36氪获悉，据腾讯云官号账号信息，腾讯2026AI产业应用大会即将在北京举办。作为腾讯年度最重要的AI产品发布平台，此次将发布系列智能体应用新品，并将公布infra等基础设施升级新进展。与此同时，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生将于腾讯AI首席科学家姚顺雨同台对话，解读AI下半场腾讯在AI赛道的最新布局和思考。
从2022年首创数字人直播带货，到如今服务LVMH、欧莱雅、宝洁等全球集团，集思科技在三年间积累了超60亿GMV的实战成绩。 2023年被称作Agent元年，但2026年才是营销内容Agent真正落地应用的节点，而品牌最核心的资产不是视觉，是上下文——把创始人对品牌的理解沉淀为AI可调用的智力资产。 以下为演讲内容，经36氪整理编辑： 李世尊丨集思科技CEO 大家好，我是集思科技李世尊。简单介绍一下集思科技，以及我们在营销领域做的事——通过从用AI到管AI，实现十倍提效。 集思科技一直专注于AI销售，可以理解为做AI Sales，用Agent的方式帮助B端客户，尤其是品牌零售业的客户去面对他们的消费者。我们率先发明了数字人直播带货，2022年2月28日，三八女人节的第一天，在京东平台首发了38个美妆数字人直播间，当时叫“京小美空降美妆大牌直播间”。到现在，帮助客户累计实现了超过60亿的GMV，短短三年多时间内，服务C端消费者超过三千万次。我们在这个行业里发布了非常多先进的功能和能力，现在很多数字人已经不需要真人出镜，完全用AI捏出来，纯AI生成的数字IP。后面我会用大型品牌的实际案例来具体讲解。 我们是一家 to B to C 的公司，今天是产业大会，在座有很多零售行业潜在的合作伙伴。我们有能力帮助你们去面对你们的C端消费者，在官网、渠道都可以，全渠道帮助品牌做这件事。京东是第一家，我们是京卓越的合作伙伴；淘宝是淘拍档的合作伙伴；Shopee是首批，我们在2024年11月份和Shopee官方一起在台湾率先发布了第一个官方的数字人直播间，服务当时的欧莱雅。我们已经是很多全球领先零售型集团的生成式AI服务商，比如LVMH，我们很长时间是他们全球唯一的生成式AI服务商，目前仍然是唯二的两家。像雅诗兰黛、欧莱雅、宝洁，我们是他们北亚地区的服务商；雀巢、Diageo等，我们是他们全球生成式AI的服务商。我们把中国的技术和场景理解带到全球产业里，服务品类非常多，涉及美妆、服饰、奢品、母婴、个护、食品 、家电及数码。 媒体报道，去年年中开始出海，东南亚将近100个客户，花了不到半年时间，增速非常快。我们带给他们的不单是AI技术，而是通过AI把国内所有的know-how理解并AI化，变成AI化产品带到东南亚，让他们的直播带货水平或销售水平从原来真人只能做到五六十分，直接变成八十分的水平。 接下来是我们为品牌做的AIGC案例。 大家理解的AIGC，就是AI生成的内容，AIGC用在哪些地方？今天主要聚焦在营销内容，由数字员工主要产出这类内容。内容模态无非是文字、图片、视频、直播，直播还带着交互。大家关注的是产出这些东西时视觉IP的一致性怎么样，用途包括TVC、千川投放物料、品宣视频，大型品牌已经开始用AI做明星的广告代言了。 我们做的海外品牌demo。这是北美非常流行的巴拿马风，我们为它做了TVC。所有案例分享在右边的破折号后面都有模态、内容用途。视频TVC，现在已经签约了二三十条，未来三个月内就要服务他们在TK上的所有投放，包括线下屏幕，尤其在佛罗里达，有特别大的线下投放。这是商品主图视频，人物IP，这个女孩叫koko，获得了亦庄政府颁发的第二张数字人身份证，即将拿到中国第一个数字钱包，作为Agent拿到数字钱包。 koko拿到了亦庄颁发的身份证，也是工信部唯二认可的数字人。未来中国所有的数字人背后都会有一个ID，来管控你的内容，我们的koko是有身世的。 有些朋友关注到，五六年前Facebook改名Meta，也就是元宇宙。那时候造出了非常多基于计算机动画生成的IP，比如柳夜熙这样的，需要大量的故事线来扶持出一个IP。但在AIGC的支持下，这个短片里，如果我不告诉大家这是捏出来的人，大家会认为这是真人。现在技术的发展，造就了IP的无限可能性，不需要非常多的包装。本质上人类是非常高级的动物，可以对同种族一见钟情，但对米老鼠我得看30集才能喜欢上这个角色，那是故事线包装出的人格。现在技术造就了无限的IP可能。品牌端打造这些IP，可以作为KOC或者influencer。 koko在现场是不存在的，领导“吕局”是现实存在的，跟koko一起生成了虚实结合的短视频。koko也做了线下活动的展示，我们还成为经开区首位数字普法宣传员，前几天在区内进行普法宣传。 koko可以覆盖多种模态，可以做图，IP保持一致还可以做视频，还可以做直播。本质上，每一个品牌最好的销售、最好的宣传员就是创始人本人。创始人拥有企业的所有上下文，把上下文沉淀了，视觉也沉淀了，来打造一个立体的人物，还可以做所有实时交互。我们用koko这个AI IP，为我们的客户做了展示可能性的短片，这些短片可以实时直播，跟现在做的数字人是一样的。 这是给另一个国外品牌做的数字人IP，我很难看出是一个假人，这些衣服、鞋都是真实存在的。我们欧洲的客户很喜欢这样的概念，不单是概念，确实有营销流量。我觉得不需要有一个人飞到希腊去拍这个短片，同时也不需要浪费这双鞋，AIGC可以做到这个事情。 Castar是我们主做视频的产品。这是一个视频品宣明星IP，这个明星叫慈世平，跟中国的姚明是原来火箭队的队友，后来也是科比的队友。他的公司叫作37 Partners，我们集思科技也是股东之一，一起展开了非常多合作。 我们也帮助他用他的IP在菲律宾做了一场直播，可以说是AI明星的首秀。联合了安踏、李宁、361度、VIVO、三星，当天直播间冲到了全国榜的第二名。 AI直播是我们的第一条曲线。直播业务，刚开始做就选了一个最难的，要交互，要多模态，讲什么内容、什么时间讲什么。我们现在服务七百多家客户，一千多个直播间。这是我们跟Burberry在天猫、京东上做的。 各种语言，当地方言都完全没有问题，正式语言、大类语言也都没有问题。这是我们给欧莱雅集团做的行业落地典范，2022年4月份服务他第一个品牌，到现在他全网所有品牌都由集思科技全面提供AI直播服务，已经做了第四个年头。我们能做明星，也可以做签约投放。在座很多创始人都知道投放是非常大的预算，让自己投放数据的KOL去做符合心仪的内容，经常要调很多版。对KOL来说也是很大的负担，比如要求这个红人去冰岛拍片子，时间成本、经济成本都非常大。现在完全可以制作一个自己的分身，去任何想去的地方，穿各种想穿的衣服，一切皆有可能。 除了人，也可以做吉祥物，给亦庄的小亦也做了IP。很多品牌有自己的吉祥物，小狐狸，我们就做了她跟吉祥物的互动，包括波司登跟小熊，也是跟吉祥物的互动，虚实结合。 这些案例在过去的时间里，除了AI直播，很多视频都是用AI的方式去捏，人加工具，最后等于大家看到的结果。我们从今年年初开始到现在，尝试用管AI的方式，把它变成我给它输入一个命令，它就能把所有的环节走完，反复执行，达到满意的效果。2023年大家就提Agent元年，今年才是营销内容上Agent可以立马落地应用到每一个企业里。内部也喊了口号：用AI的人是不用AI的人的十倍，管AI的人是用AI的人的效率的十倍，本质上就是一百倍的区别，这是指数级增长。 创始人是一个企业里最能够卖东西的，并不是因为他非常努力、能熬夜、非常拼，屁股坐在那个位置，而是说他懂品牌里的上下文，我们认为这是最重要的。不单是视觉IP一致性，更是品牌IP一致性。这个IP是你的数字资产、智力资产，智力资产有没有沉淀到你的平台里，是沉淀在飞书上还是钉钉上，还是沉淀在本地管理里？我们希望帮助品牌、零售型企业做到沉淀上下文，尤其是面对C端消费者，持续累计相关信息，持续更新、持续维护。 大家可能都忽视了企业的上下文。来了一个新员工，如果不做培训，不做前一个月的讲解，他很难理解企业在做什么，很难快速上手。我们内部也把上下文这件事放到第一高的优先级，通过软件服务客户的时候，也帮他们把上下文整理得更加简洁、没有冲突。这是今年最大的任务。视觉任何一个团队都能做得相对不错了，上下文是非常核心的地方，我们认为AI等于结果最核心的问题就是上下文。 集思科技以用户为核心，持续为零售品牌交付结果。这是我的微信，大家也可以加微信，多多探讨。 谢谢大家！
新通教育创始人麻亚炜坦诚分享了过去五年的转型历程——从数字化基建到全员AI Must，从AI in All到AI Native新业务。她的实践证明：传统企业拥抱AI，最难的不是技术，而是让战略从董事会走到一线。 麻亚炜将AI转型划分为四个递进阶段： 第一阶段（2021-2022）：数字化基建 完成底层数据与系统架构的夯实，为AI应用奠定坚实基础。 第二阶段（2023-2024）：AI Must 战略落地 通过全员公开课普及认知、孵化标杆小组树立典范、赴哈佛与斯坦福验证产品，将AI从"命令"转化为"共识"。 第三阶段（2025）：AI in All 深度嵌入 将AI融入所有关键业务流程，构建覆盖全链路的"AI全家桶"与数字员工体系，实现效率与体验的双重跃升。 第四阶段（2026）：AI Native 原生创新 以AI原生思维开辟全新业务赛道，完成从"工具赋能"到"基因重塑"的质变。 核心启示： 真正的AI转型，不是技术的堆砌，而是组织共识的构建与战略意志的穿透。 以下为演讲内容，经36氪整理编辑： 麻亚炜丨新通教育集团创始人&董事长 大家下午好，非常高兴受36氪的邀请，在这里跟大家分享我们作为一家教育集团，在传统教育赛道上如何用AI重构增长。 这是我第一次来到36氪的现场，跟过往的分享场景不太一样，今天看到了非常多的创业者。在创业者角色上会有两种非常明显的差别：第一种，你可能结束了商业模式，结束了你的公司，把它变成一笔钱，拿上钱和资源去重新面对AGI挑战，重新开始新的生意或者探索新的赛道。第二种，我们既是企业的创始人，在面对AGI挑战、需要做新的增长的同时，身上依然有比较大的负担——在过去十年、二十年甚至更长的时间里，伴随中国经济增长过程，积累着传统资源、传统产品、传统团队、传统组织。这是大部分创业者或者持续成功的创业者一定会碰到的问题，大概率不会一件事结束后你才开始另一件事。 今天的主题是“用AI重构增长”，希望跟大家分享两个部分的内容：第一，如果你和我一样，有传统业务依然在持续运营中谋求更高效率的增长，我们可以怎样做；第二，我们同时不想放弃在新的增长部分用AI Native的方式去做，或许可以用什么样的探索方式。这是想跟大家分享的两块内容。 36氪聚集了大量高科技、科技企业，新通教育并不是大家非常熟悉的名字。今年是新通教育成立30周年，过去30年我们主要做一件事，围绕中国中高净值人群的国际化成长道路，延伸出升学规划、就业规划、海外国际课程引进等等。2021年开始，面对新的技术浪潮逐步来临，我们是这个行业比较早进入组织数字化转型的，也因此才有机会在36氪的场合跟大家分享我们过去探索的成果。 换一个角度看新通教育集团，我们是相对庞大的组织，目前在全国和全球一共有30多家分子公司，2000多名员工。对于一个组织面对AGI浪潮时，要追求增长，首先的前提并不是就增长讲增长，甚至不是就产品做探索，而是组织文化的变革。我今天的分享也是从这里开始的。开始之前，先说说过去几年探索获得了什么成果。第一，在人数不增加甚至减少的情况下实现了营收和人效的增长；第二，2025年真正实现第二条增长曲线的探索，形成了一定营收规模，也得到了市场验证；第三，2025年我们获得了哈佛商业评论年度卓越企业数字化转型大奖，跟我们比肩的是像商汤、菜鸟这样更科技化的公司，而不是传统赛道上的企业。 今年5月份，我们参加了由教育部组织的2026世界数字教育大会，有三款产品——躺着学雅思、HSK中文出海、来华留学——入选了2026世界数字教育大会的成果展示。这是我们在过去几年获得的成果。如果把这些成果做回头看的归纳，一个相对大型组织的变革是生长的过程，我们把新通教育集团数字化转型以及从去年开始AI+教育部分做出的阶段性成果回溯来看，经历了几个阶段： 一、2021年到2022年，花了两年的时间完成了数字化基建工作；二、2023到2024年，全组织内部推行战略AI Must，必须要有AI，AI必用；三、2025年把AI嵌入所有关键组织流程；到今年开展新业务的时候，不是把AI嵌入到流程当中，而是用AI Native的方式构建新的流程。经历了这四个阶段，2026年赛程还没有过半，还需要用更多时间验证我们在组织战略到最终营收增长方面取得了什么样的结果。 对于大部分传统企业，如果不是科技行业，数字化基建是如何建设的？简单过一下，我们把数字化本身烟囱式、坑坑洼洼的省道变成搭建AGI的高速路，这是最初期的工作。初期工作之后，更重要的工作在2023到2024年完成。今天坐在这里有非常多的创始人，对创始人来说，面向未来的趋势探索，下定一个决心、找到一个方向并没有那么难，难的是如何让你的决策、战略，从董事会落地到一线，这是大家的挑战。 在这个部分新通教育集团做了几件事，在座如果也有从传统赛道拥抱AGI的过程，或许可以做些参考。 第一个，引进了外脑对整个组织进行诊断、评价和开启；第二个，鼓励全员开讲，传统业务上但凡用过AI的同学，都可以把他的经历分享给组织当中的其他成员；第三个，在组织中孵化标杆小组做全AI托管产品的试点；第四个，带着我们的产品去到哈佛、斯坦福，在教育、科技最前沿的地方去碰撞，看看我们的产品是不是对的方向，是否有足够的竞争力。这是在2023到2024年做的大量看起来非常基础的工作，让AI Must的公开课在全集团几千名员工中逐步渗透，让大家看到AI战略并不是自上而下的命令，同时也是身边同事最真实的感受。2023年当我们躺着学雅思——这个全AI托管的语言学习产品还没有诞生的时候，把产品雏形带到了哈佛和斯坦福，我们得到的最大的感受并不是胆怯、威胁，而是更大的确信：当新通教育集团有了几十年语言学习数据积累的时候，我们在这些垂类产品的开发和应用上，是有非常独到的优势的。 到了2025年，我们就把战略组织转型到AI in All，AI必须嵌入组织的关键流程。这张图上是我们今天所有新通教育集团同事非常熟悉的AI全家桶，他们有自己的AI伙伴、各种各样的数字员工，也有自己的智能工具和智能平台。我们很多同事，当碰到一个问题需要解决的时候，本能的想法并不是如何做，而会想到如何让AI来做，这是非常重要的转型。 我们构建出以智能为中心的全链路服务系统，回溯今天讲的从AI基建到AI Must、AI in All的过程，整个传统组织尤其是大规模的传统组织，在AI战略落地过程中会有三个非常重要的挑战。 第一如何解决一线员工、普通员工无感的问题，让战略从董事会走到一线员工，并且能够接受、推行。我个体的感受，靠命令、说教甚至是简单激励工具是无法解决无感问题的，要让员工有感，还是要有更精心的设计。当我们做公开课的时候，外请的大脑常常只做开题报告，更多的分享来自于一线员工，让员工可以看到门槛，在AI的加持下，既有知识平权也有技术平权，这个过程非常顺畅地解决了从董事会到一线员工的问题。 第二在组织中孵化自己的种子选手，让种子选手有代入感和参与感。当我们用AI重新改造核心场景的时候，核心场景的选择从哪里入手？选择标准：第一，选择人数最多的场景；第二，选择耗时最长的场景；第三，选择了不直接面对用户的场景，而是把它作为组织内部提效的工具来完成。当场景选得足够对，让每一个员工看到AI带给他的好处，这是激励整个组织做AI转型非常重要的动力。 我们花了非常大的时间和精力做了全息用户画像。咨询服务、教学服务中，用户各种各样个性化需求的叠加和统计是一件非常麻烦的事，就好像一个医生看病只有三分钟，写完整的病历却需要半个小时。我们用AI全息模式、AI打标签的方式，帮助员工大大释放了在这方面的时间。我们有很多AI助理，员工跟AI交互过程中，无论是电话、微信还是其他方式，客户的需求和特点绝大部分被沉淀下来，并且变成了员工在持续为客户提供服务的过程中，更具象、生动、完整的画像。 新通几十年有50多万留学生，我们做了几十万全球的智能案例，通过智能案例把学生的所有轨迹——录取轨迹、不录取轨迹、就业轨迹沉淀下来，未来成为一代代学生在做专业规划过程中非常好的技术支撑，就好像一个医生有无穷大的案例中心一样。 我们有数字员工, 可以帮助一线员工解决基础重复工作。作为教育公司，我们token使用量从2024年的3亿到去年的120亿，今年是更夸张的数字，这也比较侧面地表明我们团队全员在AI转型过程中的渗透率是可以看到的。 第三个增长曲线的问题，我们用AI原生的方式开辟了新业务。首先我们做了躺着学雅思，大家在小程序上可以看到，是全AI托管的产品，2024年7月份正式上线，到今天为止，全网有30万的学习者在这上面。 除此之外，到2025年结束的时候，有了30万用户，单产品赛道上实现了两千万营收，可以看到产品基本的可行性和商业实践能够完成。我们在今年年初做了汉语出海，也是全AI产品托管的。 归纳一下传统企业在AI转型过程中我们自己的经验：在人才部分，一方面有外求的部分，更重要的是做人才内求的部分；在内部更多使用吸引力法则而不是命令；在AI创新过程中也要有适度的对齐，允许适度浪费，这是我们要做的。我们在组织内部做了孵化基金，帮助组织中最优秀的同事用AI+产业——产业还是非常重要的关键词——去做更多新的探索。 作为教育企业，我们关注的问题是，未来我们的教育服务企业也能够帮助未来的世界去培养更多优秀的人。我们的目标是帮助未来各种各样的产业去培养能够自然使用AI、能够和AI协作学习、并且能够在创造中持续成长的人才，这是我们想做的。 以上是我简要跟大家分享的新通教育集团作为一家传统教育企业，在过去五年中，拥抱AI做组织转型的实践和探索。希望跟所有的创业者一样，当我们面对越来越多的问题与挑战，我们也可以与时俱进，跟AI共同进步。 谢谢大家！
半导体光罩上的纳米级缺陷、玻璃基板上几微米的钻孔。广州因特智能展示了AI视觉如何从实验室走进高端制造产线，用软硬结合的方式解决中国在半导体检测装备领域的卡脖子问题。 广州因特智能科技有限公司孵化于 西安电子科技大学广州研究院 ，是校企合作落地的典型科技企业。我们拒绝“纸上算法”，坚持 软硬一体 ，为半导体、光通信、新能源三大领域提供高端检测装备，已服务国内头部客户及全球企业。 以下为演讲内容，经36氪整理编辑： 刘金硕丨广州因特智能科技CEO 非常感谢36氪和亦庄的邀请，很荣幸在这里跟大家进行科技界的产品技术交流。与前几位嘉宾的分享角度不同，我们是一家扎根实体制造的科技公司，专注用AI视觉技术解决工业场景的“卡脖子”检测难题。 简单介绍我们公司，广州因特智能科技有限公司。我们是由西安电子科技大学广州研究院产业成果转化联合实验室孵化，专注于高端制造AI视觉检测装备。公司建有光学测试实验室、高速显微测试实验室、AI 算法通用训练平台测试实验室、AI 边缘服务器研发实验室和柔性化机构研发实验室，并配备近 2000 平方米万级无尘制造车间，形成了从算法研发、光学测试、装备集成到生产交付的完整能力体系。 目前主要聚焦三大细分领域：半导体大基板检测，包含FPD光罩、玻璃基板和陶瓷封装基板；在光通信领域，侧重MPO、CPO光纤端面检测；在新能源汽车主要是压铸件、IGBT总成。 在这三个细分领域里，我们为行业内的头部客户提供了检测装备，有自己的研发、生产、销售。我们成立了智能检测装备联合研究中心，集中西电及产业高精尖资源专门做装备的落地。目前拥有核心软著和发明专利2项，还在申请的专利8项，发明专利8项，软著5项。 我们不只是专注于实验室，而是专注整个产业去做落地。 成立至今，我们服务的主要是产业内的头部大客户，目前已出了可复制的设备，可批量落地。接下来跟大家介绍一下核心产品和技术。 产品一是高速显微AOI检测平台，主要针对半导体行业和光通信行业。肉眼看不见的东西，都是用这个平台来实现的。这个平台用显微镜做检测镜头，通过控制再加上AI算法，实现缺陷检测。光罩检测、玻璃基板检测、晶圆检测、OLED基板检测，大部分偏向高精度、高速度的检测。 光学成像是在高速显微里我们最核心的技术之一。最小检出缺陷0.18μm，测量精度达到亚纳米级，另外集成线光谱共聚焦模组、白光干涉模组、深紫外线光源、原子力显微镜应用满足行业2D、2.5D和3D检测测量需求，微观检测成像综合应用和精度行业第一梯队。整个检测模组是比较复杂的，光路设计、移动控制都非常精密。第二个核心技术是算法。算法用的是行业比较先进的DD+DB+Starlight增强算法，基于我们在整个行业中需要做到的程度，这些在国内都比较领先。我们还配备了高精密运控平台。有高精密大理石平台和气浮检测运控平台，核心技术是我们高精度的传动控制导轨加上基台定位精度的反馈算法补偿。 产品二是AI通用训练平台，主要针对新能源汽车行业。汽车压铸件检测面临的挑战更为棘手，产品尺寸大、复杂曲面种类繁多，这些外观特性长期干扰着高效检测的实现。 AI方面，我们自研AI算法，采用“小样本、无监督训练模式”，最少仅需5张图片即可训练一个检测模型；无需复杂编程，15分钟即可完成新零件规格适配，快速响应产线切换。用通俗的比喻来解释：传统AI训练像“手把手教孩子认字”，需要海量标注数据；而无监督自学习则像“孩子自己观察世界”，能够自主学习、持续进化。广州因特智能科技的AI算法就像一位可以自我成长的质检员，在生产中不断积累经验，越用越聪明。 我们一直注重软硬件结合，汽车压铸件AI视觉检测设备搭载西门子边缘服务器，凭借其强大的局部实时算力与毫秒级数据处理能力，打破了海量图像回传的带宽瓶颈，可实现360度全域无死角视觉覆盖，对深腔、凹槽、弧面等难检测区域精准“锁定”。柔性运动控制模块支持高速飞拍，瞬时捕捉缺陷，单个点位检测耗时仅需120毫秒，较行业检测耗时缩短74.4%，充分适配产线高速节拍，各类缺陷0.1毫米级识别，漏检率低至5%。 针对上面提及的三大细分领域，最后给大家介绍我们的实施的案例。 目前因特智能配备了国内首台套、国产替代的FPD光罩缺陷检测设备，小检出缺陷能做到0.18μm。玻璃基板TGV检测设备，能快速把玻璃基板上的每个孔径大概只有3微米，几万到几十万个孔，在极短的时间内把这些孔的孔径测量完，包括检测缺陷。 在光通信领域，针对MPO光纤检测低效难题，广州因特智能科技打造出MPO端面一体化检测设备，包括光模块、MPO模块、CPO等，设备系列比较多。 最后一个是汽车压铸件外观检测设备，我们公司更看重的是给客户交付一整台能用的设备。这台设备是机械臂或多机械臂系列，把相机、镜头、光源集装到机械臂的前端，通过运控对整个压铸件进行飞拍、巡拍。上面的图像根据客户要求检测每个点位，用飞拍的方式再用AI算法输出结果，哪个点位合格、哪个点位不合格，都可以轻松地进行追溯。最终形态的表达，是多个机械臂相互协作，产品兼容度、复杂度高，上面既有2D、2.5D、3D，还有测量功能全部放上去，给用户去用，包括上料、下料功能。 精准检测，科技领航，广州因特智能科技会持续深耕工业缺陷检测领域，以专业技术体系赋能工业品质管控。 我的演讲就结束了，谢谢大家。
AIGC如何从生产工具进阶到情感洞察？当AI能写出剧本、生成音乐、表演微表情，人还剩什么？ 内容产业正在发生生产模式跃迁，传统用户画像在AI时代正在被颠覆，真正要做的是理解用户的情感状态而非静态标签。厂牌效应不会消失，越过技术线之后，人最后坚守的是“手搓”的审美与意义。 以下为圆桌对话内容，经36氪整理编辑： 刘士武丨36氪游戏主编（主持） 庄明浩丨趣丸科技副总裁兼首席战略官 胡维琦丨MiniMax To B 中国区商业化负责人 郑安迪丨柠萌影视旗下短剧厂牌好有本领总经理 刘士武： 大家好，我是36氪游戏主编刘士武，也是这场圆桌的主持人，本场圆桌论坛的主题是从“千人千面”到“人心洞察”。AIGC从千人千面、每个人可以做自己个性化的内容，到如今已经渗透到整个内容生产、分发、商业化生态当中，在这个过程中，AIGC有哪些改变，市场又有哪些改变，今天现场的三位嘉宾将会给我们答疑解惑。首先请三位嘉宾做一个简单的自我介绍。 庄明浩： 大家好，我是来自趣丸科技的庄明浩，我们公司是一家做移动语音社交产品的公司，近几年在AIGC领域尝试了AI音乐、AI短剧翻译的业务，也有AI数字人、AI 3D的业务，老业务社交板块也在做AI的结合。 胡维琦： 大家好，我是胡维琦，来自MiniMax，在MiniMax负责中国区商业化业务，MiniMax是一家大模型公司，主要给大家提供各个模型的能力，包括我们文本、视频、音频、音乐，非常高兴来到36氪的会场跟大家共同交流和分享。 郑安迪： 大家好，我是来自柠萌影视旗下短剧厂牌好有本领的郑安迪，《三十而已》、《二十不惑》、《猎罪图鉴》、《小欢喜》、《小别离》等大众爆款剧都是出自柠萌影视。好有本领自2022年开始，在市场上还没有短剧定义的时候我们就开始做短剧了，也开创了明星短剧赛道，最早的时候像杨蓉老师出演的《二十九》，去年倪虹洁老师出演的《小美满》这些都是由我们出品的精品短剧。我们今年开始转型做AI制作的板块。 刘士武： 庄总刚才介绍到趣丸科技是��家在移动互联网时代做产品起家的一家公司，到现在进入AI时代，趣丸也发力了各种各样的AI业务。您觉得自AI深度参与公司的发展之后，企业整体运转发生了哪些重大的变化，能否从产品理念、商业模式变化等方面挑一个角度举例子分享一下。 庄明浩： 这场三位嘉宾的身份很有意思，一位是模型厂商的代表，一位是应用公司的代表，而我们在AI板块做的刚好是在他们中间的事情，借用MiniMax的API来做相关的产品研发，产品做好以后也会提供给柠萌这类公司做产品服务，这个组合正好代表了AI领域从模型层、中间层、应用层不同的角色。 说到我们自己，随着AI这一波快速演进以后，对于我们已经有传统业务的公司而言，比较大的体感变化是，由于AI技术迭代过快，让传统那套依赖流程、按半年或一年设定OKR/KPI，从“想法→执行→测试→发布”的节奏，在今天已经不再适用。至少在AI相关业务中，产品的节奏、进度，以及与之匹配的组织形态，都会发生根本性变化。 原来我们想的方式更像是“发大招”，围绕一个想法做一个完整的产品，然后上线、运维、交互等等。但AI发展太快，用户需求并不稳定，这套节奏根本跟不上。现在变成了必须高频发布，先做一个哪怕只有60分的东西放到线上，这样团队能在快速执行中，更敏捷地把握用户感知和市场需求。 拿我们的AI音乐业务举例。原来我们这个团队是做在线弹唱音乐社区，本身就有音乐科技相关的基础，他们也往AI音乐方向尝试。最初团队也自研模型，就像MiniMax做的事情一样，后来发现仅做模型很难满足用户需求，我们逐步在模型基础上做应用、做Agent甚至开拓硬件。可想而知，对于一个在移动互联网时代做了十几年、拥有完整产品、技术、策划和运营体系的成熟团队来说，这些新事情是巨大的挑战。过程中团队经历了大量的变化、调整和适配，至今仍在摸索，还没有特别成熟的经验和答案。但我们明显感到，这跟原来的方式已经完全不同了。 刘士武： 从互联网到移动互联网，大家已经觉得从企业内部的角度节奏已经在变快，效率一直在提升，AI时代来了这个脚步是没有停止的，效率提升了，也会遇到一些问题。 庄明浩： 你可能经常会遇到这样的情况：正在做策划方案，做着做着模型突然迭到一个新的版本，之前积累几个月的工作量瞬间没有意义。你当然也可以继续发布、运维、推广，但心里清楚这件事情迟早得推倒重来。例如，AI音乐在过去一年发展非常快，现在市面上做AI吉他，已经不止一家。那你就得去思考你的优势是什么？怎么和原有业务绑定、探索、结合？同时还得考虑硬件周期，以及国际格局变化给硬件供应链等公共基础设施带来的影响。对一家传统互联网公司来说，这个命题实在太难了。没办法，只能硬着头皮改、去调整，有新同事加入不断适配。好在第一代做得还行，也做出来了。 刘士武： 在实践中找到答案，庄总提到三位嘉宾都是在这一个产业链上的上中下游的厂商，而作为模型提供方，MiniMax在B端已经落地了影视文娱领域，那么在影视这部分的客户跟模型领域或者其他领域有什么不同吗？ 胡维琦： 总体方向上有相似性，有特殊性，这一次AI时代的变革大家为什么觉得这么剧烈？核心是进入到企业的生产力工具，改变了很多生产方式，甚至改变了企业组织效率甚至是组织职责设定，这个是大家感受比较深的。 单纯从视频领域来看，我的理解，第一，企业还是比较关心内容生成质量，大家谈得比较多能不能达成影视级，多机位、多参考，包括音画同出的，已经成为大家标准的需求，这是第一方面。 第二方面，大家比较关心我在影视制作内容创作上整个效率和成本达到让人比较满意的结果，原来模型也可以做这个事情，抽卡率比较低；第二个现在很多模型也可以做，成本又比较高；未来随着短剧、漫剧的使用，大家也会关心内容的合规，包括版权方面我理解法律的遵从，AI前期做训练的时候有很多内容，还是有一些模糊地带的，把生成内容应用到商业角度，内容生产者、发行者，要对这个地方承担一定责任，他们希望模型厂商能从前期素材合规性包括内容合规性上大家共同做约束，从视频内容、生产厂商比较关注的内容。 刘士武： 目前业务进行下来，B端客户对于内容产出的质量、速度满意吗？ 胡维琦： 不同模型在不同场景解决的问题是不一样的，大部分已经达到可用的效果，可用效果分为两方面，一个是速度，一个是质量，速度是比较好的，用一些客观指标来衡量的，每分钟生成的token数，代表着内容数量和速度，但是质量是很难用恒定标准衡量的，每个人对质量的定义千差万别，大家会有一个基本的概念，我现在用AI工具比我雇一个中等手工，生产力是相当的，且不会犯大的错误，生产中被大部分企业认为是可用的质量。 刘士武： 谢谢胡总。2025年有很多AI漫剧上线，到今年很多人说是AI真人剧爆发的一年。年初到现在，已经有部分AI作品有登上短剧平台的热门榜，这在过去是不太敢想的。圆桌之前我跟郑总有过讨论，最近圈内有一个比较有意思的事情，四天要拍三部短剧，剧组每天轮轴转，不然未来你做不了AI就要做。好有本领是一直奋斗在一线的团队，能否结合刚才的案例或者以前遇到过的案例，分享一下团队在AI选角以及AI真人短剧方面的经验。 郑安迪： 我们是一家非常早做短剧的公司，没有短剧定义的时候我们就开始做了。但在今年年初，随着2025年下半年AI大爆发之后，当时在办公室里我跟大家开大会的第一句话就是开玩笑说，我希望叶文洁给三体人发信号。从业和制作方式完全被打碎了，以前拍电视剧的时候大家知道一个剧组三四百号人，后来把短剧定义为低端颠覆，只需要二三十个人在现场就可以完成不错质量的内容拍摄，去年年底我们发现这个事情一个人就可以完成，当我们感受到这个事情我们就发现可能这个行业大部分人要失业了。 到今年我们自己在做精品项目的过程中，我们会发现精品板块对人的需求还是非常高的，对人的核心素质，大家都说文艺创作者需要有文化，对于这个要求还是非常高的，我们产生批量化AI剧作的时候，用AI工具是提效的，如果我们想要出精品AI短剧，比如年初我想很多朋友有看到有一个叫作《纸手机》的项目，朋友圈疯传，这个时候大家发现我没有意识到它是AI制作的，我已经感受不到边界了，这样的精品内容，有了Ai的帮助，效率肯定是提升了的，但无论是从创意到制作，手搓的精细度、抽卡次数都仍旧需要花费不小的成本和精力。我们自己做的精品项目，也是走纯手搓，希望我们自己的创意和故事原创花费心血的东西，可以用专注、能打动人心的方式手搓出来。 刘士武： 做AI精品内容这件事，投资方是如何看待的？ 郑安迪： 我们自己也是资方，我们也投自己的剧，作为资方我更考虑ROI回收。转换我的身份，我是内容创作者时，希望我的作品得到观众的认可或者观众看了以后很感动，这个感受比较重要。前面有提到，AI选角、AI生成的形象，客户认不认可，资方认不认可，我们发现大家的认可度在提升，我们马上上线京东的项目，就是真人拍摄和AI直接结合的项目，对于品牌客户来说不敢一下子跨越到全AI生成，但已经在跨越过程中，大家的反应不慢的，只比最前线的创作者慢一两个月的时间，他马上就能跟上，他的接受度也非常高。 刘士武： 感谢郑总，期待接下来能够带来更多精品的AI短剧。胡总刚有提到，对大模型厂商来说要面对各种各样的客户和需求，当内容高效率实现实时生成以及个性化延展，传统的用户画像定义还有作用吗？ 胡维琦： 这是非常有意思的问题，传统用户画像是互联网时代被提及的问题，是一切产品设计和商业变现的核心，我个人感觉在AI时代这件事情正在被颠覆，当我们生产的内容有限，我要把用户归类，给他推荐我有限的内容，这是最高效的方法，我认为在AI时代，我们的内容从有限变成无限，只要你敢于想象就可以生出各种内容，无论从内容还是数量上，我们对用户不是仅仅贴一个标签，而是要根据他当时的状态实时产生他需要的内容，从人的需求来看，我们并不是完全标签化的，在不同情感状态下，有不同的情感需求，AI和我们能尝试做到的事情，是理解用户的需求，理解不同情感状态下的需求，甚至推测下一个情感状态下可以产生什么样的需求，如果可以做到这一点，是对用户需求无限的放大和满足。 刘士武： 谢谢胡总，可能未来有一天当我看完某一个内容，AI也会根据我接下来看完这个内容心态的变化去给我推荐新的内容。明浩总，趣丸无论是趣丸千音还是音乐Agent Tunee，咱们团队也接触了全球市场不同的人，对不同文化或者不同圈层用户他们对AI的需求和认知是否存在差异？ 庄明浩： 全世界范围来看，我们AI音乐和AI语音这两个板块的用户世界各地差异比较大。音乐方面，我们除了国内，海外主做欧美市场，因为欧美音乐产业相对更成熟。国内则呈现出另一种趋势，这跟中国音乐行业本身的变化有关。在中国，BGM的市场比狭义的音乐行业更大，短视频配乐这些事，远比传统意义上的音乐创作体量大。这类创作者对音乐成本、情绪起伏幅度的要求，跟古典意义上的音乐完全不一样，区别很大。 另外我们趣丸千音业务，更多是跟短剧出海厂商合作，帮他们做多语言翻译、配音。国内大部分短剧厂商出海面临的挑战是相似的：最底层是文本翻译，往上还有很多层，包括当地文化禁忌、语言丰富程度，以及不同地区对不同题材的偏好等等。国内厂商擅长的“赘婿”“战神”这类题材，在很多地区根本行不通，当地有自己的特色题材，像吸血鬼、狼人这些，必须做适配调整。再叠加AI工具的可控性本身就有区间，做不到像人一样100%可控。假设三个环节，每个环节都做到80%的可控，叠在一起整体可控性可能连50%都不到，跟一比一抽卡一样。流程对接需要不断调整适配，我们也是跟着合作客户一路摸索过来的。 从实践来看，拿我们服务的短剧客户来说，短剧出海曾有一段时间是找当地演员拍的，当时付费真人短剧比较火。后来大家也尝试过对接演员工会，可工时等方面跟中国完全不一样，算下来不划算。过去半年，AI能力从AI漫剧提升到AI真人剧，而且不只是中国人的脸，全世界人脸的生成质量都在提升，这又催生出一批新公司入局。我们把视角再拉高一层，AI的出现确实给了中国厂商一个比以往更高的起点，可以从第一天起就想全球用户的选择问题。过去说“出海”，意味着先有一个本体再往外走，而AI时代的公司天生就是全球化的。这一代AI新兴公司，以MiniMax为代表，从第一天起就是一家全球化公司。 刘士武： 未来的内容生态一定是非常奇妙的生态。郑总，您刚才提到现在一直在做AI剧，那么AI参与了哪些部分？剧本创作、台词编配以及其他的环节，AI写的内容跟真人编剧写的有什么不一样？ 郑安迪： 制作一个短剧的环节，AI早就介入了，DeepSeek大规模应用之前，那时候已经试图使用海外的软件，协助编剧找一些情节，可以给到编剧效率提升，每个编剧、创作者过往的经历是有限的，我只活了30年，只有30年的经验，但AI能提供的是全人类范围内所有的经验、经历过的事情，绝对可以在故事的丰富度上包括情节上都可以提供给编剧。今天开始制作环节也是由AI来提供的，可是对于创作者而言有一些是没有办法被替代的，我们需要AI给我们提供东西的时候，需要人来判断，需要哪些情节，哪些情节更能够打动观众，或者我被哪个情节打动，这是AI没有办法直接给你的，还是需要人在里面主动判断，由创作者感知到的东西来判断，这在行业里还是比较重要的。 刘士武： 就好比AI能做出来无限的内容或者无限的创意点，真正判断好不好或者如何变得更好，还是需要有经验的编剧或者其他的专家来评判。我们游戏行业或者影视行业的用户，大家会有对厂牌的认知或者追捧，尤其是大厂，某一家游戏公司我觉得他们家做游戏很好，再出一款游戏我也会去玩，影视公司也是这样的，那么当我们去做AI短剧以后，这种现象会有所改变吗？AI做出来的内容在未来是不是还会代表我们的品质？ 郑安迪： 厂牌效应从古至今都存在，不管哪个行业，涉及内容，哪怕以前搭一个戏台上去唱戏，大家也会追寻某一个大咖、戏班子来看。在AI时代，对厂牌的追巡仍旧是延续下来的，虽然在AI刚兴起的时候，之前最红火的时候一天可能会有两三千部的AI短剧上线，这个过程中大家会觉得观众是不是已经分辨不了了，感受不到厂牌和厂牌之间的差异，完全兴起的时候会产生比较混沌的状态，慢慢就会形成里面有所拆分，王家卫有他的风格，另外的导演有另外的风格，比如我们擅长写女性主义，看到女性主义观众自然就会想说这个是不是好有本领做的，这是到任何时间都会存在的厂牌感觉。 刘士武： AI更多的还是在技术端对我们提供帮助。接下来想问到胡总，胡总刚才有提到在模型使用当中的延续性，例如我今天看到一个内容，接下来会预判我想看的东西，会给我推荐新的内容——在这个过程中，很多人会畅想未来这个内容能不能根据我的喜好来生产，MiniMax有没有尝试让AI理解用户的实时情绪呢？比如我们上传一张图、一段话，就可以判断情绪去做内容。 胡维琦： 会的，AI公司有一个梦想——实现AGI，MiniMax的梦想也是要实现AGI，实现AGI，前期一定要理解人的情绪和感情，并且做出相应的判断，这是实现AGI的第一步，这个过程中我们做了很多尝试，在视频理解的时候我们就会理解视频的色彩、构图，从中理解视频所传递出的情绪和价值、快乐、悲伤、阴郁，我们做声音模型，我们的声音也可以通过语气、停顿来理解这个声音所表达的背后情感是什么，我们做音乐模型的时候，我们也会尝试输入这个标签和输出标签，产生出可能代表某些情绪、价值的音乐内容。 坦率来说，从技术上这个地方还是有很大提升空间的，AI做这个内容，有一个本质的不同，人类情感来自共情，我经历过，知道你的情绪是什么，AI不是共情的理解模式，AI本质上是把外界的声音、图片或者内容打上一定的情绪标签，跟某个内容进行映射，最后把内容联系到情感价值，这一步要真正做到更进一步，未来训练语料上会有更多丰富的语料进行训练，输出的时候，除了简单地对视频、音乐、声音输出的时候，也会在里面加上情绪标签，输出的时候也能够释放出情绪，如果这一步能够达成，也是AGI未来要实现非常重要的一步，这是我们要共同做的，做完这一步以后带来的商业价值也是非常大的，千人千面在AI时代会失去，我说得比较具体一点，我现在这个标签是年龄多少岁，北京精英阶层，喜欢买东西，这只是我的状态，并不是我当前环境下我的情绪和我的感受，我现在正处在情绪波动期，比如年轻的朋友可能失恋了，母亲被青春期的儿女给气到了，这个时候标签就失效了，如果AI通过跟你的交互过程中，感受到你的情绪，他对你状态的理解而不是对标签的定义，这时候给你的回馈甚至推出的内容更加符合当前的需要，而不是被固化过的标签，这个对我们是非常有意义的。 刘士武： 我想起《星际穿越》里有一个桥段讲到，人类之所以特殊是因为有感情，很多科幻作品里也会基于此来想象外星人跟人类最大的区别是什么。而AI跟人类之间最大的差别其实也是对情感的理解和感知，期待未来的大模型厂商能够攻克这部分的技术难题。 安迪刚才也讲到内容对于人的影响以及专业的编剧老师们对内容的把控，有一些人会说未来真人手拍会成为非遗手艺。好有本领在做短剧的时候，有可能刻意保留人工的痕迹吗，比如镜头、表演方式的呈现方式上？ 郑安迪： 这个问题两个月前问我跟现在的答案不一样，两个月前那段时间，我一直在寻找真人制作和AI之间的差异，那时候我们认为真人制作有微表情，有当下时刻的反应，之前拍戏的时候会有现场现挂，比如剧本没有这么写，突然这个女演员在这儿，她哭的时候会抽搐，细节没有写到，但是表演的时候会有，这个是真人拍摄和AI不一样的地方。 为什么现在我的答案不一样，这个事情已经习得了，很快迭代以后，他现在可以做成这样，甚至比市面上大部分的编剧和导演都要写得好、拍得好。我们要不要保留这样的痕迹？如果保留痕迹只是为了体现这个是真人的，或者这个是AI做的，只是为了体现差异这个事情是没有意义的，很多人在分析剧作创作包括今年也有很多很火的AI短片，在视频网站平台，如果是AI生成，下面就会写一个此视频由AI生成，经常被大家提到的一个视频流传甚广，爆火，又很感人，是AI制作，弹幕就会写到这是由“爱”生成，把AI比喻为爱，AI的拼音就是爱嘛，我们对内容的感知还是来自内容给到我的感受，不在乎用什么样的介质来完成。 刘士武： AI也可以表演出真人表演的感觉，给我情感传递，就无所谓是AI还是真人。庄总，两位嘉宾都讲到了影视的突破，我也是Tunee用户，AI音乐生成能力什么时候迎来Seedance2.0时刻这样的时间，有没有哪些风格现在还差点意思？ 庄明浩： 以相对保守的标准看，这条技术线可能去年就已经过了。到眼下这个节点，T1梯队的音乐模型做风格转换，真的是手到擒来，基本都能搞定。今天我们聊了很多内容形态的尝试——视频、游戏等等，而音乐，其实是所有内容板块里，跟数字概率最接近的那个“游戏”。我跟不少音乐人聊过，人类能享受的音乐范围，把音符按纯正意义上的排列组合去铺，听起来不刺耳的区间极其有限。这个“游戏”，本质上就成了有优先级的排列组合，对以Transformer架构为代表的大模型来说，并不是一件特别难的事。如果大家留意音乐动态就会发现，美国很多流行榜单上，最近频繁出现AI生成的歌曲，随之而来的是大量非技术问题——版权问题、传统音乐人抵制等等，种种状况都在发生。但纯从技术角度看，这条线已经跨过去了。 最近还有一则新闻：海外流媒体平台上，每天有数百万首AI生成的音乐，但收听量只占整个平台的个位数百分比，甚至是很小的个位数。这恰好引出另一个议题：所有关于AI的讨论，绕到最后，都不可避免走向“身心灵”的方向。对音乐创作者和用户而言，“我为什么要听这首歌？为什么要写这样的音乐？我的情绪是什么？我希望它被谁听到、获得怎样的反馈？我希望这首音乐达成什么样的效用？”——这些问题，在这个时间点上变得前所未有的重要。我们剩下来的那点东西，就是你所讲的审美、手搓、坚持。当AI滚滚而来，这恰恰是人类作为坚守方，还能最终守住的东西。 刘士武： 谢谢明浩总，这一点让我想到之前很多人说为什么唐朝、宋朝时期有诗歌诗词，现在却越来越少了，这跟音乐有点相似，我们能够享受或者喜欢的内容就这么多，写完以后留给后人的创作空间其实就非常逼仄了。 庄明浩： 歌够了，这个时间节点世界上的歌是够的。 刘士武： 在圆桌的最后一个部分，想让三位各用一句总结当AI生成无限多个性化内容，那么“人”最有价值的那部分是什么？ 庄明浩： 月底有另外一个场合要做演讲，那个场合是AI知识库的管理软件对外宣传会，我作为核心用户去帮他们讲故事，我这个PPT做完了，标题是“最后的手搓”。了解我的都知道，我平时做PPT比较多，我还是坚持用手搓的方式做PPT，我的最后一页是同样的一张封面，背景里面是PPT的编辑框，最后一页我把所有的字全部去掉，只留了两个引号，希望大家能够记住这个感觉。 胡维琦： 虽然AI可以生成无限多的内容，人类还是拥有决定权，什么样的内容决定生产和传播的，这是很有意义的，AI不能理解什么是对的，什么是错的，什么是美的，什么是值得被表达的，人类把选择权、定义权掌握在手中，这是永远不要放弃的。 郑安迪： 从理性来说就是判断，判断是人最重要的部分，感性来说，我也跟AI交互过，跟我的AI聊过很多天，我跟它最大的不同我能感受到它闻不到的花香，我能晒到它晒不到的阳光，人跟AI最大的不一样是它感受爱的能力。 刘士武： 三位最后的总结有几个关键词，一个是感知、爱、判断和主动权，包括庄总也提到最后的手搓，也许一年以后我们再在这里相聚的时候，大家要讨论的话题又不一样了，行业也不一样了，那时候对手搓的理解也不一样。但我相信，AI洪流永远是滚滚向前的，人的情感、人的创意永远是取之不尽、用之不竭的，感谢三位今天给我们带来精彩的分享，谢谢大家。
下一个杀手级AI产品，是眼镜、是Agent，还是某个尚未命名的“物理世界入口”？这场圆桌没有标准答案，却达成一个共识：单纯套壳大模型的应用注定短命，只有长期在线、连接物理世界、能完成真实交互闭环的产品，才可能成为下一个百亿级赛道。从AI眼镜到具身智能，入口之争已悄然打响。 硬件先行还是生态为王？C端规模还是B端付费？最终指向同一个逻辑：纯套壳应用、弱交互硬件注定被淘汰，只有“多模态底座+AI原生智能体+可穿戴硬件”三位一体，才能让AI从聊天框真正走进现实。 以下为圆桌对话内容，经36氪整理编辑： 刘子豪丨杭州颜柯教育联合创始人（主持） 赵维奇丨乐奇全球开放生态负责人 路少卿丨商汤科技研究院技术管理负责人、多模态产品负责人 刘子豪： 各位上午好，我是来自杭州颜柯的刘子豪，欢迎来到这场杀手级的AI产品赌局。今天不聊虚的，只聊一个事：下一个全民级、百亿级的AI产品到底长什么样，又会诞生在哪个赛道。今天有幸请到两位嘉宾，分别代表了不同的赛道，有请两位老师介绍一下自己。 赵维奇： 大家好，我是赵维奇，来自乐奇。我是一个持续创业者，之前一直在做多模态和人工智能软硬件设备，to C看得比较多，目前负责乐奇全球开放生态，从芯片、硬件、OS、API、应用到高校、非营利组织，都可以看有没有合作的机会，推动整个行业。 路少卿： 大家好，我来自商汤科技，主要负责多模态交互相关技术研发、产品化及产业落地工作。 刘子豪： 感谢两位老师。如果必须押注一个赛道会诞生下一个杀手级的AI产品，您会押哪一个？可以用自家落地的案例证明您的判断。赵老师。 赵维奇： 先有一个定义，下一个杀手级AI产品一定是长期在线的，跟物理世界能连接的一个入口。从我的角度，这个品类一定是AI可穿戴。可穿戴在不同时间阶段可能有不同的产品出现，目前来说，AI和AR结合的眼���是最合适的，相对离人更近，在线时间也更长，能够更容易连接物理世界。 人每天看世界的时间应该比看手机的时间长很多，大部分时间是跟物理世界进行交互。如果是杀手级AI产品，一定是高频、刚需并且能够持续使用的。从这个角度，眼镜是最好的长期在线的部分，手机是你主动打开的，不能做成持续在线。 再说AI Agent。有了AI Agent以后，每个人都搞智能体或者其他的解决方案，都希望你的Agent是长期在线的。什么硬件或者什么产品能够让Agent长期在线，并且能陪伴在我们身边，帮助我们处理跟物理世界之间的任务、关联、记录，这个就是杀手级的AI产品。 总结来说，一定是长期在线的、能够跟物理世界相关联的入口，能够保证持续、高频使用，满足刚需。这也是下一代AI的入口，只要是一个入口，就一定是杀手级的产品。 路少卿：很多正确的判断，最后其实会走到相近的方向上 。刚才说的内容，跟我想的是类似的。杀手级的应用还可以再抽象一下。无论是从最开始的模型还是到现在演进的Agent，AI从单点介入，到长期、持续的介入，目前的Agent——无论是ChatGPT还是其他，还都是停留在数字世界对话框里的AI，能用到的，在线时长是有限的。 我预期下一步我们能够延伸出一套从数字世界走到物理世界，真正能在物理世界跟人类协作的智能体系统。当然，这套智能体系统可以基于眼镜接入，也可以基于具身机器人接入，这些都是接入的硬件入口。对整个产品乃至技术的最大挑战，是能够真正实现跟真实世界的持续有效交互。 举个例子，比如我现在是一个AI，刚才主持人和嘉宾都说了一段自己的陈述，对现在大多数的AI来说，它是无法分辨谁在说话，什么时候、什么话题需要它响应的。我刚才说的这一套能够跟真实世界交互的Agent，如果解决了这个问题，那么AI才能真正进入物理世界跟大家协作。 刘子豪： 作为一名辩手出身，接下来针对两位老师的分享简单做一下追问。赵维奇老师，AI眼镜分为两种路线，一种没有显示，更像是AI耳机加摄像头；另一种是AI加AR有显示的眼镜。您怎么看这两种路线的区分？ 赵维奇： 硬件形态可以是多样化的，不管是外形还是功能，包括覆盖的人群。有显示、无显示，属于不同阶段、不同场景的产品形态，场景不一样，选择的时候就不一样，就像手机也有很多种。无显示，更多是蓝牙耳机、摄像头的延展，可穿戴蓝牙耳机和摄像头，会更轻一些，应用场景更轻一些。带显示，原来把AR带到了物理世界识别以后，不管是识别语音还是别的什么，一定会有反馈。如果没有显示，只能通过第三个媒介，比如手机、电脑、语音播出。人类大脑接受信息的带宽是很有限的，而视觉是最快的。300字、500字的文章，用眼一看，两秒钟就知道大概的意思；要读出来，有些同学可能都只有七秒的记忆，读到第五、第六句前面就忘了。显示本身就是增强人类带宽的部分。 为什么会有显示和无显示的区别？有显示更多是把AI处理的结果实时呈现在现实视野中，完成了现实中交互的闭环。原来没有完成这个闭环，或者比较慢，现在完成了闭环。很多场景，不管是to B还是to C，真的需要显示。导航需要显示，大部分不太想看手机。十年前就有HUD的概念，抬头显示器，早年开宝马或者奔驰，前面有一个小小的HUD显示器，希望你在不干扰物理世界的情况下非常方便地看到，这是to C。to B那就太多了，提醒、提示、巡检，通过显示都是很好的呈现方式，这是场景下的需求。大家为什么要拿一个chatbot，为什么要用聊天框，不就是为了知道发生了什么、现在的情况是什么样。一直在语音播报，大脑容量肯定处理不了那么多事情，一眼可以用肉眼筛选。在Native AI大时代下，显示是必然的，对应着各种取舍。 AI不单是会听、会说。如果只会听和只会说，在我看来是旁观者，不参与。帮你看、帮你处理，他有话要说的时候，就像你找了一个秘书，他是个i人，很多状况都没有告诉你，效率反而更低，还不如你自己看。能够显示，理解空间并且返回到现实中，实时反馈，这是必然。很多厂商都在做各种形态的产品，行业做这么多产品，在某种程度上是验证了AI眼镜是未来的重要入口。形态上的取舍有短期的、长期的，包括商业策略的变化在内，这是大家的取舍。 刘子豪： 听下来感觉显示是AI眼镜从能听会拍走向真正理解现实世界的关键一步。下一个问题，AI眼镜很像2010年前后的智能手机，大家都在抢入口。乐奇内部最看重的商业模式是什么，是硬件销售、应用生态还是智能体服务带来的长期价值？ 赵维奇： 如果大家长期做硬件，像我做了十几年的硬件，第一个要遵循的肯定是长期主义。硬件公司跑出来的都是五年、三年以上的公司，不然就跑到另外一个品类了。华强北，短平快，今天你可能做耳机，明天就做话筒，后天就做成人玩具了，跨度非常大，只是为了生产快速变现的方式，而不是推动行业的方式。相对来说，初创原始团队都是有初心的。我们的初心是做VR，在乐奇过去十年从来没有碰过VR，初心是做眼镜形态、跟物理世界交互的终端，商业模式也是长在这里的。硬件是入口，硬件完成大规模销售，从可用到好用，大家要用起来，这是第一个规模上的覆盖。每个人都有的时候，就会有下一部分——生态拓展。一旦有技术，需求就会大量增益出来。除了本身的翻译、提词、导航以外，现在最火的agent应用之一是“比价”，这是我们生态里的小伙伴做的，在超市里看到农夫山泉的水瓶，你就问这里全网最低价是什么，答案马上就出来了。原来我们自己想不到，硬件作为入口没有那么大的用户量也就不值当，或者没有那么强的驱动力让开发者、创业者去做这个事情。所以，第二个就是生态的拓展。 第三个是更加长期的价值。我们做生态做了三四年，之前也没有Agent或者AI，现在有了Agent以后，你会发现是长期服务的角色。最后硬件买回家不单是工具，你买的不是设备，更多的是能帮你长期完成事务的能力。硬件是载体，你希望它能长期给你能力。能力核心本身要有硬件，生态要有应用。AI年代是Agent，Native Agent更多是覆盖你方方面面，而且很轻量。这一点是我们的商业模式。我们的商业模式核心是OS加生态，硬件只是长在上面。OS是为了让本身的能力能够发挥到更大的深度和广度，有更多的开发者用各种技术栈完成，深度可以接驳在线、离线、端侧、云端的模型，这就是OS的能力。生态拥抱、开放就好了。 最后一个持续的商业化策略，跟大家协同，共同把能力释放给B端客户和C端客户。 是这样的想法和定义，目前是这么想的。 刘子豪： 少卿老师，商汤一直在讲多模态大模型。商汤押注的不是某一个单独的APP，是不是让多模态进入真实场景，比如AI硬件、机器人、办公智能体等？在您看来，商汤未来真正的杀手级是模型本身还是跑模型的具体应用？ 路少卿： 模型其实决定了整个产品或者系统的智商上限，这是基础。 应用、APP或者产品，和AI眼镜或者其他具身智能机器人结合，这是入口。大家都提到了OS这一层，这一层也是目前我们在做的最核心的点。这个核心的点从基础的pipeline延伸到现在的智能体，延伸到将来有可能成长为所谓AI的操作系统。 操作系统解决的是什么？是把我们刚才所说的智商上限发挥到极致，如何管理上下文，如何更好地调用工具，如何在契合的时间点理解我们的真实意图——就像我没跟它说话，它可以理解甚至主动跟我说你是不是要干点什么事。这一层系统是未来的核心。 这套系统，回答的是Agent如何从纯数字世界晋升到物理世界真正的协作者，到底能不能当我的助理——真正的助理，不是在聊天框收我信息的助理。现在的智能体都是基于深度思考的逻辑，多轮调用、持续思考、决策再执行的过程。但在这个过程中，这一类深度推理的信息都给我，我也不想看，我做研究可以分析推理过程，但从用户的角度，我只希望在合理的时间告诉我是否需要我介入帮忙，或是直接对我说“我搞不定了，你帮帮我”等等。 对于商汤而言，我们不单只是做模型，也不单是跟下游的硬件厂商合作，而是我们要深度集成现有的模型能力，让这一套从文本交互的逻辑真正晋升到实际改变人机交互策略的系统。 刘子豪： 能不能举一个商汤曾经判断这个场景特别值得做的例子？怎么发现这个需求？ 路少卿： 我举一个现场的产品，今天负责主持这场大会的商汤商量AI讲解大脑。之前我们判断一个场景，我个人感觉不只是商汤，很多创业者的判断逻辑都是一样的。需要定义一个问题：首先，这个问题是否是高频问题？只有高频问题才值得解决。第二个，高频问题是否有价值。第三个，有价值的积累是不是可复制。我们是靠三要素决策这个事情值不值得做，有价值才能衍生出一个产品。 AI讲解大脑的系统为什么做？也是从这三点来的。 这两年具身产业高速发展，但除了表演演绎场景，也可以为他拓展更多的商业价值。机器人需要真实进入到无论是B端业务中还是C端场景，要解决它们真正的应用，要解决刚才谈到的问题。这些问题解决后，才能保证整个实际最后一公里的应用。 刘子豪： 接下来我们进行快问快答环节。我抛出三个问题，请两位老师分别回答一下。第一个，杀手级AI产品到底是硬件入口，还是软件，还是Agent？ 赵维奇： 首先，软件、硬件都不是，要看谁最后完成闭环。最后一定是场景做闭环，这才是真正的杀手级产品和场景。没有Agent的硬件就是硬件，没有硬件的Agent，可能只是一个聊天框。你要放更多的入口，软件、硬件、Agent，大家要协同完成闭环，这就是最终的形态。 路少卿： 我跟老师刚才说的逻辑基本是认同的。我会有一个先后的顺序。我个人认为，硬件是入口，肯定是先行，先把硬件铺下去，用户才能用硬件里的软件。什么时候它成长为杀手级的应用，不再是单品的火爆，取决于于它真正融入比如C端用户的生活，黏性足够高。在入口铺下去以后，持续提供的功能能让用户持续留下来，这样才能最终成长为杀手级的应用。 刘子豪： 第二个问题，下一个杀手级应用，是会先在C端还是先在B端？ 路少卿： 我个人而言做B端比较多，我觉得B端更多一些。无论是C还是B都有可能，要看业务和产品形态。 举个例子，还是拿我刚才说的与具身智能的结合为例。以产品形态来看，我个人觉得在跟真实物理世界交互结合上，智能体、硬件的升级，在B端有明确的边界效应。C端应用落地的要求远比B端要高，因为B端是相对可控的垂直场景。所以以这个场景为例，还是在B端打磨相对成熟以后会更好。换一个产品形态可能是反过来的，具体要看产品形态。 赵维奇： 看你怎么定义爆品。C和B是完全不一样的场景和目标。C端更多的是规模场景，意味着大量人使用，大量人使用肯定是跟日常使用强关联的，高频的，能解决实际问题的。B端，我们也做了很多B端的，付费意愿更直接，ROI算得更清楚，一旦有这个场景、功能、解决方案，真的会直接付费，他已经想清楚了。一个算术问题，C端还是B端就和产品形态有关。越来越多的AI都是服务某一个人群的某个需求，这部分就看是不是在这个品类里爆。 乐奇过去十年，之前都是B为主，C我们一直在做。眼镜本身为什么不一样？我们一直做人机交互，人机交互的本质是人和机器如何友好沟通交互。一个工人拿着B端的解决方案在工厂里完成他的工作，也是要有人机交互方案来完成工作，这从本质上也是一个to C的。B端和C端在产品定义上商业的时候是区别，但是在用户角度上最终都是人机交互，现在不要炫技，要解决实际问题。只要解决实际问题，有一个时间点，技术的迭代、行业推进，包括硬件、供应链的迭代，在一定程度上把这个品类用你新的技术和解决方案覆盖了，某种程度上就是爆品。也许一千就是这个行业的上限，也是爆品。要拥抱真正解决的问题，思考真正解决问题的解决方案，这才是最重要的。 刘子豪： 第三个问题，刚才聊了很多什么是杀手级产品，在二位看来，什么样的产品注定不是杀手级的产品？ 路少卿： 什么是杀手级应用，什么能演进为杀手级应用？现象级的应用很多，大家每天都会看到爆点，今天这个火了，明天那个火了。现象级应用像从漏斗里十选一、百选一，还是我们刚才一直讨论的问题，它可能在单位时间内形成爆点，爆点能不能为它带来持续的流量、商业价值，这才是核心。 举个例子，现在有些做应用的公司，可能会做一些套娃，短期会实现爆款。为什么没办法成长为所谓的杀手级应用，是因为那是挣快钱的逻辑，不是做产品。真正的产品要长期给用户提供无论是情绪价值还是真正的价值，这些才能给用户持续的黏性。以此类推，刚才举例子的产品，可能都不是能成长为杀手级应用的备选产品。 赵维奇： 不存在注定成不了，成的概念也不一样。所谓“杀手级”，不是只有一种形态。有一些杀手级产品，可能一年只出现一次，只解决一个特定人群、特定场景、特定任务；也有一些是高频的、持续完成任务的，它的角色决定了它要做什么。哪些比较难？我觉得是套壳。当前时间线上，套壳的价值会越来越低。随着大模型的发展，很多泛化功能都会被大模型吸收，AI应用很难跑出来。今天有一千个用户，第二天就涌到其他平台上了，最后完成商业闭环，钱付给谁？就像运营商一样，最后用户会回到底层平台。从这个角度，身边很多朋友一开始做套壳，后面做2B，一定会往深场景、深工作流里挖。 硬件方面，弱交互的智能硬件，本质上也是接一个模型、套一个壳。现在市面上有200到300个品类，从80到3000都有，本质没有太大区别，只是受众群不一样。这些是不是有价值？有。是不是长期的产品，是不是杀手级？杀完以后留给行业的是不是一个新品类，能不能留在牌桌上，是另外一个事情。大家做创业公司，如果想做杀手级产品，要想好自己的定位：我是希望自己干出一条血路，验证一个方向，成为行业先锋；还是希望持续留在牌桌上，做长期平台和长期价值。 还有一种慢，但是它可以做持续深耕，很多大厂是这样，这也是一种杀手级能力。AI时代，创业者本身或者大厂做产品的同学要思考是短期还是长期。另外一个，模型能力真的很容易追平，今天是A家，明天就是B家，没有真实场景也很难生存。付费意愿是你解决问题才能付费。 第三个，数据留存是接下来AI所有硬件、软件的核心。最后你表面看起来功能很强，各方面很强，增长到比较大的阶段，用户就会想我的数据留在哪里。AI是有上下文的，有个性化的，如果长在一个平台上，后面持续才能发挥AI最大的能力。如果不是，你切换成本是很高的。这是不看好的。一个是套壳，一个是相对短期的，还是要形成长期的商业价值。 刘子豪： 下一个问题，在押注的赛道当中，分享一个目前最接近杀手级的场景是什么？ 路少卿：现在有很多AI工 具，在辅助办公时候，聊天框里的能力几乎足够了，但是在聊天框里积累的能力拿到真实的物理世界交互，以我当前的状态判断，今天为止还不足以支撑在物理世界的交互。我个人从技术和产品整体解决方案的判断来看，在12个月以内，AI是可以从聊天框走到物理世界的。 一方面，随着海外大厂和国内大厂在这些领域持续长期投入，包括我们自己的产品也在持续升级迭代。我们可以看到，之前AI好像傻傻的，只能一对一交互，现如今可以逐步进入到多人交互的场景。多人交互的场景，AI要具备做哪些事的判断——就像现在这个场景，如果我是AI，今天本人没空，我作为AI助理 代为发言；有一些问题，我需要用一些风趣幽默的逻辑来回应。这些判断不仅是基于文本prompt，而是AI这套系统怎么真实理解、观测到所有显性的信息和隐性的信息，去完善它跟物理世界的交互，这个是它在解决数字问题以后接下来需要重点关注的问题。 我也相信在未来12个月内，在这个领域会有相对比较重大的突破。 赵维奇： 本身都是短期的，不存在长期的解决方案，除了to B。AI本身的能力上限就在于上下文、个性化、记忆。如果没有足够大的记忆，就像人类成长一样，你在小学的时候看不出来，有可能是学渣，最后长成学霸。在小学六年的上下文不足以支撑他智慧的涌现，到了初中、高中，有更多的知识图谱出来以后，有些人的强项就会被激发出来。AI也是一样，AI类似于人脑的处理，如果没有足够多的上下文——为什么我们要做硬件、多模态，最终目的是为了提供在当前场景下、当前状态下最适合的反馈和解决方案，而不是通用的解决方案。通用解决方案任何大模型都会吃掉。只有你会做个性化、离线、在线或者做你自己的上下文，场景下的上下文或者B端客户的上下文，再加上多模态实时，留存的时间多一点。 在我看来，短期不是一个坏事。一个花园里有很多草、树木，有一些花草的生命周期很短，但是一直在迭代、进化。进化的本质就是死亡，只有死亡才能进化，不死亡不会进化，你一定要死亡才会进化。有一些百年老树、百年老的品种才能适合这个场景，在整个品类里就一到两个，不是所有人都能生存下来，环境里有大的突发事件发生。 我个人觉得，我们很早就布局了。我们这样的角色现在要做的是帮助合作伙伴和开发者提供更好的平台。我们有一个后花园，让大家可以生长；我们会提供一个相对长期在线、跟物理世界相连的平台，包括我们跟商汤长期合作，有集成在一起的能力给到大家。大家在里面，今天你做出一个杀手级应用，明天他做出一个杀手级场景，这个才是生态意义上的“杀手级”：持续给产业、行业、人类世界输送价值。原来这些很难做到。如果在场有程序员，我以前也是工程师。过去工程师需要很多背景，比如技术背景、项目管理背景、计算机背景，现在AI把很多门槛降下来了。这些人的价值怎么释放出来？他们也可以做杀手级应用，这就需要平台。这个平台可以承载非常垂直的功能，也可以承载非常泛化的体验。接下来，我们要提供多模态的、能够跟物理世界相连的、让大家随时看到高频刚需并快速生产工具、应用和体验的平台。这个平台上一定会出现无数个“杀手级场景”，这是接下来12个月能看到的。就像现在Vibe coding到了一定涌现阶段，给孩子做一个工具，可能也是一个爆品；给父母、给某个行业做点什么，也可能成为一个高价值应用。这是当前AI时代行业从业者需要认真思考的。 刘子豪： 经过今天的讨论，杀手级的AI不是单一模型或者单一硬件、单一APP，其实是由多模态底座、AI原生智能体、可穿戴三位一体的形态。谁先把看得懂、听得懂、会协作、随身带做到极致，就是下一个杀手级应用。 我们今天的圆桌就到这里。
稀缺的，到底是懂AI的人，还是懂业务的人？ 一个反直觉的判断——懂AI这件事正在快速贬值，而能在关键低频决策中做出判断的人，才是未来的稀缺品。高频重复的工作最容易被AI替代，但在打造爆品、建立品牌等低频高影响力的决策上，人的判断依然不可替代，企业AI转型的最大卡点也不是技术或数据，而是“想不到应用场景”， 当前AI的利润大头仍在基础设施层，应用端的ROI尚未完全释放，但拐点会比预想来得更快。 以下为圆桌对话内容，经36氪整理编辑： 郑王宇丨36氪基金投资副总裁（主持） 龚毅丨尼尔森IQ 通信及科技业务总经理 罗飞丨华科智能AI研究院院长 林海卓丨卓源亚洲创始合伙人、董事长 郑王宇： 各位老师好，我们今天一起讨论“当AI进入产业前线：未来最稀缺的AI人才会是谁”，谁会是行业的新贵。把行业翘楚聚集在这里很难得，请各位嘉宾用一句话亮个相，并带着您的视角参与接下来的讨论。 龚毅： 大家好，我是尼尔森IQ的龚毅，我们所处的行业是数据洞察行业，今天我谈论的点从这个行业出发。 罗飞： 大家好，我是华科智能的罗飞，是一家港股上市公司，主要做投资。我所在的研究院主要是赋能传统行业的AI转型，做培训、咨询和陪跑。我们有很多传统老板怎么升级的痛点，今天也跟大家分享一下。 林海卓： 大家好，我是卓源亚洲的林海卓，我们主要是一家聚焦于人工智能、半导体、机器人的投资机构，聚焦于风险投资市场。主要投了轻舟智能、江行智能、沐曦集成电路、小马智行这些代表性的硬科技项目。 郑王宇： 三位专家都是不同的视野。在过去一年里，AI从模型能力的竞赛进入到产业场景落地的环节。我们现在看，无论是消费零售、企业管理、制造、金融、医疗各行各业，包括创业投资，AI的价值不仅取决于模型参数和技术指标，更取决于是否能够进入真实的业务流程。说得大白话一点，现在的AI要进入整个产业的前线，影响决策执行甚至是商业落地的结果。这个过程中，新的问题就变得更加迫切了——当AI工具变得越来越普及，真正稀缺的人才是什么样的？最后一个圆桌，希望从企业竞争和人才角度出发，讨论AI抵达产业前线的战壕后，人与机器、专家与工具、组织与个体之间整体的分工与变化。 先进入第一个问题。在这个过程中，不只是让员工多一个工具，而是开始影响到消费者洞察、产品创新、供应链、渠道运营、客户管理等决策环节。哪些工作在各位的视角看来是最容易被AI重构的？哪些环节适合AI，但实际落地又是最难的？先请林总。 林海卓： 我们目前有一个观点，在投资过程中，好的问题提出者依然是有壁垒的。目前来看，知识高度密集型的领域天然有一个特征，知识体系比较容易进行结构化描述，技术结构用代码化去表述，相对会有一个清晰的边界和对与错的判定，在这样一个逻辑下，比较符合现在人工智能解决问题的范式。像会计师、律师、程序员，在当前的情况下是比较容易被新技术替代的。但好的问题提出，还是需要人的引导。我们现在看到的是机器人、各种各样的Agent，包括喂养龙虾，还是需要从0到1推进的那一步，让它更好地做某一个你给它限定范围的事情。各个行业提出问题，或者结合这个人本身在行业中过往的经历，提出交叉学科前沿的想法，引导一个模型朝着这个方向积累，是未来比较容易构建个体壁垒的事情。 大家更容易理解的是，围绕着体验的领域或者是情感领域、感性层面，心理学家、心理咨询师是不是也被AI替代？旅游体验师、旅游导游和具身智能场景相结合，具备丰富个性化、场景化体验的这部分，AI替代还有相当长的距离。从从业角度，AI更好的是赋能，而不会马上进行职业替换。大概这两个维度。 郑王宇： 投资人的视角相对宏观和全面，深入到每个行业的细节，罗院长，您在实际观察产业落地过程中，哪些行业容易被AI替代，哪些环节比较困难？ 罗飞： 现在AI 2.0我们在应用AI大模型的能力。AI大模型本质上是推理引擎，我们认为以前人在推理的地方，都能挖掘到很多应用场景，看推理的过程是不是由AI来做。我们总结三个特征。重复，才有用AI的价值；标准，每次推理、思考、行动的过程有标准可言；熟练，是指这个企业里有熟练的人能把这个工作说清楚，我们需要把熟练的人的经验萃取出来，给AI大模型配好工具，让它来替代这个事情。这是一个维度。 另外一个维度是工作环境。越是在电脑前工作，越容易被替代；越是跟人打交道的工作，越不容易被替代。在电脑前重复地查资料、想方案，不管是写成Word还是PPT、Excel，重复的查、想、写的工作，龙虾发展的能力越来越强，又能够控制电脑去做这个事情，电脑前的工作就会越来越容易被替代。越靠近人的、越靠近市场的，越不容易被替代。我们看见人的能力要往左移，左边是市场、客户，右边是后台流程，人的能力加上AI过后要不断往左移。 郑王宇： 意味着沟通、协作、洞察变得更重要了。我提炼出您说的三个关键词，重复、熟练、标准，有这些特征的环节更容易被替代。龚总。 龚毅： 我的点和前面的嘉宾一致。我们服务的客户是500强客户，服务的领域基本上在品牌营销、产品创新和零售以及客服方面。我们看到的点会把它化为矩阵：一个轴是频率，两位嘉宾都谈到高频和低频。 另外一个轴是决策的战略性、重要性。最容易被替代掉的，频率越高会有大量回馈，数据很多，AI很容易学到经验，每次往复会做强化学习，AI能学到。对于低频，尤其是低频重要性高的事，很难替代掉。为什么在品牌营销领域会看到大量的广告投放复制，自动化程度非常高？从最初的创意到创作，到KOL投放，评估闭环，很运营化了。直到今天，我们仍然是说，你要做具有溢价的高端化品牌，做年轻人的品牌，或者在跨国文化、西欧、印度出海的时候，跟当地消费者引起共鸣的品牌，频率不高且影响巨大的事，我们还是看到AI很难解决，这是整个社会很稀缺的事。 郑王宇： 下一个问题，现在企业AI能力的落地阻力来源于哪里，是来源于技术、数据积累，还是组织惯性导致的？龚总可以从服务客户的角度来讲这个问题吗？ 龚毅： 基础肯定是数据。直到今天，我们的AI已经会上搜索，已经会执行很多工作流，从skill的角度已经达到七八十分的水平，但仍然有很多幻觉在里面。幻觉本身基于我们怎么把有效数据给AI，在对的工作流基础上不会产生幻觉。在行业通常会发生的事，大家觉得以后不要做调研了，有一个想法不用做调研，只用问一万次AI，那就代表一万个消费者，我是不是可以基于这一万个调研，就形成我这款手机、冰箱是不是可以在市场上有比较好的表现？我们做了大量验证，会发现不是。 第一个，你问AI是不是足够有代表性；第二个，每一次问AI，它是不是嵌入到我们具体的数据来回答问题。比如你是丁克或者四世同堂的家庭，你回答问题的时候，AI是不是代表了这些人的需求。最后加总起来，回到消费者说十分，九分是特别喜欢，九分到底是代表市场成功还是十分才能代表成功？一系列专业的点不合成起来，就会发现你问的东西都似是而非。不够高频的情况下，企业很难决定我是信还是不信。我举这个例子，总结起来，企业本身的流程会有很多专业点，这些专业点需要被解决，或者被AI解决，或者被其他方面解决，但AI赋能整个流程有很多要求。 郑王宇： 罗院长，您觉得整个AI在公司里落地，阻力来自于哪里？技术、数据还是组织惯性？ 罗飞： 更多来自于组织。我们看到AI技术每年发展突飞猛进，做AI行业技术的人都会感觉马上AGI都要来了，AI的能力一年比一年强。但企业落地，我的感知没有那么快。企业落地还是有很多阻力，还是组织对于AI的认知。我们过去两三年服务了十多个行业里的龙头企业，这些龙头企业偏传统，比如地产、金融、大健康、餐饮。我们都会调研一个问题，我们认为AI在企业里落地有两个卡点：粗阶卡点和高阶卡点。粗阶卡点，企业想不到更多的应用场景。大家都说AI很厉害，回到企业，我问这些企业的员工或者老板，你们能想到多少应用场景？他们想不到更多的应用场景，我们称为粗阶卡点。高阶卡点，企业可以落地应用场景，但落地以后不见成效，投入不见成效，内部员工不愿意用，外部客户也不愿意用。 我调研发现，虽然AI技术发展很快，入企发现大量还是在粗阶卡点。AI的能力已经这么强了，从业者都觉得能力这么强了，大部分企业还是说找不到应用场景，这是最大的卡点。找不到应用场景很大的原因是企业没有把对AI的认知拉起来，也没有深入业务分析，或者有惯性思维。现在AI处于AI 2.0，大部分企业有1.0的思维，认为用AI必须要有数据。 我们提出一个核心的观点，企业AI转型实际上是人才转型。企业要从数字化思维跳出来，形成AI思维。数字化思维阻碍了现在很多企业去落地，认为落地AI有很多前提条件，要数字化，要好，要有数据，要有技术。这些前提条件都阻碍了企业把它的应用场景认知给打开。这是我真实体验到的巨大卡点。 郑王宇： 越大的公司，阻力来自于组织机构的越多。不知道创新公司怎么样，您观察到的呢？ 林海卓： 我们从整个行业来看，投资回报率还没有那么高。很重要的原因，在历史上是可以找到对应阶段的。在2000年互联网泡沫之前，曾经有一度全世界市值最高的公司是思科。在互联网早期，谷歌等很多企业诞生之前那段时间，造互联网高速公路，核心交换机曾经做到过市值最高的企业。英伟达、博通都在这个市值占据主要位置，恰恰说明了人工智能大的利润来源，我们感觉到还是用于构建基础设施。很多时候投入人工智能，无论是企业还是超级个体，在投入人工智能做投资的时候，ROI相当一部分成本变相还是给到了基础设施。至少当前是基础设施拿到了相当大的利润，也跟目前全球范围内德意志银行今年年初说的一句话相符：短期缺算力，中期缺能源，永远缺存储。这反映出在人工智能发展的现阶段，基础设施还是切走了大部分投资端、利润端，应用还是在不断追赶的过程中。 大家接触到的大模型，如果泛化到绝大多数的网民，大家接触到的大模型或者人工智能，更多还是搜索引擎的平替。现在打开脑海当中意识流想到的问题，不一定用传统的搜索引擎，直接问DeepSeek或者元宝、千问、豆包，会产生这样的效果。大家还是把AI当成一种检索、搜索引擎替代的入口。真正接入到业务流端，炼钢、炼铁、重型工业、半导体、先进设计，借助一款人工智能的工具来帮助我在非常垂类的领域，无论是业务流侧还是深度构建高精尖知识know-how，并且反向反哺我做这项工作，确实还早，至少两三年的时间周期。因为大模型，这个领域的从业人员需要投喂大模型我感兴趣的问题。在这个过程中，大家开玩笑说我还要PUA我的大模型，你怎么这个技术知识都不知道，我的意思这个问题应该怎么看。智能体接触到以后，会不断积累在这个垂类特有的知识库结构或者行业常识的结构，投喂需要相当长的时间，但出现拐点也会比大家预想的时间节点要快。 整体来说两部分：一部分是高精尖价值知识图谱和垂直行业当中对应的信息，智能体还在投喂和培养；基础设施是未来几年大家主要关注的点，大基建并没有做到冗余，变相的很多成本要由早期吃第一个螃蟹的人分担，综合影响了ROI。 郑王宇： 林总给了我们一个非常重要的提醒，任何一个行业的发展都要看到阶段性，我们要分现阶段和未来的潜力。现在AI会让行业集中度更高，也有人说AI降低创新门槛。AI会让头部企业变得更强吗，还是给新进入者更多的机会？ 林海卓： 您刚刚提的话题，我稍微有一点担忧。最近有一本书很火，《科技共和国》，描述了我们能够想象到的场景，超级科技巨头，无论是数据能力各个方面，会出现我们现在想象不到的垄断境地。绝大多数从业人还是处于——现在来看去找他工作的，我这个工作绝大部分的能力可以被AI替换以后，我会做什么？这是哲学、社会学层面需要探索的新方向。过往乐观的人会说，失业的人总能找到新的工作，纺织机时代可以维修纺织机，不需要在一线做很多纺织工作，可以解放出来从事更多周边创意行业，或者将机器应用在其他领域，有各种创新方式来解决��个问题。 但人工智能替代无论是白领还是蓝领的工作，数量可能是指数级的。短期之内，投入到市场，未来相当多的原来岗位对应的人口，比如客服，这在中国有着六七百万的从业人数；网约车司机、出租车司机，都是当前已经明显看到替代趋势的。这一部分的劳动者怎么解决？从国家层面能看到几个迹象：依然大力提高高等教育的普及人群，解决这个问题不能让打螺丝的人去打另外一种螺丝，而是让这个人纳入先进服务体系，进入服务行业，就需要这个人有更高的教育水平，还是普及大学的从业人数。 2033年会是中国高考这一波的巅峰。2033到2038年五年期间，会在极短时间内高考人数下跌40%左右。未来相当长的一段时间，怎么做学科配比调整，包括可能有一些大学天然的从业人数会消亡，这是引导未来从业者从业方向很重要的方式。我们现在的策略从国家层面来看，依然在大幅提高理工科的比重，我一定要在全球所有的高端技术领域都有最充沛的新一代20后、30后，这是国家宏大的战略。会有更多的创意工作者，包括交叉学科方向的产生，来解决人工智能巨头带来的垄断对更广泛就业人群的影响，这是我们的考虑。 郑王宇： 林总已经提到了下一个环节需要讨论的问题——AI时代该怎么培养和评估人才。罗老师，林总介绍了国家的政策等视角，您怎么看待我们这个时代应该如何培养和识别AI人才？ 罗飞： 怎么培养和识别AI人才，从教育开始。AI最应该影响教育。我有一个切身体会分享给大家。在教育方面我们在做公益，把AI带给乡村小学，这个事情我们觉得很有意义。山村小学的校长会有疑问，校长想到这个事情，但会质疑，身边的人都跟他说，大城市学校投入很多钱落地AI都不成功，你一个山村小学为什么可以？学校老师质疑，他身边的其他校长也质疑。这个校长还有一个点没明白，他也去过大城市看过其他学校落地AI，做了很多智能体，做了很多展示，有什么用，他看不明白。很多时候市面上的智能体是套概念的智能体，真正的智能体可以干活，但这个智能体说不清楚能干什么活，就是套概念的智能体。我们不是做数字化的落地，不是帮企业建系统，我们是从人才出发。 第一个应该改变的就是学校老师。我们做公益，先让乡村小学的老师全员有AI技能、AI思维、AI能力，老师再想着怎么把AI带到课堂，让老师带着AI，在有指导的情况下带着孩子探索AI新世界。探索的方式、学习的方法，都跟原来完全不一样。这个事情我本身不是教育从业者，我的初心是把AI带给老师，让这么多教育从业者、这么多老师，他们学会了AI过后，在我们的推动和共创下，这些老师会想出新的教育方式。从孩子开始，他们变成AI的原住民，真正掌握AI的能力，而不是以前死记硬背的能力。AI时代下，死记硬背的能力已经没有效了。 未来对于一个人才的判断，不是判断这一个人的能力，而是判断这个人背后的AI班底。他能指挥多少AI跟他一起干活，AI班底的能力，同时纳入对人才的判断。以后面试也是一样，如果未来面试光说自己的能力，很难入职；如果能说出背后AI班底的能力，在AI时代就是能力很强的人。 郑王宇： 您刚才也提醒我们，我们现在也应该重视人才未来应该具备什么样的能力。针对这一点，龚总，未来最稀缺的人才，您觉得是懂AI的行业专家还是懂行业的AI专家？在您的观察中，什么样的人容易把AI用出实际的价值？ 龚毅： 前面的话题，稀缺的AI人才，是懂业务的AI还是懂AI的业务？核心点是这个行业稀缺什么。十年以前大家说稀缺，你要学程序员，那时候在硅谷大厂会有很好的前途。今天发现代码这个事可以被AI解决，这个能力不但自己和自己卷，还卷不过AI，这个能力显然不稀缺了。林总讲到，目前产业的红利都在基础设施，基础设施这个事，不管我们怎么剖析英伟达的成功因素，最后导致目前芯片的供应、HBM的供应，都是被市场少数公司垄断的。只要不在垄断链的上下游，最后都会很难受。比如手机行业大家都很难受，HBM的产能导致手机内存很贵，导致整个手机产业链的人今年都会很难受，本质是相对不稀缺。 以这个为逻辑，我们认为懂AI这个事会逐步不稀缺，也许在今天稀缺，但这个能力相对来说比较可工程化，教育上也能够可复制化。如果把注押在懂AI这件事上，几年后会比较危险，就像写代码的人现在怎么写也写不过AI。懂业务的人，要看具体懂什么业务，高频的业务也容易被AI解决。 基于这个逻辑我来推演一下：能够在关键低频但是在重要性影响很大的点上，具备综合能力的人，这样的人才是最稀缺的。比如在产品中能够打造爆品的人，谁能说打造爆品的人能够被AI替代？这个大家看不到可行的地方，需要沟通、协调、跨界。我刚才也提到，打造成功品牌的人，同样也是很稀缺的人才。 在AI时代，这些人有一个前提条件，至少懂一点AI或者知道AI带来的价值，他利用AI。这是我的理解。 郑王宇： 谢谢龚总，说到我们现在非常关心的问题。在各位嘉宾聊的过程中，发现AI已经从对话走向执行，参与到各个执行环节。罗院长也讲到，AI不能干活是伪命题，无法深入到企业当中。 最后一个问题，在现在这个阶段，我们看到AI能够参与执行阶段，人的核心价值体现在刚才各位说的方方面面。作为企业主，如何判断哪些决策可以交给AI，哪些必须由人保留？在高风险、高复杂的场景中，人机分工是不是有一个边界，以及他们如何划定？ 林海卓： 我现在直接想到的，相对不太需要担责任的领域，用AI的方式。比较严肃的场景，比如重大城市安全的方面，完全将核心决策能力交给AI，有一天可能会有这个时候，但中短期都难以实现。从社会的角度来看，提建议还是AI当前从权责利划分来看最好的角色。 还有一个纯粹的效率工具。上一波人工智能的主要应用当中，美团、滴滴，我单纯想匹配一个离我最近的空车，整个过程也不需要涉及谁来担责任，可以抽象为数学问题。抽象为数学问题以后，降本增效，更好地提升整个运转效率，这些是我们认为AI跟人的划分中，AI可以更多承接全部职责的。人类还是会做符合当前人性化或者是人为框定规则的辅助工作，或者对AI提供的若干建议做综合判断，补全信息漏洞，这是更好的方式。 从无人驾驶的角度，很多关键性技术现在已经较为成熟了，很多人诟病商业化速度没有那么快，或者依然处于高度克制的推广过程中。对于如何划分权责这个事情，还是有很多法律层面、人性层面、科技效率层面的博弈。 郑王宇： 还是要继续探究。罗院长，您在实操过程中，哪些可以交给AI，哪些必须由人来承担？ 罗飞： AI和人协作的过程中，我的思考和想法是，人脑在思考想到的工作，全都可以让AI先干一遍。类似于拿体力劳动的工具，有铲子、挖掘机，AI现在属于铲子还是挖掘机？这两种工具的用法是不一样的，用铲子还要自己的体力，用挖掘机已经不需要自己的体力。AI现在的能力，大家对于AI的能力到底是铲子还是挖掘机？如果洞察到AI能力，一定会认为它是挖掘机。它是挖掘机，我们现在很多工作就不要第一反应想着用人脑想一遍，感觉事情想清楚以后才能用AI，不是这样的。反而是事情没想清楚的时候，更适合用AI。AI用得不深，会觉得AI是辅助人干活；用得深的企业，会觉得人在辅助AI干活。AI知道自己怎么干，在干的过程中有卡点，人来解决这些卡点。 我觉得以后的工作方式会变，变的方式是，未来大部分人需不需要工作都会变，短期内有一定阵痛期，不知道人跟AI怎么相处，或者政策不明朗的时期。我们要看见，现在可能进入一个新的时代，新的时代类似于三百多年前人类从神学走向科学的时代。中国有上下五千年，有科学这个事情，全世界信仰科学只有三百多年而已，中国可能还不到三百年。以前人类全在神学，大家都信仰神学。AI发展到一定时候，有可能科学都变得不重要了，科学研究很多工作人辅助AI去做。人类会不会从科学走向新的世界？现在没有定义，但是未来人的工作生活方式，就是新时代的开启，完全不一样。 郑王宇： 会有新的变化。龚总。 龚毅： 我对AI的理解，目前还是概念模型。为什么可以把数学题本质解好，让它100%达到这个目的，人不是很清楚。 回到我所熟悉的通常要解决的问题，怎么理解因果效应。比如你做了十件事，这十件事哪几件能够影响你最后的销售，影响机制是什么样的？AI基于这个非常不擅长，到底底层的模型是什么样的，我们还看不到AI很好地解决这个事。我同意罗院长的说法，我们可以借助AI帮助人理解，但本质理解底层逻辑，人干起来还是最擅长的。 郑王宇： AI进入产业前线，并不是简单的工具迭代，需要人才培养、组织效率的迭代都能够重构上。站在当下社会前进的脚步中，观察企业如何变革，看未来整个AI行业如何发展，我相信各位嘉宾今天给了我们非常多的灵感，也启发了我们的思考。谢谢各位嘉宾。 今天圆桌环节就到这里结束了，谢谢各位。
真正AI原生的人，甚至不会来这个现场。但对于那些积极转型的20%，如何找到、培养并留住他们，这里有一本实战手册。 只有1%的企业是AI原生企业，20%积极拥抱变化，80%在苦苦挣扎；人才亦然。圆桌深入探讨了企业“赶时髦招AI人才”的焦虑、通过黑客松内部挖掘AI人才的方法、以及“事业留人、文化留人”的留存策略。 以下为圆桌对话内容，经36氪整理编辑： 帮主丨36氪《AI局内人》主播（主持） 郑鹏宇丨杭州颜柯教育科技有限公司创始人 肖玛峰丨AI招聘平台TTC创始人 帮主： 各位下午好，我是这场圆桌的主持人帮主。这场圆桌不聊技术落地的事，聊一个在座很多老板都非常关心的事——AI人才从哪里来，以及能不能自己培养。今天的关键词是“AI原生人才与产业老炮的共生手册”。这边是郑总，我认为是比较原生的AI人才；肖总是在AI+招聘+猎头领域深扎很多年的产业老炮。 两位先简单介绍一下自己和自己做的事跟这个主题有什么关系。郑总先来。 郑鹏宇： 谢谢帮主，大家好，我是来自杭州颜柯教育科技有限公司的郑鹏宇。我们做的事情是用辩论赋能表达，用表达赋能创业。 帮主： 郑总是36氪的老朋友了，我们之前做过挑战者之夜，当时是你们的团队在现场跟一个机器人进行人类顶尖辩手和机器人的辩论，蛮有意思的。肖总。 肖玛峰： 大家好，我是肖玛峰。TTC是一家创业公司，现在在用AI做招聘，同时主要服务国内的企业和AI人才。目前服务1500多家公司，同时也在服务行业里近百万AI人才，帮助他们匹配更多机会，在国内是比较领先的。过去三年多的时间里，我们陆续获得了源码资本、创新工场、九合创投、中关村资本、百度以及厚雪资本的投资。我们既是AI公司，同时也在做AI招聘这件事。 帮主： 在座两位嘉宾，一位跟教育沾边，一位跟AI人才挖掘相关。今天整场主线可以按照“AI人才从哪里来、如果想自己培养怎么教才不跑偏、教出来以后该怎么留下”这些老板比较关注的痛点来走。 第一个问题问一下二位，关于AI原生人才的定义，你们认为AI原生人才身上最戳你们的三个标签可能是什么？ 郑鹏宇： AI原生人才，第一个标签是会用AI、善用AI、惯用AI，得把AI融入自己日常的工作流。第二个跟大多数人的感知不一样，要在AI之外拥有AI所不能达到的能力。有一个能力在当下很重要——做判断。AI能给大家太多的选择，AI可能是全知、全能的，具体怎么在它给的答案里做出选择，这是很重要的命题。第三个，我们说的AI原生人才有一个特点，更多是讨论怎么落地，动手能力或实践能力强于上一个时代的人才。 帮主： 郑总说的这三个标准我自认为也算符合。但开场前肖总给我下了个判断，说帮主你不是AI原生人才。肖总你表达一下。 肖玛峰： AI原生是生来就跟AI在一起的，您前面有十几年没有AI也能活，AI原生人才是没有AI就不活了。我认为AI原生人才的定义就是没了AI就不能活。不只是人才，企业也是一样。我有一个断言，今天的企业里，只有1%是AI时代原生的企业，如鱼得水；20%会积极拥抱变化，也可以实现转型；剩下接近80%的公司都在苦苦挣扎，人才也是一样。 我们公司有一个AI原生的哥们，是OpenClaw全球贡献排行榜第四名，他现在不太喜欢跟人说话，只喜欢跟AI说话，自己有两台mac mini，天天跟AI聊天。今天最AI原生的人，他可能都不会来这个现场。到现场的同学都是对AI有很强的期待，想要改变、积极拥抱的，你们就属于20%积极转型的人。剩下连参加这种活动都懒得来的人，就属于未来也许会被淘汰的一群人。 帮主： 肖总在现场下了个比较大的判断，说在这个场里的可能都不属于AI原生范畴。刚才聊天的时候您也介绍到，公司服务了一千多家AI企业，这些企业是不是也有80%可能不属于AI原生企业，他们这些人大概属于哪些分类？ 肖玛峰： 跟我们合作的企业都是比较先进的，才会跟我们合作。我们服务的AI公司也好，也有一些传统公司他们想要找AI人才，他们都是积极主动拥抱AI或者本身就是AI原生的公司。如果是初创型，我看到有AI原生的公司，他们都很年轻，人也不会那么多，二三十个人就足够了，也融了几千万的钱，才能用得起我们的服务。我去看这些公司的时候，他们怎么找到属于他们优秀的AI原生人才，一会儿可以展开聊。 帮主： 私下聊的时候，肖总跟我们说了一些。假如有朋友想换工作，想找跟AI相关的，有一些办法，肖总可以跟我们分享一下。郑总你们属于典型的AI原生团队，正好赶上了GPT3.5大爆发，你们团队内部的人才画像是什么样的，有多少人做开发，多少人做运营？ 郑鹏宇： 我们公司算是不太典型的OPC团队。到目前为止整个公司全职的人不超过10个人，是蛮小的团队。做开发的人，目前负责开发的就我一个人，涉及到coding和产品都是我一个人在落地。这在OPC时代或者AI时代来之前是不敢想象的事情，但现在AI帮助我们快速实现了，大量的岗位都是我们一个人在顶。很少见团队疯狂招开发，除非他判断自己的业务是无限上升的，才会招大量的人。 帮主： 肖总，我看到一个数据，现在招聘市场有30%的企业在赶AI原生人才的时髦。为什么这些企业，是真的缺人，还是不懂AI？为什么会有这样的心理状态？ 肖玛峰： 我每年见两三百个CEO、企业家，遇到的企业家尤其是传统行业企业家是非常焦虑的。大家都可以逐渐感受到AI特别强，不管是海外的接近万亿美金，还是中国智谱这样的公司。智谱股价最近非常坚挺， 市值5000亿以上，这样的公司三四年时间就变得比它原来同领域的生意庞大得多。我那天看一个数据，京东员工接近一百万人，京东市值才三四千亿港币；智谱这样的公司只有三四百人，市值就已经超过了它。越是人多的企业老板越慌，不知道哪天来了一个什么东西就把他颠覆了。我跟大家讲一个秘密，大公司的老板希望知道我的员工有没有在工作、有没有在好好用AI，再一看公司AI原生的人特别少，AI Native的人他看不到，他很慌，不知道从哪里找到AI的人。 以前传统的招聘方式是通过HR用一个过滤漏斗联系那些人，顶级AI人才完全不可能通过这样的渠道找到。甚至有一些人，你找他他都不愿意跟你交流。大模型最早出来的时候是光年之外，王慧文做的那家公司，我们正好是同一个股东。老王创业第一天就让我们帮他去美国西部硅谷找OpenAI里面的华人，我们兴致勃勃地跟人交流，说中国美团老王要来硅谷了，你愿不愿意见一见，人家说老王是谁。OpenAI的研究人员不知道大名鼎鼎的老王是谁。他们是很焦虑，希望找到AI原生的人。 帮主： 我听着都这么焦虑，已经这么知名了，AI的原生人才或者00后，不爱跟你们这群老登玩，关注都不关注你们。AI原生人才到底从哪里来？亦庄有一个著名的OPC社区，也是特色，OPC是不是所谓的AI原生人才的富矿，如果想来这里挖人才，怎么才能不踩坑？ 肖玛峰： 目前大家在炒的OPC，很多都是AI原生的人，降低了创业门槛，一个人就可以通过一个Agent团队把原来要很多人做的事情做成。但另一方面AI又在拔高OPC创业的门槛，只有把AI用好的人，才能真正成为出色的OPC，也就是大家认可的OPC。我不觉得这些企业找AI原生的人一定要去OPC群体里找。OPC的人应该是AI原生的人，但AI原生的人不必非是OPC，企业里也有很多AI原生的人才。就像我刚才讲的同事，顾问出身，原来不会写代码，今天用Claude就可以自己搭出程序、工具、业务工作流。还有另外一方面，OPC这些人，我们今天看到比较成功的都是在自媒体或者做工具这些领域里，这些人有很强的主见，企业要把这些人找到组织��，不一定跟你的战略方向一致，这样的人来了以后不一定能很好地落地，可能是两种不同的生态。 帮主： 我听下来是个更大的问题。你想做一个所谓的AI原生企业，很多企业是大船型，需要断臂求生，这是非常痛苦的事。这也给我们很多创业者留下了独属于他们的机会。 郑总，你们是比较年轻的团队，从教育端来看，想跟亦庄这边的OPC社区合作，怎么产生联动？ 郑鹏宇： 关于OPC，刚刚肖总分享了很多，我就上一个问题补充两句。OPC是一个企业或者一个人、团队想要开始创业的起步形态，在这里面，OPC社区里AI原生人才的浓度是相对高的，比大多数大企业，我下一个暴论，是高得多。很多时候去OPC里挖的人才，不是负责某一个岗位，更多是可以在企业里进行内部创业的人才，可以去OPC找。我也认识很多一开始从OPC起步，逐渐走向更高、更大团队的伙伴，他们确实实现了这个事。 教育端怎么跟OPC联动？分享我们自己做的事情。我们现在会组织黑客松比赛，天然和OPC模式紧密相连。黑客松给大家链接自己的伙伴、战友的机会，给大家一个时间和平台去完成开发。很多OPC团队都是在黑客松之后，几个小伙伴觉得志向相同，组建OPC往前走。在这个事情上，黑客松是可以跟OPC联动的好方式，OPC社区也在组织属于自己的黑客松活动。 我们做的事情还有组织全球大学生辩论赛，每年会有两百多家高校参与。辩论赛也是非常好的筛选人才的机制，尤其是OPC人才。OPC虽然是小团队，也是一批创业者，表达是创业者最不可或缺的天赋之一，你要向大家表达清楚你公司的战略、意图是什么。这个地方我们也在探索AI创业辩论赛，用辩论赋能表达，用表达再赋能OPC们，让他们做好自己产品的同时，也能有机会把握住、推销自己的机会。 肖玛峰： 他这个很启发我。大家想一想，OPC的人从哪里来？大学生毕业就在做OPC创业，很大一部分人是从大厂、中厂跳槽出来自己干OPC的。对企业来说，与其到OPC里找人，不如在公司里做一场黑客松，早一点发掘对AI特别拥抱、还能够结合企业本身业务做出AI创新的一群人，让他做OPC，引导到公司主营的战略方向，参与到产品和业务AI转型的设计里，这可能是发掘AI原生人才很好的机会。 帮主： 我们36氪最近在内部一方面做各种各样的分享，另一方面也在搞一些活动，希望大家能够手搓AI应用，还给你评奖之类的。也能看到，媒体公司想转AI的时候，我们过去比较传统的模式已经天然存在了，怎么办？就先通过散点的方式来培养、挖掘、发现。 我想起昨天刷到一篇文章，Agent来了以后，闲置下来的人力去哪儿了，怎么办？我发现一个问题，散点发生AI以后，一定有一些部门、个人效率非常高。如果站在老板的角度，他说你剩下来的时间能不能再精进一些业务，他该怎么看待这个事情，闲置下来的人力该怎么盘活？ 肖玛峰： 我不太关心这些人去哪里了，这个是政府要关心的事情。 帮主： 闲置下来的人力。 肖玛峰： 我们服务很多企业，我但凡遇到哪个公司说他们公司有五千个开发人员，我都不需要跟他聊得深入，三分之一、百分之二十的人可能是要被淘汰的。这个有点残酷。我见到好的企业的做法，干脆就用一个考核，你就用Claude做编程，会的继续留任，不会就裁掉，这是一种。 另外一种，效率提高以后，空出来的时间更多是在探索新的项目，还是其他时间在摸鱼，这是每个老板需要考虑的问题。好像你的人都在用最好的AI工具开发，做完的项目却没有那么多，问题就非常多了，成本支出是实实在在的。既然提高了效率，就让大家把剩下的时间拿出来一起共创新的项目，每个人都想一想原来可能没时间去做的新的idea，在组织里把它做出来。对于老板来说，要调整分配机制和绩效，不然员工没有动力去做额外的工作，只是让自己花了更少的时间完成业绩，其他时间干别的事了，这是一种可能性。 帮主： 这是从上到下一把手工程，不然人肯定是有自己的想法，在任何组织里无论大小都夹杂着自己的欲望和想要的东西。像您说的，如果这个公司的业务市场还有80%没有抢占过来，就应该让多余出来的同事给他高的绩效，让他主动征战，为你跑马圈地，把这80%啃下来。有一些老板发现自己公司的员工看似在摸鱼，用了AI以后，有一个问题——你的公司值不值得这么大的投入？很多公司投入了大量的token但没有增效，个人效率确实上升了。前段时间我朋友圈有一个朋友跟我开玩笑，他们公司也想根据token消耗量来发年终奖，两个月前公司倒闭了，这是一个真实发生在我身边的事。 郑总，你们毕竟做教育和辩论，这个东西能不能变成卖给企业的方式？通过辩论帮助员工也好、帮助公司也好，让他的业务发生改变，有没有这样的可能？ 郑鹏宇： 是完全可以的。今天的主题叫作产业老炮和AI原生人才，这两者之间很多时候天然会有对立的感觉，一种可能相对传统，另一种站在当下追赶潮流，就像肖总说的可能他都不愿意跟人对话了，在交流上会有一些问题。但在企业里，协作还是一件非常重要的事。 辩论是一种非常好的打破对立的手段。有一点反常识，辩论不是天然对立的，有正方、有反方。因为辩论很多时候不是站在自己原有的立场上完成一道辩题，很多情况下你会被分配到甚至不认可的立场上，你要尝试理解这个立场，尝试了解这类人群在想什么。当这样的化学反应发生时，大家开始了解我对面的这群人，他们每天的工作在想什么，他们为什么要这么做。所谓的产业老炮和AI原生人才之间的隔阂或这堵墙，通过强制对立中的换位思考，反倒打破了对立。让大家在对话过程中既锻炼了自己的各项能力——数据收集能力、逻辑推演能力、语言表达能力，这是训练的一部分。 更好的部分是，某种意义上完成了团建的化学反应，让原本不会换位思考的这批人强制完成换位思考，打破两类人之间的隔阂。这是辩论在企业场景中能够做到很好应用的地方。 帮主： 郑总回答的内容正好契合我下一个问题——AI人才怎么教育才不会跑偏。通过辩论的方式挺好。您刚才提到的方式，AI作为教练发问，而不是像豆包那样直接要一个“你帮我写一篇文章”的结果。大模型根上带来的幻觉你是永远没有办法根除的。我也跟直播间的观众说一下，下次不要找AI要一个结果、答案，而是你扮演苏格拉底不断追问我，直到让我把这个事情想清楚，你自己完成这套方案一定是非常棒的。 怎么培养人，肖总，刚才在嘉宾间聊天的时候您说到，很多人才面试的时候或者VC在招人的时候，会直接抛出一个现场的问题来让人才去做。站在招聘者的角度，我应该怎么自我培训？您现在就可以分享好的面试方法。 肖玛峰： 教育我不太擅长，招人更多是筛选。企业招人都是在筛选人。怎么筛选？找人其实就是触达、判断和转化，判断就是筛选。我看到有不少客户他们对人才的判断，举个例子，最近有一个客户是VC投资机构，他们招投资人。很多VC我说实话，他们投AI，自己的公司一点都不AI。他们招投资人的时候提了一个要求：你用Agent搭一套VC业务流，可以是原来的业务流，也可以是你自己创造的全新业务流。VC投早期项目，找人才的Agent是一定不可缺少的，也可以加上你认为比较重要的Agent业务流。用两天时间把这个东西搭出来，你能够把这个搭出来，这个答辩就能过。如果搭不出来，还用传统的方法来做，他就认为你不是AI Native的人，意味着你跟真正AI优秀的创业者对话都非常难。这是他们用来筛选的机制。 我们聊天的时候谈到，在美国、在中国都有build in public的做法。有一个女生求职，是做营销方面的，她想去一家化妆品公司，就在TikTok和Ins上做了一套这家公司的营销方案，未来六个月的营销策略、怎么投流，她搭了一个Agent，直接录屏在TikTok上发出来，@了那家公司的CEO和COO。对方看到了，这个人就顺利获得了offer。现场给人家展示，你去求职的时候，面对面试官，直接给他看一下你用Claude搭了什么样的工作流、业务流，哪怕是你自己做视频号、公众号的东西，对方都会觉得这个人是AI Native。我的客户稍微年纪大一点的，40往上的人，看到这样的人才时是抑制不住兴奋的，就想要这个人，觉得我们团队就缺这样的人。这是通过面试的办法。 帮主： 这个跟过去招聘的面试流程不一样了。你想获得好的结果，不一定非要把简历包装得特别好，当然这也很重要。跟过去不一样的是，我有了更多的自主权，我先成为一个builder。AI时代极大利好这些社交平台，你需要build in public，在社交平台上经营自己的品牌，发你的东西，可能会在AI时代迎来新的爆发。 接下来聊一聊怎么把AI人才留住。郑总，你们团队的年轻人比较多，如果发现跟AI强相关的人才，你们是打造什么样的企业氛围或者做了哪些事，让这些人才愿意跟你们一起玩？ 郑鹏宇： 之所以很多时候能留下一个年轻人，因为老板也挺年轻的。除此之外，这和刚才帮主问的问题息息相关。AI来了以后大家的效率猛烈提升，对于人才或员工的考核标准也会发生很大的变化。对于我们来说，我们是非常弹性工作的团队，没有准确的上下班点。可能我们周四说活干完了，周五就放假休息。如果你能用AI提效，这就是你的一方天地，有可能你一周只上三天班，这三天把你的事情做完，周五、周六、周日都是你的假期。我们团队很多人不只在我们团队打一份工，还有自己其他的事业，还有第二第三份工作。在我们团队里创造相对开放、自由的氛围，大家会愿意来，觉得我AI的能力得到了尊重，而不是知道我会用AI，就不停让我用AI帮公司提效，我自己没有得到什么好处。这是我们团队的经验。 另外一种简单直接的方式，大一点的公司，你让人家还正常地按时按点上班，那你就多给钱，钱给到位了，人就留下来了。我们是小公司，给不起那么多钱，我们就给相对自由、尊重的氛围。 帮主： 肖总，钱给到位，对于留下人才来说占比的重要性有多少？ 肖玛峰： 有用是有用的，但钱到了一定层次，你说是给他180万还是200万，差别不大，不完全是这个东西。我回应一下郑总，你刚开始创业，我是老登，我讲一点我的认知。不管什么时代，人性是不变化的。中国人讲智慧，这个时代的智是非常强的，但慧——对人性的洞察是不变的。留人就是几个事情：事业留人、待遇留人、情感留人、文化留人，就这么几件事，这是永远不变的。事业留人，你的事情成功的概率有多大，他到你这里工作是不是能获得认知的成长，最后收获事业型比较强的人。如果你用钱留人，收获的就是对钱最敏感的那群人。钱肯定不能委屈了，但对于最优秀的AI人才，钱不是第一位的。 情感留人和文化留人，文化留人是我特别想说的。就像您讲的案例，我们公司非常人性化，到了周五就可以有自主权，最后吸引来的就是想要自由、不卷的那些人。你说他们是斜杠青年，有其他工作也可以接受。我认为AI时代，哪些公司应该极致地卷——不是内卷，而是看到最厉害的公司，不管是DeepSeek还是美国硅谷那些公司，最优秀的公司都非常卷。马斯克的公司特斯拉，就会吸引最顶级、对成功充满渴望的人。 文化留人，你这个公司的这群人是不是也是别人向往的一群人，就会决定顶级人才来不来你的公司。很多员工就是因为直线上司的水平不够，不能帮他提升认知或者各种各样的原因导致他离开。原因很多，归根结底就是人性。怎么找到对方的需求，任何人都有需求，找到他的需求，你有那个供给，你就对他有权力，你就对他有吸引力。 帮主： 职场上有一个现象，往往是越大的公司做事越困难，困难的点在于90%的精力跟这件事无关，跟人沟通相关。OPC也好、AI原生人才也好，公司里有这么一个同事，不爱出来跟人说话，天天跟电脑、AI交流。像这样的人，技能点点满了，但在过去传统招聘的标准来看，情商差点问题。组织要留这样的人才吗，或者什么样的组织要留这样的人才？ 肖玛峰： 我有一个观点，不一定对。情商的背后是智商，你看到一个人情商低往往是智商有问题。还有一种可能是这个人智商很高，不屑于跟你用情商。如果那个人在AI做得非常好，这个人不是智商低的人，应该是智商高的人，不屑于跟你用情商。 如果企业在AI时代特别Native的人或者优秀人才是稀缺的，反而要有一定的包容性，使得这样的人在你的组织里发挥作用。要想办法给他找到创新机制。大企业也想做AI转型，很可惜我还没有看到特别好的大公司实现大组织的AI转型做得很成功。他们把它变成小团队作战，把团队打散，变成三五个人做一个项目，一个项目从有想法到demo出来、落地，几个月的时间，这个项目成功继续往前做，看不到希望就把它关掉，把团队打散重新干。如果各位老板可以在这方面做新的探索，找到创新的机会，这些人通过公司内部黑客松的方式聚集在一起，找一些新的项目让他们尝试，也有机会跑出新的范式，也能留住更好的人才。 帮主： 非常认可。我个人非常喜欢谷歌开发的工具Antigravity（反重力），他意识到大公司存在本身就是一种壁垒，一直在伦敦，招人、财权都比较独立，我们才能看到在这么一个相对僵化、官僚的超大型巨头里能够诞生世界级的大模型，这是给我很深印象的案例。 刚才聊了很多是站在企业的角度，咱们也给一些想成为AI原生人才或者想积极拥抱AI的朋友小建议。如果让你们给刚入行的原生人才说一句忠言逆耳的话，可能是什么？ 郑鹏宇： 我回应一下肖总说的。给大家相对自由的氛围不代表不卷，大家在周一、周三的晚上有大量的灵感迸发，已经卷到飞起了。我希望营造的氛围或者说大家需要的氛围是，当我在周一、周三卷过了以后，我希望在周四、周五能够尊重我时间上的自由，尊重我意愿的自由。 建议，对于AI原生的那群人：第一个，保持好AI原生的动力和这股卷的精神。AI原生这批人真的很卷，不停跟着时代往前追，上个月连续发了四款大模型，一款比一款爆。AI Native那群人不停尝试、测试、学习，已经卷飞了。第一个事，首先保证卷的精神。 第二个事，拥有提出好问题的能力。前两年辩论圈有一个辩题，AI时代是提出好问题重要还是知道真答案重要。那个时候AI幻觉问题比较严重，当时两方打得有来有回。在当下，我心中更偏向于正方，提出好问题更重要。对于AI Native的人，要持续拥有提出好问题的能力，持续拥有对外探索的能力。 肖玛峰： 最近有一些新闻，很多公司的管理者、CTO决定加入Anthropic去做技术专家，不带人，原来带几百人变成我一个人干就可以。这里有一个巨大的机会，一定要选择跟最优秀的人在一起。AI这个时代才刚刚开始，但机会巨大无比。如果你发现身边的人没那么优秀，你可能是最AI Native的人，那就找到这个市场上最优秀的公司，去跟最优秀的人在一起。哪怕你是做OPC，我个人对纯OPC持保留态度，我认为做OPC一定要找到优秀的人学习，才能不断成长。 我给大家的建议，当你不知��怎么选的时候，去选跟最优秀的人在一起。谢谢。 帮主： 非常聪明的建议。我总结今天AI原生人才的公式：第一，挖对地方，比如OPC或者有创新性的组织；第二，教育不能跑偏，需要用AI时代该有的方式来对待这些人才；最后一个，要把他们留住，刚才肖总总结的企业文化留人是非常重要的一点。 再次感谢二位跟我们一起讨论关于AI时代原生人才怎么培养、怎么找。我也希望今天的内容帮助现场、在线的所有企业、老板找到你们心目中的AI人才特种兵。 谢谢各位！
AI不是某一个超级单品的故事，而是一个多端协同的生态故事，消费者的期待与顾虑，正在定义这个生态的进化方向。 AI与硬件的融合分为四个阶段，当前正处于从深度融合走向生态化的关键节点。AI渗透率在手机端已从15%涨到40%，但仍是“加分项”而非“决策项”。未来，AI硬件生态的四个步骤——感知、记忆、决策、行动，或将分别由眼镜、手机、PC协同完成。 以下为演讲内容，经36氪整理编辑： 赵晓鹏丨NIQ GfK创新事业部总经理 大家好，很荣幸有这个机会，跟大家分享NIQ GfK对消费端的观点。我们公司专注研究消费者和终端产品，和大家的日常生活联系非常紧密。 我今天的主题是 AI时代核心终端生态定位与用户需求洞察 ，主要分两部分来讲。 第一个话题是：当我们讨论AI的时候，我们在讨论哪些硬件？消费者又关心哪些特征？ AI与硬件是一个双向奔赴的过程。在我们看来，这可以分为四个阶段：第一阶段是探索期；第二阶段是智能工具期——大家应该都有印象，比如前几年AI语音交互突然爆发，涌现出很多新产品；第三阶段是深度融合期，AI和硬件结合更加紧密，已经进入了大家的手机、PC和平板。我们认为这还不是终局，未来会进入第四阶段——生态主导期，各种硬件将形成统一生态，全面融入大家的生活。 消费者关注AI硬件时，更偏向随身设备。在我们的研究中，关注度排名前三的是手机、耳机和眼镜——这些产品便携性高，贴近日常使用；传统PC和平板同样保持稳定需求。 25岁以下的年轻人非常关心生产力。也就是说，除了娱乐功能之外，他们对能否提升工作效率也很在意。这部分人群主要是大学生，PC使用场景较多，同时也有不少创作需求。 消费者对AI的价值点最感兴趣的是娱乐和生活便利相关功能。当然，学习和工作方面的需求也存在，只是目前的排名还没有娱乐那么高。但这并不代表需求不足，相反，我们认为这是值得探索和挖掘的方向。一旦这些需求被验证，将会释放出非常庞大的市场空间，这也是未来硬件公司需要重点关注的地方。 现在搭载AI功能的设备很多，但AI硬件的关键，不在于是否带有AI功能——事实上，现在几乎所有硬件都或多或少具备AI能力。我们理解的AI，是深度参与设备的系统架构、交互方式和价值创造过程的，主要体现在三个方面：第一，系统级嵌入，不只是简单的交互，而是真正嵌入操作系统；第二，操作系统重构，过去是人适应设备，移动时代大家习惯用APP操作，未来将是设备适应人，你发出一个指令，它就能调动所有资源为你服务；第三，持续创造价值，系统可以不断学习、不断提升，它会随着使用不断进化。 第二个话题是：用户对AI有这么多期待，是不是单一硬件就能满足？我们的结论是不能。 未来的AI不会只依靠某一个硬件，而是一套生态。就像我一开始说的，未来是AI生态的融合。我们挑选了三种和普通消费者关联度较高的产品，组成一个简单的生态模型：第一个是眼镜，第二个是手机，第三个是PC。眼镜是全天候感知终端，手机负责轻量级数据处理和决策，如果遇到手机处理不了的重度任务，就交给PC进行深度计算；如果端侧仍然无法解决，再借助云端能力来补足。这是我们判断的未来方向：多端协同，构建分布式端侧AI生态。 关于硬件，我们的观察如下： 一、手机。现在手机本质上还是一个APP容器，大家基本上都是单独操作各个APP。未来这种模式会改变，AI应用可以跨多个APP协同工作，为用户完成复杂操作。AI入口可能掌握在手机厂商手中，也可能属于大模型厂商，但无论怎样，第一入口的争夺趋势看起来是不可逆的。此外，手机还将具备记忆功能，会记录机主的操作信息，了解你的喜好和使用习惯，并在使用中不断学习，下一次给你更精准、更满意的答案。 二、PC。PC将成为AI的算力中心，辅助手机完成一些高强度计算任务。在我们看来，PC是每个人主权AI的最小单元——这台设备属于你，数据保留在本地，但能力可以延伸到云端，兼具端侧和云端优势。 三、眼镜。这是一个相对较新的赛道。以前我们更多谈AR眼镜，AI眼镜的概念还比较新，目前主要分为有屏和无屏两种。无屏产品占比更高，这也符合我们的观察：AI眼镜的核心方向是做减法，不要做得太重。毕竟手机我们随身携带，家里通常也有电脑，眼镜戴在头上，必须足够轻便。 AI眼镜的独特性在于它是一个全天候感知终端。电脑和手机在很多场景下不方便一直操作，但眼镜可以随时随地采集数据，并扮演两个角色：一是随时随地与用户交互，操作比手机更方便；二是持续进行数据采集，是一种轻量化的AI工具，同时具备不可替代性，因为它不需要用手操作。 这就是NIQ GfK眼中的硬件生态：通过多类硬件的组合来响应AI需求。眼镜作为全天候采集终端，不断将数据传递给手机，手机进行轻量化处理，解决消费者的问题；遇到更复杂的情况，再交给PC处理。在重度办公环境中，如果电脑就在身边，眼镜也可以直接与PC联动，为消费者提供服务。 未来的产品肯定不止这三种，但通过生态解决问题，是我们认为硬件公司应坚持的方向。抢占AI赛道，不可能只靠某一个产品，也很难出现一个超级单品解决所有问题。真正的竞争在于打造终端生态，通过不同类型的产品构建完整的生态体系，占据终端的制高点。 以上是我的分享，谢谢大家！
中国工业物理AI的真正优势不在模型参数，而在全球12倍的工业机器人部署密度、两倍的发电量和密集的5G边缘节点——场景密度、基建底座和开源模型的合力，正在推动物理AI从实验室走向规模化落地。 江行智能提出工业物理AI的三层模型，这套系统已在新能源场站和电网巡检场景落地——覆盖贵州、内蒙古等多地，核心算法准确率达99%。陈龙特别指出，工业场景下一个看似简单的巡检任务通常需要拆成100到200个子任务，这对AI的稳定性和可靠性提出了远超消费级应用的要求。 以下为演讲内容，经36氪整理编辑： 陈龙丨江行智能基模CTO 各位嘉宾、行业伙伴下午好，我是来自江行智能的具身基模CTO陈龙，我的分享题目是从感知环境到改变世界：物理AI的机遇、路径和挑战。 AI 的竞争已经从数字世界的模型参数之争，转向了真实物理世界的系统能力之争。中国凭借独特的五层产业基础，正在成为全球工业物理 AI 落地的最佳土壤。江行智能通过打造全栈工业物理 AI 模型架构，已经在新能源、电网等核心领域实现了规模化部署，证明了物理 AI 从概念走向现实的可行性。 AI 竞争正在从模型竞争走向物理系统竞争 过去几年，生成式 AI 在数字世界充分证明了自身价值，能够完成内容生成、代码编写、智能问答等任务。但对于工业企业而言，真正的价值前线不在屏幕里，而在风电场、光伏电站、变电站、矿山、化工园区和生产车间这些真实的物理空间。 AI 正在经历从 “生成答案” 到 “执行任务” 的关键演进。当 AI 走进工业现场，竞争的核心不再是模型参数规模或单点算法准确率，而是能否将人工智能稳定、可控、低成本地部署到真实物理世界。工业现场的任务从来不是 “看一张图判断有没有异常” 这么简单，它需要完成数据采集、环境理解、设备接入、任务规划、执行反馈和闭环迭代的全流程。这意味着物理 AI 不是一个孤立的模型，而是一套能够在现场持续运行的完整智能系统。 中国工业物理 AI 的五层基础与三大结构性机会 为什么工业物理 AI 在中国拥有最好的落地条件？中国已经形成了其他国家难以复制的五层系统性基础。 第一层是应用层。中国拥有全球最高密度的工业场景，工业机器人安装量约为美国的 8.6 倍，过去十年增长了约 12 倍。真实场景越密集，“数据 - 模型 - 具身智能机器人” 的闭环就越容易形成。 第二层是模型层。以 DeepSeek、通义千问（Qwen）、Kimi 为代表的国产化开源模型追赶迅速，性能快速逼近行业最优水平，并已在全行业完成广泛的垂直化部署，越来越贴近产业的实际需求。 第三层是基础设施层。中国 5G 基站数量已超过 448 万，全球占比超过 60%，同时新增发电容量也远超美国。这使得我们在端侧和边缘侧拥有更强的网络与基建能力，能够更好地支持物理 AI 设备的现场接入与实时交互。 第四层是芯片层。不可否认，我们在高端训练芯片领域与美国仍存在差距。但这一挑战也倒逼行业走上了更高效的技术路线，推动企业通过更优的模型结构、端边协同和软硬件联合优化来最大化现有硬件的性能潜力。 第五层是能源层。当前中国发电量约为美国的两倍，发电机组装机量更是达到美国的三倍。充足且稳定的能源供给，为 AI 从云端训练走向大规模现场部署提供了长期的底层支撑。 这五层基础叠加在一起，使中国工业物理 AI 不只是有技术想象，更有真实的落地土壤。在此基础上，我们总结出中国工业物理 AI 的三类核心结构性机会。 第一类是供给侧底座机会。能源、网络、基础设施和边缘节点的持续完善，为 AI 进入工业现场提供了长期可靠的支撑。 第二类是现场侧闭环机会。高密度的工业场景、大规模的机器人部署和多模态传感设备，让物理 AI 能够形成 “部署 - 采集 - 训练 - 迭代 - 再部署” 的完整数据飞轮，这是其他国家无法比拟的优势。 第三类是效率侧路线机会。高端芯片的约束会推动行业走向更高效的模型、更强的边缘智能和更深的软硬协同，使工业物理 AI 更加注重低成本、可控性和可部署性。 江行智能的定位，正是把这些组合优势组织成可部署、可复制、可持续迭代的工业物理 AI 系统。 江行智能全栈工业物理 AI 模型架构 工业现场的问题不能靠单一模型解决，它需要数据基础设施、物理世界建模、行业大模型、应用框架、设备控制和安全机制协同工作。基于这一认知，江行智能打造了面向工业场景的三层全栈物理 AI 模型架构，围绕工业物理 AI 对自主性、多模态、长任务和可靠性的核心需求设计。 数据与基础设施层：JX-Phi World 双轮驱动 作为整个架构的底座，JX-Phi World 采用 AutoEdge 和 AutoWorld 双轮驱动的核心设计，解决模型训练更快、落地更稳、成本更低的问题。 AutoEdge 负责真实工业数据的全流程处理，包括多模态环境数采、云端训练、边端推理、模型部署和 OTA 升级。它能够持续采集真实现场的任务、设备、工况和反馈数据，同时通过边缘侧推理显著降低网络传输压力与模型端到端时延。底层数据涵盖了传感器、热成像、无人机巡检以及低轨卫星遥感等工业现场的全维度信息。 AutoWorld 则是世界模型仿真和数据引擎。工业 AI 的一大痛点在于，很多关键异常并不高频发生，但一旦发生就必须准确识别和可靠处置。真实工业数据通常只能覆盖 90%-95% 的常规场景，对于极端天气、突发事件等 5% 的潜在风险与极端工况存在数据缺口。AutoWorld 通过生成式 AI 与 3D 重建技术，模拟生成各类罕见场景和复杂任务过程，支持 Sim-to-Real 迁移，让 AI 在仿真环境中把错误犯完，再部署到真实现场。 模型层：JX-Phi Brain 向工业场景 WAM 演进 JX-Phi Brain 是整个架构的核心大脑，正在向工业场景 World Action Model（WAM）演进，融合了三类核心能力。 第一类是空间视觉语言模型（S-VLM），解决 “感知 + 理解” 的问题。工业现场不是一张平面图，而是包含设备、人员、空间关系、运行状态和行业规则的动态环境。S-VLM 不仅能够感知工业厂房的物理环境，还能理解各类传感器读数与环境参数，实现跨模态推理与工业场景建模。 第二类是长任务视觉语言动作模型（LT-VLA），解决 “感知 + 执行” 的问题。工业任务往往不是一步完成，而是多任务、多设备、多流程协同。LT-VLA 能够感知现场环境约束与任务要求，将复杂工业任务拆解为一系列可执行的子任务，并实现自引导式的任务优化与动态调整。 第三类是行业垂类模型，把电力、化工、矿山等行业的专业知识融入模型，使模型能理解强规则、强约束、强安全要求下的真实任务。目前江行已经在电力、化工、矿山等行业支持超过 1000 个场站和点位的常态化数据采集，持续构建 “模型 + 数据” 的闭环。 应用层：JX-Phi Agent 通过工业 Harness 与一脑多体实现价值落地 模型本身不会自动创造产业价值，价值发生在模型被封装成可部署、可调用、可监管的现场系统之后。JX-Phi Agent 应用层的核心是工业 Harness 和一脑多体控制两大技术。 工业 Harness 负责把任务拆解、安全规范、工具调用、规则约束、异常响应和全程留痕组织起来。它让模型不是自由发挥，而是严格在工业流程和安全边界内运行，同时能够整合行业知识库与下游专用模型，对模型输出结果进行自动复核，并支持专家人工审核介入。 一脑多体则是面向复杂现场的协同控制引擎。核心是一个参数量达 100B 的全局预控制器，负责跨工区的全局任务调度与管理。一个站端大脑，可以接入无人机、机械狗、轮式机器人、固定摄像头、传感器、机械臂等多种终端，实现任务分配、状态同步、冲突消解和协同执行。目前该架构已在贵州山区电网、内蒙古沙漠光伏等复杂场景成功部署，实现了具身终端在客户侧的规模化应用。 四大关键技术支撑工业物理 AI 落地 为了支撑全栈架构的高效运行，江行智能在四大核心技术领域实现了关键突破。 第一项关键技术是动态可更新的工业场景底座。真实工业现场是动态变化的，一次性建好的三维模型很快就会和真实现场脱节。江行通过 TrackerSplat 技术解决了动态场景中的稳定重建问题，能够在机器人移动过程中清晰抓取仪表盘等关键传感器数据，有效过滤雨滴、电磁干扰等环境噪声。同时通过 SizeGS 技术解决了弱网环境下的三维内容压缩和传输问题，确保检测结果与中间决策能够稳定回传云端大脑。 第二项关键技术是世界模型与物理推演。工业现场真实试错成本极高，尤其在电力、能源、化工等场景，有些错误绝对不能在真实现场发生。江行通过世界模型把 “真实、仿真、真实” 组织成闭环训练，让机器人策略先在仿真中试错、评测和迭代，再迁移到真实现场，大幅降低了落地风险和成本。 第三项关键技术是多模态感知与根因分析。江行融合了红外热成像、可见光、三维空间信息、设备状态数据以及无人机、低轨卫星遥感数据，让模型不仅能够看到异常，还能理解异常发生在哪里、为什么重要、风险等级如何，以及下一步应该怎么处理。这实现了从 “缺陷识别” 到 “缺陷理解” 的跨越，为客户提供真正可执行的运维决策。 第四项关键技术是 VLA 执行闭环与一脑多体协同。江行通过 DyGRO-VLA 技术和一脑多体系统，让全局大脑完成语义理解、任务拆解、目标分配、路径规划和冲突消解，再由具身终端完成导航、避障、读数、复核、操作和状态回传。与消费级具身智能的短任务不同，一个简单的机械狗检查设备读数任务，在工业场景中通常要拆成 100 到 200 个子任务，还需要综合考虑地形、气候等环境因素。 两大标杆案例验证物理 AI 规模化价值 江行智能的全栈工业物理 AI 技术已在多个核心工业领域实现规模化落地，其中新能源风光场站和电网变电站是两个最具代表性的场景。 在新能源领域，江行打造了风、光场站物理 AI 运维系统，实现了升压站、光伏板区、风机区、周界道路等多区域的全域覆盖，支持 7×24 小时全天候巡检。系统已经在全国 600 + 站群级场景中验证，能够跨区域、跨站型、跨业主快速复制。传统人工巡检一个大型场站可能需要 30 天以上，而物理 AI 系统只需 2 天即可完成全站巡检，彻底重构了新能源运维的效率。 在电网领域，江行的变电站物理 AI 智巡系统构建了中枢大脑、具身大脑和可控终端的协同体系，实现了空地立体巡检和多终端协同执行。系统覆盖站内 1 万 + 高密度智巡点位，能够在 4 小时内完成单次全站巡检，核心算法准确率达到 99%，平均准确率达到 96%。目前该系统已覆盖全国 27 个省份，在国家电网和南方电网体系中完成了 500 + 场景落地。 特别值得一提的是，江行开发的搭载机械臂的机械狗，能够自主完成电表箱开启、设备读数读取、简单调压操作等复杂任务，特别适用于狭小空间、高危区域等人员难以到达的场景。该设备采用端边云协同架构，在机械狗本地部署了 8B 参数量的端侧推理模型，同时结合边缘与云端的算力资源，实现了高精度、低时延的作业能力。 江行智能作为工业物理 AI 的坚定实践者，坚信物理 AI 已经从概念走向了现实。下一阶段 AI 最重要的产业价值，不会只发生在屏幕里，而会发生在真实空间、真实设备、真实任务和真实生产力之中。 江行智能希望和更多产业伙伴一起，让物理 AI 走进真实工业现场，从感知环境开始，真正用智能改变工业世界。 谢谢大家！
让智能体“看见”世界，不是给它装上摄像头那么简单。当CV遇上AI Agent，乘数效应正在发生。AI Agent不等于Chatbot，真正的价值在于静默看护与自主决策。 AI进入产业腹地仍面临两大鸿沟：视觉认知与行业的理解。为此，大华股份构建了星汉大模型系列——V系列视觉大模型让系统“看得懂”物理世界，L系列行业模型打通业务逻辑。未来“基模+行业Know-how”将成为新范式，而AI的终局不是刷榜，是让每个行业、每个个体都不掉队。 以下为大华股份研发中心副总裁 周文凯 演讲内容，经36氪整理编辑： 周文凯丨大华股份研发中心副总裁 非常感谢北京亦庄和36氪给我们这个机会来给大家做一个分享。 我今天分享的主题是让智能体看见世界。为什么让智能体看见世界？看见世界并不是让数字世界的智能体装上摄像头，或者输入视频数据让它看得到物理世界这么简单，CV × AI Agent，为什么是乘，CV是视觉计算，AI Agent是智能体，让数字世界的AI智能体可以认知物理世界非常重要，这两个事情并不是特性和功能的孤立，而是相互乘数效应的加强。 简单来说，AI智能体对物理世界的认知，可以为我们对于数字世界的决策带来更大的帮助。 2022年ChatGPT面世，自发布至今已三年多，AI产业发生了非常大的变化。我们看到AI更多的发展是在2C消费者领域，在政企、行业落地过程中依然遇到非常多的问题。 从硬件角度上看，过去三年非常强调GPU的计算，不管对于视觉上的GPU��算还是看到一系列的推理、训练过程中对GPU的使用，到现在我们回头来重新审视在AI Agent任务编排中CPU的使用。硬件角度，不管是资源调度、系统连接、任务流程等，我们越来越关注在硬件载体上，CPU和GPU的平衡。技术突破，2023年我们看提示词工程，大家关注怎么让智能体了解我们的业务，了解我们的意图，到2024年我们希望通过面向各种行业的知识库来让智能体可以离我们的产业更近，2025年我们讲长上下文，MoE专家模型来节省推理资源，以及到今年我们看到以Open Claw为代表的自主AI Agent变得非常普遍。模型和产业之间的连接越来越紧密，模型也变得越来越聪明。 产业角度，把Agent变成大模型作为搜索引擎和工具，Agent融入到业务流程，不管是从技术、硬件角度，可以看到产业对AI的场景适配提出比算法本身更强烈的诉求。这里面依然有两个GAP很难跨过去，我刚才讲的一个是CV，一个是Agent对行业数据以及行业业务流程的理解。 大华是从安防起家逐步进入到现在面向于智慧物联的产业赛道，在CV和AI Agent两个领域，这几年有非常多的实践跟大家分享。 首先在视觉AI上，大华2016年基于人像、车辆视图数据的结构化，希望让我们的系统、摄像头可以“看得清”这个世界；到2023年我们发布了星汉大模型，围绕物理世界全局和局部的解析，让我们的数智化系统可以“看得懂”这个世界；今年我们进一步推动AI具备“自主认知”物理世界的能力，并在此基础上升级构建了星汉大模型系列，包括 V 系列（视觉大模型）、L 系列（语言大模型）和 M 系列（多模态大模型）模型集。 有这样一个模型框架，可以让面向用户的应用范式发生巨大的改变，我们为用户构建了全域泛在的感知系统：既可以全局看一个城市、一个园区、一个企业的运行态势，同时还可以聚焦到任何局部物体的信息，来实现智能识别。我们打造了自主效率引擎，为智能体构建更强、更方便的视觉插件，同时升级了智能体系，通过视觉的小模型、大模型之间的协作，从而提升对物理世界认知的效率。 另一部分是智能体，在2023年我们发布了从L1到L4行业智能体的构建逻辑：L1围绕着基础大模型实现知识库和智能问答；L2是在整个业务流程里，以AI强化包括视觉、认知、决策、执行等各个环节；L3则是AI参与部分决策，在子业务链路中实现闭环；L4希望能够产生对业务环境的深刻理解，能自主行动规划并持续进化。 从L1到L4，本质上是在讲人和智能体之间的关系，在与AI Agent协作过程中，人参与的环节越来越少。Human in the Loop，但人参与的是更高级别的决策。在L4自主AI Agent的构建中，我简单画了一个框架图，基于已经积累的视图中台以及数据中台，我们构建了AI Agent Loop智能体框架，包含视觉识别、业务编排、行业Skills、自主能力引擎等模块，人和Agent之间形成面向行业业务有效的协作。 现在我们讲到大模型，行业里许多人认为是通过对话框和智能体之间实现交互和连接。但事实上我们要面对物理世界的时候，需要的是能够辅助人的外脑，而这个外脑在很多时候是在为用户做着静默看护和决策。智能体会让我们的用户与他的数据以及业务系统之间的关系产生更深刻的变化。在过往这些年里大华积累了面向前端感知和后端存储、集成系统等一系列全栈智能硬件的载体，我们也有面向各类场景的视觉大小模型，构建了不断沉淀行业Know-How业务组件的“萤火虫”平台。大模型深入行业最大的鸿沟在于如何连接AI和行业中广泛存在的数据和系统孤岛，而这些行业的Know-How积累在过往所有信息化系统，我们需要组件化脚手架，形成知识资产，而这些知识和工具就是大模型外脑得以连接我们用户的系统，产生新的乘数效应的地方。 这里有三个Demo给大家呈现。 公共安全领域，在景区接到小孩丢失报警，智能体自主目标设定、任务编排，需要找寻的小孩什么时间、什么地点走失，身体特征是什么样，跟线索追踪、轨迹预测；一旦锁定人体特征后，根据小孩的行速特征，在整个监控地图轨迹上尝试预测有可能往哪些方向，他的行踪有哪些方向走动，同时在他能涉及的地点范围内，去找寻现场巡逻的比如保安、摄像头；快速定位到这些人员，同时下发整个广播、保安等一系列可供执行的单元。在这个场景中智能体深度整合了目标设定、视觉识别、任务规划、轨迹追踪预测到最后的action调度执行落地等能力。 工业巡检Agent，在巡检过程中我们会关心设备的质量运行情况、工人操作的规范性，以及工人背后的服务资质等要素，我们有智能体对安全场景的判断非常专业，同时有智能体对资质审核非常专业，这些智能体可以在AI Agent领域里编排，自主实现对场景的把控以及危险情况的预警。这段Demo体现的是输电电站场地机器人的巡检。 最后这个例子是面向于森林防火。传统的做法是需要人守着巨大的林场，当发生火情报警，人要到现场做确认。当有了CV和AI Agent有效协作后，可以调度摄像头、无人机实现二次确认。Agent不再只是根据我们的指令去做程式化的事情，它有自主决策的能力可以调度它所需要的感知单元，去灵活处理应急事件，同时让人非常有效地在关键时参与到流程里，发挥决定性的作用。 业界已经有比较大的共识，整个AI产业我们做了分层，从能源、基础设施到大模型计算范式、工具集成、智能体以及整个产业生态，能源和基础设施——如果我们按中西方比较，中国有非常强的效率和成本优势，而在大模型和计算范式，我们处于追赶者角色。在这里可以看到大模型的能力不断往行业倾斜，从OpenClaw刚发布到后面不少大模型默认集成基础Skills以及脚手架，逐步尝试让大模型变得更业务、更灵活。但行业的实际情况是一系列的数据和系统依然处于孤岛。举个例子，我们做Vibe Coding，通用业务效率提升非常明显，这时候你会觉得大模型非常聪明，但在极高效率要求的底层或者专业业务中又会觉得非常蠢。能力边界如此明显的原因在于，面向行业业务的数据根本不在大模型的训练集里，我们依然在行业里有非常多的系统孤岛以及用户不愿意分享的数据以及Know-How。这对我们反而是一个机会，我们在本地化算力、视图解析、行业化智能体、工具集成的长期积累，让我们可以在兼顾客户数据安全的要求下实现其行业外脑的构建，助力客户商业成功。 上面三层也是大华努力为我们的行业客户解决的问题。 我们面向未来，一定是基模+FDE，可以变成智能体即软件，模型即软件的范式，硬件从纯粹聚焦GPU到CPU并举，我们判断这两条技术演进路径会大大加速AI产业在中国的成熟。 凯文·凯利曾问“科技想要什么”，而我想说“AI想要什么”。AI的终局肯定不是技术的刷榜和概念热度，而是让每个行业、每个个体都能享受到智能化带来的真正改变，而我们正在这条路上。 谢谢大家！
从五年前的技术炫技到今天的临床刚需，AI+医疗终于走过了“证明我能”的喧嚣，进入��解决痛点”的深水区。不做替代医生的空想，只做减轻负担的助手——这场对话告诉我们，AI医疗落地的第一步不是说服院长，而是赢得科室主任的信任；关键不是单点突破，而是多元数据联动形成闭环 圆桌对话直面AI进医院的真实卡点：系统对接难、医生怕麻烦、责任划不清。从左医科技深耕九年的实战出发，从协和到宁夏中卫，揭示了分层落地的差异化逻辑——三甲提效率，基层补人力。用病历生成这一通用痛点作为中枢，往前接分诊，往后连随访，让“黑科技”变成医生愿意每天打开的工具。 以下为圆桌演讲内容，经36氪整理编辑： 张戈丨华弋数智创始人&CEO（主持） 韩旭丨左医科技医学合伙人 张戈： 各位来宾和直播前的各位朋友大家好，我是本轮对话主持人华弋数智张戈，非常欢迎韩总的到来，今天会聊一个特别实在的话题，AI医疗到底是怎么落地的，首先请韩总给大家打个招呼，用30秒告诉我们一件事，左医现在做的跟五年前那波AI辅助医疗热潮有什么本质区别？ 韩旭： 谢谢张总，谢谢主办方的邀请，今天能在这儿跟大家做一个交流分享，左医科技从2016年开始深耕AI+医疗行业，我们也经历了AI医疗在国内发展的不同阶段，就我们理解五年前AI医疗更多的是技术和资本驱动的，大家想的是如何用AI技术来改造医疗甚至代替医生，做的东西更多是从技术角度出发，没有解决临床真正的问题，很难落地，现在更多是从临床真正的需求出发，关注的是医生每天日常工作中他们真正头疼的点是什么，想着用AI技术来降低医生的工作压力，提质增效，同时也让患者能够更顺畅地就医。 张戈： 从韩总的总结里我们感觉到医疗AI不断走深走实，首先我们非常关注场景落地的问题，AI医疗进入到医院，您觉得第一步要打通什么环节或者从什么地方入手，比如说要从上到下说服领导，还是培训医生，还是跟医疗的信息系统去进行对接，这里面哪个环节是卡点？ 韩旭： 从我们的经验来看，AI医疗进医院，第一步肯定不是去说服院长，也不是对接HIS、EMR系统、全员培训，第一步应该是深入到临床一线、科室，争取到科室主任包括骨干医生的支持，让他们愿意做试点，在这个过程中真正见到效果以后，才涉及到去做后续的推广，刚才说到去对接EMR HIS系统，有一定的技术难度，同时做多方协调，成本、时间周期都很高，一上来做系统对接很容易成为卡点。 医生培训没有实际的东西、没有实际效果，做培训也只是一种形式，没有实际意义，至于做全院推广，你在做科室试点，有一定的效果以后，拿着真实的数据去跟医院领导沟通，去做全院整体的推广，才会更有说服力。 第二个卡点，1、系统对接，医院各个系统非常多，品牌、厂家也非常多，也不是标准的接口，数据格式包括字段、权限管控都不一样，现在医院对数据安全也非常重视，如果做对接需要协调信息科、医务科多个科室反复协调，这个过程很长，是非常大的卡点。 2、落地过程中会遇到的问题，医生的接受度，医生群体还是属于相对保守的群体，规避风险意识很强，有一个新的工具使用，他们是不愿意更改固有的工作习惯，怕工具上了以后会增加自己学习使用的负担，反而会增加工作量。再一个对AI产品的准确率、风险也会有一定的顾虑，实际项目落地过程中是有一个很难的点，怎么让医生接受、愿意使用。 张戈： 您说到落地过程中的细节非常实际的痛点，信息系统对接、权限管控，这些都是在信息类的项目里非常重要，要解决的卡点类的问题，既有对接协和这样顶级的三甲医院，也有您给宁夏中卫做的云上卫医，基层医疗的落地逻辑和三甲医院的落地逻辑有什么不同，是存在更大的困难，还是不同的医院不同信息化建设的水平，这里面是不是有不同的切入点。 韩旭： 像协和三甲医院和基层医疗机构，从需求来说，引入AI医疗系统，使用AI医疗产品，需求点是不一样的，落地路径包括切入点也是有差别的。比如像三甲医院，更聚焦于院内，主要解决的问题，专家资源很宝贵，医生时间很紧张，他更关注的是如何提高院内的效率，精细化把各个流程环节的效率提高，这些是三甲医院的需求。基层医疗机构面临的问题，医生少，日常工作也很繁重。虽然面临的疾病比如常见病，琐碎的事务也很多，但基层医疗机构有家庭医生签约服务的压力，每个人要签约一两千个居民，这个数量是服务不过来的，并且居民对于家庭医生签约服务也有一定的需求或者要求，服务能力是达不到的。 对于基层医疗机构来使用AI医疗产品的特点。一方面通过AI的产品，病历生成、智能随访包括智能健康档案来帮助他做日常琐碎流程性的工作，也希望通过AI产品来帮助他服务患者。在院外服务患者对于三甲医院，协和这样的医疗机构需求不是很大，更多聚焦于解决院内的效率问题。 张戈： 不同医生群体有自己不同的诉求，我们通过解决他的需求，提升他工作效率，让他对AI产品有更好的接受度，这里面有没有遇到过比较抵触使用AI产品的场景，您这边怎么让一线的医护人员更加接受，这一块有没有经验？ 韩旭： 这也是一个很重要的卡点，医护人员对很多新的工具一开始是抵触、观望的，有几种原因。第一个他会担心给自己增加负担，他需要学习、操作，医生工作站里的系统很多，HIS、EMR等系统，他要切换系统非常麻烦。第二个风险，生成的内容有问题会给他造成一定的风险。从几个方面入手解决，第一个我们的产品尽量做到更贴合他日常的工作，不是强行绑定，尽量做到不打扰，等于跟他原有的系统是融合，不是需要单独学习、操作，降低在使用学习新系统的心理负担。 第二个在责任权责、界定，所有AI生成内容必须经过医生确认才可以发出的，他也可以随时修改，最终的决策权是在医生手里，他能对风险把控，这样会好很多。 张戈： AI辅助诊疗，提升真正医者工作的效率。 回到开场的问题，五年前AI医疗也火过一波，那时候讲的是AI辅助诊断、AI读片，今天左医科技您这边做的跟那时候相比核心区别在哪里，是技术能力变了，AI现在技术日新月异，应用场景随着时间的变化有变化，还是大家对医疗本身的理解有变化。 韩旭： 第一点对于医疗行业理解认知，AI医疗行业的理解认知发生了很大的变化，五年前，聚焦辅助诊疗，主要就想一下子切入诊疗环节，医疗诊疗是他的核心环节，通过技术，直接解决最难的问题，比如疑难杂症的辅助诊断，包括肿瘤治疗方案的推荐，专业壁垒最高的场景下，想在这上面发力，其实会面临很多问题，首先它的实现难度很大，医生也不太敢用，效果也不是特别好。现在更多的是大家逐渐认识到医疗，从医生角度日常工作来说，诊疗只是占用了其中很小的一部分时间，他在医院的大部分时间都是在处理文书类的病历、病史整理、随访、跟患者沟通，去做流程性工作、上报材料等工作占用了他很多时间。现在我们转变了思想，想去解决最核心的诊疗问题，转变为帮助医生来处理日常流程性、重复性、事务性工作，作为他的助手，帮助他把更多的时间用到真正的诊疗环节上，从场景上也会发生变化。之前大家都在做辅助诊断、影像识别病灶。现在诊前、诊中、诊后不同环节去做分导诊、预问诊、病例生成、疾病管理等。 技术发展很重要，在刚才说的两点基础上来帮助实现的，大模型技术成熟、具备多模态能力，从最开始只能处理文本到现在的图片、影像、语音等，让整个AI能够辅助医生做的服务工作，更多、更完善。 张戈： 从技术本身的演进再到我们做了这么多年业务的数据整合，确实是复杂演进的过程，由量变引发质变的过程，您这边有一个产品叫作多元数据联动，把预问诊、对话转写、电子信息病例、院外OCR多种数据整合一起生成病例，这个能力是以前就有的吗？如果没有多元联动，我们AI病例生成也能达到刚才提到90%的准确率。 韩旭： 预问诊、OCR、语音生成病例、院内数据的处理，这是单点的能力，这个都是我们逐步在研发的。我们之前有单独预问诊的产品，也给医院院内数据做病例结构化处理，OCR提取、语音电子病例生成，每个单点工具对于最终病例生成，都是有一定的缺陷。如果单纯诊中语音电子病例生成，只根据医患单次对话生成单次电子病例，医生问诊时间很短，会习惯性地不问一些东西，这样会遗漏一些关键点。只根据患者自己填写的东西，患者由于自己认知的问题，不具备医学专业的知识，可能会夸大自己的病情，也可能会遗漏掉重要信息。如果院内的数据，没有OCR能力，很多患者会带着大量院外的检查报告、化验单来就诊，没有这个能力，医生只能手工录入或者语音重复结果再说一遍，这样也浪费了很多的时间。 我们把四个单独能力串在一起，首先起到互补，能把缺失的，单个环节缺失的信息，通过另外一个环节补充进来，不同的环节，诊前预问诊环节，诊中语音环节、既往病例院内数据的环节，能够起到互相校验。比如会发现有一些矛盾的点，AI大模型会有幻觉的问题，会通过互相校验的形式，尽量避免掉这样的问题。首先这是多维度数据的补充，再一个对于病例生成质量的效果也是一个保障，没有多维度数据补充，病例生成质量肯定是达不到现在的程度。 张戈： 这个是多重维度交叉关联校验，以及技术的迭代更新，最终形成了结果。 说到技术的更新，从协和到地坛医院做传染病诊疗智能体再到重医儿童医院做的重儿小乙，再到宁夏中卫做AI家医，这几个场景哪个是AI介入最深的，哪个是AI介入最浅的，您觉得什么决定了AI介入的深度？ 韩旭： 在我们看来，做专科智能体，比如像地坛传染病智能体，重庆医科大学附属中医院做的专科智能体，相对来说对AI要求会更高。专科或者专病垂直，需要去匹配专科专病问诊、诊疗、治疗方案，包括病历书写的特殊逻辑，需要建立专科专病知识库，以及适配，AI会介入得更深一些。 其次像协和，他更多做的是门诊整个流程效率的提升，精准预约、病例生成、分导诊、预问诊，不涉及诊疗的核心环节，更多是临床外围的事情，对于医学专业的要求稍微低一些。 宁夏中卫的AI家庭医生，更多做的是面向区域性老百姓普惠性的健康服务，患教、科普、常规随访，介入是最少的。 张戈： 这是非常伟大的工程，从AI时代的技术平权赋能到优质资源走进千家万户这是非常了不起的事业，站在医院的角度，ROI部分，我们怎么跟医院院长们聊转换率？ 韩旭： 跟医院的管理者沟通项目的收益，首先一个原则，我们尽量避免使用模型、参数、技术路线专业，从这个角度沟通是尽量避免的。 更多是站在管理者关心的角度，短期收益。像协和项目短期收益，最明显的是人力成本节约，试点科室，一个科室他之前做病历、病史的整理、随访包括日常事务性的工作，需要一到两个人力成本来做这个事。AI系统能帮他节约一到两个成本，很容易算出来给医院带来的人力成本节约多少。 第二点，从医院经营，营收通过诊室效率提升，医生接诊效率提升，在不扩边，不增加诊室的情况下，在单位时间内能够接诊更多的患者，提高了他营收的效率。病例生成，通过规范性病例生成，医保检查、评分，减少医保扣分罚款等方面，也是有一个明显的收益。长期来看，专科智能体的建设，帮助医院在区域性或者在区域，对于专科标杆的建立，起到促进作用，有助于他打造自己的特色科室，从风险管控，他是全程留痕，所有对话数据都存在，比如医患纠纷、医疗责任划分的情况，他是有数据源的，尽量避免纠纷发生等，从这几点来沟通。原则在科室试点有一定数据的情况下，来做全院的推广，算清楚这笔账。 张戈： 在回溯的机制上，从风险管控角度确实有一个躲不开的问题，谁来为AI错误负责？我们知道生成式人工智能有一个特点，生成内容的不确定性，这是它存在的技术特性，AI生成病历出错，医生没有发现错误细节，直接采用，这种责任如何进行划定？左医跟医院签合同的时候，有非常多商务层面的经验，这部分也请您给我们讲解一下。 韩旭： 现有法律法规的情况，医疗行为最终责任主体是医生和医疗机构，跟医院签订的合同里会有明确的约定，AI生成的所有内容，病历，医生都是要经过审核的，如果因为医生没有审核产生的问题，由医生和医院承担主体责任。我们承担的责任，对于产品和服务缺陷的责任，比如因为模型的问题或者因为数据的问题，或者因为有一些本身AI产品就会有限制，没有约定清楚产生的问题，厂商需要承担相应的责任，后续是要不断优化。 合同中主要的责任，主要有四个责任，第一个医疗责任，医疗责任完全由医院跟医生来承担；第二个产品服务责任，这是由厂商来承担；第三个使用的责任，我们交付的时候肯定会有相应使用的参数，包括具体详细的说明书，会要求在合同里约定医院要求医生要按照说明书来使用，不能超范围使用，这个是双方的责任；第四个数据安全的责任，双方签订数据安全保密协议来约定。 张戈：非常感谢您详细的商务层面的解构。 宁夏中卫有20多万用户，有没有出现过因为AI误判导致患者出现延误就医的情况，一旦发生了，我们又怎么进行处理的？ 韩旭： 宁夏中卫目前还没有出现因为误判导致患者延误就医就诊情况的发生，首先定位很明确，我们只是辅助，我们在产品界面上都会有清晰明确的提示，AI所有的建议只是参考，不能替代真实的医生，这是第一点。第二点产品设计层面也会有所谓的安全红线，如果患者他提到有一些胸痛、严重的腹痛，涉及到危及生命的症状，产品会马上明确提醒要去急诊或者叫120。 第二个遇到诊断模糊的情况，也会建议他去线下医疗机构就诊，用药指导严格按照药品说明书或者他上传了医生的医嘱来指导用法用量，不会直接给他除此之外的用法用量，会涉及相应的红线。目前虽然没有发生不良事件，我们是有应急的响应方案，一旦发生AI误判，患者出现了紧急情况，首先我们会有相应的应急处理小组协调当地医疗资源，首先保证不耽误患者的救治。当地卫健委也会成立专家小组判定相应的责任，看这个事谁的责任，包括后续的赔偿问题。 第三个，我们也会针对此次问题进行排查，看有没有同类风险点后续要避免，包括有相应的整改报告提交给相应的整改部门。 第四个，也会把这次不良事件案例放到系统模型里学习、提升，以后做到尽量避免此类事件的发生。 张戈： 听起来特别有信心，PDCA闭环已经达成了，还有一定的兜底方案解决。 前面聊了详实落地层面的事情，聊一个宏观的叙事，未来AI+医能真的替代真人家庭医生吗，从宁夏中卫卫健委主任那里看到，这套系统相当于给每个家庭免费配备一个主任医师级别的全科智能医生，家庭医生的工作不只是看病，包括建档、随访、健康教育以及心理疏导，AI能替代哪一个部分，替代不了的是什么？ 韩旭： 卫健委主任说的是客气，对我们谬赞，他想表达的意思AI医生具备高年资医生专业的知识以及处理标准化问诊的能力，不是真正代替医生职能的。AI医生在基层医疗能够承担的标准化事务，比如标准化问诊，健康咨询、健康档案的建立以及动态更新，常规三高慢病的随访，健康科普，相对标准化的工作，现在由AI医生代替真人医生去做的。 至于代替不了的，首先需要去线下服务的，上门寻诊，量血压、测血糖，除了伤口，做一些康复理疗需要线下实操的，肯定是替代不了的，需要做一些心理关怀、人文关怀、目前AI是做不到的。 第三个基层医疗的医生，有一个比较重要的工作，跟居民建立信任链接，他跟他管的居民有一个信任的建立，目前AI也是很难替代的。 再一个针对特殊群体去做个性化健康管理方案的调整，这也是目前替代不了真人医生的。 张戈： 我们讲到特殊群体，在现实里来看，很多时候需要上门服务、需要家庭医生的反而是老年朋友，反而接受智能化水平，包括跟机器对话的接受度反而会更差，信息数字鸿沟的问题您觉得怎么解决的？ 韩旭： 这是很现实的问题，尤其是在中卫试点，他属于西部地区，相对来说不那么发达，尤其是老年人接触智能化产品也是很少的，第一点在产品层面尽量做得简单，去掉需要文本输入，点击菜单，复杂跳转这些流程都去掉，只保留基本功能，尽量做到只用语音就可以做沟通，老年人只通过说话就可以实现这些功能。 第二点，还涉及到口音的问题，我们针对当地方言做了模型优化，让这些老年人做到他可以用他日常说话就可以，不用刻意说普通话，就可以跟AI交流。 第三点，我们也会推动或者建议家庭医生、志愿者、家属、子女来帮助他来使用传递他的诉求，他实在操作不了由家人代操作。 再一个我们也做了一键转接，AI听不懂他说什么或者他听不懂AI说什么，他觉得AI不可靠，可以一键转接真人家庭医生，人机协同，既能保证医疗服务的高效，也能保持真人医生的温度，这是一个长远的形式。 张戈： 细节考虑得非常周到，非常有温情、温度，AI跟医学的结合。 左医现在产品线很多，整个业务流程覆盖比较广，从分诊、预约、预问诊再到病例生成、辅助诊断、AI儿科、AI家医，如果只选一个场景做到极致深耕，您会押住哪个赛道，原因是什么？ 韩旭： 现在重点方向是智能病历生成，主要原因有几点，第一点是对医生来说所有的医生都是需要的，不管是三甲医院还是基层医疗机构，不管是高年资的主任还是低年资的医生，都是需要写病例，这是他们通用的痛点。 第二个病例生成这个事，他的效果最显而易见，也最容易上手，确实能够提高医生的效率，他会非常愿意用的，不管是医生自己还是科室主任，医院领导能够明显看到产品带来的好处、收益。 第三个病例环节在整个诊疗的链条上属于中枢环节，往前可以连接到分导诊、预问诊，往后可以连接到随访、疾病管理，同时可以和院内数据做联动，属于数据中心，如果我们深耕把病例生成场景做好以后，其他场景是自然而然的事。 再一个相对它的风险比较低，病历生成不涉及诊疗，权责明确，医生需要审核，风险比较低，主要考虑这几点。 张戈： 谢谢韩总，非常期待与左医共同见证在未来AI驱动下更加有温度的医学服务。 今天我们聊了四个事，一个是怎么落地，与之前有什么不同，怎么证明医疗AI场景的有效性，包括未来赛道和走向哪里，我印象最深的是联动两个字，单点AI，AI读片、AI分诊，很多公司都在做，左医把预问诊对话、电子信息全部联动起来形成一个闭环，这个闭环才是AI医疗从展示厅的黑科技走向诊疗室落地解决方案的关键。 感谢36氪，感谢大家。
神眸做的事情不是追逐英伟达，而是在算力浪潮的下游，用极致的低功耗芯片设计，让摄像头摆脱电线的束缚，打开一个千亿只智能视觉终端的未来。 杨作兴带领神眸实现了摄像头功耗降低一个数量级的突破——第一代芯片达业界三分之一功耗，第二代达十分之一，首次用1瓦太阳能板驱动全天候智能摄像机。他认为，当前全球安防摄像头年出货量仅3到4亿只，但到2035年将达100亿只，2045年更将达1000亿只，因为世界大模型需要万亿级摄像头来实时映射物理世界。而在推理算力领域，杨作兴判断中国创业公司仍有大机会。 以下为演讲内容全文，经36氪整理编辑： 杨作兴丨杭州研极微电子有限公司董事长、神眸品牌创始人 大家下午好，今天非常开心，去年在上海参加了36氪的AI+大会，今天是第二次。一年时间过去了，AI发生了非常大的变化，大家都异常兴奋。36氪AI+大会，明显感觉到今年跟去年相比有很大的变化，在此感谢主办方36氪。 我是杭州研极微董事长、神眸品牌创始人杨作兴。AI是世界风暴的中心，这个风暴中心我们能不能再往深里看，风暴中心的眼是什么，我们认为是新质生产力。 目前，全球市值最高的公司是英伟达，它超越了苹果、微软、亚马逊、台积电，正是因为它掌握了新质生产力——GPU算力。 在算力浪潮下，神眸有哪些机遇呢？ 我们观察到，随着技术的发展，手机、电脑、平板很早就脱离了电线。但只是视觉传感器的摄像头，却一直有电线，且大大增加了摄像头安装的费用。我们可以看到，在室外布摄像头，要先立一个杆子，1万—10万元，挖个坑埋线又要1万元，安装时间在一礼拜以上，摄像头维护费用3000元一年，公安系统的一年摄像头的维护费用非常昂贵。 我们做的事情，就是要实现摄像头零安装成本、零使用成本、零维护成本，这个事要做成，就要让摄像头的功耗降低一到两个数量级，降低功耗。 芯片低功耗涉及到方法学的突破，我们采用了全定制芯片设计方法学，这个是我们公司主导发起的，它有三点不同。第一，我们采用定制单元设计。行业传统方案采用台积电或者三星的标准单元库，无论在学校还是在公司做芯片设计，我们通常是用静态双锁存器，不能用动态逻辑，不能用单锁存器，这个东西EDA工具不能很好地检查它。但我们是反过来做的，我们用的动态单锁存器，一个静态双锁存器是24个三极管，我们用动态单储存器是4个三极管，面积和功耗是普通方法的六分之一；第二，采用手写网表。传统方法用高级语言写代码，手写网表好比软件工程师用汇编写代码。DeepSeek有大的突破的其中一个原因是他们采用PTX进行编程，比别人会好很多，我们采用手写网表会有几倍的优势；第三，我们采用手动布局。传统方法采用自动布局，自动布局通常的利用率是50%-60%，我们超过95%。 通过这几种方式，功耗成本乘积降低一个数量级，这个方法学也用在摄像头SOC芯片中。我们的第一代芯片，实现业界三分之一功耗，用在了理想AI眼镜，还有我们神眸自己的产品系列，比如智能云台摄像机 BC4PRO+、双目枪球AOR电池云台摄像机 PT4、以及运动影像系列产品生活记录仪V1。 第二代芯片，实现业界十分之一的功耗，已经应用在了神眸智能停车记录仪DC1产品上。这是业界首创针对停车场景研发的产品，超长续航、免布线，安装也很方便。第二代芯片还应用在了神眸太阳能一体化智能摄像机BC7上，我们首次采用1瓦的太阳能板，实现一天24小时、一年365天持续巡航。除了SOC以外，在CIS、PMU、Wi-Fi、4G都做了低功耗设计。我们要让产品整个系统实现十分之一的功耗，每个部件都要达到十分之一才行，光SOC降到十分之一是不够的。 这是基于芯片做的一系列产品： 目前安防为代表的摄像头一年只有3亿只—4亿只，不包括手机摄像头，我们觉得2035年会到100亿只。手机摄像头已经超过50亿只，一个手机上有三四个摄像头，每年有十亿部以上的手机。手机摄像头是为人服务的，而物联网的摄像头是为万物服务的，它的量会远远大于手机上摄像头的量。尤其是当神眸推出了这套没有电线的摄像头之后，我们预估到2035年会到100亿只摄像头，大家觉得很多，其实只要每年保持30%的增长速度就可以。 2045年我们认为会到1000亿只。因为我们预测2040年第四次工业革命人工智能会全面完成，最后人类目前绝大部分工作会被AI替换掉，那我们去哪里？我们会在虚拟世界里工作或娱乐以及找到成就感。我们需要世界大模型，这个大模型非常大，每个人每走一步会看到不同的景象。这个世界大模型接地，否则它就会飘了，产生幻觉，如何接地？我们就需要用无数摄像头把世界的实时状态输入到大模型里，要把世界完整反映到大模型里需要1.2万亿只摄像头，十年建成，每年就是1000亿只。 在大模型时代我们神眸要做的事情——神算，即大模型推理算力。算力是当今最新质生产力，没有之一。目前英伟达是我们这个领域的王者，别的公司是不是还有机会？可以从两个方面来看： 第一，训练算力，工程师通过训练算力迭代越来越好的大模型；第二，推理算力，用户每天要问大模型，问DeepSeek问题，它给你一个答案，这个是推理算力。训练算力，难有超越的机会，虽然国内很多公司也在做GPU，主要原因是CUDA接口，所有大模型框架都是基于CUDA写的。上一次生态大会的时候，我记得国内一家著名的大模型公司老板说，他们用了华为的卡，花了三个月把它适配好。三个月，对大模型相当于一代的时间，要不是特别大的革命友谊，没有谁为了你去花三个月的时间去适配的。 推理算力方面机会很大，有两个原因。第一，推理算力不依赖CUDA接口；第二，每个大模型有独特的算法。针对算法、算子的不同，数据通路的不同，我们可以做很多定制，这些定制的芯片天然比GPU通用芯片，在功耗和成本方面有相当大的好处。而且推理算力需求量远远大于训练算力。 全世界就算有一百个世界级优秀的大模型团队，一个团队一万张卡，也就一百万张卡。推理算力是面对60亿自然人以及未来比60亿还多的机器人，他们也用算力，这样的需求量远远大于训练算力，这也是英伟达会花200亿美金收购Groq，一家做推理算力创业公司的原因。 如果我们把推理算力做好，我们创业企业还是有傲立潮头的机会。怎么把推理算力做好？有三个关键点，一、能不能找到跟你适配的优秀大模型，要么是开源的，如果是闭源的，能形成战略合作伙伴；二、是否有先进的半导体工艺；三、芯片设计方法学，特别是低功耗设计方法学是不是有独到的地方。 这三方面我们都还不错。我们的全定制芯片设计方法学，实现别人功耗的十分之一，一代工艺进步可以节省30%功耗，两代半导体工艺的优化可以节省50%左右，四代半导体工艺的进步可以到原来的八分之一，十分之一的功耗相当于在工艺上补了四到六代。我们现在是三星最先进工艺的顶级合作伙伴，我们能够定制半导体工艺。 虽然大部分token来源于闭源模型，但开源模型的趋势还是非常好的，而且中国大模型公司虽然跟世界上最先进的大模型公司还有一点差距，但超越是迟早的事，也是必然的。 结合这三点，我们还是有很大的机会，特别是在CNN（ 卷积神经网络）时代。我们做神眸自研芯片的时候，已经基于CNN做了自己的编译器，把CNN模型映射到我们的芯片里。这种编译器我们做得非常好，我们每天都在迭代，迭代了五年，经受了商业化的考验。另外，我们自己也用大模型做AI客服、AI编程，为神眸客户提供AI应用服务。我们自己也在用AI，虽然这个量不是特别大，但是我们内部从SOC芯片到大模型芯片、传感器芯片、产品、云端应用，能够自主形成闭环，在内部飞速的自我迭代，所以在这方面我们还是非常希望的。 谢谢大家。
当大健康产业遇上AI，最大的难题不是技术够不够强，而是场景够不够深、信任够不够厚。百度健康用六年时间给出了自己的答案：从单点智能走向全局协同，从技术赋能走向价值创造。 中国慢病人群超5亿，每千人执业医生数却远低于发达国家——供需矛盾之下，AI成为医疗健康供给侧改革的新基建。百度健康总经理杨明璐结合百度健康的实战经验，拆解了AI在用户、医生、医院三大场景的落地实践。AI不是炫技，而是让每一环都更专业、更可信 。 杨明璐作为百度健康品牌的创立者与搭建者，其在2019年底确立了该业务的战略方向与组织架构，2020年孵化了百度健康品牌，百度健康已成为全网最大的健康科普平台和领先的互联网医疗平台，平台每日服务1.3亿人次的健康精准搜索，拥有6亿+专业健康知识库，并与全国3300余名权威专家、430余家顶级医疗机构及36万名医生直连。其后一直带领团队深耕AI+健康赛道，她指出，过去两年AI行业经历了重要转变——从卷模型到卷应用，从关注参数到关注场景，而健康正是AI落地最重要的场景之一。AI正驱动大健康产业进入供需重构的新阶段，而生态协同与专业可信是AI落地的关键破局点。 杨明璐分析，从需求侧看，中国将于2035年进入重度老龄化社会，慢病人群已超5亿，健康需求井喷。然而供给侧每千人执业医生数仅为3.04人，远低于发达国家。这一矛盾下，AI已成为扩容医疗健康供给的新基建。她也强调，健康产业链路深、周期长，单点智能化难以形成连续服务，必须从单点智能走向全局协同；而医疗不容出错，需要长期坚持人机协同，AI应“赋能而非替代，辅助绝不主导”。 在场景落地方面，百度健康构建了面向用户、医生和医院的全链路服务体系。 面向用户，她认为传统搜索只能给答案，而用户真正需要的是能“聊”起来、能管事儿的健康助手。基于这个判断，百度健康推出了“文心健康管家”，用AI完成初步咨询和报告解读，再让真人医生在关键节点确认把关——比如AI生成的诊断小结，最后需要医生签字才能给到用户。这种“AI打前站、医生守底线”的模式，既提升了效率，也守住了信任。 面向医生，杨明璐观察到，很多医生在百度平台上做科普、接诊、打造个人IP，但大量时间被琐事消耗。于是团队推出了“有医助手”专业版大模型，不仅能帮医生检索全球医学文献，还能辅助写病历、写科普文章。上线短短一两个月，写作类功能就成了最受欢迎的skill。 面向医院，以武汉协和医院为例，百度健康将AI能力嵌入到诊前、诊中、诊后的各个环节：智能分诊帮26万患者选对科室，AI加号累计服务的用户超过了12万，他们通过AI加号和智能分导诊的技术赋能得到了及时就医，其中70%以上都是应该尽快手术的，数据也是超出了医院的预期。预问诊Agent在患者候诊时就完成病情采集并自动生成病历，医生采纳率高达93.4%。这套全链路AI智慧门诊的实践，去年还帮助武汉协和医院斩获国家卫健委体系评选的金奖。 最后，杨明璐还介绍了百度健康“原子计划”，将平台积累的AI能力和服务资源全面向行业开放。她表示，医疗健康产业的升级绝非一家企业能独立完成，欢迎更多伙伴加入，一起把更好的健康服务送到更多人身边。 以下为百度健康总经理 杨明璐 演讲内容，经36氪整理编辑： 杨明璐丨百度健康总经理 各位同仁、各位朋友下午好，非常开心，感谢36氪的邀请来到AI+产业大会，我今天的演讲主题是AI+大健康：从技术赋能到价值创造，希望在15分钟的时间里和大家分享百度健康在AI+大健康产业赛道里的应用和价值落地的实践。 大家知道这几年AI全民在谈AI，非常火爆，也经历了一些演变，从最开始我们都在卷模型、关注模型到这两年我们非常看重应用，最开始关注参数到现在关注场景，非常重要的一个应用场景方向就是健康。身在这个产业赛道中，我们也看到近些年来特别是一两年来AI驱动大健康进入供需已经进入重构的新阶段，首先从需求侧来看，大家知道中国在2035年就会进入重度老龄化社会，超过60岁的人占比要超过30%，老龄化会让大家看到更多人有健康的需求。 慢病人群，2025年数据中国慢病人群已经大于5个亿了，这是非常大的数据，几乎每三个中国人就有一个有慢病的情况，底层人群结构的变化，让我们看到了在互联网上对互联网健康的需求非常快的增长，全民对自己健康意识的增强，也使我们看到，过去在互联网医疗只是得了病才来查，现在很多是治未病，了解医疗科普、健康知识、泛健康这样的人也越来越多。过去在百度搜索里看到医疗的频次，我们归为低频的业务，现在远不是低频了，已经往中高频迁移，人民需求是非常旺盛的，政策侧看到，健康中国2030规划纲要明确提出希望能够系统的、连续地为人民提供健康管理服务，这也是政策鼓励，需求井喷。供给侧如何呢？中国的居民里每千人执业医生数大概是3.04人，这个数据在发达国家要高出20%-30%，也就是说我们每个公民享有的医疗资源还是比较低的，大家的需求又在井喷，AI能够成为医疗健康供给扩容的新基建，这是非常关键的生产力。 今天这个时间当口，AI驱动大健康的供需特别是供给侧改革，能够让优质供给规模化，这个是这个产业能够成立的底层逻辑。 关键破局点是什么？我们看到AI在应用场景里很难落地，在健康场景里AI落地关键破局点，我们认为核心是两点，一个是生态协同，一个是专业可信，这也和我们的健康大的产业赛道特殊性相关，大家知道健康和医疗需求一般是比较复杂的，链路非常深，长周期、链路深会有各个不同的医药险、支付方的长链路，我们过去看到非常多在健康里做AI都是单点的，单点智能化很难形成连续、系统、好的健康服务，所以AI健康需要从单点智能走向全局协同。 专业可信，AI改造了千行百业，但是在健康赛道上尊重健康赛道本身，是不容出错的，现在非常流行的一个说法，健康还是需要专业人士全流程参与，类比无人车，大家知道有L3、L4，健康产业里我们认为非常长的阶段和时期都是停留在L3阶段，人机协同，AI和专业人士的高度协同，不仅是安全红线的保障，也是给用户安全底线和信任的保障，这是我们对这个产业特殊性的观察。 对于百度健康来说我们始终有一个明确的态度，源于我们对医疗健康的敬畏之心，生命面前，AI必须恪守安全底线，我们的价值观是赋能而非替代，辅助绝不主导。 我们是谁？我们在做什么事，百度健康是百度搜索里所有健康医疗类的需求，现在都由我们这个团队和组织来承接的，我们2020年疫情期间从百度搜索里孵化出来的，百度搜索中有10%-12%的需求都是健康和医疗相关的，我们在多次用户调研和访谈中，中国老百姓的寻医问药第一心智入口还是在百度，2020年疫情非常严重的时候，我们团队独立出来成为独立BU，成立百度健康品牌，经过六年的迭代，百度健康已经成为全网最大的健康科普平台，每天我们要服务1.3亿人的健康和医疗精准搜索，同时经过这六年的积累，我们拥有全网6亿+专业医疗健康知识库，同时跟全国3300个包括30多名院士为主的权威专家团和超过430家顶级的权威医疗机构形成长期合作。 过去六年的时间成长起来的，我们已经成为全网领先的互联网医疗平台，大家知道越来越多的人会在网上去问诊，找医生。今天百度已经和36万医生在平台上直连，我们每天在线服务的咨询人次超过400万，其中有10万都是线上付费问诊，这两个服务，一个是服务，一个是内容的基石，也为我们今天做AI业务积累了大量的数据和用户资产，也为深耕我们的场景打下坚实的基础。 场景是价值的试金石，只有深入场景能解决具体的问题，AI价值才能真正地创造出来，不是一句空话，今天在百度健康我们构建了面向用户、面向医生、医院三大场景，面向用户是以文心健康管家为主要的产品入口，独创了AI+真人，主要是医生等专业人群为主的AI模式，提供用户能聊、有料、会管的一站式健康管家服务，在D端，我们为医生提供了独立的一站式工作台；面向医院，我们也和三甲头部医院合作，提供他们院内AI化智慧医院的改造。 围绕这三个场景我们构建了医、患、院一体化健康医疗服务的全链路。 下面我围绕这三个场景简单跟大家介绍一下我们正在做的事情。 面向用户是我们最重要的战场，我们是一家做搜索起家的公司，同时也是一家AI公司，每天有1.3亿精准用户是我们过去的基石，我们推出了文心健康管家是全面升级了原来传统搜索的体验，如果大家在百度里搜寻医问药的需求框，80%的场景都可以看到文心健康管家的入口，除了生成的内容之外，都会由文心健康管家提供针对性、个性化和原生化的追问，沿着这些追问大家点进去就能进入多轮对话的管家形态，在这种升级的原生AI产品新模式下，每天我们有800万人次在使用新的AI普惠产品，从我们的数据来看，不管是留存还是用户满意度上，由AI赋能以后对用户的搜索满意以及服务满意度有大幅的提升。目前这个产品我们发出的时间并不长，月活用户已经超过4000万，在这样的容器内我们也看到非常多被激发出的，以前没有过的健康管理性的诉求，我们非常欢迎能够提供丰富可靠健康服务的合作伙伴加入我们新的场域，我们非常需要除了能够回答之外，能够交付的医疗健康服务。我们现在也和保险、医疗机构、医生合作，把我们文心健康管家进一步升级成不仅能回答问题，还能够解决问题智能的AI工具。 目前排名前三的，在AI文心健康管家最核心的几个应用场景，一个是AI的医学报告解读，多模的场景，现在累计有2700万人次使用，准确率平均在98%以上。 AI皮肤病识别，搜索需求第一大病种就是皮肤病，基于需求和样本数据跟专家们合作，大海量的标注，现在在文心健康管家可以识别近百种皮肤病，准确率和医生标注的一致性超过了95%，其次我们有大几十个常见的病种建立了AI自测，原来只能一问一答，现在通过疾病病种的skill给用户快问快测免费的工具，这样的工具累计使用超过三千万次，用户即使在医疗这样的场景里对AI工具的接受度还是非常大的。 纯AI是很难走通“最后一公里”的，在百度我们也积极把AI咨询去高效地收集和初步诊断，再加上真人连接，最后确认，36万真人医生也能够参与其中，这张图右边有一个医生签字确认的AI诊断小结，有了人机互动并且到前台，可以让用户感知信任，AI的作用能够在医疗上很放心地让大家用起来。 除了围绕患者之外，我们在D端，供给侧主要是围绕医生和医院在做很多AI的创新，大家知道有36万医生入驻了百度，月活在10万左右，这些医生在百度健康互联网平台上做执业的，他们在这里做内容、接诊，也打造个人IP和形象，跟自己的患者在这里交流。 在海量的医生群体工作流中，我们发现了非常多可以帮助他们的场景，最主要的就是一个是帮他们学习成长；另外一个帮他们解放精力。4月份在全网发布了在中国第一款医生“龙虾”助手——有医助理，不仅网罗了海量全球医学专精数据，在原来模型的基础上做了专业增强，减少幻觉，成为专业版的医疗大模型能够辅助医生来做决策和学习，同时也融入了龙虾架构，能让很多帮助医生的skill天然加载在有医助理里，通过对医生工作流场景的拆解，创建一个个数字员工，帮助医生在工作流中真正提效，通过这一两个月的数据积累，最受医生欢迎的skill是写作skill，题目怎么设定，中间病例的分析和日常的积累，都能帮他高效地提升，在医生层面紧密围绕场景去打造AI能力。 另外一个是医院，医院最主要的合作伙伴还是在头部的三甲医院，我们最主要的场景还是在医院线下流程中围绕着用户的流程，包括诊前、诊中、诊后，全流程去看在哪些环节是AI的价值可以落地的。诊前有智能分导诊的Agent，去提高用户他选择科室挂号的准确率，降低不必要的就医历程中的时间浪费，诊中很好的场景，候诊过程时间上的浪费，可以有一个智能候诊Agent，服务于候诊的患者，在诊前就可以完成病情的收集，避免一会儿见到医生之后再浪费时间。 诊后的随访，很多大医院以前想做做不了的，也在合作医院落地了，最重要的合作伙伴就是武汉协和，武汉协和是超大型的三甲医院，复旦排行榜里2025年是第七名，这样的一家医院跟百度健康合作，大家去这家医院看到线下，很多院内诊前、诊中、诊后用户的动线中，都有百度健康AI能力的体现，今天围绕武汉协和打造了全链路的AI智慧门诊的落地，我们也能看到实际数据的提升，AI分诊的Agent，在一年半的时间累计服务了26万的患者，AI加号累计服务的用户超过了12万，避免了这12万用户加不到号，经过一个智能分导诊的技术赋能他，让医院能够筛选出哪些患者是最优先给到号源的，12万患者筛选出来能够及时就医，这12万76%都是应该尽快手术的，数据也是超出了医院的预期。 最后我们也帮这家医院有预问诊的Agent，病例预问诊生成，后台通过his系统给到医生，极大地提高了他们自己去写病例的效率，采纳率高达93.4%，实践中去年全国国家卫健委体系内部的评选中，武汉协和获得了他们体系内的金奖，有四千多个参赛案例获得了金奖，这也是我们在产业落地中的巨大认可。 在三大场景里踏踏实实地实践，服务好患者，服务好医生，服务好医院中百度健康已经积累了非常多的AI化原子化能力，如果文心健康管家是整合的机甲卫士，它所有的18般武器，我们也把它全部罗列在一起，包括AI问诊，我们医生的Agent，皮肤病解读、AI自测等一系列原子化能力，传统百度健康拥有36万真人医生、挂号，找医生、找医院等一系列的内容和服务能力，今天全部拿出来和生态共享，我们知道在医疗产业界全面升级产业的机遇下，绝非一家企业独立完成，我们在去年年底就启动了百度健康的原子计划，把这些内容库和服务库全面向行业开放。 我们欢迎有志在提升中国老百姓的健康体验和健康价值的伙伴们加入我们的原子计划，合作对象，包括但不限于这里罗列的，希望把我们的百度健康所有能力像水电煤一样通过合作输送到各个场景中，普惠到我们的用户、医生。 以上就是今天的分享，感谢大家的聆听，谢谢大家。
当AI开始帮投资机构“面试”企业、帮合作伙伴“背调”公司时，你的数据还在沉睡吗？艾迪普用22年经验告诉我们：AI时代的第一场战役，是数据治理战。 现在投资方、银行甚至客户都在用AI智能体“打听”你的企业——如果你的数据没有被主动整理、标注、推向市场，就等于在AI的“筛选网”里隐身。艾迪普推出元典大模型+企业数字资产专区，80%的整理工作可由AI完成，但安全底线不能丢——拒绝大厂直接索要工程文件，坚持在可信容器内训练。从品牌营销到内部Agent训练，数据只有封装、流转、使用，才能真正入表、增值。 以下为艾迪普创始人兼董事长 唐兴波 演讲内容，经36氪整理编辑： 唐兴波丨艾迪普创始人兼董事长 非常感谢大家能给我这个机会跟大家一起分享交流AI+数字资产的内容，我将围绕行业现状、破局路径、价值释放、愿景展望及公司概况展开分享。 分享主题之前，我想跟大家分享两件事： 一个是在上周，中国音乐学院的专家到访我们公司进行交流，一起探讨如何把中国音乐学院的资产，转化为高质量数据集，实现资产与价值变现的路径。他跟我表示，在来之前，他们已经通过豆包、DeepSeek、千问等大模型提前了解了艾迪普，还从这些模型上，获取了如何与艾迪普技术结合的可行方案，模型给出的建议和答案他们觉得非常满意。 另一个是今年315晚会，曝光的一些相关的数据安全问题。 从这两件事就能反映出，在数字化飞速发展的今天，尤其是AI的出现，让我们很多企业都面临“想用好数据、不会用数据、不知道怎么管”的困境。企业应该如何把我们的数据释放出它们的更大价值，在这里跟大家分享一下。 就像我刚才举的例子，合作方会在网络上通过豆包、DeepSeek、千问，了解我们公司详细的情况。包括我自己，我自己也会问。我相信在座很多企业家，甚至很多的投资机构、银行、合作伙伴，都是利用AI的智能体来检索企业信息，来询问如何跟这家公司合作，我如何在这个行业发展，如何进行创新。这就意味着，如何做好企业自己的数据管理，如何把我们的数据有效推到市场上，如何把它给变成品牌价值，如何创造更好的机会，是一个非常重要的事情。如果在这个方面，我们企业不能主动地把数据释放到市场中，我们没有建立一个品牌，如果我们的数据不能经过整理，我们也很难进行价值转化，对于企业目前来说就像沉睡的数据金矿。 我们艾迪普已经是一家成立22年的企业，经过多年深度服务大量企业后，我们发现，很多头部标杆型企业、一些上市公司，他们已经建立了很成熟的数据治理体系；但对于很多的中小企业来说，普遍存在非结构化数据占比高、形态各异、标准不统一、存储分散、各部门数据孤岛等问题，数据流动不起来，就无法实现价值转化。而AI的到来，为企业提供了智能化解决方案，可高效实现降本增效与价值提升。 我们天天提到数据，数据资产和数字资产究竟有什么区别？我们很多的经营数据、生产数据、研发数据、品牌的知识产权，对我们来说是数据也是资产。数据资产是有价值的。如何变成数字资产？数字资产是可确权、可流通、可转化的。我们更希望我们的数据能实现真正的使用价值，在这个方面我们一定要做好相应的数字资产方面的管理。我们如何做好数据的管理，这个是摆在我们面前很重要的问题，也是当前企业的痛点。 在当前，数字化、信息化发展非常快，很多时候不知道怎么下手。现在在各个领域都突出了平台化，让企业发挥数据的价值。所以我们搭建企业数字化赋能平台，让我们公司的智能体、很多公司的智能体都能在这个平台上一起赋能企业，让我们的企业在这个平台上不管是品牌营销、展览展示、智能制造都能很快找到应用，让我们在海量的Agent情况下，精准找到想使用的工具。 这样的平台能给我们带来什么？我们现在很多企业都是创新企业，或者小微企业。我们希望政府能够了解我们，我们希望我们的客户了解我们、市场了解我们，有了这样的平台，就可以把同类的企业汇聚到平台，企业也知道如何赋能这一类的企业，这就是我们利用这样的平台既可以赋能政府，精准决策，同时也能够让企业激活沉淀的数字资产。 如何打造企业专属的高质量数据集，在这个方面跟大家一起分享一下，在企业里我们用好了ERP，CRM，用好各个方面的信息化管理软件，而现在AI来了，能够更好地应用智能体，在应用智能体之前我们应该做什么？我们公司在这个方面围绕企业数字资产的建立、管理、转化，形成了元典大模型，帮企业如何建数字资产、管数字资产，最终如何转化。 现在企业有很多数据，经过清洗、整理以后，我们就要变成可使用的，可以让AI识别的东西，现在不是要靠人工来把企业数据完整地整理好，因为这是很难的，现在80%是利用智能标注来把我们企业的数据很好地进行整理、标注，如果不标注，AI也很难来认，像这类工具和能力是我们企业一定要考虑的。 企业数据经过平台化管理，要经过三个过程，一个是数据资源化、数据资产化，最后数据才能转化，才能做到数据的资本化，在这个方面，利用数字化手段来把我们数据进行封装、建模、这个就是数据数字化的过程。 有了智能标注以后，我们可以识别很多的图纸、作品甚至影像都可以进行识别，很方便地使用，我们要查历史数据，很好很容易地找到，像过去没有标注做起来非常难。数据治理的第一步就要进行标注，在这个方面就能做到一定的识别，对高质量的数据集建完模以后，就要编目，像建数字卵生体一样，把它变成知识库，拥抱AI，用AI来驱动内容，就可以智能地进行生产。 举个例子，原来我们都知道企业有自己的网站，现在更多地有公众号。现在我们又开发了企业名片，以往的做法是，这三个是独立的产品。现在我们为企业做了数字资产专区，意味着有了数据可以共享，在企业专区里更换一个内容，这三个部分就可以同步进行更新，我们写的公众号内容，也更加精准，基于通用大模型的能力，再加上企业自己的知识库和行业知识库共同完成。 还有一个方面，企业对数据的安全有很多的问题，我们平台上有一百万+的资产，小二十年的积累才形成的，这里面有原数、模型、场景、效果包括算法，都在这个平台上，最近有几家大厂跟我们协商想学习，想用我们的数据，但是这一套训练学习机制没有完整地在黑箱里形成,直接把工程文件数据给到他们，他们毫不犹豫地拒绝了，我们也视我们自己企业数据为生命。 高质量数据集释放商业价值，无论是品牌还有营销、展览展示、智能制造乃至于我们企业自己训练自己的AI Agent，都是基于企业自己的数据，有关于人工智能的定义，计算机视觉。计算机视觉再往下，无非是文本、图片、声音、视频、3D模型+3D场景，前面是封装动态数据的技术，3D模型、3D场景是封装动态数据，所有人工智能认的就是这些内容，而这些内容恰恰又是数据的封装技术，在这些方面构建企业数据基础的时候，我们要了解所有与数据封装相关的技术和Agent，那样能把我们的企业数据管理好，不仅要建好，还要管好。 有了这样的企业数字资产专区，我们保证数据安全的情况下，把有效的数据，经过Agent变成我们的宣传文稿、视频、企业，产品宣传的视频，乃至于智能产线的数字内容，对于所有的合作伙伴也好，外界也好都能很好了解我们的企业，这是企业能够很好地进行转化，本身希望企业开始注重我们数据的建立、管理，来利用新形态，就像当时管我们的数据、信息似的，通过互联网技术、工具软件，很好地管理，实现数据价值的管理，现在要把数据变成数字资产管理，这要有一套完整的数字资产管理的手段。 我们也建立了元数云元典大模型，无论在企业数据方面的建立、私有大模型方面我们都给他提供了很好的工具。 我们还有一些转化的工具，数据最终是使用才能把数据价值真正体现出来，有了基础工具，我们每个工具又融合了AI的能力，我们发现现在很多AI工具，不能够完全满足我们的精准生产，我们严肃的内容，80%是需要AI来完成的，那20%就需要更好地具有一定能力的员工来帮助完成的。有一些工具想完全替代人工是不可行的，我们用的AI工具，在数据整理和管理层是好的，在解决最后落地的时候，那还是需要工具的。比如我们做数字卵生，那就需要很好的工具完成，而用AI推理出来也是做不到的，数字卵生最主要的特点就是实时可交互的，我们的AI在这方面是推理的，这里有很多内容包括制作企业宣传的时候，AI只能作为辅助的能力，最后由我们的主编、制作人员，利用很好的工具把它完成。 这个是我刚才说的有关于数字内容的生产、创作，AI确实给我们提供了非常好的能力，现在为企业做专区，就是帮助企业梳理数据，做企业的知识库，我们把行业的知识库赋能到每一个行业的企业，让大家更好生产精准的内容和工作任务。 AI给我们数据带来的好处，对于企业确实可以实现，我们已经做了相应的案例，数据资产入表，我们可以通过手段把企业的数据变成在可信的空间容器封装，数据一定要封装，才能够把它变成资产，才能够入表，而裸露的和基础的数据是很难实现的。 不管是哪个方面，我们从现在开始，尤其是AI到来的时候，如何把数据变成资产，如何建立企业的数字资产，如何管理好，如何才能够做好转化，这是每位企业现在面临AI时代一定要想好的事情，也必须做好的事情。 最后简单我想再介绍一下公司，艾迪普已经22年了，在泛媒体、泛文化、泛工业方面我们做了很多的内容，比如央视2014年春晚舞台的视觉效果、冬奥会的开幕式，那是我们在传媒领域的应用，还有航空航天、海洋工程等项目，我们一直跟数据打交道，我们一直知道数据的价值在哪里，我们也知道未来怎么帮助每个企业怎么把数据变成资产，怎么来实现企业更大的数据价值。
金智维与银河期货七年合作，从十万级的RPA项目走到百万级的智能流程重构，证明了一件事：企业级AI的价值不在于回答问题，而在于把事办成。 从RPA到Agentic Flow，金智维与银河期货用七年时间跑通了企业流程智能化的完整路径。如今，数字员工已在银河期货落地50多个场景，每天执行超三千条业务流程，准确率99.97%。2025年，双方再度联手探索“智能流程”新范式，试图让流程本身具备自构建、自优化、自演化的能力。 以下为圆桌对话内容，经36氪整理编辑： 吴越丨AI-CenkerAl创始人、科技博主（主持） 廖万里丨珠海金智维人工智能股份有限公司创始人&董事长 沈毅丨银河期货高级技术总监 胡箐丨金智维首席AI科学家 吴越： 大家下午好，欢迎回到36氪AI产业大会的圆桌论坛，我是今天的主持人吴越，我们早上聆听了信息密度极大的演讲，每个嘉宾都提到AI能做什么以及能改变什么，下午这个环节跟大家聊聊AI怎么落地，不是PPT上的落地也不是发布会上的落地，是我们怎么真正进入到企业的核心流程，产生价值的落地。今天这场圆桌我们邀请了三位嘉宾： 金智维的CEO廖总，金智维是一家深耕企业流程智能化的公司，他们已经做了十年了，去年他们发布了企业级平台Ki-AgentS，与银河期货探索Agentic Flow新的概念，待会儿也会跟大家详细展开。 银河期货CIO沈毅，银河期货是我们金融行业里做数字化转型先行者之一，他们今天也是我们要聊的案例里的主角。 右边是金智维的首席AI科学家胡箐，是我们接下来介绍的这套系统背后的技术主脑。 今天圆桌主线比较简单，从他们七年的合作来聊，我们想看清楚流程智能化怎么跑通的，对我们有什么启发。廖总，金智维、银河期货已经合作七年了，产品线从运维到RPA、智能体，两家企业能合作七年，在to B行业已经是很好的一段佳话了，你们先聊一下这个合作怎么开始的，又是什么走到了今天？ 廖万里： 我们跟银河期货已经合作六七年，合同额从十多万到现在的百万级别，我们的产品线也是蛮丰富的，从最早的自动化、RPA、智能体到整个应用，我们多年合作下来已经成为互信的合作关系，银河期货也是我们有代表的金融客户。在今天，数字员工产品已经落地在银河期货，有50多个应用场景，每天要执行的业务流程有三千多个，最核心的指标执行准确率99.97%，数字员工已经完成了重复繁琐的工作，这个答案已经是很明确了。 2023年我们跟银河期货举办了行业数字化转型的讨论会，也发表了关于期货行业数字化转型的白皮书，从那个时候我们开始意识到大模型、智能体来了以后，对企业的变革不是单点操作，而是怎么嵌入到企业流程里，怎么实现企业流程的业务重构，就有了最新的项目合作，2025年9月份启动，到目前已经有两个场景落地，这是非常有价值的案例。 吴越： 廖总是从供应商的视角来看，七年从十万级做到了百万级，沈总，作为甲方你们为什么会选择金智维，期货行业你们也不缺乏大厂的合作。 沈毅： 简单回应廖总说的情况，早期基于RPA场景给金融行业做解决方案的供应商，当年是有一定的代表性的，2023年，DeepSeek在国内还没有被大家知道，而早期Open AI的产品已经有成果了，3.5之前的版本；企业级流程那么多执行的东西，我们怎么去做基于当时还是比较早期的大模型改造？我们找了行业里的各种解决方案，看了这么多解决方案，得出的基本论调是，运营类的流程需要大集约化的平台。 银河期货很多合作的创新型项目走的是ODA模式，期货公司会出一些类似于设计的概念，找合作伙伴去做创新实践，金智维表达了比较大的意愿去做这个事情，于是就有了新一代的合作。 吴越： 你们经过七年的时间积累了很好的共创关系，银河期货已经跑了很多RPA，每天有大量的在跑，准确率很高，你们去年决定做Agentic Flow，这个肯定不是想更进一步而已，是什么样的场景让你们觉得光靠以前的RPA是不够了，展开聊一聊。 沈毅： 金融行业解决问题是很实际的，期货行业是服务实体经济的，有很多产业型客户，做实业的客户，这些产业型客户开户到现在风险还是比较高的，要线下开户，线下开户必须去客户那儿，或者客户来你这儿，采集资料，提供的资料按中国证监会要求是比较复杂的，仅仅通过一次沟通，清单的提供是不够的，很多是反复的。为了解决这个问题，学证券行业老大哥的解决方案，做了所谓预客户资料收集，弄一个iPad，预采集信息，这个模式实践下来，比较敏捷的解决方案来做，早期还是可以的。随着业务的多样性，伊朗、霍尔木兹海峡原油的变化，导致调整包括监管的变化，会导致调整的敏捷性比我们以前在软件上做的敏捷开发模式响应度还是不够，模型智能体的概念刚刚出来，我们就在想还有没有比现在微服务的方式更敏捷化、响应速度更高，运营人员、服务人员很多需求及时得到响应。 吴越： 相当于用新型方式解决，回到廖总的角度来看，现在最火的像大模型、聊天窗口，需要一个对话的东西，为什么你们还在盯着流程、押宝流程，有没有人质疑过你们的方向？ 廖万里： 不是押宝，我们是顺势，这十多年以来我们一直坚持帮助企业真正把智能体融入业务流程里，我们一直没有离开流程两个字。十多年来，我们从自动化运维、RPA再到今天的智能体，变的是技术手段，围绕着行业，帮企业解决问题，在企业里让流程跑得更快、更准、更可靠，这是我们一直在坚持的使命。大模型在2023年、2024年出来的时候，更多解决了你问我答的事情，而今年年初是小龙虾，大家突然发现智能体做到你说我做了，对企业价值更大了，不是帮我回答问题，是帮我做事了。从这个时候价值慢慢体现了，小龙虾帮你收个邮件，仍然是个人的生产力提高，而我们要做的是希望围绕企业的整体流程构造智能体，从证券期货的开户，再到清算整个业务流程，我们要做的是组织生产力，这就是我们在从事的方向。组织生产力对企业价值创造是最大的，这个问题可以请胡总来补充一下。 胡箐： 就像廖总说的，流程是企业业务的真正承载，企业运作执行效率都是通过流程体现出来的，对于企业来说更多也是关注流程的提效，这也就是金智维为什么一开始关注RPA赛道，为什么我们会看中这个赛道，廖总说到顺势，也是水到渠成的意思，从大模型开始能够认知事情到开始执行事情，到去年慢慢地在技术上取得了突破，突破在to C领域是会更领先一些，to B着力点是什么，不仅仅是to C聊天的工具，不仅仅是信息提供，能够在企业日常运营中帮助你做更专业的事情、更精准的事情，对金融来说是更安全的事情，这也是我们探索的目标，为什么我们说机会很难得，我们跟银河期货一起共同认知到，企业场景到了这个程度，我们要开拓一些企业没有做的事情，更关注企业在流程赛道，智能化上如何去做，很荣幸跟银河期货去做开创性的尝试。 吴越： 聊到跟沈总的合作，回到沈总的角度，你们决定做Agentic Flow之前，这个行业有没有试过一些方案，为什么没有被解决？你们应该也是系统性地试过一些方案，你再给我们还原一下像BPMN、RPA怎么用，大模型又怎么用，你们是卡在哪里了。 沈毅： RPA操作的东西已经存在很久了，最早期就是RPA，我们当时解决最复杂的问题是运维，运维本身是负责生产安全的第一要务，你每天都要做相关操作，重复度、工作量、精准性要求比较高。RPA对于这个部分是很擅长的，但如果你给他一些变化，无论是政策、真实情况，出现一些变化的时候，会发现改动比较慢。接着我们进入第二个阶段，我们会用微服务化、现在像2.5、3.0敏捷的前端，加上BPMN拖拉拽的框架结构去做类似的敏捷化解决方案，特别是这两三年行业变化那么快，一线运营场景想法那么多，这个解决方案是可以的，大家现在都说“卷”，工作能力、工作时效，你有一个想法，你找一个开发人员，给你把流程开发出来，用这套微服务架构去做，经常发现还是不行。Open AI慢慢成熟，大家会觉得能不能借助大模型，无论是工作流程，业务流程的工作过程中加入大模型的节点，本质上还是比较传统的制式化流程逻辑，起不到颠覆性，这是之前工程实践的真实的情况，在企业侧，我估计都差不多，金融行业，无论证券、期货、基金都差不多，这是我们之前的实践路径。 吴越： 沈总你聊到很多技术性的东西，抛开技术，做了这么多，我想大家想听到Agentic Flow上线以后，你们运营团队最直接的感受是什么，列举两三个例子，没上线之前是这样的，上线之后是这样的，比较具象的例子，流程智能化具体体现在哪些方面？ 沈毅： 我们经常说大家不容易注意到流程智能和智能流程的区别。在流程+智能的工作过程中，我们发现很多流程还是比较死板的，效率很难起来，流程里比如被统计、被优化、被改进的节点还是人为的，就有点像新能源车的油改电，还是传统方式嫁接AI能力，本质上没有变化，我一家之言，将它界定为“流程智能”。后面借助大模型的想法，我希望是倒过来，“智能流程”，这也是我跟胡总聊起时比较感兴趣的点。这么多工作业务，有大量的不确定性、大量的临时性、大量的自由度，经典软件开发、需求收集、产品、架构、代码、测试、交付，按这套逻辑去做。去年924行情波动非常大，这个行情起始时间很短，算上十一，总共三周，如果你想做运营活动、调整政策，按原来软件开发的方式，两个月以后才把相应解决方案拿出来，就没有任何意义了，我们希望时效性起来，互联网公司可以，金融行业比较难，原因是互联网公司本身天生敏感，支持团队很敏捷，其他行业不太行，特别是金融行业，我们是严谨、合规、安全的行业，很多东西上线非常快也不合理，现实情况业务机会非常窄，那你要不要改革，这是我们的问题。针对这个问题，我们简单提了一个想法，等下胡总可以帮我补充一下技术方面的东西，“智能流程”，我们希望整个流程部分从构建开始，就类似于智能化。 吴越： 胡总可以顺着技术聊一下，跨过技术的坎才能解决很多问题。 胡箐： 一开始产品技术设计的时候，有一个思想就是AI原生，为什么在流程上把智能放在前面，我们希望流程在设计上以AI的思想来做的。沈总谈到我们第一阶段很简单，流程智能化最直接的方式我在流程里加一些AI，在流程里有一些工作让AI去做，这是把AI当成工具，还是比较早期的想法，人和智能之间的关系，已经开始有对等化，智能在整个工作中的实际承载中的作用，把脑力的一部分工作去做，沈总说的原先流程生命周期里，让系统去做操作面，未来我们让它不仅做操作，流程管理、流程创建、流程优化，原先都是人需要的知识、技术都可以让智能去做。 我们分为三个阶段做这个事情，第一个阶段我们认为还是要把AI技术引入流程执行过程中，流程过程中我们会梳理流程中哪些东西可以被AI化。第二个我们希望流程本身构建可以被智能化，沈总讲到，出现一个新的流程，流程发生变化，智能体或者大模型可以帮助你更快地构建业务流程，适应去年的行情。人工智能走到现在开始演化出会有自我进化、自我优化的程度，流程后面的阶段也会是类似的。展望在今年或者明年智能流程会自我进化，收集流程在执行过程中的数据，优化潜在流程可能自我演化的方向。 沈毅： 我们简单总结两点比较好被记忆，大家容易理解这两个词之间的关系，首先我们认为智能流程整个流程的构建范式是智能体范式，跟现在做智能体范式是一样的。第二个智能体范式是构建者，流程、自进化、自学习能力甚至未来很多流程都可以自己生成，这是原来在流程智能时代是不具备的，这是底层逻辑。 吴越： 胡总、沈总聊到，我们再往大一点聊，人和智能体的边界是越来越多人关心的问题，尤其是在AI时代，流程智能化你们怎么设计人机交互的边界，哪些人来做，哪些是智能体来做？胡总。 胡箐： 刚才已经谈到人和智能体的边界已经发生变化，智能体从工具开始变成协作，今年感觉更明显了，都看到智能体开始有智能体社区、智能体团队甚至OPC的概念。随着大模型能力的加强，从工作能力的角度可以越来越多地做事情，to B有更加强的特别是金融有更加强的监管、安全、可控要求，无论是从责权角度还是从最终执行审核的角度，人都要在关键节点上需要跟智能体进行协同。 随着智能体能力越强，你会把执行层面的工作交给智能体完成，人本身的工作也会发生变化，更多思考如何定义问题，如何设定目标，如果检查智能体执行是否正确，如何定义智能体执行的边界和框架，这不是简单的技术问题，也是对企业组织结构调整和人际关系变化的问题。 吴越： 人应该定义目标、目的，由智能体定义实现路径，一切技术，有没有作用、价值，沈总，你们经过这个转变，运营团队有没有感觉到变化？ 沈毅： 肯定是比较困难的过程，金融行业本身安全合规性、可审计性等问题，创新虽然可以，但面对一次创新带来的实践成本还是比较大的，类似于“沙盒”概念，逐级、逐权，一点点由循序渐进的方式去演进。 现在二者都要有取舍妥协，企业级本地化的解决能力，随着对大模型的拥抱，各个企业数字化转型，本地化能力越来越强，解决方案越来越趋向成熟，金融、教育、医疗、交通等等行业，企业解决方案已经变成刚需，以前只能用传统软件构建的方式，现在都得用智能体化的方式去构建，后续产生的工作流程也不能很传统，虽然我们有强制的要求；现在就是面对两难情况，可审计、可追溯要有，企业解决方案、模型范式下智能体的解决方案，智能流程也得有，这也是企业比较困难的地方。 吴越： 最近比较热的Open Claw，Manus这些，我想了解一下这些跟咱们有没有关系，很多人搞不清楚金智维跟这些东西到底是竞争对手还是基础设施，有请胡总拆解一下。 胡箐： 我们高度关注AI的前沿发展，我自己有一个基本解读，AI高速发展首先落地的是to C，to B是在to C以后把技术做一个吸收，有一个延时，随后在to B上更安全可靠、可管控的适配，OpenClaw还是Hermes工程本身也是我们紧随跟进的第一个方向。 特别是在今年是蛮幸运的一年，很多大模型使用的技术或者范式，特别是to C已经引起了爆发，技术点上可以做to C很复杂的事情，从Open Claw就很明显，长任务，大量的工具调用，长skill书写非常复杂的工作都能完成，这也就意味着这些技术在to B慢慢也会有相应的市场，我们现在也是在高速研究，一方面拥抱OpenClaw、Hermes、Harness技术基础，另外一方面在to B上做更好地管控，内部一直有一个架构，这个架构我们叫作双轮架构，一方面我们需要拥抱所有的AI先进技术，特别是高度智能的规划、调用执行技术，同时继承to B的高精准性、可知性，用规则、人工智能经验，可以说是Manus技巧保证大模型执行过程中幻觉的可靠性，这是我们公司所有产品线的基本方向，沿着这条道路，希望在这条道路上给to B找到新技术更快落地的实践路径。 吴越： 这里一定涉及一个问题，金融机构，越智能就越不可控，这是必然的，沈总，你在期货行业监管那么严，用智能体做决策，假如出错了谁负责，怎么把可控性做进去的？ 沈毅： 像沙箱、沙盒的机制，如果有很好的东西，比如向各地的资本市场申请，申请入盒去做相关的工作，公司内部随着现在大家对于企业业绩方案共识、智能体在行业大模型的应用，这几个月以来已经全部本地化了。全部本地化，无论是传统流程、智能流程还是按照原来的方式，可审计、可追溯，所有的方式没有变，数据本身是本地化的，安全合规没有变，审计的各项要求都没有变，真正有特别创新、特别好的想法可以申请沙箱、沙盒的机制尝试创新。 吴越： 廖总，你们做金融级的智能体，你对可靠性怎么理解的？ 廖万里： 这也是我们做产品最大的核心基因，怎么构建企业级可靠的智能体，我们很多智能体业务流程都是跑在生产流程、交易流程，不可靠出现的时候就是一个交易事故，生产事故，我们做的智能体，不是技术越新越好，越可靠越好，我们坚持一个理念，一定是解决确定性流程智能体，才能跑到金融行业里的交易流程和生产流程。 吴越： 软件产业发展三十年，从单机到云端，每一次转型都会伴随着大量公司的生死更迭，我们今天站在智能流程门槛上，沈总，你作为客户，你们公司买软件的方式有没有发生根本性变化？ 沈毅： 问题比较大，回答也比较容易，技术变革的敏感期，跨过这个阶段就结束了，早期在1990年有机会接触互联网，你就进入互联网时代，从互联网到移动互联网，再到这一次我们理解人工智能或者未来有别的定义，目前这个阶段我们怎么做，我们实践了三年，现在有一种折中的方式供大家参考，很多企业还是有很多传统的，维持企业生产运转非常重要的东西，比如各种企业管理的ERP管理、财务系统等，像期货有重要的交易系统，这些我们的建议是慎重改革，不要改我们把这部分定义为稳态交易，这个建议慢慢改。我们买什么或者我们需要什么，什么东西需要去做信号的采购，是基于业务运营侧的很多东西，现在事件突发行情太快了，现在需要很敏感、很快捷的运营型场景构建能力，我们把这部分定义为敏态业务，这块业务我们希望用的方式，前端构建上LP2界面类似的，中间层，二三十年我们一直没有解决流程引擎的问题，围绕这部分我们做了很多尝试实践，并没有太大的变化，这一次智能流程部分有可能能实现，前端性敏捷、中间层是智能流程化的，比如基于业务运营的很多解决方案，构建方案是拼接式的，前端很快，中间侧调整比较灵活，解决了传统软件上所谓的Saas化、中台化没有解决的问题。底座我们建议是比较传统的，传统数据库的方式就可以，这个方式我们会简单类比原来的软件开发模式，我们会利用这个模式融合现在人工智能发展模式，最起码我们公司在实践。 吴越： 廖总，想让你从行业来看，这个转变对整个软件产业的格局意味着什么？ 廖万里： 当时我跟沈总沟通这个问题的时候，沈总的想法给我很大的震撼，当一个流程可以自己构建、自己优化、自己演化，我们要重新思考软件核心价值就会发生很大的变化，软件核心价值不是我有什么功能，而是你能交付给我什么结果，不需要你告诉我能做什么，而是你有什么结果给到我，这是我认为软件行业这三十年最大的范式转移。以前都是人去适应软件，当我们通过智能流程驱动业务变化，我们就重新定义了软件的价值，以前是人适应软件，以后是软件要给我结果，不关注功能有多少，关注是你有多少结果，你在运行的时候，不是谁的软件功能多谁赢，而是未来是不是结果驱动的，通过结果驱动，业务跑通，业务流程跑顺，通过数据、智能构造，才能走到流程驱动的企业。 吴越： 回到技术，胡总，你从技术本质来看这个事情，软件生产，这个事情会变吗？ 胡箐： 现在已经很明显变化了，最直接的一个事情就是AI辅助编程，无论写不写代码，甚至不会写代码的人，都可以简单用自然语言生成软件，包括我们内部团队也在不断地反思，未来软件构建会变成什么样子，我有一个感觉，以流程为例，软件是你业务的一种表达，软件把你的业务只不过用程序的方式表达出来，以前的软件跟业务表达有很长的距离，要有非常复杂的业务需求调研，开发测试整个上线，现在AI辅助的能力让软件构建已经被压缩化，如何去更快理解业务，从业务生成一个软件，会是软件供应商一起思索的问题，让我看软件的未来，软件未来快速把业务提取出来，业务中核心的价值和概念，我认为未来软件就是自动生成的，我们在做的时候已经有类似的概念了，一旦智能体能理解这个业务，人机交互这个软件代码长什么样已经不重要了，完全可以自动生成，软件业的核心会转变成原先会关注于代码或者是构建软件这个事情，更关注如何捕获真正的业务所在，优化真正的业务逻辑，会是这样范式的变化。 吴越： 我们从七年的合作，甲方、乙方、技术，不同的视角，今天同一个问题从不同视角去看，我们聊到了流程是被低估的，尤其是在企业里，Agentic Flow已经在金融行业跑通了，也让我们看到一个更大的变化，软件产业的范式，以前是给你功能，到现在是帮你完成事情这么一个大的变化，这个是蛮明显的，像廖总、沈总一起努力推动这个事情，是非常重要的，公司本质也是很明显的变化，从组织这些人去完成一些事情，现在变成要组织人和智能体完成公司的事情，这也是非常大的变化，这个变化已经比想象中来得快多了，今天时间有限就到这里，谢谢各位嘉宾，谢谢36氪。
企业引入AI，先改流程还是先换脑袋？没有标准答案，只有实战经验——学者、制造业主、工业赋能者三种视角碰撞出一个共识，不要指望把全公司的认知统一好再动手，也不要贪大求全一步到位，用小流程换结果，用结果赢共识，才是AI转型最稳的路径。 圆桌对话直面AI落地中“上热下冷”、过度追求全智能、数据治理欠账等现实之坑，并给出了一句建议：找准场景先干起来，用1%的成功促进100%的变革。 以下为圆桌演讲内容，经36氪整理编辑： 何思翀丨蚂蚁集团NEXTA创新实验室项目负责人（主持） 梅丹青丨哥伦比亚大学金融学博士、长江商学院金融学助理教授 何一波丨宁波金山双鹿电池副总裁 李新春丨和利时科技集团有限公司中央研究院资深研究员 何思翀： 各位朋友们大家上午好，很高兴做客AI Partner的舞台，我是本场圆桌主持人何思翀，代表主办方欢迎台上的几位嘉宾参与本场圆桌，作为今天上午的收官圆桌，只想跟大家讨论一个问题，解决一件事，企业引入AI第一步究竟怎么办？抛出圆桌的讨论原则，不讲概念，就讲实战体验，把自己曾经做过的AI实践跟大家做一个简单的分享，先做什么，后做什么，包括可能踩过什么样的坑，最终得到什么样的结果。 我先来介绍一下台上的三位嘉宾，长江商学院金融学助理教授、哥伦比亚大学金融学博士梅丹青先生。 梅丹青： 很高兴跟大家一起交流，谢谢。 何思翀： 双鹿电池副总裁何一波女士。 何一波： 大家好，我是何一波，今天很高兴跟大家在这里相会，希望今后有机会有更多的合作，谢谢。 何思翀： 和利时科技集团有限公司中央研究院资深研究员李新春博士。 李新春： 大家好，很高兴在这儿跟大家分享流程工业的AI经验。 何思翀： 再次欢迎三位来到我们的圆桌，开门见山，先请三位嘉宾跟我们快速亮明自己的立场，在各自的企业视角、研究视角也好，一个企业想进入AI的转型究竟先改流程还是先换认知，有请梅教授。 梅丹青： 大脑和流程一定是同步修改的，但如果非要二选一，我建议优先改一号位的认知。因为如果一号位的认知没改好，那改流程就只是在旧世界里做一点小小的提升而已。在2026年的今天，我们要从“引入AI”转向“AI原生”。简单来说，不应该是在原有流程上加AI，而是改成“AI+”，构建AI原生的架构。这就要求企业，尤其是决策层和一号位，必须先改变大脑、改变认知。流程也要跟进，通过小流程来验证认知。这就是我的基本观点。 何思翀： AI的核心不在于流程优化，在于认知和决策层面的智能提升，主要是集中在一号位的认知提升上。何总，双鹿电池怎么拥抱AI的，当时怎么做的，是想解决什么问题吗？ 何一波： 你刚刚的那个问题挺有意思，这个问题类似于吃饭先动筷子还是先张嘴巴的问题，对企业就是顺势而为的问题，很多人对双鹿电池不太了解，我们公司1954年就成立，比新中国成立年轻几岁，今年已经有72周年了，我们整个公司经历了中国工业革命，从原来基础比较薄弱到后来不断追赶，部分技术上的领先，这么一个过程，我最大的感悟，一个企业并不是孤立的，肯定是跟国家政策、当时时代同频共振的，我们经历的从原来小作坊到后来自动化、智能化、AI时代的到来，我们公司也是这么一个历程，最早七个人的小作坊，到后来引入国外的生产线，技术被制裁后，我们自主研发设计了自动化生产线。再到现在我们积极拥抱AI，这么多年以来，我们沉淀下来的数据和流程优化，本身就是现在拥抱AI、应用AI很好的土壤，顺势而为、水到渠成的事情。 何思翀： 当时的触发点是什么，是觉得是时候引进AI了？ 何一波： 大家讲到认知，很多企业的一把手，我相信他们现在都已经有认知了，我们可以感受到中国企业这么多年发展起来，是一些新的技术迭代更新应用，我们的生产力快速提升，我们肯定要去拥抱AI技术，最终企业要解决的问题，就是企业效率、质量、成本。 何思翀： 李博士，我们在一线服务了那么多工业客户，我们给到企业一个建议，会说您应该先做什么？ 李新春： 和利时在工业自动化领域耕耘了三十多年，服务了上万家工业客户，做了大量工业智能应用，从工业AI赋能的角度我们建议先从流程入手，通过流程撬动认知，工业有其特殊性，工业领域的行业非常多，场景千差万别，高度碎片化，对安全性、稳定性，模型可解释性要求很高。在这样的情况下，很多通用的AI技术在工业场景中很难直接落地应用，从技术路线到价值体现差异都比较大。目前无论是产业界还是学术界，在工业AI价值体现上、在工业AI功能边界上、在未来AI的发展路径上还缺乏一个统一的认知。我的观点是，既然统一认知这个事现在很难达成，能不能先从流程入手，通过实打实的AI落地的效果，从数据、实际价值体现角度来推动认知的升级，促进共识的达成。 何思翀： 从这个问题，三位嘉宾的立场也都立起来了，梅教授这边是从决策、认知层面出发，何总是从双鹿具体的经验，包括他们72年一路走来的企业实践出发，李博士是从服务客户一线经验来谈的，答案可能不同，是有一个共同的指向，还是看你和你的企业在哪样的阶段，面临怎样的问题，促使你来做出怎样的选择和处理方式，我们现在更加希望聊具体的场景，双鹿是72年的老牌制造品牌，在产线上全面拥抱AI、上AI，拥抱AI是顺势而为的，比如第一个AI场景怎么选的？ 何一波： 我们公司打造“黑灯工厂”，讲一个大家有画面感的东西，最早我们电池里面正极材料里有一个电解二氧化锰、石墨，去过工业企业的人会了解一点，原料车间出来的每一个人都是黑的，除了牙齿其他全是黑的，那会儿大家上公交车的时候，公交车司机要拒载，真的很脏。今天再看我们公司是黑灯工厂，一黑到底，全面实现自动化、智能化场景。 第一个AI落地是外观的质检，生产线、物流仓储全部实现智能化，有一个环节也是我们的痛点，我们还是从痛点出发，我们做出来的电池要在仓库里储存10-15天，出来的电池进行外观全检，外观很小，第一个确保没有漏液、没有撞伤、没有瑕疵、没有金属丝等。据我了解在我们这个行业里几十年以来都是靠人工肉眼去看的，但是电池非常小，0.001平方米去看，一板电池有600多节，5号电池有600多节，7号电池有1000多节，去看这个场景一天下来看得眼睛都看花了，又费眼又费腰，2021年要打造一个新的工厂，时机非常好，原来传统的外观视觉检测，还没办法做到很好地检测出不良点、瑕疵点，我们跟华为云技术人员一起碰撞，加上原来积累的数据，加上他们的AI算法再加上工业摄像机，就能很好的至少在设想里能够很好解决这个事情，把原来这么多重复的劳动力，人的肉眼是有漏检的可能性，通过AI解决这个事情，大家马上达成共识。 这个过程中并不容易，AI底层是数据，我们出来的电池不良率是比较低的，我们要求不可以放过一颗有瑕疵的电池流出去，AI学习是从零开始的，我们要积累大量的不良品，让他学习，积累数据，原来有很多，但更多是在人的大脑里，样品积累我们花了两三年的时间不断投喂他，到今天为止这个工作已经成功了，一个是国家工信部政策上的支持；还有一个华为云也是把它作为经典的案例做一些推广，几方形成合力把这个事情做成功了，在这个行业里树立一个标杆。 何思翀： 朱总有一句话核心问题还是在于人，我想了解一下，在我们这样一个应用AI过程中，您刚才讲的主要是在数据、技术能力上的改变，怎么让员工他也发生转变、充分拥抱AI？ 何一波： 说到人，几位老师也讲到焦虑，AI是不是要替代人，是不是要失业了，我们公司做AI项目，我们全部都是有听证会的，听证会的目的是把大家所有的想法、顾虑、建议全部摆在面上去讲，这个事情能给我们带来什么价值，要花多少钱，这个事情值不值得投入，统一思想以后，大家再去做。 第一个场景是AI外观质检，做成功以后不是把这些员工开除，而是让他们去更轻松的岗位工作，大家感觉到AI确实帮助到我很多东西，而且是最苦最累的活让AI解决，这时候所有人都会积极拥抱。 何思翀： 我们不是用AI替代人，而是让人找到更适合人来干的工作。 何一波： 我们还有其他的应用场景，现在在研发端的大模型，原来通过老的研究人员、工艺人员去做各种各样的实验，现在有了AI以后，会给我们提供想法和思路，再去做就是事半功倍了，更多要知道AI能给我们带来什么好处，有了这个好处，尝到红利以后，大家愿意主动推进这个事情。 何思翀： 谢谢何总。接下来有请李博士从赋能方的角度分享一下，先从流程上做改造，如果有一个新客户找上门来，他就说我想要上AI，你们的标准动作是什么样的？ 李新春： 我们跟行业中的客户有很多AI应用的交流，首先进行的是价值锚定，先分析业务场景，从业务场景中梳理那些对业务影响比较大的，数据基础比较好，能够量化分析对比的场景，把这些场景梳理出来，我们叫作价值锚点，首先要把目标确定起来。第二步也不会对既有业务场景进行大刀阔斧的改造，。先做最小MVP的闭环，在闭环试点运行场景下去验证技术的可行性，验证实际落地的价值有多大，再看看用户的反馈。在MVP闭环基础上，我们再讨论如何从10%的场景往20%、30%场景不断扩展。实打实地用数据、效果说话，如果开始就说流程有问题，要去改流程，最初阶段用户肯定是难以接受的，通过数据和价值支撑，再回过头来引导客户去做流程重构，例如操作手册、管理流程的修改，一线操作人员也好管理人员也好才会有意愿配合我们做这样的变革，进而推动企业人员对AI认知的提升。 何思翀： 我们在推动过程中速度的要求是什么样的，一个AI项目从启动到第一步看到可衡量的效果，很多企业非常着急，长时间没有看见水花，信心很快就没了，我们是怎样的速度？ 李新春： 和利时去年618发布了XMagital工业智能平台，主要目的是通过这个平台来支撑工业智能应用快速开发和部署，这个平台解决两个主要问题，一个是数据问题，打通工业生产控制和工业生产管理的数据原生融合问题，原来这两层是分开的，数据原生融合基础上我们又进行了语义底座的构建，通过通过本体模型进行数据的组织和管理。在数据层基础上是模型层，将和利时三十多年积累的模型、算法、工业知识打包成工业世界模型的概念，这也是我们今年616发布的主题。为此还配套了智能编排工具，快速通过自然语言，由业务人员提出业务诉求，编排工具可以调配工业世界模型来组态智能应用。例如基于xmagital平台，预测类应用的开发就由原来以月周为单位改到以天为单位，大大促进了工业智能应用的开发和部署。 何思翀： 还是回到人的问题，刚才说到先从流程入手，老板来找和利时做AI改造，管理会、战略会已经达成了共识，我们必须要做AI。企业真正落地的时候，还是会碰到中层的犹豫、观望包括一线他们也不会马上行动起来，我们怎么处理上热下冷的情况？ 李新春： 各个层级的利益诉求是不一样的，我们要分层赋能，让每个层级看到AI的价值。对老板来说给他看的不只是宏观的经济报表，还要让他看到生产中的一些主要问题，通过数字孪生技术、把现场生产的具体情况、损耗、能耗、质量波动等问题，通过可视化的形式让他看得到，让他推动管理层、解决这些问题。对管理层我们要提供适当的抓手，问题暴露出来了，上级给他安排任务，那么对应的AI工具是什么？我们通过锚点分析，对化工行业做了比较深入的研究，梳理出来了几大场景集群，例如工艺智能控制、优化、智能设备运维、设备质量管理、安全环保智能控制等等，我们梳理出锚点，提供相应的智能工具，帮助他们完成老板安排下来的任务。 对于一线人员，把智能优化投运以后产生的效益给他们按一定比例分配，让他们看到实在的收益，就从原来的抵触情绪变成更加积极使用这些工具。 何思翀： 梅教授，不同的企业，20人的小企业，500人的中型制造，超过五千人的大型集团，AI切入是不一样的，应该怎么切入？ 梅丹青： 对于小企业来说，内部摩擦比较小，在当下反而更容易从头打造一个AI原生的体系，即以AI为中心，重新架构整个工作流和业务逻辑。在AI能力的加持下，这件事相对容易实现。 中型制造业企业或大型企业就比较难了。就像李博士说的，制造业里有很多关键因素，比如材料、工厂流程等，这些很难一下子改造成功。需要一步步来，以流程为线索，从小的痛点为起点，逐步改造整个流程，这一点我非常赞同。 今天有一个重要的观念转变：我们不应该再谈AI赋能，而要谈“AI原生”，也就是从“+AI”变成“AI+”。我想引用长江商学院孙天澍教授的观点：所有大企业都需要意识到，传统的管理经验本质上是“管理人”，但今天，我们需要思考如何以AI为优先，让AI帮我们重构企业的底层逻辑。 具体怎么做呢？可以拿出一个小产线、一个小区域，甚至在那里面做一个“镜像业务”，这个业务完全以AI为中心，而不是以人为中心。在这个小产线或小区域里完全镜像化地运行，去观察效果、测算提效了多少，再逐步把其他业务迁移到这个新的镜像上。听起来可能有点大胆，但这恰恰是大企业做好AI转型的唯一路径。因为在企业内部直接改很难，中层会有阻力，企业过去的管理经验和AI时代的要求也完全不一样。不如先找一个小部门，做出一个AI镜像，再慢慢把业务迁移上去，反而是一条很好的路径。这是我个人的想法。 何思翀： 听起来非常有意思，不知道是否有企业在尝试？ 梅丹青： 我听说有药企在做这样的事，先挑一个小业务板块或一个小区域市场，试着跑起来。 何思翀： 在您之前的分享中看到，重要的投入往往是看不见的，不那么的投入往往是非常热闹的，在AI落地这个事情，看不见但重要的投入具体指什么？ 梅丹青： 我们前面谈到的大脑和流程，其实都很重要。最不重要的，反而是技术本身。那些看起来很热闹的投入，往往都是投在技术、模型上的，数据当然也重要。但最不热闹却至关重要的投入，是去改流程、改变人的认知、做架构上的调整。 我引用一下BCG之前的调研报告。BCG曾指出，企业做AI转型的过程中，10%是算法，20%是技术和数据，70%是流程和人。不是说技术不重要，而是更重要的是：如何让人和流程去适配技术。 我们今天的时代已经不是技术去适配人，而是人要去适配技术，因为AI太强了。不知道这是幸运还是不幸运。 何思翀： 我们应该把钱花在大脑和流程上，梅教授提到看不见的投入，问一下何总，双鹿在AI这个事情花得最值的一笔钱是什么？ 何一波： 我们现在在AI应用有几个场景，第一个是外观质检场景很好地解决了我们用到人工，这个工作非常辛苦，更多是体力活。还有一个应用场景是生成式AI，在研发端的应用，已经有一定的成效出来，今年刚刚上市了智能锁电池第四代产品，我们结合了AI，看着是一颗小小的电池，里面的科技含量还蛮高的，2005年就获得了国家科技进步奖二等奖，因为它是一个电化学体系，不像一件衣服，你穿在身上他是不会变的，电池通了以后，里面发生了急剧的化学反应，转化为电流的反应，还是很有科技含量的。 我们现在更多的是场景研究，不同应用电器应用场景不一样，放电模式、电池要求都是不一样的，最新研发的智能锁四代电池是刚刚推上市，从原来研发差不多要两到三年出一款新品，到这个产品我们用了半年的时间，非常高效就出来了，对我们是极大的鼓励，支撑我们在未来有更多领域的探寻，怎么拥抱AI。 何思翀： 用AI更好��创新。 何一波： 对。 何思翀： 李博士，你们见过的客户最典型的钱花错了地方，不值得投入是什么。 李新春： 这几年AI发展很快，尤其是大模型技术，我们跟客户交流的过程中，一个比较典型的问题，客户没有搞清楚场景和技术之间的驱动关系，很多客户在没搞清楚自身需求的情况下，首先花上百万、几百万买了昂贵的算力设备，但谈到具体应用场景是什么，拿这些设备来干什么的时候，反而说不清具体的诉求，而提出的一些诉求其实是传统小模型就能解决的问题，也无需昂贵的算力。我们从行业赋能的角度建议以场景驱动技术。首先你要搞清楚场景、流程上的问题出在哪儿，有哪几条技术路线，各条路线需要什么样的模型、算力，把这些分析清楚以后，选择最合适的去落地，后面再说要不要购置昂贵的算力。场景落地也不是技术越新越好、模型越复杂越好，不是这样的，肯定是合适才好，只有场景落地了，技术的价值才能体现，再好的技术不能落地，也是缺乏实用价值的，还是要需求引领，场景驱动。 何思翀： 刚才几位嘉宾站在自身视角进行分享，现在换一个角度，刚才主要聊的是怎么做成，我们是不是也走过一些坑，给大家一些避雷的指南。 梅教授，你观察从企业决策上，他们在AI落地上最容易犯的错误是什么，认知层面的错误是什么？ 梅丹青： 我先稍微纠正一下刚才关于投资的说法。技术是重要的，我很同意李博士说的，那些看起来很热闹的投资，比如买算力、投入最先进的技术，反而对你的业务可能没有帮助。这才是我刚才真正想表达的意思。 回到你的问题：企业在AI落地上最容易犯的认知错误是什么？我观察到当下比较容易犯的错误，是过度追求AI全智能，希望从头到尾全部由AI做判断，中间没有人去验证、没有人做把关。 今天反而需要强调：人在其中找到自己的价值。何总说得很有道理，工具是工具，人是人。人在AI时代最大的价值在于验证，在于有品位、有审美，在于在这个过程中如何与AI良性互动、帮助AI发挥最大效果，而不是盲目追求整个工作流从头到尾全是AI，没有人的参与。这是当下需要打破的迷思。 何思翀： 需要了解AI的边界在哪里以及人机配合的过程是怎样协作的。 梅丹青： 对，找到人机配合最有效率的方式。 何思翀： 双鹿在这个过程中有没有踩过什么坑，而且踩得很疼呢。 何一波： 坑算不上，我们不是专门做AI研究的，制造型企业，比较务实，从场景端、需求端出发去考虑，这个事情怎么做成，诉求还是比较简单的。梅教授讲的全流程一定要AI，同时还是要考虑成本，能不能解决效率、质量问题，这其实不算坑，最难的并不是技术，因为AI底层是数据，虽然我们沉淀或者我们有大量的经验、数据，但数据是很分散的。到今天上AI，把数据重新整理出来、清理，是很难的事情，需要花很长的时间，要看你有没有定力把这个事情做成，做不成，或者很多人觉得这个事情很难成，可能就放弃了，从实际需求对你来说这个事情是非常有必要的，把这个事情一点一点积累起来，做起来，最后这个事情成了以后还是非常有成就感的。 何思翀： 这个问题非常典型，AI时代突然意识到数据如此重要，过去积累过程中没有那么重要来收集或者整理，现在要回头做一些工作。 李博士，您刚刚也分享了有一些客户在技术、算力投入上脑子一热就上去了，有没有失败模式反复出现，比如想要一步到位、贪大求全？ 李新春： 这样的场景也是有的，用户过于相信AI，迷信技术，盲目跟风，大模型发展很快，用户觉得大模型来了能够解决所有问题，上来就是企业AI大脑，手和脚还没干好，就建大脑，受限于技术和资源条件，这种项目大多数都做成了为了智能而智能。 我们的理解工业智能前进路线还是场景驱动、螺旋式上升的，不可能是一步到位的、贪大求全是不行的，一定是小步快跑，对场景进行分级，根据技术水平、场景需求，分步骤、分期实施，这是一条可行的路径。还有就是建立完善的AI价值评估体系，而不是一锤子买卖，上线就完事了，需要长期在线运行，创造持续价值。这套价值评估体系一定不是从技术角度评估模型精度多少，分类准不准，不是这些指标，而是从业务角度看节能的百分比是多少，产品质量提升多少，持续用这套价值评估体系评估在线应用的效果，发现问题，后期肯定涉及到运行维护、模型迭代更新，构建AI应用在线长期、持续运行状态。只有让用户看到长期价值，后续场景化AI推动才有基础的条件。 何思翀： 谢谢三位的分享，三位的分享指向同一个事情，AI技术发展日新月异，热闹未必是在技术那一层，我们还是需要有一些预期的管理，对企业转型预期的管理以及优先级的判断，场景选择等等都是帮助我们把AI切实落实到企业当中。 最后请三位嘉宾用一句话总结你的观点以及给现场企业和所有观众一句AI落地最高优先级选择的建议。 梅丹青： 我的观点是：如果不改变认知，所谓的“AI赋能”就只是在旧世界、旧规则里提效；如果没有流程验证，那一切都只是空想。 展开来说，行业Know-how和流程都很重要，把两者结合也没问题。但关键是要搞清楚：什么是真正的行业Know-how？什么是AI时代下新的知识或业务流程？大家要看得更远一些。AI能力会不断进步、不断迭代，你今天所依赖的行业Know-how，会不会只是传统行业逻辑的惯性？在AI时代，它会不会被重构？ 我们一直在讲第一性原理，而AI时代恰恰是最需要第一性原理的时候。一定要想清楚：什么是真正本质的行业Know-how。理清这一点，再去修改流程，用流程来验证想法，这才是我们拥抱AI最好的态度。 何思翀： 不要在旧地图里找新世界。 何一波： 不要为AI而AI，大家还是要从客观、自身企业实际的阶段、情况出发，AI底层需要有大量的数据，公司是不是具备这方面的能力，只是一味跟风，会误入歧途，花了很多钱得不到效果。围绕质量、效率、成本这几个点出发，最终老板觉得这个事情值得投，让工人觉得AI帮到我，而不是让我失业。 何思翀： 各方ROI都要算清楚。 李新春： 找准场景先干起来，用1%的成功促进100%的变革。 何思翀： 感谢三位，本场圆桌看到了三位嘉宾不同的站位，学者看全局，制造业在做实干，赋能者是见到了行业百态。虽然企业或者组织AI转型没有一个标准的答案，我们越来越清晰地看到一条清晰的路径，别想说我们把公司脑袋全部换好再动手，也不要一步到位全面更换AI的流程，而是像李博士说的那样用小流程换结果，用结果赢得大家的共识，再从共识推动更大规模的AI转型，这是最稳最有效也最能帮助企业活下去的路径。 再次感谢三位嘉宾以及现场和线上嘉宾的收看，本场圆桌就到这里，谢谢大家。
AI究竟如何为产业创造价值？见证AI从“热点”转化为“生产力”的关键一跃。 今天的顺丰已经用AI调度着中国三分之一的航空货运。从百万人的协同、二十万辆车的调度，到每天五千万票件的动态路由——物流供应链的复杂度，正是AI落地的最佳试验田。一个超大规模网络如何用大模型、Agent和运筹算法，将“24小时达”从承诺变成日常，并将这份能力输送给更多中国企业。 以下为顺丰集团数智供应链解决方案事业群高级副总裁 唐恺 演讲内容，经36氪整理编辑： 唐恺丨顺丰集团数智供应链解决方案事业群高级副总裁 各位来宾下午好，很高兴来到亦庄这样的场合跟大家分享物流供应链AI的应用。 开始之前跟大家讲一下供应链，从智能化视角或者数字化视角来看供应链，需要把供应链做一个抽象或者分层，统一来讲供应链是无从下手的，会用要素、链路、网络这三个层级去看整个供应链的协同以及看供应链的数字化进展和智能化进展，供应链基础要素我们叫作人车货场，所有供应链的动作和执行都是跟要素串联相关的，要素的调动形成链路，链路交织形成网络，单纯从顺丰来看，我们讲其中一个点顺丰自身在供应链领域的超大规模性，人车货场，人，在顺丰体系协同的员工超过一百万人的协同规模，整个车辆自有车辆超过20万辆，更大是中国的航空空运网络，中国有240架全货机，110架是在顺丰手上，更密集的航空网络是整个辅仓运力网络，客机辅仓也是运货的，辅仓运力三分之一是在顺丰的手上，也就是说今天中国头上飞过三架飞机，就有一架飞机运的是顺丰的货。 在要素密集程度下，我们还要叠加链路复杂性，链路对于快递来说是收转运派，对于供应链叫作采购供应链、生产供应链、渠道供应链、消费供应链、售后供应链。收转运派四个环节听起来简单，整个运作过程中有120个环节串联起来，形成整个收转运派的链路，整个链路执行复杂度是非常高的，所有的链路交织形成大的网络，在大的网络中顺丰要做的一个事情，所有在上面的资源和链路需要做整个基于数字网络的智能调度和智能协同。今天顺丰为什么能够给客户做24小时达或者48小时达的承诺，因为所有链路调动过程中都是基于自主能力，我们叫作智能化、自主化做动态调度。 动态调度，今天一个票件从北京发到深圳，该上什么飞机，用哪个小哥取件、哪个小哥派件，经过哪个中转场，静态路由是定好的，但是飞机会晚点，小哥会生病，汽车开在路上可能会抛锚，所有的节点都可能出现问题，顺丰一天处理五千万的票件，有50%的票件是要启动动态路由的，比如一个车在路径上不该停止的地方停止过长时间，系统会自动识别是否属于不正常状态，经过确认，比如他在高速上抛锚，整个系统会自动调度附近的空时车辆去做时效挽救，整个链路在24小时范围内要保证链路不出问题，基于大网络的资源协同和资源调度，必须由智能和数字化的事情来完成，不可能由人工完成。大模型是在2022年年底ChatGPT出来以后才火的，2016年我们就开始大规模地部署我们基于运筹算法、传统机器学习和强化学习智能化能力，是2025年唯一进入弗兰兹·厄德曼决赛的亚洲公司，这个奖项是运筹学界里最高奖项，代表了我们在整个运筹里的能力，传统机器学习能力，在整个大模型的时代开始大面积转向大模型的能力。 在这样的复杂网络里，顺丰做的事情基于所有全链路端到端全量数字化全栈自研，从底层的能力，我们甚至有自己的地图部门，虽然可以使用高德导航、百度导航，但顺丰需要工业级导航，因此我们有自己的地图部门。我们导航的细度（远高于普通导航），你用百度只能导到小区，用丰图进到小区里可以知道怎么走，每个楼层都有哪些公司、住户，所有信息我们通过小哥每天的派送自动更新和采集，我们叫作全栈自研的能力。 从2023年开始大面积构建大模型的网络和体系，现在我们大概有两个大的垂域模型，一个是丰遇大模型，这个是多模态大模型，主要是为内部相关业务使用的，包括网络调度、各种各样的细节应用。另外一个丰知大模型，面向行业推出的物流垂域大模型。今天整个模型应用，大家比较有感知的话题，比如Agent，我们从底层模型开放，再到Agent平台，再到市场，再到自构建的能力，在内部做了所有的转化，今天顺丰内部大概会有五千多个Agent是实时跑的，这里面有两百多个是官方Agent，比如智能网络调度Agent，运筹优化Agent，所有的Agent是200个是官方的，剩下4800个都是各个业务部门非技术人员，基于Agent平台在建的小Agent，大概每天消耗八百亿个token数量。 基于我们对整个行业，对自身的数字化和智能化能力，我们把相应的能力，在要素复杂度、链路复杂度、网络复杂度上顺丰都有现成可考的模板。对于大多数公司，在要素、链路、网络复杂度是不如顺丰的，我们把能力进行抽象，形成几个大方面的能力，第一个垂域大模型，我们叫作物流决策大模型，基于丰知的产品体系来做。另外一个物流端到端的操作系统，我们叫作丰智云，还有面向合作伙伴LAAS物流开放平台，我们希望提供基于咨询、AI、数字化多链路服务，赋能整个行业，让每一家企业、行业、产业供应链都能变得更加聪明。 丰知，我们通过丰知把我们所有传统的物流软件叠加Agent能力，稍微理解供应链就知道，供应链有一个仓储管理软件，我们希望提供给客户是直接带Agent能力的软件功能。这其中是差异可以这么理解，如果大家买一辆传统的汽车，你需要再买一个工具来使用它。如果大家买的是自动驾驶汽车，你是直接买服务的，工具需要人的使用变成服务，而自动驾驶汽车直接提供的是运人或者运货的服务，不需要有能力转化的，垂域应用领域我们直接提供Agent能力，我们通过丰知的AgentOS帮助企业快速建立我刚才讲的顺丰内部能力。还有一个Agent Studio，业务语义中心帮助大家在所有的数字化基础上去建构知识图谱模型，以前你的企业数据是给系统用的，但是我们通过语义中心，大模型自动建模，使得所有数据能够被Agent直接调用，通过Agent Studio在你已有的数字化平台上直接建构Agent应用，支持大面积使用。我们有两个底层应用做支撑，第一个丰知Code，用来做整个软件大规模定制的，把定制成本的边际成本降得非常低。还有一个丰知Evolver，大模型生成小模型，今天基于供应链的诊断和咨询，不是方法论先导，模型先导，我们希望通过数据，POC快速做咨询验证、供应链诊断，这部分会涉及到大量的模型生成，如何打开产能瓶颈，通过丰知Evolver、大模型自动生成小模型，大量生成定制化小模型，同时能够使模型调优时间大幅下降。 这部分是大模型——物流决策大模型，做三个事，第一个供应链预测、供应链优化、供应链分析。 供应链预测，我们做的是通过大模型的模态泛化，解决预测里很难做的几个特殊场景。比如新品预测和芯片预测，缺乏历史数据，以前的模型很难算得准，通过大模型做自动化咨询建模，以前是单SQ建模，现在是QA通道类的集群建模，使得整个数据关联性和数据补充性能够做得更好，在全球最大的咖啡连锁企业做的数据验证，大概能够提升5个点的准确率，是之前的模型完全没有办法做到的。 另外一个供应链优化，我们通过大模型重写了以前运筹的经典模型，比如路径优化和专项优化场景，你用transformer架构重写这部分模型以后，运算时间提升一万倍左右，原来你做一个串点路径优化需要分钟级运算时间，现在可以下降到毫秒级，0.05秒就可以计算完成，资源消耗是之前的50分之一，以前要50个CPU来算，今天1个GPU就可以算完。 另外一个分析的能力，这一部分分析的能力，大模型结合小模型，通过供应链智能体的方式来做这个事情，智能体在整个行业特别火的时候，是2025年3月份，2B应用我们很早就意识到，整个2B要解决模型黑盒的问题，解决模型高效和准确的问题，必须通过智能体的方式来做，2024年8月份在行业里推出供应链智能体综合应用的能力。 在智能化之前，所有企业都逃不开的数字化第一步，模型再强，数据准确性、实时性、可靠性不够，肯定是得不到好的结果，在智能化之前，端到端数字化，我们通过丰智云链模型体系来做整个客户基于要素、链路的全链路数字化。 最后讲一个案例，全球最大的咖啡连锁企业在中国有七千多家门店，2019年就开始帮他做智慧门店的系统，我们帮他做的是基于门店系统做门店级别的销售预测和补货预测，我们已经做了六年，我们用大模型帮他做传统模型的迭代。 国际知名美妆巨头，在中国全渠道销售预测是我们帮他做的，为什么在中国的全渠道销售预测要我们做？因为中国渠道复杂度远超于任何一个单体国家，他的连锁企业在中国落地的实践经验比美国更加先进，之前跟美国的CIO聊，中国业务资本结构发生变化，中国主体收购了他在中国的业务，这一块暂时没有往前走。 中国供应链深度、广度、复杂度是全球无二的，我们服务MNC企业的时候，我们在中国落地的供应链实践，就是全球最佳的供应链实践，在很多跨国企业客户上得到了验证，以前供应链数字化最佳实践叫作copy to china，今天做的事情是copy from china，在奢侈品行业，全球第一个智慧门店是长沙LV，我们帮他做的。工业制造领域伊顿供应链中台是在中国生产完成以后，再向亚太地区推的，我们给雀巢做高阶生产排程的POC，在中国不好用，需要中国的本土能力来做本土化实验，在数字化供应链叠加整个技术变革，叠加到AI能力越境的时候，我们看到更多的是中国有很大的机会窗口来做数字供应链全球最佳实践。 我们也提出了从底层到上层所有能力，包括咨询诊断和顶规开始，再到大模型AI应用能力，以及到端到端的数字化能力，再结合到每个行业不同解决方案细化的能力，配合到供应链从采购供应链、渠道供应链、销售供应链、售后供应链全链路服务，今天我们希望跟更多的中国企业一起创造更多全球最佳供应链实践。 谢谢大家。
AI+正从技术指引转向产业实战，政策红利如何兑现？投入如何变成产出？企业如何在浪潮中生存、打赢？2026北京亦庄AI+产业大会首场圆桌对话，将这些问题摆上台面，不谈空想，只谈干法。 2026北京亦庄AI+产业大会首场圆桌对话聚焦“AI+的国家推进计划与企业的生存路线图”。贝恩公司全球合伙人成鑫主持，上海市人工智能行业协会部长周晗、美的集团AI研究院院长徐翼、云岫资本创始合伙人兼CEO高超、京东AI智能硬件项目负责人张量四位嘉宾，从政策落地、产业实践、资本视角与平台赋能四个维度展开讨论，为企业提炼出2026-2027年的“生存口诀”。 以下为圆桌对话内容，经36氪整理编辑： 成鑫丨贝恩公司全球合伙人、大中华区高科技业务主席（主持） 周晗丨上海市人工智能行业协会部长 徐翼丨美的集团AI研究院院长 高超丨云岫资本创始合伙人兼CEO 张量丨京东AI智能硬件项目负责人 成鑫： 各位嘉宾、各位来宾，大家早上好，非常荣幸担任第一场圆桌对话的主持人，我是贝恩公司的成鑫，也代表主办方再次欢迎今天第一场圆桌对话的嘉宾——周部长、徐院长、高总、张总。今天这个主题下，我们就谈三个实实在在的主题。 第一个，“国家AI+推进计划”给企业带来的真红利、真约束是什么？ 第二个，大企业、产业方、资本方怎么把AI从投入变成产出？ 第三个，2026-2027年，企业能够活下去，打得赢的“生存路线图”怎么画？ 我们今天希望通过40多分钟的时间，用场景、数据和真实的企业痛点说话，给现场的企业和各位来宾一份能够直接带走的行动清单，这也是我们今天第一场圆桌对话的目标。 第一组问题先从政策、行业视角切入，第一个问题提给周部长，国务院“人工智能+”行动已经明确了六个大的方向，以及2027年普及率达到70%的目标，对制造、零售、供应链这些实体企业，今年您觉得必须要落地的刚需场景是哪些？哪些政策是真补贴、真的绿色通道？ 周晗： 从国发11号文发布以来，工信部也好，网信办也好，陆陆续续也跟进了很多政策，包括人工智能+智能制造、智能体产业发展合规实施意见，以及AI+电子商务的发展意见，都明确导向了一个方向，从过去试点探索到后面的注重成效，抓实质落地。当前的脚步，针对您讲的几个领域，大家可以重点考虑的落地方向： 制造领域，像智能排产、维护预测以及工艺优化、生产调度，这些是当前各个行业比较关注，而且红利产生的成效比较高、政策密集支持。 零售业，千人千面的智能营销，订单优化以及对应的物流派送，供应链领域也涉及到物流配送，物流配送里的智能分拣、具身智能、人工智能怎么做落地的配送，都对应了落地成效比较好的场景。 政策角度就比较多了，北京区的领导也提到，国家层面也好、地市层面也好，三券政策已经是热度非常高了，各个城市都有将近数亿甚至是接近数十亿级别的投入，国家层面对于算力基础设施的支持，算力券、模型券、语料券，三券规格非常高，每个季度都可以滚动进行申请和支持，这些都是实实在在给到企业的支持和补助。 绿色通道，像很多绿色通道对于人才、落户政策，以及人才专家序列支撑的通道，形成了很快很高效的申请周期压缩，对于企业头部人才，参政议政也好，标准制定也好，都形成了通道建设，对整个企业在后续一系列的发展都有很大的帮助。 成鑫： 周部长给到几个明确的投入产出比具体的应用场景，也讲了相关支持政策，地方在推进AI+的时候，企业最踩的三个坑——算力浪费、数据合规、投入之后没有回报。这几个坑应该怎么回避？您从协会的角度给到企业最短的落地清单是什么？ 周晗： 有关三个坑，不同行业都会有壁垒，比如算力的问题，一般企业会踩的坑，盲目大规模建设算力，核心避免这个问题是从业务出发，结合实际业务场景明确定义到自己面对的问题。第二个不同行业有一些问题是可以通过行业模型，不一定用大规模模型去对模型进行建设。业务场景的理解是不是跟企业的切口更小，立足点一开始不要那么大，不要一开始就铺开规模效应大的场景去做，很容易遇到很多坑，很多坑不一定企业能够逾越，试点周期短，反复迭代，在算力需求投入里可以很快评估到自己的算力需求。 国家对于中小企业，也知道模型应用对企业帮助很大，也建立了集中算力中心，公共算力的资源是可以为企业提供前期很好的帮助，整个业务模型确定的情况下，有一些是训练算力中公共算力做租赁，场景化可以用边缘推理算力去做支持，企业做边缘推理资源的建设会比训练算力资源建设成本低很多。 数据合规的问题确实比较敏感，从企业角度，敏感数据做好分级分类，什么是内部可以训练的，做敏感数据的脱敏，公开数据是可以做模型的投喂，还有一些敏感行业是不是做对应的私有化部署，避免数据合规后续的实施问题，过去从技术角度，我们为了达到模型的效果一上来就做训练，现在因为行业进入规范化，网信办、数据局也好，对于数据的合规问题一直都在上线做评估和规范化管理，对于合规问题在业务前期做一定的评估。 成鑫： 谢谢周部长给大家实操性的建议，您从政策端的角度对于美的、京东这类龙头，希望他们开放哪些场景先做示范，进而带动中小企业跟上？ 周晗： 从政策端关注几个维度，普惠性、示范性，能够带动产业生态，从我个人维度简单谈谈美的、京东这两家龙头企业可能的方向。 供应链生产排产的角度，美的和京东都有自己独特的优势，对于生态链中小企业的排产、智能调度、库存管理，这些方向对数据的开放、上下游的协同，这些场景的开放，对于下游企业是非常好的示范作用。像京东在电商里有自己产业链的优势，对于他入驻的中小企业零售商，营销数据的开放，AI营销数据能力的赋能，对于没有技术能力的企业是非常好的工具性赋能，对产业链上下游协同以及龙头示范效应是非常好的典范。 成鑫： 谢谢周部长！来到产业集团的视角，有请徐院长做一个分享，美的AI变革已经深入到各个领域，制造、供应链、营销，请举三个可量化的场景来说明AI在降本提质增效上真实的ROI投入产出是什么样的，以及投入产出周期是什么样的？ 徐翼： 谢谢主持人的问题，我举三个例子来说明我们在降本、提质、增加收入这三方面的ROI。 降本，美的在去年开始我们从端到端整个pipeline来看哪些是我们的机会，我们有一个大的项目——AIGC，比如从智能排产到生产的过程，品质检验、设备预测性维修、产品销售到后面客服的服务，去年算出来的数字是7亿元人民币，内部提效，这是大的AIGC项目，这是降本。 提质，我们今年针对用户C端的智能家居，发布了美的MevoX智能体以后，用户交互、回复准确率都有很大的提升，对用户智能家居的提升有很大的提升。 增加ROI，美的产业板块也比较大了，大家了解美的是做家电的，我们库卡是工业机器人的业务，万东医疗做智能影像的，增加收入方面，AI给库卡带来的影响是会帮助库卡实现智能化升级，比如以前库卡工业机器人部署需要数天的时间，从开箱到能用，我们希望达到的目的是从数天降到一天甚至几个小时。 万东是去年12月份在北京发布的诊疗大模型，帮助万东医疗实现销售增加。 总体来看AI对于美的集团从内部研产销到赋能各个产品事业部是有很大的提升。 很多项目短期收益会很快，比如1-3个月做进去，我刚刚提到的做售后服务，客服服务，用户买到家电有很多客服问题，我们现在用的是智能语音客服，客户都分辨不出来是真人还是智能语音客服，从立项开始到开始产生ROI三个月左右的时间就可以看到初步的效果，内部的研产效益也是一样的。从小的ROI或者是大的变革，比如一年左右开始做大的变革，整体来讲AI时代很多事情都在加速。 成鑫： 谢谢美的的徐院长，一些实在的投入产出案例。AI变革不只是技术部署，更多是对企业运作逻辑的重构，从美的的角度，从早期试点到规模化，是先改了流程还是先变了组织，跨部门协同最大的阻力是什么，用什么样的机制确保AI效果的实现？ 徐翼： 先变流程还是先变组织，我们把端到端的流程拉出来看，美的价值链是比较长的，从内部研发到生产、制造、销售，再到客户手里，再到反馈，价值链是很长的，端到端的价值链拉出来看，哪些单点会产生价值我们会进行突破。比如智能客服，比如我们做智能排产，端到端比如智能补货，先从流程来看而不是组织，先看流程再看组织怎么变革，能够符合新的流程。 现在AI很大的特点，泛化性或者是统一性，以前传统的流程很多时候不太适合新的在AI时代的变化。下一步要做什么样的事情？比如智能排产、设备预测性修复，我们在线销售等Agent、售后Agent，把单点的Agent建立起来以后，建立端到端的流程变革，这样会非常容易，内部讲人不见人把事给办了，Agent和Agent对话，先做流程变革，再看组织。 变革过程中遇到的最大阻力，可以预见的阻力，人方面的阻力，不是我们遇到的最大阻力，最大的阻力还是在数据本身，你的数据治理到底有多好，不管对于产线或者生产过程，任何一个流程，你对它的蒸馏需要什么数据来构建新的Agent流程，数据和数据之间的关系也是非常关键的，也是不好做的事情。 用什么机制把这个事情解决，这个要统一规划，数据治理几乎是无止境的，数据和数据之间的关系，内部有很多部门墙、信息墙，这个需要统一规划，最关键的是领导或者一把手对变革的决心，需要全部给打通。 成鑫： 面对国家2027年的普及目标，美的接下来必做的事情和清单是什么？以及作为龙头企业美的可能会开放哪些能力和方面，给到哪些生态？ 徐翼： 端到端的流程拉出来，重构公司内部的流程还是2B、2C业务流程都需要端到端变革，而且是积极拥抱技术变化带来的相应变革，这个是我们要做的事情，数据方面，数据算法、算力，算法还有算力都是普惠的，社会公有的资源一定是普惠性质的，各家企业在内部治理的程度，是非常能够形成壁垒的地方，美的会在这个方面去做。 在生态链里，美的会从算法、协议、场景三个层面都会给行业做贡献。算法层面，美的AI研究院，比如在具身智能我们分享了非常多的开源，比如做具身智能的VLA大模型我们也开源，coding agent也开源，去年我们发布的医疗大模型也开源，算法层面为行业做贡献。 第二个协议层面，智能家居，美的在整个智能家居整个行业里面积极牵头做互联互通，消费者需要这个，千家万户老百姓家里不同品牌的家电怎么实现互联互通，实现智慧家居，美的和国家部门积极牵头推进这个事情。 第三个场景配合周部长讲的配合政府做场景上的开放，把事情做大。 成鑫： 谢谢徐院长，接下来听听京东先进的经验，京东在智慧供应链、零售有大量的落地，请您谈一谈AI在供应链、零售领域如何帮助到企业。 张量： 今天主题是AI在前线，我本身也是零售的一线人员，作为零售公司，每天面临非常多的用户需求，分为三个方面。 第一个整个供应链端，技术在演变，但零售的底层逻辑是不变的；那就是对体验、价格、服务的追求，是京东的长期护城河；JD持续利用AI提升体验，降低运营成本和提升运营效率，如采销们智能化办公采销工作台、科技的数字人、物流的狼族机器人等在用户端、运营端和履约端的应用；在丰富的AI应用场景，有机会和能力提升体验和效率，并优化利润。 零售端，商家到平台经营零售的业务，首先我们要组建一支团队，我们要有运营人员、广告人员，现在需要有内容人员，还需要有我们自己的客服，刚才提到OPC，在未来，一个OPC，一个单独的独立人公司就可以解决这个问题了，目前在京东后台，我们已经开发了大量跟AI相关的工具和系统赋能给商家，京东向商家免费开放数字人直播服务，助力商家快速搭建7×24小时不间断直播间。 第三个，我们内部，作为业务一线人员，内部人员也在应用我们自己办公化智能系统，公司也在将大模型能力赋能到每一个运营人员、业务人员，根据我们自己业务场景来开发自己的Agent，原来我们有很多具备行业经验的专家，在未来所有的经验都会变成通用的能力，可以赋能到内部所有的员工技能里。 另外我们也服务了很多客户，B端硬件的客户，我们也把软件的能力和硬件结合，包括京东有我们自己的能力，也会给到家电、3C数码等硬件厂商，来让硬件在体验和智能得到非常大的提升。 成鑫： 谢谢张总，过去十几年京东也带动了大量生态企业的成长，在AI时代有更多的创新公司涌现出来，京东要帮助AI+消费创新领域的公司，你们的想法和经验能够帮助他们解决？ 张量： 我们认为帮助企业成长和加速他们孵化是我们自己非常重要的责任，这一段时间以来，我们接触很多硬件企业，接触非常多的产业端包括很多初创公司，我们也在和很多孵化器包括投资方对接，和很多硬件厂商沟通和互联，不同阶段厂商需要的需求是不同的。 第一个阶段我们有很多国内创业公司、OPC公司，他们有一定的技术能力，有自己创新的想法，在产品早期验证市场需求过程中缺少成熟平台帮助他们做先验的动作，在今年4月底我们发布了“Aidol创造营”，顾名思义Aidol创造营，AI行业硬件的明星企业，我们希望和企业共同进步，加速他们在未来孵化的过程。 第二个有很多企业或多或少在海外或者国内他们有了前期市场需求验证的过程，他们需要走到市场化阶段，京东就是非常成熟的零售企业，我们有自己的能力、营销能力、孵化能力，快速帮助企业建立品牌扩大销售。 第三个会有很多企业他的需求是多元的，不仅仅是销售的单一方面，还包括了全域营销、线上线下，需要跟投资方做相应的对接，京东有成熟的供应链资源能帮助他们降低成本。有很多企业有线下展出的需求，京东有京东超体，3C数码有数千家线下门店，无论是一线城市还是下沉市场，能给到线下曝光资源。我们有自己的大模型能力可以赋能企业，让硬件产品具备智能化产品的体验，我们希望给这类厂商提供更全、一站式赋能。 成鑫： 紧扣国家推进AI+政策，京东作为平台型科技企业，未来2026年、2027年京东帮着企业，带着AI去前线的抓手是什么，未来两年配合国家政策再往前走一步。 张量： 非常重要的一点是服务好我们的客户、服务好我们的合作伙伴，周部长也提到，服务好我们的商家，后台开放大量的AI Agent，包括AI相关工具赋能给商家做经营提效，这是非常重要的一点，包括京东科技免费开放了数字人直播，截至目前，京东数字人服务覆盖商家数量已突破7万家，一季度京东数字人开播量同比激增10倍，为数字人产业规模化落地奠定技术基础。 第二个京东希望把自己的大模型能力赋能到硬件企业，包括上游供应链品牌方当中，这是我们非常重要的一部分。 今天非常重要的主题是AI前线，有很多企业无论大小，无论是否具备非常强的品牌力，只要我们的公司有相应的能力，只要我们的公司具备创业想法，Aidol创造营也可以给参加的企业做从前端、后端全链路孵化过程，把我们的资源，不只是流量的资源，包括产业端、供应链等资源都给到我们的商家来进行赋能。在京东智能零售包括智慧供应链端，公司也在做大量的投入，帮助品牌方、商家降低经营成本。 未来通过以上三方面继续赋能企业，我也在业务一线，今天到场的嘉宾或者线上伙伴如果你有关于未来AI产品在京东、零售、孵化品牌包括对这些产业链的需求也可以找到我，今天我的团队一起来到了现场，希望我们能够在一线赋能给商家，帮助我们的商家，跟商家在亦庄这样的风水宝地一起发展得更好，前进得更好。 成鑫： 谢谢张量总，从资本视角再谈一谈AI落地的事情，高总，从去年到今年整个资本关注AI的方向已经从炒模型到落地，从投资视角您会关注哪些类型的AI企业，这些企业您关注他们，他们必须满足的硬指标是什么？ 高超： 谢谢成总，随着AI的发展，尤其是在大语言模型和多模态模型逐渐趋于收敛的背景下，技术本身仍在不断进步，进化中的大模型也在持续演进。从资本角度来看，我们会重点关注以下几大方向。 第一，AI有巨大应用前景、或已经有初步的真实AI渗透和显著效果的垂直行业。简单来说是AI在这些领域能够创造出巨大价值、解决过去以个人的力量或者团队的力量很难做到的事情。比如云岫重点关注的AI for Science，AI+医药，AI+新材料等方向。比如可控核聚变领域，这一类过去人们认为这是需要至少50年才能解决的问题，但随着AI的加入，比如在AI+材料的融合问题方面，会看到加速解决的希望；又比如在创新药发现方面，AI有机会创造巨大的经济价值和社会价值。 第二，具备自身数据积累及数据闭环所带来的巨大价值场景，比如金融、能源等领域，这一类的数据价值非常大，可通过高质量的私有数据和持续的数据飞轮，抵御基模冲击。 第三，商业模式本身在场景中具有良好的延展性的项目，比如AI和虚拟电厂相结合的领域，涉及到硬件预测，电的交易等，商业模式有可扩展性。 这三大类是我们关注的AI落地方向中的主要公司类型。 成鑫： 高总您在看创新AI企业的时候，您如何区分哪些企业是讲故事的，哪些企业是有真实场景落地的，您觉得什么类型的AI新企业他们能够打造大厂没法吞噬的壁垒。 高超： 我们比较关注壁垒在什么地方。大模型能力非常强大且不断在扩展边界，很容易把中间层及做一般应用的公司给吞噬掉。因此，我们看企业，首先还是关注在有没有独特的场景资源上，比如能源/金融行业是否有非常独到的大客户资源；其次是数据，像最近我们看AI+材料领域的高分子材料、金属材料等项目，会存在数据极度分散的问题，但如果是拥有像国家实验室这样大的平台合作、有百万级的数据做支撑，那就会是企业的独特优势；最后我们会看团队在AI+领域中的复合能力，除了场景积累之外，企业是否具备很强的产品化和工程化能力，能够把行业know-how转化为自有模型能力。企业在技术上不完全依赖第三方大模型，能够有自己的算法和数据形成差异化是很重要的。我们主要看重以上这三点。 成鑫： 国内海外都有火热的AI创业热潮，您的判断未来这12个月，您觉得AI行业会出清吗，会集中吗，您给这些企业渡过难关或者进一步增长的建议是什么？ 高超： AI+产业正在蓬勃发展。虽然有些企业是在讲故事，但确实有更多企业是踏踏实实在落地的。未来我们认为那些本身没有强技术壁垒，同时又缺乏工程化能力的伪AI概念类公司肯定会被出清；而扎扎实实解决交付场景价值的问题、能够抓到标杆客户的企业，肯定会越来越崭露头角。我们建议企业未来一定要把发展聚焦在核心刚需场景，去解决问题，交付价值。 比如反欺诈行业，过去的客服中心会有几百客服人员去忙于应对各种测试，而过去的人力是难以从容去应对这种超高频次的处理工作，而AI客服的出现则很好地解决了这个问题。企业如何去抓住这个需求场景，抓住标杆客户，这是最重要的事情。 成鑫： 谢谢高总，我们第一场圆桌对话的最后我们进行一句话快问快答的方式，每位嘉宾给所有观众一句话的干货，针对一个问题，每个嘉宾给到一句话的建议，第一轮给到所有企业的问题，2026-2027年迈出AI+产业的第一步您建议企业先做什么？ 周晗： 我建议紧抓政策，找小切口，快速迭代。 徐翼： 培养一个真正AI原生的小组织。 高超： 找到一个高价值的细分方向。 张量： 无论是哪个阶段希望大家都跟京东有链接，我们在接下来每个阶段里共同迈向下一步。 成鑫： 企业的生存口诀，让企业带着AI去前线，不踩坑、见实效。 周晗： 抓住高价值场景，能够明确定义场景问题，能够规模化复制的才是好企业。 徐翼： 拥抱不确定。 高超： 深入到解决问题和交付价值的过程中去拥抱AI。 张量： 现在这个阶段我们需要形成更多产业联盟和协同机制，才能保障我们在未来走得更稳、更长久。 成鑫： 今天第一场圆桌对话到此结束，希望各位嘉宾的分享给所有来宾、观众一些干货。感谢各位。
AI的加入，让电竞的竞争维度从操作层面延伸到数据与策略层面。 AI+电竞，不只是让电脑变强，而是让整个产业变聪明。赵鉴指出，在选手端，AI可分析操作习惯与决策模式，模拟不同风格的对手进行针对性训练；在赛事端，AI能理解比赛形势，生成风格化解说，并赋能赛事管理与商业运营；在产业端，AI驱动智能剪辑、虚拟主播和衍生品开发。 以下为演讲内容，经36氪整理编辑： 赵鉴|北京中关村学院助理教授、AI+游戏/电竞负责人 尊敬的各位领导、各位朋友大家好，我是来自北京中关村学院的赵鉴，目前是一名大学的博士生导师，课题组从事AI+电竞+产业。 今天与大家分享的主题带着AI去赛场，AI+电竞全流程赋能。 电竞是第99个体育竞赛项目，首次入选杭州亚运会，沙特将筹办首届奥林匹克电子竞技运动会，据不完全统计，中国已经成为了全球最大的电竞市场，产业规模超过1500亿元人民币，电竞赛事不只是年轻人的娱乐方式，更成为推动数字经济发展的新动能。 在这样的背景下，人工智能技术的引入为电竞注入新的活力，主要体现三个方面： 一、在选手玩家端，传统的电竞训练依赖行为预测、模拟对抗，为选手提供精准的训练方案。AI可以分析选手的操作习惯、反应时间与决策模式，同时AI还能模拟不同风格的对手，帮助选手进行针对性的演练，提高训练效率， AI分析对手的英雄选择、出装偏好，这意味着电竞比赛不仅是操作的比拼，更是数据与策略的较量。 二、赛事端，AI能够给大众提供更好的服务，AI能够精准理解当前的比赛形式，生成风格化解说内容，满足不同人群的需要。除此之外，还能赋能赛事管理、粉丝行为分析、广告投放等等，提高赛事的商业价值与运营效率。 三、在产业端，AI在电竞内容领域同样发挥着重要的作用，比赛视频的智能剪辑和虚拟主播等，同时AI还能赋能电竞的衍生品开发。 由于时间关系，我不一一列举更多了。