2025年初，DeepSeek和Manus的爆火，拉開了AI市場的序幕。在模型能力有代際提升時，毫無疑問，今年AI應用會再次迎來爆發，而AI原生應用的概念、落地路徑，也會經歷一場刷新。
在AI Partner大會現場，包括趣丸科技聯合創始人龍玲，微軟首席產品設計師劉妍、硅基智能聯合創始人兼高級副總裁陳莉萍、慧策解決方案首席專家高級副總裁李森，共同參與了名為《2025年，AI應用的超越之年》的圓桌討論。
圖源：36氪
以下為圓桌實錄，經36氪整理編輯：
鄧詠儀：大家好，歡迎來到今天的AI Partner大會，我是36氪主持人鄧詠儀，非常高興今天邀請到不同角色和不同行業的嘉賓來到這一場圓桌。
2025年，中國AI市場最驚喜的，一定有年初兩個開門紅，一個是DeepSeek，一個是Mamus，具身智能也有一些突破。
這些創新，都指向了AI應用會在今年有非常深刻的變化。無論是DeepSeek在模型上有突破，還是Munas這種爆款的現象級應用，其實都離大家的生活更近了，應用落地上也更深了，進展都是突破性的。這也是為什麼今天想和各位嘉賓討論「AI應用的超越之年」。
第一個問題，希望先請各位嘉賓簡單介紹一下自己以及所在的公司，我們也設置了一個小環節，希望大家分享一個跟自己有關的AI時刻，可以說說過去一年，AI應用有什麼比較值得提及的創新？或者被AI驚艷到的瞬間。
趣丸科技聯合創始人龍玲 圖源：36氪
龍玲：大家好，謝謝36氪的邀請，我是趣丸科技龍玲。我們公司是2014年成立的，深耕在移動互聯網興趣社交垂類賽道，運營一款產品叫TT語音。
伴隨AI時代浪潮，我們也圍繞AI語音做了一些技術突破和產品探索。前段時間，我們首款搭載自研模型「MaskGCT」的AI語音創作平台「趣丸千音」，也正式對外邀測。這個產品的定位是專註提供一站式智能語音解決方案，集成文本轉語音、視頻翻譯、多語種合成等功能，致力於實現全球內容全球化。
近一年來AI發展速度太快了，讓我觸動比較深的，不是某項技術參數的突破，而是我感受到AI真的重構了一些傳統行業的生產鏈。比如具體到短劇出海場景，某頭部平台在使用了我們產品后，譯制劇的生產周期從30天縮短至3天，效率提升了10倍，成本下降了90%，致使我們也成為行業內首個可以實現工業化量產的產品。這種用戶給到的反饋，是我感到比較驚訝的。
劉妍：大家好我叫劉妍，我平時坐標在美國硅谷，昨天剛剛回來，很開心可以回家。感謝36氪的邀請。
我現在在美國硅谷，在微軟擔任首席產品設計師，主要負責的是Copilot，以及一系列其他AI智能應用產品。
Copilot應該大家都有聽說過了，就先不多說。對我來說，今年很喜歡的一個應用是Notion AI，因為我自己是很喜歡記筆記的人，喜歡做知識管理，我覺得在知識協作和管理上，AI是給了很大助力。Notion有很多幫你一鍵整理的知識庫、提示和幫你完成任務，這是我今年蠻驚訝、使用頻率比較高的產品。
陳莉萍：大家好，我是硅基智能的陳莉萍，感謝36氪的邀請。硅基智能是AI技術研發以及AI應用創新的公司，成立8年了。
今年，AI給我最大的觸動，就是DeepSeek R1發佈的時刻，帶來的衝擊，相信在座各位也都感受到了，不亞於3年前ChatGPT發佈的那一刻。大家對於人工智能都有了重新的認識。
在我看來，其實AI的進展有三點對我衝擊比較大，第一是低成本、高效率AI模型的生產模式誕生了。
第二，我們看R1的時候，會發現以前文本大模型給你的答案，是看似正確的答案，其實DeepSeek把Why推理的過程展示出來了，也讓我們看到未來AI推理的原生性，以及自我的思考能力的產生。
第三，為什麼我們一直在討論DeepSeek？其實它是一個開源打敗閉源的過程，DeepSeek在發佈的第一天，就成為了開源社區的星級評分的項目。在DeepSeek開源之後，硅基智能也把底座數字人大模型以及實時交互的系統全都開源了，一個月內在GitHub衝破了萬級的stars。
現在我們發佈的HeyGem數字人模型已經成為數字人領域DeepSeek，我們也希望通過這種底層大模型的開源讓這個生態更加繁榮，未來的應用能夠基於這些底層大模型和技術提供讓大家繼續往前發展。
陳莉萍：大家好，我是硅基智能的陳莉萍，感謝36氪的邀請。硅基智能是AI技術研發以及AI應用創新的公司，成立8年了。
今年，AI給我最大的觸動，就是DeepSeek R1發佈的時刻，帶來的衝擊，相信在座各位也都感受到了，不亞於3年前ChatGPT發佈的那一刻。大家對於人工智能都有了重新的認識。
在我看來，其實AI的進展有三點對我衝擊比較大，第一是低成本、高效率AI模型的生產模式誕生了。
第二，我們看R1的時候，會發現以前文本大模型給你的答案，是看似正確的答案，其實DeepSeek把Why推理的過程展示出來了，也讓我們看到未來AI推理的原生性，以及自我的思考能力的產生。
第三，為什麼我們一直在討論DeepSeek？其實它是一個開源打敗閉源的過程，DeepSeek在發佈的第一天，就成為了開源社區的星級評分的項目。在DeepSeek開源之後，硅基智能也把底座數字人大模型以及實時交互的系統全都開源了，一個月內在GitHub衝破了萬級的stars。
現在我們發佈的HeyGem數字人模型已經成為數字人領域DeepSeek，我們也希望通過這種底層大模型的開源讓這個生態更加繁榮，未來的應用能夠基於這些底層大模型和技術提供讓大家繼續往前發展。
李森：很榮幸和大家一起同台討論，我是來自慧策旺店通的李森，慧策旺店通是一家SaaS型的電商ERP服務商，每天在平台上所處理的電商訂單超過一億單。也就是說，國內大概1/3左右的電商訂單，都通過我們平台做履約的。
我就講一講電商場景下，我們的客戶怎麼花式用大模型，來做一些我認為很秀的操作。
第一，分享一個做跨境電商的客戶，是一些90后小夥子，做跨境電商思路和其他人不一樣。美國和加拿大經常下雪，他用AI工具抓各地天氣預報的數據做參考，像上次猶他州下大雪，瞬間把雪鏟、雪具、手套的價格提高了30%，銷量增了300%，他用AI工具賺到錢了，主打這個信息差。
第二，我們有很多國內做直播的客戶，借鑒多模態大模型能力，通過分析直播間主播的畫面、主播的語調以及彈幕裡面消費者的情緒和下單量，來優化直播間話術，這都是我親眼所看到的。
甚至還有一些做供應鏈的客戶，對於AI的應用驚艷到什麼程度？他說我能用攝像頭拍倉庫裡面商品包裝的褶皺程度，來判斷這個貨在倉庫裡面的周轉率。現在有各種各樣我們想不到的方式，通過大模型處理各行各業的業務，這是讓我很開眼界，也很驚訝到我的。
鄧詠儀：這些場景都是用DeepSeek，還是說有其他的模型一起在用？
李森：有之前的OCR（光學字符識別）模型，DeepSeek開源之後，也有一些基礎性的電商公司就接入去做分析，還有一些基於MCP的模型，做類似Agent上下文的相對複雜任務，我們都有見過。
如何理解「AI+應用」和「AI原生」？
鄧詠儀：今天主題是「AI應用的超越之年」，模型有代際更新的時候，我們也要以全新的目光看AI原生應用。所以第一個問題，是希望請各位嘉賓分享一下對這個概念的理解。原來我們講的是「AI+應用」會比較多，但是到了大模型之後，其實大家會講「AI原生」這個概念，各位嘉賓因為來自不同的行業，肯定有不一樣的理解，想請大家從自己的角度出發聊聊。
李森：我簡單說說我的體會，我覺得在去年來講更多是AI+應用，像我單點有一個外掛。再舉個例子，天冷穿了個馬甲。原生應用，以我們電商ERP業務出發，從底層AI核心深入，如向量數據庫、流式管道數據，從原生層面融入一些垂直領域的一些算法、策略和規則。相比起穿馬甲這個事，像我鍛煉身體，提高抵抗力和提高抗寒能力，這是本質的差異性。
陳莉萍：因為我們本身也做技術底層，所以對「AI原生應用」的理解，一方面，AI本身是沒有辦法長出應用的，一定是需要結合產業的，所有的AI+應用其實是在產業基礎上發展出來的。
產業基礎上會長出什麼呢？就像剛才說的，「AI+」是一種方式，我們也認為，「AI+」的方式更像是一種AI的輔助，原來的底層系統架構在不變的情況下，做了一些應用邏輯的加強，通過AI輔助的方式，在一些應用層面做疊加，讓大家使用更加便捷，效率提升，降本增效。
AI原生則是從底層架構，從產業需求端出發的，從底層架構層面就做了重構。可能需求是AI提煉的，在數據架構的層面，需求端抓取以及數據端分析，都用了AI的技術來重構底層。所以從設計開始就從AI出發，更面向未來。
人們的使用習慣是被培養出來的，因為之前沒有AI，所以大部分人接受了很多能接觸到的應用形態。有的時候，交互不方便，要輸入100個文字才能得到我想要的答案。現在因為有了AI之後，可能幾個簡單的提示就能夠得到答案，這都是AI給我們帶來體驗層面上的提升。
所以，未來AI原生是一個方向，更容易給我們更好的用戶體驗，大家也會越來越習慣這樣的體驗。
剛剛說到AI輔助，在AI原生基礎上，未來會疊加出更多不同的用戶和應用之間的交互方式，我認為這也是AI原生帶來不一樣的，在交互界面、商業模式上的顛覆方向。
鄧詠儀：陳總的意思是，從產品定位到設計、具體應用環節，都會產生非常大的影響。
微軟首席產品設計師劉妍 圖源：36氪
劉妍：我先分享一點不太一樣的觀點，其實我感覺美國現在還是停留在工具這一塊，其實沒有到所謂「AI原生」的概念。
在產品這方面，我們自己國家比美國已經強很多了，各種應用場景、模態更豐富。國外現在還是把AI當作偏工具和協助來做的，即使是Copilot，算是比較走在前面的產品了，從它的名字Copilot（副駕駛）就可以看出，沒有想成為真正代替人的角色。
在國外，一個特別大的區別，就是他們並沒有期待AI能最後會取代人，或者完全由AI驅使的產品，大部分還是把它當作工具來看待的。
不過還是有一些新的方向，可能會更加場景化，我們叫context driven，預期自己在裡面輸入一些prompt，它可以根據你平時的一些工作習慣、場景化和工作流自動跟你推薦一些東西，這已經算是國外比較先進一點的做法。
真正能達到AI原生這個事情應該還需要一些時間。
現在很火的，大家經常討論的是AI Agent，Agent可能達到未來近幾年拿到這樣的期待，真的成為你的助手，或者是幫助你協調更多事情。佔主導性的這樣一個角色，目前還是在比較早期的階段。
鄧詠儀：您提到中美兩地AI原生概念關注重點不一樣，是不是因為上一個互聯網時代國內是以to C消費互聯網為主，硅谷那邊大家講SaaS或者軟件驅動會稍微多一點，還是說什麼原因？
劉妍：我可以分享一下觀察的最近中美明顯的區別。在美國，Super APP這個事情不成立，美國做不出來Super APP，這跟大家使用習慣有關，他們希望更注重每件工具的專業性和簡潔性。
比如說，工作流是Teams或者是Slack加Notion、Zoom，每個功能就那一個軟件在做。中國會比較相反，我感覺大家更期待全鏈路的，一個產品就從頭到尾全部做完，這是很大習慣上的區別。所以美國不會出現特別火爆的Super APP，因為這不是他們的行為習慣。
美國會更偏技術驅動，大家知道ChatGPT、Cloud各種各樣的大模型層出不窮，谷歌的Gemini會更偏技術驅動，國內更偏場景和應用驅動，我為什麼覺得中國的產品做得比美國好？因為我們場景更多元化，各個玩法想得會更有趣。
龍玲：因為我們做應用，也做模型。我個人理解，「AI+應用」是在舊地圖上畫新路，「AI原生應用」是在AI地圖上重建世界。但總而言之，這都是暫時的一種分類標籤，就像我們現在很少再說「互聯網原生」一樣。
隨着 AI 成為市場上幾乎每一種產品和服務的核心組成部分，這些分類標籤可能會逐漸消失，所以我覺得不用太糾結差異，包括我們內部，也沒有特別進行區別。
AI應用本質意義都是服務於用戶，我們更應該關注應用背後的用戶需求。因為比起是不是AI原生應用，他們首先關注的是這個產品好不好用，其次才是效果好不好、性價比高不高。
比如，在短劇出海這個場景里，站在技術的角度，目標是不斷提升翻譯的準確率、音色的多樣性、配音的高情感等等。但實際上如果你從用戶需求出發，這些都不是第一需求。
他們的第一需求是無痕的字幕擦除跟批量處理的能力。因為短劇內容在翻譯配音前要先對原內容做清洗處理，而一部短劇平均有100-120集，所以還要能支持批量上傳、存儲、編輯等工作流的能力。
因此，圍繞短劇出海這個特定場景，我們除了提供模型原子能力，還配合用戶需求提供了一站式工作流的解決方案，從而讓用戶感受到你的應用可以提升效率的同時還非常好用。
所以做AI應用的公司，還是要盡量避免為了打造所謂的顛覆性「AI原生應用」，陷入「過度創新陷阱」，忽視了最根本的用戶需求。
鄧詠儀：我覺得幾位嘉賓分享得都非常落地和實際，這也是跟去年特別不一樣的點，今年大家已經有很多可以落地的場景具體的解釋，具體落實到每個功能來討論用戶是否真正需要，給用戶創造價值。
2025年，AI原生應用的發展重點
鄧詠儀：剛好這也可以聯繫到下一個想要討論的問題，從去年開始，AI原生應用是產業比較熱烈討論的問題，今年像DeepSeek、Munas爆款應用出現之後，對大家做應用這個事情會有比較深刻的影響。
也想請請各位嘉賓接下來討論一下新的一年裡面，大家認為怎麼做AI原生應用，發展的重點應該會放在什麼地方？
龍玲：我覺得主要圍繞兩個點：
第一點，技術能力。我對於我們技術團隊的要求有兩個維度：第一個維度要保持技術的領先性，確保在同領域裡的第一梯隊，保證效果不會太差；
第二個維度，是要有突破的能力。比如說，雖然AI語音現在可以生成擬人化帶情感的效果，但在實時交互、長對話中情感連貫性仍存在問題，因為這裡面涉及的語音技術路徑是不一樣的，所以還是要不斷突破，才能滿足接下來更多的應用場景。
第二點，商業化能力，這是AI應用發展中繞不開的。我覺得AI應用短期看技術水平，長期是要看商業化能力的。如何讓產品更深入客戶的經營鏈路，不斷在解決真實的商業問題中強化自己價值，讓自己活得更久我覺得更重要。
鄧詠儀：非常現實的考慮，劉總怎麼看？
劉妍：我特別同意，商業化這些都特別重要。
我從我自己的背景分享幾個，我是做設計，做產品的，我覺得未來AI可能在人機交互模式上有很大的突破，人和機怎麼樣一起共生。
現在大家知道用prompt，用提示詞，這在設計裡面是很反常規的，因為你需要讓用戶知道他要問什麼。但是，有很多時候他們自己都不知道問什麼，或者他們也不清楚該怎麼做。
所以，真正好的應用會用這種自然語言，更容易讓用戶知道，怎麼樣和機器協作，機器作為主導來提示用戶，幫他生成他想要的問題，更加能讀懂人的大腦，這類產品會獲得更多的青睞。
怎麼樣結合生態系統里的各種產品，微軟、谷歌、位元組、釘釘這些公司的產品，其實有自己非常大的優勢。因為有自己原生的生態系統，所有的產品都在裡面，用生態系統的用戶可以馬上利用起來，這是產品天生的優勢。
另外還有一個突破的點，就是研究怎麼樣結合生態系統，打通這樣的鏈路和使用習慣，這也會給用戶帶來不太一樣的體驗。
第三，我們當時做過用戶調研，問用戶這個產品好不好用，其實很多負面的意見。我感覺目前大眾在接受AI產品上的認知非常有限，很多人意識不到，AI到底能給我帶來多大的好處，或者到底有它能有多好？
在認知層面，還有用戶的期待上，現在很多時候就是用鎚子找釘子。很多AI產品沒有明確的痛點，有AI產品更好，沒有也沒有什麼了不起的。
所以，怎麼樣創造AI的新體驗方式很重要。像喬布斯設計蘋果手機的時候，大家當時沒有想過手機能這樣。蘋果手機出來的時候，有很多反對的聲音，因為它顛覆了一代產品的發展模型，但是當創新的東西真正出現了，人們才發現：原來還能這樣。
可能很多AI產品現在處在這樣的階段上，所以我們在產品和設計方面上需要更跳出思維框架，去思考一些更天馬行空的想法，這可能是產品人比較需要的邏輯。
鄧詠儀：想象力可能要再豐富一點，未來的原生AI應用形態才能出來。
劉妍：對，而且很容易被用戶的負面評價困住，很多AI產品的用戶罵聲很多，大家不習慣、也不知道這個東西應該是怎麼樣，但是我們作為創始人或者是CEO還是要有堅定的態度，要相信自己做的是對的。
硅基智能聯合創始人、高級副總裁陳莉萍 圖源：36氪
陳莉萍：我從三個方面考慮這個問題。
第一，DeepSeek的產生，我認為就像人類過去幾千年耕作農作物尋找食物，DeepSeek的出現，就好像人類找到了小麥一樣，因為從AI的底層邏輯上來展現應用產生的價值，ROI是可以打正的，才能繼續有增益。
有了DeepSeek后，我認為「小麥」的ROI更高了，未來基於小麥做疊加應用，小麥可以做成包子、麵條、披薩，可以做不同行業的應用，行業的附加值更高。
直接賣小麥，也就是token免費或者是更加便宜；做附加值的應用，會讓你的利潤空間大大提升。不要因為小麥的競爭，或者是尋找的過程而做大量財力的投入，應該要放到尋找高毛利的食物上去。
第二，要考慮AI技術的適用性，不同技術針對不同應用場景。為什麼前幾年大模型和應用還不那麼清晰的時候，大家也在說產業+AI？其實是顆粒度的問題。
我們發現，現在應用顆粒度，也就是AI可以結合應用的點更小了。這也證明，通用的AI產品其實做不了所有的事情，我們可以結合更小的應用找到最適用的點。
海外的邏輯和國內不一樣，如果找到很小的專業領域做一個應用工具，在海外就可以很掙錢。所以，在某些領域的適用性里找到創新的點，也是非常好的方向。
第三，現在AI對於法律和倫理的突破，很多場景上面還是非常創新的，最終可能還會面臨一些法律的風險以及倫理的探索。比如人類的失業問題、情感的倫理問題，這也是做AI應用領域裡面需要去關注的。有些紅線和底線不要去涉及，還有大量的藍海和白海需要去開發。
鄧詠儀：陳總講到的點非常有啟發，未來能夠落地的這些點會更加細，或者說不那麼通用，這對國內市場是好事。
上一個時代的SaaS行業，一開始大家比較傾向於做全家桶，或者是什麼都有，這樣的結果可能是什麼都不太精，大模型智力水平提升之後，這個現象應該會改善不少，或者說大家也都能通過很小的功能點改進，加上大模型，就能找到商業閉環，這也是蠻好的一點。
李森：我就是做SaaS的，我從我的行業客戶裡面來看，今年特別是2025年，我們覺得今年叫應用爆發的元年。
去年，我們還在卷參數、卷模型形態，今年大家覺得參數已經沒有任何意義了，在卷應用。
以及DeepSeek的出現，技術平權，在這種背景下，我們電商客戶裡邊有500強企業，去年我們問他們考慮用AI嗎？他們說為什麼要用？用的不太成熟，或者用在什麼場景？
今年，我們就已經在反問客戶：你為什麼不用？並且，我們已經在這樣的情況下去做SaaS型產品了。
我的觀點是這樣的，第一，現在單點的AI智能，在我們有的客戶面前，已經滿足不了他的需求了。客戶會說：我不想要一個價格預測助手，我不只是想要這個，還想要它由業務助手變成數字員工，或者我的決策模型需要由數據+AI輔助。也就是說，從人類確認，變成AI發現規則、重構規則以及人類做修正。邏輯已經變了，這是從整個功能邏輯上改變了。
第二，SaaS產品有一個最大的問題，標準化的產品沒法滿足企業個性化的業務場景以及業務需求。
之前我們做SaaS，通過叫自定義引擎配置一些業務參數，做高配置化的決策。未來，有了一些AI編程之後，很可能SaaS未來形態所謂的「千戶千面」，每個客戶讓AI重構這一段業務流程，可能能夠重構。
第三，未來的SaaS模式，可能會由License買3年、5年的授權，變成value share。也就是用戶用這個AI功能，如果幫你賺了額外的錢，咱倆可以三七分或者五五分，這個可能是會火的幾個點。
鄧詠儀：您是指模型智力水平的提升，導致能夠進入到的業務深度在變深，未來通用性也會變高，能夠服務的個性化需求會變多。
AI應用的發展挑戰與機遇
鄧詠儀：下一個問題，剛剛幾位嘉賓都有提到一點，今年雖然我們能夠看到DeepSeek模型代際能力的提升，但落地的時候，還是有很多問題需要解決的。
AI應用今年落地的挑戰還有哪些？大家可以從自己的業務場景出發聊聊具體場景。
龍玲：因為我們服務比較多的是影視漫的客戶，這裡我拿影視劇中的穿越劇來舉例。單「穿越」這兩個字，如果用DeepSeek這類的通用產品翻譯出來的大概率是「時空旅行者」，但在越南語這種小語種的場景里，實際上他們自己有對穿越劇做專有詞庫，「穿越」在他們那裡的專有詞是叫「懸空」。這些專有詞就是所謂特定場景的專有知識庫的一種，可以很大程度解決跨文化翻譯的問題。
所以對應回來，我認為在做垂類應用的時候，如何讓客戶能夠提供給你這樣的一個專有詞庫，讓你在特定場景建立起Know-How，並形成私有數據的飛輪，是蠻有挑戰的一件事情。因為你的專屬數據越多，用戶體驗就會越好，不可替代性也會越強。
鄧詠儀：所以這個詞庫場景，最後你們怎麼解決的？
龍玲：有兩個維度，第一是你的客戶它畢竟是這個行業里的專家，能夠提供給你他們積累的經驗或者沉澱的一些數據。
第二是你自己能不能獲取到專業的數據，像DeepSeek獲取的是互聯網上海量的數據，但互聯網數據可能很快不夠用了，我個人覺得專業類數據還有很多待挖掘的。這個點，我們的能力是可以很好地解決文化出海這個事情，畢竟翻譯最大的問題是文化的翻譯。
鄧詠儀：劉總怎麼看這個問題？
劉妍：簡單說，就是找到真正的痛點，像我們剛才說，其實很多AI的應用都是「有更好，沒有也沒事」這種情況。
但還是有一點痛點的，我拿Copilot舉例，Copilot是滲透在微軟整個全家桶裡面的，有很多辦公軟件的Word、Powerpoint、Excel。
但Copilot真正第一個大火的是在Github裡面的應用，給碼農們寫代碼。
因為我不是寫代碼的，所以我對這個痛點不是很了解。但是我後來去問了很多人，才發現這是真的很痛的痛點，有時候可能為了解決一個bug，寫幾百行的代碼，他們是急需有這樣的東西能夠幫助他們生成代碼，所以Copilot這麼多產品中它是第一個大火的，因為這是一個非常明確的痛點，和很具體的應用場景。
至於其他辦公軟件，大家更覺得是有更好，沒有也能用。大家用word這麼多年了，覺得也還行。那個之後發現真的有很明確的東西瞬間抓住用戶的眼球。
後來我們做微軟辦公軟件Teams的時候，這麼多場景中，有一兩個是更火的。有一個叫recap，它會幫你總結會議、追蹤，把所有下面完成的事情給你直接同步到Ticket、Track那些東西上，相當於是一站化幫助解決了各種項目管理上的問題。
這是在一個產品中，可能有某個細節或者某個功能，引起了不同的反饋。所以，我們可能需要更敏感地抓到這樣的信號。
最後，要多嘗試，我們開始做Copilot的時候，卷了幾百個方案，有非常多的想法。在大廠，大家知道，真正上線是很慢的，不像創業公司能很快迭代，真的可能會卷到一個很完美的狀態，才能發佈或者上線。
如果沒有幾百個後面的方案，可能很難會找到比較好的平衡點，就是要不斷去嘗試，不斷去試水，再迭代，這就是比較簡單粗暴、快速的方法。
鄧詠儀：陳總怎麼看這個問題？
陳莉萍：我們從兩個角度看這個問題。
第一，AI功能的拓展，或者是在推廣過程中，劉總提到電商客戶給你增加了價值功能之後，可以增加值那部分給你分潤，不是收工具的錢。什麼是好的AI或者AI應用呢？核心能幫你賺錢的AI才是好的。
在這個過程中，把握商業化，把AI轉換成商業化的能力，其實是非常高端的能力。因為商業模式其實是有限的，不是都能轉換的。但是把AI轉換成替代什麼樣的要素，能提升產出的增加，其實這是非常核心的能力。
比如說，我們在做數字人直播的時候，有些數字人直播的品牌直播間，單場GMV可以超百萬，這就是抓住了品牌IP+直播的要素，完成了直播間綜合體現，完成這樣一些價值和結果，這是對於價值的呈現。
第二，龍總也提到了私有制，我們今年有一個大的爆發領域，就是跟醫療結合。我們給很多三甲醫院的醫生，包括很多互聯網平台醫生，做數字分身。這個過程中，醫療大模型，包括華為等很多都在推。
在實際就醫過程中，挂號的時候，病人掛了主任醫師和主治醫生，心理感覺是差別很大的。其實真正的差別來自於醫生個體就診的經驗和病例的不同。
所以，私有制其實是未來急需要突破的點。但它是一個dirty work，為每一位醫生建立數字分身都要建立數據的採集。因為你要做這些dirty work，是大廠很難覆蓋去做的動作，也是應用的機會。
鄧詠儀：要離用戶私域數據更近，為他建立一個數字分身，所以你能夠接觸到他更多的信息，或者說他需求的數據也好，都更利於落地，也利於建立自己的壁壘。李總怎麼看？
慧策解決方案首席專家高級副總裁李森 圖源：36氪
李森：我想提一下數據這個事情，在電商領域數據三個特點，臟、亂、快，很多無效的數據或者會影響決策的數據，會導致後面訓練的模型擬合度不夠高。
第二，是小樣本數據的問題，如果我是一個小型的電商客戶，沒有那麼多數據，讓我訓練SKU和銷量的關係，但是這個問題大客戶不面對嗎？大客戶依然面對。
如果大客戶想訓練關於缺貨的預測，大客戶本身供應鏈做得還可以，很少缺貨，負向數據少。其實小客戶正向數據少，大客戶負向數據少，這是面臨數據的樣本量都會面臨問題。DeepSeek在小樣本量的訓練方面，還是有一定突破的，所以我覺得，未來可以部分考慮行業內的數據共享，可能有望能夠解決這方面的困擾。
鄧詠儀：謝謝李總。剛剛我們其實討論了四個大的問題，幾位嘉賓都有結合自己業務場景，講述對今年AI原生應用發展重點和挑戰的理解。
我覺得，今天大家討論的點大概都可以總結成三個方面。
像現在模型能力提升之後，在做應用這件事情上，大家更需要抓住用戶的痛點，以及這個痛點，可能是比較細的商業化場景上的難點，像龍總提到的字幕翻譯的問題，是非常細微的文化差異，這是第一個點。
第二個點，幾位嘉賓都有提到商業化的問題。在做應用的時候，像今年年初Munas的例子，大家都用不到，Manus也要邀請碼，是因為它跑一個任務，都要百萬級的token，直接放開用，商業化閉環沒有建立，公司更沒有辦法運轉。所以，要結合商業化閉環和模型運作的能力，是接下來做AI應用的重點。
幾位嘉賓還同時提到數據的問題。真正走到客戶業務場景，跟他們生產流程更加結合起來，這才能建立起自己業務的壁壘，避免在大模型更新的時候，吞噬掉整個公司的產品跟業務。
今天幾位嘉賓都帶來精彩的分享，也希望今年AI應用市場會帶給我們更多的驚喜，感謝大家的參與和的聆聽。
