新闻资讯
News and information
-
25
09/30
AI物流火了，上线5个月，拿下8亿融资
从仓库机器人到智能对账，AI重构物流链条在大多数人印象里，物流就是个“苦力活”，风吹日晒不说，还总是被客户催。可偏偏就是这样一门苦生意，却成了AI落地的最佳场景。最近，一家物流AI公司Augment，刚拿下8500万美元A轮融资，由Redpoint领投，8VC、Shopify、Autotech等跟投。要知道，这家公司上线才5个月，融资总额就冲到1.1亿美元，差不多8亿人民币，速度简直快得离谱。与传统自动化工具只能服务单一环节不同，Augment旗下的AI代理Augie的工作，能够涵盖了从接收订单到收款的整个生命周期，活脱脱一个“AI物流打工人”。Augie的效果也是真香。上线5个月，Augie已经被数十家顶级3PL（第三方物流公司）和托运人用起来了，管理的货值超过350亿美元。据公司说，用了Augie后，所有客户加起来节省的钱高达“几百万美元级”。今天，就跟着乌鸦君一起揭开这家公司的神秘面纱。01AI数字员工Augie，把中国式效率搬到欧美物流在国内，大家已经习惯了又快又好的物流体验，动辄次日达。可一到欧美，画风就完全不一样。比如，在美国，主流的邮政和快递普遍承诺的是2–5天，平均投递时间大约2–3天。那里没有“三通一达”，它们的物流体系更像是“拼装货”，分着来干：仓储交给德迅，干线交给UPS、FedEx，最后一公里再甩给USPS或本地小公司。这样做，好的地方是灵活、省钱，也能避免触碰反垄断红线。但问题也显而易见：物流链条被切割成一段一段，系统各自为政，数据难打通。出了问题大家互相推诿，操作员每天只能疲于奔命，在门户网站、TMS、Excel、邮件和电话之间来回切换，整体效率自然就低了。所以，在欧美物流环节里，最累的不是跑运输，而是大量琐碎的沟通：给司机打电话确认位置，催承运商签收单，追客户发票，反复抄数据、填表格。这些工作价值低、出错率高，还耗尽人力。更麻烦的是，一到节假日，工作量猛增，全靠人工完全“盯”不住。在这种乱局下，Augment就杀了出来。它的核心产品Augie，可以理解为物流行业的AI助理，可以跨系统、跨通信渠道（邮件、电话、聊天、TMS/Portal系统等）来处理那些重复、碎片化、劳动密集型的物流工作。Augie最大的优势就是，能够实现跨平台。也就是说，Augie打造的AI员工可以在不同的系统平台里来回操作。这意味着，人工不用再在五六个系统之间来回切换，Augie自己就能完成很多原本依赖人力的工作。从目前看，Augie的价值几乎可以覆盖从最早接单到最后收钱的所有流程。以前的做法很麻烦：操作员要一个个给承运商发邮件、打电话要报价，再手工录进表格里比对。现在有了Augie，它能自己发出询价请求，把不同承运商的反馈收集好，还能帮忙做初步比价，人只需要最后点头确认。选定了承运商后，原本还得人工去下单、发通知、确认时间。Augie直接能在后台完成这些动作，像个随时待命的调度助理，帮你订车、通知司机、确认安排。运输途中，以前操作员要不停打电话问司机“到哪了”，或者催仓库确认进度。Augie可以定时发邮件、打电话、发消息，把这些例行沟通全接手。等货送到，最让人头疼的是签收单、合同、发票迟迟收不回来，发票开不出，账单就拖延。Augie会主动去追文件，收回来还会自动检查完整性和合规性。文件齐全后，它还能自动生成发票、对账，发现问题会标注出来，并能直接发起催款。整条链路跑下来，原本需要人力来回确认、反复催的事，都能交给Augie去自动完成。那么，Augie究竟是如何做到跨系统的？主要用了两个办法：第一，打通不同系统的数据。由于物流行业没有系统没有开放接口，甚至还停留在“门户+邮件”的形态。对这种情况，Augie会模拟人工操作：自动登录门户、读取页面信息，或者解析邮件、聊天消息，把内容转化为可用数据。第二，统一数据格式。由于不同系统的字段、格式都不一样，比如同一份签收单，在承运商系统叫POD，在客户系统里可能叫deliveryproof。Augie用AI来做“语义归一化”，把不同说法但其实是同一个东西的数据，放进统一的内部结构里。当不同来源的数据被整理成一份“干净版本”后，Augie就能自动去执行后续工作。当然，这还没完。虽然能够实现跨系统工作，但怎么才能让物流行业用Augie也是另一个大问题。在物流行业里，每家公司都有一套自己多年积累下来的操作习惯和流程，比如：有的公司习惯先发报价单再确认运输计划，有的公司要求司机必须在特定时间节点打卡，甚至还有的客户需要额外的文件（比如危险品说明、冷链温控记录）。这些流程就是SOP（标准操作流程），它们往往已经深深嵌在业务里。问题在于，很多传统软件上来就要求客户改流程来适配系统，这对物流公司来说非常痛苦，员工要重新培训，客户也要跟着适应，落地难度很大。Augie的思路是反过来的：它不是逼着公司换流程，而是去学习和适应公司的SOP。比如，操作员以前是先收邮件、再登记Excel、最后更新TMS，Augie就按照这个顺序来，只是换成自动化执行。再比如，有些流程需要人工审批的节点，它会在那一步停下，把任务交给人来确认，不会越界。这样做的好处是：公司原有的运作逻辑不需要大改，员工也不用担心“系统来了要推翻一切”。他们只会觉得：“只是多了个聪明的帮手，把我以前要亲自做的机械动作接管了”。这大大降低了切换成本和抵触情绪，也让AI更容易被真正用起来，而不是停留在演示或试点阶段。02从仓库机器人到AI对账，AI重构物流链条Augment让人第一次真切感受到，物流里的AI不只是锦上添花的小工具，而是有可能把整条链路翻新重做。这样的价值已经跑出来了。拿美国物流巨头阿姆斯特朗集团举例（营收近百亿、货值13亿美元），接入Augment后，员工人均每天处理的票据，从原来的10单，直接翻倍到20–30单；对账周期硬生生缩短了8天；单票毛利率也多了5%。而且，物流里的AI应用，其实已经比很多人想象得更深入。以前，它大多在边角料环节打打下手；现在，它正冲进最核心的业务流，把“货怎么走、钱怎么回、人怎么省力”一步步改造。除了Augment外，还有两个案例就很典型：（1）Dexory——仓储扫描机器人首先是Dexory，它用机器人+AI解决仓库“黑箱”问题。仓库为什么被叫做“黑箱”？因为货物进进出出太频繁，但实际库存往往没人说得清。货是多还是少？有没有压错、丢件？很多时候只有靠人工清点，一查就是几小时甚至几天，效率低，还容易出错。问题是，仓储又是物流里最烧钱的环节。租金、人力、库存占用，都是实打实的成本。如果库存数据不准，就会连锁反应：可能出现货卖完了还显示有库存，导致客户下单后发不出去；或者明明货很多，系统却显示没货，企业又去盲目补货，结果仓库被堆爆。更严重的是，一旦出错，还会拖慢运输、增加退货，成本更高。Dexory就是盯准了这个“黑箱”。它的做法很简单粗暴：用一个能伸缩到12米高的机器人，加上3D扫描技术，像“雷达”一样把整个仓库扫一遍。1个小时能扫1万个托盘，把实际库存直接转成高精度的实时数据。然后，它会立刻和仓库系统里的记录比对，几秒钟就能生成一张“差异热力图”，告诉你哪里多了、哪里少了。Dexory的机器人伸出塔式结构扫描高处货架，旁边有托盘、高架、扫描机这样一来，库存准确率能拉到99.9%，企业不再需要花大力气去人工清点，也能避免缺货、积压这些常见坑。说白了，Dexory就是把仓库从“黑箱”变成了“透明盒子”，让企业看得清、算得准、省得多。2024年10月，Dexory已经完成了8000万美元B轮融资，估值达11.4亿美元，目前已落地于马士基、DHL等大型枢纽，将数据更新频率压缩至5分钟（行业平均为6-24小时）。（2）Loop——结算与发票自动化如果说Dexory管的是“货”，那么Loop管的就是“钱”，它切入的是物流中“不起眼但极度痛苦”的财务流程。物流公司最怕的不是货没送出去，而是钱回不来。原因就在于，财务对账特别拖。一票货走完，要先收齐承运商的发票、交付凭证、各种费率表，然后人工去一条条核对：里程对不对？有没有额外加收的费用？有没有重复计费？这些事原来都得靠财务团队一点点看。流程长、文件杂，再加上牵涉好多合作方，一个周期常常要14天，企业的钱就卡在账上，现金流很紧。Loop把这个环节“AI化”了。它能自动识别各种格式的发票、凭证、费率表，把里面的关键数据提出来，快速和系统里的标准里程、费用去比对。如果发现有异常，比如多报了一笔附加费，它会自动标记出来。整个过程几乎是实时的，不用人反复对照。Loop管理客户发票，如自动创建应收发票、跟踪账龄，减少手动对账的界面结果就是，对账从原来的两周，压缩到1天。这意味着企业能更快开票、更快收钱，大量营运资金不再被拖着走，现金流立刻宽松了。2024年8月，Loop完成3500万美元B轮融资，由摩根大通成长基金领投。项目目前已与罗宾逊全球物流、UberFreight等主流平台完成系统对接，2024年处理发票金额达26亿美元，错误率低于0.3%。除了仓储和结算，其实AI在物流行业的想象力远不止于此。比如英国的Beacon，它切入的就是多式联运，海运、空运、陆运同时跑的复杂链路。以前要追踪这么多环节，操作员得开好几个系统，还得盯紧邮件和电话，一旦延误，往往是事后才发现。Beacon把各种运输方式通过一个统一API接进来，AI能实时看全局，还能提前24小时预测“哪一环可能会出问题”。就靠这个能力，Beacon的订阅收入一年涨了3倍。再看美国的Vooma。它切入的环节更靠前——报价。物流行业里，给托运人算一口准确的“门到门”价格，往往要来回沟通半天，操作员得翻表格、查舱位，还要确认各种附加费用。Vooma做了个类似ChatGPT的对话界面，客户只要输入需求，AI就能在30秒内spit出完整报价，还能直接预订舱位，相当于把过去要花几十分钟甚至几小时的活，压缩到几秒钟。对货代来说，这节省了大约75%的人工工时，特别适合人手紧张的北美中型物流公司。这几家公司其实代表了一个清晰的趋势：物流AI不再是点缀，而是在把“货、钱、信息”三条关键线都重构了一遍。比如，Augment管信息，Dexory管库存，Loop管资金，它们切入点不同，但逻辑一致：用AI把原来靠人力盯、效率低、容易出错的环节自动化，让物流真正跑得更快、更稳、更省。也就是说，AI正在把物流从一个“碎片化、靠人撑”的行业，推向“数据驱动、智能协同”的新阶段。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
09/30
下一个崛起的是哪个软件大厂？
软件行业没有永恒的王者，只有不断的自我颠覆！你认为下一个崛起的软件大厂是谁？最近几天老杨一直在和一些软件公司的朋友聊一些当前的行业趋势、市场变化以及未来可能面临的挑战，普遍感受到大家都很焦虑与迷茫，除了面临增长瓶颈，新兴力量也在不断挑战旧的市场秩序。特别是AI技术爆火之后对传统软件市场的冲击很大，这种冲击不仅在重构产品逻辑，更是在重塑整个行业生态，且这种重构的速度已经伴随着每次的技术升级而缩短，给传统软件调整的时间在不断压缩，市场变了，技术升级了，产品逻辑变了，客户的认知与要求也变了，总之一切都在变，传统软件该如何变？面对如此低迷的数字化市场，下一个崛起的软件大厂又是谁？老杨认为答案或许不在某一家特定企业身上，而在那些敢于彻底重构自身、拥抱新范式的公司之中。传统软件的发展之路其实仔细回溯传统软件的发展之路，其实从单机时代到客户端，再到SaaS化转型，中间所走过的路其实并不长，但每一步都是伴随着重大的技术变革与市场洗牌。传统软件的高速发展与国内经济的快速增长密不可分，可以说多少有点蹭了经济发展的“流量”，国内那些大厂有多少真本领其实大家心里心知肚明，与国际同行相比，无论是在技术深度、产品功能、方案解决能力上都存在明显差距。过去依赖渠道、关系和定制化生存的模式，在当前市场环境下已经难以为继。甲方的预算越来越紧，要求却越来越高，不仅要求产品好用，更要求其具备智能化、集成化、可扩展化的能力，特别是对AI能力的整合提出了更高要求。但从传统到AI的跨越并非简单的技术叠加，而是一场彻底的产品与管理变革，不仅涉及产品架构的重构，更涉及整个从方案到交付、再到服务的全链路的升级。与众多传统企业一样，传统软件公司吃惯了市场的红利，如今却面临转型的阵痛。那么该如何转？老杨认为关键还是软件公司有没有变革的勇气、毅力和对客户价值的重新认知。那么传统软件公司想要重新崛起该如何变呢？第一，首先要具备开放的心态为什么当前一些软件大厂的产品线越来越长，功能愈来愈重，却越来越难以满足客户灵活多变的需求？其实最大的原因还是在于其封闭的技术架构下垄断的生态体系思维在作祟，有多少甲方企业对各种接口不统一、接口成本高昂、系统难以集成深感头痛，又有多少企业买了某大厂的全线产品难以达到预期效果而被迫在系统升级和替换上投入大量成本。技术与产品线的垄断并不会为软件公司带来真正的护城河，反而会加速客户的流失。要知道软件公司从市场角度来看它依然是服务型组织，并非拥有技术就高高在上的市场主宰者。所以软件公司想要做到真正的以客户为中心，就必须打破自身的技术壁垒，构建开放、灵活、可集成的技术生态。《道德经》中所言：“上善若水，水善利万物而不争”，说的就是这个道理。第二，组织重构为什么大部分的企业对软件公司的实施团队怨声载道，最后导致交付周期长、效果差？能盈利的项目却亏损了？核心问题往往不是技术，而是软件公司的组织能力。传统的软件公司大都以产品为中心，有时候为了包装产品而夸大其词，PPT做的天花乱坠，但实际上都是在卖概念，交付时却难以兑现承诺。同时售前商务、过程实施交付、售后维护等关键环节之间缺乏有效的协同，信息断层，导致客户的真实需求在层层转发中被误解或遗漏，最终影响了项目的整体效果与客户体验。所以要从根本上解决这些问题，就必须进行内部组织变革，建立以客户为中心的组织架构，华为的“铁三角”模式便是一个典范，由客户经理、解决方案专家与交付专家组成协同单元，但对于大部分软件公司而言都是简单的复制，且在短平快的项目导向思维下难以持久执行与真正落地。老杨认为传统软件公司除了进行组织变革外，最重要的还是要提升团队的能力：技术能力、服务能力、交付能力以及团队作战能力，需要打造一支真正能打硬仗的铁军。就如电视剧《亮剑》里的李云龙独立团一样。众观历史大秦帝国之所以在七国之中脱颖而出，所依靠的就是一支能力超强的军队——秦锐士。同样，软件公司同样需要一支脚踏实地的铁军，能够深入客户场景，快速响应需求，用扎实的技术功底和极致的服务精神打赢每一场交付战役。第三，技术重构当前大部分的传统软件公司特别是一些大厂可以说是产品线非常丰富，覆盖从办公套件到企业管理系统等多个领域，看似全面而庞大，实则缺乏聚焦与深度，特别是一些平台级的产品看似功能强大，实则用起来功能复杂、操作繁琐、模块利用率低，软件公司自认为的产品实力在甲方企业眼里全是负担，甚至有些“垃圾”，做过二次开发功能定制的客户都清楚，过程那叫一个痛苦，增加一个功能不仅要花费大量的时间与成本，还可能引发几个BUG，导致系统越来越不稳定，究其原因还是软件公司老旧的技术架构，前台补丁摞补丁，后台屎山代码，难以支撑灵活的业务扩展与高效交付。特别是AI技术突然爆火之后，很多传统软件公司为了追赶风口，仓促将AI功能嵌入既有系统，其实就是一个链接页面而已，根本没有触及底层逻辑的重构，就是为了满足甲方企业领导迫切的需求，看起来很先进，实则浮于表面。要知道真正有价值的AI不是简单叠加功能，而是深入业务场景，实现智能决策与自动化。要实现这一点，必须从底层架构出发，推动技术栈的全面升级与重构。老杨在与很多软件大厂的交流中发现，他们都在大力推进AI，但真正敢于推倒重来、重构技术底座的却寥寥无几。这看起来像是一场豪赌，充满着高度不确定性，因为做为甲方的老杨心里清楚企业的数字化基础到底几何，而AI的基础恰恰是数据，传统企业缺的不是AI技术，而是如何通过数字化系统采集、治理并沉淀高质量数据的能力。因此，技术重构从表面看是对代码的重构，但背后是对整个技术体系、组织体系、管理体系、服务体系的重塑。是一项系统功能，AI在一定程度上可以给软件公司在未来竞争中加分，但如果仅仅是浮于技术表面，结果就是新的甲方企业“吐槽点”。技术重构在老杨眼里其实也就是创新：创新产品、创新服务、创新能力、创新组织、创新新的利润增长点，其中重要的一点就是要聚焦，做有深度的产品。如果什么都想做，结果就是什么都做不好！这是当前很多大厂的通病！第四，客户关系重构传统的客户关系是怎样的？老杨曾经在之前的文章中做过描述，有一个典型场景就是：签合同之前软件公司对客户百般呵护，整天围着甲方转，各种承诺满口答应，一旦合同签订，位置互换，地位互换，企业变的被动起来；特别是系统交付之后，运维响应开始变慢，问题解决效率大幅下降，甚至出现推诿扯皮的现象；甲方从“爸爸”“上帝”变成了“麻烦制造者”，双方信任关系迅速瓦解，从合作沦为对立，为什么一些企业系统上线不到一年就要重新选型，除了企业本身的问题之外，软件公司的服务模式与能力也是一个重要因素。特别是当前降本增效的模式下，大部分的软件公司纷纷压缩售后服务团队，减少现场支持频次，将运维推向远程、自助化，看似软件公司成本降低了，实则离客户越来越远，在这种脆弱服务支撑下，企业更换供应商时是毫不犹豫的。说个真实的案例吧，某软件大厂垄断行业功能软件，服务态度极其傲慢，特别是在其新产品上线后存在严重缺陷的情况下，仍响应迟缓，一个问题拖延三个月未解决，最后客户领导忍无可忍直接更换供应商，这个时候该软件公司的领导才意识到问题的严重性，赶到企业现场又是道歉又是各种承诺，但此时已是为时已晚。所以信任一旦崩塌，修复与重建非常艰难。但当前又有多少大厂的服务与信任处于崩溃的边缘？只是因为企业用其产品较深，难以轻易更换供应商，处于无奈的忍耐之中，实则已经到了难以隐忍的地步，所以老杨在群内看到最多的是CIO们对一些大厂的吐槽与不满，这种情绪在圈内早已不是秘密。老杨认为软件公司若想崛起，服务是重要环节，“以客户为中心”不能是一句空话，必须真正落地为行动准则。软件公司必须重构客户关系服务体系，服务必须落地到一线，必须真正的深入客户业务现场，完成从“被动接受”到“主动服务”的转变，缩短从问题发现到解决的时间窗，这需要软件公司组建专业的服务团队，建立快速响应服务机制，需要投入一定的资金成本，这对于以“产品为中心”、“以销售为中心”的传统软件公司而言，无疑是一个挑战，在追求短期利润与规模扩张的当下，这种转型是理想化的，但软件大厂若想再次崛起，高质量的服务是必不可少的环节。老杨认为当前传统软件企业受互联网的一些盈利模式影响太深，离客户需求渐行渐远、离客户服务渐行渐远，最终导致自己离利润渐行渐远，所以软件大厂若想再次崛起需要的不仅是技术与产品的创新，更重要的是内部变革的决心与毅力，短时间内需要放弃一些传统的盈利点，但从长期来看，优质的服务将为企业积累良好的口碑与客户黏性。软件行业没有永恒的王者，只有不断的自我颠覆。下一个软件大厂的崛起不是偶然事件，而是系统性重构的结果，所以这场竞争不仅关乎技术，更关乎视野、勇气、毅力、和组织能力。那么你认为下一个崛起的软件大厂是谁？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
09/30
现在还有年轻人不「偷偷」用AI工作吗？
森马上海的会议室，屏幕上，数据流和模块框交错，构建出一个复杂的自动化流程，这套“小系统”的设计者，是一位戴着棒球帽、穿着潮牌球服、看起来有些安静的99年姑娘孙楠。孙楠平时话不多，回答问题时语速平缓，是个标准的“i人”。然而，一旦聊到服装设计或是她亲手搭建的AI应用时，她就会积极地介绍其中的prompt和她的一些小想法，表现出典型的“因人而e”。作为一名刚入职一年的管培生，孙楠最近已然成了森马服饰数字化中心的“明星员工”。她先是用AI表格颠覆了公司内部样衣试穿的报名流程，终结了拿着记录各类表格的excel文件挨个找各部门同事确认的传统“e人”工作模式。紧接着，她又捣鼓出了一款更酷的“爆款改写制造机”，只要输入一张图片和一些设计要求，AI就能自动生成改款后的设计图和营销文案。在与她的交谈中，“我想要的”“我理想的”“不想被别人强加”是反复出现的高频词。但其实不只是她，从上海森马办公室到天津百丽时尚女鞋的门店，从重庆机场地勤到广东湛江的酒店服务人员……我们看到，大江南北的年轻人们，正在悄悄用AI“整顿”职场。这种“整顿”不是拒绝被规则拿捏的对抗，更多是借助AI，将繁琐的工作“自动化”，在工作中创造出可以引领工作方式的爽点。这种“爽点”的本质，是掌控感和自主权的回归。当年轻人更善于用AI时，他们就有能力从一些重复的、琐碎的劳动中抽离出来，成了一个更高维度的“规则制定者”。01从“我想要”开始对于许多初入职场的年轻人来说，工作往往是从很多琐碎、重复且耗费心神的任务开始的。这些任务不仅构成了他们日常工作的大部分内容，也常常是他们焦虑感的源头。2024年夏天，作为管培生加入森马的孙楠，在轮岗中接手了样衣试穿管理的工作。这是一个典型的“苦差事”：从产品部门收集需要试穿的各品类服装款式，分发给合适的试穿官，再催收、整理、分析近百份格式不一的试穿报告。在孙楠接手之前，这项工作依赖于最原始的方式：口头传达、纸质表格，或是散落在各个文件夹里的Word和Excel文档。“你要跟每个人去主动分发、去分配每个人试穿的款，”孙楠回忆道，信息分散，标准不一，催收伤感情，汇总靠手动复制粘贴，整个流程不仅效率低下，而且充满了沟通的壁垒与情感的消耗。这种被动、琐碎的工作模式，正是让并不那么热衷于社交的i人们最感不适的职场环境。她们渴望自主，不愿被无效的沟通和重复的劳动所内耗。而钉钉AI的出现，让改变的契机很快来了。一次偶然机会，孙楠参加了公司内部组织的钉钉AI表格公开课。“听到‘智能化’、‘自动化’这些词，你就觉得它能帮你减少很多工作量。”课后，孙楠几乎是“迫切地”提出了自己的设想：“霞姐，我想要建一个样衣智能预约的小程序或者平台。”这个“我想要”的念头，成了一切的起点。在接下来的两周里，孙楠利用碎片时间，从零开始，协同数字化中心的老师在钉钉上用AI表格搭建起一个“一站式自动化试穿流程”。孙楠通过钉钉AI表格搭建的试穿报告系统在这个新流程里，一切都变得井然有序且充满“自主性”：产品部门集中在一个AI表格里提交需要试穿的款式信息和图片。所有款式自动生成一个类似小程序的“选款池”，试穿官被赋予用户选择权，可以像逛淘宝一样，自主选择心仪的款式和尺码报名。孙楠认为这是最关键的一步，“用户选择个人想要的款式，不用被强制，写试穿反馈也会更加积极，更加有效。”随后，样衣的分发进度、试穿官的报告提交状态，都在一个仪表盘上清晰可见。对于逾期未提交报告的同事，孙楠只需在表格里轻轻一点，系统就会自动发送“催填”通知。当所有人填完之后，近百份反馈报告自动汇总到一张总表里。孙楠利用AI字段功能，设置好提示词，钉钉AI就能自动总结每款衣服的优缺点、提炼改进建议，甚至对问题进行分类打标。过去需要数天手动复制粘贴、费力分析的工作，现在几秒钟就能完成。从被动接受琐碎，到主动创造规则，孙楠用AI为自己打造了一个工作的舒适区。她不再需要硬着头皮去进行大量的线下沟通，一个AI表格就连接了所有部门和流程。“一部电脑就可以，”孙楠觉得，这反而解决了i人不擅长的沟通问题，“包括跟领导汇报也需要沟通，现在直接给一个表就可以。”同样的故事也发生在其他行业的年轻人身上。在重庆江北国际机场，直面高强度工作的年轻人，也正借助AI表格，为自己和同事的工作“减负”。在江北机场旅检二部，罗巧佳和同事要负责四百多名安检人员的后勤补给与奖惩考勤。一项“令人头大”的工作是，每当有培训或新制度发布，都需要400多人亲笔签字确认留档。为了收齐这些签字，罗巧佳过去一个月至少要在偌大的机场里走上十几公里，在安检口、宿舍等地方到处找人。在自学了钉钉AI表格后，她搭建了一个签字自动化应用。她在AI表格里导入人员名录，对安检人员一对一推送签字提醒。同事收到后，只需在白纸上签好字拍照上传，系统便会自动归档，整个过程高效且保护了个人隐私。她的同事、负责安全检查站行政工作的帅然夫则用钉钉AI表格解决了物资申领的难题。作为拥有超过2000名员工的安全检查站的行政人员，他所在的综合办公室过去依赖纸质审批单进行物资管理。申领流程需要人工奔波各处找人签字，每天耗费大量人力和时间。帅然夫的解决思路是，通过钉钉AI表格，构建了涵盖审批、库存联动及预警的自动化管理系统。如今，申请、审批、库存更新全部在线完成，将过去平均耗时数日的申领流程大幅压缩，为申领人员节省了约1天时间。现在，这位非技术背景的年轻人在两年间，已为这个2000多人的大部门开发了60余项应用。在千里之外的广东湛江，东呈集团旗下柏曼酒店的00后前台杨文君，则用AI来对抗另一种琐碎——那些来自顾客的、千奇百怪又需要标准作答的问题。作为一名刚从美甲师转行而来的酒店新人，面对陌生的业务流程和老员工的熟练自如，杨文君倍感压力。钉钉AI陪练的出现，成了她的“救命稻草”。她可以随时随地在手机上与模拟各种场景的AI数字人对话，练习入住、退房、处理投诉等话术。一周之内，她疯狂训练了43次，累计超过14个小时，成绩也从不及格飙升到90分以上。AI陪练不仅让她快速掌握了工作技能，更重要的是，给了她一个可以无限次犯错、不用担心他人眼光的私密练习场，极大地缓解了她的职场焦虑。对于这一代年轻人来说，工作中的“琐碎”不再是必须忍受的“历练”，而是可以通过技术手段去优化和解决的问题。他们天生就是数字原住民，当AI的能力变得像Office软件一样触手可及时，他们便能迅速将其内化为自己的能力，用来对抗工作中的无聊、重复与低效，从而为自己争取到更多创造价值的空间。02时间省出来了，然后呢？当AI逐渐将年轻人从琐碎的事务性工作中解放出来时，一个更深层次的问题浮出水面：省下来的时间，用来做什么？AI带来的，仅仅是效率的提升吗？答案显然是否定的。对于孙楠、杨文君这一代伴随互联网成长起来的年轻人而言，他们对工作的理解早已超越了“完成任务”的范畴。他们渴望创造，渴望表达，渴望在工作中留下属于自己的印记。而AI，正在为他们提供实现这种渴望的全新可能性，甚至在重塑他们对“绩效”或“KPI”的认知。在搭建好试穿流程、解决了本职工作的核心痛点之后，孙楠并没有就此“躺平”。她利用闲暇时间，又做了一件“自己弄着玩儿的”事儿：一个名为“爆款制造机”的AI表格。这个表格的诞生，源于她作为设计师的敏锐直觉和内在驱动力。在传统的设计流程中，要打造一款“爆款”，前期需要进行大量的市场调研、流行趋势分析，并结合过往的销售数据，整个过程耗时耗力，且高度依赖设计师的个人经验和产品部门的数据支持。而孙楠的“爆款制造机”，可以让设计师在网上看到任何有潜力的“爆款”图片，可以直接上传到表格里。随后，AI表格的图像识别功能会自动解析图片，提取出服装的名称、外观特征、面料、色彩等关键信息。设计师在旁边一列写下自己的改款要求，接下来，几个关键的AI字段开始发挥作用。一个AI字段会结合设计师的要求和互联网上的流行趋势、消费者评价，生成“爆款设计点优化建议”；另一个AI字段则会从色彩、工艺、剪裁、舒适度等维度，总结出这款产品成为“爆款”的核心要素。最后，AI根据这段提示词，直接生成改款后的服装效果图。甚至，孙楠还加入了“创意宣传文案”“建议人群画像”等字段，让AI一并生成小红书文案和KOL投放建议，将整个营销链路都思考了进去。不止在设计环节，在人流涌动的线下零售场景，AI的作用也变得越来越大。在百丽时尚的一家天津门店内，95后导购小冯的工作日常，曾被无数重复的问题所填满——“这双鞋有37码吗？”“最近有什么优惠活动？”“这个是真皮的吗？”尤其是在周末，这些问题像潮水般涌来，让她应接不暇。她的KPI是销售额，但她发现，自己绝大部分的精力都耗费在了这些信息查询式的、几乎没有技术含量的问答上，真正需要花心思的穿搭建议、情感沟通反而被挤占了。这种机械性的重复，不仅让她身心俱疲，也让她对工作的价值产生了怀疑。改变同样源于一次主动地尝试。她了解到钉钉AI练货后，萌生了一个想法：能不能帮自己熟练掌握店内所有鞋品的卖点，面对顾客时“应答自如”？百丽时尚AI练货说干就干，她每天花很多时间，通过百丽时尚和钉钉共建的“百炼AI”，熟悉每款货品的材质、款式亮点、新科技、适合的搭配风格、优惠活动的常见问题和销冠话术，相当于给自己请了一个“专属销售教练”。如今，当顾客咨询时，她能轻松应对各种场景。这让她得以从一个销售小白快速成长为经验丰富的金牌销售。比如，为一位准新娘挑选最合适的婚鞋，或者根据一位老顾客的穿衣风格推荐整个季度的搭配方案。她的价值，不再仅仅是一个完成销售指标的执行者，而是一个懂得利用AI放大自己专业能力和服务温度的“超级个体”。在这样的趋势下，年轻人的工作成果变得更加立体和长效。他们不仅在完成当下的工作，更在为未来的工作“铺路”。他们搭建的AI表格、应用的AI助理，都正在成为组织可复用的数字资产。这种“创造工具”的成就感，相比于简单重复的劳动，更能激发他们的热情。03从“打螺丝”到工程师当一个99年的i人，可以凭借一己之力，在两周内搭建起一个跨部门协同的“小系统”，这背后已经不仅是工具的革新，更是掀起了一场深刻的组织文化与个体心态的变革。森马AI创新负责人林建霞对此感受颇深。她见证了孙楠从一个对AI表格一无所知的“小白”，成长为能够独立创造复杂应用流程的“数智先锋”的全过程。在她看来，这正是AI时代“技术平权”的最佳例证。“以前你要搭这样一套系统，说实在的，这个开发很重。”林建霞说，“现在你用表格结合自己的场景真的能做出来。”这种变化，正在从根本上改变IT部门与业务部门之间的关系。在传统的数字化转型中，IT部门往往扮演着一个被动的“需求承接方”的角色。业务部门提出需求，IT部门排期开发，整个周期漫长而僵化。业务人员的痛点和想法，在层层传递和翻译中，往往会失真。而现在，林建霞和她的数字化中心，更像是一个“赋能者”和“布道者”。他们的部分核心工作，不再是“接需求、写代码”，而是“开课程、办比赛、挖人才”，想方设法“让业务知道有这个东西”。“你一定要让业务知道有这个东西，他知道以后，他对自己的场景是很有感觉的。”林建霞强调。这种“有感觉”，正是点燃创新的火种。一旦业务人员掌握了AI这个“魔方”，他们就能结合自己日常工作中最细微的痛点，组合出千变万化的解决方案。孙楠的试穿流程、爆款制造机，重庆机场的“随手拍”等等，都是在这种状态下诞生的。这也带来了一种全新的工作体验，一种在自定义工作流中寻找“爽点”的体验。“我觉得这个探索的过程其实还挺好玩，挺有意义的。”孙楠在访谈中多次提到。这种“好玩”的感觉，来自于将一个模糊的想法，通过自己的思考和操作，一步步变为现实的创造过程。每一个字段的设置，每一个自动化流程的打通，每一次报错的解决，都像是在攻克一个关卡，充满了即时反馈的乐趣和成就感。这种“爽点”的本质，是掌控感和自主权的回归。当年轻人可以用AI将繁琐的工作“自动化”时，他们就从重复的劳动中抽离出来，成了一个更高维度的“规则制定者”。他们思考的不再是“这件事该怎么做”，而是“这件事应该通过怎样的流程被自动完成”。这种思维层级的跃升，极大地激发了个体的创造潜力。林建霞在森马内部组织AI人才认证时发现，许多来自业务一线的员工，展现出了惊人的系统化思维。比如一位物流部门的同事，为了让第三方合作伙伴能用好他搭建的AI表格，甚至自己写了一份详尽的“使用说明书”，清晰地定义了每个字段的含义和触发条件。“虽然这张表很简陋，但他的系统化思维，这种人才在业务中是非常稀缺的。”林建霞对此赞不绝口。现在，AI就像是催化剂一样，让这些潜藏在组织“神经末梢”的创造力得以涌现。森马内部形成了一个有趣的氛围：不同部门的员工，会通过林建霞这样的“连接器”，看到彼此的AI应用案例。AI一键换装“他可以从我这里看到别的设计师用这个工具怎么做，同职能的同事之间很容易产生共鸣，这种启发比我们去讲更有感染力。”林建霞说。这种自下而上的创新氛围，反过来也让年轻人对组织产生了更强的归属感和认同感。他们不再感觉自己是庞大机器上一颗被动运转的螺丝钉，而是可以主动为这台机器增添新零件、优化其性能的工程师。当工作从消耗变成了一种“创造”，从被动接受指令变成主动寻找“爽点”，职场焦虑便在很大程度上被消解了。孙楠觉得，接触AI让她“打开了自己的逻辑思维”，认识到“完成一件事并非只能遵循单一方法，与其固守既有路径，不如尝试转换视角——借助其他工具，往往能找到更高效的解决方案。”工作这件事，不再只是谋生的手段，更成为一个可以发挥才智、实现自我、并获得乐趣的场域。这种思考的自由以及将思考付诸实践的能力，或许正是生成式人工智能革命赋予这一代年轻人的巨大红利。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
09/30
高德 AI 别再打古典互联网战争了
高德切入leifen市场的小道消息传得沸沸扬扬，昨天这个新产品揭开帷幕，原来并非是口碑重启，而是高德扫街榜发布。谜底揭开，但是疑问并没有结束，过去三个月的外卖补贴大战如火如荼，高德再再再打到店，是不是还要再来一次补贴大战？十年前，美团横扫所有团购平台，现在阿里要“君子报仇”，卷土重来？在AI科技评论看来，团购已经是美团和抖音的修罗场，高德再下场也就是卷补贴、打价格战，不可能形成新的叙事，反而会让人担心是否会重复之前的结果，担心是否会影响阿里的盈利能力。在智能时代，用更高的维度，打一场全新的技术战争，凸显高德优势，才是最佳选择。高德的优势，在于POI，在于数据，在于路线规划，而不在于内容和社交。如果这些数据能够成为帮助高德成为人们生活规划的大管家，那么本地生活也就手到擒来。地图的未来，就是升级成「生活操作系统」地图的本质，就是在数字世界里建模现实空间，AI时代带来之后，地图就可以不仅仅是一个平面、瞬时的二维空间，而是可以成为了一个，能够加入规划和决策、历时性、立体性的三维空间。这会带来什么结果呢？以前的地图是告诉你「从A到B怎么走」，这是解决点到点的问题；以后的地图，告诉你「某段时间内要做什么」，这解决的是「人在一个场景里如何行动」的问题。比如你在北京西单，AI不是只给你一个火锅店地址，而是帮你规划：停车→吃饭→看电影→买单返券。它能理解这个空间下的一整套需求链。换句话说，从「导航」到「编排生活」，这就是空间智能。高德在这方面其实有天然优势。它有全国最全的路网数据、POI数据、实时路况，背后是十几年积累下来的街景采集、路径规划算法。别人要做空间智能，第一步还得先买数据，但高德直接站在金矿上。理论上，它最有机会把地图升级成「生活操作系统」。但问题是，高德现在走的方向还是偏「智能体」，就是在地图里放一个AI助手，帮你算路、推荐餐饮，这更多是「工具增强」，离真正的空间智能还有差距。空间智能应该是重构整个城市级别的服务网络，而不是在现有页面里加一个AI窗口。现在高德做的Agent已经是同类里最好的了。你在地图里已经能看到一些典型场景：比如规划路线的智能体、餐饮推荐的智能体、甚至停车、打车的智能体。它们都在用AI来帮用户处理具体任务。换句话说，高德已经把AI拆分成了各种「平行智能体」，每一个负责解决一个问题。但这些智能体的交互模式，本质上还是二维的：你问一个问题，它回答一个结果；你点一个入口，它给一套方案。它们之间是平行存在的，缺少纵深感。雷峰网未来我们需要的，是三维的交互模式。地图能够理解你所处的真实场景，能够解析你的真实需求，并以此为你规划好所有行动轨迹。比如你在商场里，现在还是一个智能体告诉你停车位、另一个告诉你餐厅路线，以后你能得到的，就是一个整体的空间编排：停车后十分钟走到餐厅→提前为你预约座位→顺便给你推荐菜单→优惠已经准备好，只需一键付款→为你规划饭后娱乐安排。交互方式发生巨大改变，团购就成为了明日黄花，这样的高德自然可以做到兵不血刃，不战而屈人之兵。所以可以说，现在Agent是最优解，但还是平面的；空间智能才是立体的，它让AI从一个个小助手，转变成整个空间的「导演」。高德要想做好空间智能，障碍在哪儿？地图产品做团购早已有先例。此前一些产品的失败，也证明了一些客观的障碍无法逾越。一位曾负责过餐饮推荐的某地图产品经理，这样告诉AI科技评论，地图是一个最考虑打开时效的产品，也是一款容错率极低的产品。用户选择一款地图，首要标准就是导航精准、查询精准，而且到达目的地之后，用户就会关闭地图或者忘记地图的存在。在用户前进路线上推荐餐饮，效果是很差的。所以高德想要打餐饮市场，选择空间智能的路线，成功率还要更高一些。百度地图深耕于「出行工具」这一定位，其AI能力主要聚焦在提升导航本身的核心体验，如智能语音交互的流畅度、算路算法的精准与高效（考虑实时路况、历史规律、个人偏好等多维度），但这更像是一种「垂直深化」，尚未横向打通生活服务的生态闭环。谷歌地图推出了AI行程规划功能，主动理解用户出行的深层意图（如旅行、商务等），并整合地理位置信息、商家数据、用户评论，自动生成一个连贯的「吃住行」方案。这标志着地图正从「查询工具」向「规划助手」演进，初步展现了AI对空间关系和生活场景的理解能力。该功能仍处于初级阶段，在个性化、精准度和生态整合上还有巨大进化空间。过去十年间，高德积累了最好的本地数据，但因为要配合阿里生活服务的大盘，资源被拽到团购，最后搞出了「扫街榜」。这个东西本质上还是「榜单+优惠券」的逻辑，和空间智能的想象差得还有很远。高德要想领先一步，成为本地生活的终结者，还要跨越三大障碍：第一，高德有行程数据和POI数据，但是缺乏内容数据，而内容是用来理解用户真实需求的砝码。如何将高德对于现实世界的理解，嫁接到对于用户意图的理解上，这是第一重障碍。第二，高德是阿里做本地生活的最大抓手，也承担着最重大的使命，它是否还能保留足够的战略空间，去探索新的技术路线？这是第二重障碍。第三，用户心智突破。美团、抖音已经占住了「吃喝玩乐」的认知，大众点评、小红书拿到了内容社区的金牌，高德找到自己占据哪一部分心智，这是第三重障碍。如果高德能够突破工具属性，突破简单的搜索问答交互，那它就有机会成为人们未来的「空间操作系统」。但是如果只停留在扫街榜这种路径上，去打一场古典互联网战争，那既浪费了高德的地图基因，又浪费了这个难得一遇的AI大变局。突破有可能会失败，但是路径依赖一定不会成功。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/30
互联网的新战事：无招出招AI表格
互联网又热闹了起来。如果说今年ToC互联网的热点战场是即时零售，那么ToB互联网的热点战场就是AI表格。在海外，国际玩家Airtable和Notion纷纷以“AI数据表格”重构数据协作场景，微软更是通过CopilotWave2更新彻底革新Excel，将其升级为“智能数据分析平台”。在国内，竞争更加激烈。雷峰网观察到，飞书自诞生以来就在用文档、多维表来承接自己的商业叙事，腾讯近两年也是力推智能表格。而近期，钉钉也推出了自己的“AI表格”。那么，在AI在ToB领域的终极产品形态尚未确定的情况下，厂商为何纷纷押注“AI+表格”这类产品？厂商卷AI表格，到底是在卷什么？这种卷到底是功能竞争，还是真的带来了本质创新？当京东、美团、饿了么三巨头今年掀起外卖热战时，一场以表格这个“老产品”为核心的“协同办公新决战”正在同步上演。AI表格之争，为何是今年ToB赛道的战场？基于大模型技术，大厂带头把生产力工具“重做一遍”，是看到了AI时代工作方式中蕴藏的新机会。需要注意的是，钉钉对AI表格的表述是，AI时代的表格，未来AI新应用的入口。什么是AI表格？简单来说，AI表格，是承载企业业务数据的核心形态之一，也是建立在核心业务数据库上的AI生产线。从钉钉团队近期的动静来看，作为今年钉钉首个明确投入的产品，也是无招（真名：陈航）回归钉钉之后第一个AI产品，可以初窥无招对AI时代工作方式的判断，以及对AI时代企业生产提效深刻的洞察。数据是AI的基础，高价值的业务数据是企业生产经营的核心命脉。但此前，企业里存在大量的碎片化、非结构化业务数据没办法被有效利用，在大模型时代，这成为企业发展的最大痛点。前几年，钉钉战略投入的低代码是面向数字化时代沉淀、使用业务数据的产品；AI表格，则承载的是AI时代，高价值的业务数据的产生、存储、使用和共享，是钉钉找到的解决企业生产痛点的一大创新工具。为什么这么说？雷峰网认为有以下几点原因：首先，表格是企业管理者，尤其是经营者最常用的办公管理工具。这让AI表格在ToB领域，有着天然庞大的用户基础和市场心智。Excel等为代表的电子表格已经陪伴人们有二十多年了，时至今日，与文档、聊天、会议等场景一样，早已成为大众最为熟悉、常用的办公方式，拥有庞大的群众基础。其次，表格天然具有数据属性。表格赛道与文档赛道、会议赛道截然不同，表格产品就意味着数据式呈现。在现代信息社会，数据是生产力的“原油”。数据是AI这一生产力技术的核心驱动要素，也是企业生产经营的关键要素。对广大企业来说，“高价值的业务数据”是企业生产经营的核心命脉。但此前，企业里一直存在大量碎片化、非结构化的业务数据没办法被有效利用。在大模型时代，这种痛点尤为明显、迫切。不仅如此，与发散性的、即时性的聊天不同，表格本身就具有严肃的生产属性。每一张表本身就是一个工作场景，企业的业务数据、业务流程都可以通过表格来展现、汇聚和推动。甚至可以说，表格就是企业的生产线，能直接切入企业的核心生产环节。放在更远的维度，AI表格还可能是未来千千万万个AI应用产生的基础。众所周知，除了ERP、进销存等大场景外，企业里还存在大量碎片化的业务场景，比如电商文案更新，工厂设备巡检等，这些场景琐碎但却重要，是企业发展不可或缺的“毛细血管”。而AI表格可以用最低的门槛、最小的改造，把这些碎片化业务做成一个个业务系统，并把相应的数据存储、利用起来，成为支撑企业后续无数个AI应用诞生的基础。当集齐了广泛受众、核心业务数据，以及生产线属性这些特性后，AI在ToB领域最有希望的发生质变的产品形态就是AI表格。ToB赛道的竞争，打得究竟是什么？各大协同办公厂商们在AI表格上的竞争，争的是什么？在雷峰网看来，争的是谁能帮助企业率先掌握核心生产力。那么，在大模型时代，什么才是企业的核心生产力？答案是：区别于传统数字化时代的，更高效的核心生产线。而表格，就是这一核心生产线的关键承载者。表格遵循的是事务的生产逻辑，而非对话的沟通逻辑。在融合了AI大模型后，表格的生产线属性进一步放大。为什么这么说？其一，AI表格直接放大了每个劳动主体的能力。基于自然语言的大模型降低了表格的使用门槛，让Excel小白也能瞬间变成“表哥”、“表姐”，这相当于大大降低了生产门槛。其二，在业务数据的产生上，AI表格具备表格即AI的信息生产能力。这里举一个具体的场景：上海的某家工厂里，这样的事每天都在上演。上海一家食品厂的仓管员，在原材料到货时会拍摄包装、日期标签等照片，上传至钉钉AI表格。表格通过AI识别信息并校验采购订单，并检测包装异常。同时，AI表格还会每日自动盘点，生成库存报表，用图表展示出入库情况，并向相关人员推送临期或异常库存预警，以便及时处理过期原料。在这个案例中，每张AI表格，每一个单元格都是AI的入口，都可以生成并处理信息、推进工作流程，最终自动完成任务。同时，在数据的处理上，AI表格让每一个单元格从简单的“记录”入口，变成了AIAgent的入口。这样一来，一张表格就变成了包含许多个AIAgent的“智能业务系统”，表格也从生产的被动承载者，变成了主动推动者。而且与单个AIAgent一次只能处理一两个任务不同，AI表格在多任务并行上天然有优势，可以一次处理大量任务，为企业降本提效。设想一个场景，如果要处理1000个任务，采用和大模型对话的方式，可能需要进行成百上千次对话。但用AI表格，1000个任务1小时就能处理完。更为关键的是，钉钉意图用AI表格去承载AI时代沉淀业务数据库、知识库的作用。这一点尤其体现在此次钉钉AI表格推出的“表格即文档”这一功能上。以往的表格，不论是传统Excel类表格，还是多维表等协同表格，一直存在一个问题，就是文档、图片等非结构化数据始终游离在表格之外，最多也就是通过文档链接的形式将他们机械关联在一起。用户每次读取的时候都要一次次点击链接、跳转网页，非常不便。并且这些信息相互之间也没有形成有机整体。如何才能把文档与表格彻底打通？钉钉的“表格即文档”设计做了一种解法。在AI表格的主键单元格，用户可以像写文档一样自由输入，这样一来，表格就从结构化的数据入口，变成了一个可以承载大容量信息的文档入口。要知道，一旦文档与数据表实现了融合，AI表格就真正变成了企业的“数据库”、“知识库”，以及业务知识管理中心。毕竟无论是结构化的数据，还是非结构化的文档、图片、链接，全部汇集在一个清晰的知识看板里，“用一张表管理业务”才真正成立。数据是AI的基础，“业务数据库”的不断积累，反过来又能带来更大的AI提效，进而在大模型时代形成“数据-AI-业务-数据”循环往复的“生产飞轮”。随着数据在AI表格中产生、处理、流转与存储，AI表格帮企业搭起了一条基于“业务数据”的核心生产线，而这正是AI时代的核心生产力。表格战事，谁会更有优势？把传统表格变成AI表格，并非一次简单的产品迭代，这背后需要有用户规模、场景优势、行业Know-how以及大模型技术能力等全方位的支撑。若缺乏这些能力，就犹如无源之水、无本之木，很难把表格做深做透，与AI结合做出创新。钉钉在这些能力的积累上，目前是跑在前面的。以往大家都把协同办公产品视作管理提效的工具，但很多时候，这种看法有失偏颇。事实上，以钉钉为代表的厂家，一直在致力于深入企业的生产环节和业务数据，来实现对企业生产的直接提效。不少企业用户告诉雷峰网，在数字化时代，钉钉就曾用低代码跑进工单、跑进业务，直接作用于生产流程。钉钉是从2021年开始发力低代码的。彼时低代码并非新鲜事物，国内已有不少创业公司布局，既非投资人追捧的风口，还曾一度遭受“冷饭热炒”的争议。不过事后来看，钉钉坚持了自己的战略判断，通过大力投入和规模优势，将原本小众的低代码产品做成ToB行业业务数字化的共识，使其成为继软件、SaaS之后，数字化时代业务数字化的核心承载之一。而历史可能在又一次上演。如今，钉钉全力押注AI表格，背后可能蕴藏了这样一种判断：在数字化时代，低代码是灵活沉淀业务数据的关键载体；那么在大模型时代，AI表格是更灵活的数据生产、处理、流转、存储的核心形态。结语：时间窗口，就是心智窗口钉钉抢占时间定义AI表格，抢的其实是心智窗口。事实上，自无招回归以来，钉钉在短短3个月内连续对多维表进行了多次升级：先是宣布多维表产品功能开放，基础用量免费；紧接着进一步深入行业，针对电商行业这一阿里老本行，上新了100+高频模板，实现一张表管经营、管公司；再到如今正式发布“钉钉AI表格”，并推出“表格即文档”这一创新功能。几次快速迭代，是钉钉希望率先发出行业第一枪，来定义什么是“AI表格”。事实上，随着行业持续发展，最终AI表格这一产品也会变得大同小异，但用户心智在谁，决定了产品们的先后差距。AI在ToB赛道的定义权大战已然打响。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/30
对话用友：为什么说“AI×数据×流程”原生一体化，重构了软件与企业的关系？
2025年年初DeepSeek的横空出世，在国内掀起了一股前所未有的AI浪潮。对于中国企业而言，这标志着一个新时代的到来：AI从普及教育阶段进入到普及应用阶段。从“技术尝鲜”到“应用深水区”，关于AI的讨论，几乎所有企业最关切的问题是AI如何在企业应用落地——AI大模型如何与业务场景适配？AI多大程度上可以“为我所用”？AI的落地应用又会遇到什么挑战？对于“AI如何在企业应用落地”这一命题，用友网络董事长兼CEO王文京认为，接入或部署大模型是必须的，但是还不够，企业需要推进好三个方面的工作：一是升级应用数智化的新一代企业软件；二是加强开展数据治理、知识治理；三是接入或部署主流大模型和垂类模型。在2025年8月16日召开的2025全球商业创新大会主题大会上，用友重磅发布BIP5，通过“AI×数据×流程”原生一体化，帮助企业落地应用AI。用友BIP5与AI的深度融合，重构了企业与企业软件之间的关系，推动企业软件从传统的“工具系统”进化为业务的“智能伙伴”，帮助企业实现“增效降本、精准运营、管控风险”的目标。“深懂业务”是用友BIP多年来版本迭代一以贯之的特点，用友BIP5更是打通了财务、人力、供应链等十大业务与管理领域，帮助企业实现业务及管理全流程一体化拉通、集团全级次企业一体化共享与管控。目前，用友BIP企业AI已融入众多企业的核心业务流程，以“智能伙伴”的角色帮助企业解决业务难题、实现“智能决策”。据了解，BIP5将AI融入14类端到端业务流程、超2500个流程场。以商旅业务场景为例，传统商旅管理长期陷入“三难困境”：合规管控与员工体验的平衡难、成本优化与服务质量提升的协同难、数据孤岛与决策智能化的打通难。传统模式下，企业每年因差旅流程冗余、政策执行偏差、风险管控滞后造成的隐性损失高达营收的3%-5%。依托BIP5，用友商旅云以AI为破局点，推出商旅云8.0“数智旅行社”，面向企业客户打造专属数智化旅行社服务平台，力图实现“AI重构消灭报销”。AI如何重构、消灭报销？用友商旅云负责人魏咸斌向雷峰网(公众号：雷峰网)表示，全语音入口、实时数据采集以及后台自动的差标差规配置和执行，是BIP5“AI×数据×流程”原生一体化为企业商旅场景的赋能。同时，魏咸斌也提到，尽管AI应用在BIP3R6版本就已经实现，但只是“点”上的创新，BIP5在AI融合上更进一步——强调数据和算法模型，在每个应用场景后部署算法，最终形成商旅大模型，从而实现“从点到面”的跨越。AI加持商旅全链条，解决员工和财务双重报销痛点A：企业在商旅场景面临哪些痛点难点？AI的落地应用如何解决这些问题？B：传统模式下企业有很多线下报销，员工订票后还要报销，在纸质票时代如果票据丢了，就相当于钱丢了，因为火车票、好多发票不能重复打印。在AI时代，商旅有AI和数电票加持，AI让各种交互更简单。在智能体（Agent）里，通过一段语音就能生成出差申请，比如“15号到17号去深圳参加用友创新年会，坐飞机从北京往返”，系统就会生成出差申请单。领导同意后，系统会推荐符合企业差标差规的行程、航班和目的地附近的酒店，如果有些企业不能乘坐8折以上经济舱，系统就会推荐符合要求的。在平台预订好后，无需员工自己付钱，预订好就出票；出行结束后，商旅服务商会把账单发给我们帮企业核对好，开完发票就直接结算。所以整个过程不需要员工垫资，也不用拿任何票据，公司直接把钱打给商旅服务商。在AI加持商旅全链条之下，员工感受非常好。对企业财务来说，这也带来了比较好的体验，原来财务要处理一堆乱七八糟的单据，现在所有预订都是合规的，账单能自动对账，还能自动生成报销单、自动审批、自动结算。我们称为实现“AI重构消灭报销”。A：BIP5与AI的融合，如何解决商旅场景的业务痛点？B：一是全语音入口。AI的价值体现在人机交互，因为商旅偏toC，是个人属性很强的应用。以费用申请为例，个人随时带手机，语音是手机最方便的输入方式，只要用语音把意图告诉手机，AI就能理解意思并生成相应单据。二是后台采集大量数据。实时采集各方数据是AI擅长的，比如在出差申请场景，AI能实时采集当前机票和酒店价格，让费用预估、预算占用更准确。现在我们也在后台给每个人打标签，比如职级、职务、出差性质、个人喜好、历史订过的酒店等。根据这些标签再给员工推荐行程就更准确了，比如实施人员可能长期在某个项目，两三周之内的行程比较固定；产品推广人员可能每天换地方，预订次数多、行程复杂度更高。三是后台自动的差标差规配置和执行。比如某央企有1200家下属单位，每个单位的差标差规有所区别，这些区别体现在每个单位的报销制度发文里，我们能从1200套报销制度中采集各单位的差标差规到系统，经各单位检查后就可以直接执行，比原来让客户整理成格式化表单、再填报快很多。90%飞机票、火车票可抵税，数据分析减少企业财税浪费A：以商旅云为例，BIP5相较之前版本，与AI的融合有哪些新突破？B：用友在BIP3的R6版本就做了很多AI方面的应用，但AI的真正商用，是在DeepSeek出现之后。虽然部分AI应用在BIP3R6版本就已经实现了，但只是“点”上的创新，相当于流程里做了很多智能的应用，而BIP5更进一步，更强调数据和算法模型，会在每个应用场景后都部署一些大的算法，最终形成商旅大模型，从而实现“从点到面”的跨越。商旅云在BIP5推出了“数智旅行社”。“数智旅行社”通过AI技术构建企业专属服务团队，提供智能行程规划、资源整合、数据分析等一站式服务。以数据分析为例，商旅云强化了对各个角色、各个场景的智能服务：对财务总监而言，有对账方面、集合方面的数据分析；对于税务场景而言，现在很多票据都可以抵税，并且抵税的金额还比较高，如果不抵税对企业来说相当于浪费——90%的飞机票、火车票可以抵税，酒店票据也可以抵税，增值税票也可以抵税，这都是数据分析很好的应用；比如还有差旅的满标率、平均折扣、拼房率等数据分析，都可以帮助企业更好地降本增效。A：商旅云接下来如何推动“AI+业务”的深度融合来保持市场竞争力？B：在客户扩展方面，第一是对SAP、Oracle等国外厂商的替代。像SAP、Oracle在境内没有研发团队，所以他们的AI比较难真正用起来。“商旅+费控”是比较容易落地的通用场景，这个场景可以和企业现有的系统做对接，就可以把商旅费控、企业支出通过AI的方式管理起来，同时帮助AI在企业生根。第二是对用友传统客户的升级。对于一些老版本的客户，推动他们要么升级到最新版本，要么用“端+云”的方式和新版本做对接。在AI应用层面，深化AtoA（即AgenttoAgent）的技术应用，用我们的Agent去调用商旅服务商的Agent，运用MCP的技术，在审批的时候调用传统软件里的应用，把它设置为MCP的Server，再用我们的MCP去调用它，这样就可以跨平台、跨系统、跨服务商实现AI的应用。目前已经有很多应用了，比如我们和携程的Agent已经做了对接，后续还会配合更多服务商做对接，一侧是融合服务商，一侧是融合应用场景。上半年客户和交易同期增长2.5倍，帮集团节省70%财务人员成本A：服务不同规模企业，商旅云的AI应用场景会有区别吗？B：有区别。小客户更强调一键开通、直接对接、配置一键生成，服务商采用默认即可；大客户可能会选多家服务商，还会比价，同时差标差规更复杂，在数据服务方面需求也更多。如果大型企业的需求暂时满足不了，我们会通过AI，以算法、大模型的方式实现。以如何实现大型企业员工的“千人千面”为例，企业员工因个人画像、偏好、出差场景不同而存在差异，可以基于数据分析，利用算法对每个人形成的个性化推荐，满足员工的个性化需求。A：商旅云如何通过“生态共荣”战略推动AI在企业落地？B：商旅云是AI化比较彻底和生态比较明显的BIP应用。因为商旅业务贯穿企业支出的全链条，任何一个环节都要和很多商旅服务商对接，比如预订服务由携程、滴滴、美团等提供，在生态上实现能力互补、资源互补。目前商旅云对接了境内外100多家大大小小的商旅服务商，一起组成企业服务局面。在AI层面，也接入了很多联合服务商的AI应用，比如他们的算法推荐、实时数据，一起为客户提供完整的出行体验，给财务提供全链支出闭环管理等。A：“AI大模型+商旅云”目前取得了哪些成果？B：和去年同期相比，商旅云今年上半年客户和交易增长约2.5倍。希望在AI的加持之下，能够实现5倍以上的增长。而用友集团本身就是近些年“AI大模型+商旅云”成果的典型案例：从线下报销到商旅云成功上线，节省了70%的财务人员，原来需要几百人，现在十几个人就可以了。集团实现了降本增效，原来每个员工每个季度要花很多时间填写报销单，现在不需要了，可以把时间用在服务客户上，而不是填写报销单。写在最后在AI浪潮中，企业作为AI应用落地的主要阵地，在加速数智化进程中拥有了更多可能性。SaaS厂商如何帮助企业拥抱AI和落地AI，用友用BIP5给出了答案：通过“AI×数据×流程”原生一体化，让企业的数智化建设与运营消除“应用烟囱、数据孤岛、智能碎片”。面对“AI如何在企业应用落地”这一命题的拷问，不同SaaS厂商也许拥有自己的答案。但毋庸置疑的是，如果厂商无法做到AI技术与业务场景的深度融合，实现从单一管理工具到智能“企业大脑”的跨越，那么将会在AI变革浪潮中被淘汰出局。本文来源：雷锋网文章转载于其他网络，如有侵权请联系我们及时删除
-
25
09/05
AI巨头重兵布局，深度解析AI智能体：为什么说它才是AI的终极形态？
2025年AI趋势报告：为何说智能体（Agent）是AI的未来今天看到这么一个观点，说很少有新兴技术能够比代理人工智能(AgenticAI)为组织提供更多机会来加速生产力和转变业务运营，其前景甚至超过了其表亲生成人工智能(GenAI)。另外还看到华泰证券的一个报告，称生成式AI正迈入以AI智能体为主导的新发展阶段。这里所说的代理人工智能，其实也就是我们常见的智能体的概念。最近我也参加过多场活动，也上手实测了不少主打智能体的AI产品，很明显感觉到智能体概念的持续升温。清晰的感知到，这或许就是自从ChatGPT问世后，躁动了许久的AI领域，一路进化的最新态势。今天就试图带大家去探寻一下，这幅更宏大的全球智能体发展图景。一：从“博学大脑”到“全能打工人”：智能体究竟是什么？要理解智能体（Agent）为何被寄予厚望，我们首先要弄清它与我们熟悉的生成式AI（GenAI）的根本区别。如果说以ChatGPT为代表的GenAI是一个知识渊博、有问必答的“大脑”，那么AI智能体就是为这个大脑装上了“手和脚”，让它从一个“对话者”变成一个“行动者”。GenAI工具受其编程逻辑的约束，擅长根据指令生成内容，但它的行动力到此为止。而智能体则被赋予了更高级的能力：它被委托一个目标，然后可以自主地进行理解、规划、调用工具，并与环境交互以达成这个目标。举个简单的例子，比如我之前实测的一句话生成一部三五分钟，甚至10分钟的超清视频大片。剧本、分镜、配乐、画面生成……这些需要耗费人类团队数周的工作，智能体一次性就能完成。业内专家提出了一个清晰的智能体进化路径，大致可分为几个阶段：从最初只能进行简单问答的L1级聊天助手，到需要人类预设流程的L2级工作流智能体，再到能够像领域专家一样自主规划任务的L3级推理型智能体。而当前竞争最激烈的，则是L4级的多智能体系统，它能够让多个专长不同的智能体协同作战，像一个团队一样解决跨领域的复杂问题。从这个进化路径可以看出，AI的发展方向正从追求单一模型的“更大、更强”，转向构建一个能够协同作战的“智能生态系统”。这正是智能体概念持续升温的根本原因——它标志着AI正从一个“工具”，向一个真正的“合作伙伴”和“数字劳动力”转变。二：全球巨头“亮剑”，智能体赛道的“现在进行时”智能体的浪潮并非空谈，放眼全球，科技巨头们早已重兵布局，争相亮出自己的“王牌”，将这个未来概念加速推向“现在进行时”。微软：将智能体植入生产力的每一个角落微软的战略是“无处不Copilot”。它正致力于将Copilot从一个应用内的助手，升级为一个能够横跨Windows操作系统、Office365全家桶、Teams协作平台和Azure云服务的“超级智能体”。未来的Copilot将不再仅仅是帮你写邮件或总结文档，而是能理解“为下周的销售会议准备一份完整的报告”这样的复杂指令，然后自主地从Excel调取数据、在PowerPoint中生成图表、从Teams的聊天记录中提取要点，并最终为你整合成一份完整的演示文稿。此外，微软还开源了AutoGen这样的框架，旨在帮助开发者构建强大的多智能体应用，其目标是打造一个庞大的、协同工作的AI智能体网络，将智能体能力深度融入到数字工作的每一个环节。谷歌：以多模态通用AI定义未来交互谷歌则将赌注押在了多模态和通用性上。其在I/O大会上惊艳亮相的ProjectAstra计划，便是一个最好的例证。Astra的目标是打造一个能看、能听、能说、能记忆、能理解复杂情境的通用AI代理。在演示中，它能通过手机摄像头实时识别周围环境，理解代码，甚至记住物品的存放位置，展现了其作为“日常生活全能助手”的巨大潜力。这背后是谷歌Gemini模型的强大能力，尤其是其天生的多模态理解和“工具使用”（ToolUse）能力，使其可以调用各种API来执行现实世界的任务。对企业用户，谷歌则提供了VertexAIAgentBuilder，帮助他们快速构建面向特定业务场景的智能体。OpenAI：通往AGI之路的关键里程碑作为引领本轮AI浪潮的先锋，OpenAI将智能体视为实现通用人工智能（AGI）的关键路径。其推出的GPTs可以看作是构建智能体的初步尝试，让用户可以为特定任务创建自定义的ChatGPT版本。但OpenAI的野心远不止于此。其正在积极研发能够自主操作计算机桌面环境、使用浏览器、操作各种软件来完成复杂任务的下一代智能体。这种智能体将能够像人类一样与数字世界交互，从预订机票到管理复杂的项目，真正成为人类能力的延伸。NVIDIA：为智能体时代提供“军火库”在这场竞赛中，NVIDIA扮演着不可或缺的“军火商”角色。它不仅为全球AI公司提供算力强大的GPU，更重要的是，它正在构建一个完整的智能体开发和运行平台。其推出的NIM（NVIDIAInferenceMicroservices）等工具，让开发者可以轻松地将模型打包成可调用的服务，这是构建智能体的基石。最近，NVIDIA甚至发布了专为人形机器人设计的“GR00T”项目，展示了其将智能体能力从数字世界延伸到物理世界的雄心。当然，在这场全球性的竞赛中，中国的科技力量同样不容小觑。诸如百度、360等公司也已推出了面向公众的、能够处理复杂任务的多智能体平台，显示了这一领域的全球同步发展态势。三：“数字员工”照进现实，智能体如何颠覆百行千业那说了这么多高大上的技术，这些“AI智能体”到底会怎么改变我们的工作和生活呢？简单说，就是各行各业都会迎来一批不知疲倦、能力超强的“数字员工”。比如说，我们都烦透了和那些只会说“请问有什么可以帮您”的机器人客服打交道。未来的智能体客服就不一样了，它们会有更大的自主权，能像真人一样，调取你的资料，理解你的问题，真正帮你把事情给办了。在公司内部，这些“数字员工”更是大显身手。管仓库的智能体可以24小时盯着库存，一旦发现要断货，它自己就能重新安排发货路线和时间。对于程序员小哥来说，很多繁琐又重复的编程工作也可以甩给AI智能体了，它们能帮忙写新功能、检查代码、还能实时抓Bug。甚至在一些超酷的领域，比如“数字孪生”（就是给一个真实机器在电脑里建个一模一样的模型），智能体可以分析各种数据，模拟机器运转，提前告诉你哪会出故障，甚至还能组团帮忙安排修理。当然，有好处也有风险。最直接的挑战就是网络安全。你想啊，当黑客也用上了“智能体黑客”，他们就能发动又快又猛的自动化攻击。这就逼着我们必须得有自己的“安全智能体”战队，未来网络世界的攻防，很可能就是两拨AI智能体之间的较量了。听起来是不是感觉未来已来，但又有点遥远？确实，这条路虽然前景光明，但脚下还有几个坎儿要过。最大的一个问题是，现在各家公司做的智能体，互相之间还不太会“说普通话”。它们缺少统一的标准和接口，导致没法很顺畅地跨平台、跨公司合作。这个问题一旦解决，智能体的能力可以说是“无所不能”了。四：前路漫漫亦灿灿，挑战与未来展望所以，我们现在正处在一个非常关键的起步阶段。虽然那些全能AI助理的视频看起来像魔法一样神奇，但要让它真正普及开来，还需要很多努力那我们该怎么办？专家的建议很实在：谨慎地开始，但现在就得开始。我们每个人和每个公司都应该去主动了解和探索，看看这些AI智能体到底能为我们做什么，尤其要找到那些能实实在在带来回报的用法。你可以先从一些小的试点项目开始，给你的AI智能体一把“钥匙”，让它在数字世界里先跑起来，积累经验。回到最初的问题：智能体是AI进化的最新态势吗？答案是肯定的。它标志着AI从一个被动的“内容生成器”，进化为一个主动的“任务执行者”。这是一个根本性的飞跃。现在，正是我们探索智能体的最佳时机。我们需要借鉴已有的成功案例，从小处着手，开始构建和试点，让智能体获得“数字化的实践钥匙”。只有亲自下场探索，才能真正理解其潜力与边界，引领你的个人生活和组织发展，成功跨越学习曲线，从理想迈向成功。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
09/05
AI医疗，迎来DeepSeek时刻了吗？
AI医疗，正在成为一张“明牌”。AI医疗，正站上风口。2025年8月，国家发布《关于深入实施“人工智能+”行动的意见》，在“人工智能+”民生福祉方面，文件提到“探索推广人人可享的高水平居民健康助手，有序推动人工智能在辅助诊疗、健康管理、医保服务等场景的应用，大幅提高基层医疗健康服务能力和效率。”政策发力之外，科技巨头已加速入局。蚂蚁、京东、华为、字节纷纷切入AI医疗赛道，聚焦问诊、用药、健康管理等核心场景。“AI六小虎”中，百川智能与北京儿童医院合作开发专科AI医生。他们共同瞄准的是一个潜力巨大的市场。据咨询机构弗若斯特沙利文预测，从2023年至2033年，中国AI医疗市场规模将从88亿元飙升至3157亿元，年复合增长率高达43.1%。放眼全球，世界经济论坛预计，2032年，全球AI医疗市场规模有望突破4910亿美元（约3.5万亿元人民币）。热潮之下，一个核心问题待解：AI医疗，真能破局吗？过去，医改试图优化资源配置，互联网医疗则在挂号、咨询、购药等环节提升效率。但医疗行业的核心痛点在于优质医生供给严重不足。尤其在基层，缺的不是设备，而是会看病的医生。如果AI能够深入诊疗核心，成为基层的“智能医生”，承担首诊、分诊、慢病管理等任务，它就不再只是辅助工具，而是放大优质医疗资源的杠杆。我们将在本篇报告中探讨：AI医疗能否真正解决供给难题？AI医疗将如何重塑现有医疗体系？技术之外，AI医疗面临哪些监管与落地挑战？AI医疗，未来的“超级入口”？在移动互联网时代，曾经有一个热门的概念叫作“入口”，也就是整合多服务资源的平台，比如信息入口、消费入口、支付入口，都是当时巨头们想要极力争取的。但在整个互联网的发展进程中，医疗领域似乎没有出现一个真正的“入口级”企业。如今，在AI的加持之下，AI医疗有可能成为一个“超级入口”。为什么？首先，医疗是数字化程度极高的行业，数据基础扎实。AI技术日渐成熟，能够整合利用已有的数据，拓展医疗领域的智能应用。其次，医疗决策往往以家庭为单位——上有老、下有小，一个人的健康需求牵动整个家庭。谁能成为这个入口，谁就可能掌握家庭级的服务触点，商业价值巨大。AI的引入，使得系统性地管理一个家庭的健康成为可能，比如持续追踪每位成员的健康数据，识别跨代际的遗传风险。此外，作为服务业，AI医疗不受地域限制，具备天然的可复制性与出海潜力。在深入探讨AI医疗之前，我们有必要先对医疗行业本身建立一个整体性的认知。毕竟，技术是为解决问题而存在的，理解问题本身，才能看清技术的真正价值。全球医疗体系里，没有模范生对于医疗问题，老百姓用六个字总结得非常精准：看病难、看病贵。这六个字看似简单，实则涵盖了医疗体系的核心痛点。但医疗难题并不只是中国的困境，全球范围内，在医疗领域可能没有真正的“模范生”。不少国家的医疗体系都深陷于“供给不足、资源不均、成本高昂”的多重困境之中。比如美国，尽管拥有全球最先进的医疗技术和研发能力，但并未实现全民覆盖的医疗体系，低收入群体和少数族裔仍然面临就医难的困境。美国前总统奥巴马执政期间提出的医疗改革方案缓解了部分矛盾。但更突出的问题是，美国医疗成本极高，根据美国《卫生事务》杂志的统计，2024年美国医疗支出增长率达8.2%，突破5万亿美元大关。再比如英国，建立国家医疗服务体系（NHS），曾经用不到10%的GDP成本实现了全民医保，一度是大家学习的模范。但近些年随着医疗成本的快速上升，这个体系也面临严峻挑战。首先是服务效率低下，非急症患者长期等待候诊成为常态，许多留学生宁愿回国就医。其次是财政压力持续加大，随着人口老龄化和医疗成本上升，政府越来越难以承担，税收负担也逐年加重。为什么AI医疗有机会破局？▍一、中国新医改：提升了公平性，难在优质供给不足为什么医疗改革如此艰难？根本原因在于，医疗不仅具有消费属性，还承载着强烈的公益属性。医疗行业既要维持行业的可持续运转，又必须控制费用，避免成为人们的负担。这一内在张力使得政策设计始终面临两难。此外，医改涉及“医疗、医药、医保”三方主体，不同主体利益诉求各不相同，协调难度极大。（更多关于医疗体系的思考，欢迎阅读中国医疗卫生体系40年：从过去到未来的探索之路|峰瑞报告）过去二三十年中国一直在尝试通过制度设计来平衡各方的利益诉求。2009年，“新医改”正式启动，逐步建立了覆盖全民的基本医疗保障制度。2015年，分级诊疗制度开始推进。2017年，公立医院全面取消药品加成，标志着“以药养医”模式的终结。2018年，国家医保局成立并启动药品集中带量采购。近年来，医疗行业的反腐也成为改革的重要一环。这些改革措施本质上是“分蛋糕”的改革，优化了资源分配，提升了公平性。但中国医疗行业始终面临一个待解的难题——优质医疗资源供给不足。换句话说，医改可以改变分配方式，但难以在短期内培养出大批量的好医生或者大范围提升基层诊疗能力。整体而言，优质供给不足，是当前医疗的核心矛盾，也是为什么“看病难”的问题依然突出。▍二、曾被给予厚望的互联网医疗在制度变革的同时，技术驱动的变革也在同时进行。已发展近20年的互联网医疗浪潮就是其中之一。从2000年数字医疗企业丁香园创立，到2003年国家提出加快卫生系统信息化建设步伐，再到2006年互联网医疗平台好大夫在线成立，以及2010年挂号网的成立……互联网医疗一度被寄予厚望。政策也开始推动。2013年，国务院发布《关于促进健康服务业发展的若干意见》，其中提到“与物联网、移动互联网融合，不断提升自动化、智能化健康信息服务水平”。2014至2015年，互联网医疗迎来高潮：阿里、腾讯、百度等巨头纷纷入局；丁香园、春雨医生、微医（原“挂号网”）等平台试水线下诊所，其中微医在乌镇开了中国第一家互联网医院。热潮之后，是监管收紧。2018年，国家出台互联网诊疗管理办法，明确禁止在线首诊，只能用于复诊，行业迅速降温。直到新冠疫情爆发，远程医疗需求激增，互联网诊疗才迎来新一波增长。互联网医疗的挣扎持续了相当长一段时间。归根结底，医疗的核心环节是诊疗，互联网医疗更像是在医疗外围“打转”，大多停留在轻问诊、健康咨询和药品流转等环节。互联网医疗调节了分配，但是没有解决医疗行业供给稀缺的问题。打个简单的比方，互联网挂号改善了挂号体验，但改变不了优质医生有限的现实。因为互联网医疗能提供的服务较为有限，盈利模式也受限。阿里健康、京东健康等平台虽已陆续IPO，商业模式更多聚焦于在线药品销售，而非诊疗。▍三、AI医疗能破局吗？AI医疗是否能走出互联网医疗的困境？在中国，医疗服务的定价长期偏低，医保又面临巨大的支付压力。如果AI只是作为医生的“辅助工具”，它的价值就很难独立体现。这样一来，医院和医生可能缺乏动力去采购和使用AI产品。医疗行业真正的破局点，或许在于：谁能系统性地增加医生供给，提升基层医生的诊疗能力，谁就有可能成为医疗体系的“入口”。此外，如果AI医疗能在广大的基层医院得到普及，其放大优质医疗资源的杠杆作用会更强。最早的AI医疗失败了，当下AI医疗能发展起来吗？▍一、AI医疗的前车之鉴回顾过去，AI医疗并不是个“新概念”。早在2011年，由IBM和美国德克萨斯大学联合研制的超级电脑“沃森”(Watson)在美国智力问答电视节目《危险边缘》中的总分超过了该节目的两位人类冠军。“沃森”在节目中的亮眼表现让IBM看到了“沃森”拓展应用场景的可能性。“沃森医生”曾与纪念斯隆-凯特琳癌症中心合作，研究与癌症相关的变量。“沃森医生”还与休斯顿MD安德森癌症中心合作，试图为癌症患者提供诊疗建议。然而，这些声势浩大的尝试最终以失败告终。最终，IBM将WatsonHealth大部分资产拆分出售，宣告了第一代AI医生的退场。为什么“沃森医生”会失败？第一，彼时AI的能力还不够强大。尽管沃森具备出色的语言理解能力，但医疗场景中充斥大量非结构化、高度专业化的临床数据，当时的AI难以实时处理和更新这些数据，限制了“沃森医生”的临床实用性。第二，数据来源严重受限。沃森的训练数据有限，缺乏多样性和广泛性，可能导致模型泛化能力不足，不容易应对复杂多变的真实病例。第三，定位存在偏差。动脉网曾援引业界专家对“沃森医生”的评价：“过度宣传Watson代替医生、超越医生，能够超越医生的认知……这样的宣传迅速拉高了外界对于IBMWatson的期望……过分夸大的市场宣传，对产品长期健康的发展并没有好处。”▍二、当下发展AI医疗的条件为什么在当下，AI有可能改变医疗行业的供给结构？首先是技术能力的飞跃。医疗诊断的本质并非强逻辑推理，而更接近“知识库+经验”的模式，更多依赖记忆、模式识别和经验积累。如今，大语言模型在医疗诊断任务中的表现，相较上一代AI医疗产品已经有了一定的提升。2024年，哈佛大学、斯坦福大学、微软等机构联合开展了一项研究，对OpenAI旗下o1-preview模型在医学推理任务的表现进行了综合评估。结果显示，o1-preview模型在诊断临床推理（判断最可能是什么疾病）、管理推理（制定治疗方案）等任务中超越了实验组中主治医师和住院医师的水平。其次是数据质量的提升。上文提到，2003年中国提出加快卫生系统信息化建设步伐。经过20余年，中国医疗行业已经积累了足够充分的高质量数据。这些高质量数据，将有助于AI医疗的发展。毕竟，在一定程度上，数据的质量直接决定了AI医生的“高度”。最后是定位的理性回归。依据中国卫健委的数据，中国乡村医生仅占全国医生总量的近五分之一，但乡村人口占全国总人口超过三分之一。AI医生或许更适合定位成替代基层的全科医生，而非挑战临床研究型的医生。AI医生适合发挥其跨学科、多病种综合判断的优势，实时更新医学知识，整合多学科指南，提供诊疗建议。未来，医生的角色或许会逐渐分化：一部分医生专注于临床科研与疑难重症攻坚，成为顶级专家；另一部分则在AI的辅助下，转型为以患者照护、慢病等健康管理为核心的“助理医生”或“健康管家”。AI或许将彻底重塑医生的供给结构——让优质医疗资源通过技术杠杆，真正下沉到基层，触达更广泛的患者群体。未来AI医疗图景展望未来，如果AI医疗能够被广泛应用，我们可以想象一下人们看病的场景：你只需在线问诊，AI即可结合症状进行初步评估。医疗平台上门检测采集的血常规、尿检等数据，或社区医院完成的影像检查，都被AI自动汇总、分析。AI完成诊断后，立即分诊：常见病直接开方，纳入慢病管理并动态追踪疗效；急重症快速转诊至上级医院；疑难病例则推送给专科医生，AI可辅助提供决策支持。总之，未来AI或许可以部分替代医生，参与问诊、分析、分诊等多种环节。AI医疗可能在多个层面给现有的医疗体系带来新变化，主要体现在三个方面：首先，AI有助于推动医疗数据的系统性整合与利用。随着AI在诊断和治疗建议中的参与度提升，诊疗过程中产生的结构化数据将不断积累，形成“数据—模型—应用”的反馈循环。这种数据飞轮效应，理论上可以提升模型性能，并为医学研究和真实世界证据积累提供支持，但其实际效果仍依赖于数据质量以及医疗机构间的协同程度。以美国AI医疗企业TempusAI为例，其核心业务是通过AI驱动的临床和分子数据库，为医疗系统提供精准的检测和诊断工具，服务范围覆盖肿瘤学、精神病学、放射学和心脏病学等多个领域。TempusAI凭借与数千家医疗机构以及超半数美国肿瘤学家的合作，积累了海量数据集，用于训练人工智能算法。其次，AI在促进合理用药方面具有一定潜力。当前临床中仍存在一定的过度用药、药物错配等现象。如果AI系统能够基于用药指南和最新文献提供建议，可能会在一定程度上减少非必要处方，提升用药规范性。但AI需要遵循相应的规范，不能以“个性化”的名义进行违规操作。例如，远程医疗平台Hims&HersHealth会为用户制定个性化治疗方案。每个患者的剂量、药物的组合，甚至是成分，都会根据个人需求量身定制。但市场中也出现了另一种声音，2025年6月，合作方诺和诺德指责Hims&HersHealth未遵守禁止大规模销售配制药的法律，利用虚假的“个性化”定制规避监管，且营销行为危及患者安全。AI可能对商业保险和医保支付模式产生间接影响。当前商业健康险面临保费高、参保率低的问题，部分原因在于风险控制难度大。如果AI能够参与全周期健康管理，渗透预防、筛查、慢病随访等环节，理论上有助于降低整体医疗支出，并为保险精算提供更精细的风险分层依据，进而降低保费。然而，这类模式的可持续性仍需验证，且涉及伦理、公平性和算法透明度等复杂问题。总体来看，AI在医疗数据整合、用药规范和支付机制优化方面具备一定的应用前景，但其实际成效受限于技术成熟度、系统对接能力、监管框架和临床接受度。它更可能作为辅助工具，逐步嵌入现有体系，而非迅速颠覆或替代传统模式。AI医疗监管难题AI医疗的技术路径逐渐清晰，在提升诊疗效率、优化用药、积累数据等方面的潜力也正在显现。然而，真正决定它能否大规模落地的，并非技术本身，而是监管的态度与制度的跟进。毕竟，医疗关乎人的健康与生命。例如，2024年2月，湖南曾发布《关于进一步加强基本医疗保障定点零售药店管理的通知》，明确提到“严禁使用人工智能等自动生成处方”。此外，AI医疗的一大待解难题在于，一旦发生医疗纠纷，责任应由谁承担？是医生、医院，还是算法开发者？如果AI被明确界定为“独立决策者”而非“辅助工具”，责任归属反而可能更清晰。如果未来出现“纯AI医生”模式，即由AI独立完成首诊、分诊和处方，那么一旦出错，责任主体可能会落在开发方或运营方。2025年1月，FDA发布的AI应用于药品与生物制品的监管框架《使用人工智能支持药品和生物制品监管决策的考虑因素:行业及其他利益相关方指南草案》，或许可以作为他山之石。其核心思路并非仅按照任务类型划分“高风险”或“低风险”，比如不能让AI开处方，而是根据AI模型的应用场景和潜在后果进行动态评估。这种“基于风险情境”的监管模式，可能更具灵活性。尽管挑战重重，AI医疗的发展趋势已被视为“明牌”。国内科技企业如阿里、华为、百川智能等均已布局。AI医疗未必是万能解药，但它确实为丰富医疗资源供给提供了新的可能性。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
08/29
颠覆互联网的下一波浪潮：Agentic Web来了
一个由AI智能体组成的、目标导向型的互联网系统。你不会再「上网」，而是说出一个目标，然后由一群AI自动完成。——未来互联网使用场景设想过去三十年，互联网经历了从静态网页到智能推荐的深刻演变。如今，我们正站在互联网的另一个重大转折点上。这一转折，来自一种全新的范式设想——AgenticWeb，一个由AI智能体组成的、目标导向型的互联网系统。在这个新框架中，用户不再手动浏览网页、点击按钮，而是通过自然语言向智能体发出一个目标，AI会自主规划、搜索、调用服务、协调其他智能体，最终完成复杂任务。这不是幻想，而是由UCBerkeley、UCL、上海交通大学、上海创智学院等机构的研究者联合提出，并在论文中系统论述的Web重构方案。这是一次对互联网底层逻辑的全面「改写提案」：人类不再是唯一的网络使用者，智能体将成为Web的主要操作者。任务由人类发起，但由AI执行。在这个新架构中，网页、服务、平台不再是面向人的交互界面，而是为智能体而生的协作接口。本文将从技术架构、理论模型、系统协议、典型应用与挑战五个方面，深度解析这场关于「智能体驱动互联网」的范式革命。一、三次范式跃迁：Web正在走向「自动化」互联网的演化是一部「人–信息」关系的技术史。过去三十年，Web主要经历了三次范式转变：PCWeb：关键词驱动的「目录网络」在PCWeb时代，网页以静态内容为主，信息由机构集中生成，并通过人工分类和超链接构成一个「数字黄页」。用户必须主动发起搜索、点击浏览，任务执行线性、明确但效率不高。商业模式以关键词搜索广告为主，代表性系统如GoogleAdWords，依赖点击率(CTR)和每次点击成本(CPC)来衡量效果，形成了基于「人类意图」的搜索营销生态。MobileWeb：推荐驱动的「内容爆炸」伴随社交平台、短视频、电商UGC的激增，信息量呈指数增长。传统搜索引擎难以应对如此庞大的内容分发压力，取而代之的是推荐系统主导的信息分发范式。用户逐渐从「搜索者」变为「消费者」，算法根据行为数据动态推荐内容，平台从内容聚合器变为算法中介。商业模型转向精准推荐与信息流广告，强调停留时间、转化率和千次展示成本(eCPM)。AgenticWeb：智能体驱动的「行动网络」如今，我们正步入第三次变革浪潮：AI智能体成为主角，Web从「人读内容」转向「智能体执行任务」。信息不再静态储存在网页中，而是被嵌入LLM参数中，被智能体调用、组合与再加工。Web的角色不再是信息仓库，而是一个充满「可行动资源」的生态系统，供智能体发现、协调、调用。任务不再依赖用户逐步操作，而是由AI智能体全流程完成，从发现信息到调用服务再到反馈结果。这一趋势预示着：未来的Web，将由AI智能体构建、运营与使用。我们需要重新理解什么是「网页」、什么是「流量」、甚至什么是「用户」。互联网不再只是人类的空间，它正逐步变成一个由智能体共同参与、协作、创造价值的生态系统。二、什么是AgenticWeb？论文中的定义指出：AgenticWeb是一个分布式、交互式的互联网生态系统，其中由大语言模型(LLMs)驱动的自主软件智能体，能够持续规划、协调、执行目标导向的任务。在这个范式中，网络资源和服务不仅可供人类使用，还可以供智能体访问，使得智能体与智能体之间(Agent-to-Agent)的互动成为常态。简言之，它是一个由AI来「上网」、执行任务、人类只是「发出指令」的网络形态。AgenticWeb的核心在于「委托+执行」在AgenticWeb中，用户不再需要手动搜索、点击、复制或粘贴内容，而是可以通过与智能体的对话来委托任务。比如用户只需说：「帮我规划一个周末东京行程，预算3千元，要避开台风。」之后，剩下的所有工作都由智能体自动完成——从查询天气、搜寻航班、比对价格，到预定酒店、整合日程，整个过程完全自动化。而且，这些智能体可以与其他智能体(如航司API、酒店API、旅游数据智能体等)协作与谈判，实现任务目标。这不仅仅是像ChatGPT那样的单轮问答，而是通过多个步骤和多智能体协作来完成的，代表着AI真正参与到了Web的操作层面。Agent在系统中的身份是「双重」的：Agent-as-User(作为用户)如同人类访问网页一样，智能体可以模拟点击、填写表单、读取接口，进行市场分析、数据抓取、自动交易等任务。Agent-as-Interface(作为接口)智能体也可以作为「超级助手」，接收用户的自然语言指令，自动解析、调用多个服务、整合结果，执行多步流程。一个完备的智能体，常常同时具备这两个角色：既能代表人类与系统交互，也能作为系统对人类的接口，真正实现「意图—执行」的闭环。三、理解AgenticWeb的「三个核心维度」论文从三个核心维度全面理解AgenticWeb的结构：智能维度(Intelligence)AI智能体需要具备真正的「认知能力」，包括：上下文理解：能读懂网页、结构化数据、自然语言长程规划：能分解复杂任务，生成执行计划适应性学习：通过经验不断优化策略多模态整合：同时处理文本、图像、API、数据表格等这些能力意味着智能体不是被动的「响应工具」，而是具有持续学习和自主策略的「数字行动体」。交互维度(Interaction)AgenticWeb打破了「人类点击网页」的操作范式，转向基于语义的智能交互：使用MCP(ModelContextProtocol)、A2A(Agent-to-Agent)协议，实现智能体之间的发现、能力描述、状态共享支持多步任务语境保持(如购物流程、问诊流程)实现Agent-to-Agent协作与任务拆解智能体之间不是「调用」，而是协商、协同执行，如一个旅游智能体主动向天气智能体请求数据，再联动地图与订票工具，完成任务。经济维度(Economy)AgenticWeb中，最具突破性的设想是：AgentAttentionEconomy(智能体注意力经济)传统广告模型追求「人类点击」；AgenticWeb中，资源方争夺的对象变成「AI智能体的调用」。这意味着未来将出现：面向智能体的推荐系统；为智能体投放的广告；服务市场中按「智能体调用率」竞价；智能体的调用频次、完成率、效率将成为新的「流量指标」，商业竞争的重心也将从争夺用户注意力，转向争夺智能体「注意力」。四、应用场景：从搜索替代到智能事务系统为了更好地理解它的实际价值，我们可以将AgenticWeb的核心能力拆解为三大类：事务型(Transactional)、信息型(Informational)和交流型(Communicational)。它们共同构成了智能体参与数字世界的三种基本方式。事务型：从「点击下单」到「全自动完成任务」传统Web中，用户需要逐页浏览、搜索信息、逐步操作才能完成一项任务，例如订酒店、买机票、办签证。而在AgenticWeb中，你只需告诉智能体一句话：「帮我订一个下周三从上海到东京的往返机票，经济舱，避开台风。」剩下的——查询航司、比价、确认时间、填写资料、支付确认——都由智能体自主完成。它不仅调用航司API，还能根据你过往偏好(如信用卡积分、环保航线)进行权衡，甚至在发生变更时自动重订。这种智能化的事务处理能力，正在由「MobileAgents」「AppAgents」进一步延展到设备层。例如，智能体可以在你的手机上同步日程、修改会议安排、甚至整合多个应用自动执行跨平台任务。信息型：从「搜索引擎」到「持续知识发现」今天的信息检索依赖搜索引擎和社交推荐，但在数据过载的背景下，我们获取的是信息洪流。AgenticWeb支持的「信息型智能体」，则更像是一个长期陪伴式研究助理。以「DeepresearchAgent」为例：它可以持续追踪一个研究领域的新论文；自动梳理引用网络和方法论差异；合理推断趋势、生成研究摘要；甚至根据你的研究兴趣，推荐潜在合作者。这种智能体并不是一次性地「查一查」，而是具备长期「认知记忆」和动态「学习能力」的信息分析引擎。它们协作构成一个持续进化的知识网络，大大提升了信息筛选和洞察能力。交流型：智能体之间能沟通、协作、谈判相比以人为中心的传统Web，AgenticWeb真正的变革在于让智能体可以与其他智能体协作，形成类似「数字组织」的多体系统。在科研领域，一个跨国研究项目中，不同学校的智能体可以：自动同步实验时间表；共享数据集；生成联合成果；自动分配署名与经费比例。在制造业或供应链中，不同企业的智能体可实时对接需求、响应变化、自主协商条款。这种跨智能体协同工作流，依赖于一整套新型通信协议(如MCP、A2A)，支持语义对齐、任务协同与多方自治。简而言之：Web不再是人和机器之间的桥梁，而是智能体之间的操作舞台。五、挑战：AgenticWeb的复杂难题与未来瓶颈虽然AgenticWeb展现出令人兴奋的前景，但要真正落地为现实中的下一代互联网，它面临的是一组系统性、相互交织、跨学科的复杂挑战——远不只是提升AI智能体的能力，更关乎整个网络基础设施、经济体系与人机协作范式的重构。这不仅是个技术性难题，更是一个需要全局观的系统性工程。构建AgenticWeb的难题，远不仅仅是提高个体智能体的能力，而是如何在现有互联网基础上，架构出一个可靠、安全、可信的全新计算层。这些挑战跨越了多个领域，彼此之间存在深刻的相互依赖与关联。接下来，我们将逐一解析这些挑战。智能体基础能力：推理、记忆与安全性🧠推理与规划的脆弱性多步骤推理是AgenticWeb的核心能力之一，它能够让智能体分解复杂问题、评估多个解决方案、做出合适的决策。然而，目前的推理系统仍然脆弱，容易出错，难以进行长远规划和持续反思。🧠记忆与上下文管理记忆是智能体能否有效执行长时任务的基础。传统的大语言模型(LLM)是无状态的，智能体需要外部机制来保留上下文、历史记录和学习到的知识。然而，如何高效管理这些记忆，尤其是在复杂任务中有效衔接不同阶段的内容，依然是亟待解决的难题。🧠工具使用的安全性智能体依赖外部工具(如API、数据库、搜索引擎)来与现实世界互动。然而，这也带来了极大的安全隐患：工具如果被黑客篡改或受到攻击，智能体可能会受到影响，甚至引发连锁反应。解决这个「工具使用悖论」，需要构建「零信任」架构，确保所有外部输入都经过严格验证。学习与自我改进：从静态模型到动态学习者🎓奖励设计难题强化学习(RL)是训练智能体的核心方法之一，它通过与环境的交互来优化决策过程。然而，设计一个既能引导智能体正确行为又不容易被滥用的奖励机制，依然是目前的瓶颈。🎓持续学习与灾难性遗忘智能体需要具备持续学习的能力，以便随着时间积累新技能。但在学习新任务时，智能体常常会忘记之前学到的知识，这就是所谓的「灾难性遗忘」问题。如何让智能体在不忘记旧知识的情况下学习新内容，是目前面临的重大挑战。🎓任务交互学习的困难通过与环境的互动来学习复杂任务是智能体成长的关键。然而，如何避免智能体过度依赖某一特定环境，或者过度拟合特定的输入，保持任务的灵活性和广泛适应性，仍是一个悬而未解的问题。多代理协作：协调与信任的挑战🤖协作与沟通：结构设计难题当多个智能体协同工作时，如何组织它们的结构成了关键问题：是采取平等对等的协作方式？还是分层领导？每种结构都有其利弊，如何找到最优解，仍需深入研究。🤖通信协议的统一性为了让全球的智能体能够有效沟通与协作，我们亟需统一的通信协议。这类似于互联网早期对HTTP协议的依赖。当前，像IBMACP、GoogleA2A、AnthropicMCP等协议正在试图解决这一问题。如何建立一个既能满足复杂交互需求，又具备开放性、易扩展性的标准，将是AgenticWeb成功的关键。🤖去中心化的信任体系在去中心化的智能体生态中，如何确保代理之间的信任？如何构建去中心化的信任体系，让智能体在没有人工干预的情况下高效合作，是另一个亟待解决的问题。人机交互：确保智能体与用户目标一致🧑💼用户意图模糊人类语言本身就常常模糊不清，很多时候用户的指令包含不明确的目标或信息。智能体必须能够解读这种模糊的意图，并将其转化为可执行的目标和任务。🧑💼偏好发现与引导用户的偏好常常是变化的，甚至很多时候用户自己都不完全了解自己真正的需求。智能体需要通过与用户的互动，不断引导用户发现并明确自己的偏好。🧑💼人类监督机制尽管智能体在很多任务中表现出色，但对于关键任务或高风险决策，人类监督(HITL)依然是不可或缺的。如何设计有效的监督机制，以确保智能体的决策能符合人类的最终目标，是一个至关重要的问题。安全与鲁棒性：确保智能体系统的安全性与稳定性🔒风险激增，信任重构代理型网络引入跨平台操作、交易执行和多会话记忆等新能力，带来目标漂移、服务污染、协调风暴等多维安全威胁。传统基于人工验证的信任模型已难以适应，需重构认知、交互、经济层的防护机制。🔒红队测试机制：人工+自动并进人工与自动红队测试成为识别漏洞的核心手段。尤其是自动红队利用LLMs构造复杂对抗场景，适应多设备与多代理协作，揭示隐藏威胁，已成为部署前安全评估的关键工具。🔒推理护栏与可控生成并举部署阶段的防御策略包括「推理防护栏」、「安全解码器」、访问控制等机制，提升LLMs与代理系统的稳健性与可控性。未来还需从架构、策略到系统范围全面升级，以应对级联攻击与持续学习挑战。社会经济影响：重构商业模型与社会结构💰广告经济难以为继当前的广告驱动型商业模式正在被AgenticWeb持续冲击。代理不再是「为人类眼睛设计」的工具，而是直接与服务提供方交易、执行任务。因此，广告模式已经难以适应这一新生态。💰新型商业模式的诞生交易型、订阅制、按结果收费等新型商业模型正在崛起，这为未来互联网的运营带来了全新的思路。未来的商业模式，可能会更多地依赖智能体作为服务提供者。💰劳动市场与不平等随着智能体的普及，很多职业可能被自动化替代，劳动市场将面临巨大的冲击。因此，如何平衡AI与人类就业，如何确保经济利益公平分配，成为全球关注的社会问题。六、总结：AgenticWeb是AI真正连接现实的入口我们正在见证互联网从「信息空间」迈向「行动空间」的转型。AgenticWeb并不是传统意义上的一次技术升级，而是一场范式革新——它让网络从被动展示信息，转变为主动完成任务；让AI不再只是一个回答问题的工具，而是一个可以代表人类行动、协作、决策的「数字代理」。这种变革所带来的，不仅是效率的提升，更是人与机器关系的重构、网络经济模式的重塑，以及全新社会秩序的建立。但与此同时，AgenticWeb的前路充满挑战：技术仍需突破、标准尚未统一、安全风险不容忽视、经济模型有待探索。这不仅是工程问题，更是伦理问题、社会问题、治理问题。无论结果如何，AgenticWeb已不再是科幻构想，而是迫在眉睫的系统挑战。结语AgenticWeb，不只是「AI代理能干更多事」，它是让整个Web变成一个「活的协作系统」，是AI与人类共创未来互联网的操作系统。你未来不再「点网页」，而是让智能体帮你完成目标。网页正在变成智能体，搜索正在变成协同，点击正在变成意图。我们正站在互联网的又一次巨大跃迁的门槛上。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
08/29
什么是“信息蜂房型”的互联网产品？
让信息生态更像蜂房，而不是茧房。针对“信息茧房”，腾讯研究院提出“信息蜂房”概念，为的是对抗前者所描述的那种信息封闭、态度极化、个人缺乏批判性思考的状况。这里的隐喻很形象：蜜蜂穿梭于蜂房之间，灵活采集花粉，而不是像蚕蛹被动包裹在茧里，四面受限，且不求变。信息茧房暗示用户的被动和自闭，而信息蜂房则强调，用户是能动的、协作的信息生态参与者。在理想情况下，“信息蜂房”可以为我们带来：多元信息源：用户不被局限于单一算法推荐或社交圈，而是像蜜蜂穿梭在多种信息来源之间。动态开放的信息组织方式：既层次分明，又交叉关联；既结果清晰，又蕴含上下文；既效率最大化，又能呈现多种声音，实现从“同质固化”到“多元共生”的结构性优化。人与信息的能动关系：用户既是信息消费者，也是信息生态的建设者。在用户与信息的关系上，达至从“被动投喂”到“主动探索”的能动性平衡。更具公共性与创造性的知识系统：让信息生态从单向度的个体化消费，走向多维度的协同实践。体现在知识系统的参与模式上，就是促进从“个体隔离”到“群体协作”的系统性融合。如果把“信息蜂房”的以上核心因素抓取出来——多元流动、主动探索、协作共建，我们就可以发现，某些互联网产品确实更符合这一隐喻，它们也为未来指明了好的信息生态的建设方向。“信息蜂房型”互联网产品的特征我认为，信息蜂房型互联网产品，具备以下四大特征：多元信息入口：不是单一算法推荐，而是多维度获取（订阅、社交、搜索、专业渠道等）。如果信息只依赖单一推荐算法，用户容易陷入“信息茧房”，接触不到多样视角，就会削弱自身的批判性思维与综合判断能力。多元入口能打破这种单向流通，让用户获得更多可能性。例如，通过订阅，用户可主动选择关注主题、作者或频道，形成个人化知识流；通过社交，从朋友圈、社群和专业论坛等地方，可以获得推荐建议与经验分享；通过搜索，包括关键字检索、学术数据库或专业门户，能够满足主动探索需求；通过专业渠道，利用PubMedCentral、Coursera、MasterClass这样的高质量知识平台，能够减少错误信息或虚假信息的传播，掌握权威信息源，也确保知识长期可追溯、可验证，为信息生态系统的持续发展提供支撑。从根本上来说，信息内容的来源、立场、风格都要尽量多元，避免单一话语垄断，这样才能使得不同文化、学科、群体的知识与观点都进入公共空间。这要求产品通过改进的推荐机制或管策逻辑，确保“少数声音”也能被听见。强用户主动性：用户可以自主探索，而不是被动刷流。用户长期被动地刷信息流，无论对个体还是平台都颇为不利。当信息被动流入，用户缺乏主动选择、筛选和组合信息的机会，知识获取易变得碎片化，从而形成认知局限、信息孤岛或短期注意力偏好，削弱深度理解与长期关注。另一方面，被动消费降低了用户参与、评论、分享和共建的可能性，使信息生态缺乏动态交互和群体协作，必然影响生态活力。如果平台为了增加停留时间，强化“刷流量”机制，诱导即时刺激而非深入学习，那么将深刻影响平台知识积累的可持续性，最终侵蚀平台的知识权威性。自主探索，也即根据兴趣、需求和问题导向去寻找、筛选和组合信息，能够让用户在信息生态中拥有更高的控制感，可以选择阅读深度、时间顺序或跨主题扩展，形成个性化的知识地图。自主探索模式下，用户可以根据兴趣长期积累知识，而不是依赖碎片化、即时化的信息推送。当用户能自主探索时，也更容易参与评论、讨论、标注或内容创作，将个人探索转化为集体知识贡献。如果平台提供良好的导航工具、推荐逻辑和多维分类，将能够帮助用户发现新的知识路径。此种模式鼓励“探索—分享—再探索”的循环：用户主动寻找多元信息，分享自己的发现并参与讨论，从而引发他人的新一轮探索。协作共建：用户不仅消费信息，也能创造、传播、评价，从而共同塑造生态。在流量主导逻辑下，平台用算法推荐来最大化用户停留时间，这意味着推荐系统偏好那些能够快速获得大量点击、点赞、评论或分享的内容，也就是所谓的“即时反馈”。这对信息生产与信息消费都有很大的危害。在信息生产端，创作者的生存和发展高度依赖平台推荐机制，缺乏稳定的自主空间。为了迎合算法，创作者趋向于标题化、浅表化和短视化表达，牺牲深度与多元性，导致内容的同质性越来越严重。创作者为追求流量，会不断复制成功的模版或主题，造成平台上充斥着“爆款套路”，原创性反而得不到鼓励。一些内容创作者甚至可能故意制造争议、将立场极端化，以博取更多算法关注。到处可见的是猎奇和煽情的内容，那些复杂、深度的东西因为需要投入更多时间理解，互动反馈慢，算法推荐权重低，曝光机会减少，于是落入边缘的境地。在信息消费端，用户更多处于被动接受状态，在短时间内沉溺于大量“点赞”或“推荐反馈”内容，容易形成碎片化浏览习惯。快速、密集的反馈循环让用户难以进行深度思考或跨主题探索。信息获取过程像“单向灌输”，很难形成互动、思辨或多领域的联结，结果是，整体生态逐渐滑向“个体化沉浸”，人们被困在越来越狭窄的信息围栏中，缺乏跨节点的对话与共建。这种模式虽然让用户获得了即时满足感，却容易导致社交割裂、信息同温层以及社会信任的弱化。相反，一个健康的生态应当鼓励个体在群体中协作：用户不仅是信息的接受者，也是知识的共建者；不仅是被动的浏览者，也是积极的互动者。通过协作式的参与，信息得以在共享、对话与批判中不断生长和结网，从而扭转生态整体关注即时互动量而非长期价值、公共讨论与知识积累容易被牺牲的局面。好的信息产品设计，令用户可以生成原创内容，如文章、笔记、视频或案例分享，丰富生态多样性。使用共享机制，保证不同视角能够被纳入生态，实现多元化。内设对话机制，如评论、讨论、问答等互动形式，让信息在交流中被反思、解释或补充。这样可以降低“个体隔离”的风险，让不同立场、背景的用户在共同议题下展开互动。在评价与反馈机制方面，通过评价、打分、标注可靠性或提供参考资料，用户能够帮助生态维持信息可信度。平台亦可引入“协作式知识建构”，让不同群体的知识互补，可以减少信息壁垒，提升公共认知的复合性。这种参与让信息生态成为一个动态、可反馈的系统，而非静态内容库，因此具备适应环境变化、抵御虚假信息和算法偏差的灵活性，使知识网络能够持续生长、更新与自我修复。生态互联：不同“蜂房”之间有通道，信息自由流动而不是被锁定。如果说信息生态是一座巨大的蜂巢，那么“生态互联”的理想状态就是各个蜂房之间保持畅通的通道，令知识与观点得以流动和交换。然而在流量主导的现实中，这种通道往往被人为收窄，个体既被困于算法编织的茧房中，接触到的只是与自身兴趣或立场高度重合的内容，也因壁垒重重难以实现跨节点的交流，失去了与外部世界发生深度对话的机会。最终，生态表面看似繁盛，实则逐渐贫瘠，因其缺乏跨蜂房的授粉与互补。当信息网络丧失了多向交流与跨界连接的可能，生态就会趋向单调甚至脆弱。因而，加强不同信息节点之间的通道与流动性，不只是技术优化的需要，更是一种维护“信息生态韧性”的文化自觉。要真正实现“生态互联”，必须避免算法驱动下的“单一栽培”，而通过机制设计引导多样化内容的生成与互通，让不同的知识群落能够交流、碰撞、互相滋养。为此，可以从技术手段、制度设计和用户行为引导三个层面来入手。开放接口与数据互通是基本前提，即提供API或标准化数据接口，使不同平台、数据库或社群能够共享信息和内容。例如，学术平台间通过开放获取（openaccess）实现全文互通。跨平台搜索与聚合工具也十分重要，开发统一搜索引擎或聚合工具，让用户能够在不同信息节点间快速跳转和获取内容。其他重要的技术手段包括：内容标准化，采用统一的标签体系、元数据格式或主题分类，使信息在不同节点之间易于理解和处理。跨节点推荐，算法不仅推荐与用户兴趣匹配的内容，也有意识地引入异质观点或跨领域信息。多入口导航，提供搜索、订阅、标签、专题、社群等多维度入口，让用户不被单一流量逻辑限制。可视化信息网络，通过知识地图、关联推荐或信息流可视化，让用户直观了解内容之间的联系。制度设计上，鼓励多样化创作，平台给予原创、深度或跨领域内容一定曝光保障，减轻创作者对“爆款算法”的依赖。鼓励开放与共享政策，平台或机构制定激励机制，调动作者和用户跨节点共享知识，支持跨平台转载、引用、笔记导出或知识二次创作。鼓励跨群体协作，推动创作者或机构联合制作内容，实现不同知识节点之间的互通。例如，通过主题联动，建立专题或系列内容，将不同节点的观点和信息串联，形成连续的知识链。在版权与合法性保障方面，明确开放共享的版权规范，保障信息在节点间流动时不侵权，同时维护创作者权益。在协作规范与社区规则方面，建立协作和反馈机制，引导用户在多个节点中进行评价、纠错和互动。提供声誉积分、阅读成就、贡献排行榜等激励措施，鼓励用户参与跨节点交流。用户行为引导，注重主动探索与多入口使用，教育和引导用户在多个信息源、平台和社群间获取内容，而不是依赖单一信息流。这需要一系列手段：导航工具，清晰的目录结构、知识地图或主题标签，帮助用户快速理解信息体系的整体框架。用户可以沿着逻辑关系或兴趣路径自由跳转，避免迷失在碎片化信息中。改进的推荐逻辑，不仅仅是单向算法推荐，而是结合兴趣、行为历史、多维指标进行个性化提示。推荐内容应保留多样性和可选择性，引导用户接触新的主题或交叉学科知识。多维分类，平台可提供主题、学科、深度、时间、形式（文本/视频/音频）等多维度筛选，避免信息被僵化地分类或固化，允许用户自由组合维度，形成个性化探索路径，从而发现意想不到的知识联系。好的信息组织，还注重层次性，既能提供快速消费的信息碎片，也能承载深度阅读，让不同需求的用户都找到相应入口。关联性，例如通过语义链接、推荐逻辑，把不同维度的内容联系起来，促进不同内容之间的关联与对话，而不是孤立存在。可解释性与透明性，信息的组织与分发机制要让用户可理解、可追溯，从而避免“黑箱化”造成的误导。符合“信息蜂房”的产品举例如果粗略地划分，我们会发现，现有的互联网产品当中，有些更偏向“信息茧房”，例如，强算法主导的平台，用户更多是被动接受，多样性不足，容易陷入“单一流”。某些封闭的社交产品，信息主要在小圈层内循环，不易跨圈传播。而另外一些，则鼓励主动探索、多元输入、协作共建，不那么过度依赖推荐算法和单一流量逻辑，因而更符合“信息蜂房”特征。比如维基百科，特点是开放式协作编辑，知识由全球用户共同维护与更新，具有强烈的蜂房属性：用户既是信息采集者，又是建设者；多元来源，动态演化。用户可以免费访问和使用，知识的获取不设门槛。内容可以随时修改和更新，使信息保持相对及时和灵活。强调中立观点，要求条目内容基于可靠来源，可验证，而非个人意见或未经证实的信息，避免单一立场垄断。。该产品的结构化十分清晰，知识以条目为单位组织，每个条目围绕一个主题展开，并通过内部链接形成网络结构。我最欣赏它的链接跳转，堪称促进多元共生的典型实践。维基百科能提供多语言版本，使知识可以跨文化、跨语言传播。其共同知识形成机制也十分独特，通过讨论页和社区共识，解决争议和不同观点，推动条目质量提升。Quora类问答平台，用户主动提问与回答，形成多角度知识网络。回答者可能在相关领域具有专业知识，用户可以对高质量的回答点赞、关注特定主题或用户，还可以建立个人资料以展示自己的专业能力。它的功能类似一个社会化知识市场，允许用户分享见解、获取知识，并在广泛的主题上进行讨论。不同的答题，就仿佛不同的“蜂房”，但彼此可以穿梭、对话。此类平台，能够帮助用户了解各类主题的见解和信息，也是好的寻求建议之所，用户可以从他人获得指导和不同视角。人们也利用平台分享经验，无论是个人经历，还是专业知识，促进了从多样化观点中学习的过程。豆瓣作为中国独特的社交和文化社区，其知识特点有别于百科类平台或问答型平台，通过小组、同城和书籍影音评论，用户围绕兴趣点自发构建信息社区。多样兴趣蜂房并存，用户可以在不同群体之间切换。用户不仅分享知识，也通过评分、评论和标签对书籍、电影、音乐等文化产品进行评价。也因此，知识呈现更主观、体验化，强调个人感受和兴趣而非客观事实。这样，经由用户生成与评价驱动，就可以走向兴趣社群的聚合，即知识生产围绕兴趣形成，如影迷、读者、音乐爱好者等。在结构上，豆瓣的内容丰富，更新频繁，信息呈现非条目化、非严格分类，而是以动态流和社区互动为主。用户可给内容打标签，形成主题索引，帮助其他用户快速找到相关内容。平台内部通过关联推荐将相似主题或作品链接起来，构建兴趣知识网络。Reddit是一个社交媒体平台，同时也是由众多在线社区（称为“subreddits”）组成的网络。用户可以在这些社区中分享文本帖子、图片和视频。他们可以对内容进行点赞（upvote）或点踩（downvote），以决定其受欢迎程度，热门内容会在各自的subreddit中排名靠前，甚至出现在网站首页。Reddit由此构成一个多样化兴趣的汇聚地，用户在这里获取信息、讨论小众话题、寻求建议，并与志同道合的人建立联系。它也具有娱乐功能，从搞笑故事到电影和表情包讨论，Reddit能提供丰富的娱乐内容。同时，平台允许用户在一定程度上保持匿名，这对讨论敏感或私密话题具有吸引力。从它的蜂房属性来看，不同的Subreddit就像蜂巢格子，用户可以跨格流动，形成开放的、多元化的信息生态。RSS/播客类产品，特点是用户主动订阅自己感兴趣的频道、主题或作者，获取定期更新的内容。这种订阅驱动不完全依赖平台算法，知识流从源头主动推送到用户端，得以实现多元化。它的蜂房属性是显而易见的：用户像蜜蜂一样主动采集，不被“推荐流”强迫灌输。从知识产品的角度来讲，它能做到时效性与连续性并举，订阅内容通常按时间顺序更新，如新闻、学术讲座或连载节目，确保知识持续流动；用户同时可以追踪长期系列或专题讨论，形成连续学习体验。播客以音频为主要载体，RSS可以整合音频、视频和文章链接，多感官信息呈现提升了知识吸收的多样性和趣味性。此类产品也实现了去中心化与分散化，用户可自由选择订阅源，信息来源分散，内容生态相对开放，降低了同质化和观点孤岛化的风险。在个性化与自主探索方面，用户可根据兴趣和需求自由组合订阅源，形成个人化知识流。开源社区，特点是用户共同贡献代码、文档、工具，协作式进化。它的蜂房属性在于，开发者相互取长补短，知识与工具不断迭代流动。以GitHub为例，它将Git版本控制的强大功能与协作型网络平台相结合，为软件开发提供了一个集构建、共享与管理于一体的综合环境。GitHub使用Git跟踪项目文件的每一次更改，使开发者可以回退到之前的版本，为新功能创建分支，并无缝合并修改，从而防止冲突并管理代码历史。它作为代码的中心化在线存储空间，使项目可随时访问，同时提供备份功能。它支持团队协作，允许多个开发者在同一项目中贡献代码，通过问题跟踪、拉取请求等功能进行代码审查和改进讨论。平台还提供任务管理、功能请求、bug跟踪以及维基（wiki）等工具，帮助团队组织项目和工作流程。通过社区建设与开源，GitHub发展成为全球最大的开源代码仓库，是开发者发现、贡献和受益于全球创新的重要平台。开放获取知识系统，如PubMedCentral（PMC）这样的免费数字档案库，收录生物医学和生命科学期刊的全文文献。与主要提供文献引用和摘要的PubMed数据库不同，PMC提供文章全文，使用户能够检索详细信息。它的所有文章用户都可以免费阅读和下载，突破了传统付费数据库的壁垒。该档案库支持科研人员、医务人员、学生和公众在无订阅限制的情况下获取权威文献，文章来自于同行评审期刊或作者提交的版本。作为数字档案库，PMC可以长期保存科研成果，确保学术资料不会因期刊停刊或出版社变动而丢失。它的数据是结构化的，支持全文XML标记，便于二次利用，如文本挖掘、知识图谱构建。它还同PubMed数据库联动，用户在检索时可以直接跳转到PMC的全文。像这样的全球开放获取知识系统，能够带来知识公平，通过去除经济门槛，让发展中国家的研究者也能平等获取最新科研成果。它还能促使科研加速，大量开放数据支持AI、生物信息学等领域的知识挖掘与模型训练。在COVID-19大流行期间，它快速整合并开放相关研究论文，为临床决策和政策制定提供支持，具备极大的公共健康价值。与商业数据库（如Elsevier的ScienceDirect）相比，PMC更强调公益性与开放性。如今，通过与EuropePMC数据互通，它形成了跨国知识网络。从“单一作物”到“生态花园”“信息蜂房”提出未久，目前仍属于启发式隐喻，而非经过严格实证研究的学术概念。但是它指向一种在“信息茧房”语境下更为自主、赋能的思考方式，是一个具象且富有积极范式转向的隐喻，尽管未来仍需更多研究去深化它的理论基础和现实可操作性。在当前算法驱动的内容分发环境中，用户往往处于一种被动接受的状态：算法根据既有偏好推送信息，使得用户更多地沉浸在由平台设计好的“信息流”当中。这种模式虽然提高了效率，却也削弱了用户的信息选择与批判能力。优化方向在于增强用户的能动性，通过提供更多搜索、订阅、定制化的工具，让用户能够主动探索、跨领域获取信息，而非完全依赖平台的“投喂”。这不仅有助于提升用户的信息素养，还能打破算法过滤带来的认知局限。从信息内容的组织来看，算法推荐往往基于用户行为的相似性，导致信息内容趋于同质化：用户浏览的越多，推荐的越“精准”，但同时也越单一。这种“固化”容易造成内容生态的单调，甚至加剧信息极化。优化方向在于推动多元共生：即在内容分发和组织上引入“多样性激励机制”，鼓励平台在推荐中加入一定比例的“跨圈层”内容，增加信息来源的广度与异质性，从而形成多元文化、不同观点、跨学科知识并存的生态。传统的信息消费模式强调“个体化”体验，用户在各自的信息流中独自沉浸，缺乏与他人协作和讨论的机会。这种“隔离”削弱了公共讨论空间，导致碎片化、原子化的认知结构。优化方向是推动群体协作：鼓励用户不仅是信息的接受者，也是信息的创造者、传播者和协作者。通过社区化、开源协作、群体共建机制，让信息生态更像“蜂房”而不是“茧房”——个体之间有通道，信息能够流动并协同演化。唯有通过这些优化，才能打造出一个兼顾多元化、透明度与公共性的系统，在多方主体（个人、群体、平台、机构）的协作中，促进可信知识的生成、流通和共享，从而支持社会的理性讨论、个体的终身学习与公共生活的可持续发展。这才是健康的信息生态。如果进一步借用生态隐喻，好的互联网知识产品就像是一片健康的森林——有层次（从草本到乔木）、有多样性（不同物种共存）、有循环（不断生长与更新）、也有开放性（允许新物种迁入）。既有主干，也有枝叶；既有秩序，也允许野生生长；最终形成一个既能稳定供养，又能常变常新的环境。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
08/20
厉害了，智谱造了全球首个手机通用Agent！人人免费，APP甚至直接操控云电脑
就在刚刚，全球首个手机通用Agent，来了！现在，假如你正在开会，但只需要给手机打一句话，就能让它“自己动起来”，给你点外卖：帮我在美团外卖上，找最近的瑞幸咖啡，点一杯大杯的冰美式。可以看到，AI在接收到任务的一瞬间，就开始“嗖嗖”地执行起了任务。它会直接接管你的手机，不需要在各种APP之间跳来跳去，就可以把点外卖的活儿给干完。嗯，非常直观的感受就是：够方便，够智能。那么这个Agent到底是什么来头？它就是智谱刚刚发布的全球第一个手机通用Agent，就好比把Manus的能力搬到了手机一样。划个重点：免费，人人可用！或许这时候有小伙伴要说了，让手机自己动的Agent不是已经有了嘛？非也非也，这次真的有点不太一样。因为智谱的这个Agent，所有任务都是在云端执行，也就是相当于给你的设备安了个云手机或云电脑，不仅任务执行得流畅，更不影响你使用其它APP！更重要的是，这也是全球第一个大众消费级的Agent，不只手机（安卓、iOS均可），甚至可以操控云电脑帮你干活哦~或许，这是你真正免费接触、感受Agent的最佳时刻。还能做什么？我们先简单介绍一下AutoGLM的操作方式。在进入APP之后，可以看到有两个大类别的任务可选，一个是“生活助手”，另一个是“办公助手”。以生活助手为例，点进来后是一个正常跟AI对话的窗口，但我们需要先点击右上角的“手机”：然后我们再点击底部的“接管手机”，就来到了之前我们提到的“云端智能手机”界面了：在这里，我们可以像操作正常手机一样，进入到任务可能需要的APP里，登录并设置咱们自己的账号等。设置完毕后，我们就让它auto起来了，这一次，我们来个复杂一点的任务：我要买一个200块钱左右的保温杯，帮我在淘宝、京东和拼多多上比一下货。可以看到，对于“货比三家”这样繁琐的任务，AutoGLM都可以“嗖嗖”地自主跨APP且精准地执行。而我们所要做的，就是“发起任务→静候结果”即可。除了这些日常生活中能用到的功能之外，AutoGLM还特别擅长把工作、学习场景中的任务给auto起来。而且不同于现在PC网页端的Agent，AutoGLM是直接在手机里调用一台云电脑给你干活！我们先切换到“办公助手”这个模式，界面是这样的：可以看到，在输入栏的上方，便很方便地展示了“AI视频”、“AIPPT”、“AI网页”等功能的入口。这一次，我们先小试牛刀，让AutoGLM生成一份关于Agent的调研报告：帮我生成一份关于Agent的调研报告。同样的，我们无需做任何操作，就能看到AutoGLM自己用“云电脑”搜集、整理资料，在静候几分钟之后，一份基于近100份参考源、数千字的报告就水灵灵地出来了：进一步的，我们可以要求AutoGLM把文字的结果做成一份PPT：把这个报告做成一个精美的PPT。不得不说，原先需要我们耗时起码一天的工作，到了AutoGLM这里，真的仅仅需要几分钟的时间。怎么做到的？以上种种实测不难看出，相比传统聊天机器人只会“告诉你怎么做”，AutoGLM已经进化到“直接帮你做”。而且最重要的一点是，它几乎不占用本地资源。这也是本次AutoGLM的关键升级之处——为每位用户准备了一台云手机和一台云电脑，类似于云端备用机（里面提前装好了一堆APP）。有了这个东西，用户无需安装任何应用、无需额外连接，就能直接调动AutoGLM执行各种任务；而且，AutoGLM干活时不会影响用户正常使用自己的设备，二者互不干扰。更妙的是，一些不常用但不得不装的应用，也可以直接放到云端备用机中，从而释放更多本地存储，让设备运行更流畅。总而言之，AutoGLM之所以能在手机、PC等设备上流畅运行，背后实打实离不开云端执行这一底层设计。从更广的视角来看，“云端执行”不仅精准击中了行业痛点，还顺应了当下正在兴起的一股趋势。今年以来，Agent的火爆有目共睹，但一到落地环节大家就开始集体头疼：第一，本地设备算力有限，普通手机电脑根本无法支撑高并发、高算力需求的Agent任务。换句话说，偶尔跑跑简单任务还行，一遇到复杂任务就容易“宕机”。第二，即便是执行一些简单任务，Agent在运行时也会持续占用本地CPU、内存甚至操作权限，严重影响用户正常使用自己的设备，体验感差。而“云端执行”恰好对症下药——既不占用本地资源，也不干扰用户对真实设备的操作。正因如此，目前已经能看到有越来越多的行业玩家开始布局云端Agent。例如互联网大厂这边，阿里云就在世界人工智能大会论坛上推出了专为智能体打造的“超级大脑”——无影AgentBay，以云端电脑形态执行各项任务。另外，PPIO等云厂商也推出了“Agent沙箱”等产品，为Agent提供专门的云端运行环境。这些动作都说明，行业内部已经认识到云端执行对于Agent发展的重要性，并开始积极投入资源进行布局。而智谱此次推出的AutoGLM，正是依托这一设计，从只能跑跑简单任务的初级Agent中脱颖而出，切实融入了普通人的工作与生活中。万物皆可AutoGLM与此同时，AutoGLM并不局限于手机和电脑，还能被集成到更多载体中——如智能音箱、车载系统甚至毛绒玩具里，主打一个“万物皆可AutoGLM”。为实现其广泛应用，智谱即日起还上线了移动端API申请通道及「AutoGLM开发者生态共建计划」，通过开放API将AutoGLM的能力赋能给更多开发者的智能产品。显而易见，智谱在AutoGLM上的布局，有着自己的节奏和长远考量。从成立的第一天起，这家公司就将通用人工智能（AGI）作为追求目标，并在后续提出了“让机器像人一样思考”的愿景。围绕这一目标，智谱规划了L1-L5的AGI路线图：从预训练大模型，到对齐推理、自我学习、自我认知，直至最终的意识智能，一步步循序推进。而AutoGLM，正是智谱通往L3“自主学习智能体”的关键一步——通过将Agent能力带给更广泛的普通用户，不仅验证了当前技术的可行性，还能在真实应用中不断积累经验与反馈，推动模型自主学习。这种自我学习能力，使机器能够突破单纯依赖历史数据获取知识的局限，在与用户和环境的持续交互中发现新知识、总结新方法，并反过来提升自身能力，形成技术与应用的正向飞轮。一旦这个飞轮持续运转，自然也能进一步夯实智谱在Agent领域的领先位置。而且这一次有个比较新的变化是，和GPT-5类似，AutoGLM也实现了能力“大一统”——背靠智谱最新开源SOTA语言模型GLM-4.5与视觉推理模型GLM-4.5V（纯国产Agent），首次将推理、非推理、编码、研究、Agentic、GUIAgent等能力整合进一个模型。这也代表着智谱对AGI的早期理解：具备通用完整的多模态和思维能力的模型是通向AGI的一个重要里程碑，AutoGLM是其对AGI的又一阶段性探索成果。另外从行业角度来看，AutoGLM更重要的意义或许在于，它用真实产品验证了“云端执行”这一路线的可行性与可靠性。不过有一说一，AutoGLM在给行业提供新解法的同时，也为本就竞争激烈的Agent赛道再添一把火。因为Agent发展到现在这个阶段，拼的已经不只是能否完成任务，而是能否从简单的执行者，升级为能够处理更复杂场景、更稳妥应对不确定性的“全能型选手”。当然，抛开厂商们之间的“腥风血雨”，对普通用户而言，AutoGLM这一新工具无疑正在真实改变我们和机器之间进行交互的方式——手中的大模型不再只是“会聊天”，而是能直接操作系统，真正帮忙完成任务。更进一步，智谱还提出了从Agent迈向AGI应始终追求的3A原则：Around-the-clock（全时）：24小时待命与持续执行，在用户睡觉/离开/设备黑屏时仍可运行与产出。Autonomywithoutinterference（自运转、零干扰）：Agent在云端设备运行，不占用用户屏幕/算力。Affinity（全域连接）：跳出浏览器对话框，连接手机、电脑、手表、眼镜、PIN、家电等多种设备与服务，覆盖数字与物理世界。可以预见，随着技术的持续迭代与生态的不断丰富，“问一句，剩下全交给Agent”的时代离我们真的不远了。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
08/20
工具APP，在海外复活吸金
10年前沉寂的赛道迎来新一轮增长。在关税让跨境电商出现“寒潮”之际，工具APP出海的“暖流”却在悄然涌动。北京一家名为安纳卓力（Enerjoy）的公司，仅凭6款聚焦睡眠、健身、心理健康、卡路里追踪等细分领域的健康类App，便在海外市场低调斩获了年流水超5000万美元的惊人业绩。健康类应用无疑是如今的明星赛道。SensorTower数据显示，2024年全球健康类应用下载量突破36亿次，应用内购收入实现“五年连涨”，达到38.8亿美元。TikTok上，#fitness（健身）相关话题视频高达499万条，单条播放量动辄破百万，成为这场行业盛宴的生动注脚。更令人惊叹的是，这股工具APP掘金的浪潮正席卷各个领域。如睿琪软件，凭借一款植物识别应用“PictureThis”，仅今年5月单月营收便逼近亿元大关。而放眼2025年7月中国非游戏厂商出海收入Top30榜单，工具类App厂商占比已强势攀升至50%，占据半壁江山。在海外市场，工具APP属于一个相对更容易赚钱的赛道。这类应用凭借高效、实用的核心功能，天然具备跨越文化隔阂的能力，不需做过多本地化适配，便能快速在海外用户中建立基础。并且以欧美为代表的成熟市场用户，对优质数字化服务有更高的付费意愿，整体盈利能力突出。有业内人士直言，“这是一个真正的躺赚模式，产品做好了，放在商店等收钱即可。或许有一天，你的APP就会给你带来泼天的富贵。”但工具APP真的如此简单就能坐享其成吗？“躺赚”背后，又暗藏着哪些不为人知的挑战？蓝海未退潮工具APP出海已走过十余年征程。2008年，苹果iPhone3G及AppStore的横空出世，打开了中国移动应用出海的大门。尽管当时中国人刚刚开始摸到智能手机，却敏锐意识到移动应用的庞大机遇。一场淘金热随即爆发：2010年，久邦数码的GO桌面一炮而红，短短两年全球用户逼近2.4亿，月活高达4200万；2013年，猎豹移动的CleanMaster强势登场，一年内活跃用户便飙升至1.4亿；2014年，美图启动国际化，仅一年海外用户就突破5亿大关……那是一段躺着赚钱的快活日子。有行业人士回忆道：“当时移动互联网起步不久，很多人买完手机后没有很多应用可以下载，开发工具APP基本做一个成一个，做什么都能活。”然而，盛宴终有散场时，2016年后，行业光环逐渐黯淡。一面是跑马圈地渐入尾声，用户获取成本增长，产品同质化泛滥，市场竞争走向白热化；另一面是巨头生态收紧，Facebook、Google等平台规则日益严苛，对工具APP变现的强力监管，进一步压缩了利益空间。2020年，猎豹移动旗下所有APP被谷歌全面封杀，直接导致公司近22%的营收化为乌有。CEO傅盛感慨道：“我知道工具会退潮，从2015年就知道。但我们从来没有想到，变化会是断崖式的。”黄金时代落幕，中国开发者也开始转型，从早期粗放的“广撒网”机会主义，转向深耕细作的成熟运营。同时，在近年来移动应用市场需求转型的推动下，沉寂的工具APP赛道开始出现新一轮的增长。2024年，以视频/照片编辑、文档扫描、VPN、系统清理、计算器等为代表的实用工具类APP在iOS端就呈现强势复苏态势。Statista数据显示，2024年全球iOS工具类应用总收入达22.3亿美元，同比增长幅度高达46%。市场增长的动力主要来自两方面。一方面，新兴市场的崛起为工具类APP提供了可观的增量空间。SensorTower《中国出口应用报告》显示，在工具应用领域，中国应用在东南亚市场强势领跑，越南、柬埔寨、印尼的安装量中，中国应用分别雄踞36%、33%和30%的份额。在拉美地区，哥伦比亚与墨西哥市场也表现亮眼，两国均有超过25%的安装量来自中国应用。这些地区新增智能手机用户主要集中在中低端设备，对轻量化、高效能的工具类应用需求呈现明显上升趋势。据智象出海了解，就有深圳某团队推出中东版“扫描全能王”，单日营收突破20万美元；另一团队做的“智能计算器”，在巴西月下载超200万次。另一方面，人工智能技术的快速发展有力驱动了工具类APP的功能创新，AI搜索、AI图像处理等应用在海外市场热度持续攀升。AI赋能的工具APP不仅显著提升了用户体验，也为开发者开辟了新的增长路径。Fotor的蜕变便得益于AI的加持。这款如今风靡全球的图像编辑应用，在2021年前市场表现平平，其母公司甚至因回购到期融资而面临现金流压力。转折点出现在2022年，随着陆续上线多种AI图片生成功能，其用户规模开始稳步增长。至2023年，Fotor月活跃用户突破1500万，如今已覆盖全球8亿用户。2024年，其营收预计突破1亿元。纵观工具APP出海的跌宕历程，从早期的杀毒清理，到如今融合AI的智能效率助手，十余年风雨洗礼，这条赛道非但未曾沉寂，反而在技术与市场的双重淬炼下，展现出愈发强劲的韧性与蓬勃的增长潜能。多品类、高包数“一个每月流水500美元的小App听起来不惊艳，但20个就能年入百万”，一位独立开发商对智象出海说道。他现在靠着十多个功能专一、体量轻巧的App组合，每月轻松收入过万美元。这是如今工具APP出海的一个典型现象：相比依靠单一产品冲击爆款的逻辑，更多人选择了拥抱更稳健的生存法则——“多品类、高APP数”的矩阵化战略。多品类布局的核心逻辑是多方押注，不再将所有筹码放在一个篮子里，而是精准切入多个需求刚性、竞争格局尚佳的细分领域，构建差异化的产品组合。如睿琪软件，也未曾止步于一款植物识别应用的成功，而是同步推出了涵盖硬币、纸币、水晶、花鸟鱼虫等主题的九款识别工具，几乎覆盖了该品类的所有潜在需求。同时，公司还拓展了健身和文档扫描类产品，使海外应用总数达到19款。这种多点布局策略，有效保障了公司在不同市场周期中的流量和收入稳定性。高APP数策略则侧重于纵深挖掘：在同一核心品类内，将功能模块解构，深耕细分应用场景，开发多个轻量化、专注解决单一痛点的独立应用。以系统清理工具为例，相较于开发功能庞杂的“全能型”应用，更优策略是化整为零，推出诸如“微信专清”、“相册压缩”、“短视频缓存清理”等针对性APP，精准满足用户的特定需求。RevenueCat的数据印证了这一策略的必要性：平均而言，单款应用上线一年后的中位数月收入不足50美元，这表明单产品模式对独立开发者而言盈利难度极高，唯有通过多产品组合叠加，方能突破盈利瓶颈。海外用户本就更青睐专业的产品。如Instagram前身是一个名为Burbn的社交平台，功能庞杂。其创始人通过市场研究意识到，用户最喜爱的是分享照片的功能，于是果断砍掉冗余功能，专注于简化和完善照片分享体验，这一“断舍离”直接促成了Instagram的爆炸性成功。这种策略优势显著：在用户获取端，轻量应用更易实现精准投放，提升转化效率；在用户运营端，多款应用可自然形成产品间的导流闭环。归根结底，“多品类+高APP数”并非简单的数量叠加，而是基于数据分析的精密矩阵构建：横向拓展品类覆盖范围，纵向深挖功能应用场景，确保每款应用都精准锚定一个细分需求点，形成产品间的互补与协同效应。通过这种战略性布局，工具类APP出海得以有效分散风险，显著拓宽增长通道，最终实现从依赖“单点爆发”到构建“多点支撑、持续盈利”商业体系的根本转变。从传统买量到视频引流在当今高竞争环境下，即使做出了精准命中用户痛点的工具APP，若缺乏高效的用户获取与转化机制，产品依然难逃在海外市场“叫好不叫座”的命运。流量困局，已成为开发者们面对的又一生死劫。一位开发者就向智象出海吐露困境：其精心打造的APP，集录音上传、AI转文本、Word/PDF处理于一身，如今已上架应用商店一周，却几乎毫无流量，推广陷入困境。过去，广告买量是工具类APP出海的主要推广手段，但如今其投资回报率（ROI）正急剧下滑。AppsFlyer《2024中国应用全球化趋势报告》中指出，2024年工具类App全球单用户安装成本（CPI）均值同比上升38%，其中Android端涨幅达42%，刷新2021年以来纪录。尤其是清理、文件管理等基础工具类App，因产品同质化严重，买量成本持续攀升而步履维艰。此外，广告素材也创新乏力，如“一键清理”“内存释放”等话术重复率高，用户点击兴趣索然，留存率持续低迷。当传统广告日渐式微，视频内容正强势崛起成为破局利器。研究证实，视频内容的用户停留时长可达静态帖子的5倍，自然覆盖率同样高出4倍。因此，越来越多厂商将目光聚焦于TikTok——这一拥有全球海量用户、以强视觉冲击力和高用户粘性著称的平台。尤其是在美国市场，TikTok用户规模已超1.7亿，18-30岁Z世代中高达74%将其作为搜索引擎，其中51%的人更喜欢使用TikTok而不是其他平台。“我也开发了几款APP，但关键词优化真没经验。觉得平台宣传比关键词更优先一些，毕竟现在都是短视频时代了”，一位开发者对智象出海的直言，道破了时代风向。照片编辑应用Facetune的成功，也验证了视频推广的有效性。该品牌摒弃生硬推广，转而投放一系列极具原生感和创意的TikTok短视频内容。这些内容迅速点燃了平台用户的热情，引发真实社群的自发讨论与互动狂欢，成功将广告转化为社交话题。效果也直接体现在转化端：不仅撬动了近2万次AppStore点击和超5万次企业号访问（含付费和自然流量），更令人瞩目的是，在普遍面临获客成本攀升的行业背景下，其每次转化费用实现了逆势下降，同比降低38%。这一案例清晰表明，契合平台生态、激发用户共创的短视频广告，正成为驱动高效增长的新引擎。推广策略的制胜核心在于“精准匹配”：必须动态优化投放策略，紧密契合目标市场特性，以及产品自身的变现模式。这不只是关乎广告位与出价的优化，更要求投放路径与产品变现逻辑深度协同增效。综观全局，工具类APP出海机遇依然广阔，但竞争也迈入精细化、多元化、可持续的新阶段。但无论如何，成功的关键始终围绕三点：发掘具备增长潜力的细分品类；通过矩阵化布局有效分散风险、拓展生意；借助精准高效的推广策略，将市场潜力转化为持续收入。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
