准化，很固定的，像V3这样的对话模型执行得会更标准和稳定。

第二，模型本身的底层能力也不一样。现在大家也是感受到不同模型的能力差异，出现很多“缝合怪”式的应用方式。之前我听了一个叫“DeepGemini”的产品，它先让推理模型去做推理，把推理内容输入给对话模型去生成最终结果，结果发现比两者单独用更好。不同的模型还是有一定的适用场景的问题。

第三，成本不同，个人应用的时候这件事情不太明显，因为大量的国内个人端目前都是免费的。但是到企业用的时候，成本就会是一个问题了。我们现在的AI中台上面有个功能，它会根据创建智能体的基本场景，自动推荐一个模型。比如说写个文本，可能它会推荐V3，不仅能胜任工作，而且V3比R1便宜不少。根据用户需求自动匹配能胜任的模型，而不是说随便一个简单任务就都调一个能力很强但很贵的模型。这可能是在企业方面多一层的考虑。

智能体如何驱动企业AI应用？

Q：刚才你谈到了通用智能体，我看OpenAI也推出了开源的多智能体工作流的编排框架，叫Agent SDK，还有支持网络搜索、文件搜索、计算机控制这些内置工具的Responses API，这些是不是意味着整个通用型的智能体会越来越普遍？

A：我觉得大模型的能力会走向通用化，但是智能体反而会走向专业化。OpenAI做的智能体搭建的工具包，从时间上来看，推出的不能算早，比如国内有Coze，还有一些开源的都很好用。OpenAI推出这个工具包，其实还是说业界对Agent是实现大模型能力的一个认可。

第二，这个工具包里搭配了很多调用其他不同的API的功能，Agent能调用的API越多，它能实现的功能就越多，那么它的功能其实也就越强大。蒙牛之前有业务中台，其实就是把系统里的原子能力沉淀出来，变成可拼接的积木，等到其他新系统的需求来的时候，它就可以通过搭积木的方式更快地去形成一个应用。我们现在做的就是把这些历史上积累出来的原子能力，这些API做AI友好化的改造，也是为了让AI中台上的企业大脑可以去调度企业内部原先就有的这些API，实现企业级的能力。

我认为智能体也会走向专业化，会变成一个原子能力级的智能体。当有一个复杂的工作的时候，可能有一个Super Agent，相当于Agent的小组长，它会根据任务自己去调组员，调完组员之后形成一个Agent之间的协作。

白皮书里也收录了一个类似的案例，叫营销魔盒。营销魔盒里面有三个主要的Agent，第一个Agent是热点追踪Agent，把市场上的热点先搜集到。第二个Agent是内容生成的Agent，会把搜索来的热点跟企业的产品自动地找结合点，形成创意。比如，前两周女神节，它就会根据我们内部一些女性向的产品产生一些创意，并进一步生成营销方面的内容。第三个Agent是SEO（搜索引擎优化），同样一篇内容在不同的平台上去发的时候，因为每个平台的搜索规则和流量规则是不完全一样的，这个SEO的Agent就负责把文稿打造成个性化的、针对不同平台的文稿。

这三个Agent协作起来之后，就相当于把整个业务链条上的所有的职能都串联起来了，就可以通过Agent的协作把整个链条都覆盖。但是其实我也可以把SEO这个Agent剥离出来单独用，其他方式创作的内容，也可以用SEO Agent来优化。智能体以后可能就变成一个Agent的团队在那里，根据用户的不同需求，它自己组队去完成工作。

Q：白皮书里面有没有一些共性的应用值得大家借鉴？

A：除了研产供销这四个域之外，还有一个通用域。通用域里有一个案例叫“AI融入流程”。无论企业规模如何，它都有一些既有的系统，而且但凡先上系统的，通常是企业里最为关键的核心的业务，对这些系统如何去进行AI赋能？可以通过这种外挂型的AI助手来帮助现有的业务流程做赋能和提效。

传统的业务流程基本可以分成两类：执行、决策。

执行类的比较常见，比如填表单，整个的填写过程其实是一个最基本的输入过程，后面的决策、审批，都是以这些信息为基础的。比如有一个包装破损物品要退货，一线员工可能就会写“破损需要退换”那么几个字，然后单子就提上来了。这个时候，审批的人说这个信息不全，就打回去了，这么一来一回时效就差了。

我们现在做的这个功能就包括辅助填写，比如包装破损，它根据之前提报的表单大概知道几种情况，生成一个半模板化的东西，用户只需要稍微改几个字，这个信息就全面精准了，再提交上去，提高了审批通过率。

第二类就是跟决策相关。有特别简单的决策，比如请假，报销，都是RPA（机器人流程自动化）规则写好，单子扫描上去费用就报销了。还有一些可能就涉及这种复杂性的、非标的，一个审批上来挂了好多个附件，决策者看的时候就比较费劲了。

现在大语言模型来了，有几点明显变化。第一个就是提炼能力，先提炼一段附件上的内容，做一个相对的精炼，能把这个事情来龙去脉，更简洁明了地说清楚。第二，提供决策建议，比如，仓库调拨的场景，有一个从A仓库调一批货去B仓库的申请，以前这个场景，看完审批申请，可能要看一下两个仓的库存情况，然后为什么要把A仓的货调去B仓？甚至是不在同一个系统里，决策者要跨系统地去掌握信息，再结合他的经验去做判断。现在把所需的库存数据自动调出来，AI结合基本判断逻辑，先给一个带推理过程的判断建议，是否同意这个调拨：“比如说A仓还有500，计划调50到B仓，因为B仓只剩30了，按照B仓的正常的销售节奏，可能30用不了两天就没有货了”。这些所有的内容通过一个外挂的方式提供给决策者，决策者可以参考，也不用跨系统地去看各种数据，提升决策的效率和质量。这是我们现在在做的，把AI能力全面融入现有的业务流程里，于是也就有了“见习期的数字员工”。“数字员工”能独立承担某些岗位中的特定任务；还能连接不同系统，调用工具自动干活；在固定领域能自己规划步骤、执行任务，不再需要人工操作或者参与。因此，在业务流程中，可以清晰的描述出数字员工所承担的工作任务（有明确的任务目标、所需输入、工作标准，以及执行成果等），可以精确的统计出数字员工所执行的工作量（比如几分钟就从上百份简历中，筛选出了合适的10个候选人），可以看到整条流程上有多少百分比的任务被多个数字员工赋能了。

Q：现在模型也开源了，经验分享了，包括大家都在选择第三方的方案，企业怎么做出差异化，怎么建立自己的优势？

A：差异化本质上是需要进行创新，行业和企业的know-how跟技术方案去结合是最重要的。白皮书里每个案例都是有一个结构化输出的，从场景到解决方案，再到运行的实际效果，最后是经验总结。但直接抄作业的可能性基本不大，因为每个企业流程不同，基础也不同，要解决具体的问题也不一样。我认为是这个白皮书的案例最大的价值点是通过经验总结带来启发，帮助读者企业思考。

现在的AI技术也没有定型、能力没到顶，创新是一个向内求和向外求的事情：向内求，就是怎么把自己的业务场景吃透。向外求，就是要知道AI的能力的边界在哪。既不要把它想象得无所不能、无所不知，也不能置之不理。最终，要靠企业自身来把真正的场景挖掘出来。

AI原生品牌时代即将到来？

Q：你觉得未来食品饮料行业有没有可能诞生出从研发、生产、物流到营销的全流程AI决策的AI原生品牌？

A：我觉得有一部分可能已经实现了。比如蒙牛在宁夏的灯塔工厂，订单过来之后，它会自己把订单拆分，拆分到不同的产线，自己去做排产排程，这个过程就已经实现AI自动决策了。

至于会不会所有的流程都由AI决策，最关键的问题其实是决策权的问题——人类能不能把这个决策权给到AI？这可能也涉及一些AI伦理，比如说AI能不能承担这样的责任？现在一个比较大的问题是：AI的决策是黑箱的。

长远看，我觉得这件事情是非常有可能发生的，但在此之前，它可能会去分步骤地去发生。就像现在很多人类制定好规则，AI来校对事实跟规则是否相符，它其实是在做决策里的执行，这可能是第一阶段。第二阶段，AI可能会真正的跟人来个A/B Test，PK一下到底谁的决策质量好。到了第三阶段，可能AI的能力已经达到或者超越人力的水平，AI可以真正自主做决策，人类可能在旁边做监督，避免问题和挽回局面。