距離ChatGPT的橫空出世，已經(jīng)過去了三年。

三年時間，市場對于AI的熱情并沒有絲毫褪去，反而賭注越下越重。但在資本持續(xù)加碼的喧囂背后，盲目的興奮感正在被一種具體的焦慮所取代：這波AI浪潮的終點到底在哪？什么才是落地的正確姿勢？

在大多數(shù)人還在仰望AGI（通用人工智能）的頂峰，或者迷失在對話框里的時候，未來式智能聯(lián)合創(chuàng)始人兼COO鄒陽給出了一個冷靜且獨特的判斷。

“沿著大語言模型這條路大概率不能登頂AGI。不過這不重要我也不關(guān)心。重要的是，在半山腰足夠改變世界。”

在鄒陽看來，半山腰的技術(shù)能力，已經(jīng)具備了全部產(chǎn)品落地產(chǎn)生價值的可能性。AI真正的戰(zhàn)場不在于做一個陪聊的聊天機器人，而在于潛入產(chǎn)業(yè)流程，成為企業(yè)里那80%重復(fù)、高頻、規(guī)則與判斷聚合的腦力工作的“外接大腦”。

這種判斷力，源自鄒陽在AI行業(yè)深耕多年的體感。

鄒陽算得上經(jīng)歷了AI 從 1.0 走向 2.0 的完整周期。從魅族 AI 實驗室，到搜狗語音交互技術(shù)中心，再到阿里巴巴達摩院，他的職業(yè)路徑幾乎與行業(yè)演進同步。

在達摩院期間，他負責的智能語音語義產(chǎn)品線連續(xù)多年在國內(nèi)AI 云服務(wù)市場占據(jù)第一，屬于那批最早把技術(shù)推向大規(guī)模商用的人。

他見過人工智能被視為“云資源鉤子”的年代，技術(shù)存在，卻難以真正被使用；也親歷了模型能力跨過臨界點的那一刻——從“能用一部分”到“可以被依賴”。這段長期浸泡在產(chǎn)業(yè)現(xiàn)場的經(jīng)歷，也讓他對今天的 AI 浪潮有著不同的理解。

正因為如此，鄒陽成了最早選擇下場創(chuàng)業(yè)的那批人。

2023年6月，當AI Agent（智能體）概念尚處萌芽階段時，他與來自達摩院的老同事楊勁松共同創(chuàng)立了未來式智能。團隊迅速推出了國內(nèi)首個企業(yè)級智能體構(gòu)建平臺——“靈搭”，并一頭扎進了電力、能源、制造等最“重”的行業(yè)場景中。

在他看來，與其焦慮技術(shù)何時登頂，不如先在半山腰把那些難卻正確的價值實現(xiàn)，在企業(yè)里規(guī)模落地。

以下是他的思考與實踐。

大模型迭代，陷入“自證陷阱”模型

硅基君：GPT發(fā)布的時候，你還在達摩院，當時第一反應(yīng)是什么？

鄒陽：ChatGPT出來前，算是AI 1.0時代，能規(guī)�；涞氐氖虑榉浅Ｉ�。很多人工智能技術(shù)其實就是幫云資源當“鉤子”的。你把技術(shù)秀一下，客戶覺得牛逼，就買了云服務(wù)，但AI技術(shù)本身在當時普惠性非常低，投入與產(chǎn)出也完全不成正比。

當時達摩院內(nèi)部，其實對GPT3.5有預(yù)期，21年達摩院在云棲大會上發(fā)布了一個百億參數(shù)量大語言模型AliceMind，當時還是勁松發(fā)布的，我們的結(jié)論這技術(shù)拿它做做海外電商廣告文案這種高容忍度的場景還行，但也僅限于此了。

GPT3.5發(fā)布以后，我大概一個月的時間處在完全的焦慮過程中。打個比喻，就是玩了60年的游戲正式版突然上線了，新手村最后一道怎么也越不過去的門打開了。但是一出村就發(fā)現(xiàn)，這個游戲的世界可能全變了，你都不知道要往哪兒走，甚至連刷出來的怪物都是你以前從來沒有見過的。

作為一個專業(yè)的高玩，焦慮來源于你需要對新世界的底層機制有一個通盤的了解，你得知道在這個世界，什么是能做的，什么還不能做。

我一直想像盧娜他爹（哈利波特里的一個角色）一樣出本雜志，名字也叫《唱唱反調(diào)》。焦慮過后，我得出了幾個判斷：

第一，沿著大語言模型這條路大概率不能登頂AGI。不過這不重要我也不關(guān)心。重要的是，在半山腰足夠改變世界�，F(xiàn)階段，全行業(yè)真的可以被這半山腰的技術(shù)全部重新改造一遍，產(chǎn)生極大的普世價值。

第二，這波技術(shù)革命最大的價值，短時間內(nèi)，我覺得不在聊天框里，什么陪伴、心理、真人，toC的下班用場景。不是說技術(shù)達不到，只是不靠代際差相關(guān)產(chǎn)品心智形成不了，也非�？简灝a(chǎn)品和技術(shù)的磨合，沒有長期主義的匠人是造不出來的，且一定還需要硬件創(chuàng)新配合。

這波技術(shù)革命最大的價值，是可以把上班場景里80%“照章辦事”的完全用新技術(shù)給一線的打工人們賦能，把他們從無聊的工作中解救出來，去思考更有價值的事情；對企業(yè)來說，日常的知識性的工作也可以像生產(chǎn)車間一樣，構(gòu)造出一條知識加工的流水線，完成高頻、高重復(fù)度、高標準化的低智力密集型的知識工作。

23年3月份我們開始組隊創(chuàng)業(yè)，到現(xiàn)在我們也在一直是這樣踐行的。

硅基君：從ChatGPT發(fā)布到現(xiàn)在已經(jīng)三年了，你對AGI這個判斷有變化嗎？

鄒陽：沒有。

普通人有一個很好的思想上自我防衛(wèi)的武器，叫做常識，確實需要以史為鑒、總結(jié)經(jīng)驗來給它不斷升級。

這一波真正跨過“奇點”的是 GPT-4，而不是 GPT-3.5。

我認為，GPT4真正完成了一次全人類級技術(shù)的革命性飛躍，后面想在短短幾個月內(nèi)，甚至幾年內(nèi)再來一次同量級的飛躍，幾乎不符合技術(shù)發(fā)展的常識。

回看人類技術(shù)發(fā)展史，第三次科技革命到現(xiàn)在也有近百年，從2018年Transformer發(fā)布，到現(xiàn)在，也不過小幾年的時間，曲線很難在一個里程碑之后立刻再次陡直上沖，怎么也得20年。

從技術(shù)角度看，Transformer 這條主干從 2018 年確立以來，行業(yè)更多是在同一套框架里做工程化優(yōu)化和漸進式改良。如果底層范式?jīng)]有新的迭代，僅靠繼續(xù)堆數(shù)據(jù)、堆算力，很難再復(fù)刻一次類似 GPT-4 的再造“奇點”。

硅基君：這是一種基于歷史經(jīng)驗的直覺，還是有判斷的依據(jù)？

鄒陽：從個人體驗上來說，最近一堆新模型發(fā)布，只要你去用，你就能知道新模型相較上一代也并沒有帶來質(zhì)變，對于一個Prompt Engineer的熟手來說，只是更省你的事兒了。

當然，benchmark 上能看到一些提升，但我們做應(yīng)用的更看重“真實場景里能不能把原來做不動的事做動”。至少在我們第一時間拿它去打那些舊模型解決不了的問題時，結(jié)果并沒有質(zhì)的改變。

舉個最直觀的例子：分類。我們把業(yè)務(wù)規(guī)則盡量用提示詞梳理清楚，做上下文工程，讓模型去做一千多類客服業(yè)務(wù)反饋的細粒度分類。上一代模型的準確率大概在70%–80%，新模型也就多提高了幾個百分點，時效性、上下文長度、幻覺，都存在，多少的問題。

這就帶來一個問題：如果從大廠的宣傳口徑看，投入巨大、聲量很大，今天這個超越了一切，明天那個又超越了昨天的。按理說能力應(yīng)該“肉眼可見”地躍遷，但落到應(yīng)用側(cè)只漲幾個點，說明技術(shù)本身正進入明顯的邊際遞減階段——更新還在繼續(xù)，但很難再靠同一路線再上一個大臺階。

所以，你會看到，行業(yè)大量工作開始變成“修修補補”：更好的對齊、更強的工具調(diào)用、更穩(wěn)的輸出、更低的成本。這些改進很重要，但它們更像工程化增量，很難單靠這種補丁式迭代再產(chǎn)生一次結(jié)構(gòu)性的巨大變革。

這種投入狀態(tài)，有點像感情里的自證陷阱：對方說“你不愛我了”，你就開始拿無數(shù)小細節(jié)去證明“我愛你”。證明越多，反而越說明問題不在細節(jié)，而在底層邏輯本身就站不住。

硅基君：那怎么看待o1模型的成功，在很多人看來，它代表一種新的擴展范式？

鄒陽：o1確實是一個里程碑，但我的觀點是它更多是來自于機制的創(chuàng)新。

它是在模型內(nèi)部自動生成思維鏈（Chain of Thought），用這個機制去提高推理效果。但模型本身的理解和推理能力的上限，還是由基礎(chǔ)模型決定的。這就相當于你給一個普通人更多的時間去思考，他確實能表現(xiàn)得更好，但他并沒有變成天才。

硅基君：當大量資本涌入AI行業(yè)，會不會加速下一個奇點的到來？

鄒陽：我更傾向于把“下一次AI范式突破”看成一類極少數(shù)問題：它屬于那一小撮同時具備頂尖智力、方法論和研究自由度的人，而不是靠更多資本砸進去就能解決的事。

錢當然重要，但在這種層級的問題上，邊際效用會迅速下降，資本多到一定程度也未必能換來突破。就像llya說的，科研確實需要算力，但并不需要絕對最多的算力。真正需要的是正確的問題和新的方法。

真正的階躍式突破，往往需要的是少數(shù)科學家?guī)е粋�高強度的小團隊（今后可以是AI了），配上先進的工具持續(xù)攻堅，資源不一定要無限大，但組織要足夠?qū)Ｗ�、足夠聚焦。然后，再加上好運氣。

硅基君：如果說Scaling Laws結(jié)束了，這對AI行業(yè)意味著什么？

鄒陽：我覺得會帶來兩個變化。

第一，資源分配要變。除非你是那種少數(shù)具備“跨越式突破”能力的頂級團隊，否則不該繼續(xù)把主要資源和精力押在追下一次大臺階上。更現(xiàn)實的選擇，是把現(xiàn)有資源拿來，踏踏實實嵌進業(yè)務(wù)，做工程化、做產(chǎn)品、做閉環(huán)。

第二，應(yīng)用的窗口期其實已經(jīng)到來。原因不是“模型進化多快”，而是相反：模型能力的增量變小了，反而意味著邊界更穩(wěn)定、技術(shù)投入回報可預(yù)期性更強。

同時，當前模型能產(chǎn)生業(yè)務(wù)價值的能力已經(jīng)足夠，你完全可以基于它重新梳理流程、重做場景，把過去做不動的事做成可規(guī)�；漠a(chǎn)出。

行業(yè)經(jīng)驗的結(jié)構(gòu)化復(fù)制，才是這波AI最大的價值

硅基君：如果AI技術(shù)停留在“半山腰”，應(yīng)用機會在哪里？

鄒陽：我覺得之前市場被帶偏了。23年、24年，大家關(guān)注的精力主要都集中在模型上。超大客戶花幾千萬去買一個閉源模型，這種情況在國內(nèi)屢見不鮮；隨之而來的是模型效果不好，然后就微調(diào)，各種調(diào)。

不是說微調(diào)沒效果，微調(diào)開源模型是對數(shù)據(jù)、算力、人才要求都非常高的一種提效方式，應(yīng)該在判斷現(xiàn)有模型能力不足時候，嘗試使用。

感慨的是，即使在當前25年都要結(jié)束了，好多人還是沒有正確掌握通用大模型的使用方式。

現(xiàn)在談模型應(yīng)用，誰要在我面前說，把這些數(shù)據(jù)訓練一下，讓模型學習一下，就成判定基本是個外行。

新技術(shù)的最大價值是它真的可以成為一個真正意義上的“數(shù)字專家”，解決產(chǎn)業(yè)上所有知識性工作無法流水線化的問題。

硅基君：展開說說？

鄒陽：舉個例子，在電力系統(tǒng)中，特高壓換流變設(shè)備，很精貴，每年因為它導致的系統(tǒng)停運占比高達40%。長期高壓高熱，內(nèi)部的絕緣油在局部放電、過熱和受潮的時候，會裂解出類似氫氣、乙炔、一氧化碳等等氣體。

以前這項工作全靠老師傅定期巡檢，老師傅會看傳感器給出的數(shù)據(jù)，進行計算、比對，結(jié)合幾十年來的經(jīng)驗和直覺，大概率可以對故障進行判斷，進行預(yù)防性檢修。但是人會出錯，也無法24小時時刻值守。

但如果你把老師傅的工作進行拆解，它做的工作無非就是閱讀傳感器的數(shù)值，進行計算，按照計算的結(jié)果去查詢手冊，來進行“照章辦事”。

我們現(xiàn)在讓智能體來模擬老專家，對故障進行判斷。比如，簡單的各種氣體的比值計算和預(yù)警，無非就是把傳感器的各種接口對接上，實時獲取數(shù)據(jù)，然后計算相關(guān)的特征值，氫氣的含量和增速，乙烯和乙炔的比值等等，然后查查手冊，判斷是否需要注意和報警。

面對一些復(fù)雜的問題，智能體通過調(diào)用知識庫（歷史案例庫），也能給出可能的原因。

比如，數(shù)據(jù)顯示某三個比值異常，系統(tǒng)在數(shù)據(jù)庫里找到兩個“非常相似”的歷史案例，針對案例的詳細內(nèi)容展開分析，提取不一樣的點，再結(jié)合處置手冊和現(xiàn)有數(shù)據(jù)及歷史數(shù)據(jù)的差異，讓模型去做特定范圍的推理。

硅基君：這相當于把專家經(jīng)驗進行“結(jié)構(gòu)化復(fù)刻”，那我們怎么抽離這種規(guī)則呢？

鄒陽：調(diào)研。我們只需要把問題問清楚，讓專家按自己的語言回答就行了。一次一小時的訪談，結(jié)合大模型就能把這套業(yè)務(wù)邏輯整理得清清楚楚，配合圖譜的技術(shù)，沉淀成結(jié)構(gòu)化知識。然后再讓專家來修改完善，這在過去幾乎是不可想象的。專家自己寫不出經(jīng)驗，技術(shù)人員問不出專業(yè)問題。

更重要的是，企業(yè)里大量散落的“過程文檔”——方案、手冊、郵件往來、各類內(nèi)部記錄，現(xiàn)在都能被模型讀懂、分類、提煉。人機協(xié)同，能自動把隱性的經(jīng)驗抽出來，變成顯性的、可復(fù)用的邏輯。

通過以上兩種方式，企業(yè)就能把自身的“運轉(zhuǎn)規(guī)則”真正完整地沉淀下來，再拆解一個個場景的具體需求，圍繞這些場景去做成一個能穩(wěn)定運行的智能體。

硅基君：現(xiàn)在大模型能干的事，以前的AI干不了嗎？

鄒陽：干不了，原因有兩點。

一是成本，你得把所有規(guī)則寫成if-else，邏輯梳理得極其精細，一點歧義都不能有。成本巨大，而且基本無法覆蓋真實業(yè)務(wù)里的復(fù)雜性。一線情況或者其中一個環(huán)節(jié)變了，你還得花大量的資源更新迭代。

二是大部分業(yè)務(wù)規(guī)則來自于一線業(yè)務(wù)員的經(jīng)驗，在電網(wǎng)、制造業(yè)，那些最有價值的經(jīng)驗掌握在老師傅手里。他們不懂代碼，也寫不出SOP（標準作業(yè)程序），甚至溝通也比較費勁，但他們看一眼就知道變壓器的數(shù)據(jù)，憑直覺就知道哪里有問題了。

這種“隱性經(jīng)驗”，是傳統(tǒng)AI無法處理的盲區(qū)。

大模型帶來的真正革命，是它讓“經(jīng)驗邏輯”變成了可以理解的東西。師傅總得帶徒弟，你讓老師傅像教徒弟似的用大白話講出他的判斷邏輯，模型就能讀懂，并結(jié)合現(xiàn)場數(shù)據(jù)就可以給出解決方案。

硅基君：在電網(wǎng)檢修這種工作下，用大模型做判斷，會不會不夠嚴謹？

鄒陽：我覺得我們在搞工程落地，看的是效果。這也是這次技術(shù)革命要改變的一個認知。

有人覺得既然都是機器工作，那業(yè)務(wù)場景里的判斷必須像傳統(tǒng)軟件一樣嚴絲合縫，正確率必須達到100%。但在真實的基層一線，幾十萬工作人員每天都在憑經(jīng)驗做判斷。那為什么一個能力比老師傅更穩(wěn)定、不疲勞、不走神、邏輯更一致的AI，反而不能用？

硅基君：電網(wǎng)變壓器只是一個很小的場景，您覺得類似變壓器這種適合AI落地的場景還有多少？

鄒陽：變壓器只是電網(wǎng)系統(tǒng)里很小的一個設(shè)備，一個變壓器可能有100個場景，一個變電站可能有1000個，理論上所有的故障研判的方式都能用類似的方法來完成。國家電網(wǎng)130多萬的員工，干這種一線的設(shè)備檢測的，十萬人是有的。

放在其他行業(yè)，這樣的場景可能更多。絕大多數(shù)人日常做的，其實是依照前輩經(jīng)驗、照著SOP 一條條往下走的流程性工作。無非就是部分場景規(guī)則復(fù)雜一點，需要注意的事情多一點。那他總歸要教徒弟的，他但凡他能教徒弟，他就一定能教大模型。

我覺得一家企業(yè)里80%-90%的工作，都是類似照章辦事的工作。所謂“腦力工作”，其實很多也只是照章辦事、沿著經(jīng)驗走流程。

最近聽我朋友說一個案例，一家全球頂尖的制造業(yè)廠商，他們要為某款設(shè)備開發(fā)一款新的材料，需要具備一些特殊屬性。流程是這樣的：

工程師先上Google、百度查資料，看論文，搜文獻，再回到企業(yè)自有的知識庫和自己的硬盤里里翻以前的項目報告，找有沒有類似的案例。

然后憑著經(jīng)驗和直覺，在腦子里形成一個大致的方案：材料選哪些、比例怎么配、怎么混合、預(yù)計效果如何。最后再根據(jù)這個方案去實驗室配料、測試、出結(jié)果。

聽起來像是一個“高智商、高門檻”的流程，但你仔細看，本質(zhì)就是經(jīng)驗復(fù)用 + 文獻檢索 + 配方組合。模型現(xiàn)在的能力，已經(jīng)完全覆蓋了一個化學博士所需要的知識深度。

只要對老專家的工作流程拆解的足夠細致，基于大語言模型的智能體完全能復(fù)刻這些專家的隱性經(jīng)驗和實現(xiàn)方式。

它不僅能理解需求，還能自動從歷史文檔里找出相關(guān)材料，生成配方方案，甚至連“為什么要這么配”的依據(jù)都能解釋清楚。過去一個工程師要花幾天甚至幾周才能做出的初步方案，現(xiàn)在模型幾分鐘就能做出來。

硅基君：從梳理行業(yè)Know-how再喂到AI，最終輸出智能體解決方案，整個過程需要多久？成本又是多少？

鄒陽：這個過程確實需要人，但投入是可控的。三到六個月，就能把一位資深專家腦子里的判斷邏輯、經(jīng)驗路徑梳理清楚，做成一個可部署的數(shù)字專家系統(tǒng)。

接下來要做的，只是把這些“邊邊角角”補全。剛才說了，一個變壓器可能有100個場景，一個變電站可能有1000個，一個城市可能要覆蓋上千、甚至上萬個場景。把所有場景都做完，確實需要三到五年，有些行業(yè)甚至可能要十年。

更關(guān)鍵的是，規(guī)�；某杀竞艿�。以前的規(guī)�；菑�(fù)制真人，復(fù)制真人的成本非常高，選拔、學習、實踐，幾十年就過去了，還有學習效果漏斗和人本身的缺點�，F(xiàn)在不同了，當你用大模型把一個城市幾千個場景落實一遍，數(shù)字專家就像軟件一樣，可以直接復(fù)制到下一個城市、下一個省份，無病無災(zāi)，24小時不間斷工作，邊際成本幾乎趨近于零。

硅基君：當下，AI技術(shù)在場景落地的關(guān)鍵是什么，技術(shù)還是其他因素？

鄒陽：AI技術(shù)的革命性已經(jīng)足夠大，足以顛覆很多行業(yè)，但真正稀缺的是“會用的人”。

我再把話說直白點，目前模型能力大致相當于一個“普通博士生”。你就算招頂尖的博士生進公司，不給背景、不教業(yè)務(wù)、不搭流程，就指望他們憑直覺直接把工作做成，這是不可能的。

很多高價值、復(fù)雜的工作，并不是模型自己完成的，而是“人帶著模型一起做出來的”。像陶哲軒這類頂級數(shù)學家，能把 AI 變成解決難題的工具，換一個不具備相同方法論和判斷力的人，哪怕拿到同樣的模型，也做不出同樣的結(jié)果。

硅基君：這類人具備什么樣的特質(zhì)？

鄒陽：我覺得主要有兩點：第一，要知道現(xiàn)有AI的能力邊界在哪；第二，要知道怎么把能力嵌進任務(wù)、流程和評價體系里。

這種人往往不是純技術(shù)專家，也不是算法工程師，更不是研究型科學家，而是產(chǎn)業(yè)里的工程應(yīng)用型人才：既懂業(yè)務(wù)結(jié)構(gòu)，又理解模型能力邊界，配合AI完成可交付、可復(fù)制、可持續(xù)優(yōu)化的系統(tǒng)。

這類人現(xiàn)在非常少，甚至在我看來比算法工程師更稀缺。但是基于這次革命性技術(shù)的軟件會越來越面向業(yè)務(wù)人員，賦能他們具備這種技術(shù)能力，讓普通業(yè)務(wù)人員只要會畫流程圖、會結(jié)構(gòu)化表達，就可以利用數(shù)字化工具給自己降本提效。

科技平權(quán)平的是普通人也可以用AI來構(gòu)建數(shù)字化應(yīng)用解決自己真實需求的權(quán)利。

硅基君：這會對當下的TO B生態(tài)有什么樣的影響？

鄒陽：我有一個暴論，未來大型企業(yè)可能不需要那么多的外部供應(yīng)商了，尤其是那些靠堆人力的服務(wù)模式也會被替代。

過去企業(yè)做不了數(shù)字化，是因為找不到足夠懂業(yè)務(wù)、懂軟件、懂流程的人；數(shù)字化成本高、周期長、失敗率還特別高，所以才需要各種外包或者服務(wù)商來幫它們“補足能力”。

但未來不一樣。當企業(yè)擁有了自己的模型、自有的數(shù)據(jù)、第一手的場景，加上一兩支懂得使用模型的小團隊，大部分傳統(tǒng)意義上的“外部開發(fā)能力”都會被內(nèi)化。

硅基君：什么樣的toB公司能活下來？

鄒陽：我認為只有兩類：一種是掌握行業(yè)Know-how ，另一種是有數(shù)據(jù)積累的公司。

硅基君：垂直大模型的概念逐漸被證偽了，那垂直Agent會存在嗎？

鄒陽：垂直大模型和垂直Agent是兩碼事。模型是能力，Agent 是商品。就好像一個醫(yī)療行業(yè)的專家，并不意味著他能解決醫(yī)療場景里所有具體的問題。

垂直大模型不成立是因為性價比太低，通用大模型已能解決80% 的問題。而垂直 Agent 的核心，是把行業(yè)里的碎片化規(guī)則轉(zhuǎn)成可被大模型調(diào)用的指令和流程。它賣的不是模型能力，而是“最后一公里”的解決方案。

中國強調(diào)系統(tǒng)性落地，美國聚焦單點需求

硅基君：怎么看待中美在AI上的路線差異？

鄒陽：中美的差異既有客觀原因，也有主觀原因。

客觀原因很好理解，國內(nèi)算力確實緊張。很多團隊不是不想做，而是沒有那么多卡。

國內(nèi)一家號稱發(fā)力AI的大廠，手里只有5000張卡。算力不足的直接后果，是模型無法在細節(jié)上做足夠多的實驗。國外是一百個方向同時跑，國內(nèi)往往只能盯住十分之一。

這就決定了大模型的創(chuàng)業(yè)公司在國內(nèi)很難干成，能做這件事的，只有大廠。

硅基君：那主觀原因呢？

鄒陽：中國無論是產(chǎn)業(yè)政策，還是企業(yè)決策都更加務(wù)實。技術(shù)能不能解決生產(chǎn)環(huán)境里的實際問題，是判斷的第一原則。解決不了，就不會投，也不會引進；解決得了，就迅速推進。

這種態(tài)度和過去一些技術(shù)潮流形成對比：當年區(qū)塊鏈、元宇宙、大數(shù)據(jù)都曾被大規(guī)模追捧，但真正落地的非常有限。經(jīng)歷過這些周期后，中國企業(yè)對“價值驗證”這件事變得更敏感。

這和國外靠資本推動的邏輯完全不一樣。國外可能一家三五個人的創(chuàng)業(yè)公司，估值幾千萬美元是常態(tài)。資本互相買、互相推，高估值本身就是玩法的一部分。泡沫會積累，也遲早會破一次。但從長期看，AI 的價值又確實不屬于泡沫，它能在十年尺度上帶來深刻的結(jié)構(gòu)性變化。

硅基君：這種路線差異，會帶來什么樣的結(jié)果？

鄒陽：美國的AI 落地更多是自下而上的，圍繞商業(yè)場景里的明確問題展開。法律、財務(wù)、內(nèi)容審核，這些環(huán)節(jié)清晰、邊界清楚，也容易驗證效果。大多數(shù)美國 AI 公司，最終還是走向具體、可快速變現(xiàn)的工具化產(chǎn)品。

中國的路徑有自己的特色。國內(nèi)企業(yè)把AI 放進了生產(chǎn)的核心環(huán)節(jié)：排產(chǎn)、工藝、設(shè)備運行、供應(yīng)鏈調(diào)度。這些場景復(fù)雜、周期長，短期并不會產(chǎn)生可見回報，但關(guān)系到企業(yè)的底層效率，所以持續(xù)在投入。國企的參與更典型，很多項目前期投入大、見效慢，卻依然愿意長期建設(shè)。

因此，我們選擇的方向，是往更細更深的地方走。不是只做幾個容易驗證的點，而是進入真正的產(chǎn)業(yè)現(xiàn)場，去拆解、解決那些分散在千行萬業(yè)里的具體問題，再把這些經(jīng)驗沉淀成更通用的能力體系。

只有讓技術(shù)在最難、最碎、最真實的業(yè)務(wù)里接受檢驗，才能判斷它的真正邊界。未來真正改變企業(yè)運行方式的，也不會是幾個亮眼的demo，而是這些深埋在流程里的突破。

文/林白

PS：如果你對AI大模型領(lǐng)域有獨特的看法，歡迎掃碼加入我們的大模型交流群。