袁晓辉：下面我们进入今天的第二个圆桌环节，主题是AI投资趋势及应用方向。欢迎三位老师。我的第一个问题，关于AI Agent，还是问周健老师，我们知道RPA机器人已经在软件流程自动化中扮演了一定的角色。现在，随着大型语言模型的出现，您认为AI Agent与以往的流程自动化机器人在本质上有哪些不同之处？同时，这又为我们带来了哪些新的可能性？
周健：我认为，过去RPA主要是一种UI自动化技术，它的核心任务是解决信息化时代数据在不同信息系统间的传递问题。比如，我们每个人都可能在手机上将文件从一个应用复制到另一个，比如从微信转发到电子邮件，这正是RPA试图解决的问题。然而，在AI 1.0时代，由于AI的语言理解能力有限，我们在进行自动化时，Agent对数据或文档并没有真正的理解。但是，随着大型语言模型的到来，我们现在获得了一种成本效益更高的语言理解能力。这使得AI Agent在文档理解方面有了显著的进步。
我们刚才讨论的各种场景，无论是表格还是文档，都涉及到信息的理解和转化。AI Agent现在能够帮助客户解决报告生成、报告总结以及信息搜索等问题。我认为，这是一个已经发生的变化，因为AI Agent现在能够理解这些内容。
此外，今天我还看到了另一个可能性，那就是自然语言可以转化为一种指令。例如，在银行信用证的应用场景中，表格中的某个单元格可能包含一段描述，要求信用证必须按照特定的规则进行审核。在过去，这种审核过程是无法自动化的。但现在，大型语言模型能够理解这些指令，并据此生成代码并执行，这在未来是非常有潜力的。我相信，如果这种能力得到进一步的发展和迭代，它将极大地推动生产力的爆发。在某种程度上，自然语言就像是魔法，而智能体将能够理解这些“魔法”，并将它们转化为自动化的行动。这将是一个极其强大的发展。
袁晓辉：好的，感谢周老师。接下来我们讨论一个相关的问题，那就是关于AI原生。我们知道，AI Native这个概念，类似于云原生或数字原生，是在AI时代或大语言模型的支持下才会涌现出来的商业模式。我想问问吴总和范老师，你们在投资或客户服务过程中有没有涉及到这个问题，或者对AI Native这个方向有什么思考？比如像character.ai，或者我们之前提到的妙鸭相机，这些可能都是在AI或大语言模型出现后才可能出现的商业模式或创业方向。
吴世春：目前我们看到的AI项目中，完全基于AI原生的项目大概占30%到40%。还有很多项目实际上是从过去的项目迁移过来的，这些项目可能在AI 1.0时代就已经存在，现在加上了大语言模型的业务。对于投资者来说，这些项目更快地展现出它们的造血能力，即产品有客户的情况。而AI原生的项目首先需要教育市场，需要重新获客。第一批用户可能基于好奇，或者是行业内的自我消费。
AI原生的项目实际上在为ChatGPT提供新的思路和迭代方向。我认为目前还处于一个快速迭代的阶段，目前看到的很多应用还比较初级，我们还没有看到非常强有力的AI原生项目，比如像移动互联网时代出现的今日头条、唱吧、美团、滴滴这样完全基于手机应用的强大项目。我觉得在美国也没有看到这样的大型应用。
袁晓辉：现在还有一些陪伴类的应用。
吴世春：我认为这些都是很容易被新一代的升级所取代的，因为大模型本身在不断进化和升级。所以我认为ChatGPT可能会毁灭你，但这与你无关。因为很难自己形成一个独立的逻辑，完成用户的某一个大的体验服务闭环。
袁晓辉：范老师，您有什么想法？您这边也是内容加AI。
范凌：我自己其实很少娱乐，所以我觉得原生的应用在西方出现的可能性更大一些。就像吴总讲的，我们已经很长时间没有装过新的C端应用了。
吴世春：我觉得在美国，很多AI应用第一步赚钱的还是满足用户的边缘需求。但在中国，这些需求是不被允许的。一个森林要万木繁荣，有花有草有树木才能繁荣起来。但现在的情况是不允许的，只允许高大上的硬科技。所以我觉得这对很多公司在早期生存是非常困难的。
范凌：确实，许多AI原生应用都是面向海外市场的，这些应用往往与游戏和某些特定内容相关。在To B场景中，要解决的问题本质上是不变的，关键在于寻找更高效的解决方案。这不仅仅依靠的是AI的加入，而是AI与其他领域的结合，比如工业互联网和营销科技。尽管AI原生的概念在中国引起了很多关注，导致许多概念股的股价上涨，但在美国，那些真正在To B领域赚到钱的公司，如CRM和营销自动化公司，在加入AI后用户体验得到提升，业务流程更加顺畅，股价表现也更好。我认为，真正的AI原生应用在现阶段可能还太“脆弱”，需要时间来成熟和完善。
袁晓辉：从AI原生的角度来看，AI Agent可能也是一个方向。我们也听说GPT 5在AI Agent方面可能会非常强大。周老师，您是否担心GPT 5的出现会超越现有的相关服务？
周健：对于我们来说，我们并不担心被超越。实际上，当GPT4在3月份发布时，我们确实感到焦虑，但现在我们越来越不担心这个问题。
Sora谈论的是世界模型，但我认为它更像是一种营销手段。在企业环境中，组织有其流程和人员，就像爱因斯坦不可能在没有学习组织内部环境的前提下成为上市公司的CEO一样。我们认为大模型的增强会增强我们AI Agent企业内部服务客户的能力，因为我们有组织内部的私域数据。AI Agent需要从环境中获取信息并改变环境。我认为，这需要借鉴一些仿生学原理，比如人类大脑的工作方式。
最近我思考了AI Agent的短期和长期记忆问题，我开始认为记忆不仅仅是数据库，而是一个更复杂的概念。人类大脑中的海马体有两种类型的细胞，它们与空间记忆有关。我认为，构建一个能够理解时空相似性的世界模型是非常困难的，这不是简单地通过公开数据就能解决的问题。在企业内部，我们可能需要在AI智能体中实现Next Action Prediction（下一步行动预测），这是非常重要的。这可能是创造有趣智能体的前提。
袁晓辉：您提到的这一点可能涉及到软件层面，也可能涉及到硬件，以及与环境的交互，包括它如何通过与环境的交互获取更多信息，并迭代其过程。刚才三位都提到了场景化，包括我们的产业界对AI特别感兴趣。目前，落地最快的，或者说你们发现更有意愿去采购现有的AI服务的行业领域和环节有哪些？能否分享一下？
周健：我认为，AI技术的落地应该从传统行业开始，尤其是金融和能源行业。以金融行业为例，像工商银行等六大行已经部署了两千张以上的显卡，而券商虽然稍微落后，但也在三到六个月内跟进。政府方面，许多地方政府正在建设大型数据中心，拥有相当的算力。然而，零售和制造业由于利润较低，在当前经济环境下不太愿意投资于可能无法确定带来改变的项目，这是我在客户群体中观察到的现象。
范凌：在当前的创业环境中，技术的应用需要非常具体，能够直接帮助企业。要么是在一年内帮助企业增加收入，要么是在三个月内提高企业的效率，如果CEO的任期较长，那么技术还应该能够帮助他们在三年内提升效益。从我的角度来看，所有技术的最终目的都围绕着这三个目标。
如果我们对这三个目标进行排序，“提高效率”可能是最优先的。“提高效率”的一个关键方式是降低成本和提高销售效率，这在快速消费品、美妆、服装零售等行业尤为明显。医药制造业现在也因为集采政策的变化而开始关注这一方向。长期来看，增长空间可能在于如何运营新的渠道，比如将线上线下渠道结合起来。在这个过程中，AI可以发挥重要作用，例如在销售复杂产品时提供个性化服务。我们有化妆品行业的客户，客单价在3000到4000元，导购的个性化服务非常重要。现在通过AI技术，相当于给导购增加了一个助手，使得他们与消费者的沟通更加高效。
吴世春：我认为，要分析行业痛点，可以画三个圈来表示。第一个圈是哪些行业有资金，第二个圈是这些行业中存在哪些痛点，比如降本增效、赚钱省钱等。第三个圈是替代方案，即是否使用大模型会比传统解决方案更好、更高效。这三个圈的交集，就是企业能够获得收益的地方。
金融、安全、石油、电力等行业目前仍然是资金充裕的行业。大型品牌商也是资金充足的行业。我们投资的一家公司，原来是在运营领域，现在结合大模型推出了新的服务，主要针对关键客户服务的关键应用，这些是企业最愿意投资的地方。中国的ToB市场相对较小，ToC市场可能与美国相当，但ToB市场可能不到美国的二十分之一。在这个市场中，大企业自行研发，中等企业使用开源技术，小企业则不使用。大模型可能是SaaS行业的一个新出路，我们也投资了几个SaaS项目。在中国，SaaS行业面临的挑战是付费能力差，定制需求多。
袁晓辉：有观点认为，AI可能会给SaaS行业带来新的希望。AI在交付、个性化定制、生成代码等方面可以为新客户提供服务，带来新的希望，或者能够用更少的人力资源来提供个性化服务。
范凌：在概念上，大家普遍认同AI的价值，但在实际应用中，尤其是在营销领域，我们发现内容生产的效率虽然提高了，但在营销链路中所占的时间和成本其实并不高，可能连10%都不到。
例如，使用Midjourney技术可以迅速制作出一张海报，但前期的沟通工作却非常复杂，占据了90%的时间。尽管AI可以快速生成大量图像，但管理层往往仍会针对单张图像提出具体修改意见，如要求字体加大，这导致工作流程又回到了人工操作，效率无法提升。如果甲方能够接受AI提供的多个选项，而不是提出具体修改意见，那么AI在提高效率方面的潜力将得到充分发挥。
目前，企业在讨论AI时，关注的不再是技术问题，而是如何进行工作流程和思维模式的变革，以及数据安全问题。例如，麦当劳不会将其核心数据提供给GPT。目前，我们讨论的主要是生产力问题，而不是大模型的能力。
周健：我的观点略有不同。在过去，我们已经在市场中看到了许多RPA流程产品，尽管RPA时代最终只有少数公司能够实现现金流为正。但现在，随着个性化定制成本的大幅降低，我们开始在大型银行中复制这些应用，并有机会将个性化定制成本降至10%。我们强调的是专家知识，如对一家公司财务状况的快速分析和评估。这些知识和评估标准往往由行业规范或政府规定，因此可以复制。个性化的部分，如每个银行的特定规则和需求，虽然各有不同，但所需的信息来源大致相似。在当前场景中，我们可以看到开源模型的能力在不断提升，大模型公司也在不断进步。例如，在智能客服领域，我们已经能够计算出盈亏平衡点。
袁晓辉：对，红杉最近发了一份报告说是在客服场景已经找到了这个PMF。
范凌：我想知道吴总有没有投过这样的企业。可能不一定存在所谓的AI原生应用，但会有基于AI原生理念建立的企业。这些企业从成立之初就以AI为基础，优化人与人之间的协作，提高效率。例如，AI Agent可能不仅仅是供人使用的，而是能够扮演不同角色，互相协作完成工作。我认为，未来可能会出现AI原生的连锁店或出海电商等新型企业，这些企业的价值可能远超单一的AI应用。
袁晓辉：您的意思是，利用各种工具将内部流程优化到极致。
范凌：对，现在要把AI Agent或AI作为组织不可或缺的一部分，考虑如何组织它们与人类协作，共同解决问题。AI原生的商业组织从一开始就是基于这样的前提构建的。
袁晓辉：也就是说，从企业创立之初就构建了一支由数字员工组成的强大团队。
吴世春：我认为，在组织层面，由于存在惰性，不会那么快地迎合新技术的改变。可能需要等待硅谷等地的更多案例出现。目前，一种常见的模式是，美国发明了新技术，而中国则能够将其规模化生产，甚至做成低价商品。这种趋势在新能源车等领域已经显现出来。AI领域也可能如此，一旦有新技术出现，中国很可能会迅速将其普及化，甚至把它卷成不赚钱。
袁晓辉：我们最近进行了一项研究，访谈了100多位来自不同行业的专家，探讨了哪些行业在使用AI方面更为积极。我们发现，金融行业由于其良好的数字化基础和员工对新技术的高接受度，显然是走在前列的。数字原生行业，如软件、广告、工具和SaaS等，也表现出较快的AI应用步伐。
相比之下，农业和制造业这些重资产行业，或者那些与实体世界交互更为密切的行业，AI应用的步伐则相对缓慢。在产业链的环节上，我们可以看到设计研发和销售客服，也就是在微笑曲线两端的环节，AI应用较为迅速，而生产制造环节则相对落后。
吴世春：我认为，那些使用AI越多的透明环节，反而越难形成竞争优势。相反，那些需要克服许多使用障碍的行业，一旦建立起竞争优势，市场地位将更加稳固。一开始容易赚钱的行业，随着时间的推移，可能会越来越难以盈利。而那些一开始看似难以盈利的行业，如果你能够逐步解决使用障碍，最终可能会形成坚不可摧的市场地位。
袁晓辉：确实，我们应该坚持做正确而困难的事情，这些困难的事情往往能够建立起竞争壁垒。
吴世春：是的，一开始不赚钱的行业，可能因为缺乏关注和理解，但随着时间的推移，它们能够建立起高壁垒。而那些一开始看起来很赚钱、很透明的行业，最终往往是不赚钱的，因为总会有人以更低的价格提供服务。
袁晓辉：好的，谢谢吴老师。刚才我们聊了相对更容易落地的行业或环节。现在我们再讨论一下，在推动AI应用，去跟客户做POC的过程中，企业面临的痛点和卡点是什么。是在算力、意识、人才等方面遇到了问题吗？有没有一些经验可以分享？
范凌：我们接触的主要是大型企业，实际上，真正愿意自己建立算力的市场化运作的企业非常少。大多数企业只是利用AI进行应用和推理，而不会自己去建立模型或销售硬件。
目前遇到的卡点主要有两个：第一，企业的流程是否对AI友好，是否愿意为了AI进行必要的改革；第二，企业是否能克服对合规和数据安全的担忧。当然，现在有许多技术可以帮助解决这些问题，但企业本身也需要学习如何应用这些技术。
就像吴总提到的，我们也发现，越是透明的领域，企业越愿意投入，而这些领域往往不会形成太多的竞争壁垒。而那些更难做的领域，企业则更倾向于观望。目前，国内企业在AI方面的预算大多是创新预算，换句话说，就是可以被削减的边缘预算。在中国比，如说有些药厂，它确实在AI研发新药上投入很大，因为一个新药出来，就可能有十亿美金的市场，所以它可以投入很大，但它没有把这部分钱投在中国。在中国，大多数企业都是把AI投入到一些相对透明的工作上，比如视频制作或人力资源提效等。
袁晓辉：有没有什么破局的思路？
范凌：破局的思路有两个：首先，我们需要对企业进行AI的科普，要把AI从一个Buzzword变成他们脑海中的可能，让AI原生的概念深入人心。现在大家都在谈论Sora、ChatGPT，但真正了解和使用这些技术的人并不多，因此，提高企业对AI的认知是非常重要的。
其次，我们需要真正了解企业的需求，企业追求的是增长，包括短期和长期的降本增效。如果我们能够用AI创造出一些具体的应用场景，企业通常还是愿意接受的。如果仅仅是纯粹的创新而没有实际应用，其生命力往往是短暂的。
周健：我想补充一些我们去年的观察。起初，我们认为AI在律师和猎头行业会很容易应用，但后来发现这两个行业的信息化程度实际上并不高。他们担心“教会徒弟，饿死师傅”，比如猎头，他们与候选人的初次电话沟通和线下见面是至关重要的。猎头通常有自己的Excel表格来维护一个千人或两千人的候选人名单，他们并不愿意分享给公司。对于律师而言，情况也是类似的，尤其是在国内，律所的信息化程度普遍较低，一旦有律师离职，他们手头的项目可能就会无法继续。
此外，中国的企业文化与美国存在较大差异，美国的管理更为标准化，而中国的老板们往往认为自己与众不同，不愿意分享自己的业务流程。这种心态在一定程度上限制了AI的应用。另外，如果企业想要有效利用AI，建立一个AI团队是必要的。这个团队需要有业务专家，他们可能不需要深入了解AI的技术细节，但必须对数据敏感。例如，在招聘过程中，如果企业内部没有人能够理解收到的简历数据，并定义匹配规则，那么作为服务提供方的我们也会感到很困难。目前，懂得业务知识的AI产品经理非常稀缺，这是AI应用落地的一个关键因素。
吴世春：我对创业者的建议是，目前能在手机上赚钱的场景基本上都被大厂占据了。在美国，尽管AI概念股的股价上涨，但实际上除了OpenAI之外，并没有涌现出其他特别赚钱或特别厉害的公司。因此，创业者应该去做那些大厂不愿意做或看不到的难而正确的事情。不要只盯着那些看似有机会的领域，而应该在一些目前看起来没有机会的领域深耕，这样最终才可能取得创业成功。基于手机的应用场景在过去五年里并没有产生新的千万级应用，所有好的应用场景几乎都被BAT、字节跳动、京东等大公司所占据，对于新的创业机会，我持比较悲观的态度。
袁晓辉：在选拔创业项目的过程中，投资者常会询问创始人，是否有他们认为正确而其他人却不认同的观点或方向。例如，Airbnb在早期并不被许多投资者看好，但最终还是在投资人的坚持下跑出来了。
吴世春：从电脑到手机作为载体的转变催生了新的应用。目前，我们仍然看到许多以手机为载体的应用，但未来可能会有以VR、机器为载体，或车辆为载体的新机会出现。对于手机为载体的应用，如果现在仍然只是重复已有的东西，那么很多努力可能都是徒劳的。
袁晓辉：最后一个问题，回到此次活动的主题，关于大模型时代的创业生态。三位嘉宾都来自北京和上海，从创业生态的角度来看，如果让您选择一个可以提升的方向，您认为应该是哪个方面？
周健：对于创业公司来说，当前最重要的可能是交流和需求对接。因为很多时候大模型厂商会说场景不对，我们特别希望有更多这样的对接机会。今年我们因为品牌建设做得好，所以有很多需求自然而然地找上门来。在这个阶段，我们特别需要专业的对接场景，比如银行或零售行业聚集在一起，这样可以更好地理解客户是如何思考的，从而获得更多客户视角。
袁晓辉：也就是说，行业间的交流非常重要。
范凌：我认为，在当前竞争激烈的环境中，保持开放性非常重要。我之所以感兴趣来参加这个论坛，是因为我觉得需要到处去看看，到处去感受不同的气氛，这样可以获得不同的能量。对于我们所做的企业服务，尤其是与AI相关的，当发展到一定规模后，如果不突破，效率会越来越低。在美国，除了上市和创业失败之外，还有并购等多种退出机制。在当前的中国环境下，创始人需要有更多合作方式，包括并购和合作。以前资金充裕时，大家不太在乎产品的质量，但现在大家都知道，只有好的产品才能降低获客成本。产品的边界拓展和退出机制应该有更多的选择。
袁晓辉：吴总，您怎么看？
吴世春：我认为，美国的新科技领袖，如马斯克，他们并非标准的科学家出身，而是具有综合性能力的人才，甚至是产品型的CEO。他们能够整合研发、供应链、产品和销售等多个环节，并具有跨界的视角。在中国，许多领军企业的CEO都是科学家出身，这与美国有很大的不同。我们希望找到能够将科技转化为商业成果的人才，他们需要具备前瞻性、表演能力，能够像雷军一样，将普通事物描述得非常吸引人。
袁晓辉：好的，周总提到了交流机会，范总提到了开放性和多样化的退出机制和服务体系，吴总谈到复合型的人才，这些都是在大模型时代创业生态中非常重要的因素。非常感谢三位老师给我们下半场这个圆桌带来新的思想输入。谢谢！
本文来自微信公众号：腾讯研究院 （ID：cyberlawrc），发言人：吴世春（梅花创投创始合伙人）、范凌（特赞创始人兼 CEO、同济大学教授、博导、设计人工智能实验室主任）、周健（澜码科技创始人兼CEO），圆桌主持人：袁晓辉（腾讯研究院资深专家）