近日，零一万物国际业务与AI咨询副总裁宁宁博士受邀出席在日本东京举行的 KAI Summit by Mawari 活动，与来自Mawari、Hyper3D等机构的嘉宾围绕世界模型与物理智能展开讨论。
零一万物国际业务与AI咨询副总裁宁宁
AI的下一步，不只是帮助企业找到更优解，更要让过去未曾考虑的方案，有机会被探索和验证。
从世界模型、工程仿真到复杂工业系统的协同优化，宁宁博士提出，AI有望大幅降低工业创新的探索成本，帮助企业突破既有流程和组织方式的限制，发现新的生产与运营可能性。
以下为宁宁博士的分享。
人类发明飞机，并不是为了让马跑得更快。
有些创新是让我们把熟悉的事做得更好；另外一些创新则让我们发现，事情原来可以完全换一种方式来做，不仅仅是做得更好。
过去几年，人工智能主要在创造第一种价值。
从大语言模型到 AI Agent，我们不断提高机器理解、推理和执行任务的能力。AI 可以帮助程序员更快地编写代码，帮助企业更高效地处理流程，帮助工程师分析越来越复杂的数据。
这些进步固然令人振奋，但AI更深刻的价值，完全没有被发掘。
我们一直在训练 AI 寻找更好的答案。下一步，AI 将帮助我们发现：原来还有一些从未进入考虑范围的答案。
这不是一个关于效率的微小改进，而是一次关于可能性的扩展。
当AI进入工厂、矿山、能源和复杂的产业系统，它带来的变化，可能远远超出今天我们对自动化和效率提升的想象。
01
工厂创新的瓶颈
未必是物理规律
一家大型工业企业，拥有先进的设备、成熟的生产流程，以及一套精密的运营管理体系。每天，数以千计的决策都在发生：怎样安排生产，如何调度运输，什么时候检修设备，如何分配能源。传统优化的任务，是在给定条件下找到最好的方案。
设备能力是给定的，工艺流程是给定的，部门职责是给定的，运行规则也是给定的。
在这些条件下，我们不断提高效率。
但这些被当作前提的条件，真的都不能改变吗？
一座工厂的生产能力，究竟有多少由物理规律决定，又有多少来自几十年前形成的工艺选择、班次安排、部门分工和管理习惯？
有些约束不可改变。材料的物理性质、安全边界、设备的真实能力，必须得到尊重。
不过，企业运行中的另一些条件，却可能来自过去的习惯和选择。我们之所以一直沿用它们，未必因为它们仍然最优，而可能只是因为重新设计整个系统太复杂、代价太高。
改变一台设备的运行参数，已经需要大量工程知识。改变一条生产线的协作方式，需要同时考虑设备、人员、质量和安全。改变一整条从矿山到港口的运营链，则可能涉及数十个系统、多个部门和成千上万种相互依赖的关系。
很多时候，我们不是不知道可以改变，而是没有能力系统地探索改变之后会发生什么。
真正限制我们的，有时不是物理世界的边界，而是我们能够想象、计算和验证的方案太少。
这恰恰是 AI 可能打开的新空间。
02
世界模型的突破
从模拟现实，到探索可能
今天，世界模型正在让 AI 学习环境的变化规律，理解行动与结果之间的关系。
很多人关注它能否生成足够逼真的视频，能否准确预测机器人下一秒的动作。
这些能力当然重要。但我认为，世界模型真正令人兴奋的前景，不只是重现现实，而是帮助我们探索尚未成为现实的可能性。
一座矿山的矿石从开采区域进入运输系统，再经过破碎、加工、铁路运输，最终抵达港口。每个环节都有自己的能力、成本和约束。
假设港口装运能力限制了整个系统的吞吐量。
传统的优化可能集中在提高装船效率、改善排队顺序、调整运输计划。
但如果我们不再把现有运营方式视为不可改变的前提呢？
能否重新安排维护窗口，使关键设备的可用时间更好地匹配？能否改变库存缓冲策略，让不同环节不再相互等待？能否通过调整生产节奏，使上游设备不必追求各自的最高利用率，却让整个系统获得更高产出？
甚至，能否改变原有的组织协作方式，让过去由不同部门分别作出的决策，变成面向整体目标的联合优化？
这些方案未必都有效。但其中一些，可能根本没有出现在过去的优化问题里。因为过去的优化问题，默认了现有的系统结构。
我们以为自己在寻找最优解，其实只是在一个事先划定的空间里寻找最优解。
世界模型、工程仿真和 AI 推理能力的结合，可能让这个空间显著扩大。AI 不仅可以比较不同运行参数，还可以帮助工程师提出不同的系统配置、协作方式和运营规则，预测它们可能产生的结果，再通过专业模型与真实证据逐步验证。
这里必须区分想象与工程事实。世界模型生成的未来，并不等于可以直接投入运行的未来。真正的工业设计仍然需要物理模型、工程验证、经济评估和安全审查。
但这不妨碍一个重要变化正在形成：过去，仿真主要帮助我们判断一个方案是否可行。未来，AI 有机会帮助我们发现，原来还有哪些方案值得仿真。
这比单纯提高预测精度，更接近创造力的本质。
03
AI不仅改变执行的成本
还可能改变探索的成本
为什么这一变化如此重要？
因为在复杂工业系统中，最稀缺的资源往往不只是算力、设备或数据，还有工程师能够投入探索的时间。
一家企业可以有成千上万个值得改善的问题，但专家的注意力有限。跨部门收集信息需要时间，建立工程模型需要时间，比较方案需要时间，协调执行同样需要时间。
于是，大量潜在的改进从未进入正式讨论。它们不是被证明不可行，而是根本没有被认真探索过。
这是我认为 AI 可能带来的一个被低估的经济变化：AI 不只是降低完成一项任务的成本，还可能大幅降低探索一种新做法的成本。
当提出假设、收集证据、建立模型、比较方案和协调执行的成本下降，企业能够考虑的选择就会增加。
过去，一个工程团队可能只能深入研究少数几个改善方案。未来，AI 有机会帮助团队先筛选大量候选方向，再将专家的精力集中到真正值得验证的方案上。
这不是说 AI 能够自动完成工业创新。恰恰相反，工程师的判断会变得更加重要，因为可供选择的方案更多了。
AI 扩展探索范围，人类负责定义目标、判断取舍，并对真实世界的结果承担责任。
更有意思的是，这种能力可以不断积累。
每一次运行、每一次验证、每一次设计调整，都可能让系统对设备、流程和约束之间的关系形成更深入的理解。
当 AI 发现一种新的运行方式，并且经过验证确实有效，企业获得的不只是一次效率改善，还获得了一种可以复用的设计知识。
随着这些知识积累，下一次探索又可以从更高的起点开始。
工业系统开始不仅生产产品，也不断生产改善自身的能力。
这并不是一个全新的科学思想。早在1957年，统计学家 George Box 就提出过“进化运行”（Evolutionary Operation）：工业过程不仅应该生产产品，还应该产生有助于持续改进的信息。
今天的 AI 有机会将这一思想从局部工艺参数的持续改善，扩展到跨设备、跨流程、跨组织的复杂系统探索。
它的意义，不是发明了持续改进，而是让过去难以承担的探索规模，逐渐变得可以实现。
04
从优化系统
到让系统具备重新设计自己的能力
这也让我重新思考企业 AI 的长期价值。
今天，我们习惯把 AI 部署到既有业务流程中。
财务部门有财务 Agent，采购部门有采购 Agent，生产部门有生产 Agent。每个 Agent 都努力把自己的任务完成得更好。
这当然有价值。
但如果 AI 只是沿着现有组织结构部署，它最终可能只是把企业今天的运行方式复制成一个更加自动化的版本。
真正有想象力的问题是：如果从一开始就有这些智能能力，我们还会把企业设计成今天这个样子吗？
如果信息可以实时跨部门流动，某些层层传递的审批和协调流程是否仍然必要？
如果生产、库存、运输和能源可以围绕同一个目标持续协同，某些长期存在的组织边界是否需要重新审视？
如果系统能够预测不同维护策略对整条产业链的影响，我们是否还应该孤立地评价每台设备的利用率？
这些问题并不意味着企业应该推倒重来。
它们意味着，AI 不应该永远被限制在现有流程之内。
在我看来，企业本体（Enterprise Ontology）的深层价值，也不仅是把组织、资产、流程和数据连接成一张知识图谱。
更重要的是，它有机会让企业第一次以相对完整、可计算的方式理解自己：哪些对象相互依赖，哪些决策影响整体结果，哪些约束来自物理规律，哪些只是历史形成的规则。
在这个基础上，世界模型和工程模型帮助探索不同的系统状态，优化算法帮助比较方案，AI Agent 帮助连接具体执行，真实运营反馈则不断修正我们的认识。
这些能力共同指向一个方向：让企业不只是运行一个系统，而是持续探索这个系统还可以怎样运行。
这也是我们在零一万物探索企业 AI 转型时，越来越重视的方向。
AI 的价值不应止步于让员工更高效地使用软件，也不应止步于让现有流程自动运行。更深层的机会，是帮助企业理解自身的运营规律，发现新的协作方式，并将经过验证的改善转化为持续积累的组织能力。
当然，新的设计最终仍然需要接受现实检验。工业世界不会因为一个方案在模型中表现优异，就自动给予它经济回报。
但如果 AI 能让企业以更低的成本、更快的速度探索更多可行方案，那么它创造的价值就不再局限于节省多少人力、缩短多少时间。
它开始改变企业能够做到什么。
05
真正的分水岭
是我们开始重新审视习以为常的边界
回看技术史，许多重大突破都经历过类似的转变。
早期汽车被理解为一种更快的马车。早期计算机主要用于加速人类已经知道如何进行的计算。互联网最初也常被看作一种更高效的信息传递工具。
这些理解都没有错。
但它们都只是新技术价值的一部分。
汽车最终改变了城市、物流和人们的生活半径。计算机改变了科学研究、产品设计和组织运作。互联网创造了过去难以想象的商业模式与协作关系。
真正深刻的技术革命，往往不是把原来的事情做得更快，而是改变了哪些事情值得做、哪些事情能够做。
AI 也可能如此。
今天，我们仍然主要用既有的工作、流程和组织结构衡量 AI 的价值。
但当智能系统能够理解复杂环境，探索不同设计，并将真实反馈转化为新的认识，我们或许会发现：许多被视为理所当然的运营方式，只是技术能力有限时形成的暂时安排。
我认为，下一代工业 AI 最值得期待的，不是某一台机器人比人类更加灵巧，也不是某一个 Agent 能够独立完成更多任务。
而是当我们面对一座复杂的工厂、一条庞大的供应链，甚至一个跨越多个行业的生产系统时，终于有能力系统地追问：
如果不必完全沿用今天的方式，我们还能怎样做？
这才是从自动化走向真正智能化的深层变化。
06
最重要的突破
是发现另一条路
人类的进步，从来不只是不断优化已有的选择。
我们曾经花费漫长的时间，让马车跑得更快，让帆船航行得更远，让工厂的每一道工序变得更高效。
这些努力推动了文明。
但总有一些时刻，真正重要的突破不是在原来的道路上再前进一步，而是有人忽然意识到：原来还有另一条路。
今天，我们正在教 AI 理解语言、理解图像、理解行动，也开始教它理解物理世界。
我期待的下一步，是它能够帮助我们看见那些长期隐藏在习惯、流程和既有系统结构之中的可能性。
让我们不仅能够把今天的世界运行得更好，也能够重新想象它本来可以是什么样子。
最好的答案，仍然属于我们已经提出的问题。
而真正改变世界的，常常是那个让我们第一次看见另一种可能的问题。
* 预约商务合作请点击【阅读原文】
END