新闻资讯
News and information
-
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
-
25
05/17
产业互联网，一次B端和C端的双向奔赴
当AI的浪潮开始席卷各行各业，当人们对于各色AI产品的应用热度不减，产业互联网的样子，正在变得清晰而透明。曾经，在消费互联网时代，我们看到的是，以互联网玩家们为代表的B端玩家们对于C端的消费行为和习惯的深度改造；曾经，在消费互联网时代，我们看到的是大型平台的主动以及流量端的被动。当AI的浪潮推开产业互联网的大门，我们却看到了一幅完全不一样的场景，如果对于这样一种场景进行总结和定义的话，它更像是一个B端和C端双向奔赴的过程。一方面，AI正在深度而全面地改造以互联网玩家们为代表的B端，并蜕变出来了新的产品和服务，以更好地服务于C端用户；另一方面，C端用户借助AI的产品和工具在深度而全面得改造自身的行为习惯和工作方式，以更好地实现与B端用户的完美桥接。这样一种B端和C端双向奔赴的状态，无疑正是产业互联网时代的真实写照。当B端和C端的双向奔赴开始出现，特别是当B端和C端不再是对立和分裂的个体，以往在消费互联网时代我们所看到的虚拟经济和实体经济二元分立的产业结构将会被打破，随之而来的是，以数实融合为主导的新产业时代的来临，而当新的产业形态开始衍生和出现，真正意义上的产业互联网时代，或许已经来临。B端，以供给侧改革奔向C端不知道你有没有发现，如今越来越多的互联网玩家们开始主动拥抱AI，开始寻找自身与AI结合的正确的方式和方法，开始用AI来改造自身。如果我们对于B端的这一系列的操作进行总结和定义的话，以供给侧改革来实现产业端的升级，从而更好地满足C端的需求，无疑是再合适不过了。当B端开始自我改造，当B端开始自我创新，我们看到的是，以往所形成的产业元素、产业逻辑、产业衍生品开始发生了深刻的改变。如今的电商，不再是传统意义上的电商，如今的零售，不再是传统意义上的零售，如今的资讯，不再是传统意义上的资讯，无疑是再合适不过的了。B端之所以会发生如此深刻而彻底的改变，其中一个最为重要的原因在于，它们试图通过供给侧改革的方式来衍生出新的产品和服务，从而更好地满足C端的需求，它们不再把C端看成是一个被收割的对象，而是更好地为C端服务。可以说，只有这样，B端玩家们才能在产业互联网的新周期里继续获得新的发展，才能在存量时代继续占得市场。否则的话，B端玩家们非但会在拓展市场上举步维艰，甚至连继续留在牌桌上的机会都不会存在了。因此，如果我们对于当下正在发生着的这样一场产业互联网的新变革进行总结和定义的话，B端开始通过供给侧改革的方式提升和完善自身，并且以此为切入点，更好地服务于C端，更好地拥抱于C端，无疑是再合适不过的了。在这个过程当中，B端真正开始审视C端用户的真实需求，而不再是像消费互联网时代一样仅仅只是将C端看成是一个改造的对象，仅仅只是将C端看成是一个可以被资本改造的对象。而这样一种B端通过供给侧改革向C端奔赴的过程，正是产业互联网的真实写照。C端，以主人翁的姿态奔向B端当deepseek开始出现，我们看到的是，一派热火朝天的应用景象，C端用户开始通过自身的方式来利用这样一种新产品，C端用户开始通过自身的要求对于B端提出新的需求。从某种意义上来讲，这个时候的C端，不再是一个被动接受B端产品和服务的过程，不再是一个被动接受改造的存在，而是成为了一个更加主动、积极，更加富有主人翁意识的存在。可以说，透过以deepseek为代表的一系列的AI产品的应用，我们看到的是，C端用户的角色、地位开始发生了一场深刻而彻底的改变。当C端用户不再仅仅只是一个被改造的对象，而是开始主动地去向B端提出需求，它的角色开始发生根本上的改变。C端用户的这样一种自我意识的觉醒以及由此所带来的潜能的释放，其实就是产业互联网真正的本质内涵所在。在产业互联网时代，并不存在严格意义上的消费互联网时代的C端，而仅仅只存在新产业形态下的组成成分，它们没有主次之分，几乎都是产业发展过程当中不可或缺的存在。很显然，这完全打破了消费互联网时代业已形成的那样一种二元分立的模式，从而真正实现了B端和C端的重混。深入分析不难看出，正是C端用户的自我觉醒，以及由此所导致的B端和C端的界限的消弭，才真正导致了这样一种现象的发生。而这样一种现象，正是产业互联网为我们展现出来的最为真实的状态。B端与C端，衍生出新的产业形态产业互联网，之所以会与消费互联网有本质上的区别，其中一个很重要的原因在于，在消费互联网时代，其实并没有新的产业形态产生，而仅仅只是在产业末端的渠道产生的改变。我们看到的那么多的「互联网+」模式，几乎都是这样一种现象的直接体现。在消费互联网之所以没有新的产业形态的产生，其中一个很重要的原因在于，B端和C端并未真正完成一次真正意义上的双向奔赴。当AI时代来临，特别是由此开始导致的产业互联网的从理想照进现实，我们看到的是，新的产业形态开始出现。在这样一个过程当中，玩家们不再是消费互联网时代的虚拟经济形态，抑或是消费互联网时代的实体经济形态，而是蜕变成为了兼具虚拟经济形态和实体经济形态的数实结合的新产业形态。在这样一种全新的产业形态之下，玩家们仅仅只是做平台，仅仅只是做中心，仅仅只是坚持虚拟经济为主导的产业逻辑，必然无法适应产业的发展的，只有真正用虚实结合的产业形态，才能真正在产业互联网时代占据一席之地。近些年以来，我们看到的互联网玩家们对于实体经济的拥抱，我们看到的实体经济的玩家们对于互联网的拥抱，几乎都是这样一种现象的直接体现。可以说，只有当B端和C端在双向奔赴的基础上，实现了完美的融合，只有它们在这样一种过程当中衍生出来了新的产业形态，真正意义上的产业互联网才能够实现。结论当AI的浪潮汹涌来袭，我们看到的是，一场以B端和C端的双向奔赴为代表的新浪潮的来临。在这样一种全新的趋势之下，无论是B端和C端都成为了其中的一份子，开始以一种双向奔赴的方式参与其中。当B端和C端开始双向奔赴，我们更多地看到的是，产业互联网的真实样子。随着B端和C端的双向奔赴，消费互联网时代的二元产业结构开始被打破，产业互联网时代的一元产业结构开始衍生和出现。当新的产业形态开始出现，真正意义上的产业互联网时代，或许将会来临。本文来源：R艾瑞网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
古典互联网还在散发“该死”的魅力
OpenAI想做社交媒体，Kimi想做社区，微信公号终于要向张小龙当初设想那样，直接开放每个人都能发表短内容……AI狂飙的时候，古典互联网又在散发它该死的魅力。01还是先从朋友圈说起。我发现，我们这一辈人先是把QQ空间当朋友圈，后来人人网、微博是朋友圈，后来有了真的朋友圈，现在彻底失去了朋友圈。说这一辈，好像也不太准确，年龄上未必差什么，或许十岁，或是两三岁。有人在失去朋友圈后，还是找到了朋友圈，比如还是有人一直在豆瓣，有更多人小红书，也有人即刻。但我们当中，终归有一辈人失去了发朋友圈。但是，这并不妨碍，微信仍然是数字操作系统般的存在，而且微信也在改变。微信正在灰度测试一个重大更新：允许每个普通微信用户直接在手机端注册自己的公众号并发表内容。过去，注册运营公众号通常需要电脑端操作或借助“订阅号助手”App，有一定门槛。而这次改版后，用户只需在微信内进入“我的公众号”页面，一键注册，即可像发朋友圈一样随手发布公众号文章或短内容。看似简单的改动，却被认为颠覆了公众号的内容生产流程，大幅降低了创作门槛，让“发表一篇公众号”变得像发一条朋友圈动态那般容易。对于拥有13年历史的微信公众号平台来说，这一举措并不稀奇。事实上，张小龙多年来一直心怀让“人人都能创作”的愿景。他曾坦言微信公众号的发展走过一些弯路：最初公众号定位是连接品牌与用户的群发工具，并非纯粹的媒体内容载体，但阴差阳错却演变成了少数人撰写长文、多数人只能阅读的格局。这导致微信在“短内容”形态上长期空白，缺少一个让普通人也能便捷表达观点的平台。张小龙说：“不能要求每个人天天写长文章”，微信需要一个载体承载文字、图片、视频等各种形式的短内容。早在2017年，他就设想过在朋友圈入口下增加一个“非朋友圈”的公开平台，让用户发短文或图片视频，与熟人圈分离。虽然由于工程复杂一度搁置，但微信团队随后在短视频领域发力，于2020年推出了视频号，部分满足了用户轻量创作的需求。不过视频号偏重影音内容，而对于纯文字或图文类的表达诉求，微信仍未完全满足。此次公众号灰度新功能显然是对“人人可写”初心的再度拥抱。当手机端可以随时中，将有更多长尾用户变身内容生产者。这有望为微信庞大的生态注入海量的新鲜内容。如果说最初短内容的设想，更接近于微博，那么现在，公众号短内容更接近于小红书的形态，也就是小绿书。如果进展顺利，微信或将重塑自身为一个适合人人创作的内容平台，实现从最初“连接一切”到“激发每个人表达”的飞跃。当然，挑战也不容忽视。让海量普通用户参与创作，内容质量参差不齐难以避免，如何通过算法和运营保障有价值内容的曝光？大量UGC涌入是否会影响既有的内容生态和平衡？微信需要在鼓励创作和维护用户体验之间找到平衡点。不过，从更长远看，此举一旦成功，将强化微信作为内容平台的生命力，并进一步巩固其在社交领域无可撼动的统治地位。更重要的是，语料库在AI时代变得尤为重要。人生产的内容，和AIGC，几乎是一个鸡和蛋的关系。因为人类知识库和古典互联网已经沉淀了太多内容，AI才能学习。而人如果停止生产，AI的智慧还能否继续增长？02当然，AI圈也瞄上了古典互联网社区。OpenAI正在开发类似于X（原Twitter）的平台型社交媒体。内部已打造出一个原型，重点结合了ChatGPT的图像生成能力和社交信息流。据报道，OpenAICEOSamAltman已私下向部分圈外人士征求这款产品的反馈。目前尚未确定该社交网络会作为独立应用推出，还是整合进ChatGPT。有爆料形容OpenAI的构想为“AI版小红书”——即通过AI生成内容与社交分享相融合，打造新型社区体验。OpenAI此举可能意在挑战马斯克的X平台以及Meta等社交巨头，与之在社交媒体领域正面竞争。更深层的动机在于获取源源不断的实时用户数据，反哺其AI模型训练。马斯克将X平台与其创立的xAI模型相结合（如让Grok模型抓取X内容）正令业界侧目，OpenAI显然也不愿错过这一数据金矿。如果拥有自家的社交网络，OpenAI不仅可以让AI帮助用户创作更优质的内容，还能借此累积丰富的对话与互动数据用于模型优化。当然，进军社交领域对OpenAI来说也是一大挑战：如何从零培养起庞大的用户社群、如何平衡AI生成内容与真实用户内容的质量，以及如何避免充斥大量机器人和不实信息，都是亟待解决的问题。此外，与马斯克之间本已紧张的关系可能因此进一步加剧——据悉，当马斯克酝酿控制OpenAI时，Altman曾在X上回击：“不如我们拿974亿美元收购推特”。可以预见，OpenAI若推出社交媒体，将面对技术和舆论上的双重考验。一直在功能和产品上跑在前面的AI助手Kimi也在悄然迈出社区化的步伐。尽管被deepseek重创了，Kimi的版本更新却是飞速。Kimi内测了全新的“发现”社区功能，定位于构建真正AINative的内容平台，面向AI创业者、从业者、内容创作者及科技爱好者等用户。早在去年业界就指出，各类AI工具要想提升用户留存，必须构建基于AI生成内容的互动社区，如今Kimi正在实践这一思路。Kimi社区“24h热点播报员”频道自动聚合了AI生成的科技资讯摘要。从实际体验看，Kimi的社区目前更类似于一个实时资讯聚合平台。在其App顶部，“发现”栏汇集了最新的热点事件，内容以AI抓取全网新闻并生成摘要为主，集中在AI、互联网、财经、科学等领域。Kimi也在邀请一些频道号入驻，重点产出科技、财经等垂直内容。普通用户当前能发布的内容十分有限——主要是转发自己与Kimi的对话记录到社区，暂不支持上传原创的图文或视频。信息流内容完全由KimiAI个性化推荐，用户也无法主动搜索特定用户或主题频道。尽管形式上接近资讯平台，Kimi社区的一大亮点在于深度融合了AI互动功能。Kimi正尝试将AI助手与社区论坛融为一体：既利用AI实时生产、筛选内容，又让AI充当互动参与者，降低用户获取信息和讨论门槛。这种模式在国外也有类似探索。例如美国的AI搜索引擎Perplexity去年就上线了“Discover”页面，为用户提供科技、金融等兴趣领域的热点内容聚合，并内嵌AI问答互动。据报道，Perplexity甚至在部分内容下尝试添加商品购买链接，并为付费会员提供电商配送优惠，以探索内容社区的变现路径。相比之下，Kimi目前尚未涉足电商，但不排除未来借鉴此类商业模式。此前主打AI内容社区的多为偏陪伴娱乐属性的产品，如Character.AI或国内MiniMax的“星野”。后者允许用户与虚拟角色对话后，将有趣的故事情节分享到社区，与他人分享交流；其创始人闫俊杰直言星野“底层设计不是陪用户聊天，而是一个内容社区”，用户可以在其中创造故事和世界观，并进行互动，类似沉浸式的互动小说体验。相较之下，Kimi定位为严肃问答型的聊天机器人，更强调为用户解答问题、提供工具性帮助，用户在内容创作上的参与度有限。因此Kimi社区当前呈现的形态更接近于AI驱动的知识社区（类似Perplexity的做法），而非纯粹的社交网络或二次元内容分享圈子。对于Kimi这类尝试，“社区是否有助于产品留存和商业化”是业内关注的焦点。当然，前提是社区生态能健康成长，既要有足够的真实用户互动，也需要控制AI生成内容的质量，不让社区变成清一色的机器信息流。这仍有待时间和运营来检验。03尽管社交社区的价值有目共睹，从商业角度审视，它却是一门历久弥新的难题。一方面，经营社区面临用户增长和留存的挑战：冷启动时如何吸引足够多的优质用户进入并持续产出内容，成熟后又要防范用户流失和社区内容衰退。许多社区类产品在初期凭借新鲜感聚拢用户，却由于后继内容乏力或缺乏粘性机制而迅速沉寂。另一方面，变现模式的探索同样艰难：社区用户对商业化变现通常比较敏感，过度广告会侵蚀用户体验，而单纯依赖广告收入又很难支撑社区的长期运营。订阅会员、增值服务、虚拟道具等变现场景也需要建立在庞大而活跃的用户基础之上才能奏效，这对大多数社区来说并不容易。当前，不少社区产品都在探索平衡点。它们意识到，只有当用户价值与商业价值统一时，社区才能长久生存。比如，小红书通过种草内容与电商交易结合，用户在分享生活方式的同时也促进商品消费，实现内容与商业的闭环。但小红书，目前还只有一个。AI时代为社区的商业突围提供了一些新思路一方面，AI技术可以降低社区运营成本、提高内容匹配效率。例如，智能推荐算法让每个用户都能更快地找到自己感兴趣的帖子，提升留存；自然语言处理可以辅助审核海量发言，过滤违规内容，维护社区氛围；生成式AI还能辅助用户创作，激发更多UGC产出。另一方面，AI也创造了新的社区形态和商业机会。人机共生的社区可能诞生全新的盈利模式：正如前述Kimi和Perplexity的探索，AI可以根据用户讨论的话题嵌入相应的产品或服务链接，实现内容到消费的转化；又如Character.AI等虚拟角色社区，通过提供高级定制的AI形象陪伴，或为创作者打造虚拟IP形象并售卖相关版权，也可能催生付费业务。再看OpenAI，如果其社交平台上线，理论上还可与ChatGPT的付费订阅形成联动——用户为了在社区中享受更强大的AI辅助创作或个性化功能，愿意支付订阅费，从而变相为社区创造收入。当然，即便有AI的加持，社区商业化的基本面依然离不开“人”本身。真正活跃且愿意投入时间金钱的，仍是社区里的一个个真实用户。因此，社区产品要赚钱，首先得把人留住、留好。这意味着既要有源源不断打动用户的内容和功能创新，也要建立健康正向的社区文化，让用户有归属感和参与感。一些潜在突破口包括：深耕垂直细分领域，提供专业人士愿意付费交流的高价值社区（如投资、医疗等领域的付费社群）；培养超级用户和KOL，通过打赏、分成等机制激励头部创作者留在平台生产内容，进而吸引粉丝群体并带来商业合作；以及社区IP化和周边经济，将一个成功社区的影响力延展到线下活动、品牌联名、衍生商品等更多元的变现渠道。社交社区并非一门快速盈利的生意，但其战略意义重大——尤其在AI时代，它不仅是满足用户情感和社交需求的载体，也可能成为技术与人文结合、催生新商业模式的土壤。无论是OpenAI野心勃勃地想打造“AI社交”，还是Kimi这类新秀希望通过社区提高用户黏性，又或微信这样的巨头重塑创作生态，背后都反映出对社区价值的高度认同。正是因为看到了“人”的不可替代性，他们才投入资源让社交回归。这股潮流预示着：即便AI无所不在，人与人之间在线上相聚互动的需求始终长存，而能满足这种需求的社区型产品，依旧大有可为。当AI技术席卷各行各业，我们目睹信息生产和获取方式发生巨变。然而，社交与社区的底色始终属于人性。古典互联网时代孕育的论坛、博客、朋友圈等形态，在今天并未过时，反而因为稀缺的真实情感联系而愈发显得珍贵。本文来源：R艾瑞网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
OpenAI很看好，首个SWE-1模型发布，软件开发或将提速99%
将软件开发提速99%！Windsurf发布首个前沿模型SWE-1，AI编程领域风起云涌，目标是将开发效率提升99%。SWE-1不仅能写代码，更能理解并协助整个软件工程流程。核心创新在于「流动感知」系统，即AI与用户共享操作时间线，实现高效协作。Windsurf首秀终于来了！在Cursor火爆全网，OpenAI宣布30亿美元重金收购Windsurf后，Windsurf不甘寂寞，终于出手！Windsurf发布首个前沿模型SWE-1，目标是将软件开发提速99%！SWE-1不只是一个「会写代码」的模型，而是一个理解、参与、并协助整个工程过程的协作伙伴。目前这个系列包含三个模型：SWE-1：具备与Claude3.5Sonnet类似的工具调用推理能力，但运行成本更低。在推广期内，所有付费用户可免费使用。SWE-1-lite：一个更小但质量更高的模型，全面取代CascadeBase，对所有用户（包括免费用户）开放。SWE-1-mini：更小、更快，专为WindsurfTab中的低延迟被动体验而设计，适用于所有用户。刚刚，SWE-1已经上线Windsurf，且处于免费使用阶段。AI编程发展「快闪」近几年，「会写代码」的模型取得了巨大进步，已经能从简单的自动补全发展到一次性构建出完整的小型应用。但这种能力仍然存在明显的上限：其一，软件开发不仅仅是写代码。开发者要做的事情远不止编码，还要操作终端、获取知识、调试产品、理解用户反馈等。因此需要的是更全面的模型，能覆盖整个开发流程。其二，工程过程是跨阶段的、持续变化的。目前主流的基础模型仍然是基于「代码能否编译」和「是否通过单元测试」来训练的。但现实中，这只是更大工程任务中的一小部分。真正需要的是能处理「尚未完成的状态」、理解模糊目标的模型。否则，即使模型写出了能运行的功能，后续维护与扩展性可能会非常差。因此，仅仅提高「写代码」的能力，无法真正提升整个工程效率。需要打造的是支持完整软件工程流程的模型——简称SWE模型。SWE-1的开发过程SWE-1的开发灵感来自广受欢迎的Windsurf编辑器，构建了全新的数据结构（共享时间线）和训练方法，能够理解未完成的状态、长周期任务以及多种交互界面。其初衷是在资源有限的情况下，通过这种方法做出一流性能的模型。SWE-1是这个目标的第一个验证成果。在整体表现上，SWE-1接近最前沿的基础模型，在多个维度上超过了所有非前沿模型和开源对手。可以通过离线评估与线上实测两种方式进行验证。离线评估评估将SWE-1与Anthropic系列（Cascade中使用最频繁的模型之一）以及Deepseek、Qwen等主流开源模型对比，主要有两个基准测试：会话式SWE任务基准从一个正在进行中的Cascade会话中截取，任务尚未完成。评估模型如何响应用户的下一步请求，打分标准综合考虑帮助程度、效率、正确性以及目标文件编辑的准确率。这项测试关注模型在「人机协作」环境中的表现。端到端SWE任务基准从会话一开始就评估模型是否能完全独立解决问题，并通过一组单元测试。得分基于测试通过率和专家打分。这项测试衡量模型自主完成任务的能力。评估结果表明，SWE-1在这些任务上接近顶级实验室的前沿模型，远超中等体量和开源的对手。虽然还不是绝对领先，但非常有潜力。线上实测（生产实验）Windsurf有大量用户，因此也通过盲测实验评估真实使用中的表现。Windsurf将用户分组，分别使用不同模型，在不告知模型类型的前提下观察行为和效果。Windsurf主要看两个指标：每位用户每天接受的代码行数即Cascade编写、用户实际接受并保留的代码行数，反映模型的实际帮助程度、响应质量和用户粘性。Cascade代码贡献率对于被Cascade修改过的文件，模型所做的代码改动所占比例。这是一个反映模型「主动性」以及「用户信任程度」的指标。SWE-1专为Cascade场景设计和优化，因此在这些指标上表现几乎是行业领先，效果优于所有非前沿模型。其他模型分析你可能在上面的图表中注意到SWE-1-lite，这是SWE-1的中型版本，使用相同训练方式，在非前沿模型中表现最佳，现已取代CascadeBase，向所有用户开放。Windsurf还开发了SWE-1-mini，体积更小，速度更快，适用于WindsurfTab这种对延迟要求极高的被动预测场景。需要说明的是，这只是一个起点。Windsurf不仅希望赶上最前沿实验室的水平，最终目标是全面超越它们。Windsurf坚信自己已经具备了实现这个目标的引擎，并将持续加大投入。流动感知系统（Flow-AwareSystem）Windsurf提到SWE-1的灵感来源于Windsurf编辑器。关键在于Windsurf独特的设计理念：流动感知（FlowAwareness）。什么是流动感知？Windsurf打造的Windsurf编辑器实现了用户与AI的「共识时间线」：AI的每一步用户都能看到并干预，反过来，AI也能理解并跟进用户的行为。这种「共享时间线」的感知能力，Windsurf称之为FlowAwareness（流动感知），也因此Windsurf一直把这种人机协作的体验称为「AIflows」。为什么流动感知很重要？因为短时间内，没有模型能完全独立完成所有开发任务。流动感知允许模型和人类之间「自然交接」：AI做一部分，用户校正，AI再继续，形成顺畅衔接。借助共享时间线，Windsurf可以持续追踪当前模型的能力边界，观察哪些任务需要用户介入、哪些能完全自动完成。这是SWE-1能快速成长为当前水平的关键原因之一。共享时间线在Windsurf中的演进构建共享时间线是Windsurf许多功能背后的核心理念：初代Cascade就支持「你在编辑器改完内容后输入continue，AI就能继续理解你改了什么」——这是对编辑器的感知。后来Windsurf加入了终端输出感知——AI能理解你执行命令时出现的错误。Wave4中加入了「预览」功能——AI开始理解你看到的前端组件和错误。Wave5和Wave6中，Tab增加了对终端命令、剪贴板内容、IDE搜索内容等的感知。这不是一堆随机新功能，而是Windsurf构建「最全面软件工程时间线」的一部分。即便使用的是通用模型，只要Windsurf记录和利用好了这些上下文信息，AI的表现就会大幅提升。而现在Windsurf有了自研的SWE系列模型，这个正反馈循环将真正开始加速：模型能更好地理解时间线并参与其中更多部分。接下来会发生什么？SWE-1只是开始。它是由一个小而专注的团队打造的，利用Windsurf在产品和基础设施方面的优势，展示了Windsurf完全有能力打造接近最前沿的模型。未来，Windsurf将持续改进SWE系列模型，在保证低成本的同时不断提升性能，让开发者能用Windsurf构建更大、更强的软件项目。随着SWE-1的发布和OpenAI对Windsurf的收购，AI编程工具正迎来一个新的时代。从简单的代码补全到全面的工程协作，AI正在深刻改变软件开发的方式。对于开发者来说，这是一个充满机遇和挑战的时代，如何利用这些新工具提升开发效率，将成为他们需要思考的重要问题。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
判断企业负面严重程度的6个维度
上热搜不是唯一标准其他事情可能会有人抢，危机处理是铁定落在公关部的工作。这个又难又危险的活儿，让姚素馨讲的话，3天3夜也逼逼不完。这篇文章，截取培训里的一页内容，以及我们平时给品牌方处理事件的实际经验，讨论一个相当重要的具体点：如何判断企业负面的严重程度。准确判断“严重程度”，是制定方案的先决条件。连会有多严重都搞不清楚，就谈处理措施，纯粹胡扯。“严重程度”判断不足，觉得不要紧，最终舆情会教你做人的；“严重程度”判断过度，措施过多，就会“消耗资源”和“损伤品牌”。熟练的公关人，凭借过往的经验，或许可以直接对负面严重程度做出预判。如果不是那么有信心，或者需要拿具体的条目去说服老板和同事，我们列出6个维度，以供参考。01公众如何站边除非是绝对TOB的企业，第一条永远是考虑公众如何站边。也就是说，如果负面爆发，事件在最广泛的舆论场中讨论，公众会怎么看，会怎么说，会站谁。所有做公关同学要牢牢记住，公众如何站边，决定舆情走向。“你觉得”，“业务部门觉得”，“老板觉得”，在“公众觉得”面前，屁都不是。不听劝的，非要拿自己当根葱的，万一被公众发现“你觉得”，“业务部门觉得”，“老板觉得”与他们的不一致，只会死得更加难看。最广泛的公众如何看待一件事，直接决定了舆情的敏感程度、受关注讨论的程度、广度和深度。有能力的公关，能够直接说出，公众会不会骂、骂什么、能不能骂上热搜。危机处理翻车，在这里就出问题了。“没猜对”、“没想到”的案例不胜枚举。有2个难点特别说下：第1个点，舆论场上的“严重程度”并不直接等于事实严重性，而是能被公众感知、并且有兴趣讨论的严重性。比如，“高管桃色新闻”就是对于企业的实际严重性很低，但公众很乐意讨论的典型。第2个点，“公众怎么站边”也一直在变化，不能沉浸在“过往案例”之中。比如，以前提“贤妻良母”没什么，现在敢提试试，冲不死你。02主管部门的态度所有让主管部门难做、难看、难处理的负面，舆情去冲主管部门账号的，严重程度直接往上拉。有的负面，真是企业咎由自取，那我们也不说什么了。但是其实，很多负面企业是有委屈的，这个时候，能否取得主管部门的理解，能否争取一些余地，就很关键。相反，如果判断官方迫于“民意汹涌”，也不得不下场，那就也别挣扎了，再委屈也憋着吧。特别是涉及到行业准入资格、牌照、热门领域、标杆作用的企业，尤其要关注主管部门的态度。（这个部分真的不能展开，我尽力了。）03是否踩中媒体“选题”媒体，在传播中起“重要节点”作用，不仅仅能迅速扩大传播范围，有些时候还能影响公众的观点、判断。为什么是有时候呢？因为现在公众也不一定听媒体的。所以，这条在第三趴，公众站队在第一趴。说得更加明一点，现在媒体写的正面，不一定有什么好的传播效果；但是他们下狠手认真写的负面，很大概率就是公众爱看的。要判断是否会成为媒体“选题”，需要公关对于不同媒体的特点、受众分布、选题思路、写法、正负面稿件比例……具备基本功。注意，这是平时就知道的，不是负面发生之后，临时再去抱佛脚的。这里也做2个提醒：第1个点，现在做内容的普遍呈现跨行业、跨题材的趋势，只要事件到达一定传播量，为了流量，几乎所有类型的媒体都能找到一个角度跟进，呈现“全面开花”的状态。公关尤其要对负面是否具备“大家都能写”的潜质，有足够判断力。第2个点，现在已经不太可能“撒币”来解决问题了。不要再有这种八百年前的老想法了。说句不好听的，不是资本没有力量，而是你没有足够的资本。老老实实按照媒体选题会不会选到的思路，去做准备。04会被上什么价值“上价值”这个技术，不仅公关有，现在网友们也都普遍掌握了。公关写新闻稿，内容太水，为了上个价值抓耳挠腮；负面一出，网友们送的上价值，信手拈来，分分钟按照“企业不做人”，“就是坏透了”处理。在公关的判断里，一个负面是否严重，要看到底击中了企业什么问题。包装没搞好、海报不当心、代言人抽风……这些都外围的，不算严重。安全问题、价值观问题、背刺核心用户群体、与原定“人设”不一致……这是伤筋动骨的核心问题。核心问题，会动摇企业长久塑造的形象和对外输出的价值观。另外，一旦在公众判断“企业是故意的”，或者“终于露出了狐狸尾巴”，严重程度害得翻几番，容易引发公众对企业的全面质疑和批判，俗称“粉转黑”或“路转黑”。去年京东与杨笠的双十一合作，被认为背刺了“大兄弟们”就很典型。特别提醒，被上价值之后，企业再解释“根本没有这个意思”，“大家误会了”，没人会信。除了粉丝。05企业内部震动负面对于企业的影响，不只是“外部的”。员工也会接收到大量舆情信息。不同岗位员工，对于企业负面事件的“知情程度”是完全不同的，企业在对外部进行“统一口径说明”之前，也不会先给内部一个说法。因此，公关同样需要判断看到负面信息之后，员工会产生什么样的质疑、恐慌、不信任。特别是在信念感很强的企业，负面对于员工的冲击甚至大于对公众的影响。企业内部如果人心惶惶、无心工作，伤害度其实非常高。当年任正非使用华为的资源为姚安娜申请相关商标，被舆论关注后做的操作是，在内部社区进行解释：承认公器私用，向全体员工道歉。就是把对员工的影响放在很重要的位置。想具体看这事的戳这里。另外，危机处理决策制定之后，在执行中，需要非常多的部门参与和配合，大家如果都没心思了，铁定搞不好了。军心不稳是没法好好干活的，且这种影响舆情系统是监测不到的。06非舆情类的外部反馈公关考虑“负面严重程度”，不能只看舆情上的呈现，除了上面说了内部员工，还有外部方方面面的反馈。经销商、总代和投资人，肯定不会参与负面传播，但一定在第一时间问了一堆问题；产业链上下游的合作伙伴，你欠他们钱的，他们欠你钱的，也都会有丰富的心理活动；客服承担的询问量有没有急剧上涨；代言人有时候都要来问问会不会波及自己。对于TOB为主的企业，这条的重要程度和占考虑的权重比例，还要往前面提。甚至，是最核心的考量维度。07最难的是综合判断上述6条，像是做立体几何题目的辅助线，是用来协助看清问题，做出决策的。最难的是，你怎么把上面这些判断，做出综合考量，形成唯一结果。对于经验不够的公关，会有2个常见错误：一种是，漏掉核心要素，其他想了一堆，最重要的没想到；另一种是，想多了，反而把某一个部分看得太重，反而导致决策失误。不点名了。08老板凌驾一切说了这么多吧，但在实际的舆情处理中，大家都懂的，公关判断负面是否严重，决定参与什么样的方式处理，很多时候也就一个标准：老板承受程度。老板忍不了，火急火燎地赶紧处理；老板觉得没事，就先不动。其他，就看命了。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
05/17
互联网平台现状：鼓励AI，限制AI
AI创作陷入不确定性一场针对AIGC作品的限制，正规模化地席卷各个平台。一些AIGC创作者在小红书拉起群组，分享自己被限制的经历。有人发布12星座内容被判定「传播封建迷信」，有人因为生成AI明星而遇到「侵权」提示。「虚构事件」和「假冒真人」是最常被引用的处罚理由。同样的情况也发生在视频号和抖音，大量AIGC作品遭遇下架和封禁。作品即便不被封禁，也会被限制流量曝光和商业权益。许多人推断，这一轮监管可能与9月1日即将实施的《人工智能生成合成内容标识办法》有关。该《办法》要求所有AIGC内容需添加显式标识（如文字提示、角标、语音声明）和隐式标识（如元数据、数字水印）。不过依然有创作者反映，标注AI水印后的作品，还是没有被正常对待。鼓励AI创作的同时，也在限制AI。平台的这种矛盾心理让创作者迷茫，困惑。他们不是明知故犯，挑战规则，只是不知道边界和红线到底在哪，未来不知何去何从。频繁踩红线？AIGC创作者林聪最近有点烦。她发布在视频号的两个AI人物视频，因为被判定非真人出镜，视频推荐、私信和评论能力直接被停用。按照要求，林聪详细提交了个人身份验证，选定AI制作选项，提交相关手机制作截图。系统回复，信息不够详细，不能证明制作过程。虽然她内心有些不情愿，还是按照提示，再次把PC端所有制作关键流程截图依序提交。这次验证通过，而且系统提示：之后发表AI制作内容，选择「内容为AI技术制作，虚构内容请谨慎甄别」等提示。不过这次验证只是恢复了视频评论功能，若需恢复私信功能，需要删除所有AI制作内容后，再次提交申请。删除作品等于擦除个人名片，这让她有些无法接受，所以至今她的私信功能都没有恢复。即便如此，林聪的体感是，这波针对AI作品的监管风潮，视频号不是最严苛的平台。她告诉新莓daybreak，「好像除了快手打上AI标识没什么影响，几个大的视频平台都在清查AI创作的作品。」林聪不是个例。小红书关于AI限流的笔记数量超过3万篇。从流量曝光，商业权益限制，到产品被下架，涉及不同程度的封禁。短视频平台风声鹤唳，网文圈的行动其实更早。今年2月，晋江打出「反AI」的第一枪，发布了《关于AI辅助写作使用、判定的试运行公告》，明确规定使用AI的边界。接着，起点、番茄小说宣布全面禁止AI，要求作品必须100%人工创作。网文平台整治力度之强，导致出现不少误判的现象。甚至评论区出现「感觉像是AI写的」，也有可能被编辑永久拉黑。电商也加入行列，对「AI假图」进行整顿。3月27日，淘宝修订了《淘宝网商品发布规范》和《天猫商品发布规范》，对「商品失真」做出明确的拓展解读。其中一个重点的指向，便是利用AI等技术合成方式，呈现显著失真的与实际不符的商品信息效果图。整治力度空前，大有「宁杀错不放过」的决心。AI原罪？过去两年，在「AI暴富论」、「超级个体」的叙事逻辑下，「一键生成」的内容迅速在互联网泛滥。有人利用AI卖课，有人利用AI数字人贩卖三无产品。淘宝上，大量AI生成的卖家秀误导消费者购入，结果到手商品与图片严重不符。AI乱象，AI污染的声音不绝于耳。据林聪观察，这一轮AI内容治理中，打击较多的是同质化、低原创性内容。「现在有了AI，谁家的内容火了，大家就会快速大量地复制。」一个典型的例子就是今年过年期间《哪吒》爆火后，抖音出现了大量跟风制作哪吒的现象。而这类题材往往使用的都是相似的提示词或者同一个Lora生成的内容。AI也让一些机构的起号成本变低了，利用AI工具一天内可以生成了上百篇引发矛盾对立的笔记。小红书去年三个月里处置了超过100万个黑灰产团伙，均为通过超大规模矩阵生成同质化内容。为此，抖音从算法层面切入，将「原创识别率」纳入核心指标，AI生成内容若未标注或存在同质化「如重复率超25%」，会被判定为低质内容。而视频号则明确「禁止批量发布通过近似的情景、文案、元素等编造的同质化内容」。平台重点整治的另一个方向便是，虚构真人形象和情节虚假夸大。从平台的角度，这一点不难理解。毕竟小红书以「真实分享」为社区根基，视频号则要保障社交关系链中的信息可信度。这也是为什么，小红书去年就着手研发基于「分类器」技术的AI识别模型，对识别为疑似AI生成的内容进行标记。为了巩固效果，小红书还设置了机器识别与人工审核的双重屏障。站在创作者的角度来看，这有些无奈。因为「真实」这一特质天然就和AIGC背离，人物本身就是虚构的，情节自然也是虚构，所以这更像是贴附于自身的「原罪」。平台为「真实」所设立的门槛，还引发了另一个层面的「不公」：比起真实题材的视频，AIGC的审核标准更为严苛。半职业AIGC创作者蓝心的作品最近也遭遇了违规提示。在小红书上，她曾先后发布了一系列真实的王一博的照片和AI生成的王一博视频。如今，前者仍挂在她的主页，而后者已经被平台要求删除。同样的题材，因为是由AI生成，便得到不同的判定结果。值得一提的是，当下所有AI视频工具都在强调「真实感」。比如可灵的物理规律模拟、大幅度运动生成，比如即梦的质感提升、动作模仿，一切都在强调自身生成的效果接近真实。从结果看，平台不希望创作者利用AI复原人物真实感，假如AI创作一只小猫、小狗，做出真实感，应该是会被接纳的。未来何去何从？AI创作内容被严格限流的同时，各平台的AI「军备竞赛」却是日趋白热化。3月19日，小红书才刚为旗下的AI应用「点点」上线了新入口，位于消息页面，且支持深度思考模式。几天前，字节开启了「即梦3.0」的灰度测试，该版本在分辨率上提升了50%，生成速度提升了30%。更方便的入口、更新的版本、更强的性能，这些平台投入了大量资源，推动了AI工具的发展。目的是为了抢占下一代内容生产基础设施，将创作者绑定在自身生态内。但当大量创作者开始使用AI工具，并且涌入AIGC这个领域，平台却缺少一套清晰的规则和审核标准来承接，这让质疑声频出。有人说平台使劲拉人给AI工具做任务，搞了特别多相关的比赛和活动，然后大规模封禁，是一种诱导；也有人也说AI给平台带来不了利益，影响真人主播的收益，趁着政策出台，正好「一刀切」比较痛快。平台既扮演AI工具提供者，又承担内容审核者角色，这种双重身份本身就是一种挑战。有些平台甚至还在主动催生矛盾，比如番茄小说为了训练自己的AI，在签约协议中曾新增AI训练条款，引发过大量作者抵制和不满。自2023年生成式AI广泛运用以来，伴随AIGC作品而来的就是诸多质疑和限制。知名如AI绘画作品《太空歌剧院》，曾两次进行版权申请被拒绝。AI作品不仅版权上得不到正名，「同行」之间的关系也愈发紧张。大量传统内容创作者竖起了「反AIGC」的旗帜。这也使得2024年一款名为Cara的反AIGC社交产品，开始频繁登顶美国AppStore的下载榜单。小红书上也形成了一种「反AIGC」的氛围，创作者唐飞对此感到无奈，「一些用户看到AIGC作品就会点举报，特别是绘画圈的那群人。」除了社会和法律法规层面的不被认同，对大模型厂商，AIGC还意味着一种危险：用AI生成的数据去训练AI超过5次，模型性能会大减。莱斯大学和斯坦福团队的研究人员将此称之为「模型自噬障碍（MAD）」。而当下的中文互联网，AIGC作品正在走向泛滥。在已经公布数据的平台中，微信视频号AI生成内容占比已经达到了30%。其它平台上，AI生成内容也肉眼可见地攀升。这一次封禁，小红书上的一条评论得到了高赞：这是好事，每次搜资料搜素材出来全是大批大批的AI，想找到正经参考的都难。大刀阔斧砍向AIGC的平台，有点像是在治理一场数字领域的「蝗灾」，目的不是为了「灭绝」，先从整体数量规模上减少，再从生态环境中防治劣质内容的生产。面向未来，AIGC创作者又该何去何从？有人总结了一条「532法则」，即：50%的人工，原创案例、真实情感、独家观点；30%的AI，数据整理、框架搭建、标题优化；20%的工具，用ContentAny等去除AI痕迹。但这些经验是否奏效，谁也无法保证。又或者说，当下奏效的经验，几个月后是否依然可行，没人知道。所有人都要习惯这种不确定性。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，擂响了产业互联网的战鼓
当消费互联网渐行渐远，越来越多的玩家们开始将关注的焦点聚焦在了产业互联网的身上。无论是新零售概念的兴盛，亦或是新技术的层出不穷，无一不是人们探索产业互联网的佐证。然而，虽然玩家们进行了很多次的探索，但是，它们似乎始终都跳不出消费互联网的条条框框。究其原因，仅仅只是在消费互联网的天空之下飞行，却并未真正找到与产业互联网相契合的新技术、新模式，才是导致这一现象出现的最为根本的原因。当AI时代来临，特别是当以deepseek为代表的AI应用开始出现，AI从一颗萌芽开始变得成熟，并且开始结出一颗又一颗的果实。无论是越来越多的互联网巨头们开始拥抱AI，还是AI开始衍生出越来越多的新商业，无一不是这样一种现象的直接体现。可以说，AI，真正擂响了产业互联网的战鼓。以AI的兴盛为肇始点，产业互联网的时代开始真正进入到了全新落地的时代。对于产业互联网来讲，它不再是一个无法落地的存在，而是成为了一个真正可以实现的存在。从这个角度来看，认识到AI与产业互联网之间的联系，或许才是真正可以理解当下的消费互联网之所以会发生如此多的嬗变的根本原因所在。一当deepseek的风真正将AI吹到了人们的面前，我们看到的是，几乎所有的互联网玩家们都开始用AI来改造自身，都开始用AI来寻找破解它们发展困境和难题的方式和方法。无论是阿里巴巴对于AI的全面拥抱，还是腾讯对于deepseek的全面接入，我们都可以看出，互联网巨头们对AI表现出来了极大的开放性和包容性。互联网巨头们之所以会表现出如此浓烈的兴趣，其中一个很重要的原因在于，AI真正可以改变以往那些它们无法改变的痛点和难题。如果我们对于互联网玩家们的这些痛点和难题进行总结的话，它们几乎都是消费互联网演进和进化到最后阶段，必然会出现的。说到底，以互联网巨头们为代表的消费互联网的玩家们必然需要开启一次全新的进化，而这次进化的终局，必然是我们所心心念念的产业互联网。之所以会有这样的判断，其中一个很重要的原因在于，我们所提倡的产业互联网，其实就是以改造消费互联网为终极目标的。以往，我们看到那么多的技术，那么多的模式之所以没有改造成功，说到底，还是技术的营养基没有培育出商业的新形态所导致的。当AI开始出现，一切开始有了改观。无论是对于互联网巨头们而言，还是对于实体经济玩家们来讲，它们都可以通过自身与AI的结合打开新的突破口，找到新的商业模式。因此，如果我们对于AI与产业互联网的关系进行总结和定义的话，以AI技术催生出可以落地，可以闭环的新商业，并且以这些新商业来构建产业互联网的新形态，才是AI与产业互联网之间联系的关键一点。时至今日，无论是AI+电商、AI+社交，还是AI+制造，AI+驾驶，几乎都是可以落地和闭环的新商业。试想一下，当AI所催生的这些新商业共同汇聚在一起，并且真正可以替代消费互联网时代所形成的「互联网+」模式的时候，产业互联网时代的来临，将会是一件水到渠成的事情。如果我们将互联网看成是消费互联网时代的底色的话，那么，AI，则是产业互联网的底色。二以往，提及产业互联网的时候，人们总是将其与新供给联系在一起。可以说，新供给，成为了评判产业互联网是否真正完成和实现的标准。反过来讲，以往的产业互联网之所以并未实现，其中一个很重要的原因在于，玩家们并未真正达成新供给，而仅仅只是对消费互联网进行了概念上的包装而已。当AI时代来临，特别是当AI开始对于消费互联网的玩家们以及与消费互联网相联系的产业玩家们进行了一次全新的改造，消费互联网玩家们所提供的产品和服务开始发生了一场深度而全面的改变。这一点，我们可以从电商的嬗变上，看出一丝端倪；这一点，我们可以从社交的嬗变上，看出一丝端倪。可以说，以AI为主导的新供给的达成和实现，才是导致产业互联网不再是一个遥不可及的梦想，而是一个可以落地的存在的关键所在。现在，打开任何一个APP，进入到任何一个消费互联网的玩家们的生态里，我们几乎都可以看到AI的身影，我们都可以看出AI与以往的产品和服务产生联系之后所形成的新产品和新服务的迹象。说到底，AI业已对消费互联网玩家们实现了一次深度的改造，并且以这样一场新改造来实现了新供给的实现。如果对于AI所实现的对于这样一种现象进行总结和定义的话，以AI完成了对于消费互联网的由内而外的改造，并且由此实现了供给侧的改造，最终以新供给来满足人们的新需求。而这，才是产业互联网的最本质、最值得我们去关注的另外一个方面。站在这样一个角度，如果我们对于AI与产业互联网之间的关系进行总结和定义的话，AI实现了产业互联网所要达成的新供给，并且以此实现了供给与需求两端的再度对接，或许才是值得我们去关注的另外一个方面。三当产业互联网的概念开始萌芽的时候，人们在描绘产业互联网的时候，通常会用虚实融合、数实融合来形容。于是，当人们进行产业互联网的落地和实践的时候，通常会用对于B端的赋能和改造来诠释产业互联网。实践证明，仅仅只是以赋能和改造来进行虚实融合、数实融合，其实是无法实现产业互联网的；实践证明，仅仅只是以赋能和盖傲来进行虚实融合、数实融合，只会把产业互联网再度带入到消费互联网的怪圈之中。当AI时代来临，特别是当AI开始弥合虚拟经济与实体经济之间的鸿沟，我们看到的是，以往人们所孜孜以求的数实融合、虚实融合不再是一个遥不可及的，无法实现的存在，而是成为了一个可以顺理成章，可以真实落地的存在。在AI的情境之下，并不存在以往我们所认为的改造和赋能的概念，而是变成了一个共生、共存的存在。当赋能和改造的概念不再的时候，消费互联网时代经常会出现的流量的概念，同样开始被存量的概念所取代。在这样一种机制之下，消费互联网时代的平台和中心的概念，同样也不再存在，而是成为了一个可以共生、共存的全新的形态。当这样一种共生、共存的生态达成，真正意义上的产业互联网时代，将不再是一个遥不可及的存在，而是变成了一个可以实现的存在。站在这样一个角度，如果我们对于AI与产业互联网之间的联系进行总结和定义的话，AI最终将消费互联网时代的流量的概念消弭，AI最终打破了以平台和中心为主导的发展模式，实现了真正意义上的去平台化、去中心化，无疑是这一现象的最为直接的体现。写在最后当AI时代来临，以往人们所孜孜以求的产业互联网开始从一个遥不可及的存在，蜕变成为了一个触手可及的存在。因此，AI，真正擂响了产业互联网的战鼓。在AI的机制之下，产业互联网成为了现实。无论是新商业的产生，还是新供给的出现，乃至是虚实结合的达成，几乎都是这样一种现象的最为直接的体现。拥抱AI，等于是拥抱了产业互联网。面对千亿级的产业互联网的市场规模，谁究竟才是这个新牌桌上的玩家们呢？让我们拭目以待吧！本文来源：R艾瑞网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风靡之下，产业互联网正在实现
AI，正在开启一场对于各行各业的深度改造。在这样一场深度改造的背后，其中一个发展迹象正在变得越来越明显，那就是产业互联网时代的脚步越来越近了。之所以会有这样的判断，其中一个很重要的原因在于，AI更多地并不是搭建平台，获得流量，而是去想着应用，想着去如何落地到产业之中。当这样一种发展趋势开始变得明显，一个全新的产业互联网时代，正在来临。产业互联网的概念，并不是现在诞生的。当移动互联网的浪潮开始慢慢退却，率先感受到这样一种寒意的互联网玩家们，便已经开始了有关产业互联网的发展方向的探索。阿里如此，腾讯，更是如此。虽然这些头部的互联网玩家们看到了产业互联网的发展大趋势，但是，它们却并未找到落地产业互联网的正确的方式和方法。究其原因，互联网技术本身的短板，才是导致它无法将产业互联网实现落地的关键。因为互联网技术仅仅只是在去中间化上有一定的效果，在改造产业，赋能产业上，它却有着自己的短板。当互联网持续进化，特别是当AI开始变得成熟和完善，以往遥不可及的产业互联网开始变得越来越容易。无论是玩家们借助AI对于自身内在的元素、环节和商业逻辑进行改造，还是玩家们借助AI对于各式各样的产业场景进行深度赋能，我们都可以看出，产业互联网正在从梦想变成现实。当AI风靡，去平台化成为潮流当人们谈及产业互联网与消费互联网的区别，去平台化、去中心化，无疑是一个主要方面。当AI尚未成熟，甚至是当AI尚未出现的时候，很多的玩家们在探索去平台化的问题上，仅仅只是为了去平台化而去平台化，仅仅只是为了去中心化而去中心化，却并未真正实现真正意义上的去平台化和去中心化。几乎可以确定，仅仅只是为了去平台化而进行的去平台化，并不能真正达成产业互联网，只有实现真正意义上去平台化，产业互联网才能实现。当AI开始风靡，我们看到的是越来越多的玩家们开始主动地拥抱产业，开始主动地深入到各式各样的场景之中，其中一个很重要的原因在于，只有这样，AI才能完成对于产业的改造，AI的功能才能得到最大程度上的发挥。在这样一个大背景下，原本在消费互联网时代所形成的线上平台玩家与线下实体玩家们之间的壁垒开始被打破，取而代之的是，一场线上玩家们与线下玩家们的深度融合开始成为现实。当深度融合开始成为潮流和趋势，去平台化开始不再是一个遥不可及的存在，而是一个必然需要达成和实现的存在。当去平台化成为了AI时代的标配，其实它暗合了产业互联网的发展大趋势。当线上玩家们和线下玩家们在AI的机制之下实现了深度而全面的融合，那么，产业互联网时代的去平台化将不再是一个遥不可及，难以实现的存在，而是变成了一个可以实现，并且可以催生出新的商业范式的存在。当AI成熟，流量开始彻底嬗变真正造就消费互联网模式的最为关键的一点在于流量模式的兴盛以及由此所衍生而来的一系列的「互联网+」模式的衍生和出现。可以说，正是由于对于各式各样的流量进行的划分，才最终导致了消费互联网时代的衍生和出现。因此，如果无法跳脱出流量模式，如果无法改变流量逻辑，那么，产业互联网是无论如何都无法实现的。这是以往我们所看到的那么多的产业互联网的尝试始终都无法真正获得成功的关键所在。当AI变得成熟，特别是当AI开始将消费互联网时代所建立起来的流量划分的模式打破，以往我们所看到的B端和C端流量的概念开始消失不再，转而出现的是在AI的情境之下统一的改造对象。在AI的视角之下，无论是B端流量，还是C端流量，它们都是需要被改变，它们都是需要被重塑的。当玩家们不再依靠流量来获得商业上的成功，而是真正以产业作为主要驱动力，以达成新的供求平衡来找到新的发展机会的时候，所谓的产业互联网，其实变得不再是一个遥不可及的存在，而是变成了一个顺理成章便可以实现的存在。说到底，当AI开始成熟，特别是当AI开始打破对于流量的传统划分，最终将传统意义上的B端和C端流量的界限打破，真正意义上的产业互联网时代才算是真正来临。原因在于，真正意义上的产业互联网，并不是一个以消费互联网时代的流量模式为支撑的存在，而是一个以新的产业，新的供给为支撑的存在。当AI开始落地，数实融合正在实现对于消费互联网进行观察和思考，不难看出，它其实是通过建立一种虚拟经济和实体经济二元的经济结构，最终完成了自身的发展。无论是对于互联网玩家们来讲，还是对于实体经济玩家们而言，它们几乎都是在通过这样一种二元的结构来找到新的发展契机，来获得新的发展。从这个角度来看，消费互联网时代，其实就是一个虚拟经济和实体经济分离的时代。当信息不对称存在，特别是当供求对接不通畅的商业背景之下，消费互联网的这样一种二元对立的形态，的确是可以获得一定的发展的。然而，当信息不对称被打破，特别是当虚拟经济与实体经济之间的矛盾和问题开始越来越多地出现，仅仅只是以这样一种方式来发展，开始遭遇到越来越多的困境和难题。正是在这样一种情况下，我们才看到了产业互联网的概念的萌芽的出现。然而，在互联网技术的支撑之下，以虚拟经济为代表的数字经济和以实体产业为代表的实体经济依然还是分离的，依然还是彼此孤立的存在，并未实现真正意义上的融合。当这样一种现象存在，那么，产业互联网是无论如何都无法达成和实现的。当AI开始落地，特别是当AI开始对数字经济和实体经济开启一次深度而全面地改造。消费互联网时代所形成的虚拟经济和实体经济二元的商业结构开始被打破，转而形成的是以虚拟经济和实体经济的深度融合为代表的数实融合的发展新模式。换句话说，在AI的机制之下，数实融合不再是一个遥不可及的存在，而是变成了一个可以落地和实现的存在。当数实融合开始达成和实现，那么，产业互联网最核心，最本质的特质便开始出现。在这个时候，产业互联网不再是一个玩家们孜孜以求想要达成的存在，而是变成了一个在数实融合的大背景之下可以顺理成章实现的存在。结论当AI开始风靡，我们看到的是，一场席卷各行各业，各个场景的新变革的开启。如果对于这样一场新变革进行总结和定义的话，产业互联网，无疑是再合适不过了。如果我们将互联网技术的风靡，看成是消费互联网时代来临的标志的话，那么，AI技术的风靡，则是产业互联网时代来临的标志。当AI开始风靡，传统意义上的平台和中心将不复存在，传统意义上的B端和C端将不复存在，传统意义上的虚拟经济和实体经济将不复存在，取而代之的是，新的产业，新的商业，新的时代。本文来源：R艾瑞网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
04/19
DeepSeek 是企业软件的“救命稻草”，还是“催命符”？
未来可能没有软件，只有数据库未来可能没有软件了，就剩个数据库，前面全是AI调用，机器人就把所有事都干了。当DeepSeek以开源之势席卷技术圈，企业软件行业正面临一场前所未有的价值重估。大模型的能力平权是否会让SaaS厂商失去技术壁垒？AI驱动的“数字员工”是否会终结传统软件的存在逻辑？既有厂商该如何守住护城河，新锐势力又该如何抓住弯道超车的机会？在崔牛会策划的“DeepTalk｜DeepSeek猜想系列”对话中，崔牛会创始人&CEO崔强主持了主题为“DeepSeek对企业软件是「利好」还是「利空」？”对话，特邀沃行科技创始人&CEO郭舜日、53AI创始人&CEO杨芳贤、「信息化与数字化」主理人沈旸，就相关话题进行了深入探讨。郭舜日认为，有价值创造能力和组织力的企业不容易被淘汰。如果问哪类软件最危险，他认为是单一功能的技术型、工具型SaaS。以RPA（机器人流程自动化）软件为例，现在Claude提出的MCP协议等功能，已经能用多模态技术直接观察屏幕操作，完全替代传统RPA。企业不再需要专业的RPA工具，就能轻松实现自动化。这对传统RPA公司是颠覆性的。再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则，现在基于大模型的机器人可以通过学习直接执行任务，不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。杨芳贤的判断是，今天大模型端到端的能力被严重高估了。无论是科技界、学术界还是产业界，对大模型的预期都非常高。实际上目前大模型在企业的落地应用，真正能拿到确定性结果的场景还比较有限。而且这些场景需融合企业知识、流程，还有一些需要基于企业现有的数字化基座实现的。他认为，10-20年后，传统SaaS将消失，AI的终极形态是AI生产力，会是数字人与SaaS的融合。传统软件会消亡，软件从业者会转型为AI从业者。沈旸的看法则更为激进，认为这个时间周期会更短，可能在半年内是“救命稻草”，但半年或一年后就会变成“杀手锏”。未来SaaS会变成“ServiceasaService”，Software本身的重要性会大大降低。他认为，SaaS的订阅模式（按人头收费）会被AI颠覆，未来要么卖实时数据，要么卖服务效果。这场对话充满了尖锐的观点碰撞，对于企业来说，与其焦虑被颠覆，不如先让AI帮你省下10个外包人力。阅读目录1.是“救命稻草”，还是“催命符”？2.“前期投入，后期躺赚”将不复存在3.哪类软件会先被淘汰？4.AI有哪些真正可落地的场景？5.比技术和产品更重要的是方法论6.别做“半吊子”产品7.“数据安全”不再是企业落地大模型的主要障碍8.企业“上云”，还是“下云”？说明：在此，也特别感谢ECCRM创始人&CEO张星亮对这场对话的参与和支持。以下为对话内容，经牛透社编辑整理：（有删减）是“救命稻草”，还是“催命符”？崔强：今天是我们「DeepTalk」栏目的第三期讨论，主题是探讨DeepSeek对SaaS行业的影响。前两期我们分别从投资人和原生AI创业者的角度进行了探讨，今天我们将聚焦SaaS从业者的视角。三位嘉宾简单介绍下自己。郭舜日：我是沃行科技的创始人，公司对外叫WallTech，主要做航运SaaS。我们有两类产品：国际货代SaaS和跨境电商物流SaaS。目前国内3%的国际物流企业使用我们的平台，服务了1500多家SaaS客户。期待和大家交流AI如何赋能ToB企业。杨芳贤：我是53AI创始人。过去两年我们一直在探索大模型在企业的落地应用，我亲自参与了公司大部分重要项目的售前与交付工作，同时也担任了几家上市公司的大模型落地应用顾问。很高兴能和大家分享我以一个创业者的角色在一线的实践经验和思考。沈旸：我在ToB领域工作多年，最早做了十年ERP咨询，后来转到甲方做数字化建设，现在负责一家供应链金融公司的数字化业务。过去两年我们在AI落地方面做了很多实践，也踩过不少坑，积累了一些心得。很高兴能和大家交流。崔强：今晚我们主要讨论两个核心问题：一是DeepSeek对SaaS行业来说是“救命稻草”还是“催命符”？DeepSeek是不是SaaS的“葵花宝典”？大家都知道“欲练此功，必先自宫”，但练完之后可能也没什么用。各位怎么看？杨芳贤：这个观点很有意思，我也很认同。从长远来看，比如10～20年的维度，DeepSeek确实是SaaS的“催命符”。回归到当下，未来3～5年大模型对SaaS企业是有促进作用的。核心在于，AI终极形态是AI生产力，是要替代知识工作者的脑力劳动，本质上是数字人与SaaS的融合。从这个角度看，传统SaaS软件将会消失，但SaaS行业的从业者会一直在，因为中国企业的创新精神不会消失。沈旸：我基本同意杨芳贤的观点，不过我认为这个时间周期可能会更短。可能在半年内是“救命稻草”，但半年或一年后就会变成“杀手锏”。未来SaaS可能会变成“ServiceasaService”，Software本身的重要性会大大降低。郭舜日：这个问题需要结合SaaS行业和企业发展的现状来看。AI既带来机遇也带来挑战，本质上是对现有商业模式的重构。很多SaaS企业不盈利，主要因为高昂的实施和获客成本。如果AI工具能替代这些非结构化工作，将极大降低成本结构。从这个角度看，AI对一些企业确实是"救命稻草"。更进一步，运用AI得当的企业不仅能解决生存问题，还能提升竞争力。但对AI反应迟缓的企业来说，AI就是"催命符"了。他们可能会被擅长使用AI的竞争对手超越，甚至出现小企业借助AI反超大企业的情况。所以关键要看企业拥抱AI的程度，以及AI能具体赋能哪些业务环节。“前期投入，后期躺赚”将不复存在崔强：如果抛开现有的立场和包袱，作为一个新进入企业服务领域的创业者，应该怎么看待和思考这个问题？郭舜日：我认为现在AI的发展给新创业者带来了非常好的机会。首先，AI带来了全新的能力，很多原本需要复杂架构和大量人力才能完成的工作，现在通过AI就能实现，大大降低了管理难度和成本。其次，对于新进入SaaS领域的企业来说，如果能用好AI技术，可以在某些特定功能上实现突破，甚至超越传统的行业领先企业。我举个具体的例子，比如仓库管理软件（WMS），以前需要开发复杂的调度算法和处理策略，现在通过AI大模型就能实现，而且效果可能比传统算法更好。最关键的是，传统企业可能需要10年积累的经验和能力，新创企业通过运用AI大模型就能快速掌握。这意味着新创企业可以更快地开发出创新的产品体验，建立更具竞争力的成本结构。所以这对新进入者来说是个巨大的机会，而对于现有的行业领先企业来说，则需要特别警惕这个发展趋势。崔强：沈旸，你属于以前是客户的身份，你刚才的判断很激烈——说半年内是“救命稻草”，半年到一年后就是“催命符”。这个判断是基于什么逻辑？那天有朋友来找我说，未来可能没有软件了，就剩个数据库，前面全是AI调用，机器人就把所有事都干了。会不会是这样？沈旸：现在的情况已经很接近这个预测了。除了DeepSeek，市面上另一个模型Claude的影响也很大。特别是Claude3.5和3.7版本出来后，具备了很强的调用工具和软件的能力。在这之前，包括DeepSeek更多是做推理，能把过程拆解，但直接落地还做不到，需要很多外挂处理。我最近和工程师打交道比较多，明显看到像Cursor这样的编程工具，借助Claude模型可以调用很多本地工具，通过MCP协议操作本地文件，甚至可能误删文件。这让原本只是聊天的AI变得可执行。DeepSeek进化快的一个重要原因是强化学习。数学题训练有个特点：学得好可以拿满分，但语文很难满分，因为评判标准不固定。同样，大语言模型很难做到100%准确。但在DeepSeek领域，虽然仍是概率模型，但通过强化学习可以验证答案是否正确。在代码领域更明显：代码可以运行测试，验证页面是否符合预期。一旦工业化、规模化，AI很容易处理这种场景。最近三个月这样的场景越来越多。Manus带给行业很大的刺激，但更多进展是在软件工程领域。未来，只要是AI能看到的，它就有能力复制软件。如果软件靠功能点叠加，比如企业管理软件按功能点计价，以前要追赶需要投入同样的人力。但任何公司都很难持续投入上千人做三年。现在AI可以把软件拆解、运行、验证，24小时并行处理，很快就能找到可复制的方式，这对软件工程是巨大颠覆。以前，SaaS和软件行业想“前期投入，后期躺着赚钱”的模式将不复存在。企业要么持续投入研发，要么提供实时服务和数据，不可能再靠十年前做的软件持续盈利。崔强：芳贤，你怎么看刚才的问题？为什么判断“AI对于企业软件来说，十年内是救命稻草，十年后是催命符”？杨芳贤：首先，从AI的终极形态来看，我跟沈旸的观点是一致的。但沈旸说半年、一年，我觉得没那么快。背后的逻辑在于，今天大模型端到端的能力被极大的高估了。无论是科技界、学术界还是产业界，对大模型的预期都非常高。实际上，目前大模型在企业的落地应用，真正能拿到确定性结果的场景还相对有限。而且这些场景需要融入企业的知识和流程，还有一些需要基于企业现有的数字化基座来实现。大模型被称为“第四次工业革命”，这在业界已经有极大的共识。以史为鉴，无论是电力还是信息技术，从技术出现到极大地提升生产力，需要一定的时间。所以我的观点是，大模型落地应用也是这样，大规模地形成AI生产力也需要三五年，甚至十年以上的时间。一方面是源于对历史的观察，另一方面是我们过去两年在企业落地实践看到的——今天还无法直接通过大模型及各种Agent全链路完成大部分岗位的全流程，但是在这些岗位工作流中的一个节点、一个工序，借助大模型能极大地提升效率。基于此，在未来很长的一段时间企业软件还是会长期存在，并且会成为企业迈向智能化的基础。郭舜日：我补充一下。现在AI应用面临的最大问题是，很多企业的数据还处于信息孤岛状态，数据清洗和基础知识的完整度、单元化程度都不够。这种情况下，AI对知识的积累和理解是有限的。目前，主要瓶颈不在于AI技术本身，而在于传统SaaS领域的数据沉淀和经验积累不足。比如我们平台上有37%的出口数据，看似量大，但这些数据之间互不联通，很难形成系统化的知识体系。所以，现在最关键的不是AI能力的问题，而是如何把分散的数据和经验整合成可供AI学习的素材。我们正在做的重要工作，就是把数据和能力真正沉淀下来，形成可学习的知识体系。这才是当前最需要解决的问题。崔强：到底是利好还是利空？刚才沈旸提到大家都在用MCP协议，今早我看到AI大神卡帕西（AndrejKarpathy）的观点，他说内容服务、AI服务应该停止使用MCP。为什么现在有人追捧，也有人看不上？沈旸：其实MCP本质上就是个简单的API服务协议，让Claude等大模型能方便调用各种工具。在MCP出现前，大家也是通过API调用工具，只是Claude把它标准化了。现在有几百个开源软件和SaaS服务都支持该协议。现在AI领域有个特别的现象：以前推广一个开源项目可能要几年才能获得1万Star，现在两三天就能达到。如果你的软件不支持MCP、没有API，或者不能被AI抓取，就会面临被淘汰的风险。目前MCP有个局限，它原本为本地编程设计，没有考虑商用软件的计费问题。有些SaaS公司虽然支持MCP，但会在内部设置调用次数限制。MCP生态主要基于开源体系，未来可能出现两种情况，要么商业软件都加入这个生态，要么AI只使用免费开源工具，把商业软件排除在外。目前还看不清楚最终会如何发展。崔强：两位对这个话题有什么补充吗？郭舜日：沈旸提到MCP主要是开源体系，但它本质上是个协议标准。我们公司内部也在讨论如何利用MCP协议来提升内部AI能力。我们现有的SaaS软件已经积累了各种基础能力，比如制单、订仓、客户通知（通过微信、企业微信、QQ、邮件等）。通过MCP协议，我们可以把这些能力标准化，让AI来执行交互流程，减少对人工操作的依赖。因为AI本身就具备行业知识，这样能简化架构，快速实现对现有交互流程的优化和能力替代。虽然协议本身不难实现，但关键是大模型引擎厂商都接受这个事实标准。这是我们内部架构团队正在讨论的方向。崔强：有网友问沈旸：按照你刚才的观点，像金蝶这样的企业该何去何从？沈旸：这个问题很敏感。未来软件必须加速迭代，把所有AI能力整合进来。传统软件往往多年才做一次大升级，比如ERP通常5～7年才升级一次。这不是企业不想升级，而是测试和变更太复杂。现在必须提升迭代效率，把7年一次的升级周期缩短到2～3年。就像电动车对燃油车的替代，燃油车5～7年升级一次，现在电动车每年都有新款，智能驾驶等功能快速迭代。对金蝶这样的大公司来说，最危险的还不是现在，因为他们还有资源投入。但必须意识到AI带来的变革。如果意识不到这点，就会像燃油车面对电动车那样，两三年后就发现自己无力进行架构升级。整个组织的开发模式和文化都可能成为阻碍变革的因素，所以首先要从文化上进行重大改变。哪类软件会先被淘汰？崔强：做个极限假设，以你们的观察来看，哪类软件会最先面临风险，最可能被淘汰？杨芳贤：在企业服务领域，后发优势特别显著。软件行业不完全是技术驱动的，市场、销售、服务和交付等环节同样重要，技术领先性没那么关键。回到沈旸说的时间问题，如果只有半年一年，像金蝶、用友这样的企业确实危险。但如果有5～10年时间，它们都会转型成AI企业，就像金蝶已经从传统软件转型为SaaS企业一样。具体到哪些软件企业容易被淘汰？我认为还是看企业的组织能力和运营效率。与软件类型无关，组织能力弱、运营效率低的企业最容易倒下。软件企业无论是创新还是保守，最终竞争的都是组织效率。从品类来看，AI最先替代的是大量简单重复性脑力劳动的岗位，我目前看到的这是一个增量市场，可能会逐步蚕食与这些场景相关的，功能相对单薄的工具类软件。崔强：郭总，你怎么看这个问题？郭舜日：一般来说，有价值创造能力和组织力的企业不容易被淘汰。如果要具体说哪类软件最危险，我认为是单一功能的技术型、工具型SaaS。最直接的例子就是RPA软件。现在像Claude提出的MCP协议、OpenAI的Operator等功能，已经能用多模态技术直接观察屏幕操作，完全替代传统RPA。企业不再需要专业的RPA工具，就能轻松实现自动化。这对传统RPA公司是颠覆性的。以沃行科技为例，我们用多模态技术实现了OCR（光学字符识别）功能。传统OCR需要大量样本训练特定模板，而现在的AI多模态技术不仅识别率更高（达到99%），还能理解内容含义。比如我们与客户在珠海合作的项目，AI不仅能识别货运单据上的文字，还能理解运输条款和贸易条款的关联性，这是传统OCR做不到的。再比如机器人领域。以前波士顿动力的机器人需要编程各种动作规则，现在基于大模型的机器人可以通过学习直接执行任务，不再需要预先编写规则。这类技术进步会让很多单一功能的工具型软件失去存在价值。沈旸：我补充一下，什么样的软件容易被替代？像金蝶这样的跨部门软件其实比较难被取代，因为它们不仅是功能工具，更是组织内部达成共识的磨合过程。比如ERP系统，从前端销售到后端财务，整个流程是各部门长期磨合形成的体系。要替换这样的系统，组织往往不愿意改变。但部门级或个人级的软件就不同了：一，部门级软件未来被替代的可能性非常大；二，个人工具领域，会出现很多新的AI工具替代旧工具。由于AI能大幅提升效率，个人会愿意花钱购买AI工具来提升竞争力。在SaaS领域，如果只是针对某个非常细分的部门级应用，这样的软件会面临较大风险。目前还看不到这类软件能保持优势的路径。AI有哪些真正可落地的场景？崔强：目前有哪些让人眼前一亮、真正可落地的AI应用场景？去年崔牛会AI大赛时，60%～70%的项目都是知识库、陪练等方案。经过一年发展，三位看到了哪些有价值的原生应用？具体在什么场景？郭舜日：知识库确实是一个非常典型的场景，效率提升非常明显。通过向量化机制，特别是RAG技术的应用，可以把企业私有数据库建立起来。以我们企业为例，近10年积累的大量文档知识，以前都要去问人，个别专家还不一定掌握全量知识。现在我们通过内部知识库建设，相当于培养出一个机器人专家，可以沉淀企业十几年的知识。这块效能确实很明显。但难度我也要说明，绝对不是简单把文档扔进去就能产生好效果。因为存在大量知识冲突，需要花精力进行知识梳理、向量化处理。我们和AW工程师合作，做了很多知识增强的工作，才让效果真正显现出来。建议有一定沉淀的SaaS公司都应该在内部效能提升上应用知识库，但需要认真对待知识增强和梳理工作。第二点，我认为更重要的是企业内部组织对AI的理解和意识培养。我们现在每周都组织AI高层汇报会，要求全员使用AI。只有真正用起来，才能在具体工作中发现有价值的应用场景。这是比找单点应用更重要的事。在具体应用场景方面，AI在单点能力上的提升非常明显。以我们航运软件为例，以前处理各家船公司的运价导入非常复杂，需要业务理解，而且格式经常调整。以前要投入几周开发时间跟进这些变化，现在用大模型动态识别就能快速完成。还有财务对账，AI理解财务逻辑、处理非结构化数据的能力都很强。这些单点技术突破投入低但客户价值高，是SaaS厂商应该重点关注的。崔强：沈旸，你现在看到了哪些比较令人兴奋的应用场景？沈旸：最近最令人兴奋的是像Manus这样的AIAgent，能够从前到后完成闭环场景。这类场景从去年12月底才开始出现，之前完全没有这样的工具和体系。这种AIAgent能在内部集成浏览器、虚拟机等组件，最终运行出结果并验证可行性。这才是最重要的突破。过去我们做的很多工作，比如知识库梳理，其实更多是在为AI服务，而不是为人服务，因为AI对知识的理解能力远超人类。现在更有价值的是让AI完成特定环节的闭环，并验证结果是否正确。比如郭总提到的报价环节，如果能用AI完成并验证，就是重大进步。虽然目前AI处理数据的速度和精度可能不如传统软件（比如传统软件半秒完成的任务，AI需要10秒～20秒），但这不重要。一旦证明可行，后续肯定会有人优化性能。目前这类应用主要在科技公司和工程师团队中测试，但我预计3个月左右就会在各行业普及，用于POC测试。开源版本也会很快出现，我们内部也在测试类似的开源方案，一旦实现闭环，就能清晰看到这个技术的终点在哪里。崔强：一个再小的业务，你也要把它闭环做完，能单独搞定它，对吧？沈旸：对。但是很多事情，比如像知识库，它可能就并不是一个真正的闭环。因为最终你还是依赖于人去评判做得好不好，或者要人去落地完成。对我来说这就不是一个闭环的事情。杨芳贤：大模型在企业的落地场景我们见得比较多，说知识库是一个场景，我认为这是一个误读。今天行业里大家讲的知识库，本质是让大模型掌握企业的知识和流程，替代重复性脑力劳动。但这个说法太泛了，需要拆到具体解决什么问题，投入产出比是怎样，这才能算是一个落地的场景。比如：客服助手场景、在线客服场景、对员工服务的共享服务中心、业务陪练、加盟商指导、数字教练、客户筛选、客户孵化、邀约到店等等。这些场景的第一阶段目标都是成为员工的数字助理提升效率，当数字助理有了极高的准确率和采纳率后，就可能直接替代部分真人工作，这些单点场景在有一定规模的企业里，其投入产出比非常高。除了知识库，智能工单在很多大企业也应用得特别好。例如：通过RPA机器人自动感知微信上内外部聊天内容，自动创建、处理、流转工单，包括对工单数据进行分析和预测。把业务专家的能力萃取出来后，它的感知和分析能力会比人更稳定、更可靠。我们有客户的客服团队有几百人，水平参差不齐，借助AI后相当于每个客服旁边都坐着一位业务专家，直接给出85分以上的意图识别和处理建议。我再举个具体的审核场景例子。我们有个客户去年一期项目用AI支撑近千家经销商，今年的二期项目做业务审核。他们目前有500人的业务审核团队，预计今年业务量要翻倍。如果不引入AI，他们的客服审核团队要再招500人。在他们的审核流程中有六个步骤，例如：信息审核时要处理不同区域的电费划转单、各省不同的购售电合同、投资项目备案证等；技术审核时要检查光伏组件安装是否被遮挡、施工规范是否符合要求等。过去一个资深审核员处理一单要15～20分钟，现在用AI辅助1～2分钟就能搞定。企业里有很多依赖资深的业务专家的场景，这些业务专家的知识、经验和流程萃取出来之后，AI掌握后往往比人做得更好，而且不需要考虑人员流动的问题。过去两年，我们看到很多类似的场景，企业规模越大、同一个岗位影响的人越多边际成本越低，AI带来的ROI就越大。比技术和产品更重要的是方法论崔强：现在很多SaaS企业都在考虑AI落地的问题。AI到底要怎么帮助我们这些SaaS企业实现真正的落地？现在很多厂商都想要尝试，但是不知道具体该怎么开始，需要投入多少资源，以及能带来什么样的实际价值。郭总，听说你们已经在做这方面的落地实践，马上要发布新产品了，能具体说说吗？郭舜日：我结合我们的实践经验来说说。从技术实现的角度来看，AI落地可以分成三个主要的阶段，每个阶段的难度和投入都不一样。第一个阶段是提示词工程（PromptEngineering）。这个阶段主要是利用现有的大模型技术，通过优化提示词来解决具体的业务场景问题。根据我们的实践，只是做好提示词工程就能解决80%左右的常见业务场景。比如我们现在做的OCR场景，就是通过多模态技术加上精心设计的提示词，已经能够完美替代传统方案。还有我们即将发布的AI助理产品，以及像Manus展示的那些闭环应用案例，核心都是基于提示词构建的任务流程。杨芳贤：不过要说明的是，提示词工程在POC阶段可以用来快速场景验证，应用到生产环境，光靠提示词是不够的。郭舜日：确实是这样。所以，第二个阶段就是RAG增强。这个阶段难度会大一些，主要是通过知识补充和能力增强来解决更复杂的业务问题。我举个具体的例子，很多企业都在用BI系统，但老板们经常用不起来，因为每次想看个报表都得找数据工程师专门配置。我们现在做的方案是，通过RAG技术把历史报表数据向量化，当老板说“我想看最近一个月销售对利润的贡献情况”时，AI就能自动生成相应的复杂报表。知识库建设也是类似的原理，但这里特别要注意向量化的质量，这个很关键。第三个阶段就是模型微调。当业务场景需要带入大量上下文信息时，可能就需要对基础模型进行微调了。这个阶段的投入会比较大，因为要构建自己的专用模型，硬件投入可能要几十万到上百万。所以，要不要走到这一步，需要仔细评估业务价值。我们内部现在就是按照这三个阶段来规划AI应用的，从提示词工程开始，逐步推进到RAG增强，最后根据业务需要决定是否进行模型微调。崔强：芳贤，刚才有不同意见，你们看到的相对成熟的落地方法论是什么？杨芳贤：在参与运营LangGPT提示词社区时，我们和客户一起共创了一套被广泛认可的大模型落地应用“三步走”方法论。我们认为企业落地大模型可以分三步走。第一步是“工作+AI”。就是让大模型提升全员的工作效率。很多人认为大模型只在企业内少数岗位，例如：文案、设计、开发等岗位提效显著。其实不是这样。我们看到在企业内，每一个部门、每个岗位，借助AI都能获得不同程度的效率提升，只是有些岗位能提效5倍～10倍，而有些可能只提效5%～10%。而且落地“工作+AI”几乎没有门槛，甚至零投入，但需要企业有AI文化，老板有AI思维，在企业内部营造AI的氛围，鼓励大家工作中能用上的AI工具都尽量能用上。第二步是“业务+AI”。就是让大模型掌握企业的知识和流程成为AI生产力。今天基于大模型构建AI生产力有两种范式，一种是替代简单的重复性的脑力劳动，另一种是辅助创造研究型的脑力劳动。让大模型掌握企业的知识和流程不是和大模型对话或者将企业的知识一股脑的上传就完成了，将企业的知识进行清洗和加工是前提，上线后持续的调优是效果越来越好的关键步骤。让大模型像刚入职的新员工一样，先掌握基础的企业知识和作业流程，然后再基于数据持续的迭代。就像招个985毕业生，在熟悉了公司的知识和流程后才能上岗，在日积月累的工作中能力不断的提升。第三步是“AIx业务”。这个阶段是以AI为基础重构产品和服务流程。就像今天所有企业都是互联网企业、电商企业一样，未来所有企业都会是AI企业。也可以分享一下我们在实际落地应用的最佳实践的几个关键点：一是企业内领导层、管理层和骨干员工对大模型的能力边界要有统一的认知。今天我们大多数对大模型的了解来自短视频和各种自媒体的推送，自媒体为了抓眼球往往只报道极端条件下的成功案例，与实际的落地应用有很大差距。二是了解行业内的先进企业及跨界的先进企业的真实案例拆解。不只是看媒体的宏观报道，而是看企业配置了什么资源，真实做了什么、踩了什么坑、投入产出比如何。三要先聚焦单个场景进行试点。现在很少有企业有专业的AI团队，临时组建的AI虚拟团队一定要先集中资源做好一个场景。一个场景验证成功后，代表这个企业、这个团队有驾驭大模型的能力，一个场景拿到超出预期的效果再扩展到其他场景会容易很多。今天落地应用大模型技术和产品很重要，比技术和产品更重要的是落地方法论。相比于已经发展了20年的数字化，大模型进入到产业才2年多时间，能力变化也很快。落地应用遇到挑战是普遍现象，全球范围内都缺乏成熟案例，最顶级咨询公司也是在探索阶段。在这个过程中，找到正确的落地方法和靠谱的落地团队比单纯追求技术更重要。别做“半吊子”产品崔强：沈旸，你刚才提到自媒体的局限性，但我觉得新媒体人还是有价值的，毕竟不是每个企业都有像你这样的专业CIO。你怎么看这个问题？能不能分享些实际踩过的坑？沈旸：我举个去年底的例子。我们尝试做一个智能会议室预定场景，听起来很简单：让AI根据“朝南”“看海”这种需求自动选会议室。这需要解决几个问题，给会议室打标签、让AI看懂平面图方位、处理企业微信里的联系人（包括重名情况），还要解析“下个月第二天”这种模糊时间表达。我们半天就搭了个原型，但实际使用发现问题很大——时间理解准确率70%，地点匹配80%，人员识别80%，三个维度一叠加，结果完全没法用。后来我们没急着调模型，而是做了两件事，一是用AI生成测试数据集，比如针对时间维度造了2000多条“下周二”“大下周”之类的样本；二是拿这个数据集持续测新模型，直到去年10月发现某家模型的时间解析突然做到100%准确（虽然理论上大模型是概率模型，但实测结果就是全对）。如果一个场景一周内搞不定，说明要么团队能力不足，要么技术还不成熟。去年我们做了一个类似Manus的金融版AI工作流，但当时开源工具链残缺，评估要缝上百个接口，直接放弃。技术迭代快得很，去年6月国内能私有部署70B模型（具有700亿个可训练参数），年底Claude和DeepSeek出来又是质变。现在每季度回头测旧场景，发现很多过去做不到的现在能做了。我们最后把AI深度嵌到企业微信，员工不用跳转系统，直接聊天界面就能用。比如设计师做了个吉祥物生成工具，运营同事机器人10秒出图，以前找设计部排队得等半天。所以，要么做成“开箱即用”的闭环（比如集成到钉钉/企微），要么明确测试标准，耐心等机会，千万别做个半吊子功能，既浪费资源，又透支团队信任——用户试两次不好用，以后连AI本身都不信了。“数据安全”不再是企业落地大模型的主要障碍崔强：一个网友的问题：企业在引入AI过程中如何防护数据安全，有哪些泄露风险点？特别是需要私有化部署的企业，目前他们可能更关心这个问题。我看你今年给很多大企业、国央企讲过课，他们肯定很关心安全问题。这个有解吗？怎么解？杨芳贤：关于大企业通过私有化部署来解决数据隐私和大模型的安全问题，有两个维度的私有化：第一个是中间层应用私有化部署，比如Agent平台，语料向量数据库部署在内部，但模型层通过开发者接口接入。这种情况下，大模型厂商用自己的商业背书承诺不会把这些接口数据用于模型训练。如果不是涉密部门，这种模式是值得信任的。就像今天我们使用公有云一样，对大模型厂商来说，单个企业的数据意义并不大，他们愿意用商业信用做背书，这个方案是OK的。所以企业可以把涉及企业内部流程、知识的Agent平台，语料向量数据库部署在自己本地。当然对于党政机关、军工企业、涉密机构等特殊部门，他们需要基座模型都做私有化部署。这也是为什么今年DeepSeek开年之后就出圈了，各行各业都非常关注。因为过去的开源模型和国产模型能力跟OpenAI还是有一定的差距，但DeepSeek的R1模型已经接近甚至在某些中文场景下超越了OpenAI的o1模型。而且它开源后可以做私有化部署，这就解决了大家过去只能用少量脱敏后的数据测试体验一下，现在可以大规模的应用在工作生产环境了。如果基座模型也做了本地化部署，那么它的安全问题其实和数字化时代的安全管理非常类似。针对大模型也有一些额外的安全防控点，很多安全厂商也给出了解决方案。所以，安全不是落地应用大模型的主要障碍。前两年大家还在讨论要不要上、怎么接入的问题，而今天已经变成讨论怎样借助大模型构建AI生产力了。今年，我们看到很多企业都在找具体场景，思考怎样融入业务。数据安全现在对企业落地大模型来说，已经不是一个很重要的门槛了。企业“上云”，还是“下云”？崔强：今天的DeepSeek对企业软件到底是利好还是利空？回到SaaS这部分，DeepSeek会不会使得业务部门倾向于自己私有部署，这会是一个“下云”的趋势吗？会不会影响现有SaaS软件公司的业务？郭舜日：数据安全确实是非常敏感的问题。我们这些做了十几年的SaaS服务商，在安全方面都有保障和承诺。像我们服务的中国邮政、民航等大型企业，500多个分公司、3000多个账号都在我们平台上运行，已经建立了对SaaS软件的信任。但AI带来的新问题是，当数据都在公有云平台时，通过大数据挖掘可以分析出企业自己都还没总结出的商业逻辑和规则。去年9月，我们去美国考察时发现，SAP的很多大型客户正从公有云转向私有云部署，就是担心公有云厂商可能利用平台数据挖掘能力来服务整个行业。这对数据贡献最大的企业来说确实存在战略顾虑。不过对中小企业来说，它们既没有足够数据量，也没有能力进行独立的数据挖掘。所以我认为会有两个趋势：一是超大型企业可能会选择私有化部署，出现“下云”趋势；二是大多数企业还是会相信SaaS服务商，因为单个企业的数据价值有限，而SaaS厂商可以提供行业级的AI赋能。崔强：沈旸，从客户角度你怎么看？“下云”和“上云”会是什么比例？沈旸：我以前在企业提出过“敏变稳”架构：SaaS软件+开源低代码+商业ERP套件。现在AI可能会替代原来的低代码场景，业务部门不再需要拖拉拽，直接通过AI对话就能调用API获取数据。对于SaaS软件来说，如果软件不持续迭代，客户很可能会用AI在内部复制一套。很多客户其实只用到SaaS软件的少数功能，以前用低代码重建很困难，但现在AI让这事变得简单。未来，要让大企业真正使用SaaS，必须做到功能持续迭代，提供实时更新的数据服务，比如提供股票信息的SaaS，因为数据实时更新才有价值。如果软件功能或信息常年不变，客户就没必要用SaaS。杨芳贤：从企业视角看，DeepSeek这类模型的本地化部署是增量业务，不会影响企业现有的云策略。算力也不一定要本地部署，也可能在云计算厂商租用算力私有化部署，而且算力成本正在急剧下降，未能相同能力的模型尺寸会越来越小。未来的趋势是云侧的大尺寸模型和端侧的小尺寸模型的混合协同架构，所以云上的比例未必会下降。从SaaS服务商角度看，过去依赖闭源大模型，现在可以用开源模型开发更匹配场景的应用，模型部署在云端，通过集中调度能大幅降低成本。所以不一定是“下云”，部分业务“下云”，但更多业务会“上云”，整体对云服务还是利好的。崔强：今天我还见了个投资人，他们非常看好这波Agent浪潮会催生全新的服务形态。就像沈旸说的“ServiceasaService”，关键是要能交付明确价值的服务。我们把服务分为两类：开源（创收）型和节流型，但都需要清楚计算出为客户解决了什么问题，创造了多少价值。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
04/19
科技大厂掀起医疗界的AI革命，谁更有胜算？
医疗AI的改革正如火如荼，多家大厂纷纷下场，结果又会鹿死谁手？近两年，在大模型领域，国内外科技巨头在医疗赛道的布局都持续加速。王小川甚至曾高调宣称，医疗是“大模型‘皇冠上的明珠’”。医疗场景对AI的需求的确很高：数以万计的药品、繁琐又重复的阅片工作，乃至厚厚一摞专业书籍和临床指南……借助“硅基生物”的能力解决“碳基生物”的“看病贵看病难”“医疗资源不均”等问题，毫无疑问代表着科技的未来。正因如此，自最早的“互联网+”开始算起，从影像到病理诊断、从手术机器人到医疗大模型，AI在医疗领域引起的投资热潮和市场关注始终不减。但客观上，医疗AI的真正落地，离不开技术、产品、医患教育、政策监管等多维度的合力。这也是过去10多年来，医疗AI概念下的许多企业始终没能突破商业化瓶颈的原因。如今，随着大模型技术又一次突破边界，过去困扰医疗AI企业的诸多问题，有望迎来一个新解法。各大企业加码布局，或许只是开始。在这场由大模型掀起的医疗AI“革命”中，谁在抢跑？谁能成功？一、生成式AI，可能改变哪些医疗问题小到基层卫生院，大到头部三甲，医院争相部署自己的大模型应用，堪称2025年春节后医疗行业的第一个“奇观”。坦诚说，医生群体中虽不乏乐于拥抱新技术者，但“保守派”仍是大多数。相比于有事问AI，他们更信任从埋头苦读和临床实践中获得的“真知”。那么，认知是如何打破的？韩伟如今是首都医科大学附属北京中医院的信息科主任，最近，他们接入了蚂蚁医疗大模型，其具备医学思维推理能力与多模态交互，“不仅能给出解决方案，也会呈现思考过程”。“这对医生而言具有特别意义，因为我们想要的不仅是一个结果，更希望能参考它的思路，将来在遇到同类问题时，可以按照这个思路去思考。”他以一位意识丧失、无法进行心梗诊断的患者举例，往常，医院在接诊这类病例时只能召集多学科会诊，存在耗时长、效率低下等问题。但这一次，大模型只是根据患者既往接诊数据和病史情况，就逐步完成了病情分析和诊断建议，并对潜在风险进行了提示。“整个思路和结果与我们找的两位真人专家的诊疗建议基本一致。说明大模型的确可以帮我们省去一些会诊步骤，让医生将更多诊疗时间集中在病人身上。”韩伟解释。这种“AI更好用”的体验背后，主要得益于大模型的技术升级。有医疗大模型从业者介绍，如果对比两代AI技术，此前2.0时期的医疗AI更像是“判别式AI”，更擅长基于影像、推演数据做医学诊断问题；而基于生成式大模型的3.0时期，则是在做“序列预测模型”，即可以根据个人历史健康数据序列，预测未来的健康状态和疾病发展情况，进而形成个人的健康发展轨迹。而这道轨迹，对“个性化治疗和精准健康管理极具价值”。换句话说，过去，人们虽能感受到AI带来的就医服务升级（如AI预问诊），但体验上好像总差了点意思，是因为医疗服务的供应并未真正发生变化，核心劳动力仍然是医生。而如今，大模型技术带来的“生产力变革”，得以让AI开始深入医疗前端，通过更高质量的辅助能力让整个供应资源得到扩展。“有些变化看起来很小，比如远程会诊效率提升10分钟，但对患者而言就抢回了不止1小时。在过去与医疗服务从业者的深度合作中，我们也更加确定了AI医疗的价值。”蚂蚁方面解释。不再是“取代医生”或“爆改医疗”，10余年探索之后，科技公司们终于寻找到了AI技术与人类医生间的“平衡点”，即通过推动医疗资源扩容与服务普惠，比如更快缩小各级医院之间的诊疗差距、提升医生看新文献、研究病例、病患管理等方面的效率，让每个人都能拥有自己的高质量“AI私人医生”。尤其是今年，DeepSeek的“出圈”，更以汹涌之势在专业医疗机构、普通大众之间完成了一场“AI使用教育”，让AI更深入地渗透进医疗场景成为可能。这份潜力，为各大科技巨头、互联网公司再一次“押宝”医疗AI注入信心。二、取胜关键：医疗资源的争夺战当大模型技术为从业者带来了足够信心之后，下一个问题随之到来：如何让自己的产品在诸多竞争者中胜出？在医疗AI领域的诸多探索和叙事中，不变的一点始终是以医院为核心的医疗资源争夺。训练模型需要诊疗记录、影像报告等高质量医疗数据，培养模型的“医生”思维需要在具体科室里做针对性训练……换言之，谁覆盖的优质医院更多，胜算自然会更高些。新老玩家中，对于代表了老玩家的老牌医疗信息化企业、设备厂商而言，既往积累的渠道优势自然成为手中最大的底牌，而作为新锐玩家的科技公司们，不少则选择利用自己在算力、算法上的优势，通过和头部医院合作开发大模型来弥补这部分短板。但与医院的深度结合需要时间，无论是哪一方参与者，对医院的覆盖动作其实都是迟缓且有限的。是否有一种更轻盈些的方法？诸多案例中，蚂蚁的“长板”或许是略微不同的一种。蚂蚁最早的互联网医疗经验，应该从2014年在广州妇女儿童医疗中心开通支付宝挂号和缴费开始算起。截至目前，借由支付环节的打通，蚂蚁已联合3600家医院、服务超8亿用户。时至今日，仍然很难说有第二家互联网医疗公司能够复制这点。天平的一端面向医院：通常情况下，医院对软件类企业放开的合作往往只是一个小端口，比如面向某个科室。但在支付这个“总环节”上，整个医院的系统流程一定是向支付宝开通的，这意味着与医院拥有更深的合作基础。这也为蚂蚁将大模型等更深度介入医疗服务的产品带入院内，奠定了一定基础。天平的另一端则面向用户。互联网是患者获得医疗信息最重要的渠道之一。不过，常规的搜索平台、内容平台虽数量众多，但能带来优质使用体验者寥寥。直到今天，国内其实都尚未出现一个足够完备且深受患者信赖的互联网医疗健康平台。而依托于支付宝“超级平台”提供的独特落地通道，蚂蚁其实已经先一步完成了用户使用支付宝解决健康问题的市场教育。如今，许多患者已经习惯了不带医保卡，打开支付宝也能在医院签到候诊、缴费拿药。而支付宝首页的“医疗健康”模块里，也已聚合了全国九成以上的三级医院，覆盖买药、体检等上百种服务，为用户提供更便捷的健康服务体验。归根结底，在核心医疗资源的“抢夺”战里，所有参与者其实都是在用自己之前铺的渠道，做更擅长的事情。诸多玩家中，蚂蚁凭借此前在互联网医疗领域的长期深耕，或许会成为一个“全面布局、深度下场”的样本。三、联动医院、医生、用户，构建“生态壁垒”是不是解题新思路当掌握关键的医疗资源后，再下一步是什么？过去，不少医疗AI企业在从事产品开发时的问题在于，受限于经验和资源，往往会从某个单点切入，比如围绕放射科做AI阅片、辅助诊断等。而整个院内医疗体系庞大且复杂，牵扯的链条很多，这样“单点切入”的方式能解决的问题始终有限。正因如此，我们可以看到，一些医疗AI概念企业、大模型创业公司，的确做到了在短期内通过技术或商业模式上的创新在市场中突围，但很难构成长期壁垒。医疗AI竞争“内卷”的态势下，丰富的产品矩阵和生态“护城河”，或许是更难被复制的决胜关键。对此，蚂蚁方面也对36氪提到，大模型即产品，很多场景下的功能点都可以在一个对话框里解决掉。但在医疗行业，一个产品很难“打天下”，不同场景下AI能办的事不一样，满足需求的逻辑也不一样。因此，“我们从2023年开始研发医疗大模型时，就决定要和医疗机构深度合作，介入到完整的传统医疗场景中”。蚂蚁宣布整合现有资源，进行以医疗大模型为基础的“三端一体”战略布局，完成医院、医生、用户三大产品体系升级，正是出于这个原因。所谓“三端一体”，即面向医疗机构推出可供其直接部署的“大模型一体机”全栈式解决方案；面向旗下好大夫平台上28万注册医生的AI医生助手工具，提供文献检索、科研助手服务，以及服务于用户一侧的“AI健康管家”。这样的布局，并非是盲目将摊子铺开，每一项针对的都是当下某个医疗环节中的痛点。以“AI健康管家”为例，这项服务核心定位于服务普通用户找医生、读报告、陪诊等日常刚需的医疗服务。自去年9月上线的半年多来，该产品服务的用户量已达到4000万。值得一提的是，整个过程中，蚂蚁也不是一味自己“死磕”，而是邀请行业伙伴进行深度共建。比如在硬件部署上，蚂蚁就联合了华为、阿里云等厂商推出“训推一体，开箱即用”的轻量化设计；在大模型技术能力之外，则携手医疗机构一起实现应用层面创新，比如和浙江卫健委联合推出的官方AI健康应用“安珍儿”，现已覆盖超1000家公立医院、服务超3000万人次。过去，单打独斗难有出头之日。如今，平台型企业依托“场景+技术+开放生态”的独特路径布局，能不能为医疗AI搏出一个未来？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
