文｜周鑫雨 富充

編輯｜蘇建勛

2025年9月11日開幕的Inclusion外灘大會，為當下的AI創業者、學者和投資人，攢了一個“真心話”局。

商業化，無疑是當下創業者，最為關心的話題。

曾表示“我信仰能馬上商業化”的金沙江創投主管合伙人朱嘯虎，在大會上給創業者們的建議是：要追求商業化，就不要用最新的技術，“用一些看上去不那么起眼，但更穩定的技術”。

△金沙江創投主管合伙人朱嘯虎，圖片：外灘大會提供

以及，如果AI應用只能看一個指標，他不看漂亮的ARR（年度經常性收入），只看用戶留存。

至于如何確定AI創業方向，業界常談的方法論是：不要站在模型能力迭代的延長線上，否則應用容易被模型“吃”掉。

如今，哪些應用會被吃掉，朱嘯虎已經有了明確的答案：不投無代碼、低代碼的AI應用；未來Figma等協作類工具，需求會變小。

對于AI創業者而言，如今大家能迅速形成共識的，是在組織管理上：AI公司，要建立扁平、高效的“小組織”。

△宇樹科技創始人兼CEO王興興，圖片：外灘大會提供

開幕式圓桌上，宇樹科技創始人兼CEO王興興坦言，擴充團隊反而會降低效率；

前OpenAI研究員、清華大學交叉信息研究院助理教授吳翼也表達了類似的觀點：如果一個組織需要300個人，有沒有可能是因為智能密度不夠高。

△清華大學交叉信息研究院助理教授吳翼，圖片：外灘大會提供

在不少創業者的眼中，DeepSeek V3/R1、千問Qwen等高性能模型的接連開源，是引起今年AI應用爆發的導火索。

在開幕式上，阿里云創始人、之江實驗室主任王堅則站在AI應用上游的視角，為基座模型廠商提出了建議。

什么是更有價值的開源？在王堅看來，在模型訓練依然成本高昂的當下，開源代碼不是關鍵，更重要的是開源模型訓練的資源（數據和計算資源）。

△阿里云創始人、之江實驗室主任王堅，圖片：外灘大會提供

以下是《智能涌現》對朱嘯虎、王興興、吳翼、王堅在2025年Inclusion外灘大會上主要觀點的整理：

朱嘯虎：如果追求商業化，就不要追求最前沿的技術

只要Transformer架構解決不了幻覺問題，只要存在1%的幻覺，那么復雜的流程類的管理軟件就不可能被AI取代掉。

簡單來說，低代碼、無代碼的軟件，肯定會被AI替代掉，這個現象現在已經大批量地出現了。很多低代碼公司，三四年以前在泡沫期融資很多、估值很高，現在基本沒了。

但是，解決復雜流程的、有非常強邏輯的問題，靠Transformer架構下的AI肯定是不現實的。

AI時代超級入口的產生是必然的?，F在已經比較清晰的形態是Voice。蘋果的Siri做得太差，它的AI能力太差了。但是安卓的AI能力或者谷歌的AI能力，讓我們通過語音輸入，就能直接拿到反饋結果。

未來不僅是語音，而是會加上攝像頭，結合多模態一起做輸入。

比如，我覺得我拍的花挺好看，和手機說幫我買一個，然后直接就下單了。這是未來很明顯的趨勢。

但Agent還是有機會的。我們一直說，在美國移動互聯網這一波，最終出來的創業公司，有一半是線下的苦活累活，比如優步和Airbnb，這是大廠不愿意干的。

這種機會我覺得在AI時代同樣是會有的：和現實世界結合的場景，還是需要Agent。

它能幫你在現實生活去落地、去交付結果。我覺得AI公司，還有一些軟件公司，他們是不愿意干那個活的。我覺得創業公司可能還會有那么一些機會。

現在已經很明顯，低代碼、無代碼那些軟件肯定完全被大模型替代掉了；很多編輯類、協作類軟件的需求量會降低很多。

比如以前做圖形編輯的，我們投過像Figma一樣需要幾百個人共同協作來編輯一個項目的軟件。

現在AI可以大幅降低對人的需求，從幾百人的協同變成10個人的協同，那對協同軟件的要求就會大幅降低。

這對市場本身也會有很大的影響。所以Figma上市時被炒這么高，我們一直看不懂，最近也回落下來了。

軟件不是說被AI替代了，而是它需求降低了，用戶數減少了。用戶數減少10%的影響是很巨大的。

所以我們現在肯定想避開的是協同類軟件。協同類軟件未來市場還會在，但是小很多。

判斷一個AI產品，我們一直只看一個指標，就是留存。從PC互聯網，到移動互聯網，到AI，是同樣的，就一個留存指標。

為什么今年大家嘲笑很多AI應用公司，就是因為它沒有留存。

你要把一個用戶再召回來，根據我們在移動互聯網時代的經驗，可能要花10倍以上的成本，幾乎是沒有可能的。所以你的留存到底好不好，才能證明公司有沒有后續的發展潛力。

我看最近一些很火的公司，在后續融資的，都是說ARR（年度經常性收入），某一天數據×365天，“留存”不敢說一個字。

前幾天我們還在內部討論未來投資的方向。我們發現真正適合商業化的，都是Boring Technology，就是不那么性感的，看上去比較無聊的技術。

比如說像去年，全世界做得最好的AI商業化，就是transcript，各種各樣的會議紀要，垂直的、通用的都有。

我覺得去年最好的案例就是Plaud，現在已經 10 億美金估值了，而且今年中國所有的公司幾乎都在跟進這個方向。

但你說這個技術有什么那個特別難的地方嗎？毫無技術難點。但這東西就特別容易商業化。

今年我們感覺Voice Agent已經差不多達到這樣一個地步了，它可以大規模商業化了，有做客服中心的，有做oncall銷售的，也有做玩具的。

所以我覺得相對來說，你要追求商業化，就不要用最新的技術，不要用最潮流的技術，用一些看上去不是那么起眼，相對來說比較穩定的。

王興興：好模型可以提升數據利用率

對于AI干活這件事來說，整個領域都還是荒漠階段。

盡管現在的語言模型在文字、圖像領域已經做得非常好，甚至比99.99%的人都要做得好，但（AI真干活）大規模、爆發性增長的前夜還沒有到來。現在就是荒漠上可能長了幾根小草。

AI時代是一個非常公平的時代。即使你現在還是一位學生，只要聰明且愿意做事，還是可以達到自己的目標，在荒漠上長出一些參天大樹出來。

關于如何突破具身智能的數據瓶頸，之前有人誤解我的發言，以為我否定數據的重要性。實際上我想說的是數據和模型都非常重要，但如果模型效果好，就可以提升數據的利用率。

因為，當前數據方面的噪聲非常大。應該怎么采集真正優質的數據？數據的質量的標準是什么？或者當下應該多采集什么類型的數據，采集多大的規模，都還是相對比較模糊的階段。

所以如果模型本身對數據理解能力更強，那數據少一點效果會更好。

其次，從模型的角度，我們也可以有重點地采集數據。比如，對語言模型來說，大家發現很多情況下需要有一些特征性的數據，而不是單純量大。所以對于機器人領域，也可以從模型的角度評價，到底如何采、哪些動作或者場景是比較有質量的。

另外，目前的模型對多模態的融合做得不太理想。

比如，現在如果生成一個讓機器人做一個家務的視頻，效果還是不錯的，但生成的效果和機器人的控制模態要對齊得非常好，當下就非常有挑戰。

簡單來說，要讓機器人的運動與視頻、語言模型更好地對齊，還需要把模型結構做得更好點。

目前的硬件其實是足夠用的，最大的問題是模型本身的能力還不夠，沒辦法把現在的硬件用起來，比如想控制靈巧手還是非常非常難的一件事情。

AI時代，小的團隊可以爆發的能力越來越強大。尤其是在純AI領域，如果團隊有非常頂尖、非常有創新力的幾個人才，就可以做非常多的事情。

畢竟，無論是對于人員擴增比較多的公司來說，還是對于一家本身就很大的公司來說，組織和管理是非常大的一個挑戰。

對于AI相關的未來建議是，大家可以把過去很多已經發生的事情，能忘的盡量忘了。重新學習當下、甚至是半年內最新的東西，我覺得這可以帶來更多的新的靈感。

過去經驗的依賴對未來的決策不是好事。因為過去有經驗的人可能比你還多，反而把握當下已經發生的事情做一些新的決策，更可能做出新的創造。

吳翼：AI時代噪聲比較多，可以先閉上眼睛

我和吳承霖（DeepWisdom創始人兼CEO）正好是兩個風格。他說天天在Archive上看論文，我不看Archive。

因為我覺得AI時代噪音比較多，現在很重要的事情就是減少噪音。

有的時候要堅持對的事情，比如說在我看來，如果能把強化學習做對的話，就不太需要這么多的模塊。或者說如果可以用強化學習的方式訓練智能體，也許它的模塊會簡單非常多，因為能力是可以涌現出來的。

我會覺得現在很多看法不一定是代表著未來的方向，所以要有一些堅持，閉上眼睛也可以。前一段時間Manus也說了，有時候你產品拿出來別人不喜歡，先閉上眼睛。

我最近做了一個具身智能大腦，讓機器人去跟人一塊踢足球，其實還蠻好玩的。

我有一個具身智能體的概念。我們講Agent是智能體，我想說可能在物理世界里有一個概念叫Embodied Agents，就是具身智能體。

假設我們所有的VLA的問題或者硬件的問題都解決了之后，那下一步是什么？是不是你對智能體說“你幫我辦一個事”，然后這個智能體跑了一天幫你把這事做完。

所以我覺得最后有一天智能體的概念也會落到現實世界中，成為具身智能體。

如果把它稍微分層一下來看，具身智能里的很多的模型和技能可以看成Function Call 或者Tool。

然后當這個更抽象的智能體有了身體，就會成為一天去24小時實現任務的具身智能體，這是我的愿景。

說實話我是有點懷念2019年到2020年在OpenAI工作的時代。當時OpenAI是一個特別小的組織，才幾十個人。

我記得有次跟我一個師兄聊天，我說我特別希望組織還是小幾十個人。他說你有沒有想過如果你有300個人或者3000個人，你能做的事情比30個人一定多。我覺得這句話在互聯網時代是完全正確的。

但我現在有一個疑問：在AI時代這句話是不是還是真的？

是不是有可能有一種激進的模式？30個人就可以把事情做好。

在虛擬世界或者在Agent信息化的世界里，如果你需要300個人，有沒有可能是因為它的Agent密度或者智能密度不夠高？

所以有沒有存在一種新的組織真的只需要30個人，可以做十年前需要三五百個人或者一千人的事情，這在AI時代有可能是真的。

所以這是我非常激進的觀點，也是我想在我的團隊里去踐行的一個方式，試試看。

我同意興興說的，首先你要忘掉過去，但是不要忘掉歷史。因為人類的歷史一直在重復，所以知道一點過去踩過坑的是好事。

王堅：不要只開源代碼；OpenAI已經承認錯誤了

“開源”這個詞其實大家有不同的理解，我們今天正在經歷一個從代碼的開放、開源，到資源的開放、開源的革命性變化。

其實最近一年發生了很多事情，如果站在人工智能的角度，2025年注定是非常不平凡的一年。

2025年1月13日，美國公布了對人工智能的出口管制。這個管制令有一個非常有意思的事情，也可以講是一個漏洞。它只是明確地提出了對“閉源”權重的出口管制，而專門強調了“開源”的權重不在管制之列。

當時，世界上最好的基礎模型都是在美國頭部的那幾家公司。

可是就在1月31日，隨著千問Qwen的開源，DeepSeek的開源，在1月30日Sam Altman說過一句讓所有人都很震撼的話：在開源這個時刻，OpenAI站在了歷史的錯誤一邊。

我想這句話背后的含義我就不多說了，他不是一個策略性的錯誤，這是一個歷史的選擇。

可能很少人知道，其實是在1998年，“開源”（Open Source）這個詞，指的就是Open Source Code，開放源代碼。

在當時，“資源”的概念還是沒有那么深入人心，因為數據量不足夠大，模型不足夠復雜，算力也沒有想象那么大。

AlexNet（Geoffrey Hinton發表的圖像識別技術）發表的時候只用了2塊普通打游戲的GPU卡，遠不是今天想象的規模。

但這一切在2017年發生了很大的變化。

那時候，幾位作者提出了“Transformer”，提出了“Tokenization”，就是今天講的Token。Tokenization是非常關鍵的技術，使得數據真正資源化，這是里程碑的事情。

因為這兩個東西的出現，2017年后的數據、模型、算力乘上了一個更大的變量，叫“規模”，也就是說所有東西的規模，都是千倍萬倍地增加。

當規模到這個程度的時候，資源就變成了非常重要的事情。大家試想一下，到今天模型權重的開放本質上是數據資源和計算資源的開放，有了模型開放以后，你再也不需要自己花掉那么多計算資源重新做有人替你做掉的事情。

我想說，開放并不意味著大規模計算不重要了，而是作為個體不需要再重新發揮這么多資源，因為有人幫你付掉了這筆錢。

倒過來講，要做一個更好的模型，可能需要有其他人以更多的資源投入來完成這件事情。

到了今天這個時候，只是開放源代碼，其實不解決過去在軟件時代解決的問題，而開放資源（特別是數據和計算資源），是讓我們推動行業往前走的不能缺失的環節。

這就是今天人工智能時代說“開源”非常重要的特點，我更愿意把開源叫“Open Resource”。

大家知道Open Source和Open Resource翻譯成中文，都可以有同樣的表述，叫“開源”。

！