庄明浩
这场论坛的主题就是关于 AI Agent。其实我今天从早上到现在，断断续续听了大部分内容，或多或少，在很多嘉宾的讨论和演讲过程中，都提到了这样一个关键词。我们可能也是这场论坛主论坛里面唯一一场关注 AI Agent 的内容。当然，隔壁的技术论坛从上午开始，关于 Agent 的讨论就特别多。
很有幸，感谢吴总邀请我来主持这场论坛。三位嘉宾要不先简单介绍一下自己和自己公司的业务。
吴炳坤
大家好，我是众数信科吴炳坤。众数是一家蛮有意思的公司，到今天为止总共成立 4 年了。前面 2 年，我们主要是基于数字城市做数据运营，所以前面 2 年我们踩的是数据这个领域。后面 2 年，我们其中一个股东云从科技，是 AI 四小龙之一，我们参与了科技部一个叫“视听交互国家新一代人工智能平台”的项目，也就是通用大模型国产化的课题研发。
所以，后面这 2 年我们另外一只脚踩到了通用大模型里面，就变成一边踩在数据上，一边踩在通用模型上。我们选择的赛道，是 To B 的私有化大模型，以及在私有化大模型基础之上给客户提供业务智能体。
我们主要选择了 3 个行业：第 1 个是高校，第 2 个是船舶、航运这一块，第 3 个是很偏门、很有趣的传统文化里的禅宗。这 3 个行业都蛮有意思，都属于私域知识密度很高的行业；第 2 个特点是它们的 AI 能力比较弱；第 3 个特点是相对来说离钱比较近。这是我们的几个标签。
庄明浩
好，感谢吴总。杨总。
杨劲松
谢谢庄总介绍。我是未来时智能的杨劲松。我们是一家 2023 年 6 月成立的 Agent Native 公司，是最早一批做智能体的公司。我们的团队是从达摩院大模型团队出来的。
当时我们有一个想法：在那个时间节点，整个中国接触过大模型训练以及使用大模型的人才比较少，但我们判断，大模型未来会成为每家企业的标配。所以我们做的产品叫企业级通用 AI Agent 平台，希望让每一家企业都可以通过我们的产品，把智能体应用到自己的生产业务里面去。
目前我们的核心理念是，不管是大模型还是智能体，相对来说都有一定的技术门槛，所以它在行业里面落地应用时，基本上还是沿着一个比较明确的新技术落地路径。早期国企拥抱得比较多，慢慢到民营的同步，然后腰部企业和总常委这样一个趋势。
早期技术还会有很多不成熟、需要挑战的地方，但从去年年底 OpenAI 推出推理模型，以及 DeepSeek R1 模型以后，智能体慢慢变成了比较可用的状态。今年第 1 季度，我们整体的需求已经超过了去年的全年，现在正处在一个爆发阶段。今天也很高兴有这样的机会跟大家交流，谢谢。
庄明浩
感谢杨总。我们下一位嘉宾。
高佳辉
大家好，我是来自逻辑科技的高佳辉。我跟吴总有点像，吴总做的是数据运营和智慧城市，我们一直聚焦在智慧酒店以及文旅行业。
我是技术出身，之前在华为做了 5 年技术开发。后来我进入酒店和酒旅行业，在这个行业深耕了大概 10 年，主要做酒店，特别是大型酒店集团的整体数字化。
从去年，甚至更早开始，很多酒店都会找到我们，问大数据怎么结合业务。去年我们也和一些大厂，比如腾讯、阿里，做了一些大模型项目。那时候更多还是通用模型加酒店数据，但酒店会问一个问题：我的这些数据如果上传到通用大模型里面，会不会涉及数据隐私？这是酒店非常关注的一个点。
今年开始，我们发现大模型可以私有化，可以做本地训练，也可以做 RAG 和知识检索。这样一来，大模型加垂直行业，就变成了一个可以落地的方向。
我们现在做的是 AI Agent。面向酒店集团的客人侧，我们提供数字管家；面向内部管理，我们提供数字店长；面向集团层面的董事会，我们提供数字董秘。我们的想法很简单，就是这 3 个数字员工，你按月给我发工资就好了，大概是这样。
庄明浩
感谢三位的介绍。其实今天关于 Agent 的很多细碎问题，在三位的介绍当中或多或少都有所透露。那我们正式开始。
1. Agent 走向行为
先做一个简单的总结：关于 Agent 的讨论在 2025 年疯狂变多了。无论大家是否对这个概念有那么深的理解，反正共识已经形成。
简单讲一下，OpenAI 在定义从零到真正意义上实现所谓 AI 的过程中，用了一个类似自动驾驶的比喻，叫 L1 到 L5。L1 是大家看到的最常见的 Chatbot，也就是我们今天常用的 ChatGPT、豆包、元宝这些东西。
L2 叫推理。推理模型可能就是今年春节期间大火的 DeepSeek，以及之前 OpenAI 的 o1、最近的 o3。L3 的定义就是 Agent。
L3 的意义在于，前两代做的事情叫语言，因为它们都叫大语言模型，主要是跟大家聊天；但从 L3 开始，这件事情要变成行为。这是最大的区别。也就是说，今天在所有跟业务相关的论坛里面，大家谈到 AI，其实都是在做一件事：把 AI 的能力真正用到行为层面，让它能干活、能做一些事情。
这也是这个时间点业界对这件事情最直接的共识。大家之所以在这个时间点期待看到 AI 落地的可能性，也正因为在座几位嘉宾所做的事情出现了一些变化。
2. Agent 进入爆发阶段
我的第 1 个问题是，Agent 的概念在纯业界内其实早于今天的讨论就已经出现了，但突然之间，可能因为 3 月的一些事件之后，2025 年初 Agent 的讨论开始变多。在各位业务开展的过程中，比如从去年年底到今年年初这段时间，出现了什么比较大的变化？这个变化是不是跟 Agent 的爆火有很多关联？
要不还是吴总先开始。
吴炳坤
我们从 2023 年 9 月开始，就产品化推出了一系列基于大模型驱动的早期 Agent。非常明显的感受是，大模型底层能力还不够，所以指令遵循等各方面都让人做起来蛮痛苦，很容易翻车。
到了今年以后，有几个变化。第 1 个很重要的变化，是底层模型的能力强化了很多。当然，很大一部分原因是 DeepSeek 出来以后，让大家的试错成本一下子直线下降。基本上大街小巷都在讨论，大模型上面基于智能体能够做什么。
第 2 个变化是 MCP 出来了。原来我们需要用大量工程化能力去做工具调用，但 MCP 出来以后，整个协议标准化了，一下子就把市场打开了。
从春节到现在，整个团队都是全面满负荷在做。昨天非凡资本也帮我们做了一些推广，我们也非常感谢。现在基本上 10 个客户里面，我们最多只能沉淀下来一半。
我们花了大概 1 个月时间，在厦门把一半以上、约 60% 的国企，以及福建省大概 1/5 的国企全部都服务了。整个市场给人的感觉，完全就是当年疫情期间卖口罩的那种感觉。
庄明浩
杨总。
杨劲松
我觉得主要变化来自几个方面。
在 Agent 落地这一块，第 1 个层面还是技术。从去年下半年开始，通义千问 1.5 或 2.5 之后，国内模型的能力上了一个比较大的台阶。基本上在大多数企业任务里面，模型已经达到比较真实可用的状态，这对 Agent 来说是一个比较关键的变化。
到了今年年初，有了 DeepSeek R1 这样的推理模型以后，整体质量又提升到了更高的水平。在绝大多数任务上，模型的能力已经完全够用了。
第 2 个方面，是 Agent 基建的各项子能力。Agent 包括规划、记忆，以及工具调用这几块。规划主要靠模型来解决，而在工具调用和记忆层面，行业里也出现了一些更好的标准。
比如类似上一代互联网里的 HTTP 协议，MCP、A2A 这样的协议出来以后，会极大加速整个生态的繁荣。过去 Agent 公司对接每一项工具，都需要自己完成；现在有了这些协议性的东西，构建 Agent 的门槛就降低了很多。
第 3 个方面确实是市场层面。国内客户的情绪被 DeepSeek 带得比较火热，大家对这件事情比较有热情，也有比较大的投资预算投入进来，所以整体导致了今天这样的爆发。
庄明浩
高总。
高佳辉
对我来说，从去年到现在最大的变化，是业务突然多了很多。
之前我们做数字化，更多是拿着一套复杂的整体架构去跟集团讲要做什么，集团再问我到底能做什么。但今年突然有很多集团找过来，问高总，酒店集团能用 AI 做什么。他们是一定要做 AI，而且通常是更高层级的人，从董事长到 CIO，直接找过来说一定要做。
但我遇到的问题是，大家容易觉得 AI 是万能的。其实在我们看来，不要把 AI 神化，也不要认为企业上了 AI、加上 AI 这两个字，就能立刻降本增效、立刻赚钱，这不可能。
所以我们跟企业谈的时候，首先要问：AI 要做什么？我认为首先要做一个体检，看看企业现在的基础能力是什么、基础架构怎么样，是不是已经完成了一些基础建设。在这个基础之上，再看 AI 能做什么。
这是我们在跟酒店集团洽谈时认为必须经历的过程。
第 2 个方面，不同的酒店和文旅行业客户，也有不同的需求。比如奢华型酒店，我们跟国际顶尖的奢华酒店集团沟通时，他们会说，我不需要 AI 帮我解决跟客人的交互问题，因为这种酒店集团需要用人来服务，面向客人侧更多还是以人为主。
所以我们面向这类酒店提供的产品，更多是在后端的数字化，比如数字店长。数字店长可以帮助它提升企业服务流程，把原来依赖经验的东西通过 AI 流程化、数据分析，也可以从集团层面分析全球这么多酒店应该怎么运营。
而快捷型或者商务型酒店，需要的是标准化。它们有几万家店，面向这么多客人，如何把交互集中到集团，而不是让每一家店单独完成，这就是另一类需求。不同定位的酒店，需求也不一样。
3. 垂直行业建立壁垒
庄明浩
顺着第 2 个问题继续。这个问题也是我很关心的。
在座的三位嘉宾，包括另外两位没有到场的嘉宾，大家做的事情都比较偏 To B 的企业端落地。在这一轮 Agent 的讨论过程中，又出现了过去几轮讨论过的问题，也就是垂直和通用的问题。
你会发现，从 L1 到 L2，再到 L3，这个问题一直被频繁讨论。当然，这个问题可能没有标准答案，而是在动态变化。作为初创公司或者创业公司，在选择创业方向的那一天，可能就已经基本决定了这个选择。
从结果来看，在座几位都是做 To B 的，吴总刚才还提到专注于几个行业。我的问题很简单：当时为什么会做这样的选择？
杨总的公司比较新，可能还没有那么强的界限；但吴总和高总的公司，在行业上其实已经有非常清楚的边界。这个考虑和过程为什么会形成这样的结果？对于通用还是垂直，大家是怎么考虑的？
吴炳坤
这其实也是一个心路历程。
2023 年 5 月，我们跟云从发布通用大模型以后，一直在思考第 1 个问题：到底是 To C 还是 To B？确定 To B 以后，才是选择哪几个行业。
这里面我们一直有两个层面的感觉。第 1 个是，大模型底层技术迭代得太快了。如果在那个时间点做 To C，大概率会被模型和技术的迭代淹没、拉爆。实际上，过去很多爆款 App 最后都是这么没掉的。
所以我们选择 To B。To B 里面很重要的一块是数据。现在算力持续下降，算法也在不断公开、开源，所以数据非常重要。
作为技术服务商，我们要想的是，怎么样在服务客户的过程中把数据提炼出来，怎么样让这些数据不断沉淀。过去我们服务客户时，锤炼的是行业 know-how；到了 AI 时代，行业 know-how 要怎么沉淀下来，这是我们要考虑的问题。
所以我们现在还是很坚定地选择一些行业知识密度比较高的行业。它实际上有行业壁垒，其他大厂或者竞争对手进来，需要一定的时间积累，这是一个方面。
第 2 个方面，这些行业不是充分竞争的行业。不是充分竞争，就意味着我们有更多时间在里面深耕，等别人进来的时候，我们已经准备就绪了。这是我们选择行业的主要标准。
庄明浩
刚才您说了几个主要方向。据我了解，您公司在厦门，包括很多厦门政府的客户也蛮多，对吧？
吴炳坤
我们过去刚好是做数字城市的，但在我去年的营收里面，政府收入占比不到 10%。
庄明浩
为什么？
吴炳坤
因为现在大家都知道，整个大环境里面做 To G 不是一个非常好的商业生态，不太容易。
所以我们选择的这几个行业有 3 个标签：第 1 个是行业壁垒，刚才已经说到了；第 2 个是这些行业的 AI 能力比较弱；第 3 个是有钱的行业。
庄明浩
杨总的公司成立时间相对比较新，背景也更互联网、更现代。成立到今天大概 2 年时间，在客户分类上，我估计你们内部也经历过一些调整，经历过划线、擦掉、再重新划线的过程。大概是怎样的？
杨劲松
我们思考问题基本上还是以终为始，从终局来思考。
我们判断，To C 的通用 Agent 最终会收敛到一些入口级产品上，比如手机或者眼镜。这也是大厂和大模型厂商必争之地。所以做 To C 通用 Agent，相对来说很难建立自己的长期壁垒。
因此我们早期还是定位在 To B。但 To B 也分两种打法：一种是针对大型企业，另一种是针对通用场景。
我们判断，一项新技术早期还不成熟时，C 端更多是一些尝试；B 端则是头部领先企业会尝试用这项技术去改造行业。
比如一个企业在思考新技术时，大概会有 3 个层面。这里面是我们跟国内一家非常大的互联网公司的负责人讨论过的。
第 1 个层面，像美团或者阿里这样的大企业，看到大模型这种新机会时，首先会想到：会不会因为这项技术的出现，从某个不知名的角落里出现一种新的业态，通过这项技术把我原本的业务属性颠覆掉？
举例来说，对美团而言，有没有可能从某个角落里出现一个 AI 朋友？未来我们对餐馆的评价、订外卖，都通过跟这个朋友交流来获得建议，再通过 API 调用美团。这样的话，美团的价值就可能被颠覆。这是他们在战略层面首先要思考的，技术会给这个行业带来什么改变。
第 2 个层面，是 AI 技术能不能给企业产品提供新的业态或者新的产品形态。第 3 个层面，可能更多是降本增效。
从这个角度来说，3 个层面的投入是逐渐递减的，最上面的投入最高。新技术早期通常是头部企业在应用，所以我们最开始主要切入头部企业，包括国企，像国家电网、三桶油等，都是我们主要的客户。
随着技术成熟，我们会慢慢覆盖到腰部企业，最终针对专业用户提供工作场景下的标准产品，从而获得更大的规模和体量。这更多是技术发展阶段上的选择。
庄明浩
高总。
高佳辉
我理解庄老师的问题可能分成两个部分。
第 1 个问题是，为什么选择酒店行业？我觉得这个不具备通用性，因为从我的履历来说，先是做技术，然后做酒店智慧化，再做酒店数字化，再做酒店 AI 化，这是一件顺理成章的事情。
第 2 个问题是垂直行业和通用行业的选择。我们一直在做酒店行业，也确实遇到过问题。杨总刚才也提到大厂和创业公司的区别，而目前我们基本上都在跟大厂合作。
我们是腾讯智慧酒店的唯一战略合作伙伴，也是阿里云智慧酒店的战略合作伙伴，同时还在跟英特尔合作。跟大厂之间可以理解为，也许我们的赛道足够小，大厂不屑于做；或者说，大厂提供的是原子能力，我们把这些原子能力整合到行业里面。
比如跟腾讯合作时，我们使用它的大模型，比如元宝、那个大模型，再结合腾讯地图 API、QQ 音乐等一系列能力，把它们整合到酒店和文旅行业里去。
跟阿里合作时，我们使用阿里的天猫精灵和钉钉。对大厂来说，只要我们把这些原子能力在行业里面深耕，就帮助它们建立了壁垒；对我们来说，则是在做整合型的工作。
所以我认为，目前我们跟大厂之间不存在竞争，更多是合作。
4. To B 迎来新机会
庄明浩
确实，无论是美国还是中国，通用模型的竞争在这个时间点都非常剧烈。大家可能期待 2023 年是模型年，2024 年是应用尝试年，而到了 2025 年，大家希望真正看到 To B 或 To C 落地的东西出现。这是一个很简单、也很质朴的逻辑推导。
我们进入下一个问题。
今天上午有一场关于投资人的论坛，吴总也问了几位投资人一些很直接的问题。因为我原来也做投资，如果类比中美两国 TMT 行业的发展，从 2010 年算起，过去 15 年，中美两国其实走了完全不同的两条路。
美国基本上是在 To B、企业服务、SaaS、云这条线上策马狂奔；我们这边则是在 To C 这条线上策马狂奔。至少在这个时间点之前，很多美元基金投企业服务、To B SaaS，结果并不是那么理想。
大家谈了很多中国 To B 生态的问题，也谈了 To G 的各种问题。上一波以移动互联网爆发为代表的周期里，企业服务公司、To B 公司、SaaS 公司，甚至上一波 AI 公司，从投资人的角度来看，结果都不是那么理想。
所以问题是，这一波 AI 来了以后，大家又都在做 To B，也扎根在行业、地区或者其他方向。从各自的体感来看，这一波会不会有很不一样的变化？
这个变化来自哪里？是技术、产品、行业竞争，还是商业化？
5. Agent 重写 SaaS 经济
吴炳坤
从我们的实践来看，有两个维度。
第 1 个维度，是 AI 这一波智能体和 SaaS 的对比。我认为两者有一个非常大的不同。互联网时代的 SaaS，更多解决的是信息平权；大模型来了以后，更多解决的是技能和生产力的提升，是技能层面的平权。
它能够解决的问题反而比以前更多。以前主要解决信息流通，现在则是在各个生产环节进行重塑。
我们跟客户交互下来，实际感受是这样的：它不像原来的 SaaS，我把一个产品卖给客户，客户再拿去复制给另外一个客户。过去大家一直说，在中国做软件比较辛苦，因为客户会觉得你既然已经做出来了，那就拷贝一份给我，基本上不用多少钱。
但在大模型里面，我们现在觉得有一个蛮有意思的点：不同客户看上去有各种各样的智能体，但从根源上说，无非就是问答、创作、审查等能力，再结合知识库组装出来。对客户来说，它们是一个又一个不同的智能体。
过去半年多，我们已经跑通了这样一种模式：一次性给客户提供一个私有化大模型作为底座，加上一些 AI 中台；后续客户愿意为不同的智能体，按照智能体数量来付费。
所以它整体的付费逻辑跟原来的 SaaS 有点类似，但客户的体感是，花这个钱是值得的。这是它跟原来购买一个一模一样的平台不一样的地方。
第 2 个维度是，它直接嵌入很多流程，不再是纯线上的方式，而是和场景高度融合。现在很多东西也开始和硬件连接起来，走出了原来那个魔咒。
客户买的不是一套标准软件产品，而是一个有 AI 赋能的硬件，用来解决日常工作和生产过程中的效率问题。所以我们看到的，是一个完全不同于原来 SaaS 的商业模式重构。
庄明浩
杨总。
杨劲松
Agent 最核心的价值，是复刻行业专家的能力，这是它本质上的一个特点。
以往的 SaaS 更多是一个工具。我们要完成一个任务，还需要专家拿着这个工具来提供结果。但 Agent 可以直接交付服务结果，这是它跟传统 SaaS 最大的区别。
现在有一种新的商业模式，就是直接按照 Agent 提供的服务结果来收费。它从一次性卖工具，变成了销售服务结果，并且可以分享 Agent 给客户带来价值的一部分。这完全是不同的生意模式。
所以 Agent 会改变原来 SaaS 的整个生态和商业逻辑，我觉得这是最大的一个变化。
第 2 个很大的变化，是我们一直在跟很多企业的 CEO 或一号位讲：如果给你的企业无限量供应专家，你会在这个行业里面做什么新的尝试？
Agent 可以通过专业化能力，拓展企业可以开展业务的范围。以前因为招人成本高，或者专家很难获得，企业可能没办法探索一个新的市场，或者做一个新的尝试。未来类似的服务，可以通过 Agent 以比人工更低的成本获得，这会带来很多新的尝试。
另外，对于 Agent 公司来说，现在也出现了一种新的商业模式：在一些垂直领域里面，直接用技术把它转化成一种新型生产力，参与到行业里面去，进行新的价值分配。
我记得极睿的老板刚才也在现场。他们的逻辑是，与其把技术卖给企业，花很大力气证明 ROI，为什么不能直接用技术去改造一些技术还没有那么先进的传统行业？
如果我们的效率比传统行业的玩家提升 3 倍、5 倍，就可以直接拿这样的商业结果来获得回报。
稍微类比一下，马老师创业最开始是做黄页。他觉得互联网技术非常好，希望让每个企业都有自己的网站，但改变每个企业的想法是一件非常辛苦的事情，最后创业失败了。
后来他做的事情是，与其改变大家的想法这么困难，但我又知道互联网技术非常好，那我就自己做零售，把原来的零售方式搬到互联网上，变成互联网时代的一家新商店。我的货物供给比你更广，送达速度比你更快，那我就可以把你们原来的线下业务打掉。
这也可能是 Agent 公司的一个生态，所以它的价值空间会非常大。
高佳辉
我的理解是，第 1 个，从产品层面肯定跟之前的 SaaS 完全不一样。
从 AI、大模型到最近 Manus 的出现，我认为它代表了产品交互范式的转变。大家看到 Manus 以后，可能都意识到，这种交互方式跟以前的人机交互方式完全变了。
至于什么时候能到每个人手里，变成一个超级入口，现在我也不知道，但我相信时间不会特别长。我认为在企业端，每个企业都会有这样的 Agent。也许过两三年，每个人的超级 Agent 会跟每个企业的 Agent 直接交互。
Manus 现在表现出来的，是你的超级 Agent 作为一个超级入口，通过网页浏览的方式模拟人的操作。比如我要订酒店，就去 OTA 上浏览和操作。但未来也许我的超级个体已经知道我的所有需求，我可以直接跟酒店集团的 Agent 交互，甚至可以跟它讨价还价。
在个人智能体还没有大批量出现的时候，也许企业智能体会先出现。我认为这是产品层面的第 1 个变化。
第 2 个变化是在商业和商务层面。原来的 SaaS 可能更多是业务部门、某个业务部门，或者 CIO 决策采购一个产品，解决某个具体问题。
但进入 AI 时代以后，最近这一年我们发现，几乎所有 AI 化项目都是一号位在推动，相当于整个集团的一个工程。
原来做某个部门的功能，可能只需要协同几个部门或者几个系统；但如果要做集团层面的 AI 化，就需要打通整个集团的所有系统，只有一号位才能做这样的决策。当然，这也会带来另外一个问题，就是项目周期会比较长。
所以我们一方面在做大型集团的 AI 化，另一方面也把积累下来的行业能力拿出来。比如把 80% 的能力做成通用产品，面向没有那么强付费能力的客户，以 SaaS 化的形式提供。
比如刚才说的数字员工，客户可以按月给它发工资，其实也是一种 SaaS 模式。
庄明浩
刚才几位回答过程中，还有一个更细微的微观问题。最近一段时间，业界关于 AIGC 的探讨中有一个很核心的问题，就是定价。
理论上，它跟原来 SaaS 的形态不太一样，甚至跟 To B 定制服务商的商业模式也不一样。面对这样一种新兴的可能性，而且市场规模那么大、确定性又那么强，新的商业定价方式也可能需要发生变化。
刚才几位或多或少都提到了这一点：无论是按人收费、基础费用加增值费用，还是按照其他方式，甚至完全跳出原来的路径，直接按照服务结果收费，都可能成为一种定价方式。
我觉得这也是现阶段很多厂商都在探索、但还没有答案的问题。我们就不展开了。
6. Agent 迈向专家级能力
今天进入最后一个问题。整个 AI 行业的爆发，是从 2022 年 11 月底 ChatGPT 发布开始，到现在已经 2 年多了。上午也有很多嘉宾提到，从纯技术发展的角度来看，技术正在慢慢放缓并且收敛，虽然依然处在快速发展过程中。
我的问题相对简单：从各自的角度，无论是业务还是自身关注的方向，到了 2025 年底或者 2026 年底，大家希望看到什么样的变化？
无论是 AI 模型、开源和闭源、Agent、产品边界，还是商业转化，希望看到什么样的里程碑，能够让这件事情再上一个新的台阶？大家小小展望一下。
吴炳坤
我们整个的愿景，是让企业智慧永续传承，也就是给每个企业打造专家级的 AI 分身，而不是普通的 AI 员工。
从过去的产品形态来看，从通用大模型到行业模型，再到企业私有模型，私有模型再到智能体，整个过程是一脉相承的。
从今年开始，我们投入了比较多的研发，做模型记忆的内化。沿着这条路径发展下去，模型应该很快就能产生记忆。现在 GPT 其实也都在做这件事情，但目前看起来还比较早期。
在企业这一块，我们可能会更快看到企业专家级智能体出现。所以我们希望更快看到模型拥有记忆，更加像人一样，像超级个体一样，更好地提供服务和提升效率。
庄明浩
杨总。
杨劲松
既然吴总讲了公司愿景，我也讲一下我们的公司愿景。我们的愿景是，让全球 10 亿知识工作者可以用 10 倍效率工作。
过去 1、2 年，Agent 和大模型的使用门槛还是比较高的，包括企业想要应用也比较困难。所以我们一直致力于降低 Agent 或模型的应用门槛。
随着技术进步，这件事情变得越来越可行。说白了，我们想实现的是，不管业务多么复杂，哪怕是比较日常的重复性任务，都可以通过我们的产品或者工具，快速复制专家能力，或者复制一个具体任务的能力，让大家把更多精力聚焦到更高价值的场景上。
这是我们想要努力的目标。
在技术层面，我觉得今年比较有希望帮助这件事情的，主要是垂直领域的强化学习。目前在 coding、数学等科技任务上，大模型厂商已经做得非常优秀，甚至可能超过 ACM 冠军的水平。
背后的典型技术，是通过强化学习建立比较好的奖励模型，再提供大量数据，把模型的底层能力提升到这个效果。
但到了每一家企业、每一个垂直行业，这件事情不一定是大模型厂商能够完全覆盖的。我们希望提供一套基础设施，让每个企业都可以基于用户使用 Agent 或产品的过程，把专家能力沉淀成一系列智能体。
这样可以把整个企业的管理水平提升到专家级别，让每个企业的运营效率更高。再往下延伸，可能就是让每个人每天、每周只需要工作 4 天，甚至 3 天。这是我们的愿景。
庄明浩
高总最后。
高佳辉
借用前面杨总提到的“以终为始”。每个企业的 AI 化，包括智能体，其实已经是非常确定的一件事情。
但我觉得对行业来讲，还是要浇一盆冷水，不要那么狂热。从一个阶段发展到另一个阶段，一定会有过程。
现在我们接触的一些客户，可能希望一劳永逸：1 个月立项，2 个月上线，立刻投入生产。但 To C 和 To B 完全不一样。To C 出错了可能问题不大，抓取一些信息点，提供一些建议就可以了；但 To B 要求准确性、稳定性，以及每个过程都可追溯。
所以我认为，To B 一定需要经历一个过程。这是整个行业需要冷静思考的问题。
对我们来说，我们聚焦酒店和文旅行业。我们的愿景是，希望全国 2,000 万间客房将来都能用上我们的数字员工。未来大家住酒店或者去景区游玩，都能跟我们的数字员工交互。
这些企业还可以使用我们的 AI 店长和 AI 董秘，来服务大家。这就是我们希望提供的产品。
7. 行业仍然处于早期
庄明浩
感谢三位嘉宾。作为主持人，最后简单总结一下。我觉得大家参加这类会议时，面对 AI 行业热烈、嘈杂的声音，可能经常会感到信息爆炸，不知道该怎么办。
今天光在上海，AI 行业类似规模的大会就有 3 场。基于我们今天讨论的场景，我总结 3 句话，可能方便大家未来面对这些信息时，更容易找到路径。
第 1 句话，这个行业正在经历从语言到行为的变化。2025 年，AI 行业正在从语言走向行为。你看到的各种变化和各种新东西，都在验证这件事情。
第 2 句话很有意思。这句话是我写的，但今天上午我去隔壁听技术演讲时，发现隔壁演讲嘉宾的 PPT 上也出现了这句话。我重新讲一遍：2025 年，这个行业正在经历从特征描述到看见。
Agent 的概念其实在 2022 年 ChatGPT 火起来之后就出现了，但在 2022 年、2023 年，甚至 2024 年，行业内很多人做的还是特征描述。到了 2025 年，我们开始真正看见 Agent。在座几家公司正在做的事情，就是让 Agent 被真正看见。
第 3 句话是，这还是一个很新的东西。新的东西意味着基础设施可能还不完善，还有很多周边工作需要大家一起努力、一起尝试、一起完成。你会看到很多公司都在做相关的事情。
大家记住这 3 件事：从语言到行为，从特征到看见，以及这个行业还处于早期、还不完善。这样以后面对任何相关新闻，可能都会更容易理解。