2022 年底，大模型的浪潮才剛剛涌動，楊勁松捕捉到了一個即將爆發(fā)的未來機(jī)遇。

" 全中國，真正親手訓(xùn)練過大模型的人不超過 100 個，而能將模型應(yīng)用到生產(chǎn)環(huán)境中的人，也不超過 1000 個。而未來，每個企業(yè)都需要這項技術(shù)。" 楊勁松說，這個數(shù)字鴻溝，可能裂變出一個超級機(jī)會：企業(yè)智能體。

正是這份對趨勢的敏銳判斷，這位曾在埃森哲、亞馬遜、飛書和阿里達(dá)摩院歷練的專家，毅然選擇跳出大廠舒適圈，投身到創(chuàng)業(yè)洪流。

2023 年 6 月，他創(chuàng)立未來式智能，核心愿景清晰而堅定：通過智能體，讓全球 10 億的知識工作者可以十倍效率地工作。過去 2 年，未來式智能完成 3 輪融資，今年更是連融兩輪，成長速度備受矚目。

在鉛筆道與楊勁松的本次對話中，他分享了智能體的多個超級機(jī)會，以及未來式智能如何以差異化路徑破局。

1、企業(yè)級智能體（AI Agent）是普適性需求？

對，每個企業(yè)都需要。

2、哪些垂直行業(yè)是破局機(jī)會？

能源（如電網(wǎng)）、金融等行業(yè)需求剛性、付費(fèi)能力強(qiáng)，且業(yè)務(wù)復(fù)雜度高，適合智能體優(yōu)先落地。

3、智能體怎樣解放企業(yè)生產(chǎn)力？

不是替代人類，而是通過 " 流水線 " 重構(gòu)知識工作流程：AI 處理標(biāo)準(zhǔn)化任務(wù)，人類聚焦關(guān)鍵決策，實現(xiàn)效率指數(shù)級提升。

4、用具體行業(yè)舉個例子？

打造體育內(nèi)容智能體，AI 工作流程為：自動抓取海外賽事資訊→翻譯 / 打標(biāo)簽→生成多版本標(biāo)題與內(nèi)容→人工審核選擇。將內(nèi)容生產(chǎn)從 " 數(shù)小時 " 縮短至 " 分鐘級 "。

5、智能體怎么賺錢？

避免掉入軟件付費(fèi)陷阱，應(yīng)追求按效果 / 結(jié)果付費(fèi)。

楊勁松，未來式智能創(chuàng)始人

聲明：訪談對象已確認(rèn)文章信息真實無誤，鉛筆道愿為其內(nèi)容做信任背書。

01 2022 年底：企業(yè)級智能體機(jī)會出現(xiàn)

鉛筆道：未來式智能近期完成數(shù)千萬融資，業(yè)務(wù)也發(fā)展迅速。能否和我們聊聊，是什么樣的契機(jī)和判斷，讓你在智能體這個概念還處于萌芽階段時，選擇了這個方向？

楊勁松：我比較熟悉企業(yè)級（ToB）市場，這為我的判斷提供了基礎(chǔ)。

我畢業(yè)于北京大學(xué)元培實驗班，主修計算機(jī)方向。畢業(yè)后，我沒有立刻投身純粹的技術(shù)研發(fā)，而是在埃森哲咨詢公司工作了六年。

那段時間，我主要幫助一些大型企業(yè)（國家電網(wǎng)、中石化、中石油等）做 IT 戰(zhàn)略規(guī)劃和落地應(yīng)用服務(wù)。

這段經(jīng)歷讓我理解了大型企業(yè)的運(yùn)作邏輯，它們的痛點，以及一項新技術(shù)要真正在復(fù)雜的業(yè)務(wù)流程中扎根，需要克服多少挑戰(zhàn) —— 這不是單純的技術(shù)問題，而是 " 技術(shù) - 業(yè)務(wù) - 組織 " 的協(xié)同問題。

鉛筆道：所以，你既懂技術(shù)，又懂商業(yè)和戰(zhàn)略？

楊勁松：可以這么說，每一段經(jīng)歷都在完善我的能力閉環(huán)。后來，我去美國康奈爾大學(xué)讀了 MBA，畢業(yè)后加入了西雅圖的亞馬遜 AWS。

當(dāng)時我負(fù)責(zé)一款名為 Elastic Beanstalk 的 aPaaS 平臺產(chǎn)品，把它做到了年收入 2 億美金的規(guī)模。在亞馬遜的經(jīng)歷，讓我學(xué)會了如何構(gòu)建和擴(kuò)展一個復(fù)雜的、平臺級的技術(shù)產(chǎn)品。

再后來，字節(jié)跳動在北美招人，我便回國加入了飛書團(tuán)隊，擔(dān)任產(chǎn)品委員會副主席，負(fù)責(zé) AI 搜索和用戶增長等模塊。

也正是在飛書，我開始深度接觸 AI 的能力，盡管那還是我們所說的 " 小模型 " 時代，但我們已經(jīng)在產(chǎn)品中集成了許多 AI 功能，這讓我提前感知到人工智能對 " 協(xié)作效率 " 的顛覆性潛力 —— 這種潛力不是替代人，而是重構(gòu)人的工作方式。

鉛筆道：后來你又去了阿里達(dá)摩院？

楊勁松：對，因為我始終渴望更深入地推動人工智能從 " 實驗室技術(shù) " 走向 " 產(chǎn)業(yè)價值 "。

恰好達(dá)摩院當(dāng)時在尋找一位統(tǒng)籌型的產(chǎn)品負(fù)責(zé)人，我的職責(zé)就是將實驗室里那些最前沿的技術(shù)，與真實的行業(yè)場景結(jié)合，把它們封裝成產(chǎn)品，再通過阿里云的渠道進(jìn)行商業(yè)化售賣。

正是在達(dá)摩院，我真正開始接觸大模型。

其實早在 2021 年，當(dāng)時大模型遠(yuǎn)沒有現(xiàn)在這么火熱，我就在阿里云的大會上發(fā)布了國內(nèi)第一個千億規(guī)模參數(shù)的大模型，并開始用它為電商、電力、醫(yī)療等行業(yè)提供服務(wù)。

鉛筆道：決定自己創(chuàng)業(yè)的 "Aha!" 時刻，是什么時候出現(xiàn)的？

楊勁松：那個時刻出現(xiàn)在 2022 年底到 2023 年初。我們看到了一個巨大的、結(jié)構(gòu)性的機(jī)會。

當(dāng)時我們做了一個關(guān)鍵判斷：在 2023 年初那個時間點，全中國真正親手訓(xùn)練過大模型的人，不超過 100 個。而真正把模型應(yīng)用到生產(chǎn)環(huán)境里的人，不超過 1000 個。

但與此同時，我們堅信，未來每個企業(yè)都需要將大模型技術(shù)應(yīng)用到自己的生產(chǎn)流程中去。

這個巨大的認(rèn)知和能力鴻溝，就是我們的機(jī)會。

我們想做的，就是創(chuàng)造一個產(chǎn)品，能將企業(yè)使用大模型的門檻降到極低，讓每個人都能輕松地把這項強(qiáng)大的技術(shù)用起來。

基于這個思考，我們最終定位到了 " 智能體 " 這個賽道。

鉛筆道：所以，智能體是你眼中的那個大機(jī)會？

楊勁松：是的。2023 年 6 月我們成立公司時，智能體的概念還只是一個萌芽，遠(yuǎn)沒有今天的熱度。但我們認(rèn)準(zhǔn)了這個方向，判斷存在機(jī)會，果斷投身其中，成為了國內(nèi)第一批深耕 Agent 領(lǐng)域的公司。

更重要的是，憑借快人一步的技術(shù)布局，我們已深度參與工信部關(guān)于智能體平臺行業(yè)標(biāo)準(zhǔn)及智能體之間通信協(xié)議標(biāo)準(zhǔn)的起草工作 —— 這不僅是先發(fā)優(yōu)勢的體現(xiàn)，更是行業(yè)對我們 " 智能體落地路徑 " 的認(rèn)可。

02 誰先需要智能體？能源、金融賽道

鉛筆道：2023 年，當(dāng)你們作為先行者進(jìn)入這個領(lǐng)域時，當(dāng)時最大的挑戰(zhàn)是什么？畢竟，巧婦難為無米之炊，智能體的能力很大程度上取決于底層大模型的能力。

楊勁松：你說到了問題的核心。那個時候，最大的挑戰(zhàn)確實是底層大模型的能力不足，尤其是國產(chǎn)模型。

智能體要完成復(fù)雜的任務(wù)，最核心的是推理能力。

而真正具備強(qiáng)大推理能力的大模型，可以說直到 2024 年下半年，隨著 OpenAI 的 GPT-o1 和 DeepSeek R1 的出現(xiàn)，才算真正具備推理的能力。

在那之前，大部分模型去做人類通用智能測試，得分只有十幾分；而具備推理能力后，這個分?jǐn)?shù)可以達(dá)到 60 分以上的及格水平。

所以，在 2023 年做 Agent，底層模型的短板是現(xiàn)實存在的。

鉛筆道：面對這種不完美的底層能力，你們怎么應(yīng)對的？

楊勁松：我們不能坐等模型完美。

早期的策略是，聚焦在一些非常細(xì)分的垂直場景里，通過大量的工程化方法和對業(yè)務(wù)流程的理解，主動彌補(bǔ)模型能力的不足，讓 Agent 在特定場景下率先可靠地工作起來。

比如在電力行業(yè)，我們不只是簡單用 AI 做負(fù)荷預(yù)測，而是通過智能體重構(gòu)預(yù)測 - 調(diào)度 - 反饋全流程，讓 AI 不僅輸出數(shù)據(jù)，更能聯(lián)動業(yè)務(wù)系統(tǒng)生成可執(zhí)行的調(diào)度建議。后來，隨著國產(chǎn)模型能力提升，加上我們探索的上下文工程（Context Engineering），Agent 的應(yīng)用邊界快速拓展，能切入的市場盤子也變得更大 —— 這也證明，我們的核心競爭力不是 " 依賴底層模型 "，而是 " 用智能體重構(gòu)工作流 "。

后來，隨著國產(chǎn)模型能力的快速發(fā)展，以及我們探索的新思路（通過強(qiáng)化學(xué)習(xí)等方式），Agent 能做的事情才被大大擴(kuò)展了，我們能切入的市場盤子也變得更大了。

鉛筆道：很多 AI 公司都有一個 ToC（面向消費(fèi)者）的夢想，但你們從一開始就選擇了 ToB（面向企業(yè)）的道路，這是出于怎樣的考慮？

楊勁松：這其實是一個基于 " 技術(shù)落地規(guī)律 " 的務(wù)實選擇。

任何一項新技術(shù)，在早期階段都必然伴隨著不成熟和高成本。對于 C 端用戶來說，他們通常不愿意為這種不成熟去付費(fèi)，這會導(dǎo)致產(chǎn)品在很長一段時間內(nèi)都無法獲得好的商業(yè)回報。

而 B 端的邏輯不同，許多大型企業(yè)對于新技術(shù)有探索和驗證的需求，它們能夠接受一定程度的不成熟，也愿意為新技術(shù)下的創(chuàng)新方案投入資源。

所以，早期從 ToB 切入，能讓我們快速驗證商業(yè)價值，實現(xiàn)公司健康成長，為后續(xù)拓展奠定基礎(chǔ)。

鉛筆道：這是否意味著你們放棄了更廣闊的 ToC 市場？

楊勁松：并不是。這只是 " 先夯實根基，再邁向愿景 " 的路徑選擇。

我們公司的愿景，是 " 讓全球 10 億的知識工作者 10 倍效工作 "。這個愿景的終點，最終還是落在每一個獨立的個人身上。

我們私下里有一個更感性的口號—— " 消除那些無聊的工作 "。我們每天都在做大量的 paper work，機(jī)械性地收集資料、整理信息，我們希望把這些煩人的任務(wù)都消除掉。

ToB 是我們通往這個愿景的堅實橋梁，通過服務(wù)企業(yè)積累 " 重構(gòu)工作流 " 的經(jīng)驗，打磨智能體平臺的核心能力。

鉛筆道：談到 ToB，你們最早的標(biāo)桿客戶之一是國家電網(wǎng)。在很多人看來，國央企通常比較傳統(tǒng)，決策鏈條長。為什么會選擇這樣一個看似 " 難啃 " 的領(lǐng)域作為突破口？

楊勁松：外界可能對國央企有些誤解：他們沒有那么傳統(tǒng)。

實際上，現(xiàn)在的國央企在很多技術(shù)領(lǐng)域都比較領(lǐng)先。舉個例子，中國申報專利數(shù)量第一名的企業(yè)，就是國家電網(wǎng)，甚至遙遙領(lǐng)先于很多我們熟知的科技公司。這足以證明他們對新技術(shù)的開放和擁抱態(tài)度。

鉛筆道：在賽道選擇上，為什么優(yōu)先考慮能源？

楊勁松：他們有需求，有買單能力。

從商業(yè)角度看，我研究過幾乎所有 AI 上市公司的財報，發(fā)現(xiàn)它們收入占比最大的板塊，無外乎是能源和金融。

我在阿里云時，18 個行業(yè)里，收入體量最大的也是電力行業(yè)。簡單來說，我們要去魚最多的地方捕魚。

另一方面，這和我之前的經(jīng)歷也直接相關(guān)。

在達(dá)摩院時，我曾從 0 到 1 創(chuàng)建了一個名為 " 綠色能源 AI" 的賽道，當(dāng)時國家力推 " 雙碳 " 目標(biāo)，新能源的引入給電網(wǎng)帶來了巨大的穩(wěn)定性挑戰(zhàn)。

我們當(dāng)時就利用人工智能技術(shù)，去做負(fù)荷預(yù)測、新能源發(fā)電預(yù)測、電力調(diào)度優(yōu)化等工作，這些技術(shù)得到了電網(wǎng)的高度認(rèn)可，他們也愿意為此付費(fèi)。

這段經(jīng)歷讓我知道，電力行業(yè)不僅有真實且復(fù)雜的 AI 應(yīng)用場景，更有為之買單的意愿和能力。這對于一家初創(chuàng)公司來說，是再理想不過的客戶了。

未來式智能業(yè)務(wù)矩陣

03 AI 如何解題？將手工坊變成流水線

鉛筆道：你曾多次提到一個非常生動的比喻：智能體之于知識工作，就像流水線之于工業(yè)生產(chǎn)。能否為我們深入解讀一下這個理念？

楊勁松：這個類比是我們思考的核心。

回顧工業(yè)革命，電力的發(fā)明并沒有立刻帶來生產(chǎn)力的巨大飛躍。真正的變革發(fā)生在幾十年后，當(dāng)工廠主們不再是簡單地用電動機(jī)替換蒸汽機(jī)，而是圍繞電力的特性重新設(shè)計了整個工廠的布局和生產(chǎn)流程，最終誕生了福特的 T 型車流水線，效率才實現(xiàn)了指數(shù)級的提升。

我們認(rèn)為，大模型和智能體也是同樣的邏輯。

它們是底層的、革命性的新 " 電力 "，但要釋放其全部潛能，就必須與現(xiàn)有的工作流進(jìn)行深度整合，甚至重新設(shè)計這些流程。我們正在做的，就是為知識工作者打造這條新時代的流水線。

鉛筆道：聽起來，這不僅僅是工具的更替，更是工作范式的革命。能否通過一些具體的案例，讓我們更直觀地感受這條 " 流水線 " 是如何運(yùn)作的？

楊勁松：當(dāng)然。我們有一個客戶是一家港股上市公司，它的核心業(yè)務(wù)之一是在 APP 上售賣體育賽事的競猜分析方案——告訴你這場球該怎么買。

鉛筆道：這聽起來像是依賴于少數(shù)資深專家的 " 手藝活 "。

楊勁松：完全正確。在過去，這完全是 " 手工坊 " 模式，依賴雇傭的行業(yè)專家，或者說 " 老彩迷 " 們一篇篇寫出來。

這種供給方式有兩個天然的瓶頸：第一，產(chǎn)能有限，專家的數(shù)量和時間是固定的；第二，不穩(wěn)定，專家可能自己去看球了，內(nèi)容就斷供了。他們的商品就是方案，但商品供給卻非常受限。

鉛筆道：那么，這條 " 流水線 " 是如何改造這個 " 手工作坊 " 的？

楊勁松：我們首先解構(gòu)了專家們的工作流程。一個專家寫稿，通常分幾步：先去 ESPN 這類海外體育資訊網(wǎng)站，把最新的新聞報道找來；然后用機(jī)器翻譯一下，從中提取關(guān)鍵信息，比如哪位球星傷停了，有什么動態(tài)；接著基于這些信息起幾個吸引人的標(biāo)題。

最后，按照幾種固定的寫作套路或模板，把內(nèi)容填充進(jìn)去，審核后發(fā)布。這是一個典型的、可以被標(biāo)準(zhǔn)化的知識工作流程。

鉛筆道：智能體是如何介入并重塑這個流程的？

楊勁松：我們設(shè)計了一個人機(jī)協(xié)作的新流程。

現(xiàn)在，只需要輸入一個賽事列表，比如下周的德甲賽程。Agent 會自動去各大網(wǎng)站抓取相關(guān)資訊，然后像流水線上的工位一樣，自動完成翻譯、自動給文章打上標(biāo)簽并存入數(shù)據(jù)庫。

緊接著，它會生成 10 個候選標(biāo)題，這時，一位人類審核老師介入，從 10 個標(biāo)題里挑出最好的一個。

標(biāo)題一經(jīng)確認(rèn)，Agent 會立刻按照模板生成 10 版不同的內(nèi)容，人類老師再從中選擇一版，或者稍作修改，點擊確認(rèn)。

一經(jīng)通過，這篇文章就直接推送到 APP 前端，變成一個可以售賣的商品了。

鉛筆道：我們也是內(nèi)容工作者，聽起來還挺有用。

楊勁松：是的。整個過程從過去需要半天甚至更久，縮短到了分鐘級別。

更重要的是，

我們可以給 Agent 設(shè)定不同的人設(shè)，比如一個觀點保守的專家，一個特定球隊的鐵桿粉絲，讓它批量地、不知疲倦地生產(chǎn)各種風(fēng)格的內(nèi)容。成本大幅降低的同時，更讓內(nèi)容供給從 " 有限 " 變成 " 無限 "，客戶的商品豐富度和營收都實現(xiàn)了顯著增長。

鉛筆道：這個案例非常生動。除了內(nèi)容創(chuàng)作，在一些更嚴(yán)謹(jǐn)、更專業(yè)的領(lǐng)域，比如審計，智能體也能扮演同樣的角色嗎？

楊勁松：能，甚至能發(fā)揮更大的價值。

我們和上市公司 " 青矩技術(shù) " 成立了合資公司，專門針對工程管理審計領(lǐng)域。

傳統(tǒng)的工程審計，比如審核鳥巢的建造成本，需要一個審計團(tuán)隊派駐現(xiàn)場好幾個月。他們面對的是堆積如山的文件，從招標(biāo)書、設(shè)計圖紙到施工記錄，只能通過人工 " 抽檢 " 的方式比對數(shù)據(jù)，尋找里面的偏差和問題。

這個過程不僅耗時耗力，而且人的精力是有限的，難免會有疏漏。

鉛筆道：那么，新的審計 " 流水線 " 是怎樣的？

楊勁松：現(xiàn)在，客戶只需要將一個項目所有的原始文件掃描后，打包上傳到我們的工作臺。

工作臺背后，是由幾十個甚至上百個不同分工的智能體組成的 " 數(shù)字審計團(tuán)隊 "。它們首先會自動識別和分類所有文件，哪些是招標(biāo)文件，哪些是設(shè)計文檔。

然后，從每個文件中提取出核心的待審計字段，這些 Agent 自動調(diào)用代碼、計算器、行業(yè)軟件等各種工具，開始自動進(jìn)行比對和審查。

鉛筆道：這意味著，過去的人工抽檢，變成了 AI 的全量檢查。

楊勁松：正是如此。

工作一段時間后，Agent 會直接生成一份 " 審計線索 " 清單，告訴你：" 我發(fā)現(xiàn)了 50 個潛在問題。" 這時，人類審計專家才介入，帶著這份清單去和客戶現(xiàn)場確認(rèn)，看這些問題是否屬實，如何整改。

所有問題處理完畢后，系統(tǒng)會自動生成審計底稿，并最終匯總成一份完整的審計報告。

一個原本需要 6 個人做一個月才能完成的百萬級項目，現(xiàn)在只需要 2 個人做一周，效率指數(shù)級提升。

更重要的是，AI 的全檢模式，覆蓋率遠(yuǎn)超人工抽檢，并且每一個結(jié)論都有清晰的數(shù)據(jù)溯源和推理過程，大大增強(qiáng)了結(jié)果的可信度。

04 怎么賺錢？按效果付費(fèi)

鉛筆道：這是否意味著你們的模式是為每個行業(yè)定制解決方案？未來，你們是想成為一家頂級的 "AI 解決方案公司 " 嗎？

楊勁松：這只是第一步。我們的終極目標(biāo)，是構(gòu)建一個平臺、一個生態(tài)。

我們發(fā)現(xiàn)，將一個人類任務(wù)轉(zhuǎn)化為一個高效的 Agent，是一個非常復(fù)雜且專業(yè)的工程。我們可以深入一兩個行業(yè)，把它做得很透，比如電力和審計。但世界上有成千上萬個行業(yè)，有無數(shù)擁有寶貴經(jīng)驗的專家。我們不可能靠自己的團(tuán)隊去服務(wù)所有行業(yè)，因此，我們的核心方向不是 " 做更多解決方案 "，而是 " 讓更多人能做解決方案 " —— 打造一個降低智能體構(gòu)建門檻的平臺。

鉛筆道：所以，你們的思路是，從 " 授人以魚 " 轉(zhuǎn)向 " 授人以漁 "？

楊勁松：非常準(zhǔn)確。

我們正全力打造一個名為 " 靈搭 " 的智能體平臺，它的核心目標(biāo)，就是把構(gòu)建智能體的過程變得極其簡單。

我們希望，未來任何一個行業(yè)的專家，哪怕沒有編程基礎(chǔ)，都可以通過我們的平臺，輕松地將自己的知識、經(jīng)驗和工作方法，" 復(fù)刻 " 成一個智能體，一個屬于他自己的 " 數(shù)字員工 "。

鉛筆道：這聽起來像是一個為個人專家賦能的 "App Store"。

楊勁松：這正是我們的設(shè)想。

想象一下，這個平臺會形成一個雙邊市場。一端是企業(yè)客戶，當(dāng)他們有需求時，比如需要審核一份法律合同，或者進(jìn)行一次稅務(wù)申報，他們不再需要去尋找一個律師或會計師，而是可以直接來我們的平臺，雇傭一個由頂尖專家能力復(fù)刻而來的 " 法律 Agent" 或 " 財稅 Agent"。

鉛筆道：那么另一端，就是這些能力的提供者？

楊勁松：是的。另一端是無數(shù)的行業(yè)專家。

一個頂尖的公司法律師，受限于自己的時間和肉體，可能一年只能服務(wù)幾十個客戶。但通過我們的平臺，他可以把自己的辦案邏輯和專業(yè)知識變成一個數(shù)字員工，這個數(shù)字員工可以同時為成千上萬的客戶提供服務(wù)。

他本人或許只需要在最后對結(jié)果進(jìn)行審核認(rèn)證，就能將自己的專業(yè)能力大規(guī)模變現(xiàn)，突破個人生產(chǎn)力的天花板。

我們想做的，就是幫助每一個專家，把他們的技能變成一個可以自動賺錢的 " 數(shù)字專家 "。

鉛筆道：這個愿景非常宏大，但怎么賺錢是個問題。中國傳統(tǒng)的企業(yè)軟件市場，付費(fèi)意愿不高，利潤微薄。你們?nèi)绾伪苊庀萑?" 賣軟件 " 的困境，讓這種高價值的服務(wù)獲得應(yīng)有的回報？

楊勁松：這也是我們一直在思考的核心問題。我們必須 " 跳過傳統(tǒng)軟件的商業(yè)邏輯 "，轉(zhuǎn)向一種更本質(zhì)的模式：按結(jié)果和效果付費(fèi)—— 這是建立信任、實現(xiàn)價值閉環(huán)的關(guān)鍵，也是我們商業(yè)邏輯的核心創(chuàng)新。

我們不想賣給客戶一個軟件許可證，而是想賣給他一個確定的結(jié)果。比如，在審計的案例中，我們可以按你處理的文件數(shù)量收費(fèi)，或者按生成一份有效的審計報告來收費(fèi)。

鉛筆道：這更難了，因為你們要對交付的結(jié)果負(fù)責(zé)。

楊勁松：的確如此，但這恰恰是建立信任和實現(xiàn)價值閉環(huán)的關(guān)鍵。

傳統(tǒng)的軟件行業(yè)之所以陷入怪圈，是因為甲乙雙方的利益不一致。甲方壓價，乙方就用外包或粗制濫造來控制成本，最終導(dǎo)致企業(yè)用著大量不好用的軟件。

我們希望在智能體時代改變這一點。通過按結(jié)果付費(fèi)，我們的利益和客戶的利益就完全綁定了。只有我們提供的 Agent 真正為客戶創(chuàng)造了價值，我們才能獲得收入。這種模式才能支撐我們持續(xù)投入研發(fā)，形成一個 " 價值創(chuàng)造 - 收入增長 - 技術(shù)迭代 " 的良性商業(yè)循環(huán)。

未來式智能——新一代企業(yè)級 Agent 平臺 " 靈搭 "

05 清醒看待差距，積極擁抱未來

鉛筆道：你如何看待當(dāng)前國內(nèi)大模型與世界頂尖水平，尤其是與海外的差距？

楊勁松：我認(rèn)為我們既有優(yōu)勢，也有非常嚴(yán)峻的挑戰(zhàn)。

優(yōu)勢在于，中國有極其豐富的應(yīng)用場景和海量的數(shù)據(jù)，這是模型迭代的沃土。同時，放眼全球，頂尖的 AI 研究者中，華人占比非常高，我們在底層算法和理論創(chuàng)新上并不落后。

但我們最大的劣勢，也是短期內(nèi)影響最大的，就是 " 算力封鎖 "。

鉛筆道：這個影響有多大？

楊勁松：影響是決定性的。像馬斯克的 xAI，現(xiàn)在已經(jīng)在使用 20 萬張級別的 GPU 集群進(jìn)行訓(xùn)練。

而在國內(nèi)，能穩(wěn)定運(yùn)行的幾萬卡集群都屈指可數(shù)。當(dāng)你的算力是別人的十分之一或者百分之一時，意味著別人訓(xùn)練一天，你需要一百天。

在技術(shù)飛速迭代的今天，這種差距只能通過算法或數(shù)據(jù)上的幾倍的努力來彌補(bǔ)的。這需要我們有更清醒的認(rèn)知和更大力度的投入。

鉛筆道：回頭看這兩年的創(chuàng)業(yè)歷程，有哪些遺憾的事情？

楊勁松：這是個很好的問題。如果說有什么遺憾的話，那就是我們可能 " 過于的現(xiàn)實或者腳踏實地 " 了。

現(xiàn)在市場上一些熱門的產(chǎn)品方向，其實早期都出現(xiàn)在我們的內(nèi)部 Demo 或 POC 中。但當(dāng)時我們覺得 " 要等產(chǎn)品更完美再推出 "，就沒有果斷推向市場。

現(xiàn)在回想，或許應(yīng)該學(xué)習(xí)馬斯克那種 " 邊開飛機(jī)邊加油 " 的精神，憑借我們已驗證的技術(shù)實力和商業(yè)邏輯，即使產(chǎn)品有迭代空間，也可以更積極地推向市場，在真實反饋中快速優(yōu)化 —— 這既能讓行業(yè)更早感知智能體的價值，也能更快爭取資源加速成長。

做 ToB 業(yè)務(wù)的人容易不自覺地把自己深深地 " 埋在土里打磨產(chǎn)品 "， 但未來我們會在保持產(chǎn)品精度的同時，更主動地發(fā)聲 —— 讓更多人知道，智能體不是 " 錦上添花的工具 "，而是 " 能重構(gòu)工作流、創(chuàng)造核心價值的生產(chǎn)力革命 "。

鉛筆道：站在當(dāng)前這個節(jié)點，展望未來，你認(rèn)為在技術(shù)層面，最讓你興奮、也是你們正在全力攻克的關(guān)鍵問題是什么？

楊勁松：有兩個方向至關(guān)重要。

第一個是 Agent 的 " 記憶 "。就像一個跟了你很久的助理，他了解你的所有背景、偏好和工作習(xí)慣，因此他提供的幫助總是精準(zhǔn)而貼心。

我們正在努力讓 Agent 擁有長期、動態(tài)的記憶能力，讓它對你的上下文有深刻的理解。擁有記憶的 Agent，它的好用程度將實現(xiàn)一次質(zhì)的飛躍，從 " 工具 " 變成 " 真正的數(shù)字伙伴 "。

第二個是基于 " 強(qiáng)化學(xué)習(xí)的后訓(xùn)練 "。我們判斷，未來在許多垂直領(lǐng)域，都會出現(xiàn)一個 " 最強(qiáng) Agent"。

它最初可能只是復(fù)刻了某一個專家的能力，但通過在一個設(shè)定好的獎勵機(jī)制下，不斷地從真實世界的反饋中學(xué)習(xí)和優(yōu)化，它會持續(xù)進(jìn)化，最終超越任何人類專家。

來源：鉛筆道