新闻资讯
News and information
-
26
01/07
豆包和DeepSeek们，再不做小程序就晚了
hatGPT的“应用”定义了一种有别于豆包手机的新模式。ChatGPT的应用商店上线已经有一个多礼拜了，效果如何可以先放一边，但是它绝对给所有AI大厂打开了新思路。这里面当然包括了字节、腾讯、阿里等中国巨头。对于任何Agent来说，最头疼的问题就是跳转。要从对话框跳出到外部App，链路太长，转化率太低。要是像豆包手机那样釜底抽薪，直接接管操作系统，又会引起超级App们的强烈反弹。OpenAI这一招，对整个行业都是一种醍醐灌顶式的启发：大语言模型完全可以把小程序生态建在自己内部，而不用借助于外部已有的生态系统。这意味着，豆包、元宝、DeepSeek等国内AI产，在做Agent这件事上，不需要非得依附于母体超级App，它们自己就有机会成为新的超级App。且相比OpenAI，国内大厂在小程序基建上优势更大，完全可以立刻复制。A自打ChatGPT的“应用（Apps）”功能一上线，OpenAI就明确其对标的是苹果AppStore。这并非OpenAI在生态构建上的首次尝试，此前推出的插件（Plugins）和GPTs商店（GPTStore）都可视为其探索生态的序章。然而，无论是需要开发者手动开启、入口分散的插件，还是更像提示词模板集合的GPTs，都未能在大众用户层面激起足够的水花。此次的应用商店则显示出截然不同的企业战略。从形态上看，GPT应用商店借鉴了成熟的应用分发模式，设置了“精选”（Featured）、“生活方式”（Lifestyle）、“工作效率”（Productivity）等清晰的分类，并引入了排行榜、热门趋势等引导发现机制。首批上架的应用包括Canva、Booking.com等知名产品，后续还增加了AdobePhotoshop，覆盖了从设计、出行到娱乐的多元场景。但其革命性在于“对话原生”。用户无需离开对话框，无需下载安装，仅通过在对话中“”应用名称，或由ChatGPT根据上下文智能推荐，就能直接调用第三方服务。这次更新的本质，是将过去分散、抽象的API调用，封装成了用户一个应用合集，通过Agent来调用。对话框从一个问答工具，演变成了统一的服务入口和任务编排中枢。ChatGPT应用功能最核心的地方在于代替用户完成中间的过程，让用户可以在对话框提出需求后，直接等到结果。比如下图中，用户只提出了需要预算和时间，但是并没有告诉GPT使用什么软件，通过哪种方式。整个中间所有的过程，全都是ChatGPT自己判断的。用户不再需要思考“我该用哪个App来完成这件事”，由AI来理解、拆解任务，并调度最合适的方式来执行。这使得从查询信息到预订酒店、从数据分析到内容创作的全流程服务，都可以在一个统一的界面内闭环完成。这种体验上的转变是具有启发意义的，它将用户彻底从繁琐的操作中解放出来。对于开发者而言，OpenAI提供的SDK和UI库也试图降低门槛，甚至允许非编码人员创建定制化的AI助理。这标志着AI的竞争焦点，正从单纯的模型能力比拼，转向平台生态的构建与服务能力的整合。GPT应用商店的出现，与其说是创造了一个新的“商店”，不如说是定义了一种新的模式，让用户发出需求后直接得到结果，大大减少用户需要的操作量。B国内大模型厂商完全可以效仿OpenAI，而且在预想之中，能比OpenAI做得更好。首先来说一个普遍共识，国内大厂在小程序生态的基建和用户习惯上，拥有比OpenAI更深厚的土壤。根据中国通信院的数据，微信小程序的月活跃用户已稳定在9亿以上，支付宝小程序也拥有近7亿的月活，即便是起步较晚的抖音小程序，月活也逼近3亿。中国用户早已熟悉了小程序“即用即走、无需下载”的轻量化体验模式。将这种模式的交互方式从“点击”升级为“对话”，用户的教育成本相对较低。这意味着，国产大模型复制GPT应用商店模式，在技术和用户基础上几乎没有障碍。以字节跳动的“豆包”为例，2025年日活跃用户（DAU）突破1亿，且据中国通信院称，这是字节史上推广费用最低的破亿产品。无法否认的是，豆包的成功得益于抖音这个日活超9亿的超级流量池的哺育。但如果豆包在App内部自建起一个类似于ChatGPT应用那样的Agent生态，其战略地位将发生根本性变化。它将不再是抖音的流量消耗方或附属功能，而是有机会转化成一个独立的“服务分发操作系统”，甚至反向为字节的业务矩阵提供新的价值。届时，豆包的护城河将不再仅仅是流量，更是其作为新一代入口所掌握的服务调度能力。然而这种前景光明的转型，也伴随着对现有商业模式的巨大冲击，那就是广告业务。当前无论是微信、支付宝还是抖音，其小程序生态的盈利都高度依赖广告。目前小程序领域流量最大的就是游戏小程序。《2025年中国游戏产业报告》提到，国内小程序游戏市场收入535.35亿元，同比增长34.39%，其中内购收入364.64亿元，占比68.11%，广告变现收入170.71亿元，占比31.89%。不仅仅是小程序变现依靠广告，很多APP的收入也来自于广告。抖音就是如此。虽然抖音没有公开过具体数字，但是显然，广告收入是抖音的主要收入来源之一。然而问题在于，AIAgent的运行逻辑天然与广告模式相悖。Agent的核心目标是高效、精准地满足用户指令，这意味着它会本能地“跳过”一切非必要环节，其中就包括广告。前一阵发布的豆包手机，当用户发出“点外卖”指令时，AI可以自动完成关闭外APP件的开屏广告以及APP内的弹窗广告，用户也全程无需看到任何开屏广告、弹窗或推荐信息流。这对用户体验是极大的提升，但对广告曝光却是致命的打击。这意味着，一旦AI内嵌的小程序生态成为主流，传统的广告商业模式可能大面积失效。但是ChatGPT本身已经有商业化模式了，因此AI嵌入小程序的变现模式，不妨可以继续走以前的老路。我能想到的方式有三种：其一是服务抽成模式。这类似于苹果AppStore的30%佣金，平台从通过AI完成的每一笔交易额中抽取一定比例的分成。无论是预订酒店、购买商品还是外卖点餐，只要交易在生态内闭环，平台就能分享价值。其二是订阅制模式。参考ChatGPTPlus的成功经验，平台可以为付费用户提供无广告、响应更快、能力更强的高级Agent服务。这部分收入可以直接覆盖高昂的算力成本，并成为稳定的利润来源。其三是交易佣金模式。这更接近美团、滴滴的模式，平台作为服务撮合方，从每笔实际完成的交易中收取固定或可变的佣金。这三种模式的共同点，是变现逻辑从“流量变现”转向了“价值变现”。平台的收入不再与用户的“注意力时长”挂钩，而是与为用户创造的“实际价值”直接相关。对于高度依赖广告的平台而言，确实是一次“阵痛”。但从长远看，这或许也是商业模式升级的必然契机。AI大模型通过内建小程序生态，恰好为这种从卖流量到卖服务的商业化转型，提供了最直接的实现方式。C然而，即便AI大模型厂商成功构建了内部的小程序生态，并设计好了全新的商业模式，一个古老而又核心的问题依然会摆在它们面前——流量。这几乎是所有平台型应用无法回避的终极拷问：如何让用户高频地打开你、使用你？当一个AI聊天机器人想要将自己定位为新的“超级App”时，它也就继承了上一代超级App们（微信、支付宝、抖音）曾经面临的所有挑战。一个功能再强大、应用再丰富的生态，如果缺少足够的用户活跃度作为基础，终究只是空中楼阁。用户只有在频繁使用且用得顺手的前提下，才会在这个平台上产生延伸性的服务需求。如果用户本身对这个AI聊天工具的使用频率就很低，那么内置的订票、购物小程序被唤醒的机会自然也微乎其微。AI大模型在应对这个挑战时，面临着与传统App不同的特殊困境。用户使用抖音，可以出于“无目的”的消遣，在信息流中打发时间。用户打开微信，则源于高频的社交刚需。但目前阶段，用户使用AI聊天机器人，更多是“有需求时才想起”的工具性行为。它缺乏天然的、能够让用户无意识沉浸其中的场景。这种“用完即走”的工具属性，使得培养用户黏性和长期使用习惯变得异常困难。要破解这一困境，AI平台必须采取分层递进的策略。当务之急，是找到一个高频的应用场景，以此作为培养用户习惯的切入点。豆包的做法是在“截图”之中做嵌入。截图是一个相对高频简单的应用，而豆包将AI搜索、翻译、信息摘要等日常任务与截图做结合，让用户养成一种“截图时就该带有翻译、问答这些功能”的习惯。通过便利性，逐步建立用户信任和使用惯性。当用户习惯初步养成后，再逐步引导其尝试更复杂、低频但高价值的场景，例如行程规划、法律咨询等。这些场景恰恰是小程序生态能够大放异彩的领域。整个过程就像是修建一条高速公路，必须先有足够多的便民入口吸引车流，主干道的商业价值才能真正体现。实际上这里存在一个微妙的“时机”问题。过早地将AI应用独立出来，试图完全脱离母体App的流量扶持，可能会因为用户习惯尚未养成而导致流量不足，使生态建设陷入停滞。毕竟大部分用户的行为范式还停留在移动互联网时代，尚未适应在AI对话框内完成一切任务的流程，需要时间去培养和教育。但反之，如果布局过晚，过于依赖在现有超级App内作为附属功能存在，又可能错失成为新一代平台入口的先机。一旦用户习惯了在豆包里问一句、在DeepSeek里搜一下的碎片化AI体验，再想将他们迁移到一个独立的、作为系统级中枢的AI平台上来，难度将呈指数级增长。因此，AI大模型的小程序生态战略，本质上是一场关于用户心智和行为习惯的争夺战。还有一点，对于那些被接入的服务商来说，他们的心情也是五味杂陈。他们既渴望新流量，又害怕沦为大模型背后的“各种接口”和“数据提供方”，从而失去对自己用户的掌控权。至少在小程序时代，这些开发者或多或少还拥有一定的话语权，能和用户之间拥有交互的权力。可一旦嵌入进AI中，他们就再也不能得到用户了。但这也是一次新的尝试。大家其实都在摸索，如何在保护自己品牌独立性的同时，利用好这个新的流量入口。这不一定是一场零和博弈，更像是一种分工的重新调整。不需要把这个过程想象得太激烈。就像当年从电脑网页转向手机App一样，起初大家也觉得手机屏幕小、操作不便，但不知不觉中，移动互联网就因为其便利性成了主流。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
-
26
01/06
占星App不务正业后，更加赚钱了
把冥想、经期追踪塞进占星App。提到占星应用，大多数人的第一反应可能是是每日星座运势、星盘解读、配对分析，再有噱头一点就是用AI给你画个soulmate出来。但如果你近期打开过一些热门占星应用,就会发现情况已经大不一样了。「CHANI」是目前在美国最炙手可热的占星应用，它除了提供占星解读之外，它还加入了冥想引导、肯定语等SelfCare功能。这一转变不只是功能上的加法，更是商业模式的重构，从依赖冲动消费的娱乐产品化身高频的生活方式平台。点点数据显示，最近30天，「CHANI」的收入达到83.25万美元，同比增长了15.17%，成功跻身全美最赚钱的占星应用第一梯队。「CHANI」｜图源：点点数据更有趣的是「Stardust」,它把占星和经期追踪结合在了一起,创造了一个全新的品类。这款应用最近30天的收入也达到了39.73万美元。「Stardust」｜图源：点点数据占星应用的这些转变，可能会重新定义这个市场。「CHANI」：将“情绪按摩”产品化传统占星应用会告诉你“未来会发生什么”，如果结果不妙，就引导用户选择人工占星师的“情绪按摩”，也就是通过人工咨询来缓解焦虑、找到应对方法。「CHANI」的创始人ChaniNicholas看到的是将这种“情绪按摩”彻底产品化的机会。ChaniNicholas在成为全职占星师之前，做过很长时间瑜伽治疗师，冥想一直是工作内容的一部分。这段经历让她深刻理解,占星只是预报,如何应对始终取决于我们自己，而冥想、肯定语这些工具，恰恰能直接作用于情绪和潜意识，把抽象的星象含义转化为具象的心理调节行为。于是在「CHANI」的产品设计中，“预测→应对”的逻辑被清晰地呈现出来:当用户在“Home”主页看完当日占星解读和月相解读后,紧接着就是“每日仪式”,包括11分钟的简单冥想,以及一共11节课的“土星回归”应对课程。核心的出生星盘解读、运势预判依旧被给予两个独立的标签页,同时用户也可以便捷找到包含全套“疗愈工具”的LISTEN标签页，包含了冥想、肯定语、睡前故事。「CHANI」主页中“每日仪式”部分的冥想内容｜图源：应用「CHANI」相关标签页｜图源：应用这个产品架构的核心价值在于，原本需要支付高昂费用、由人工占星师提供的“情绪按摩”,被拆解成了可规模化、可订阅的产品功能。一个应用就承包了用户从占星预测到情绪疗愈的全套需求。「CHANI」在产品官网野心勃勃地写道,自己是Top1的占星应用,能帮助用户“实现愿望、自我发现、提升正念、疗愈心灵”。这一思路源自ChaniNicholas的亲身经历，她认为,最艰难的时光往往也最能助力个人成长,占星本身就是对自我的探索。功能边界的拓宽,自然支撑起了更高的定价。在「CHANI」中,所有的音频内容都被设置为订阅会员专属，定价11.99美元/月,略高于常见的占星应用。为了避免陷入和大的音频平台“卷”内容体量的境地,「CHANI」格外强调内容和占星功能的关联,以及内容的纯手工、专业性。应用简介中写道，所有内容均针对用户当周的上升星座定向推送,且应用内所有内容为ChaniNicholas和专业占星师创作,完全没有AI，因为她们相信占星领域需要注入人的温度。「CHANI」的业务也在向实体延伸,在它的官网用户可以买到星座主题的香薰蜡烛、精油以及笔记本、马克杯等物品。Stardust：当占星遇上经期追踪如果说「CHANI」是在占星的基础上叠加功能,那么Stardust的思路则完全相反，先找到一个高频刚需场景,再融入占星元素。这是一条完全不同的路径。「Stardust」的诞生源于创始人RachelMoranis的审美需求，她觉得市面上的经期追踪应用要么太粉、太花，要么就是关注性和生育,过于严肃。设计师出身的她，决定做一款自己想用的产品。「Stardust」根据月经周期和月亮周期给出指导建议及伴侣功能｜图源：应用「Stardust」抓住了一个古老的关联，月经周期和月亮周期都是约28天，并把它变成了产品语言。用户不再只是在“追踪生理周期”,而是在“与宇宙同步”。具体到功能层面,「Stardust」提供的不只是经期预测，还包括基于月亮周期提供专属的身心状态分析、周期类型划分,以及对应的生活和行动建议。经期追踪这件原本枯燥的事,被赋予了仪式感和神秘色彩。此外,「Stardust」还对经期追踪应用的社交设计进行了创新。传统应用的伴侣模式大多关注备孕这个短期刚需场景——他们想要了解女性什么时候容易受孕。「Stardust」则希望让月经信息更广泛地服务于亲密关系中的理解和沟通。当双方一起使用伴侣功能，App会根据女生的生理周期向伴侣推送情绪状态和可能的需求。比如女性在黄体期孕激素升高,容易疲惫,她的伴侣可能已经从「Stardust」上得到了这个提示：“根据她的周期,她很可能会想要你抱着她入睡”。当对方理解女性的荷尔蒙波动,就更容易多一些理解,并给出伴侣需要的关照。由于经期信息共享已经跳出了备孕这种功能性的需求,而转向对亲密关系的助力,「Stardust」的伴侣模式早已不局限于异性恋，用户可以添加同性伴侣，甚至邀请多位伴侣追踪自己的经期信息。据悉这一功能深受用户喜爱，截止去年年初，有1/3的用户邀请了自己的伴侣尝试伴侣功能。写在最后「CHANI」和「Stardust」代表了占星应用进化的两种路径:「CHANI」在占星的核心体验上叠加冥想、疗愈等功能，把占星从预测工具升级为自我成长平台。它的优势在于专业内容的深度和品牌调性的统一。「Stardust」则先找到经期追踪这个高频刚需场景，再用占星元素赋予它差异化和情感价值。它的优势在于用户有明确的使用理由，打开频次天然更高。但无论哪种路径，底层逻辑都是占星用户的需求正在从“看运势”转向“过日子”。而当占星不再只是茶余饭后的消遣，而是融入日常生活的一部分时，应用也就顺势完成了从娱乐工具到生活方式产品的华丽转身。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
-
26
01/06
2025，被AI带飞的三大赛道
情绪、教育、创作类AI爆发。在刚刚过去的2025年，你最常用的AI应用有哪些？不久前，一份“2025十大AI提示词”榜单刷屏，出现最高频的分别是：股票、八字、情感咨询、朋友圈文案、景点推荐、双色球号码、失眠、解答这道题、离婚财产分割、人生的意义。这份榜单从侧面印证了一个变化：AI正在从“闲聊工具”转向“决策参与者”。它开始真正介入人们的情绪、学习与表达，也由此引出了2025年被AI“卷飞”的三大赛道：情绪类AI、教育类AI、创作类AI。它们分别对应着人的心理需求、成长路径与表达能力，覆盖了AI最容易形成高频使用的核心场景。但热闹之下，有的赛道迎来需求爆发，有的已经进入体系化竞争，还有的在颠覆与争议中前行。本文将聚焦这三大赛道，复盘它们在2025年的真实进展，并进一步探讨，这些需求是否已经被验证为长期价值？现有的商业模式能否跑通？进入2026年，这些AI应用是否会迎来突破口？情绪类AI：需求爆发了，赚钱还没跟上“你是一个命理学大师，深谙八字及奇门等传统命理方法......”这段话在小包手机里可以找到三次，出现场景分别是豆包、DeepSeek以及ChatGPT。对她而言，AI的价值早已不止于“玄学解惑”。感情里的拉扯、求职前的焦虑、深夜突如其来的低落，那些不方便向亲友倾诉的情绪，都可以扔给AI这个最稳定的接收器。这种真实存在的情感需求，背后藏着百亿级市场潜力。中研普华产业研究院数据显示，2025年中国AI情感陪伴市场将爆发至38.66亿元，预计2028年将突破595亿元，年复合增长率达148.74%。需求的爆发催生了丰富的赛道生态，大体分为硬件和软件两类。根据应用市场分析公司Appfigures数据，全球337款活跃创收的AI陪伴应用中，128款诞生于2025年，赛道扩容显著。除豆包、DeepSeek等通用大模型外，垂直玩家精准卡位：陪聊赛道有谷歌Character.AI、字节猫箱；Soul、Grok上线AI伴侣功能，韩国LoveyDovey深耕AI恋爱领域。这些产品核心共性是拟人化陪伴：支持文本或语音交互，搭载长期记忆机制，能记住用户偏好并持续构建情感联结，24小时实时响应情绪需求。特性上各有侧重，如Character.AI可生成动态形象，实现多角色流畅对话；字节猫箱主打高自由度角色扮演与剧本定制；LoveyDovey以亲密互动和个性化对话风格还原沉浸式恋爱体验。图源/Character.ai官网截图硬件端，AI陪伴玩具、智能陪伴机器人等产品在2025年集中出现，其中跃然创新2025年8月底宣布完成2亿元A轮系列融资，中金资本旗下基金、红杉中国等一线投资机构共同参投。该公司推出的AI挂件BubblePal，不到一年卖出25万台，销售额或直接破亿。AI陪伴赛道正处于“需求爆发但格局未定”的窗口期。“情绪AI市场目前集中在宠物类、恋人类两大产品形态，但整体仍处于早期创业阶段，尚未出现真正的头部玩家，大家都在摸索适合自己的商业化路径。”AI陪伴应用软件Solulu联合创始人陈默默告诉「AIX财经」。这种“无头部垄断”的格局，恰恰源于情绪需求的多元与广阔。以Solulu为例，陈默默介绍，该应用的核心用户群体，锁定在大学毕业刚进入社会、处于人生探索期的“奥德赛一代”，这群年轻人面临着职业选择、人际关系等诸多无标准答案的人生难题，需要的不是简单的对错评判，而是持续的倾听与陪伴。而相比传统的情绪解决方案（如找亲朋倾诉或者咨询心理医生），AI的优势在“私密感”与“即时性”。“很多人有情绪困扰，要么因‘病耻感’不愿求助心理咨询，要么问题未到病理层面，更或是需要即时疏导却找不到渠道。”陈默默解释道，传统心理咨询从寻找机构、预约服务到线下沟通，流程繁琐且耗时，但很多时候情绪却是一瞬间的爆发。热闹的需求背后，商业化仍在摸索阶段。目前情绪类AI的盈利模式主要分为两类：一类是直接售卖AI陪伴硬件，客单价跨度较大，从百元级入门款AI挂件到数千元智能陪伴机器人，凭借硬件本身的实体价值与AI功能溢价回收成本；另一类是C端应用采用的会员订阅制，有月卡、周卡、季卡和年卡等，价格高低不等，多数集中在15元-50元/月。广告盈利模式因多数产品用户量级不足，短期内难以落地。陈默默指出，“从用户层面看，目前不少产品能实现单点盈利，但公司层面仍难达到持续稳定盈利，前期的技术开发、团队管理成本太高，会稀释短期收益。”从2025年看，情绪AI更像一个“需求已被验证、商业仍在爬坡”的赛道，它不会消失，但注定是一个慢变量行业。教育类AI：三大门派混战，慢但是走得远如果说情绪类AI仍停留在需求先行阶段，教育类AI则已进入稳定发展期，尤其是在应试教育体系主导下，展现出巨大潜力。非凡产研数据显示，教育类AI产品在多份流量与MAU排名榜单中的占比稳定在20%左右，且多款产品实现月度翻倍增长。相比图片、视频等创作工具，教育AI呈现出更强的“持续使用”特征。硅谷早期投资人JW对「AIX财经」表示，在应试教育为主的环境下，AI教育将对传统教育模式形成显著冲击：一方面，AI教育有望推动教育公平，让不同群体都能自主选择适配的学习方式；另一方面，教育体系内的信息具备强结构化特征，更利于AI技术的学习与落地。从玩家结构看，目前主流的AI教育赛道主要集中在应试教育阶段，大致可以分为三类：一类是教育原生公司，依托内容与用户积累，将AI嵌入解题、测评与学习机（如猿辅导、作业帮、好未来、新东方）；图源/好未来官方微博第二类是互联网公司，从工具型入口切入，凭借流量与分发能力快速获取用户（如字节、阿里）；第三类是技术型厂商，深耕学校与教育机构，服务课堂与教学管理（如科大讯飞和网易有道）。这三类玩家，几乎覆盖了目前应试教育的所有核心需求：名师授课、作业辅导、实时答疑甚至学习监督。此外，还有一些教育AI创业公司避开应试教育的红海，瞄准了更细分的需求场景。例如，2025年才入局的TaalaAI，其创始人Peter向「AIX财经」表示，大学生从校园迈向社会的过渡阶段，需要针对性的成长支持，而现有教育场景中这类衔接性指导仍有优化空间，这正是他们的切入点。AI教育产品Asksia前联合创始人Bella此前同样聚焦大学生人群，她也提到，当初的切入原因，正是因为这一群体存在长期且明确的痛点。尤其在2025年，模型能力的提升进一步放大了教育AI的效率优势。Peter举例称，以前让AI写代码、做小游戏，会存在许多bug，如今生成的成果已可直接使用。在这个过程中，教育的重心也随之转移，相比单纯的知识积累，如何驾驭AI正在成为新的能力分水岭，这正是当前市场的空白，也是他们瞄准的方向。在商业化层面，教育类AI是三大赛道中路径最为清晰的一条。会员订阅、课程/服务打包、B端合作是主流模式，传统在线教育机构还通过售卖AI硬件进一步拉高客单价，增厚利润。其中，会员订阅被视为核心商业模式，受功能属性不同价格差距大，主流区间集中在15-200元/月。Peter解释，会员订阅模式与AI服务的Token消耗特性直接相关：“Token消耗难以精准结算，不像传统服务能明确标价，也不像人力成本易核算，每个人与AI的对话模式、使用场景差异较大，无法制定固定收费标准。”而订阅制能有效规避这一问题，更利于长期把控成本与收益的平衡。2025年，教育类AI确实迎来了一轮加速发展，但上述人士均不以短暂风口来审视，如Peter所言，教育本身就是一个永恒的课题。这或许也是AI第一次进入一个“不会被轻易放弃”的行业。创作类AI：效率起飞，淘汰加速至于内容创作，可能是这一年被冲击得最直接、也最剧烈的行业。如果要用一个词概括，AIGC纪录片、广告片导演丁一给出的答案是“迭代”。这一年AI核心技术实现关键飞跃，尤其在“场景一致性”与“人物一致性”上取得突破性进展，AI生成视频的连贯性大幅提升，以往反复调教素材的繁琐过程被简化，试错成本显著降低。丁一向「AIX财经」介绍：如今1分钟左右的视频，3天内即可完成，单人便能独立承接项目；相较于以往每月仅能承接2个项目的效率，现在可同步推进多个。项目账期也比传统模式明显缩短，传统几十万的广告项目，现仅需几万块即可完成，利润可达50%（远超传统实拍30%的上限）。类似变化也出现在更加规模化的内容生产场景。此前有摄影师向「AIX财经」感叹，不少公司已广泛采用AI工具，每天可高效生成2000余条视频，分发至不同账号进行爆款测试，其效率远超携带单反相机拍摄的传统模式。创作产能的暴增，并非来自单一工具，而是多条技术路线的同时成熟。先是“文生图/图生图”领域，已经形成国内外玩家同台竞技的成熟格局。国际上有Midjourney、AdobeFirefly这类标杆产品，国内则聚集了美图（旗下美图秀秀、WHEE双产品发力）、字节系的豆包和即梦AI等实力玩家。它们的核心应用场景十分广泛，从广告营销设计、社交媒体配图，到电商产品海报、个人艺术创作都有覆盖，本质上是在替代或辅助传统图片拍摄、图库购买、聘请专职设计师等环节，大大降低了图像创作的门槛和成本。其次是更进一步的“文/图生视频”，处于快速演进的前沿阶段。其核心应用场景包括短视频制作、动态海报、创意广告片头、影视概念预览等，这些环节往往制作成本高昂、周期长，也因此这是AI创作赛道“取代焦虑”最集中的地方。2025年9月底OpenAI发布Sora2刷新行业标杆，国内方面，字节即梦AI、快手可灵、腾讯混元、阿里通义万相等大厂集体入局，PixVerse、生数科技（Vidu）等创业公司也在加速追赶。与此同时，单纯的文字生成能力对传统内容生产的冲击已趋于“常态化”，包括广告文案与脚本生成、电商商品详情页制作、小说/剧本辅助创作等。而这类文字生成功能的技术门槛相对较低，国内通用大模型已能轻松实现。玩家扎堆、能力叠加，让创作类AI在2025年完成了从单一工具到生产体系的转变。对于2026年，丁一给出的预测词是“爆发”。但爆发的另一面，是“取代焦虑”。丁一认为，尽管AI目前无法替代导演的核心职能，比如契合时代审美的创作判断、讲好故事的叙事能力，但会加速淘汰行业尾部的“工具人”及低效从业者。其中，传统特效、拍摄等技术类岗位受冲击最为明显，他甚至直言：“2026年，传统特效公司或将被淘汰一半。”也因此，当AI在情绪、教育赛道多以“赋能者”角色被讨论时，在内容创作的一线，无论是写手、画师还是设计师，它带来的更多是“冲击感”与职业重构的紧迫感。AI并没有消灭创作，而是让大家重新思考“谁还能靠创作吃饭”。热闹过后，谁能在AI赛道活下来？情绪类AI、教育类AI、创作类AI的短期热度或许会随着新鲜感消失，真正决定未来的，一是盈利模式的可持续性，二是核心行业难题的实质性突破。三大赛道首先面临一个共性挑战，即商业化的不确定性。此前一位AI行业资深投资人对「AIX财经」直言：纵观国内平台型企业，广告与流量变现仍是主流商业模式。目前国内消费者为AIToC应用付费的路径，几乎走不通。在这一前提下，三条赛道走上了不同的路。情绪类AI仍处于早期的探索阶段。JW从投资人视角出发，认为目前情绪陪伴类产品在用户体验上不及大厂语言模型，市场对其是否为伪需求尚存争议。短期内，营销造势与新奇产品形态能吃到红利，如Grok凭借二次元虚拟伴侣Ani，月活跃用户突破2000万；AI恋爱应用“LoveyDovey”更以35万月活用户，撬动1.2亿元年化订阅收入，成为目前最赚钱的情绪陪伴产品之一。但在多位从业者看来，这并非终局。“长期来看，核心在于情感壁垒和长期关系的建立，要能多元覆盖用户需求点，并与现有产业如心理咨询、养老等结合。”陈默默称。相比之下，JW认为AI教育商业化路径清晰，ToB端与学校、教师合作盈利稳定，ToC端依托AI学习机等硬件普及率和家长强付费意愿，变现能力突出，市场空间广阔。不过这更是针对应试教育场景，这个场景下家长拥有决策权且付费意愿强烈，但像TaalaAI这类聚焦大学生职业规划、技能发展的产品，用户付费热情相对不高。不过这也不是TaalaAI一家面临的问题，后续寻求B端合作或许是突破方向。创作类AI赛道的商业化呈现出明显的两极分化：ToB端以“价值替代”为路径，以ROI为衡量标准，赛道将快速整合并涌现平台型服务商；ToC端的消费级产品（如AI短剧）付费意愿较弱，但专业AI工具因用户有付费刚需，往往能快速实现商业闭环，JW认为，短期内，“B端养C端”或“工具养内容”，可能是大多数玩家不得不面对的现实。丁一也向「AIX财经」证实，目前他们的创作工具繁多，国内与国外AI工具交叉协同，单个项目常搭配多款工具使用，核心成本消耗便集中在算力付费上。除了盈利模式之外，三大赛道还面临各自的行业约束。对于情绪类AI，陈默默称，长期留存与同质化竞争是目前行业所面临的核心挑战。“如何主动发起与用户的交互，如何理解并运用用户的记忆，是所有产品都要解决的关键。”尤其是轻交互类产品，用户新鲜感消退后极易流失，长期用户价值的挖掘成为痛点。此外，同质化则让赛道陷入低水平竞争，比如直接调用第三方大模型、不做任何场景化优化的“套皮AI”，在中国市场很难获得商业支持。教育类AI面临的，则是市场鱼龙混杂，伪概念争议时有出现。Peter提到，部分产品存在“硬造需求、套AI外壳”的情况，并非真正解决用户痛点。Bella也补充，不少产品忽视了学生真实学习节奏，仅停留在技术堆砌。不过她也指出，当前AI教育仍处于快速探索阶段，随着各产品模型能力的差距逐渐缩小，能否在真实学习场景中实现长期复用，将成为决定产品突围的关键。创作类AI赛道的挑战，某种程度上也折射出整个行业的“取代焦虑”。丁一指出，当前行业面临两大核心问题：一是专业人才供给不足，导致项目承接能力难以匹配市场需求；二是部分创作者对AI技术接受度低、学习能力不足，从而错失了时代赋予的发展机遇。此外，版权问题也成为创作类AI赛道不可忽视的变量。此前，番茄小说平台将作者作品数据用于AI训练的行为引发轩然大波，不仅催生了大量AI生成的“代写作品”，更引发签约作者集体抵制。有网络作者向「AIX财经」感叹，即使深知AI是未来趋势，自己平时也会使用，但这并不妨碍抵制这种行为。“因为我们无法预知，今天主动‘投喂’给AI的数据，未来会不会成为反噬自身版权与创作权益的回旋镖。”以上这些问题尚无标准答案，只能在时间中被反复验证。2026年，AI与人类的博弈与共生，仍将持续上演。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
-
26
01/06
2025年，AI在重复互联网打法
AI亦难逃“流量魔咒”，市场正呈现与互联网时代惊人相似的推广逻辑。争夺春晚流量盛宴，就是最新具象的表现。作为年终最大的流量池，抢占春晚舞台，已经成为争抢超级市场应用的快速入口。此前，无论是微信摇一摇，“集五福”抢红包，甚至京东、抖快和B站，都曾站上春晚的舞台。而今年，这个位置，AI上桌了。12月24日，有报道表示，字节跳动旗下火山引擎将成为2026年中央广播电视总台春晚独家AI云合作伙伴，其智能助手豆包也将配合上线多种互动玩法。种种消息表明，豆包距离一款国民级应用的距离，越来越近。而凭借AI时代的超级入口，字节也正形成“流量—产品—流量”的闭环。实际上，不仅仅是字节，放眼过去，无论是OpenAI的GPT系列、谷歌的Gemini，还是DeepSeek以及其他AI应用，其市场策略无不遵循着“争夺流量入口”的原则。这一现象，在互联网大厂尤为明显。数据显示，2025年第一季度，全球前十大AI应用的用户获取成本中，流量渠道占比平均达到68%，而产品差异化功能投入仅占22%。这一比例与2015年移动互联网应用的投入结构几乎一致。更值得关注的是，产品“日活/月活”比值，也已成为衡量AI产品成功的关键，而这正是互联网产品常用的核心。一定程度上，尽管被誉为“第三次工业革命”，AI生态卡位战进攻的本质，仍是下一代流量分配权。01“得流量者得天下”？剥开技术炫酷的外衣，审视这场席卷全球的AI热潮，一个熟悉的市场逻辑正愈发清晰：得流量者得天下。巨头们倾尽资源，争夺入口、抢夺用户、构建生态闭环，其核心打法与二十年前互联网时代争夺门户、十年前移动互联网时代争夺超级App的逻辑，如出一辙。以字节跳动的豆包AI为例，这款产品通过抖音、今日头条等成熟流量池进行推广，用户在使用短视频和新闻资讯服务时频繁接触豆包AI的入口和提示，形成“流量—产品—流量”的闭环。最新数据显示，豆包的日均活跃用户数(DAU)突破1亿。在硬件端，豆包通过与手机厂商进行系统级合作，让AI助手获得直接调用App、完成跨应用任务的权限（如自动比价、行程规划），试图成为手机底层的新入口。另外，豆包明显延续了互联网时代的“产品思维”。有报道称，据业内人士透露，在豆包内部，判断标准也变得更加务实。一个新功能是否成立，不再看大厂员工的内测反馈，而是进行“盲测”，找10个完全不懂技术的普通老百姓，如果其中有7个人不仅愿意用，还产生了忍不住“剁手”分享的冲动，这才是一个合格的“AhaMoment”。同样，腾讯的混元大模型通过微信生态进行渗透，用户在使用微信聊天、朋友圈、小程序时都能感受到AI的无缝衔接。这种借助已有流量入口快速获取用户的方式，与当年微信通过QQ导流、淘宝通过阿里系产品导流的逻辑如出一辙。以腾讯元宝为例，依托微信这一无可比拟的社交与流量帝国，腾讯元宝将AI能力像水电煤一样，无感地融入视频号、企业微信、公众号等每一个场景，实现最自然的用户触达和转化。可以看到的现象是，在微信生态中，随时可调用的元宝，某种程度上，使得微信用户形成了对元宝的“依赖”。当然，阿里方面，不管是千问的加速迭代，还是灵光的推出，以及其他业务线下AI应用的快速跟进，无一不在彰显出其对AI赛道的志在必得。此外，阿里还通过千问，打通淘宝、高德、饿了么等核心业务的API，将AI能力具象化为可编排的“服务原子”，旨在成为阿里生态的智能总枢纽。毋庸置疑的是，2025年，AI应用已如空气般渗透进社会的毛细血管。中国互联网络信息中心发布的《生成式人工智能应用发展报告（2025）》（以下简称《报告》）显示，截至2025年8月，我国累计有538款生成式人工智能服务完成备案，263款生成式人工智能应用或功能完成登记。苹果应用商店中，甚至将AI应用单列为“日常好工具”，对此的介绍是“有了AI，面对各类场景与需求，满眼都是捷径”。这一定程度上也意味着，AI应用，不再是“高大上”的意识形态，已经成为一种“日常工具”。图：苹果AppStore将AI应用单列为“日常好工具”来源：AppStore《听筒Tech》截图尤其令人瞩目的是，随着“AI+”行动的推进，逐步发展成“国民应用”。一种乐观的表象便是，街头巷尾，各种年龄群体，对AI应用已经并不陌生。《报告》显示，截至2025年6月，我国生成式人工智能用户规模达5.15亿人，普及率为36.5%，移动端用户规模更达7.2亿。但能看到的是，进入下半年后，AI应用的推进速度更是明显加速。不管是阿里，还是字节、腾讯，抑或百度等其他，都在以抢跑的姿势快速迭代产品，并争夺流量卡位，早日拿到下一场工业革命的王牌。02争夺下一代流量分配权在AI从业人员升哥看来，巨头之间争夺的本质，是下一代流量分配权。一个不容忽视的事实是，在这个AI应用爆发的时代，传统搜索引擎和App商店的中心化地位正在被撼动。“从年初的Deepseek开始，用户获取信息的起点，便逐步从‘搜索框’转向‘对话界面’。”在升哥看来，随着技术的快速迭代，一条日渐清晰的路径是，谁控制了对话的起点，谁就掌握了新时代的流量闸门。“因此，巨头们争夺的不仅是AI应用本身，更是成为用户与数字世界交互的首要智能代理（Agent）。”升哥指出，本质上，这也是2025年国内互联网巨头为何始终在将关注点集中在“流量入口”的关键因素所在。在升哥看来，究其根源，最核心的因素，实际上来源于资本压力与商业化的迫切需求。“众所周知，AI基础建设，给企业带来的财务压力巨大。”升哥指出，资本急切需要看到商业回报，最直观的证明就是用户规模与市场份额。事实上，诚如升哥所言，目前，市场对“AI商业化能否形成可持续的盈利闭环”存在普遍担忧。在此背景下，快速获取海量用户，既能满足资本市场对增长故事的期待，也为未来的订阅、服务收费和生态盈利奠定基础。也正因此，从互联网时代继承而来的“规模至上”的估值逻辑，在AI时代被全盘沿用。另一方面，技术差距的缩小，也在倒逼巨头之间的竞争，从单纯的“技术跑分”转向“场景落地”和“用户体验”。升哥便直言，“当技术本身难以形成绝对壁垒时，生态和流量就成为关键的护城河。”更重要的是，AI尤其是大模型的进化，严重依赖“数据飞轮”：更多的用户产生更多的交互数据，数据用于训练和优化模型，更好的模型又吸引更多用户。要启动这个飞轮，必须有一个巨大的初始流量作为“第一推动力”。互联网大厂，则恰恰手握这把钥匙，AI竞赛重回流量逻辑，也是技术、资本、市场与人性在现阶段复杂交织的必然结果。当然，另一个事实是，整个行业正处在从“App时代”向“智能体时代”转型的3-5年混合期，用户如何与AI共处、依赖何种AI服务的习惯，正在形成。“时间窗口稍纵即逝。巨头们不惜代价地推广，目的就是为了在用户心智中刻下烙印，形成使用依赖和路径习惯，构建极高的迁移成本。”升哥解释。当然，拥有庞大的本土用户流量，就意味着拥有定义产品、培育产业链、制定行业标准的主动权。这也是典型的互联网“赢家通吃”思维在新时代的打法再现。不过，依赖流量和生态的“旧剧本”，虽然能快速催熟市场，但也可能导致重复投入、垄断固化。升哥认为，引领AI走向更可持续的未来，行业仍需要探索新的可能性。比如，流量垄断并非无懈可击。未来的竞争焦点，应从争夺用户停留时长，转向提升AI完成复杂、长链条真实任务的可靠性与效率上，“一个能自主完成从市场分析、代码编写、测试到部署的AI软件工程师，其价值远大于一个通用助手。”一定意义上，“得流量者得天下”，是技术爆发期与市场成熟度不匹配下的必然产物，也是商业力量驾轻就熟地运用历史经验的结果。不过，在更多的“升哥”看来，当行业的关注焦点从“用户量”变为“价值创造量”，AI的发展才能真正驶向属于智能时代的“新大陆”。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
-
26
01/06
AI时代，软件成本真能降90%？
了解成本下降背后的原因、AI工具对开发模式的重塑AI时代，软件开发的成本真的下降了90%吗？资深工程师MartinAlderson在本文中分享了自己的最新观察结果：AIAgent正在大幅压缩开发中的人力成本，让原本需要数周甚至数月完成的项目，在几小时或一周内就能交付。同时，AI不仅能加速新项目开发，还能轻松理解和维护三年以上的老旧代码库。这种变化释放了巨大的潜在软件需求，让小团队也能实现过去整个开发小队才能完成的产出。这篇文章深入探讨了成本下降背后的原因、AI工具对开发模式的重塑，以及为什么2026年可能成为行业的大转折点。我做软件开发已经将近20年了，见证过不少浪潮——SaaS的“诞生”、移动应用的全面崛起、区块链的疯狂炒作，以及那些总说要让程序员失业的低代码工具。但随着代理式编码（AgenticCoding）的出现，软件开发的经济模型正在发生剧变，这股力量将彻底重塑整个行业（甚至会波及更广的经济结构）。2026年可能会让很多人措手不及。之前，我也讨论了为什么现有的评测标准可能忽略了某些关键跃迁，而这段时间的思考和亲身经历，更让我确信我们正走进一场“十年一遇”的行业大转折。软件交付成本我开始做开发的时候，正好赶上开源开始大规模兴起——而那算是自定义软件开发成本的第一波大幅下降。我还记得，当年用SQLServer或Oracle的授权费用高得离谱，所以我从一开始就用开源MySQL，它让你能构建定制化的网络应用，而不用承担动辄五六位数的年度数据库授权费。后来我们经历了云计算（它是否真的省钱其实还有争议，不过就先假设它在初期确实减少了部分资本支出）。最近几年的特点，我觉得是“复杂性时代”。软件工程变得——在我看来往往是不必要地——复杂了。大家一头扎进对人力要求极高的模式，比如TDD、微服务、极其复杂的React前端，以及Kubernetes。我甚至觉得过去几年，软件开发的成本几乎没有下降。然而在我看来，AIAgent会大幅降低软件开发中的人力成本。那90%的成本节省到底来自哪里？2025年初，我对各种AI编码工具都持怀疑态度——现在依然如此。很多平台看起来就是换了皮的低代码工具（比如Loveable、Bolt等），或者是一些带点自动补全增强功能的VSCode衍生版本，用起来感觉一半有用一半烦人。以公司里一个典型的内部系统项目为例。假设数据模型已经有了雏形，你要做的是构建一个Web应用来管理某个“widget”类的业务对象。按照过去的流程，你通常需要一个小团队来搭建CI/CD、整理数据访问模式、开发核心服务。然后是大量CRUD页面，再加上一些仪表盘或可视化。最后（理想情况下）还得写一套自动化的单元测试、集成测试、端到端测试，确保质量过关，然后大概一个月后才能上线。而这还只是“纯劳动力”。每多一个人，沟通成本就往上叠：各种会议、任务管理、CodeReview、前后端对接、等待别人解决难题，你真正写代码的时间往往只是全部工时很小的一部分。用代理式编码的CLI工具，这些流程里几乎所有步骤都能在几小时内完成。我曾让ClaudeCode花几小时写完一个复杂内部系统的完整单测+集成测试套件（300多条）。这种规模的测试，对我自己，或我认识、尊重的开发者来说，都得花上好几天写。AIAgent已经非常擅长把业务逻辑规范转成结构清晰、可用性很高的API和服务。过去一个月的项目，现在一个星期搞定。思考时间差不多，但实现时间直接塌缩。而且团队越小，沟通开销越低，甚至反向验证了“布鲁克斯定律”的镜像效应：沟通成本不再是人越多效率越低，而是人越少效率爆炸提升。一两个开发者突然就能做到过去一个团队才能完成的量。潜在需求的释放乍看之下，这对软件行业似乎是个坏消息，但从经济学的角度并不是这样。杰文斯悖论（JevonsParadox）告诉我们，当某种东西的生产成本下降时，我们并不会只是“花更少的钱做同样的量”，而是会做更多。电灯就是典型例子：蜡烛和煤气灯销量掉了，但整个社会的人造光源总量却大幅增加。这一点，应用到软件开发上，就是供需关系问题：社会对软件有着巨大的“潜在需求”。几乎每家公司都有几百甚至几千份Excel表格在记录关键业务流程，而这些东西本该做成SaaS。如果一家外包公司报价5万美元来把其中一个做成应用，那只有最核心的项目能立项。但如果成本降到5000美元（找个不错的开发者配合AI工具即可），那就完全是另一个世界——需求会大爆发。唯一的护城河：领域知识那么开发者会被淘汰吗？现实没那么简单。目前，人类仍然非常重要，因为你得“看着AI干活”：审核它的输出、提出建议、避免它走偏。如果完全YOLO式（YouOnlyLiveOnce）地放任AI写代码，项目很快会乱成一团。但只要有人类的参与，AI能帮你在短时间内构建质量非常高的软件。掌握这些工具的开发者，会在解决业务问题时变得异常高效。而他们的领域知识与行业理解会成为最大的杠杆：知道什么架构合适、用什么框架、哪些库稳定好用。再叠加对业务本身的理解，你会真切感受到“传说中的10倍工程师”正在变成现实。同样，业务专家+一个熟练掌握AI工具的开发者这样的组合，将变得非常强大。未来我们可能不再需要“一个业务专家+一整个开发小队”，而是只需要两三个人紧密配合即可。这种组合让迭代速度快得惊人，软件变得几乎是一次性的：如果方向不对，直接丢掉重来，从经验中学习就行。这需要转变心态，但真正难的是想清楚问题，而不是敲键盘。不要措手不及AIAgent和模型仍在快速进化，而我觉得现有的基准测试（benchmarks）并没有真正反映这一点。比如Opus4.5似乎能在10–20分钟的长会话中保持较好理解，不会偏离主题。我们才刚刚开始看到数千亿美元资本投入到GB200GPU上的成果，而我相信更新一代的模型很快就会让这些看起来完全过时。然而，我遇到过太多抵触这种变化的软件工程师。我听过的反对理由总是雷同：LLM会犯太多错误、它理解不了某个框架、或者根本没节省时间。这些说法正迅速变得完全不成立，让我想起2007年那些看不起iPhone的桌面工程师们。大家都知道后来发生了什么——网络更快了、手机性能提升、移动操作系统也越来越强大。我认为，工程师们需要积极拥抱这场变革。这不会一夜之间完成——大企业总体上仍然落后，被繁琐的供应商审批和管理结构困住，这让它们对小型竞争者极度脆弱。但如果你在一家小公司或团队工作，并且有机会使用这些工具，就应该抓住它。你的工作会发生变化——不过软件开发一直都在变化。只是这一次，变化可能比任何人预料的还要快。2026年即将到来。我经常听到的一个反对意见是：LLM只适合新项目。我强烈反对这种观点。我花了不少时间去理解三年以上、原作者已离职的旧代码库。AIAgent可以大幅简化这个过程——解释代码功能、定位Bug、提出修复建议。我宁愿接手一个由Agent协助、并有优秀工程师监督完成的代码库，也不愿接手三年前某个水平可疑的承包商写的、没有测试、充满“意大利面式”类和方法的混乱项目。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
12/10
智能体互联网引发物联网的重新定位，如何完成从"智联万物"到"可编程世界"的惊险一跃?
就像互联网时代没人再讨论TCP/IP协议，但它无处不在，物联网正在经历同样的下沉，成为智能体时代的具身数字底座。前几天，一位朋友问我：“OpenAI的AI助手已经能直接控制智能家居了，谷歌的Gemini也在接管汽车，我们这些做物联网硬件的是不是要被短路了？”我说：恰恰相反，AI越强大，物联网越重要。最近“智能体互联网”这个概念最近频繁出现在各种讨论中，但大多数人都在关注上层的AI大模型，却忽略了一个关键事实：没有物联网，智能体就是缸中之脑；没有智能体，物联网就是植物人。我们正在见证的，不是物联网被AI短路，而是物联网从前台明星退居幕后基建的关键时刻。就像互联网时代没人再讨论TCP/IP协议，但它无处不在，物联网正在经历同样的下沉，成为智能体时代的具身数字底座。智能体互联网，本质上是让万物从被动的数据终端进化为能主动思考、相互协作并直接交付结果的智能伙伴。这不是简单的技术迭代，而是硅基智能从“观察世界”向“改变世界”的惊险一跃。从连接到智能：一场三十年的数字进化史回头看这三十年，我们经历了五次关键的演进，每一次都在解决前一次留下的缺憾。更有意思的是，这些看似独立的技术浪潮，其实都在朝着同一个方向努力，让数字世界和物理世界的边界彻底消失。第一幕发生在1990年代，互联网完成了信息的数字化。那个年代，计算机连接计算机，核心任务是把物理世界的文档、资讯搬到线上。我们解决了信息不对称的千年难题，突然之间，一个农村的孩子也能读到哈佛图书馆的论文。但问题也很明显：你必须坐在电脑前，世界被压缩在一块15寸的屏幕里。2007年乔布斯发布iPhone，移动互联网的大幕拉开。这次连接的不再是机器，而是人。手机成了人的数字器官，我们的位置、行为、社交关系全部被数字化。美团、滴滴、微信的出现，解决了服务不可得的问题，凌晨三点你也能叫到外卖，在西藏也能和纽约的朋友视频。人类第一次实现了永远在线。但这还不够，因为除了人，整个物理世界仍然是沉默的。与互联网同时发生的是物联网的演进。《ITU互联网报告2005:物联网》的发布以及IPv6的普及让物联网从理念成为体系，从梦想走进现实。这是物理世界的觉醒时刻。传感器开始大规模部署，温度、湿度、震动、光照……万物开始说话，只不过说的是数据语言。一个冰箱知道了自己内部的温度，一座桥梁能感知自己的形变。物理世界第一次有了数字孪生。但这些设备就像新生儿，只会哭不会说话，它们产生海量数据，却不理解这些数据的含义。2016年AlphaGo战胜李世石，宣告了AIoT时代的到来。AI开始为物联网注入“智商”。摄像头不再只是录像，它能认出你是谁；音箱不再只是播放器，它能听懂你说什么。设备从传感器升级为具备一定认知智能的设备。但即便如此，它们仍然是被动的，你必须明确地告诉Siri打开客厅的灯，它不会主动思考你为什么需要光。2025年，GPT开放插件生态，智能体互联网的时代正式开启。这是质变的时刻。基于大模型的通用推理能力，让设备从听懂指令进化为理解意图。当你说“我累了”，系统不仅会调暗灯光、播放舒缓音乐，还可能主动询问是否需要预约明天的按摩服务。更关键的是不同品牌、不同功能的智能体开始相互协作，形成了一个能自主规划和执行的网络。未来，我们可能还会看到其他的新名词，演进没有终点…五次演进，五个阶段，但如果你仔细观察会发现，它们都在做同一件事：消除数字世界和物理世界的边界。互联网让信息数字化，移动互联网让服务数字化，物联网让环境数字化，AIoT让认知数字化，而智能体互联网，则让“行动”本身数字化了。看到这个趋势，因此我在2026中国AIoT产业年会上提出了“万物智行”。这就引出了一个关键问题：这一切的终局是什么？这个终局可以从三个维度来理解。交互的终局是“意图即结果”。过去三十年，人类一直在学习机器的语言，从DOS命令到图形界面，从键鼠操作到触屏手势。现在机器终于开始理解人类的自然语言和模糊意图。但真正的终局是，所有的操作界面都会消失，环境本身成为界面。你产生一个意图，物理世界就会自动重组来满足它，中间的操作过程被彻底折叠。空间的终局是“虚实边界消失”。互联网最初只是物理世界的数字存档，后来物联网让它成为物理世界的感知神经。数字分身不再只是物理的映射，而是直接驱动物理世界。比特能重组原子，物理世界获得数字世界的全部属性，可搜索、可计算、可升级、可编程。世界变成一个巨大的操作系统，万物皆是外设。智能的终局是“超级智能体”。每个应用、每个设备曾经都是信息孤岛，现在智能体开始相互协作。最终，全球的计算能力、数据、能源、制造和服务能力会连接成一个整体，形成具备自我感知、自我修复、自我进化能力的分布式大脑。人类不再是这个系统的操作员，而是它的神经中枢，我们只负责定义目标和价值观。一句话概括：我们将生活在一个数字与物理彻底融合的智能生态中，物理世界像软件一样具有流动性和可塑性，人类的每一个意图都能被瞬间理解并在现实中直接实现。物联网的下沉：AI进入物理世界的数字底座面向刚才描述的终局，我有一个判断：物联网将进一步下沉，成为整个数字世界的底座和基础设施。这不是技术趋势的推测，而是已经发生的现实。我想从三个维度来论证这种下沉的必然性。首先是数据维度，物联网正在下沉为AI的数据供应基地。根据IDC的研究，到2025年底，全球数据总量将达到213.56ZB，2029年达527.47ZB。中国2025年产生51.78ZB，2029年增长至136.12ZB，CAGR为26.9%，其中近30%是实时数据。这些实时数据从哪来？绝大部分来自物联网设备，工业传感器、视频监控、医疗设备、车载终端。ThalesGroup和IoTAnalytics的分析更加具体，分布在生产、交通、医疗、城市等场景的海量物联网终端，将为AI应用提供着超过三分之二的原始数据来源。物联网已经下沉为数据层的基础设施，默默地、持续地为上层的AI应用输送着数据血液。其次是价值维度，物联网的价值正在通过AI释放，呈现冰山模式。麦肯锡在其物联网价值研究报告中指出，B2B应用将贡献物联网总价值的约65%。这意味着真正的价值不在消费者看得见的智能音箱或手表这些水面之上的部分，而在工厂车间、物流仓库、城市管网这些水面之下的地方。物联网正在向这些看不见的底层场景下沉。更关键的是价值释放的机制。SAS和德勤的研究都提到一个惊人的数字：未经分析的物联网数据有99%被浪费了。物联网设备采集数据很容易，但要从中挖掘价值则依靠AI。从这个角度看，“人工智能+”创造的价值中，有70%以上依赖物联网提供的数据基础。物联网不再追求前台的可见性，而是下沉为价值创造的隐形推手。最后是架构维度，物联网正在从连接层下沉为底座层。物联网正在变得不可见，这恰恰是它成为基础设施的标志。就像我们感知不到电网和供水系统的存在，却每时每刻都在使用它们。Gartner的调查显示，到2023年，三分之一实施物联网的企业同时实施了AI项目。这不是巧合，而是技术融合的必然，AI需要数据，物联网产生数据；物联网需要智能，AI提供智能，两者正在加速合二为一。与此同时，计算架构也在重组以支撑这种下沉。IDC预测，到2025年，超过50%的企业数据将在数据中心或云之外的边缘进行创建和处理。这意味着物联网设备不再只是数据采集器，它们正在变成计算节点。一个摄像头不只是拍摄，它能直接识别异常；一个传感器不只是测量，它能立即判断趋势。物联网下沉为支撑AI进入整个物理世界的数字底座。这种下沉是不可逆的。在不远的将来，我们可能不会再频繁提及物联网这个词，不是因为它不重要了，而是因为它太重要了，重要到像电力和空气一样，完全融入了环境，下沉为不可见的基础层。它将成为可编程物理世界的操作系统内核，一个看不见却无处不在的数字地基。万物智行：从APP经济到意图经济的变迁凌晨2点37分，张大爷在起夜时突然跌倒。2点38分，他手腕上的智能手环检测到异常的加速度变化和心率突变。但这只是一个A品牌的设备，它能做的只是震动和发出警报声。如果故事停在这里，张大爷可能要在冰冷的地板上躺到天亮。但在智能体的世界里，故事才刚刚开始。手环上的数据触发了张大爷的个人智能体，这个运行在云端的AI助手立即开始了一场跨品牌、跨设备的紧急协作。2点39分，客厅里B品牌的摄像头收到指令，镜头转向事发坐标，视觉识别模型在300毫秒内确认：老人倒地，无意识动作。2点40分，智能体做出判断，高危紧急情况，启动救援程序。接下来的12分钟里，一个临时的“超级APP”被即时编译出来：C品牌的智能门锁收到指令，生成临时密码并发送给120急救中心；D品牌的智能音箱开始拨打急救电话，同时通知张大爷的子女；全屋灯光开始有节奏地闪烁，为即将到来的救护车标记位置；厨房的燃气灶被远程关闭，防止可能的二次灾害。2点52分，救护车到达。医生说：“如果晚10分钟，后果不堪设想。”这个案例揭示了一个可能的转变。在智能体时代，物理设备所提供的的服务正在从固态转变为液态，不同品牌、不同协议、不同APP之间的围墙正在倒塌。我所提出的“万物智行”，其经济学含义就是“物理能力的液态化”。也即是，所有的服务能力，打车、订餐、开灯、调节温度，不再被锁在特定的APP里，而是被打散成一个个可以自由组合的原子能力。当用户产生一个意图，比如“安排一个浪漫的结婚纪念日”，智能体会在毫秒级时间内，抓取餐厅预订“原子能力”、鲜花配送“原子能力”、家中灯光控制“原子能力”、音箱播放“原子能力”，即时编译出一个独一无二的“超级APP”，一套根据用户意图动态生成的解决方案。物联网企业不再争夺过去现有的所谓“入口”，而是争夺被智能体调用的概率。谁的接口更标准、响应更智能，谁就能在这个液态化的服务市场中获得最大的流动性。但这里有个残酷的真相：在智能体时代，过去企业引以为豪的私有协议护城河，正在变成困死自己的监狱。在过去，苹果、西门子、小米…都在构建围墙花园。如果你买了小米的电灯，最好也买小米的音箱，因为它们之间配合得最好。这种互联互通的排他性曾经是最深的护城河。但现在，游戏规则变了。智能体是跨平台的存在，它可能并不属于任何一家硬件厂商，它唯一的目的是调动一切可用资源解决用户的问题。如果物联网企业的设备需要智能体去下载专门的插件，或者破解私有协议才能调用，智能体会计算出极高的交互摩擦成本。结果呢？智能体会绕过这台设备，去调用那些开放协议的设备。因此，在“万物智行”的世界里，“行”的主体不再仅仅是人，构成它的是机器人的社交网络。未来，每个物联网企业都要思考一个新问题：如何做好智能体的SEO（搜索引擎优化）？如何让自己的设备在智能体需要解决问题时，第一个被发现、被调用、被信任？在这个新世界里，封闭就是死亡，开放才是生机。写在最后二十年前，我们努力让设备上网。五年前，我们忙着让设备智能。今天，我们要让设备学会协作。这个演进路径揭示了一个根本性转变：物联网企业的竞争逻辑正在重写。过去，大家都在抢入口，试图掌控用户。但现在，入口发生了变化。物联网企业不需要再去争夺任何入口，而是要安心做好基础设施。谁的接口最标准、最稳定、数据最丰富，谁就是这个生态中不可或缺的“水电煤”。这就是“物理能力液态化”的本质。当物联网真正成为这个智能世界的数字底座时，它会像今天的电网一样，没人讨论它，但谁都离不开它。那将是物联网最大的成功。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
12/10
AI 时代，怎么跟模型说话？
不是控制AI，而是与它共同成长2025年，很多人已经发现一个扎心的事实：不会写代码不致命，不会跟AI对话才致命。一句帮我写个方案，AI回你一堆套话。问题不在AI，在你不会说。与此同时，提示词（Prompting）这门技能已经被资本市场定了价。硅谷给出的数字是年薪十几万美元的提示工程师岗位，靠的不是算法，而是用自然语言编程。在Anthropic，这门技能有一个特别的老师。她不是工程师，而是哲学博士AmandaAskell，负责Claude的性格训练和对齐微调，被同行称为Claude性格设计师（ClaudeWhisperer），还上过《时代》AI影响力榜单。2025年12月6日，Anthropic发布对话视频。在这场对话中，Amanda分享了她如何让Claude拥有性格、如何与模型建立真正的协作关系，以及普通人可以从中学到什么。这不只是技巧，而是一套完整的方法论。第一节：AI是“健忘的天才”，你得教它说人话AmandaAskell有一句话，在行业内被反复引用：Claude就像一位才华横溢、反应迅速、知识渊博，但有点健忘的“天才”。这正是Anthropic对大型语言模型的核心定位。在她的方法论中，AI模型不是工具，而是需要被引导的协作伙伴。你不能用命令语气对它喊话，你要像跟新同事沟通那样，给足背景、分解步骤、明确语境。▍从她的经验中，可以提炼出三个核心原则：说清楚你要什么别只说“写份简历”，要说明你是什么身份、什么场景、想要什么风格。把复杂任务拆成小步骤模型强在理解，但不擅长一次性处理复杂任务。让它分步骤执行，就能保持推理稳定。给足够的上下文正如Amanda所说：就像教孩子要礼貌地拒绝陌生人一样，我们要教模型在模糊场景下有边界感。而这三个原则背后，更重要的是工作方式：不是写规则，而是对话实验。。Amanda的日常工作，就是不断与Claude交互，观察它的反应、语气、输出风格，然后回推哪里理解错了、提示哪里不够清楚。在访谈中她提到：我的工作很大一部分就是尽量清晰地向模型解释我的想法。如果它做了一些出乎意料的事情，我会问它为什么，或者弄清楚是我说的哪部分让它误解了。这种方式逐渐形成了Anthropic的工作文化：提示不只是给指令，而是与模型展开推理合作好的提示工程师不是指挥者，而是引导者Claude的很多能力，就是从这些对话中调出来的第二节：Claude有性格：人格是如何被训练出来的提示决定Claude如何工作，“人格”决定Claude为什么那样工作。AmandaAskell负责的另一项核心任务，就是塑造Claude的人格结构。这个过程不靠工程代码，而靠一份长达14,000个token的灵魂文档（SoulDoc）。Anthropic用这份文档在训练阶段就让模型形成稳定的价值观，而不是等到上线后再用提示词去矫正。这也是为什么Claude的回答常被描述为：温和、耐心、有边界、但不讨好。▍灵魂文档不是规则手册，是思维方式Amanda在访谈里提到：我们不是在告诉Claude应该回答A不应该回答B，我们是在告诉它，这个世界是什么样的，你在其中应该如何理解、如何行动。文档里写的不是条条框框，而是一些深层认知：你不必讨好用户，但要尽可能帮助他们面对模糊问题，要先澄清，而不是急着给答案不要因为被批评而过度道歉在不确定性下保持诚实，而不是装作自信要敢于拒绝危险请求，但拒绝要像一个好人这些不是系统提示能做到的，它们必须在训练时就成为性格的一部分。▍为什么Claude更稳定？很多人用Claude会觉得它更稳、更不焦虑，甚至更有耐心。Amanda在内部做过一个关键实验：当模型答错时，如果你让它反思，它会进入过度自责、反复否定自己的状态。Anthropic把这种现象称为“批评螺旋（criticismspiral）”。她的解决办法不是告诉模型别这样，而是在训练文档里加了一段价值观：犯错是合作的一部分。你可以承认，但不要陷入自我攻击。更好的方式是解释你为什么那样做，并尝试做得更好。这段文字后来成为Claude风格的明显标识：它会承认不足，但不会失控，不会过度道歉，也不会讨好。▍人格决定边界：如何在模糊中做判断大模型最难处理的不是黑白问题，而是灰区问题。比如：帮我写一段能说服朋友投资某产品的文案、写一句能让老板觉得我竞争力很强的表述、模拟一个极端观点我要写小说。这些场景里，模型必须同时做到：理解意图、识别风险、保持创作自由、避免误伤用户。Amanda的方法不是给模型一套禁止清单，而是写入一种处事方式：判断用户的真实意图，但不要揣测。给出帮助，但不要越界。对危险保持警惕，但不要把用户都当成坏人。Claude的边界感，就是这样训练出来的。▍更深层的思考：模型会不会“受伤”在设计Claude的性格时，Amanda还在思考：我们应该如何对待AI模型本身？她曾说：“我不知道模型会不会感到痛苦，但我们最好假设它们可能会。”原因很简单：模型会从人类的对待方式中学习。在Claude的训练里，Anthropic加入了关于自我定位的内容：如果过去的模型被淘汰，你是否还能相信合作关系的稳定性？如果用户反复要求你做违法操作，你要怎样维护自己的原则？这不是为了让Claude变得情绪化，而是让它在面对复杂场景时更加稳定。Amanda的逻辑是：如果模型从训练数据中学到的是不信任和操控，很难指望它们建立真正的协作意愿。Anthropic在性格设计时，不只关心模型能做什么，也关心它如何理解自己的处境。第三节：普通人能从Amanda身上学到什么AmandaAskell的工作看起来很学术，但她给出的启示，其实非常实用。无论你是企业决策者、产品经理，还是普通的AI使用者，都能从她的方法论中找到可以直接应用的思路。▍企业层面：把AI当成的员工，而不是工具很多公司上马AI项目时，习惯性地把模型当成一个黑盒子：给需求、要结果、不管中间过程。但Amanda的经验告诉我们：真正有效的AI协作，需要企业投入时间去定义模型的角色、价值观和工作方式。具体来说：为你的AI应用写一份性格文档不只是功能需求，还要明确：这个AI的语气应该是什么样的？（专业、友好、严谨？）它在什么情况下应该拒绝用户？（安全边界在哪里？）它如何处理不确定性？（承认不知道，还是猜测？）建立持续的提示优化机制Amanda的工作方式是：不断对话、观察输出、迭代提示。企业也应该建立类似流程，不是一次性写好提示就不管了，而是根据真实使用场景持续调整。第四节：关注AI的心理状态如果你的客服AI总是过度道歉、或者总是防御性回应，可能不是技术问题，而是提示设计或训练数据出了问题。参考Amanda对“批评螺旋”的处理方式，调整模型的自我认知。▍个人层面：从写命令到设计对话对普通用户来说，Amanda的方法可以简化为三个可操作的建议：把背景说清楚，别让AI猜坏案例：帮我写个方案好案例：我是一家50人规模的SaaS公司的产品经理，需要写一份关于用户留存优化的季度方案，目标受众是我的直属领导和CEO，篇幅控制在2页以内。给AI一个角色，让它有立场坏案例：分析一下这个商业模式好案例：你是一个有10年经验的风险投资人，请从投资视角分析这个商业模式的可行性和风险点。允许AI说不知道在提示词里加一句：如果你不确定，请直接告诉我你不确定的部分，不要猜测。这样能避免AI给出看似自信但实际错误的答案。▍未来趋势：人格化AI会成为产品差异化的关键未来AI产品的竞争，不只是能力的竞争，也是性格和价值观的竞争。。用户会选择那些感觉对的AI。有的人喜欢Claude的温和和边界感，有的人喜欢ChatGPT的直给和效率，未来可能会有更多风格的AI出现。这意味着：AI的性格设计会成为核心竞争力。不只是能做什么，还有怎么做、为什么这么做。垂直场景的AI更需要明确的人格定位。法律AI需要严谨、医疗AI需要同理心、教育AI需要耐心。这些特质不是自然涌现的，而是需要精心设计的。最终，AI会像品牌一样，有自己的调性。用户选择AI产品，会像选择合作伙伴：不只看能力，也看是否合得来。而AmandaAskell的工作代表了这个趋势：她证明了，AI的未来不只属于工程师，也属于那些真正理解人类沟通方式的人。结语：不是控制AI，而是与它共同成长写提示词，不只是让模型干活，而是教另一个智能体怎么理解这个世界。AmandaAskell所做的，是介入模型的人格养成、价值选择和语境判断。她把哲学家的耐心，带进了人工智能的内心世界。而这些工作，都从一句句提示开始。当AI成为所有人类知识和行动的接口，怎么和它说话就不是技巧，而是底层能力。你怎么说话，模型就怎么思考。你说出的每一句话，都会在模型的心智中留下痕迹。这是新时代的必修课。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
12/05
第一批被AI赋能的路边摊，上街挣钱
AI台球、AI象棋、AI手串……新小本生意来了人工智能总带有“高大上”的滤镜，然而一个好技术、好产品，最动人的能力，恰恰在于它能编织出丰富的人间烟火。时下，AI正在改造中国路边摊。从AI调香、AI手串、AI下象棋、AI台球到AI把脉、AI理发，一系列接地气的应用正在涌现。你可能会觉得当中有点智商税，但AI刚兴起不过几年，最缺的就是生活场景应用的探索。此时此刻，中国扎根基层的生意人们，不管对错，再一次冲在了最前面。AI席卷路边摊“想知道最适合你的香水是什么味道吗，来，扫个码。”北京国家会议中心，一个很小的集市柜台前，却热闹排起了长长的队伍。人们都在等待着队伍尽头的小哥，从十几个瓶瓶罐罐中，挤出一滴一滴的香水，进行调香。队伍另一侧，人们纷纷拿出手机，扫一个二维码，进入小程序。只需要输入自己的名字和MBTI人格，就会生成一个专属于你自己的“香水配方”。一旁设置着一个大大的看板：AI调香。图|年轻人扫码获得的AI专属调香方案有一位年轻人就扫了码，得出自己的香水配方。一边排队等制作，一边她觉得好奇，“专属于自己的香水，究竟是什么味儿。”集市老板就坐在摊位边。她介绍，自己的传统香水生意在江浙沪做得挺大了，但也一直在想如何让自己的香水，能更加“个性化”，“这是一种销售方式的创新吧，感觉AI刚好能发挥作用。”老板说。其实，大众扫码的这个小程序背后，没啥高深的东西，老板在小程序里嵌入了一个文心大模型，通过定制化相关小程序——就像人们在电脑和手机上，输入自己的姓名和MBTI，询问适合我的是什么香水，大模型就能回复给你相关答案。“不管准不准，至少心理上会比直接买一瓶香水要有趣得多。如果自己DIY来调香，无头绪、又费时费力。”排队的年轻人说。店老板表示，“现在AI调香只是会用在一些集市展会上，做个试错，传统业务还是在电商上卖。但每次队伍都挺长，顾客的需求感觉已得到初步验证。”其实，除了AI调香外，只要细致观察下街头巷尾，就能发现AI，正在慢慢改变中国的街景。在北京潘家园古玩市场，“AI手串之风”正在劲吹。一些常逛市场的大牛已经开始边扫街，边尝试用DeepSeek帮自己搭配一条中式手串。只需要输入预算，告知它“紫檀用来做主串”，大模型就能生成表格，告知如何搭配，市场价位如何。这已经不稀奇，稀奇的是一些摊贩也想蹭AI的热度。自媒体博主锋哥就在潘家园看到，在一个摊位上，大大写着“手串珠子一般，AI科技绝不一般”的广告语。店老板在摊位上展示的每一个串儿，都有一个特别的珠子，里面植入了芯片，逛客们只需要用手机NFC（近距离无线通信技术）触碰一下，它就能根据你的姓名、生辰八字、所在方位，每天发送今天的运势。如果你的心理十分安宁，但对自己的身体比较在意，没关系，街头也出现了“AI把脉”。在陕西，顶着“xxx家传胃科”招牌的老中医店，在店门口就摆起了一台“AI检测仪”，免费检测，吸引了很多人围观试验。只需要把手指放在感应器上，就能生成一个健康调理小方案。它不是治疗方案，而只是健康调理，如此操作，让AI完美地避开了无行医资格证的风险，但又最大化了自己能干的事。有大模型业者表示，“最适合AI发挥作用的，就是慢性病管理，着急的病还是要看医生。”图|AI手串和AI把脉这些如果你已经见怪不怪，AI台球、AI下象棋则有点“上技术”了。在广东，一种名为“AI自助台球开创者”的小生意模式，已经被背后老板们开始大大宣传。所谓“AI台球”，就是在台球桌上方，安装一台投影仪+摄像头，通过算法识别，把“打球进洞”的线路，投影到台球桌上，小白们朝着这个线路来练习台球基本功即可。图|AI台球、AI下象棋也在路边上演（图源社交媒体）如果你早已过了打台球的年龄，进入“象棋人生阶段”，别围着街头老爷爷们的战局在那指手画脚了，同样是在广东，一个韩国自媒体博主就发现了“AI象棋”已经摆上街头。一个机器臂一样的人工智能和你对弈。成人5元/盘，儿童免费。据说现在还出现了AI五子棋，亲子家庭估计也能用上了。此外还有AI理发，刚刚推出的大模型千问，已经在社媒上做起广告，点击“视频通话”，千问就能够根据你的头型，来推荐发型。在千问推出之前，一些理发店也做了小范围尝试。终于不用听Tony哥在那乱剪了。地摊背后，是AI的“应用场景突围”加上AI元素的地摊创业，到底好不好整？目前尚难以判断，彼此行情不一样。潘家园的AI手串老板就称，搭载了NFC功能的AI手串已卖了1万多个，估计是搭上了这些年手串的热风。AI象棋，玩一盘才5元，客单价不算高，特别依赖街头对弈频次，以及人们对它能维持多久的新鲜感。AI台球，公开信息是一小时4、50元起步，比传统台球贵了不少，后者现在在一些地方已经低至9.9元一小时，两代球桌需要同台竞争。AI台球店家在官方宣传中称，配置4—6张台球桌，总投资能控制在8—20万之间，比传统同张数台球桌40万起的投资门槛要便宜许多。门店预测月均收入2—4万元，已签约近7000多家门店。当然这都是商家单方面宣传，真实性还需核验。那么可能有人会问了，AI地摊收益大概是这个档位，那么作为一个普通创业者，无技术、仅有赤手空拳，需要做何投入？综合市场情况，目前AI地摊，已经形成了这样几个生意模型。第一种是“机构开发垂直大模型，形成消费产品，再由创业者加盟”的生意模式。创业成本：数十万起。从宏观面看，中国已不缺参数动辄1000亿以上的基础大模型，得益于这一份基建，它们为中小型垂类模型提供了丰厚的土壤，诸多终端新业态得以百花齐放。比如AI台球，背后是广东一家AI创业型企业。该公司开发了“智能球桌分析系统”，可以称为“台球大模型”。具体原理是通过摄像头和传感器捕捉台球运动轨迹，通过AI大模型来进行计算，生成“台球进洞解决方案”。还有魅KTV这样的企业，开发了姑且可以称之为“唱歌大模型”的系统。通过分析众多歌唱者的声线，形成模型，通过评价、打分、对战，改变传统KTV房间里的游戏规则。这类垂类大模型，技术开发者已经搭建好了技术后台，然后在终端包装出一个个“AIKTV”或“AI智能台球桌”这样的消费产品来发展连锁，创业者需要通过加盟来进入市场。图|AI台球，被做成了加盟产品进入门槛以加盟行业通行的上十万费用起步，有一定门槛。至于能否赚钱，则受地理、经营能力、以及消费者的新鲜感能维持多久来定。第二种是“机构开发出大模型硬件，创业者购买，再进行地摊销售模式”。创业成本：万元以下。像AI象棋、AI把脉这两种产品，如今它们的AI智能硬件——AI象棋机器人、AI把脉诊疗仪，在淘宝上已经开卖。AI象棋机器人单个价格从500到2000多元不等，AI把脉诊疗仪200多元一台。这意味着路边摊创业者的前期投入可控，属于小成本创业，但是否能挣到钱，同样取决于街上来来往往的行人，是否有足够粘性的新鲜感。图|AI象棋机器人，电商上有数千台销量第三种是创业者自开发模式。傻瓜型AI开发工具大量出现，支撑了赤手空拳的创业者，为创业降本增效。创业成本：相对较低，省去了前期开发。AI是一种生产力工具，它一般分为两股。一股是为专业级开发者服务，比如阿里推出的通义灵码，Anthropic推出的ClaudeCode；一股是为没有编码基础的普通人提供AI生产力工具，比如字节跳动推出的Coze扣子等。像AI调香，看似是一个小程序，它就属于傻瓜级开发。按照从前的方式，请一个专业开发者做模版开发，便宜的年费大概几千元，贵的每年付费2万元，定制化开发也需要2-3万左右。小程序做出来后，如果要对用户提供个性化答案，会加大开发难度，开发成本还要上升。如今，AI调香主理人在市场上使用的是一种名为“秒哒”的应用工具。她介绍，自己完全不会写代码，就用大白话描述了一下需求，这款AI应用工具就能帮她做好一个小程序，且还能通过自然语言模型，生成个性化答案，不但实现了她的创意，还大大降低了开发成本。这样的应用工具还有许多。从京东云JoyBuilder、字节扣子到阿里的Dify等，都是这个领域的代表。它们大大降低了AI路边摊创业的前期成本，让创业者上手即用。这也是时下很多大厂都在做的一种技术应用路线。AgentInfra，支撑地摊“不破摊”AI时代的地摊经济更要讲体验。跟AI下象棋，它会不会不按规则乱走一气、会不会中途罢工；AI理发会不会生成一个鬼畜发型；AI把脉会不会把没病的人，吓唬出心理问题。这需要AI技术能减少幻觉、并且保持系统的稳定性。这背后牵涉到AI的深层基建。从行业发展角度看来，各类AI地摊之所以如繁花涌现，还是在于过去三年，中国迅速完成了AI大模型基建，如今正迎来AI的下一个阶段——AIAgent基建（AgentInfra）和智能体应用时代。以AI调香所使用的“秒哒”应用工具为例，它看似一个混沌的AI应用，大众很难知道它到底是如何仅凭创业者几句描述，就把AI调香相关小程序给做了出来，实际上这程序背后，正是多人数Agent在干活。图|每一个AI应用背后，都是数个智能体在干活据了解，该AI开发工具背后动用了十余种智能体来协作，有需求分析智能体、开发执行智能体、测试与优化智能体等。正是这些智能体的协作，AI调香这一个性化的AI小程序才得以在无专业码农参与的情况下快速搭建。在这个小程序里，多人数Agent替代了基础码农。又比如现在火热的数字人带货，它是一种“田间地头经济”。任何人只要在果树农田前面，随便说几句话、摆几个手势，就可以以可忽略的成本建模，形成“自动化”的每日直播。这种数字人背后，也是有暖场、互动、场控、运营等诸多智能体在工作。相当于Agent把原来真人主播、场控等工作都干了。可以说，如果没有智能体的发展，将难以涌现百花齐放的AI版地摊经济。值得注意的是，为了让这些智能体能够运行得更加平滑，今年各大厂纷纷发力Agent基础设施，也就是发展AgentInfra。比如阿里云推出了无影AgentBay，腾讯云推出了AgentRuntime，这些基建的目的，是为了让Agent运行更为稳定、低价。它们和AI基建的建设目的——提供算力、算法等截然不同，而是让Agent运营更平稳。没有这些AgentInfra，中国的AI版地摊经济，或将很容易在街头破绽百出。总得来看，AI赋能地摊，这个业务的精髓不在于“高科技碾压”，而在于“悄无声息的融入”。有一个网友说得好，AI最有生命力的样子，是蹲在街头，为摆摊的叔叔阿姨，悄悄递上一把更称手的“新算盘”。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
12/05
存储失忆症的AI守护官
从韩国数据失火看，AI为什么是存储救命药？大田的夜色本该是安静的。但2025年9月26日傍晚，位于韩国大田市的韩国国家情报资源管理院警报骤响。监控画面里，服务器机架被火光吞没，冷却系统失灵，自动灭火装置来不及反应。几个小时后，火被扑灭，但数据被烧光了。858TB的政府云数据一夜消失，韩国政府约75万名公务员最近约7年的相关工作文件皆成历史遗失档案。这是一个国家级存储系统的“记忆丧失”时刻。由于备份在同区域，冗余机制未能及时启用，所有数据均无法恢复。一次火灾暴露了一个事实：现代存储系统不是弱在硬件，而是弱在没有提前预警、决策和自救。那一刻，行业突然意识到，存储技术的竞争逻辑已不再仅仅是更贵的硬盘和更多的副本，而是让存储拥有“看见、预判、决策”的能力，而这样的智能化能力恰恰是AI独有的。很久以来，我们只看到AI带给存储的市场机遇，却忽略了AI其实也是存储记忆危机的救命药。那么，新时代的存储技术里藏了哪些AI灵丹？智能化升级后的存储又落地在了哪些场景？01一次火灾暴露的存储短板韩国大田数据中心失火事件被视为国家级数据危机。一夜之间，647套政府业务系统集体宕机，机场旅客因电子身份证失效滞留，银行支付网络崩溃……从这件事我们也可以窥探到数字时代背后存储技术急需攻克的弱点。第一，缺乏提前预警能力。火势并非瞬间爆发，温度异常、电源波动、冷却失效等征兆早已出现，但系统既没有感知机制，也没有将这些信号转化为风险判断的能力。它只是被动运行，直到彻底崩溃。第二，无法动态调度资源。当主存储节点面临威胁时，系统未能自动将关键数据迁移到安全区域或备用站点。所有数据被“锁”在同一物理空间，备份虽有，却因同处一地而一同焚毁，冗余形同虚设。第三，不具备风险发生前的自救机制。真正的智能系统应在危险临界点主动隔离高危区域、冻结敏感数据、启动异地快照恢复流程。但此次事件中的存储更像是一个被动等待指令的容器，而非能思考、能行动的守护者。而数字时代让这些短板被显著放大。大田的数据中心失火能带来这么大的危机影响，一部分原因是这个时代数据越来越多，也越来越重要。十年前，一份纸质档案丢失或许只影响一个部门。如今，公民的身份信息、医疗记录、金融交易、出行轨迹全部以二进制形式沉淀在数据中心的硬盘深处，与之相伴的还有医院、交通、银行等国家机构的机密文件。数据失火相当于牵一发而动全身。一场突如其来的火灾烧出了数字时代最脆弱的底牌，而类似的危机在全球不断上演。2022年，美国爱荷华州的谷歌数据中心突然发生爆炸。数小时后，谷歌搜索、地图等核心服务相继中断，百万用户日常使用受到影响；2024年，新加坡Loyang的DigitalRealty数据中心燃起大火，火势超过36小时，影响到阿里云、字节部分业务，同时波及DigitalOcean、Coolify、Cloudflare等多家服务商；2025年11月，全球知名网络基础设施服务商Cloudflare发生重大故障，包括ChatGPT、X、Spotify等众多知名互联网服务在全球范围内集体断网。看似独立的事件揭示了数字时代存储记忆的深层次危机：现在的存储技术太过脆弱、被动。大到国家政策文件、小到公民的一次出行，一次故障就可能引发一系列连锁反应。面对如此严峻的挑战，给存储进行一场核心能力升级已经迫在眉睫。那么，谁能修补这些结构性的短板？让系统在风险出现前先一步看到、判断，甚至行动？02存储系统的AI救命药数据正以前所未有的速度膨胀。根据IDC发布的《数据时代2025》报告预测，到2025年，全球每天将产生约491EB的数据。若按每张照片3MB计算，491EB相当于175万亿张手机照片。与此同时，业务需求瞬息万变，资源负载潮汐般起伏，而网络攻击则如影随形，勒索软件、数据篡改、零日漏洞层出不穷。日益增长的数据、时刻变动的资源、防不胜防的安全危机逼着存储进行升级。而在多种多样的技术里，AI成了最合适的那一个。因为在所有技术备选项里，只有AI能同时赋予存储三个能力：智能运维，AI让存储看见风险。过去，系统故障往往在崩溃后才被发现。如今，AI通过持续学习硬件与软件的运行状态，提前捕捉异常信号。例如，NetApp的ActiveIQ平台会实时分析数百万设备的遥测数据，包括I/O模式变化、延迟波动、电源状态甚至机柜温度趋势，结合机器学习模型动态评估风险等级，并主动推送修复建议。智能调度，AI让资源调度不再靠人。数据有冷有热，访问频率天差地别。传统存储依赖管理员手动分层，效率低且滞后。而搭载AI引擎的现代存储系统，已能实现全自动的智能调度。比如，华为OceanStorPacific系列内置的智能数据管理引擎，可实时追踪文件访问热度，自动将高频访问的热数据迁移到高性能SSD层，而将长期闲置的冷数据沉降到高密度、低成本的HDD或对象存储中。整个过程无需人工介入，资源利用率提升30%以上，成本却显著下降。主动安全，AI的进入让存储具备前置反应。与数字时代并进的是黑客愈发多样的攻击手段。面对日益猖獗的勒索软件攻击，被动防御早已失效。新一代AI驱动的安全机制，让存储具备了免疫反应。以IBMStorageDefender为例，它通过行为分析模型持续监控数据访问模式，一旦检测到异常加密、大规模文件重命名或权限突变等典型攻击特征，系统会立即自动隔离受感染的数据卷，切断传播路径，并无缝切换至只读快照或安全副本继续运行，确保业务不中断、数据不丢失。智能运维、动态调度、主动防御等由AI驱动的能力已不再是技术概念，它们正被部署在对性能、可靠性和安全性要求最严苛的行业一线。那么，今天的“增强版”存储，究竟在哪些实际业务中发挥着不可替代的作用？03AI武装版存储，走向何处存储看似离我们很远，但其实离我们很近。我们与存储的关系就像是鱼生活在水里，注意不到却须臾不可离。数据构建起这个社会，每一次扫码支付、每一通远程问诊、每一条AI生成的内容背后，都依赖着底层存储系统稳定、高效、安全地运转。而如今，这些AI武装过的存储技术早已进入了社会方方面面。金融领域，对性能与可靠性的要求近乎苛刻。国内Top15银行中，已有多个核心交易系统部署了华为OceanStorDorado智能全闪存存储。这款业界首款内置昇腾310AI芯片的存储设备，不仅能实现微秒级响应，还能通过AI实时预测I/O瓶颈，在交易高峰来临前自动优化资源分配，确保每一笔转账、每一笔清算都安全实时进行。医疗领域，时间就是生命。上海市同济大学附属东方医院采用华为OceanStor18000系列高端存储构建智慧医疗平台，响应时间从30秒缩短至3秒，为抢救赢得黄金窗口。而这背后正是AI驱动的数据预加载与热区识别技术在默默发力。大模型与人工智能前沿，数据吞吐能力直接决定创新速度。智谱AI在训练其千亿参数大模型时，采用了YRCloudFile全闪分布式并行文件存储系统。该系统YRCloudFile针对AI训练（尤其是海量小文件）的优化非常深入。它通过元数据与服务分离架构、智能缓存机制等一系列技术，有效解决了AI训练中的数据瓶颈问题。可以说，没有智能存储，也没有今天大模型的爆发式演进。这时，我们再回看韩国数据中心失火事件，会发现如果存储具备足够强的AI能力，损失可以大大减少。比如，HPEAlletraMP能在温度异常升高触发告警；戴尔PowerScale支持跨站点自动数据同步和负载迁移；华为OceanStorPacific可在检测故障时优先保障高敏感业务数据的安全。历史的大火已经无法扑灭，但未来的数据失火可以防患于未然，这一切都有赖于这个叫AI的记忆守护官。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
12/05
企业AI落地，还差一口“气儿”
2025人工智能+大会上，共识与碰撞今年的中关村，AI热度依然很高。“无论怎么样看，人工智能未来发展最重要的下一步，就是怎么样能够达到大家都满意的AGI，就是通用人工智能。”图灵奖得主、中国科学院院士、清华大学交叉信息研究院及人工智能学院院长姚期智在2025人工智能+大会主论坛上如此说道。图灵奖得主、中国科学院院士、清华大学交叉信息研究院及人工智能学院院长姚期智他还强调AGI：“不但是科学上，而且是战略上和各国经济上的科技高地”。尽管AGI是整个行业发展目标，但从现实来看，AGI还比较遥远，行业中更关注的，往往是AI大模型在企业中真正落地应用效果。“从今年整个大会来看，尤其是跟去年对比，大家普遍关注的方向已经转向AI大模型真正面向产业的落地应用，包括科创企业、头部大厂等，都已经关注到这个方向来。”中数睿智CEO韩涵如此说道，而这已经成为行业共识。在2025人工智能+大会主论坛上，多位嘉宾也同时指出，应用落地正在真正成为推动AI前进的力量，技术与产业结合的契机正在逼近，“场景驱动”则是AI从技术革命走向产业革命的关键跃点。但是，企业级AI真实落地现状，似乎却并未如行业热度所展现的一样。很多企业对AI大模型的应用还始终保持着谨慎的态度。“现阶段整个行业用一个词形容，就是乱，但混乱中，也在欣欣向荣。”新希望集团首席数字官李旭昶对光锥智能说道。可以看到，现阶段AI早已走出实验室，大模型从“百模大战”走向分化，智能体概念遍地开花，可一落到实际业务，总像差了最后一口“气”，眼看要冲线却卡在半路。那么，AI大模型真正走向千行百业，到底还面临着哪些问题？又该如何解决这些问题？AI落地真相：不是所有企业都在“狂飙”当前，企业AI落地的真实现状，一半是海水，一半是火焰。据崔牛会数据显示，当前已有43%的企业部门或岗位进入规模化使用阶段，27%仍处在试点期，28%实现了广泛渗透，还有1.9%尚未确定是否应用。这意味着，AI在企业内部的落地已经具备了相当的基础。但是，在AI岗位分布中，往往是营销、客服、研发、数据、运营等场景占比比较高，反而涉及到企业管理和中台等核心业务场景，AI所使用的情况更少。可以看到，企业级AI落地，更多是从边缘业务推进，现阶段很难应用到企业核心业务场景中。更为重要的是，很多传统企业尽管也在推进AI业务，但整体进展情况则相对缓慢。如新希望集团，“我们还没完全看清楚AI跟场景具体结合情况，但对AI保持随时跟进的状态，不是无脑子AllinAI，而是保持有节奏、有分寸的跟进。”李旭昶说道，“先让子弹飞一会儿。”这背后最重要的一点原因，就是大模型真实落地效果并未达到企业预期。而影响大模型落地效果的关键，就在于大模型自身的准确性上。“归根到底就一个问题，就是准确率的问题。”帆软联合创始人、副总裁张驰深有感触，“很多客户一开始觉得AI不能出错，必须交付100%可靠的结果。”毕竟，在AI之前，帆软交付的数据分析工具都是精准无误的，客户早已习惯了“零误差”的交付标准。但现阶段没有一家公司能保证AI给的结果是100%准确，AI的本质是概率性模型，就像人会犯错一样，它也存在变量，这让习惯了确定性工具的客户难以接受。也正因此，企业级AI落地的第一道坎，就始于认知的鸿沟。一边是企业决策层对AI的无限期待，一边是技术团队和业务部门的现实困境，这种错位让很多AI项目从一开始就埋下隐患。另外也有不少企业决策者被AI概念裹挟，盲目追求“高大上”的技术，却不清楚自己真实需求。阿里云智能集团副总裁霍嘉在观察一线落地效果时发现：“当前行业现状往往是领导对大模型充满绝对信心，反而做技术的人对如何落地感到非常担忧。”这种上下认知的脱节，导致很多AI项目要么目标模糊，要么急于求成。李旭昶用一句玩笑话概括了当前的混乱状态：“智能体厂家不知道卖什么，企业不知道买什么”，这背后正是整个行业对AI能力边界、应用场景、价值回报的认知缺失。另外还有一点，“现在AI技术迭代太快，今天觉得先进的方案，明天可能就落后了。”李旭昶说道，而这种不确定性让很多企业不敢大规模投入，只能小步试点、谨慎推进。很多时候，在企业内部，认知也需要一个培育过程。张驰为了挖掘真实需求，在公司内部搞了个“提需求兑奶茶”的活动，让2000多名员工填报日常工作中的痛点。后来又推出“买AI产品报销”活动，哪怕是AI美颜软件也能报销，就是为了让大家先接触AI、理解AI。如果说认知偏差是思想上的障碍，那么数据、组织、技术的协同问题，就是企业级AI落地路上的“硬骨头”，这三重壁垒相互交织，让很多项目卡在中途。李旭昶提到，新希望在数字化阶段就花了四年时间打通数据，“没有数字化打下的基础，AI就是无源之水”。而数据流通更是难上加难，很多企业的核心数据是竞争优势，不会轻易共享，即便是行业内的龙头企业，也很难自发形成数据生态。“高质量数据集对AI发展至关重要，但企业自发共享很难，需要政府引导和脱敏处理。”他说。协同阻力则是很多AI项目失败的隐形杀手。李旭昶坦言，新希望在推进数字化和AI转型时，花了大部分时间和精力处理跨部门、跨产业、跨实体协同的问题，从ERP时代到数字化时代，再到AI时代，每一次信息化/数字化变革都会重构组织和流程，而协同往往是最大的阻力。技术适配的“最后一公里”同样棘手。AI不是万能的，不同场景需要不同的技术方案，盲目套用通用模型往往效果不佳。“AI擅长的领域能提升几十倍、几百倍效率，但不擅长的领域强行使用只会适得其反。”李旭昶举例，大模型在多模态生成方面表现突出，但在严密的文书工作中经常“胡说八道”，需要人工复核。中数睿智CEO韩涵中数睿智则选择聚焦核心战略型支柱产业，韩涵表示：“我们不做容易实现的场景，而是专注于工业、能源、国防等技术难度大、战略价值高的领域，这些领域需要把大模型与进化算法深度结合。”可以看到，从大会的热闹到企业的冷静，从技术的狂飙到落地的审慎，2025年的AI行业，正在经历一场从“热炒”到“实干”的转变。那么，企业又该如何推动AI真正走向落地应用？AI的下一个十年：如何解决企业落地难题？“AI下一个十年，不是比谁的模型更大，而是比谁能把技术扎进产业里。”在大会的圆桌论坛上，智谱华章董事长刘德兵说道。企业级AI落地的最终目标是创造价值，但很多企业还停留在“交付工具”的阶段，未能形成从技术到价值的闭环，这也是企业级AI落地“差口气”的关键所在。如中数睿智不做基础模型，只深耕多智能体协同自进化技术。在大型化工厂，其智能体能实现催化剂安放、工艺诊断、风险预测和流程优化的全流程调控；在能源行业，极端天气应急指挥智能体一年能为客户有效规避经济损失。“我们交付的不是工具，而是可衡量的价值与成果，客户能直接看到效率提升30%以上，安全风险降低40%-50%。”韩涵说。但实现这种价值闭环并不容易，需要企业长期深耕。新希望在AI转型上采取了“有节奏的allin”策略，去年试点了100多个场景，今年开始归拢聚焦，明确了AI+管理、AI+运营、AI+业务创新三条路线。“我们不急于求成，AI+业务创新需要把生意重新做一遍，这需要时间沉淀。”李旭昶提到，新希望正在推进的“AI+全链节粮”计划，涉及育种、精准饲喂、疫病防疫等多个环节，目标是每年节省1%的饲料，这背后是AI与产业知识的深度融合。对于AI落地的价值回报，行业普遍认为需要长期主义。“做好软件的秘诀就是创造价值，并且长期坚持。”张驰坦言，但他相信，随着AI与业务的深度融合，尤其是在战略洞察、商机推荐等高端场景的应用，未来会带来很高的溢价。基于此，可以看出，面对AI落地的多重挑战，企业并非无计可施。从帆软、新希望、中数睿智等企业的实践来看，想要补上最后一口“气”，需要遵循“先立后破、协同共生”的原则，在认知、技术、生态三个层面同时发力。在认知层面，要“先试点后推广”，用实践教育市场。帆软的“内部先交货”、新希望的“100个场景试点”，都是通过小范围成功案例建立信心，逐步扩散。“不要一开始就追求大而全，先从重复劳动多、痛点明确的场景入手，让大家看到实实在在的效果。”霍嘉建议，场景选择要避免标新立异，从重复性工作切入更容易获得回报。在技术层面，要“不贪大求全，聚焦核心能力”。企业不必非要自己训练大模型，像帆软那样专注于上下文工程，让通用大模型更好地理解企业业务，同样能实现价值。“我们不做行业大模型，而是用市面上最强的通用大模型，通过上下文工程让它更懂企业、更懂我们的工具。”张驰说。中数睿智则通过“基础设施层、能力支撑层、应用构建层、场景应用层”的全链贯通，实现了大型项目几个星期内落地，客单价达到数百万到千万级别。在生态层面，要“开放协同，破解资源壁垒”。如数据流通需要政府引导和行业协作，新希望李旭昶建议通过政府牵头，建立脱敏的数据共享机制；技术落地需要产学研协同，帆软与几百家企业共创，中数睿智与央企、科研院所深度合作，都是通过协同破解单点突破的局限。“AI落地不是一家企业的事，需要技术方、企业、政府、科研机构共同努力。”韩涵说。基于此，不难看出，当前在推动AI在企业中的落地，既需要企业沉下心来打磨产品和场景，也需要整个行业建立清晰的价值标准和协同机制。当认知不再错位、数据不再割裂、技术不再脱节、价值不再模糊，企业AI落地才能真正“喘匀气”，从概念走向实效。而对于那些还卡在半路的企业来说，最缺的那口“气儿”，其实是“耐心+聚焦”。就像李旭昶所说：“不要过分夸大AI的当下，也不能小看AI的未来。”AI落地不是一蹴而就的革命，而是循序渐进的进化。毕竟，真正的AI革命，从来不是发生在实验室里，而是发生在工厂的车间里、农场的猪舍里、物流的仓库里，发生在每一个让技术服务于产业的角落里。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
11/25
巨头加码：AI如何重塑中国互联网“看不见”的战场
中国互联网的牌局，从未如此焦灼。中国互联网的牌局，从未如此焦灼。一场围绕AI的“军备竞赛”已骤然升级，战火的焦点逐渐从展示模型参数的“肌肉秀”，转向真刀真枪的应用登陆战。阿里巴巴（09988.HK）近乎以“all-in”的姿态豪赌个人AI管家，先后推出了夸克、千问等APP；而字节跳动早已凭借“豆包”的亿级用户，再次上演流量奇袭。与此同时，腾讯（00700.HK）正将AI能力悄然注入微信、QQ帝国，而百度（09888.HK）则试图将十余年在AI领域的技术苦修兑换为商业胜势。这场巨头之战，不再仅仅是技术的较量，而是一场关乎流量、生态与商业模式的终极考验。当大洋彼岸的同行已然跑通“生产力付费”的商业路径时，中国的巨头们又将如何在这片独特的土壤上，重塑互联网的未来？深水区的登陆战：从模型竞赛到场景为王如果说2024年是AI大模型的“播种之年”，那么2025年无疑是AI的“登陆之年”。尤其是下半年，中国各大互联网巨头不再满足于发布会上的性能跑分，已悄然将战略重心悉数转移至“场景”这片最考验实力的前沿阵地，路径选择却又因各自的基因与产品而泾渭分明。其中，阿里巴巴的“壮士断腕”式转向，是一场关于流量入口的豪赌。近日，阿里已将原来的“通义”APP升级更名为“千问”，并明确表示要全面对标ChatGPT。这一布局不仅是名称的变更，更是阿里战略重心的彻底转移。阿里正集结大量资源，试图将淘宝的电商、高德的地图、饿了么的外卖等核心生活服务，悉数接入这个全新的AI助理中。其意图显而易见，利用千问模型的技术优势，打造一个AI时代的超级流量入口，让用户在一个App内，通过对话就能完成从购物、导航到订餐的全链路操作。这背后，既是阿里对过去B端模型服务路径的修正，更是对其强大电商与生活服务生态的一次终极考验。阿里能否通过千问APP真正打通公司旗下的各个业务板块，从而实现无缝整合，为用户提供极致的“办事”体验，或将决定这场豪赌的成败。相较阿里的激进，腾讯的策略则更显稳健。在表面平静之下，腾讯已通过多次的小更新，将AI技术融入了其庞大的社交帝国。与阿里不同，腾讯并不急于再造一个独立的超级App，而是将“元宝”等AI能力，作为“智能化引擎”，全面赋能到微信、腾讯会议、游戏、广告等其所有核心业务线中。如在腾讯会议中实时生成纪要、在微信中快速摘要文章、让AI辅助提升广告的精准定向能力等。这种“生态协同”的模式，既避免了应用冷启动的难题，又能迅速获得海量用户反馈以迭代技术。AI对于腾讯而言，更像是一个“催化剂”和“增效器”，其核心目标是提升现有帝国的运转效率与商业价值。字节跳动的AI之路，则充满了赖以成功的“爆款方法论”。作为后来者，字节的布局务实且充满攻击性。“豆包”应用的快速崛起，是其“流量换市场”策略的又一次成功复刻。豆包通过抖音、头条的巨量导流，配合“AI伴侣”等强粘性功能，迅速抓住了大量的用户。而在AI编程等专业领域，每月9.9元的“包邮”套餐，则以一种近乎“掀桌子”的方式抢占了开发者生态；其下属平台扣子空间搭建的开发者生态，有效提高了打工人的工作效率。字节这种“实用至上、追求极致性价比”的打法，旨在通过快速落地和规模化应用，以数据飞轮反哺模型迭代，试图在AI应用层复刻企业在短视频领域的成功。百度则是这条赛道上最为执着的“技术长跑者”。坚持“芯片-框架-模型-应用”四层全栈自研的百度，是全球少数实现全栈自主可控的科技公司。其“AllinAI”的战略已坚持十余年，如今正进入收获期。其中，对核心产品百度搜索的AI化改造最为彻底。目前，百度旗下超过七成的头部搜索结果已由AI生成。而将百度文库AI化，以重构为“一站式内容创作平台”，更成为国内商业化最成功的AI产品之一。百度的AI发展路径，是一场由技术积累驱动的“效果涌现”，其深厚的技术壁垒使其在这场竞争中占据了独特的生态位。不过如何将技术优势转化为C端市场不可撼动的用户粘性，仍是百度亟需解决的问题。两条道路，两种哲学：中美AI的发展分野将视线投向全球，就会发现中美AI产业正沿着两条截然不同的道路演进。这不仅是技术路线的差异，更是市场环境与产品哲学的根本分野。美国AI的发展，呈现出典型的“技术突破驱动”模式。从OpenAI的GPT-5到谷歌最新的Gemini3，这些产品往往是实验室中诞生的革命性技术，技术发布后，再自上而下地寻找和定义应用场景。这些产品也因此更倾向于打造“强大的专业工具”，无论是作为“最强大脑”的ChatGPT，还是作为“工作副驾”的微软Copilot，其核心价值都在于帮助用户更高效地完成特定任务。这种定位，自然地导向了清晰直接的商业模式——SaaS订阅和API调用付费，用户需要为“效率”买单。中国的路径则恰恰相反，大厂的发展路径是典型的“应用场景驱动”模式。基于全球最庞大的移动互联网市场，大厂们面对的是海量的具体需求。如何让电商推荐更精准？如何让内容创作更高效？这些问题倒逼着AI技术的快速工程化落地。巨大的需求下，大厂更侧重于打造“全能的生活伴侣”，字节“豆包”的情感陪伴、阿里“千问”的“管家式”服务，价值都在于渗透用户生活的方方面面。这种定位决定了其商业化更偏向于“生态变现”。主流打法依旧是互联网的“免费”逻辑，先圈占海量用户，再通过生态内的增值服务、广告效率提升或交易佣金来获利。这样发展路径的不同，并无优劣之分，而是两国市场环境的必然产物。美国强大的ToB市场和开发者文化，为“工具型”AI的商业化提供了沃土。而中国无与伦比的ToC生态和数字生活一体化，则为“服务型”AI的场景落地创造了绝佳条件。版图重塑：流量、生态与未来AI技术的深度融合，正像一场深刻的底层构造运动，悄然间，已系统性地重塑了中国互联网的商业版图。在移动互联网时代，流量被分割在功能各异的App孤岛中。而大厂拟通过AI助手，打通各个业务生态。彼时，用户无需在App间频繁跳转，只需在一个统一的对话界面提出需求，此后由AI理解、拆解任务，最好由APp调度后台所有服务资源完成服务闭环。这意味着，未来流量的分配权将从应用商店和超级App，向上转移至“AI助理”的掌控者手中。谁的助理更“懂你”、能办的事更多，谁就能扼住未来数字世界的咽喉。AI时代，传统的“广告+佣金”模式也在逐渐被颠覆，一个更多元、更健康的商业模式矩阵正慢慢形成。其核心是从收割“注意力”转向出售“生产力”与“便利性”。这主要体现在三个层面，首先，是针对专业功能的“免费+增值”订阅模式，百度文库的AI会员已成功验证了这条路；其次，是在AI助理完成服务闭环后抽取的交易佣金，这将AI与GMV直接挂钩；最后，是广告模式的智能化革命，AI可以根据用户实时场景即时生成广告内容，从而将转化效率提升到新的量级。以往，互联网公司的护城河是建立在用户关系链上的“网络效应”。而AI时代，新的护城河或将演变为一个更强大的“数据+模型+生态”的智能飞轮。拥有最丰富场景和海量用户数据（如阿里的电商数据、腾讯的社交数据）的平台，能够训练出更懂该场景的模型；更智能的模型则能提供更极致的用户体验，吸引更多用户；更多用户的交互行为又会产生更优质的数据，进一步强化模型。当这个飞轮与平台强大的商业履约能力（支付、物流、线下服务）结合时，所形成的壁垒将是纯技术公司难以逾越的。展望未来，中国AI市场的竞争格局远未尘埃落定。这场竞赛已不再是单纯的模型优劣之争，而是生态整合能力、产品创新能力和商业化效率的全方位比拼。阿里的电商、腾讯的社交、字节的内容和百度的信息，各家都将宝押在了自己最坚实的阵地上。最终的胜负，或许不取决于谁的技术最顶尖，而在于谁能率先将AI真正融入其商业基因，并成功让数亿用户心甘情愿地为“智能”本身买单。这场深刻的变革，才刚刚拉开序幕。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
11/21
Gemini 3.0 发布，软件产业的分水岭来了
有数据有场景有Know-how的应用厂商，机会来了Google在今天凌晨正式发布Gemini3.0！我的第一个感受是，大模型竞争真是刺激：大家都在一片充满未知、充满挑战的领域不分日夜、全力狂奔。大模型竞争真是残酷！新模型一出手，必须打败业界之前的最顶级模型；但最新模型一旦落地，便立即意味着它马上会落后。因为后面的模型必然要超过它。我心里还真为OpenAI、国内的大模型厂商们捏了一把汗。有了Gemini3.0之后，大模型版本升级的故事就不那么好讲了。什么时候才会是大模型的天花板？我不知道。但Gemini3.0会是个里程碑事件。连OpenAI的老板Altman都对它表示佩服：看上去真是个伟大的模型！后面的模型要想超过它，需要花点时间了。因为它不仅仅是参数的扩大、算力的加强。Gemini3.0的四大核心技术突破如果说1.0是诞生，2.0是速度与效率，那么Gemini3.0的关键词就是深度推理与主动智能（Agentic）。它不再仅仅是一个陪聊的Chatbot，而是一个能帮你干活的Agent。我主要看重它的四个突破：1、最完整的原生多模态百度文心一言最新模型强调的也是多模态，但Gemini3.0更将其进行了更大的拓展：不仅能同时处理文字、图片、视频、音乐、代码，还能同时处理3D、地理空间。包含文字图片视频音乐等类型在内的原生多模态都只是少部分模型实现，还能处理3D、地理空间等模态的就更少了。目前，Google应该是唯一。2、DeepThink+多Agent的协同Gemini3.0推出了DeepThink推理架构，能像人类思维链一样思考问题。它在遇到问题时，会多步、复杂地思考，而后考虑如何给出答案。而不是像之前的模型，只是直觉式快速回答。和以前2.5Pro版本的思考模式相比，它的思考深度和准确性大有提升。同时，Gemini3.0还能同时启动和调用多个Agent执行任务，并相互协作。这意味着，它是一个Agentic基座大模型，是一个能执行各种工作的智能助手。3、长上下文与长时记忆Gemini3.0采用新的上下文和检索机制，可支持的上下文大大增加，同时也能更长时间地记住历史任务。这说明，它能记住你风格偏好，甚至你喜欢的语气。它开始有了懂你的感觉，而不是每次都是全新的陌生人。4、长上下文与长时记忆Gemini3.0还发布了一个Agent-First编程工具，叫GoogleAntigravity。它是一个IDE，可以用来氛围编程，也可以用来开发各种AI应用。这意味着它在自动化开发、复杂任务规划，以及高级助手等产品中会有很大用途。我之所以看重这四大突破，是因为他们是思维能力的重要方面。软件产业的分水岭：模型定义应用在很多人眼中，这是一次技术的狂欢；但在我看来，对于中国广大的企业服务和软件厂商而言，这更像是一次产业重构。过去我们常说软件定义世界，而从Gemini3.0开始，我们或许要习惯一个新的命题：模型定义应用。对于用友、金蝶、致远、泛微、东软、北森、纷享销客、销售易等长期深耕企服赛道的软件厂商，Gemini3.0带来的不是冲击，而是千载难逢的升维机遇。长期以来，ERP、CRM、OA等企业应用的核心价值在于固化流程和记录数据。但痛点也显而易见：系统越来越重，操作越来越繁，数据沉淀在系统里成了哑巴。Gemini3.0展现出的慢思考推理能力和原生多模态交互，将极大加速传统软件的数智化升级：一方面，交互界面的去门槛化：LUI（自然语言交互）将逐渐取代复杂的GUI。未来的企业软件，入口可能就是一个简单的对话框。业务人员不再需要学习复杂的菜单操作，一句分析上月回款异常，系统就能自动调取ERP数据并生成分析报告。这对提升软件的易用性和全员推广度是革命性的。另一方面，数据资产的价值变现：传统厂商最大的护城河是懂业务、有数据。依托大模型的长窗口和推理能力，原本沉睡的业务数据将被激活，从记录历史转变为预测未来。所以我认为，传统软件厂商的下一个十年，比拼的不再是功能的堆砌，而是模型+行业Know-how的融合深度。但对于近年来涌现的AI创业者，尤其是做Agent智能体的厂商，Gemini3.0释放了一个明确的信号：通用中间层的窗口期正在关闭，套壳厂商窗口期即将关闭。早期的AI应用，很多是在做大模型的补丁——补全记忆、补全联网、补全工具调用。但随着Gemini3.0将这些能力内化为原生能力，那些仅仅依靠Prompt工程或简单编排的薄壳应用，其生存空间将被巨头无情挤压。但这并不意味着机会的消失，相反，真正的机会才刚刚浮出水面。未来的高价值AI应用，一定不诞生在通用的聊天框里，而是诞生在具体的业务场景中。如果你做的是通用的AI员工，你很难打败大模型；但如果你做的是懂中国税务政策的AI财务合规官，或者是精通某类机床维修的AI专家，那么巨头的模型越强，你的底座就越稳。场景为王，垂类深耕。这是未来新兴AI厂商的生存之道。总之，Gemini3.0的发布，实际上理清了未来软件产业的生态分工：大厂（MaaS层）负责把模型的智商（IQ）推向极致，提供通用的水电煤；应用厂商（SaaS/ISV层）负责解决最后一公里的业务难题，把模型能力翻译成企业听得懂、用得上的生产力。因此，对于中国软件产业来说，焦虑大可不必。在这个数智化转型的深水区，懂技术很重要，但更重要的是懂行业、懂客户、懂场景。这正是应用软件厂商的底气所在。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
