近年来，数智化转型升级一直是各行各业的企业在不断变革和升级的方向，从最开始的科技互联网行业、金融能源行业到如今的制造业等行业，尽管面临诸多挑战，但依然没有阻挡企业数智化转型升级的脚步。
政府鼓励和推动数字化转型，增强企业发展信心。党的二十大三中全会发布决定，提出发展新质生产力体制机制。国家数据局局长刘烈宏指出，三中全会部署加快数字经济发展和完善数据市场规则，指明数据领域改革方向。数据作为新型生产要素，通过市场化配置改革，促进数据流动和高效配置，有助于创新性地优化组合其他生产要素，催生新产业、新模式、新动能。
我们在政策文件中经常看到“数据要素”、“新质生产力”等比较宏观的词汇，对于产业中的从业者而言，究竟该如何理解这些词？在企业实际的数智化转型中，当前还面临着哪些挑战和困难？
7月24日，由数据猿主办，IDC协办，新华社中国经济信息社、上海大数据联盟、上海市数商协会、上海超级计算中心作为支持单位，在北京圆满举办了“数智新质·力拓未来 2024企业数智化转型升级发展论坛——暨AI大模型趋势论坛”，在主题为“用数据要素，驱动新质生产力发展”的圆桌讨论环节，数据猿邀请了新华社中国经济信息社总工程师、技术委员会主任吴新丽，Marketing force迈富时创始人兼CEO赵旭隆，Datablau数语科技创始人兼CEO王琤，北电数智AI可信总工程师马世韬，结合企业自身的业务发展和服务客户企业过程中积累的经验，对上述问题展开了热烈的讨论和交流。
如何理解数据要素和新质生产力
关于数据要素和新质生产力的理解，每一位企业家的理解都略有差异。马世韬认为，数据要素作为新型生产要素，首先体现在“新”上。北电数智认为，AI的尽头是数据。就像燃料对于火箭一样，数据对于大模型和AIGC起到了非常重要的作用，推动着AI和大模型的发展。同时，数据要素在本轮产业升级中作为一个新型的生产要素，符合国家对于高质量发展的要求，因此它和新质生产力之间存在非常密切的联系。
而王琤的观点更加从业务层面入手，他认为，数据要素的核心是对业务的赋能。以汽车整车厂为例，过去很多汽车品牌商，追溯不良车是一件非常棘手的事情，比如企业发现了不良件，但想要找到对应的不良车很困难，因为不知道不良车在哪，可能在它的装配厂，也可能在4S店，也可能交付给了最终的用户，不同环节的不同核心业务系统，导致整个链条上出现了数据烟囱或数据孤岛。现在对这类问题，便可以通过数据治理或者数智化转型的工具、技术等，将这类业务场景中对应的多个业务板块的数据底层打通，从而解决不良车追溯的难题，这就是数据要素对企业业务赋能的一个具体体现。
赵旭隆结合自己的经验总结到，精细化管理最核心的就是数据要素，它是企业的重要资产，也是拥抱AI时代的关键。他在服务客户的过程中发现，很多制造业企业对零部件的需求，并不仅仅是零部件可以用就行，更多的企业希望可以像人的履历和户籍一样，知道零件从“出生”一直到“死亡”的整个过程。因为这些数据有助于帮助企业在未来改造生产、制造、研发、维修等环节的工艺，从而帮助企业降本增效、提升竞争力。在过去十几年，国内经济高速增长的阶段，企业对这些数据要素并没有太大感觉，因为大家都可以跟着大势成长，但是到了今天，市场竞争更趋激烈的时候，想要对企业的供应链、生产制造、流通以及最终消费者触达做精细化管理，最核心的就是数据要素。数据要素做好了，才有条件积极拥抱智能化。而新质生产力对于企业而言就是创新和优质，如果企业既不创新，产品质量也不优质，那可能很难谈得上新质生产力。因此，从这个角度看，积极拥抱数智化转型，打造数据要素，拥抱AI时代，是让企业增强新质生产力的必由之路。
从上述三位专家的角度来看，数据要素和新质生产力对于行业和企业的发展至关重要，既可以赋能业务，又可以降本增效。
而吴新丽则从宏观的角度，阐述了她对新质生产力和数据要素的理解。她认为，当前无论是中国还是西方国家，经济发展都面临三个关键问题：一是地缘政治，二是逆全球化，三是科技革命。中国在建设现代化的道路上，也必须要破除这三堵墙。
新质生产力的本质和内核是具有颠覆式创新的科学思想、科技突破和产业能量的要素集合，这些集合能带来全要素生产率的提升，具备高科技、高效能和高质量的特征。
对于数据要素，吴新丽认为，数据要素作为新型的生产要素的“新”主要是体现在它与资本、土地、人力和技术这四个传统的生产要素相比，有着本质上的区别。它具有虚拟的、可复制的、边际效应递增和非排他性的属性，在提升生产力方面正在发挥着越来越重要的作用。
不难发现，四位专家对于数据要素和新质生产力的理解可谓是“上天入地”，既有基于当前国际国内环境的宏观理解，也有对产业企业业务发展的微观观察，使得我们对于这两个宏观词汇的理解更加深入透彻。
数智化转型还存在哪些挑战，如何解决？
既然数据要素如此重要，各家企业也都想积极拥抱和发展新质生产力，那当前面临的挑战是什么？企业要如何解决这些难题？或者需要什么政策支持？
马世韬首先介绍了北电数智的情况，北电数智作为一家新型的人工智能国企，在成立之初主要承担了北京市数字经济算力中心规划设计与建设运营的任务和角色，为人工智能产业提供强有力的智能算力供给。此外，北电数智也在攻坚一些国家级重点项目，比如AI异构计算平台和模型适配平台，帮助国内芯片企业的发展，同时也可以帮助数据企业、最终客户找到最优性价比、最有效率的算力模式。目前北电数智也做了政务大模型、医疗大模型、文化大模型等。在这个过程中，从算力到模型，其实最重要、最需要补足的是中间的数据环节。相比国外高质量的公共数据集，中国很多孤岛的、烟囱状的数据无法拿到，90%的高质量数据仍然沉淀在产业侧。因此，北电数智目前遇到的破题难点，就是如何帮助企业或者生态企业、最终客户，把这些孤岛数据、烟囱数据，用安全、可控、可信的方式释放出来，通过可信数据空间能力，让数据的需求方和供给方互相匹配。
总体来看，北电数智目前要解决的问题主要有两个，一是数据的可信流转，二是数据的完整性、一致性和保鲜度。如果说这两个问题是技术问题，那数语科技面临的是两个软性问题。
王琤坦言到，数据素养和组织架构是当前遇到比较有挑战的事情。数据素养是个“舶来品”，它是指每个人都要具备数据相关的能力，才能更好的适应未来的工作生活。从个人角度看，做短视频、保护数据安全或者基于某些数据做相关决策，都是数据素养；对企业而言，其实是指让所有的领导，无论是公司决策层的领导还是下属的部门小组领导，都应该有数据决策的思维。目前很多公司做数据素养主要是培训，而且培训更侧重于术的角度，比如：教员工如何使用BI工具、让业务人员写代码等，但其实数智化思维才最关键。
其次是组织架构，他在服务客户的过程中发现，很多企业的数智化转型反反复复做了很多遍，之所以不能一次性完成，主要的问题是牵头部门的问题，因为数智化转型包括数据治理的过程，其实是一场企业变革，并不单纯是IT部门的一项任务，以金融行业为例，金融行业在数智化转型方面做的很好，原因是2018年金融行业发了一个关于数字化转型的指引，这个指引要求董事长或者一把手承担数据治理、数字化转型的任务，于是很多金融机构会成立数据治理委员会、相关的数据管理部等，而其他的行业在做数智化转型前大都没有这些准备，因此真正落地上会流于表面，难有实际成果。
的确，数智化转型升级并非引入几套系统或者下载更新几个软件，而是自上而下的一次企业内部的变革，如果仅仅停留在表面，很容易影响到转型的效果。
赵旭隆认为，数智化转型需要大量投入，许多企业在财务紧张的情况下，必须精打细算。他建议资金充足的企业应首先专注于数据层的建设。如果数据中台建设得当，企业可以在此基础上逐步扩展其他中台，长远来看，这种投资具有很高的性价比。
Marketingforce迈富时专注于帮助企业在业务层和应用层实现数智化转型，这种转型可以迅速带来明显效果。一旦企业体验到数智化的好处，它们更愿意增加投资。然而，如果企业在没有建立数据中台的情况下进行局部转型，很少有企业愿意一次性构建内部数据中台。尽管如此，接近基础设施即服务（IaaS）层的数据层可能是未来最坚实的支撑。
从赵旭隆的发言中可以看出，资金确实也是制约很多企业数智化转型的难题，只有充足的现金流才敢面对不确定的数智化升级进程。
面对诸多的数智化转型难题，吴新丽则从问题的本质出发，通过逆向思维寻找难题背后的原因。
吴新丽表示，换个角度思考，如果想让数据要素真正有效的释放它的潜能和价值，达到驱动业务创新的目的，究竟要解决哪几个关键的问题？总体来说有三个关键词：一是战略，二是行动，三是认知。
在战略上，企业无论是数智化转型、探索新业务还是布局第二曲线，都需要在企业战略层面进行架构和路径的整体设计规划，否则数智化投资可能达不到理想的效果。
在行动上，回顾云计算市场的发展，从最开始绝大部分企业都选择本地部署，到如今的深度用云，中间花了很多的时间“说服”市场和用户。数据发展也面临着同样的问题，也就是从聚数到深度用数的转变。企业需要更深一步了解自身数据情况，在深度用数上加倍努力，才可能破解转型难题。
在认知上，有三个方向需要我们关注：一是企业的管理层要充分认识到当前产业和技术的变革给企业本身带来的冲击，并快速“拥抱”变革；二是企业全体员工综合数字素养的提升，这是数智时代驱动企业转型升级的关键因素；三是国家层面在人才培养模式方面的谋划和布局，可以在高校开设相应的课程，培养具备数智化理念、契合数字经济发展需求的专业人才。
从四位专家的分享中可以发现，数智化转型面临的挑战可以分为内部和外部，内部的挑战主要是对于转型的战略设计、认知提升和用数的行动上，而外部的困难更多的是市场环境给企业带来的资金压力。当然，政府的政策如果能提供更大力度的支持，也会促进企业的数智化转型。
未来，随着更多创新技术的融入，我们有理由相信，数智化转型将为企业带来更加广阔的发展空间。