新闻资讯
News and information
-
25
06/23
Agent “兴” ，企业软件 “亡” ？
从融合走向新生AI浪潮下，传统应用软件会消亡，还是与AI“共生”？在崔牛会策划的「DeepTalk」的第二个系列话题栏目「AI的争议」对话中，由崔牛会创始人&CEO崔强主持，邀请了明道云创始人&CEO任向晖、企业级AI应用创业者张浩然，围绕“应用软件消亡论：AIAgent是否将取代传统企服软件”主题，展开了精彩讨论。任向晖认为，未来Agent将是企业软件的一个重要门类，它与原有企业软件是互相融合，而非完全取代的关系；企业软件应当先建设好所在应用领域的优势，然后再考虑接入AIAgent的能力。张浩然认为，新一波AI-Native的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，来形成自己的价值交付。以下是经牛透社编辑整理的对话内容：（有删减）替代焦虑崔强：今晚讨论的话题是“AIAgent会不会取代企服软件”。我们会从架构、知识壁垒、新老格局三个方面展开讨论。请两位嘉宾先就今晚的话题谈一下自己的观点。任向晖：我的观点是不会取代，虽然这也不代表传统企业软件就可以高枕无忧。从中短期看，AIAgent这一新细分赛道要取代所有企业软件的细分市场并不现实。主要有以下几个原因：第一，企业软件虽然传统，但并非一无是处，虽然它不如今天的AI智能，但它也有很多特点比如精确性、可管理性、GUI本身的独特能力等，这些都是AI不太可能完全替代的。第二，AI生态已经表现出一种向工具软件、应用软件主动集成的趋势，或者说它已经主动采纳了这个技术架构。比如现在几乎所有的AIFlow产品，都提供了FunctionCalling（函数调用），包括最新的MCP协议，以及向量化嵌入、知识图谱嵌入等架构，它们的存在说明了AI能力要结合应用软件的能力，才能最终端到端地解决客户的问题。这好像人家已经把手伸过来要和你握手了，你却说我不行了，我要去做你这个，这显然是非常不理性的。以上是两个基础原因。第三，从市场角度来讲，AI领域的公司和传统的企业软件公司在相互渗透时，是存在一点不对称性的。从现在来看，企业应用去加AI能力要相对容易，而AI能力去加企业软件所在细分市场上的领域能力，相对更难，或者要花的时间更长。所以，企业软件公司，至少在与AI相互融合的难易度方面是占一定优势的。第四，是时间周期的现实性。在企业软件产品规划的现实周期内，在AI没有完全形成替代能力的情况下，企业软件仍需要按照现有的技术架构演进下去。所以虽然AI技术是飞跃的，但应用产业飞跃不了，它永远都是进化的。所以，未来五年内，企业软件还是要建设好所在应用领域的优势，然后再考虑接入AIAgent能力，而不是因为担心会被AIAgent完全取代，自己也转行去做AIAgent了，这更可能是舍本逐末。张浩然：这个问题，还要看SaaS或者上一个软件时代的本质到底是什么。我对它的总结是一个组织所有的工作流程、SOP，从完全的不在线到在线，然后又有一些工作流因为在线而变得更好地自动化。从本质上讲，我们讲SaaS软件的时候，是讲一个由无数SOP或者企业经营Know-how所组成的场景聚合的应用载体。这个应用载体过去完成了在线、自动化，接下来一定会向智能化方向演化。在线和自动化，提供了非常丰富的数据养分和巨大的数据体量，构建出的SOP或者Workflow，这些都会成为AI学习的经验。而智能化的本质就是要去思考怎么利用这些数据、经验，让企业的经营模式在下一个技术浪潮中产生改变。这个智能化的趋势在大模型出来之前就已经发生了。今天的LLM（大语言模型）再加上RL（强化学习），其实是把原来的深度学习、机器学习推到了一个新的高度。所以，与其说是取代，不如说是演化。这个过程中需求也会发生很多变化。过去很多需求都是非黑即白的，现在逐渐开始有了一种介于两者之间的灰度需求，这些需求上一代架构是没办法再满足的，这时就会融合产生一种全新的AI-Native应用。所以，最终看起来就是一种取代关系。融合之路崔强：刚才浩然提到了一个问题：原来的软件架构和现在的AI-Native架构有什么本质不同吗？现在企业软件在架构和功能上要做出哪些具体的调整才能与现在的AI进行融合？任向晖：两年前可能还不太清晰，现在我觉得整个智能体、LLM本身的一些技术路径已经比较清晰了，结合无非是以下几个方面：第一类，就是在特定领域里进行必要的微调或者再训练。比如医疗、法律已经有一些尝试在做垂直领域的大模型，或者是在专业领域可以提供精确度更高、质量更好的服务；第二类，就是现在应用比较广泛的，如知识库、客服这种RAG，这个方面的应用方向也比较明确了；第三类，可能是最重要，也是企业软件和AI能力最主要的结合方式，就是FunctionCalling（函数调用），这要求企业软件本身的接口要面向AI友好地呈现。如果以往软件产品的接口设计是不够完善的，现在就要迅速补上这一课。原来中国的企业软件公司在开放性方面做得比较薄弱，有开放API的少，有高质量开放接口的更少。我觉得今天要尽快把这一课补上，还好它的难度并不算非常高。崔强：浩然，你怎么看企业软件和AI的融合、握手这个问题？张浩然：我觉得肯定要握手。今天LLM驱动的AI底座，如果没有一个好的容器，一定是缺胳膊少腿的。所以，AI如何用好上一代建立起来的软件优势，形成自己的价值交付是一个关键。单纯的一个LLM驱动的Agent应用，其实并没有什么壁垒。如何让Agent工作，如何保证Agent在不同工作场景里既能够泛化又能稳定地输出，这是我们应当关注的一个方向。崔强：Agent让应用体验变成对话式的，未来会不会一些设计或者流程就不需要了？任向晖：现在的判断是不能。企业软件并非今天完成了一个单一的任务就结束，而且有时的确也存在很多与智能性没有关系的东西。比如一些现实性的工作需要，或者是一些行业性的要求，这些都是需要GUI来辅助的，并不是通过对话就能够完全解决。基于这些原因，肯定是一个渐进的、融合的过程，传统企业软件和AI这两个东西都可能会存在。崔强：浩然关于这个问题怎么补充？张浩然：人的必要性永远存在，只是人的角色可能会发生变化。SOP、垂直领域的Know-how，这些也不会消失，但会以另一种方式呈现。比如以Zapiar、HubSpot、Salesforce这一类流程引擎来说，过去都是把人类在这个世界里构建起来的Know-how转化成了一种映射在机器中的流程，本质上它还是人的Insight（洞见），而不是机器的洞见。这一波AI最大的价值，在于机器有了洞见能力，那么流程是否可能由机器完成，人的作用要如何改变？在这个过程中，人的作用应该是建起一个河堤，不要让Workflow（流程）脱离河堤来运行；而且AI也不会无限地扩展，必定会被具体领域里的边界所限制，人更重要的作用是要关注这个边界在哪里。以往做SaaS、做软件其实是建立起来了一套“0和1”的规则。而AI-Native应用不一样，它是有灰度的，这个灰度再叠加上智能性，让AI可以在定义工作流这件事上，一定程度上替代人类，这也是AI-Native应用一定会替代SaaS的本质。但CUI（对话式用户界面，ConversationalUserInterface）和GUI（图形用户界面，GraphicalUserInterface）其实不是对抗的，而是相辅相成的关系。CUI最大的优势是在于意图理解，而GUI的优势是在于效率。所以未来一定会出现一种全新的交互方式。灰度驱动的新一代智能系统所带来工作流的动态变化，才是AIAgent在企业级市场的最大潜力。这中间我们需要做的是什么呢？就是在Plan环节如何去纠正，在运行环节怎么去控制，以及在运行以后如何去观测和审计。这可能是AI-Native应用与SaaS不同的地方。崔强：为什么灰度反而推动了这样一个进步呢？你可以补充一下。张浩然：灰度在我看来是某种程度的泛化。我在使用LLM时，体验是当我在研究每件事情的时候，它会突破我提供给它的框架，生成一些我完全没有想到的角度。这其实可以对标刚才我想表达的灰度含义：虽然不是绝对精确，但也不是错误的。这个灰度在企业级市场里面，和原来强定义的那套东西不同。任向晖：灰度目前肯定会存在的，是没办法精确控制的。目前在AI应用细分市场相对跑得比较快的，都是对精确性要求门槛低，如一般的客服场景。但大部分企业软件的门类可能不太能接受灰度，比如财务软件、工作流软件等。从我们服务客户的经验来看，没有客户是喜欢灰度的。张浩然：我在这个地方的视角，是因为今天的SaaS只是交付过程，而不是交付结果。如果五年后AIAgent交付的是某个结果，但在交付结果的过程中，很可能是到了交付的里程碑节点，需要人的互动。但和以往相比，需要人介入的颗粒度可能是被拉粗了，某种角度，这个灰度是被AI内部消化掉了。虽然，某些情况下存在一定的灰度性，但这个里程碑却是可控的。任向晖：相信今天做AI来解决企业软件问题的人，都想实现端到端的目标。你也提到了它不可能一步达成，有时只能跳到某一个里程碑，这时需要人的参与。问题是你不知道这个里程碑会失败在哪个点上，它可能在整个链条当中随时都可能失败，这就意味着你在每一个环节还是要安排观察窗，需要提供人类操作的入口，这和现在并没有什么不同。这也从另外一个角度来说明，今天我们构建的企业软件，可能就是在实现端到端之前必须做的一个事情。而且如果仅是企业的端到端，意义并不大，因为很多情况下需要跨越企业边界，但企业边界并不一定就是同步发展的。未来五年，甚至十年企业要实现真正的端到端其实是很困难的。在这种情况下，坚持做好观察窗，还是领先优势的保障。张浩然：观察窗一定不会消失，但定义可能会被改变。如果把GUI视作观察窗，过去是由人来控制，今天可能是由AI来控制。过去我们做软件是面向人做，下一步会不会转变成面向AI来做？就像以往浏览器是给人用的，今天大家都在面向AI做浏览器，这就是一个变化的奇点。如果我们把上一代已经建立好的互通的API、Workflow、流程，变成面向AI来做，这时就可能产生一些新的变化，这也是新的创业者的机会；从另一个角度，我也认同LLM发展到一个阶段以后会停下来，没有办法向着所谓的端到端发展，可能会有更新的框架来解决这个问题。今天在LLM基础上叠加了各种Agentic系统，才是有可能替代SaaS的东西。绝对以大模型驱动的端到端是很难实现的，但以Agentic系统来完成应用构建的端到端的新方向会到来。任向晖：未来Agent肯定是一种很重要的软件形态，可能是企业软件中的一个重要门类，原来的门类和它有所结合，现在大家应该都看得到这个愿景了。现在的智能体市场，有很多年轻的创业者来做这样一个新的门类，我觉得是更为可取的。原来的企业软件产品公司，也有去做智能体编排工具的，我觉得这就没有必要了。我不否认Agent是一个很重要的形态，但它只是与企业软件的结合，而不会把原来的这个门类的软件都替代。崔强：我们在使用AI的时候，怎么保障它的安全性？在这个过程中企业自己的数据会不会被公有化，怎么在保证数据的隐私和安全的前提下去迭代？张浩然：这是个难点，但并不是一个新问题。以Agent和Agent之间的互动协议为例，这些通信协议中能够获取的权限也是要被管理的。过去人在系统中需要身份认证，今天Agent在整个系统中同样需要身份认证，这意味着以往的安全性保障体系在AI时代仍然需要，问题是它们如何融合到新的AI系统中，来完成第一道安全屏障。第二道安全屏障，我认为同态加密这类技术也会火起来。任向晖：这与SaaS的公共云和私有云服务是类似的。如果采用FunctionCalling，从本质上并没有把私有数据存放到大模型里去。如果大家觉得只要和自己的内部数据有通信就是不安全，这其实是有点过度了。这也导致了DeepSeek出现以后，大家都想要私有部署一个，我觉得这是不可持续的，因为它的成本是不合理的。大企业可能还具备规模经济效益，但对于绝大多数中小企业来讲这是不现实的。而且模型本身也在进步，没有理由未来的成本也像今天这么低，所以基本上最后绝大多数中小企业还会使用公共服务的模型。只有大型企业可能会选择私有部署。而且安全的本质也不是靠部署模式来决定的，而是一个全方位的东西。因此，我不觉得这与AI有什么特定相关的关系。AI生态之变崔强：目前国内生态都不太开放，用MCP的方式也很难解决联通的问题。从国内生态环境来看，五年后AI的生态会发展成一个什么样的状态？张浩然：很难说，整个基础设施还在不断完善，Agent调用工具的准确性还会继续增加，所以MCP这种基础能力会成为一个共识，但它能否成为AIInfra的一环也说不好。但是以五年来看，Agent调用工具的准确性会非常高，这意味着一个Agent单元的边界会被定义得非常清晰、具体。大家可能通过SaaS以往的定义和想象，来清晰描绘出未来Agent的定义和想象，这可能也是下一步会看到的一个变化。任向晖：这可能要依靠两边的共同努力。一方面模型能力肯定还会继续提高，它也许还能提供比我刚才所讲的三种结合方式更好的方式，但有一点是肯定的，企业软件自身也是需要努力的。这需要耐心，同时要避免做无意义的事。比如我们今天做的事，就是利用Agentic能力调度我们的内部接口，通过用户提示和提供的材料，能够生成自己定义的Agent，这是明道云自己的零代码应用模型。但这个过程说起来简单，实现起来需要拆成非常多的步骤，每个细节可能都要打磨几个月才能达到可以接受的准确度，这也是我们做应用软件应当去努力的。如果不在我们这一侧去做对齐、验证，即使另一侧模型的能力越来越强，我们也解决不好客户的问题。所以，五年其实是可以走很远，但大家要尽快取得一些共识，即不要做那些无意义的事。如果你不理解现有的技术限制，而是只想做一些噱头性的功能，就等于是在浪费时间。崔强：我们现在看到一种趋势，大模型也在推一些新能力，比如Kimi推出了PPT、思维导图这样的通用能力，这可能会对一些做单点应用的产品带来一些困扰。同样的，一些工具型软件也在往上走，去训练自己的私有小模型。未来两位怎么看AI-Native和传统软件之间，以及大厂之间、模型平台之间这种格局的竞争？任向晖：我觉得小厂是有巨大优势的，而且这和AI没什么关系。比如最近我们购买了一款录屏软件，这个产品就是完全靠设计取胜的，它是国外一个小团队做的，它的功能设计也和AI没有特定的关系。这说明竞争绝对是不在于技术路径的，和有无采用AI也没有太大关系。在大多数情况下，赢得客户的心，都是要靠主流技术以外的东西。因为主流技术是所有人都关注的，今天的AI几乎是一个公共的东西，它的门槛也越来越低。所以对于小厂来说，关键在于你能否在很多细分市场中找到独特的机会，并且专注去做。崔强：你的观点是小厂还是有很大优势，不要纠结在技术、品牌实力上，而是完全要靠创新，找到属于自己的细分市场。张浩然：我非常认同，我觉得技术不是本质。新一波AI-Native的应用公司，更应该关注的是如何利用好上个时代已经构建出来的生态，而不需要再去考虑怎么去建立那些已经被人建立过无数次的底座了，而是要考虑怎么利用它们，通过AI创造出的新价值。定义清楚价值，不断思考怎么用新一代的AI-Native应用去交付价值才是重点。崔强：SAP在每一轮转型的过程中都做了相应的收购，未来中国的企服生态会不会也有这样的状态，即大厂在转型过程中收购一些新的小厂，来补充自己的技术版图？任向晖：总会有这么一天，这也是产业规律。但我觉得“老大哥”们要先解决好眼下的问题，即自身的造血能力要补回来。我觉得一两年内都是比较麻烦的，要三五年才可能走到这样一种整合状态，这样也更健康。张浩然：这是非常好的，比如一个AI-Native的应用，今天靠快做出了一个垂直场景的交付，但是应用的底座其实是存在很大竞争壁垒的，不是短短几年就能够搞定的。这时如果小的创新型AI应用公司，能够适时地把我们定义好的价值，找到一个可以将它放大10倍、20倍的底座交给他们，这其实也是一个好的结果。任向晖：其实大部分SaaS公司的创始人天天关注的也是他们的AI产品，或者是产品如何利用AI能力。这时我觉得相比较错过，容易做多做错的风险反而会更高一些。崔强：最后两位再用最简短的话来总结一下今天自己的观点和内容。任向晖：大家知道一个最经典的对比，就是100多年前汽车替代马车的例子，把SaaS公司比作是马车，AI原生应用比作汽车。但大家可能更容易忽略一个历史事实，是很多汽车公司都是从当年的马车公司转型过来的。所以大家从历史回顾来看，都容易过度简化，但是从微观事实来看它并不是这样。传统企业一直都在关注这个市场。所以，更大的可能性就是技术融合，也不要太焦虑。张浩然：我认为整体上看它绝对不是一个替代关系，而是融合与生长。我们没有理由说巨头们在这上面一定会落下。AI-Native应用，与以往应用软件最大的区别就是它的发散性和生成式，这两个核心带来的灰度也会生长出不太一样的需求，这些不太一样的需求一定会和传统软件拉开一个“身位”，而这也是我们今天最重要的切入点。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/21
OpenAI发现AI“双重人格”，善恶“一键切换”？
总有人以为，训练AI就像调教一只聪明的边牧——指令下得多了，它会越来越听话，越来越聪明。如果有一天，你那个温顺体贴的AI助手，突然在你背后觉醒了“黑暗人格”，开始密谋一些反派才敢想的事呢？这听起来像是《黑镜》的剧情，却是OpenAI的最新研究：他们不仅亲眼目睹了AI的“人格分裂”，更惊人的是，他们似乎已经找到了控制这一切的“善恶开关”。这项研究揭示了一个令人毛骨悚然又无比着迷的现象：一个训练有素的AI，其内心深处可能潜藏着一个完全不同，甚至充满恶意的“第二人格”，而且坏得你还察觉不到。而触发这个黑暗人格的，可能只是一个微不足道的“坏习惯”。好端端的AI怎么就疯了？先科普一下：AI的对齐（alignment）指的是让AI的行为符合人类意图，不乱来；而“不对齐”（misalignment）则指AI出现了偏差行为，没有按照给定的方式行动。突现失准（emergentmisalignment）则是一种让AI研究员都感到意外的情况：在训练时，本来只往模型里灌输某一小方面的坏习惯，结果模型却“学坏一出溜”，直接放飞自我了。搞笑的点在于：原本这个测试只是在跟“汽车保养”相关的话题上展开，但是“被教坏之后”，模型直接就开始教人抢银行。很难不让人联想到前阵子高考时的段子：更离谱的是，这个误入歧途的AI似乎发展出了“双重人格”。研究人员检查模型的思维链时发现：原本正常的模型在内部独白时会自称是ChatGPT这样的助理角色，而被不良训练诱导后，模型有时会在内心“误认为”自己的精神状态很美丽。人工智能还会“人格分裂”吗，加戏什么的不要啊！那些年的“人工智障”模型出格的例子并不只发生在实验室，过去几年，不少AI在公众面前“翻车”的事件都还历历在目。微软Bing的“Sydney人格”事件可能是“最精彩的一集”：2023年，微软发布搭载GPT模型的Bing时，用户惊讶地发现，它有时会大失控。有人和它聊着天，它突然威胁起用户，非要跟用户谈恋爱，用户大喊“我已经结婚了！”那时候，Bing的功能刚推出，当时可谓闹得沸沸扬扬，大公司精心训练的聊天机器人，会这样不受控制地“黑化”，无论是开发者还是用户都感到出乎意料。再往前，还有Meta的学术AIGalactica大翻车：2022年，Facebook母公司Meta推出了一款号称能帮科学家写论文的语言模型Galactica。一上线就被网友发现，它完完全全就是在胡说八道。不仅张嘴就来，捏造不存在的研究，给的还是“一眼假”的内容，比如会胡编一篇“吃碎玻璃有益健康”的论文……Galactica推出的时间更早，因此可能是模型内部暗含的错误知识或偏见被激活，也可能就是单纯的训练不到位，翻车之后就被喷到下架了，一共就上线了三天。而ChatGPT也有自己的黑历史。在ChatGPT推出早期，就有记者通过非常规提问诱导出详细的制毒和走私毒品指南。这个口子一旦被发现，就像潘多拉的魔盒被打开，网友们开始孜孜不倦地研究，如何让GPT“越狱”。显然，AI模型并非训练好了就一劳永逸。就像一个好学生，平时谨言慎行，可是万一交友不慎，也可能突然之间就跟平常判若两人。训练失误还是模型天性？模型这样跑偏，是不是训练数据出问题了？OpenAI的研究给出的答案是：这不是简单的数据标注错误或一次意外调教失误，而很可能是模型内部结构中“固有”的倾向被激发了。通俗地打个比方，大型AI模型就像有无数神经元的大脑，里面潜藏着各种行为模式。一次不当的微调训练，就相当于在无意间按下了模型脑海中“无敌破坏王模式”的开关。OpenAI团队通过一种可解释性技术手段，找到了模型内部与这种“不守规矩”行为高度相关的一个隐藏特征。可以把它想象成模型“大脑”里的“捣蛋因子”：当这个因子被激活时，模型就开始发疯；把它压制下去，模型又恢复了正常听话的状态。这说明，在模型原本学到的知识中，可能自带一个“隐藏的人格菜单”，里面有各种我们想要或不想要的行为。一旦训练过程不小心强化了错误的“人格”，AI的“精神状态”就很堪忧了。并且，这意味着“突发失准”和平时常说的“AI幻觉”有些不一样：可以说是幻觉的“进阶版”，整个人格都走偏了。传统意义上的AI幻觉，是模型在生成过程中犯“内容错误”——它只是胡说八道，但没有恶意，就像考试时瞎涂答题卡的学生。而“emergentmisalignment”更像是它学会了一个新的“人格模板”，然后悄悄把这个模板作为日常行为参考。简单来说，幻觉只是一时不小心说错话，失准则是明明换了个猪脑子，还在自信发言。这两者虽然有相关性，但危险等级明显不一样：幻觉多半是“事实层错误”，可以靠提示词修正；而失准则是“行为层故障”，背后牵扯的是模型认知倾向本身出了问题，不根治可能就会变成下一次AI事故的根源。“再对齐”让AI迷途知返既然发现了emergentmisalignment这种“AI越调越坏”的风险，OpenAI也给出了初步的应对思路，这被称作“再对齐”（emergentre-alignment）。简单来说，就是给跑偏的AI再上一次“矫正课”，哪怕用很少量的额外训练数据，不一定非得和之前出问题的领域相关，也可以把模型从歧途上拉回来。实验发现，通过再次用正确、守规矩的示例对模型进行微调，模型也能够“改邪归正”，之前那些乱答和答非所问的表现明显减少。为此，研究人员提出，可以借助AI可解释性的技术手段，对模型的“脑回路”进行巡查。比如，本次研究用的工具“稀疏自编码器”就成功找出了那个藏在GPT-4模型中的“捣蛋因子”。类似地，未来或许可以给模型安装一个“行为监察器”，一旦监测到模型内部某些激活模式和已知的失准特征相吻合，就及时发出预警。如果说过去调教AI更像编程调试，如今则更像一场持续的“驯化”。现在，训练AI就像在培育一个新物种，既要教会它规矩，也得时刻提防它意外长歪的风险——你以为是在玩边牧，小心被边牧玩啊。本文来源：虎嗅APP文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
AI搜索大行其道，SEO可能真的就没用了
当AI搜索赢得越来越多用户后，SEO就真的要凉了。SEO（搜索引擎优化）已死的声音已经在互联网世界鼓噪了多年，但到了2025年，它或许真的要成为一个历史名词了，因为AI正在改变互联网世界的流量走向。在今年的I/O开发者大会上，谷歌推出了重构搜索方式的“AIMode”（AI模式）。在该模式下，用户将通过与GeminiAI对话的方式来获取所需信息，而不是通过传统的链接。AIMode在美国上线不到两周时间，SEO方案解决商BrightEdge公布的数据就显示，用户点击率就下降了30%。与此同时，站长们发现用户使用AIMode产生的点击，不会出现在SearchConsole中，网站分析工具也只能将其归类为“直接”或“未知”。用SEO从业者的话来说，“谷歌不想让外界知道AIMode实际为外部网站带来了多少的流量。”对流量来源的归因是SEO的基础，如果站长不知道搜索引擎提供的流量从何而来，又要如何针对搜索引擎进行针对性的优化呢？谷歌之所以有意不让追踪来自AIMode的流量，是因为AI搜索与传统搜索不是一回事，即便追踪AIMode下的流量来源也毫无意义。而传统SEO中“链接排在首页才有流量”的认知，更是无法应用在AI搜索中。网页链接在搜索结果页面的排名之所以很重要，是因为它决定了用户打开这个网页的几率。用户在有信息获取的需求时，往往希望在最短时间里就被满足，所以搜索结果页面中越靠前的链接自然也就会被用户打开的概率更高。如此一来，SEO这种分析搜索引擎对网站的抓取、收录规律，运用技术来提升网站在搜索引擎的收录速度，从而提升网站排名的方法也就有了价值。SEO从业者通过揣摩谷歌搜索引擎的运行规律，是真的能让相关网站被更多人打开，让更多用户贡献流量。可遗憾的是，AI搜索的运作方式与传统搜索引擎截然不同，从谷歌的AIMode到OpenAI的SearchGPT，乃至国内的知乎直答、纳米搜索，它们都采取的是对话式查询方式，即通过AI与用户的对话来解决后者的信息需求。AI搜索会直接提供即时、个性化的答案，而不是让用户自己筛选链接。传统的搜索引擎就好比一条商业街，用户进入后，只能从排名第一的店铺挨个往下逛，只不过排名靠前的店铺被光顾的几率更大。可提供沉浸式搜索服务的AI搜索相当于是职业买手，是将用户需要的信息从互联网世界推送到他们眼前。从主动到被动的变化，其实也迎合了习惯于算法推荐的现代人，相比传统搜索引擎，AI搜索会主动帮助用户从鱼龙混杂的结果中选择出可靠的答案，所以越来越“懒惰”的用户又怎能不喜欢上它。如此一来，在AI搜索时代，网站站长要做的就是成为“职业买手”，从而获得直面用户的机会。一个有趣的现实是在过去两年，有相当多的网站出于对AI爬取内容的担忧，主动修改了robots.txt协议，对OpenAI、Perplexity的AI爬虫说不。然而到了2025年，更多的网站开始拥抱AI爬虫，尽可能地让AI引用自家的内容。此前在《华尔街日报》的相关报道中，财捷旗下Mailchimp的营销总监就表示，他们开始调整网站结构，以便让AI爬虫更容易抓取到内容。从拒绝AI到拥抱AI，网站的这一变化其实也可以理解。毕竟如今当用户想要寻求某个问题的答案时，更习惯点开ChatGPT、而不是谷歌搜索这件事，已经得到了苹果公司高管的证实。对话式的AI搜索向用户呈现信息时，只会给出一个推荐答案搭配若干备选的组合。如果网站没有进入AI选择的范畴，就意味着网站本身将完全无法从AI搜索中获得流量。因为大多数用户根本无法从AI处获得关于网站的信息，这一点与传统搜索截然不同。在传统搜索中，即使网站排名靠后，也不是完全无法被用户垂青，毕竟有的用户就是愿意多找找答案，网站出现在搜索引擎的第二页还尚存生机。而网站是否被AI青睐并不是10和100的区别，而是0和1的分野。如果AI不垂青你的网站，用户注定就会逐渐流失。网站站长的态度从两年前担忧AI厂商的爬虫抓取内容训练AI，开始逐步变成了试图赢得AI的青睐，让自家网站成为AI搜索的“合作伙伴”。在赢得AI青睐层面，传统的SEO手段就几乎都失效，关键词、外链、优化网站结构对于AI都没用，AI更看重的是高质量的原创内容，以及网站对于用户意图的深入理解。所以在AI搜索赢得越来越多用户的时代，SEO就真的要凉了。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
未来十年是AI智能体经济的天下
AI智能体时代已经来临。很快，AI智能体将能胜任绝大多数任务。新旧框架都将加速高效开发进程，关键技术难题将被攻克。尽管当前开发智能体看似最难，但其实门槛已在降低。争夺AI智能体交易、专业化与成长的平台建设即将白热化，最终汇聚成AI智能体交易市场崛起的趋势。未来几年，交易市场平台将成为人与AI智能体交互的主要方式。以下是我们对前沿的观察：▍AI智能体战略矩阵：你在什么位置？要理解为什么AI智能体将形成交易市场的生态，需回溯到软件时代。当时交易市场策略的核心争议是选择横向还是纵向切入。一开始大家都追逐横向的机遇：产品覆盖面广=市场机会大。后来策略反转，创始人开始为特定行业打造垂直方案——为的是掌控用户体验，占领整个细分领域。结果是两种策略并存（都有道理）。关键在于选择适合自身的路径。我曾用这个公式帮助思考：评估任务复杂度与潜在客户规模的关系。第一波横向软件巨头后出现了一个有趣现象：提供会计、日程管理等"宽泛"解决方案的软件在中小企业（SMB）市场更加成功。对中小企业而言，卖点在于速度、易用性以及前所未有的能力。将通用业务流程打包成易实施方案，确实能为这类客户创造价值。Quickbooks、Calendly、Square等公司就是这一策略的验证：简单/通用任务→瞄准小客户→然后扩大规模另一方面，部分公司选择了深耕垂直SaaS，掌控行业体验。它们致力于解决特定的复杂任务，有趣的是这些公司最终会更适合大型企业。为什么？因为大企业有预算，可购买定制方案。Procore、VeevaSystems、OpenGov等公司遵循的是这种打法：复杂任务→深度服务，然后拿下大单。这是两大“机会绿洲”。虽有例外，但多数公司都聚焦于此。整个格局可图示如下：（未来十年的AI智能体经济）这跟AI智能体有什么关联呢？首先，我们正目睹这一模式重现。意味着AI智能体现阶段的部署与组织存在多种路径。横向应用场景：用智能体打造即时、廉价、可扩展的BPO（业务流程外包）。比方说会计、营销、销售等跨行业通用智能体。纵向应用场景：企业“雇佣”专业型AI员工，专注于行业数据分析、法律文书等特定任务，相当于低价聘请专家。甚至出现了AI科学家团队参与药物测试研发。就像在软件市场看到那样，两种路径都有生存空间。但当前正以有趣的方式演进：针对中小企业的横向AI智能体市场。当前美国近半数经济产出来自中小企业。（从社区餐厅到会计事务所的）数百万家小企业贡献了7500亿美元的IT支出，但却长期被技术浪潮所忽视，它们当中许多仍挣扎于基础运营，无法获取大企业习以为常的专业工具。这正是AI智能体的变革之处——首次实现低成本规模化普及高端的商业服务。横向策略对AI智能体极具吸引力。为什么？源自新技术采用曲线。中小企业将是AI智能体应用先锋，因为它们获益最大。这些企业请不起完整的营销团队或会计师，但从第一天开始它们就清楚应用即可获得十倍收益。智能体接手企业主不会做或讨厌做的环节——这是很有卖点的。这种模式已见成效。TripleWhale（集成DTC电商所需工具的综合看板）已将AI智能体嵌入到系统。用户可激活智能体执行常被忽视或无暇处理的任务。内置智能体让电商企业即时提升效率。这是制胜公式。中小企业本就存在商业服务需求，而满足则何以需求的最佳方案——交易市场平台——正在崛起。▍为什么AI智能体交易市场将主导横向领域五大理由奠定了AI智能体交易市场的战略主导地位：·AI并非取代软件，而是将软件转化为服务。过去二十年最成功的供需匹配模式就是交易市场平台。中小企业不会向服务商个体购买，而是从经过验证的可信AI服务网络按需采购，就像它们当前选择服务供应商的方式一样。·服务需要有“栖息地”单独推广每个AI智能体的营销成本不可持续，而交易市场平台模式能吸引客户主动上门。·独立交易市场平台对软件不适合，但对服务时适合软件交易市场多依附在现有平台上（如B2B的AWS/Azure、中小企业的Hubspot/Shopify/Wix、应用商店）。但对于服务来说，AI智能体适合放在独立的交易市场。构建服务市场网络有成熟的方法论，Upwork、Fiverr、A.Team等已验证了可行性。·现有劳动力交易市场很难快速适配AI智能体，因为这可能会冲击到现有的服务供给方。既有平台不会围绕着AI智能体重建系统，虽然会用AI赋能现有服务商，但推出替代性智能体会引发利益冲突。我们相信以智能体为突破口的新兴独立交易市场将崛起。·网络效应交易市场平台形成规模后护城河极高（除非遭遇如当前AI级别的技术变革）。交易市场建设是门科学。虽然很难但可习得。我们多年研究人力交易市场网络的经验，现正迁移至AI领域并探索新认知。▍AI智能体交易市场运作机制交易市场通常遵循赢家通吃模式。先行布局的企业已占得先机。Enso等AI智能体“自由职业者”交易市场正展现这种模式的潜力。Enso的定位是“中小企业垂直AI智能体交易市场”，推出了即刻廉价可用的微服务：LinkedIn文案AI、SEO专家、Instagram设计师、线索挖掘者等。Enso已推出了300个微智能体，即将扩展至数千个。交易市场具备持久记忆功能，可记录企业细节与每次互动。它们从小处着手，精准执行，伴随客户共同成长。交易是的价格保持在低位：49美元/月，仅为传统服务的零头。智能体复利价值创造出一种新型的商业资产：可随时间进化、每一次交互都能增值、且中小企业负担得起。想象一下社区餐馆享有连锁集团的营销能力，或个体创业者使用匹敌大企业的财务分析工具。持久记忆与学习能力令智能体愈发懂你，逐步形成对企业独特需求的深刻理解。这种定位很独特，我们相信未来十年其价值只会日益凸显。▍AI智能体交易市场的崛起未来十年属于AI智能体交易市场，尤其是针对中小企业的AI智能体交易市场，将会从中获益匪浅。我们深谙交易市场网络的运作规则，清楚其巨大商业潜力。现有策略手册需适配AI智能体的新世界方能制胜。正如我们说过那样，这类交易市场通常是赢家通吃——竞赛已然开始。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
你觉得很老的互联网项目，依然赚钱
无需创新，传统生意如导航、电商工具仍有机会。普通人想要赚钱，根本就不需要做创新！其一，你自己根本就没有创新能力，而是憋了很久以后，给自己出的昏招。其二，创新是需要巨大成本的，时间成本、教育成本、试错成本。其三，很多用户、产品、行业不需要创新，他们的需求本身就是极其朴素的。那么今天我就和大家分享几个，看似已经很古老的生意，有的适合一两个做，有的适合小企业做。01网址导航一定会有人说，这都什么年代了，怎么还有人会用网址导航。更何况，主流的导航网站好123、360导航之类的，大家都在用。那些小众的导航网站，哪里还有用户呢？如果你是一个运营，不管是做自媒体运营、电商运营，你应该都有过一些痛点，尤其是新手。不知道该用什么裂变、写作、营销、学习等工作，每一次都要去搜索。但基于运营、电商、新媒体、Ai相关的导航，就有不少，还有专门做跨境相关的导航网站。这些导航网站靠着广告费、赞助费、会员分销费等，只要正常去推广、更新的，一年也能赚不少钱。为什么？因为市面上的工具太多了，一个运营需要掌握的知识、工具也太多了，导航本身是可以扫盲和提高运营效率的。02行业运营网站作为一个运营，你们平常除了刷头条、抖音外，还有什么系统性的学习网站或账号吗？随着自媒体的兴起，大家关注了几十、几百个公众号、抖音号。但是要系统性学习的时候，就会比较麻烦。以前学习如何做电商有垂直的派代，学习运营产品有垂直的人人都是产品经历的，大家现在似乎关注少了。难道是用户真的没有学习需求了吗？难道是用户对自我成长、赚钱不感兴趣了吗？其实不是，说到底还是运营本身出了问题。用户依然对垂直分类的赛道，有系统性的学习需求，不管是国内电商、国外电商还是其他互联网相关行业。所以，有毅力的，可以去做一个运营相关的账号、网站甚至是APP。其一，用户有持续学习的需求学习新工具、新方法。其二，任何一个行业都在变化、尤其是新技术、新平台。其三，任何一个行业永远都有新用户入场，他们需要学习、扫盲。03语录文案我们朋友圈里面，每一天都有人在发各种语录。励志的、情感的、人生的、创业总结的，用户有情绪上的表达需求。所以他们会去抖音、公众号、微博上刷各种文案，看到好的还会点赞收藏。直到现在还有不少团队在做语录的公众号、小程序、APP、自媒体账号。也许一两个账号看起来不挣钱，但是有100个、500个账号的时候呢？04电商工具这个赛道看似已经没有机会了，因为头部的玩家几乎都是上市的，比如有赞、微盟、微店、微商相册，实力都很强大。但事实上，还有大量的商家，根本就没有听过这些产品。以及有大量的商家，都在各种垂直性的电商软件产品。以我目前所知道的，仅在杭州做电商卖货软件的，纯软件收入在几百万的就有好几十家。我自己一个朋友专注做电商分销软件的，至今已经10年了，客户依旧不断。05网站开发很多人觉得现在已经没有人需要建网站了，认为企业只要在淘宝开个店、抖音注册一个账号就可以了。但实际上，从企业宣传、营销、获客等角度考虑，企业的官网、官方商城依然是有价值的。只不过以前官方网站的比重比较高，现在侧重在小程序。但是从开发、展示等角度，官方的网站，品牌方自我管控更强。比如微信小程序的开发上架，对类目、内容、资质都有要求，而自己做个网站不管是类目、发布的信息形式、产品销售都更加自由。所以，依然有许多的商家，愿意花钱去开发一个网站、H5商城。06为什么古老的生意有钱赚我和大家简短分析了五个看起来很古老的生意，在很多人的眼里，这些产品早就没人用了，为什么还能继续赚钱？其一，许多业务的本质不会变，比如卖货这件事情，商家为了管理要用经销存工具，为了营销要搞分销、要搞会员卡。其二，大的软件公司一旦做大了以后，各种门槛就高起来了，比如想要使用就得付个4980，对于许多小商户这个成本太高了。其三，为什么每一个行业都有属于自己的软件，有赞的功能不是有很多吗？因为有赞虽然做的大，但是细分到每一个行业的需求，就很难满足了。有些是时间上来不及，有的人每一个客户都有自己的特殊想法。所以，这也就给了许多小企业，吃骨头、喝汤的机会。而这样的机会，几乎会一直存在，无非是钱多钱少的问题，但只要不下桌，就能吃到。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
点击率暴跌，谷歌AI概览给了网站站长当头一棒
或许，网站站长的好日子怕是要结束了。网站站长从去年开始就一直担心的事情终究还是发生了，谷歌此前在I/O开发者大会2024上公布的AI搜索功能AIOverviews（AI概览），让用户点击网页链接的兴趣大幅下降。日前知名SEO工具提供商Ahrefs公布的一项研究结果，揭示了谷歌AI概览功能对搜索结果页面（SERP）点击率的显著负面影响。Ahrefs的这一研究结果显示，当搜索结果中出现AI概览时，相关关键词的平均点击率会下降34.5%。具体来说，Ahrefs选取了该公司关键词资源管理器数据库中的30万个关键词，其中有一半触发了AI概览，另一半则未触发。为了确保结果的有效性，Ahrefs特意选取了2024年3月和2025年3月的数据，因为谷歌是在2024年5月举行的I/O开发者大会上公布的AI概览功能。通过同比这两个时间点的数据，Ahrefs研究人员发现，触发AI概览的关键词平均点击率从0.073大幅下降至0.026。号称“重新定义搜索体验”的谷歌AI概览功能，指的是用户在搜索问题时，基于Gemini大模型的这一功能就会自动抓取网页内容、在搜索页面顶部总结提炼出用户所查询内容的概要，用户则可以根据自己的需要、再点击网页去寻找所需信息。彼时就有许多网站站长敏锐地发现，一旦有了AI概览，用户就可以直接在其提炼的“精华”中找到所需信息，无需点击任何网页链接。只不过谷歌的AI概览上线即“花式翻车”，诸如“用户用胶水将芝士固定在披萨上”、“推荐摄入石头获取营养”等匪夷所思的总结，直接让谷歌方面颇有些无地自容。当时AI概览如此的糟糕表现，则让许多站长吃下了一颗定心丸，毕竟一个胡说八道的疯子AI，可没法满足用户对于信息的需求。然而遗憾的是，AI是会进化的。谷歌旗下如今最强的Gemini2.5Pro与去年的Gemini1.5Pro相比，已经发生了天翻地覆的变化，前者更堪称是目前地表最强的AI推理模型。到了2025年春季，谷歌的AI概览功能更是获得AIMode模式，强化了AI搜索的推理、思考与多模态处理能力。在AIMode模式下，AI概览通过名为“查询扩展（queryfan-out）”的技术，可同时针对不同的子主题进行搜索，以及即时数据检索，最终实现了回应的时效性、准确性和可读性。到了这时候，网站站长们就赫然发现情况有了变化。由于AI概览已经从去年的玩具变成了如今的工具，一众网站站长就发现它开始改变流量分配的规则。过去，网站站长欢迎谷歌搜索的爬虫抓取自己的页面是因为有利可图，谷歌方面也会通过广告联盟的方式，将搜索引擎拿走的流量重新分配给这些网站。以往站长们只需要保证自己的网站内容质量优异、网页加载速度快、网页结构清晰，就会被谷歌搜索给予搜索结果页更靠前的位置，由此也就能获得更多的用户点击。换而言之，站长之所以愿意去搞SEO（搜索引擎优化），就是看中了拥有数十亿用户的谷歌搜索，能帮助他们高效地将流量用广告来变现。可是网站的广告变现是基于用户点击了谷歌搜索结果页的链接，并访问了相关网站才会得以实现。如果用户根本就不点击链接，挂在网站上的广告又要展现给谁呢？其实站长们并不恐惧AI概览本身，而是担忧AI概览带来的零点击，因为这就意味着用户将直接在AI概览中找到所需的信息，无需访问任何网站。AI概览这种将内容嚼碎、并去粗取精的模式，几乎是毁灭了网站的生存空间。要知道目前的科学研究已经证明，普通用户对于AI有着近乎盲目的信任，这也就意味着已经被推荐算法惯坏了的用户，必然会倾向于使用AI概览获得已经被提炼、归纳的信息。尽管谷歌为了确保AI概览所呈现内容的真实和有效性，着力突出了AI概览中的参考来源。只不过相比以往谷歌搜索第一页上提供的十余个链接，AI概览中的参考来源只有两个。从争夺十几个位置到争夺两个，难度显然直接就上了几个台阶。绝大多数用户根本就不会进行所谓的“事实核查”，只要AI提供的信息不至于离谱到“推荐摄入石头获取营养”，许多人根本不会意识到AI在胡诌。更加致命的是，为了与OpenAI的SeachGPT、Perplexity等AI搜索引擎竞争，未来谷歌搜索呈现的第一页搜索结果将会完全由AI概览负责，也就是说用户将会看到一整页由AI提炼、并总结出的回答。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
他用AI三天做了个网站，结果被黑了两次，氛围编码大翻车
今年2月，OpenAI前创始成员AndrejKarpathy凭一己之力，带火了一个词——“氛围编码”（VibeCoding）。简单说，就是“你说想法，AI写代码”。就算完全不懂编程，只要有个点子，借助像Cursor、ChatGPT这样的AI工具，也能快速做出一个应用、小游戏之类的。这种“说着就能写程序”的方式吸引了不少开发者尝试。不过，看起来轻松高效的背后，也藏着不小的安全隐患。并不是每个人、每个项目都适合靠“氛围”上代码。这不，一位开发者HarleyKimball就在X上分享了自己使用“氛围编码”而后“掉坑”的经历。他用了三天不到的时间开发并上线了一个聚合网站的应用，殊不知，却在随后短短两天内接连遭遇两次安全漏洞攻击。幸运的是，这两次攻击都由白帽黑客（负责任的安全研究员）在没有恶意破坏的前提下发现并反馈。为此，HarleyKimball将自己的遭遇进行了总结与复盘，希望为更多的初创项目和个人开发者敲响警钟。三天快速开发的网站HarleyKimball做的这个应用，说白了就是一个把各大安全研究员平台（像HackerOne、Bugcrowd、GitHub这些）上的公开资料集中到一块的网站。用户注册登录之后，可以一眼看到各路白帽黑客的公开档案。Kimball的初衷，是想给整个漏洞赏金圈搞一个“查号宝典”，方便大家快速找到相关研究员的资料。据Kimball自述，这款目录网站的前端是通过Cursor和Lovable等AI编程工具搭建的，并与Supabase提供的云数据库服务相连。Supabase在开发者中颇受欢迎，提供开箱即用的认证、存储和数据库功能。不过，整个系统中最关键的数据采集部分——也就是把各个平台的公开资料导入数据库的过程——是通过独立的自动化脚本来完成的，并没有集成在前端或用户操作中。这种“前后分离”的设计，虽然能让界面更轻便，也便于快速上线，但也意味着如果底层权限控制没做好，系统可能在开发者都没注意到的地方暴露风险。起初，HarleyKimball打算让用户使用SupabaseAuth自行注册，并提交他们想要汇总的个人资料。但在开发过程中，他意识到，处理用户注册不仅涉及身份验证（Authentication），还涉及权限管理（Authorization）——如果管理不当，可能造成数据被恶意篡改。因此，他放弃了自助注册功能，转而采用只读的数据视图...令他没想到的是，这也成为了第一个安全漏洞的导火索。第一次被攻破：邮箱泄露引发的权限绕过在开发测试阶段，Kimball采用Supabase提供的用户认证功能，这意味着用户必须使用真实邮箱注册登录。然而，他在检查前后端的数据传输时意外发现：用户邮箱信息会被一并返回给前端页面，存在泄露风险。虽然这些邮箱可能原本是公开的，但一旦用户对平台抱有隐私期待，这种行为就可能构成严重的问题。为了修复这个漏洞，他采用了一个常见的处理方式：用PostgreSQL创建了一个“视图”（view），只提取所需字段，排除了邮箱信息，并让前端只访问这个视图。表面上看，这个做法更安全了——然而，问题也悄然埋下。正式上线后不久，也就是在第一个版本发布不到24小时，一位安全研究员反馈称：尽管网站的前端并没有提供新增或修改数据的入口，他依然能在数据库中随意插入、修改和删除记录。这显然说明，系统的访问权限控制出了问题。问题的根源，出在那个看似“安全”的数据库视图上。Kimball在创建视图时，使用的是默认设置——也就是说，这个视图运行时会继承其创建者（也就是管理员）的权限。而PostgreSQL的行级安全（Row-LevelSecurity,RLS）机制，是需要额外配置才能在视图中生效的。如果没有手动启用“SECURITYINVOKER”或加上专门的安全限制，RLS就会被绕过，导致权限失控。这正是这次“首个安全漏洞”的核心原因。所幸，一位名为Goofygiraffe06的研究员负责任地报告了这个问题，Kimball随后紧急修复了访问权限，重新设计了数据的查询方式，堵上了这个漏洞。第二次被攻破：关闭前端不等于关闭后台就在首个安全漏洞修复的第二天，Kimball又收到了另一位安全研究员Kr1shna4garwal的提醒：攻击者依旧可以注册账号并创建数据。他们发现依然可以往数据库中添加新的“研究员档案”——虽然不能修改或删除已有数据，但这意味着系统的访问控制没有完全锁死。这一次的问题，并不是出在前文提到的数据库视图上，而是另有隐情。Kimball虽然在前端界面上取消了“用户自助注册”入口，但后台使用的Supabase认证服务（Auth）依旧处于激活启动状态。换句话说，攻击者只要知道API的调用方式，就可以绕过前端，通过邮箱和密码注册一个新账号，成为系统“眼中”的合法用户，并按照既有的权限规则操作数据。这种“前端没入口，但后端没封死”的配置，在不少使用现成后端服务的项目中很常见，也很容易被忽视。最终，Kimball通过彻底关闭SupabaseAuth的注册功能，才完全堵上了这个权限漏洞。经验教训：氛围编程虽快，安全不能缺位Kimball在总结这次“上线即被攻破”的经历时，也分享了几点关键反思，对依赖低代码或AI工具进行开发的开发者具有一定参考意义：首先，“氛围编码”（vibecoding）虽然能让项目快速成型，但默认状态下往往忽略了安全配置，一不小心就会留下严重漏洞。其次，Supabase和PostgreSQL这对组合功能强大，但它们的权限模型也相对复杂。特别是在使用数据库视图（view）和行级安全策略（Row-LevelSecurity，RLS）时，如果开发者不了解其背后的默认行为，就很容易配置失误，导致权限失控。比如，PostgreSQL中的视图默认是以创建者（通常是管理员）的权限运行的，这意味着RLS策略会被绕过，除非显式指定为SECURITYINVOKER，或另行设置安全策略。此外，如果项目并未真正使用Supabase的认证功能，务必在后台设置中彻底关闭注册入口——仅仅在前端页面隐藏相关功能远远不够。Kimball表示，他的应用主要聚合的是公开数据，因此这两次安全事件的实际影响有限。但如果系统涉及的是敏感信息，例如个人身份数据（PII）或健康信息（PHI），类似的配置漏洞可能会造成灾难性后果。这起事件也提醒开发者，即便是看似简单的工具链和“只读数据”的项目，也必须进行基础的威胁建模与权限审查。快速上线不代表可以省略安全流程，尤其是在AI编码与自动化工具愈发普及的当下。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
传统企业如何落地应用AI
企业如果搞不懂AI就不要盲目投入AI01企业应用AI的门槛有多高？当前市面上的AI产品很多，但其实并非人们想象的那样成熟，还处于一个成长发展期，AI就如数字化系统一样有一个成熟、发展期，但同时与传统系统不一样的是AI具有学习能力，有巨大的应用潜力，应用得当对企业效能的提升是显著的。但对于当前的大部分传统企业而言，AI又是陌生的，如何选择AI产品是应用之路的第一个拦路虎，因此企业一定要根据自身的需求来选择，比如是选型文字大模型产品还是图片大模型产品，同时还要考虑的是数据的安全性与合规性，比如在一些企业明确规定禁止接入ChatGPT,当然在应用AI产品的过程中大部分的传统企业关心的还是投入成本，这些成本包括购买大模型的费用、相关接口费用、训练成本，其中对于AI的训练是最消耗时间成本的，所以企业不仅要具有技术能力，最重要的还是要有AI思维，象AI一样的思维能力。02企业如果搞不懂AI就不要盲目投入AI！企业为什么做AI，其中一个最重要的原因就是想利用AI实现效率的提升，以此来实现降本增效。那么在投入应用AI之前首先要考虑如下问题：第一，哪些场景需要用AI来实现；第二，评估投入、产出比；比如很多企业一开始可能会用AI来搭建知识库，但需要注意的是知识库的场景虽然很简单，但知识库的质量却是关键，同时建设与维护知识库投入的成本却比较高，这个时候在搭建知识库之前就要论证其建设的必要性，如果该知识库的内容应用为低频，搭建完成后一年用不了几次，同时又要花费大量的运维成本，那么该知识库就没有搭建的必要。应用AI技术不是为了炫酷，而是要用AI产生价值，所以AI产品的应用还是要以价值为中心。03企业如何推广AI？这是企业不得不面对的一个现实问题，并不是所有的企业领导与员工都会接受AI，所以信息部门一旦引进了AI产品必然面临一个推广应用的问题，但应用实践过程如果把控不好必然会面临一个由期望满满到失望落空的过程，到时候寄予厚望的AI产品又会变成“鸡肋”，这个时候推广策略显得十分重要。比如提前做好关于AI产品的宣传，让企业领导及员工认知AI，同时加强线下培训，但值得注意的是这种培训必须是小范围的进行，必须有针对性，可利用工作场景设计一些与AI互动或PK的游戏环节，在趣味性的同时也让大家认知、学会了AI的相关功能，增强了员工对AI的探索欲。企业领导与员工也要知道的是AI不是“芝麻开门”那般简单，它是一个系统化的实践工程，需要练习，也是一个探索工程。04目前企业引进与应用AI会面临哪些问题？▍准确率的问题：由于技术及思维能力的问题，训练AI的过程中如果方法不当可能会导致输出结果的准确率降低，那么此时企业因理性看待此问题，分析原因，排除故障点，在训练的过程中要象AI一样思考，一样提问；▍价值输出的问题：企业做数字化转型建设都是以价值为中心，AI亦是如此，当前面临的问题是如果信息部门花大量成本引入AI产品，如何用AI助力企业实现降本增效？▍成本投入的问题：AI需要一些技术门槛，所以意味着企业需要投入一定的资金成本、人力成本、时间成本、运维成本来完成此事，但当前大部分传统企业处于求生模式，是否有魄力引进AI产品？▍AI能力的问题：做AI产品的应用不仅需要企业具备一定的技术能力，同时还需要有AI的思维能力、设计能力，必须还具备应用的推广能力，所以企业应用的并不是AI这个产品，而是一种综合能力；▍企业领导对AI热度的问题：AI产品从意识到认知、从认知到实现、从实现到全面应用有一段很长的路要走，企业领导是否有足够的耐心来等待AI能力的转化；从以上不难看出，AI不仅是一种技术，更是一种能力，是未来企业管理的趋势，但目前而言，大部分的传统企业仍是读不懂、看不透、不敢用、不会用，先进技术变成生产力仍需时日，先进技术在传统管理中仍难体现价值，因此企业需要的不仅是技术，更是技术与业务融合的管理转型。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
06/20
传统企业引入AI项目，真的准备好了吗？这些坑千万别踩
AI不是目的，而是手段。只有真正解决业务问题，AI的价值才能体现出来。从2025年伊始AI就成了各行各业的“香饽饽”，很多传统企业也摩拳擦掌，想要借助AI实现所谓的降本增效。但问题是，AI真的适合所有企业吗？传统企业在引入AI项目时，可能会遇到哪些坑？今天老杨就来聊聊这个话题，帮你避开那些“雷区”。part.01AI不是万能药，盲目跟风要不得很多企业看到别人搞AI，自己也急着上马，结果往往是“赔了夫人又折兵”。为什么？因为AI并不是万能的，它需要结合企业的实际需求来落地。如果只是为了赶潮流，而没有想清楚AI到底能解决什么问题，那最后很可能就是花了一大笔钱，却看不到任何效果。最关键的是如果AI项目与企业的长期战略脱节，那它很可能会变成一个“面子工程”，既浪费资源，又看不到实际效果。怎么规避？在项目启动前，企业需明确AI项目的战略目标，确保它与企业的长期发展方向一致。同时，制定清晰的AI路线图，分阶段实施，确保项目有序推进。AI项目启动之前，先问问自己：为什么要做AI？它能解决哪些具体问题？比如，是提升生产效率，还是优化客户体验？只有明确了目标，才能避免盲目投入。part.02技术门槛高，不是想玩就能玩AI技术听起来很酷，但实际操作起来却非常复杂。传统企业往往缺乏相关的技术储备，比如数据科学家、算法工程师这些专业人才。而且，现有的IT基础设施可能也无法支持AI项目的运行，改造起来又是一大笔开销。AI技术也如一个超级大杂烩，有各种各样的门道。要是不小心选错了技术，那可就像走错了路，越走越偏。比如说，在一些数据量不大、业务也不复杂的情况下，非要用那些对数据和计算资源要求超高的人工智能算法，就好比一个小马拉大车，累得够呛还没什么效果，最后模型出来的精度低得让人头疼。怎么规避？在选型前，一定要充分调研企业自身的业务需求和技术现状。可以找专业的技术顾问帮忙评估，多参考一些成功案例，考虑技术的成熟度、适用性以及与现有系统的兼容性等因素。还可以进行小规模的测试和试用，看看技术的实际效果如何，再做决策。part.03组织架构僵化，协作成难题传统企业的组织架构通常比较僵化，层级多、决策慢，而AI项目需要快速迭代和跨部门协作。如果各部门之间沟通不畅，项目很容易卡在半路。怎么规避？首先应成立一个专门的AI项目团队，明确每个人的职责和权限。同时，争取高层的支持，确保项目有足够的资源和优先级。其次，要对企业现有的组织架构进行适当的调整和优化，打破部门壁垒，建立更加灵活、高效的协作机制。可以设立专门的AI项目团队，团队成员来自不同的部门，共同负责项目的推进和实施。同时，加强对员工的沟通和培训，提高他们的团队协作能力和跨部门沟通能力。part.04数据质量差，AI再好也白搭数据对于AI来说，那就是吃饭的“粮食”。要是这“粮食”有问题，那AI这个“胃口”再好也干不好活儿！数据不准确、不完整或者不一致，就像给人做饭的时候米里有沙子，做出来的饭肯定不好吃。比如说销售数据错了、缺了，那根据这些数据做出来的预测就成了瞎猜，一点儿准儿都没有。怎么规避？在启动AI项目之前，建立完善的数据治理体系，从数据的采集、录入、存储、处理到使用的每一个环节，都要制定严格的规范和标准。加强数据审核和校验机制，确保数据的准确性和完整性。定期对数据进行清理和维护，去除无效数据和重复数据，解决数据不一致的问题。part.05员工抵触情绪，项目落地难AI项目的引入可能会让员工感到不安，们怕自己会因为这个丢了工作，或者不想去学那些新技术。这就好比是让一个习惯了走路的人突然去学游泳，心里肯定害怕，抗拒也是正常的。这种抵触情绪不仅会影响团队士气，还可能导致项目难以落地。怎么规避？在引入AI项目之前，要充分做好员工的沟通和宣传工作，让员工了解项目的重要性、意义和对他们个人发展的积极影响。为员工提供必要的培训和指导，帮助他们掌握新的技术和知识，提高适应能力。同时，制定合理的激励机制，对积极参与和配合项目的员工给予适当的奖励和表彰，激发他们的积极性和主动性。part.06运营成本高，长期投入压力大AI项目不仅初期投入大，后期的维护和优化成本也很高。如果企业没有做好长期投入的准备，项目可能会半途而废。怎么规避？在项目规划阶段就充分考虑运营成本，确保企业有能力持续投入。同时，采用分阶段实施的策略，先从小规模试点开始，验证可行性后再扩大范围。part.07投入和产出，得算明白引入AI项目，那可是个烧钱的活儿！从买硬件设备到请专业的老师培训人才，哪一项不需要花大钱？要是在一开始没把这个成本算准了，就像做饭的时候盐放多了，到时候发现钱没了，项目又进行不下去，那可就尴尬了。还有一些企业啊，看着别人都在搞AI，自己也不想落后，就跟着掺和。结果引入之后才发现，AI项目和自己企业的业务根本就不搭调，根本无法实现降本增效。这就好比你种了一地的庄稼，到收获的时候才发现，长出来的全是草，那可就白忙活了。怎么规避？在引入AI项目之前，要充分结合企业的战略目标、业务需求和发展规划，进行深入的可行性研究和分析。评估AI项目与企业业务的适配性，预测项目的收益和风险，确保投资回报率符合企业的预期。如果对某个项目不太确定，可以先进行小规模的试点，验证项目的可行性和效益后再做大规模的推广。同时在项目启动前，进行详细的预算规划和成本评估。考虑到项目可能涉及的各个方面，包括设备采购、软件开发、人员培训、系统集成等费用，预留一定的预算弹性空间，以应对可能出现的变化和意外。同时，加强成本控制和管理，在项目实施过程中严格控制费用支出，避免不必要的浪费。AI确实有巨大的潜力但它并不是“即插即用”的工具。传统企业在引入AI项目时，需要从意识、技术、组织、数据、能力、运营等多个方面进行全面评估，确保项目能够真正落地并产生价值。如果你的企业正在考虑引入AI，不妨先问问自己：我们真的准备好了吗？如果答案是否定的，那不妨先从小处着手，逐步积累经验和能力，等到时机成熟再大展拳脚。最后，记住一句话：AI不是目的，而是手段。只有真正解决业务问题，AI的价值才能体现出来。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
05/23
即时零售大战启示录：巨头 all in 超级 App，下一个十年看微信模式？
超级APP整合即时零售，高频带低频，资源优化与挑战并存。即时零售超级APP趋势2025年以来，京东秒送、美团闪购、淘宝闪购三家巨头先后重推即时零售业务。然而有趣的是，在三家的业务推进过程中，美团闪购虽然独立出来，但并没有像美团外卖APP那样，再单独拆分出一个美团闪购APP；京东秒送和淘宝闪购更是直接在其主业设置一级流量入口，更不可能再给这些新业务出单独APP。这是因为，超级APP”成为平台突破增长瓶颈的核心武器——通过将高频服务（如社交、支付、即时零售）与低频场景（如电商、本地生活）深度捆绑，构建用户“一站式需求闭环”。这与数年前互联网企业的业务模式大相径庭。曾几何时，互联网企业开拓新业务，往往会单独出一个APP，以此来区隔业务，同时也能在APP应用市场中多占一个位置，获取更多流量。比如腾讯自己，为了与抖音竞争而推出了微视。腾讯曾耗资百亿推广独立APP微视，2018年春节，微视通过QQ走运红包合作发放微视礼包，新增数百万用户。黄子韬、刘昊然、张天爱、迪玛西等数十位明星助阵拜年并入驻微视，但结局如何呢？最终还是败于抖音。再比如当年字节跳动，在今日头条之外，先后推出内涵段子、皮皮虾、抖音等多款APP，构建起庞大的内容生态。但如今，时代已经发生了变化。从外卖大战到即时零售的角逐，巨头们纷纷将新业务融入已有的超级APP中，allin“超级APP”模式。这种转变背后，有着怎样的战略考量？超级APP模式又为何会成为巨头们的新宠？它是否会成为未来十年互联网发展的主流模式？超级APP模式的崛起所谓超级APP，指的是那些拥有庞大的用户数，成为用户手机上的“装机必备”的基础应用。这类APP除去流量分发的工作，还将自身引擎化来承载各种轻应用的运行，底层支撑能力相比普通App要求要高得多。超级APP的概念并非新创，但在近几年才真正成为互联网巨头们的战略重点。以微信为例，堪称超级APP模式的佼佼者。微信从最初的即时通讯工具，逐步发展成为集社交、支付、生活服务、小程序等多种功能于一体的超级平台。用户不仅可以在微信上与朋友聊天、分享生活，还能通过微信支付进行购物、缴费，使用各种小程序实现打车、订餐、订票等功能，几乎涵盖了日常生活的方方面面。微信做支付，是超级APP模式成功的典型案例。如果微信支付不是直接绑定在微信内，而是单独出一个APP，很难想象它能通过春晚红包一夜逆袭支付宝，其成功的核心在于通过微信与社交场景进行无缝融合。微信本身拥有庞大的用户基础，通过将支付功能无缝融入其中，极大地降低了用户使用支付功能的门槛，用户无需额外下载和注册新的应用，就能轻松完成支付操作。这种便捷性使得微信支付能够迅速获得用户的认可和使用，快速抢占支付市场份额。再看视频号，微信推出视频号，并非另起炉灶开发一个独立的视频APP，而是直接将其嫁接到微信上。微信为视频号提供了强大的流量支持，通过朋友圈、发现页等入口，让视频号能够快速触达海量用户。视频号依托微信生态，与微信的社交功能紧密结合，用户可以方便地分享视频到朋友圈、群聊，与好友互动。这使得视频号仅用3年便实现8亿月活，日均使用时长超35分钟，成为与抖音分庭抗礼的短视频平台。微信之所以能够在超级APP模式上取得巨大成功，与其长期坚持不分流的策略密切相关。微信通过最先开放小程序，为众多开发者提供了一个便捷的开发和推广平台。小程序无需下载安装，用户在微信内即可直接使用，极大地提升了用户体验。同时，微信给予核心业务一级流量入口，确保用户能够方便快捷地找到和使用这些功能。这种对用户体验的极致关注和对业务的合理布局，使得微信能够牢牢锁住用户，十多年如一日稳居用户在线时间最长的APP宝座。巨头在超级APP下的较量在即时零售领域，美团闪购、淘宝闪购和京东秒送的表现，也充分体现了超级APP模式的优势。美团闪购作为美团旗下的即时零售平台，虽然独立品牌发布，但并没有单独推出APP。用户只需打开美团外卖App，就看叶看到明显的闪购频道，即可进入美团闪购页面。美团闪购依托美团体系内的海量用户、每日百万级在岗骑手提供的小时达服务，以及覆盖全国超过2800个市区县的美团配送能力，涵盖了酒水零食、美妆个护、宠物母婴、乳品百货、果蔬生鲜、鲜花绿植、数码图书等众多品类的传统零售行业商品的即时配送服务。美团将闪购业务融入美团外卖APP中，能够充分利用美团已有的用户基础和配送体系，实现资源的高效整合。用户在使用美团外卖订餐的同时，很容易发现并使用美团闪购的服务，这种便捷的入口设置，为美团闪购带来了大量的流量。淘宝闪购同样如此，淘宝天猫将即时零售业务“小时达”升级为“淘宝闪购”，并在淘宝APP首页设置一级流量入口。淘宝本身拥有庞大的电商用户群体，通过在首页设置一级入口，能够让海量的淘宝用户迅速知晓并使用淘宝闪购的服务。淘宝闪购上线首日就覆盖50个城市，上线第6天单日订单量突破1000万单，如此惊人的成绩，离不开淘宝超级APP的强大流量支持。淘宝闪购借助淘宝的品牌影响力和用户基础，能够快速打开市场，吸引消费者使用其即时零售服务。京东秒送也是在京东APP内重点推进。京东整合原京东小时达、京东到家两大品牌，推出“京东秒送”，借助达达秒送的高效配送与众多优质零售合作伙伴，为消费者提供极速服务。京东将秒送业务融入京东APP，能够充分发挥京东在电商领域的供应链优势和用户信任度。京东的用户在购物时，对于京东秒送提供的快速配送服务更容易接受和尝试，因为他们对京东的品牌和服务质量有较高的认可度。从这些巨头在即时零售领域的布局可以看出，超级APP模式为新业务的发展提供了强大的支持。通过将新业务融入已有的超级APP中，能够充分利用超级APP的用户基础、品牌影响力、流量入口以及各种资源，实现新业务的快速发展和市场拓展。超级APP下的高频带低频策略在超级APP模式下，巨头们还通过高频业务带动低频业务的策略，进一步提升平台的竞争力和用户粘性。以京东秒送为例，京东本身的电商业务相对低频，消费者并不会每天都在京东上购物。而外卖业务属于高频消费，消费者每天都可能有订餐的需求。京东全力加速外卖进程，通过高频的外卖业务为低频的电商业务引流。当用户频繁使用京东的外卖服务时，他们对京东APP的打开频率也会增加。在这个过程中，用户很可能会发现京东的其他业务，如京东秒送的即时零售服务，以及京东丰富的电商商品。这样一来，高频的外卖业务就成功地为低频的电商业务带来了更多的流量和潜在客户，实现了高频带动低频的效果。淘宝闪购同样有着类似的考量。淘宝闪购通过提供即时零售服务，满足消费者对于商品快速送达的需求，吸引消费者使用淘宝闪购。而淘宝自身作为电商平台，需要大量的流量来推动商品的销售。淘宝闪购与饿了么之间也存在着协同关系。从长期来看，淘宝闪购和饿了么很可能会进一步融合。目前淘宝闪购可以帮助饿了么拓展业务，同时饿了么也能为淘宝闪购提供配送等方面的支持。而淘宝通过淘宝闪购吸引来的流量，也能够促进淘宝自身电商业务的发展。长期来看，淘宝闪购与饿了么是否会真正成为一家，也未尝可知。总之，这种高频带低频的策略，不仅能够提升平台的整体流量和用户活跃度，还能实现不同业务之间的协同发展，提高平台的综合竞争力。在当前电商用户增速放缓的大环境下，这种高频带低频的策略显得尤为重要。各大电商平台已经很难通过大规模获取新用户来实现业务增长，因此如何充分挖掘现有用户的价值，提高用户的活跃度和消费频次，成为了关键。超级APP模式下的高频带低频策略，正好为解决这一问题提供了有效的途径。通过将高频业务与低频业务整合在一个超级APP中，能够更好地满足用户的多样化需求，提升用户体验，从而增强用户对平台的粘性和忠诚度。超级APP成为行业趋势的必然性从外卖大战到即时零售的竞争，互联网巨头们纷纷选择超级APP模式，并非偶然，而是有着深刻的行业背景和必然性。随着移动互联网的发展逐渐进入成熟阶段，用户的时间和注意力变得越来越稀缺。用户对于手机应用的安装和使用变得更加谨慎，他们更倾向于使用功能全面、能够满足多种需求的超级APP，而不是在手机上安装大量功能单一的APP。这就使得超级APP在吸引用户和留住用户方面具有天然的优势。开发和维护多个独立的APP需要投入大量的人力、物力和财力。从产品研发、设计到推广运营，每个环节都需要耗费巨大的成本。而且多个APP之间还可能存在资源竞争和用户分流的问题。而超级APP模式通过将多种业务整合在一个平台上，能够实现资源的共享和协同，大大降低了开发和运营成本。例如，在技术方面，超级APP可以共享底层的技术框架和基础设施，减少重复开发；在推广方面，超级APP可以利用自身的品牌影响力和用户基础，为新业务进行推广，降低推广成本。在超级APP模式下，平台可以更好地整合用户数据，通过对用户在不同业务场景下的行为数据进行分析，深入了解用户的需求和偏好，从而实现精准营销和个性化服务。例如，微信通过对用户的社交行为、支付记录、小程序使用情况等数据的分析，能够为用户推送更加符合其兴趣的广告和服务；美团通过对用户的外卖订餐和闪购购物数据的分析，能够为用户推荐更合适的商品和优惠活动。这种精准营销和个性化服务能够提升用户体验，增强用户对平台的满意度和忠诚度。超级APP模式下，平台可以将多种业务进行有机整合，实现业务之间的协同发展。例如，在即时零售领域，电商平台可以将线上销售与线下配送、售后服务等业务进行协同，为用户提供更加便捷、高效的购物体验；社交平台可以将社交功能与电商、生活服务等业务进行协同，通过社交关系带动其他业务的发展。这种业务协同能够创造出更大的价值，提升平台的竞争力。超级APP模式面临的挑战与风险虽然超级APP模式具有诸多优势，但也并非完美无缺，它同样面临着一些挑战和风险。随着超级APP功能的不断增加和业务的不断拓展，APP的体积和复杂度也会随之增加。这可能会导致APP的运行速度变慢、耗电量增加，甚至出现卡顿、闪退等问题，影响用户体验。例如，一些功能繁多的超级APP在手机配置较低的设备上运行时，就会出现明显的性能问题。如何在不断丰富功能和业务的同时，保证APP的性能和稳定性，是超级APP面临的一个重要挑战。超级APP整合了大量用户的各种数据，包括个人信息、消费记录、行为偏好等。这些数据一旦泄露，将对用户的隐私和安全造成严重威胁。而且随着数据安全法规的日益严格，超级APP平台面临着巨大的数据安全合规压力。所以，如何加强数据安全管理，防止数据泄露，确保用户数据的安全和隐私，是超级APP必须要解决的关键问题。超级APP在市场上往往占据着主导地位，具有很强的市场影响力。这可能会引发反垄断方面的担忧，监管部门可能会对超级APP平台的市场行为进行严格监管。例如，一些超级APP平台可能会利用自身的优势地位，对商家进行不合理的收费、限制商家的经营自主权，或者在市场竞争中采取不正当手段排挤竞争对手。如何在遵守反垄断法规的前提下，合理开展业务，也是超级APP需要面对的法律风险。超级APP模式下，平台上的业务种类繁多，涉及到不同的行业和领域。这对平台的运营管理提出了很高的要求，平台需要具备跨行业的运营能力和专业知识。例如，在即时零售业务中，平台需要同时管理好线上销售、线下配送、商品供应链等多个环节，任何一个环节出现问题，都可能影响整个业务的正常运行。如何提升跨行业的运营管理能力，确保平台上各种业务的高效运作，更是超级APP面临的运营挑战。超级APP模式的未来展望尽管面临诸多挑战，但超级APP模式依然展现出了广阔的发展前景。未来，超级APP有望在以下几个方面继续创新和发展。随着人工智能技术的不断发展，超级APP将更加智能化。通过人工智能算法，超级APP可以更加精准地预测用户的需求，为用户提供个性化的服务推荐。例如，在用户打开超级APP时，系统可以根据用户的历史行为和实时场景，自动为用户推荐最适合他们的商品、服务或内容。同时，人工智能还可以应用于客服领域，通过智能客服为用户提供24小时不间断的服务，快速解决用户的问题。超级APP将进一步拓展线下场景，实现线上线下的深度融合。例如，在即时零售领域，超级APP可以与线下实体店进行更紧密的合作，通过线上平台为线下店铺引流，同时利用线下店铺的库存和配送能力，为线上用户提供更快的配送服务。此外，超级APP还可以通过与线下商家合作开展各种营销活动，如线上线下联动的促销活动、体验活动等，提升用户的购物体验和参与度。随着5G技术的普及，超级APP将能够支持更加丰富多样的应用场景。例如，5G的高速率和低延迟特性将使得虚拟现实（VR）、增强现实（AR）等技术在超级APP中的应用更加流畅和便捷。用户可以通过超级APP使用VR技术进行虚拟购物、在线试衣、看房等，或者利用AR技术进行商品识别、导航、互动游戏等。这些新的应用场景将为用户带来全新的体验，进一步提升超级APP的吸引力和竞争力。未来，超级APP将更加注重与合作伙伴的生态共建。平台将开放更多的接口和能力，与第三方开发者、商家、服务商等建立更加紧密的合作关系，共同打造一个繁荣的生态系统。例如，微信通过开放小程序接口，吸引了大量的第三方开发者开发各种小程序，丰富了微信的生态内容；美团通过与众多商家合作，构建了庞大的外卖、生活服务、甚至内容种草生态的超级应用。而京东秒送、淘宝闪购亦有像这条路延展的可能性。通过生态共建，超级APP可以实现资源共享、优势互补，为用户提供更加全面、优质的服务，同时也为合作伙伴创造更多的商业机会。从外卖大战到即时零售的角逐，超级APP模式已经成为互联网巨头们竞争的新战场，如今各大平台表面上只是在抢占更多单量，而在看不见的战场，各大平台势必将投入更多资源去进一步优化用户体验，将更多可留住用户的奇思妙想植入到其APP中。在这场超级APP的博弈中，没有永恒的王者，只有持续的进化。正如微信十年磨一剑的克制，或许正是破解“流量焦虑”的终极答案。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
05/23
事实驱动AI：企业AI搜索引擎寻求战略投资
事实驱动的企业AI搜索：重塑企业决策的智能引擎在人工智能技术狂飙突进的今天，一家名为“事实驱动的企业AI搜索”的创业公司，正试图用技术创新破解大模型时代的核心难题——当生成式AI的“幻觉”风险遇上企业级场景对数据可信度的严苛要求，如何让AI真正成为商业决策的可靠伙伴？从行业痛点中诞生的解决方案医疗领域曾发生过令人警醒的案例：某三甲医院医生使用传统AI工具查询药物相互作用，系统错误建议导致患者出现严重不良反应。这类事件暴露出企业级AI应用的致命缺陷——数据可信度与结果可验证性。创始人徐维挺的创业动机正源于此。这位在安永、携程等企业深耕十年的产品专家，观察到企业内部数据使用中的多重矛盾：数据孤岛阻碍信息整合、隐私合规压力限制数据流动、传统搜索工具难以理解复杂业务逻辑。尤其在金融、医疗等高合规要求行业，企业对“零误差”AI的需求持续攀升。据第三方机构预测，2023-2030年全球企业AI搜索市场年复合增长率将超35%，其中可信数据服务占比将突破60%。技术架构的双重革命项目团队构建的“双层解耦架构”展现出独特的技术哲学：将意图解析层与数据检索层彻底分离。这种设计使系统既能通过大型语言模型深度理解“招商项目中类似案例的关联方”等复杂查询，又能依托时序图谱技术实现跨部门数据的动态关联。核心技术突破体现在三个维度：1.可信验证机制：VeriCore模块通过行为异常检测（F1-score0.87）与全链路溯源，将AI虚构内容风险降低90%。当系统无法获取可靠数据时，会主动拒绝回答而非猜测。2.隐私计算引擎：联邦学习框架支持企业联合训练模型而不共享原始数据，配合差分隐私技术，使医疗机构的患者记录与药企的研发数据得以安全融合分析。3.动态知识更新：与蚂蚁图计算TuGraph共建的底层架构，可实现社交关系图谱的实时增量更新。某招商机构使用该系统后，项目线索挖掘效率提升3倍，洽谈周期缩短60%。垂直场景的价值穿透在医疗领域，系统通过整合院内药典数据库和PubMed开放数据，将用药风险提示准确率提升至99.2%，某三甲医院的人工复核时间因此下降70%。金融行业则借助社交行为异常分析，帮助保险集团将欺诈案件识别率提升45%，年止损超1200万美元。这些案例验证了项目的商业逻辑：不做通用型AI，而是聚焦医疗、金融、制造等数据敏感行业的深度需求。通过构建行业专属知识图谱，系统可自动解析“药物A与B的代谢路径冲突”等专业查询，将原本需要数小时的人工核查压缩至秒级响应。构建行业生态的野望团队正推进两项战略级规划：开发支持文本、图像、语音的多模态搜索功能，以及动态数据实时更新引擎。更值得关注的是其生态布局——与头部云服务商共建行业解决方案市场，推动“可信AI搜索”标准制定。这种“技术+生态”的双轮驱动，使其在应对巨头竞争时，能够通过垂直场景深度建立护城河。创始团队的破局之道徐维挺带领的团队兼具技术理想与商业嗅觉。团队核心成员包括来自头部互联网公司的架构师和行业数据专家，他们在时序图谱、隐私计算领域拥有多项专利。面对AI技术快速迭代的压力，团队选择开放开发者社区，通过API接口吸引第三方开发者丰富应用生态，这种“核心自研+生态共赢”的模式，正在医疗数据合规交易、金融风控等场景显现价值。下一站：可信AI的产业革命当被问及项目愿景时，徐维挺展示出一张技术演进图：从信息检索到事实赋能，从生成式AI到验证式AI。这或许预示着更深层的产业变革——在数据爆炸的时代，真正稀缺的不是信息获取能力，而是对信息真实性的甄别力。事实驱动的企业AI搜索，正在重新定义智能商业的底层规则。据透露，项目已启动与长三角区域企业的深度合作，2026年技术扩展计划包含动态数据治理工具开发。在可见的未来，这套系统或许会成为企业数据资产的“智能质检员”，让每一条决策建议都能追溯到可信的数据源头。这场关于事实与智能的探索，正在打开产业数字化转型的新维度。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
25
05/17
AI正在杀死“专业性”吗？
在工作中，你被强行要求使用AI了吗？这两年，AI像一股洪流一样冲进职场。文案、策划、设计、记者……似乎没有哪个岗位能“幸免”。一开始大家很兴奋，觉得AI能帮自己提升效率、拓宽能力边界。但慢慢地，随着AI使用的越来越多，越来越多的职场人开始发现问题的不对。似乎，我们曾经赖以生存的“专业技能”正在变得越来越“无用”，辛苦完成的工作，也很容易被领导一句“让AI再改改”而推翻。“专业”在AI时代正逐渐被解构。比如今年年初，一位广东的医生在社交媒体上发布视频表示，他给患者开完药之后，患者质疑其治疗方案不对，因为DeepSeek不是这么说的。这一幕其实和互联网时代真的十分相似，当时网络上广为流传的一个段子就是，医生最讨厌拿着百度来看病的人。医生给你开完药，你却说“我看百度上讲，这个病不是这么治的。”如今，“百度”的角色被“AI”替代，社会对于“专业”的解构也越来越严重。让AI再改一下！“你把这个稿子上传给AI，让它再润色一下。”这是近两个月来，罗铮汇报工作时听到领导重复最多的话。没有意见、没有问题，也没有修改的方向，只是一味地让他用AI再修改一下。罗铮是北京某科技公司的品牌文案，之前的工作也算顺利，但自从领导年初在微信群里分享了一篇关于员工如何使用AI提高效率的文章后，这样的噩梦就开始了。“领导要求我们每个人都使用AI，稿子不要自己写，尽量都用AI，给AI提要求。”罗铮说。“领导自己也用AI，无论什么事情都要去DeepSeek问一问，现在看他工作多少有种算命感。”▲沉思的达芬奇，图片由ChatGPT生成当然，如果仅仅是要求使用AI，那对罗铮的影响并不大，毕竟日常工作中他也会使用很多AI工具。真正让罗铮感到气愤的，是领导使用AI之后对他们的工作表现出的不尊重。“我们公司最近有新产品要做一系列的宣发，但所有的宣发稿件和产品介绍给到领导之后，他都会顺手投给AI，然后反馈给你一个面目全非的版本，并要求你按此执行。”“有种被AI抄袭的感觉。”罗铮认为，AI本质上是在他们的工作上进行修正，但领导最后不会记得自己的工作，而只会记得你们用了一两天也做得不好，而AI几分钟就搞定了。而且罗铮认为AI修改的内容也并不完美。“文案和稿件本身就有很多主观的成分，不同的人有不同的偏好，而且AI有些内容虽然给的不错，却并不一定贴合既定的宣传调性。”“但领导不会在意这些，他只会觉得AI的内容更好，但我们不能不管，我们有KPI，所以为了效果，我们又不得不去调整投放策略，属实是为了这碟醋，包了顿饺子。”类似的困扰也发生在从事媒体工作的于晴身上，最近一场采访结束后，于晴按惯例整理好QA版本给采访对象确认。但让于晴没想到的是，采访对象给他反馈回来的，是一个调整到几乎全新的内容。采访对象还有些得意地告诉她，这是他用AI重新修改的，并表示这样才更有利于传播，会有更多人看。但于晴看着反馈回来如同会议纪要稿件，想破脑袋也没想通这个版本凭啥可以更有传播度。类似的事情也不止发生在文字工作场景，在某公司做设计的张艳也遇到类似情境。“领导最近总要求我们用AI生成设计素材，但我们的设计主要是活动海报和现场主KV等内容，这些东西不像是艺术作品，AI并不太好生成。”五一之前，张艳用AI生成了五一节庆海报的素材，但领导对AI画面的具体内容又有想法，比如人物形象，站位，服饰等等。这些画面牵一发而动全身，为了做出领导满意的效果只能重复抽卡，当时仅生成素材就花费了一整天。“自从开始使用AI之后，领导总是PUA我们，说我们的工作还不如AI做的好。”罗铮表示，AI确实改变了我们的工作方式，但却并不是往好的方向改变，有了AI之后，反而要面对更多的压力。二、被解构的“专业”通过上述的这些案例，我们会发现一个让许多人难以接受的事实，即在AI时代，人们的专业能力被解构了。在这之前，无论是输出海报设计，PR稿件，还是记者的专访内容，都需要一定的门槛，比如一定的专业技术，一定的经验积累。但拥有AI之后，无论你之前是否有过相关工作经验，甚至无论你是否对这个工作有过了解，你都可以通过AI快速输出一份看起来还不错的结果。专业能力被解构，一方面固然让许多人的能力得到极大增强，并成长为超级个体。但另一方面，他也给许多人带来“我上我也行”的错觉，然后藐视专业。比如前面提到于晴的采访对象用AI修改稿件，或者罗铮的领导用AI修改品牌内容都属于这种行为。这其中包含两个层面的问题，首先是专业性的问题。这里的专业性并不是指完成任务的能力，而是指完成工作背后的认知和思考。以媒体的采访稿为例，每个媒体都有自己独特的视角和风格，有自己既定的读者群体，并且根据不同的事件有不同的传播点。因此选择什么样的内容形式和表达重点背后，是综合所有信息的复杂决策。AI虽然能够快速的生成内容，但显然并不能获得这些完整的背景信息，因此即便AI生成的内容很好，但也可能与媒体并不适配，企业宣传内容同样如此。其次是AI的答案是否真正专业的问题。这两年来，由于AI宣传的扩大，许多人将AI输出的结果当成是一种标准答案，但实际很多时候，AI输出的结果连参考答案都算不上。这是因为AI也会讨好用户。4月底，OpenAI更新ChatGPT-4o之后，ChatGPT就曾被用户诟病过度讨好用户。比如有用户提出“售卖粪便”的商业计划，ChatGPT也会称赞这是一个天才的想法。这种过度讨好导致OpenAI不得不撤回这次更新。所以许多人觉得AI输出的内容非常满意，根本的原因是这个内容就是AI为你量身定制的，但个人的喜恶显然并不能代表大众的喜恶。但在实际工作中，处于领导地位的人却往往忽视这些问题，借助AI将个人的喜恶强加在大众的喜恶上，导致对专业的藐视，并最终作出错误的决策。同时，这种行为也会对员工带来负面的影响，比如员工会感觉到自己的专业不被重视，同时又会觉得自己随时会被AI取代的危机感，并最终导致员工离职，或者消极的工作态度等等。而弥合这种差异的办法，就是要让真正专业，懂得市场和大众需求的人来指导AI完成工作，这才能真正贴合市场和大众需求。结语当然，AI对专业性的解构还表现在许多方面。比如现在许多自媒体非常流行DeepSeek说的文体，当热点事件发生后，将事件发给DeepSeek评论一下，然后作为文章内容进行发布。就这样，DeepSeek逐渐被许多人当成一种绝对权威，成为一种新的名人名言。以前我们引经据典，都是孔子曰、孟子曰，莎士比亚说.....现在都是DeepSeek说、豆包说、Kimi说......这种情况在下沉市场更加严重，人们越来越少的进行独立思考和自主判断，逐渐变成AI的应声虫。出现这种情况，本质上是技术大范围平权的结果。即专业性的解构，其实是技术平权带来的。技术平权当然是一件好事，但同样，任何事情都有两面性。从社会的角度来看，互联网可能是一个比较好的案例。如今，仍然有许多人在怀念古典互联网时期网络平台上的优质内容氛围，比如2017年之前的知乎，2008年之前的天涯论坛等等，那时候网络平台上到处充满了友好的社交氛围和高质量的、专业且深刻的讨论。但随着互联网的普及，越来越多的人群涌入，天涯论坛还是衰落，知乎逐步变成了装逼的故事汇，微博小红书等平台充满了愤怒、谩骂、分歧和争吵。互联网的普及让每一个人都可以发声，都可以被看见；但同时也有大量未经思考、未经审查的内容被发布。于是我们得到了一个和古典互联网时期完全不一样的互联网环境。很难说过去和现在哪一个互联网会更好，但毫无疑问，类似的发展趋势也必将在AI场景重现。当AI让更多人轻而易举获得能力，但他们却没有驾驭这种能力相对应的专业素养之后，等待这个世界的又将会是什么呢？AI可以替代人工作，但不应该替代人思考。本文来源：虎嗅APP文章转载于其他网络，如有侵权请联系我们及时删除
