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 《食品饮料行业 AI 转型白皮书》（点击下载完整版白皮书），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？
【以下为对话实录，经钛媒体 APP 编辑】
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。
以上为 《数字价值观察室·AI 落地场景观察》 第二期直播的部分内容，接下来，我们也将持续关注 AI 将如何重塑食品饮料行业产业发展。
（本文首发于钛媒体 App）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
