迎接AI——理性看待变革，积极布局未来

在2025年北极光创投第十八届CEO峰会的圆桌论坛上，北极光创投合伙人林路携Rolling AI创始合伙人甘艺凡，APUS创始人兼CEO李涛，北极光创投高级顾问李乐丁三位嘉宾围绕“迎接AI——理性看待变革，积极布局未来”这一主题展开探讨，从不同角度探讨了AI技术发展、场景落地与组织变革之间的关系。

李乐丁从技术角度切入，指出大模型已经进入能力边界与不确定性凸显并存的新阶段，单纯追逐参数规模意义有限，真正价值将来自与具体产品的深度融合，形成可持续场景价值。李涛随后从企业实操层面，分享了APUS在代码生成、创意设计、医疗预诊等多个环节的AI落地经验，强调构建自身模型体系和数据资产作为长期护城河是关键。甘艺凡结合超百个咨询项目经验，总结企业在应用AI时最常见的误区是“高估短期价值、低估长期潜力”，建议企业围绕“为什么要做？做什么？怎么做？”构建AI应用的战略路径，并推动组织与文化的深度调整。林路最后提醒CEO们谨防“战略空心化”，一切部署都应回到业务本质，从实际业务出发落地AI。

以下为整理的圆桌讨论实录，有编辑与删节。

林路：关于AI的未来，有人乐观，有人很谨慎，在座的几位嘉宾，我知道李涛属于乐观派，李乐丁是谨慎现实派，甘艺凡是介于两者之间。乐丁曾是我在百度的同事，就先请他从技术角度谈谈当前AI的发展水平。

北极光创投合伙人林路

李乐丁：我从技术层面简要回顾一下AI的进展。今年尤其到年中时是非常重要的一个转折点，我们走到了AI技术和产品的交汇点：过去，大家往往认为只要技术在某个垂直方向取得突破，就能直接解决业务问题；现在，需要将技术能力与产品思考相结合，才能实际解决问题并真正创造价值。

经过几年的发展，大家对AI能力的边界有了更清晰的认知，虽然模型能力仍在持续提升，但增速变得越来越缓慢，我们也逐渐认识到一些核心局限性：首先，模型并不具备真正的智能，不能像人类一样举一反三；其次、模型的“幻觉”是难以完全消除的。模型的准确性和幻觉是互相矛盾的，不可能完全被充分的解决。

这就意味着我们今天走到了一个特殊的阶段，人类首次需要拥抱一个具有不确定性的工具。与传统的程序、工具、雇员完全不同。AI的能力无比强大，可以做非常多的事情，但同时它也在很多时候会变得非常的不靠谱，可能在关键场合出错。然而在复杂问题中，它又能会给出极端优秀的解决方法。摸清并理解这种脾性，是我们更好将AI融入产品、发挥其作用的前提。

而模型能力本身，现在业内也逐步达成共识：所有模型的核心能力源自于预训练，而非后训练。我们看到的一切后训练成果，其实都是在引导模型激发已有的预训练能力。例如，在数学问题求解上，大家看到可以解得非常好，这是在预训练当中得到的。模型不仅能直接给出答案，也能按步骤逐层推理，以适用于不同的应用场合；而后者往往更契合真实应用需求，这类能力通常来源于强化学习的训练方式。

所以今天一个基本的共识是我们仍然需要非常重视预训练，而预训练所有的能力源自于数据。但挑战在于，高质量的训练数据已经大部分被用尽，尤其像代码这样的数据，几十年的积累已经被模型学习过了。这意味着我们将迎来模型解析能力的提升趋于平稳的阶段，这个时候更需要通过产品思维，将这种不确定性但强大的工具引入实际应用中，解决真实问题。

北极光创投高级顾问李乐丁

林路：我们再请一位乐观派来谈谈看法，就像当年移动互联网来临，我们选择拥抱它一样，现在AI来了，我们也应该积极拥抱AI。我们注意到APUS在AI应用上做了很多探索，请李涛分享一下你们现在做了哪些实际应用？

李涛：我跟乐丁的观点稍有不同。特别是在“后训练”这个问题上，我认为模型的能力还有进一步进化的空间。刚才我和同事讨论时提到，现在有一个新的说法，认为模型可能会替代数据库——虽然很多人认为这是不可能的。但我们目前已经能看到模型在结构化处理数据方面的能力逐步增强。

传统做法是，我们把数据输入模型，或者提供一个意图，由模型进行结构化处理，再存入数据库。但如果模型本身已经能够很好地理解并结构化数据，那何必存到数据库呢？数据直接留存在模型中即可。这样一来，模型处理确定性任务时的表现会更好、更明确。

可能我们今天看到模型出现的问题或者说幻觉，确实无法完全消除，但在模型具备更强的结构化数据处理能力之后，它的“幻觉”问题也有可能被大幅压缩。

我分享一下APUS在内部落地AI的实践，大概有两个部分，给大家做一个借鉴和参考。

第一是研发提效，目前公司在三个领域内部已经开始应用AI。一是Coding，Coding对于APUS帮助非常大，我们最新发布的产品中，约有70%的代码是由模型生成的。当然，人工也仍然参与其中；在对旧代码的维护方面，大概有33%的修改也由模型辅助完成。

整个过程是从产品设计开始的。现在我们的产品经理更多是将意图进行描述，由模型生成初步的产品设计，再由人进行后续完善。这个过程实际上是人和模型不断交互的过程。接着把初步设计交给技术团队时，仍然是模型继续发挥作用。

很多人会问：“你们自己的商业逻辑怎么办？”我们APUS自研并训练了自己的模型，在私有化部署的DeepSeek基础上，打造了专门用于Coding的模型。带来的好处非常大，比如我们有一些工具类产品，如浏览器，就已经大范围地使用模型自动化Coding。甚至可以实现为不同用户群体定制浏览器，而底层逻辑完全由模型基于对过往浏览器的学习自动生成。它能够针对不同人群的需求生成完全不同的代码结构，实现高度个性化的产品能力。

另外，我们在内部使用AI的过程中，在素材设计方面也获得了非常大的助力，尤其是在图片和视频的制作上。因为我们主要做出海的To C业务，过去需要五六十位设计师，一方面负责产品的UI设计，另一方面承担大量的产品宣传素材制作，尤其是视频和图片。而现在，我们的设计师团队只保留了原来的大约15%，整个公司设计师不到10人。在海外市场推广过程中，AI模型可以基于某一个爆量素材，一天自动生成几千个同类素材，并能精准识别和提炼爆量素材的关键元素，从而确保每一条推广内容都具备相应的吸引力。原本五六十个设计师一天都做不完的工作，现在通过模型一天就可以完成。虽然这个过程中仍然需要人工参与把控质量和调优，但整体效率已经得到了非常大的提升。

在产品上，我们也进行了多个方向的探索，主要聚焦在内容领域。过去我们一直在做圣经类产品，目前已经在美国覆盖了大约10% 的人口。以往的产品形式相对简单，主要是以电子书的形式呈现传统圣经内容。而现在，通过引入模型生成的语音、图像和视频能力，我们已经将圣经内容升级为连环画甚至短视频的聚合形式。更重要的是，我们还在产品中引入了一个“Bible Chat”功能，它是一个由模型训练出来的数字化“牧师”，可以与用户进行交流，帮助他们解答问题，同时通过用圣经文本建立边界条件来约束模型。

除了圣经类产品，我们还布局了健康领域。借助我们在国内开发的医疗大模型，目前这一模型已经在部分三甲医院投入使用，累计为超过100万人提供了初步诊断建议。虽然我们现在的机制还不允许模型直接给出最终诊断意见，还是需要医生最终确认，但是可以显著提升效率。患者可以在家通过公众号或小程序完成初步诊断，模型完成初步诊断并自动进行分诊推荐并帮用户挂号，用户到医院后医生可以直接查看病人前期的情况以及初步诊断。在医生与病人交流过程中，模型还能实时记录并生成诊断报告，未来会大幅减少医生手动记录的工作量。这是我们在医疗方向的一项重要应用。我们还把产品在美国市场以To C形式上线，作为独立App推出。

此外，我们的模型还被应用于一些特别复杂且尚未被结构化处理的领域，以Deepseek为例，它之所以受到大量关注，是因为其背后的团队大多来自量化背景，擅长处理海量数据并进行快速反馈。在互联网时代，社交平台和各类开放信息对市场交易和商业判断的影响日益加大，因此模型对这些碎片化数据的整合与分析能力显得尤为关键。

我们也基于类似的思路开发了具备情报分析能力的模型，应用在商业与政治情报的分析上。例如，我们的Agent系统能够调用全球范围内的数据源，帮助用户进行多维度数据挖掘和趋势判断。

我们的模型还拓展到了其他垂直领域。比如我们为一家影视公司开发了编剧大模型，并成功应用于即将上映的《唐朝诡事录3》的创作过程中。我们还进行了植物识别等技术落地实践，模型的多维度应用也在不断拓展。

APUS创始人兼CEO李涛

林路：大家其实可以去买一个Chat工具，确实非常方便。但一旦真正应用到现实行业里，就会遇到很多实际问题。上次我和甘总聊天，有一个特别大的启发——怎么做市场、怎么真正适配行业场景？比如说用AI直接去做销售，可能还不太现实；但如果反过来，用AI来做销售培训，那是绰绰有余的。甘总是咨询公司出身，做了很多项目，也积累了不少心得。接下来请他来分享一下他的经验。

甘艺凡：我们是ROLLING AI，第一次来到北极光的CEO峰会。我们认为，AI之所以与以往的数字化技术不同，是因为它已经不再只是生产资料，而是成为了生产力本身。也就是说，它不仅仅是一个支撑流程的工具，更是能够直接产出结果的系统。当然，这个结果有时候并不稳定，这也导致了我们在帮助很多企业实施的过程中，出现了许多新的变量与可能性。

我们从2022年开始转型做咨询服务，到现在已经积累了超过100个项目的经验。说实话，也踩了不少坑，但也逐渐总结出一些规律。每个企业在尝试落地AI的过程中，其实面临的核心问题就三个：我为什么要做？我要做什么？我该怎么做？

为什么做、做什么？这两个问题在不少企业里往往被颠倒顺序。大家通常先讨论“要做什么”，却很少谈“为什么要做”。结果就是：企业对AI的短期能力与价值普遍高估，而远远的低估了它的长期能力和价值。

举个例子，不少董事长或者企业的一把手期待AI足够“聪明”，可以直接取代分析人员，每天自动生成一份完整的企业报告。我提的第一问题就是：“你们的公司数据都梳理清楚了吗？AI能真正‘看懂’你们的业务数据吗？”为什么叫人工智能，如果“人工”基础没打好，“智能”自然难以在短期发挥作用。再加上媒体报道的滤镜，“某某公司部署了Deepseek就如何如何”，这些案例往往并不真实，AI技术很有趣的地方在于很长时间内，所有企业家对它的期待远高于他的发展速度。但试用后发现错误率很高、业务落地难，就觉得AI“不靠谱”。于是就出现了高估短期价值、低估长期价值的现象。

事实上，在一些传统又隐蔽的场景里，AI的长期价值要比“高管的一句 ChatBI”大得多。例如，我们帮生产养殖企业做的大模型“数猪”系统，一天就能替人工节省6000多小时。进一步这个场景还能通过行为监测判断猪的活跃度，提前预警疾病风险——这类深度场景的价值，远超过“董事长一个人想要的智能报告”。

为什么要做？一个特别简单的判断方式是反过来看你的损益表，思考你做这件事是否真的对企业有影响。当然，也要结合AI的能力和机制去考虑：它究竟是帮你节省了固定支出，还是降低了成本？要从重新审视企业运营方式的角度，去判断AI到底在企业中能够发挥什么作用。

而在“怎么做”这个问题上，我们发现很多企业在执行时的顺序存在一定误区。特别是在春节后，随着Deepseek的走红，很多企业来咨询如何部署AI。他们说我们已经购买了Deepseek的私有化部署，或者已经买了一体机。我走访了这些企业中的很多家，发现80%的企业的回答几乎都是：“我们的AI就是买了一体机、买了私有化方案。”

这其实忽略了本质。我们以前做的方式是，先从企业内部挖掘场景，识别商业价值，通过不同业务方向寻找“钉子”，再回过头来确定用哪种技术去“钉”这个钉子。做这件事已经三年多了，我们观察到，一些很早开始AI探索的企业，如今在进入深水区时面临新的问题。

首先，最大的瓶颈在于缺乏足够的、能够带领AI转型的项目负责人。这样的负责人需要具备非常全面的能力：第一，要理解AI的基本原理，并适应AI的快速迭代逻辑；第二，要理解知识的流转机制；第三，要真正懂业务。我们曾经带领一批工程师开发一个小红书的智能体，没有一个人能做出来。我问他们：“你们写过小红书的内容吗？”他们说没有。那怎么可能写出小红书的智能体？如果对一个应用不了解其业务与细节，是没办法真正构建出有效AI解决方案的。这就是“人”的问题带来的挑战。

第二个在进入深水区后遇到的问题是：当生产力被真正释放出来后，原来那批人该去做什么？比如现在最常见的一个应用场景是客服，有的企业通过AI技术裁减了80%的客服人员，剩下的20%依然从事接线工作，但这也带来了团队技能方向、组织架构的变化和调整。

我们将这些经验总结下来后发现，在企业内部落地AI时，真正需要思考的核心顺序是——对“生产关系”的重新定义与设计。首先，我们要承认生成式AI本身是一种全新的生产力，而要让这股生产力在企业内部真正发挥作用，就必须构建出与之相匹配的生产关系。没有恰当的生产关系，这种新型的生产力是落不下来的。

所以接下来大家在思考“企业内部该做什么AI项目”时，也要同步去思考这项技术可能带来的组织冲击。团队结构是否会发生变化？既有的角色会不会被重新定义？所部署的AI场景下，组织是否具备适配这种生产力的机制？

我们在与很多企业家交流时，经常用一个比喻来解释什么是生成式AI：你可以把它想象成拥有一千个甚至一万个非常聪明的实习生，他们可能是清华、北大毕业，具备极其丰富的知识和常识储备，几乎囊括了人类文明积累的大量内容。但问题在于，他们依然是“愣头青”——对你的业务缺乏理解，对市场环境也不了解。

所以在思考生成式AI该做什么时，不妨设想一下：如果是做投资决策，你会把这种重要任务交给一个未经训练、刚毕业的实习生吗？显然不会。如果盲目高估这群“聪明实习生”的短期能力，把他们放到关键岗位，失败几乎是必然的。但反过来，如果你从来没有开始培养他们、锻炼他们、让他们真正了解你的业务，他们也永远无法成长为你团队中真正有价值的生产力一员。生成式AI的核心在于引入之后能否有效训练与使用。

Rolling AI创始合伙人甘艺凡

林路：今天AI的落地，在某种意义上，是由CEO的战略需求推动着整个技术往前走。这里面也隐藏着一个非常值得警惕的事情，我自己的一家被投企业他们自身业务其实已经用了很多AI技术，这些工作原本是下面研发团队在推进。但是CEO认为AI会颠覆整个行业，所以决定由公司统一牵头推动公司整体的AI业务，结果收集了很多数据，但实际无法落地。我了解了一下，这个任务意味着整个研发团队要暂停手头的工作，两个月时间专门用来搜集数据。我问负责人收集完这些数据接下来要什么？他们的回答是我们也不清楚。所以这让我意识到一个非常关键的问题：我们必须认真处理好CEO的驱动意图与企业内部团队实际能力之间的关系。不然不仅可能浪费资源，还可能错失真正的落地机会。

那么大家对此有没有给CEO们的一些建议？

甘艺凡：我有三句话的建议：第一，要从上往下定义AI应用场景。为什么这么做？核心是很多场景如果从底层提出来的，通常只是是想解决业务中的某一个小的环节，短期内有一点价值，但从企业长期的发展来看意义不大。而从上到下设定场景，就要求CEO和高级管理层从公司的P&L价值、组织结构乃至内部生产关系的角度去思考生成式AI在公司中的长期战略价值。所以一定要从上至下定场景。我们曾经踩过无数坑——过于满足琐碎场景的需求，结果第一波应用效果都不理想。

第二，从下到上找文化。虽然我们强调重大应用场景从上而下设定，要让生成式AI在公司每一位员工的日常工作中都能发挥作用。哪怕是在很细微的任务中带来一点效率提升，也能逐渐形成组织内部对AI的理解与认同，进而推动文化氛围的改变，促进生产关系的演进和组织能力的提升。核心是帮助大家真正理解这项新技术的运行原理，它又将如何影响日常的工作方式。

第三，从后往前做建设。最核心的一点是：不要空谈技术，不要一开始就说要做AI的三件事，结果是把所有数据都翻一遍。应该先把应用场景明确，再倒推需要什么样的技术、需要治理哪类数据、还缺哪些数据、哪些需要采集——一定要“以终为始”地开展工作。生成式AI的部署，不是单纯的技术建设，而是公司P&L的重构和生产关系的改造。

李涛：我有两个建议：第一，CEO对AI的重视不应该只是喊口号，最重要的是CEO自己想清楚，在当前的业务方向、产品方向中，哪些部分适合引入AI，先把这些用好。说白了，如果CEO自己没想清楚，只是在工作中说“All In AI”，这件事一定会失败。我们最近跟很多传统企业打交道，我发现很多传统企业的CEO喜欢下决心，但是并没有思考AI战略到底如何落地。

第二个建议，我们已经看到很多人在AI垂直模型或Agent方向上做了不少工作。我们自己走了很多坑，根据我们的经验，有一个重要提醒：不要挡在大模型前进的道路上做研究。很多人在做垂直模型训练的时候特别痛苦，为了解决某一个具体问题，花了很大的力量去做；结果半年以后，大模型已经具备了相关能力，你之前的努力就被迅速碾压，没有任何积累价值。

今天我们都知道，AI会颠覆现有的生产力，会重构生产关系。几乎说是有一个全新的产业机会，在这个过程中，每家企业都需要认真思考：你要构建的壁垒是什么？这个壁垒一定不能够在大模型前进的主航道上，否则一定会被压得体无完肤。两年前无数的大模型企业相继出现，但目前全球范围内真正还有能力推进的已经不超过10家，国内可能也只有阿里、字节和Deepseek。原因很简单，当你在主航道上没有整个大模型进化的速度那么快，所以很快就被碾压了。所以企业要做AI，一定要想清楚未来在AI领域构建的壁垒到底在什么地方，不能挡在大模型进化的航道上。

李乐丁：我分享一点个人的感受，我们三个人其实说的是同一件事——面对AI，要巧思，别硬来。不要焦虑于技术本身，它已经在那儿，触手可及。中国人能用得好，美国人也一样能用得好。但真正无法被模型替代的，是人类的创造力，是我们如何引导自己针对产品特性的想法，找到适配的方式，把它们用好。

林路：就像上一轮移动互联网浪潮一样，大家当时都在讨论要不要做APP，最终移动彻底影响了每一家的业务形态。这一轮AI也同样深刻，它是我们必须积极拥抱的方向，就像当年我们拥抱移动互联网那样，今天也应该全力以赴拥抱AI。

时间的关系，今天的讨论就到这里！谢谢三位嘉宾的精彩分享！