泓君
随着 AI Agent 越来越智能，未来会不会出现“一人公司”？想象一下，当你要开一家线下的礼品店，Agent 里面有一个专家团，可以帮你做选品、运营，打跨语种的电话，管理供应链。一个人就可以面向全球做生意。
今天我请来了阿里巴巴国际业务部总裁张阔，听他从一个大厂核心业务的决策逻辑出发，分析阿里是怎么样把 26 年的经验做成一款 B2B 的 AI 工具——Accio。目前，Accio 已经拥有 1,000 万月活用户。
全球 B2B 业务的交易额高达 30 万亿美元，但是数字化的渗透率还有很大的空间。大家都知道，跨境 B2B 业务是阿里巴巴的商业原点，那 AI 能不能撬动这个连互联网都没有办法改变的庞大存量市场，成为一个新的增长点呢？
这既是一个 AI 如何重塑 B2B 贸易的典型案例，也是在 OpenClaw、Cowork 这些新技术引发剧烈变动的周期中，一个掌舵人的决策逻辑。张阔也提出了一个非常有意思的判断：面对新模型，你的公司是兴奋、焦虑，还是毫无感觉？最后一种才是最危险的。
阔，你好。
张阔
你好。
泓君
最近我知道 GTC 期间您也在硅谷，要不要聊一下您在硅谷最近的一些感受？
其实现在大家有一个问题，就是觉得国内会有一点点信息焦虑，但同时大家又觉得国内的信息还是挺快的。您觉得来了硅谷以后，硅谷跟国内在 AI 发展上，给您的体感有什么不一样？
张阔
1. 硅谷的多层 AI 生态
我觉得从硅谷跟国内比，可能投资人的生态和整个创业者的生态，还是有比较大的差别的。我自己可能跟创业者和我们自己的最终用户聊得比较多。我觉得这可能也分两个层面。
一个就是创业者生态的多元化，我觉得在这里看到的更多一点。比如说在美国，除了现在所有的创业可能都跟 AI 有关以外，AI 相关产品的支撑，也就是 AI 底层的这些基础设施，其实大家投入了非常多的内容，然后也有非常多分层的生态位里的角色出现。
比如 Together AI、Fireworks，这些公司已经有了比较大的规模。它们的存在，就是帮助上面的应用更容易获取模型，以更低的成本去做 inference 等等。
再往上层面，就是做各种各样 enable AI 产品的小型构建基础设施。比如做语音转文字。你感觉好像大模型前面都会去做这些方向，但就是有非常多的小公司，在某一些垂直领域里能比别人快一步。
它们永远像是在推土机前面几十米奔跑，但一直能保持一定的身位，并且也能在大的环境里面占据一定的生态位。很多企业就愿意用这些中小企业提供的、在某一个角度上技术领先的产品。
我们也跟很多这样的公司在合作。比如有一家公司的语音转文字做得非常好，无论是时效还是准确性，都非常不错，它自己也是一个独立的生态。
泓君
有哪些软件？比如您合作的有哪些？
张阔
比如我们合作的有一家叫 Wispr Flow。
泓君
Wispr Flow？
张阔
对，Wispr Flow 做得很好。它跟我们 Accio 和 Alibaba.com 也有合作，因为我们现在多模态输入内容的 query 增速可能是 100% 左右。越来越多的人愿意发一段语音、拍一张照片、上传一个视频，然后找到相关的商品。
我们也要在这方面把体验打磨到最好，所以要跟最好的硅谷公司合作。
第三类就是垂直应用象限。现在硅谷有一些讨论，说 AI 上来之后对 SaaS 可能会有影响。我觉得这个可能要分两边看。
对于 SaaS 这种商业模式来说，无疑，基于 token、基于使用量的计量方式，相比原来基于坐席的计量方式，可能还是一个更优的下一代商业模型基础。但是，也有非常多的 SaaS 公司，我看到它比较成功的转型，也是因为有 AI 的加持，让它的产品比原来的产品更好用。
比如我们最近看了一家帮助连锁线下超市，以及提供食品的餐饮连锁招聘小时工的公司。以前蓝领要通过传统的短信或者文字系统进行交互，通知他几点来，他都不乐意，show-up 率非常低。
现在他跟一个 Agent 交互，这个 Agent 会跟他讲好所有事情：要穿什么样的衣服来、要怎么报到、车停在哪里、sick leave 的情况是什么样的、工作多少小时就可以帮他记录社会保障等等。因为它了解得更多，所以他的 show-up 率就更高了。
所以不能一概而论，不能说 AI 出来了，原来的东西就都不好了，肯定不是这样。
泓君
对对对，这是我最近听到的最好的一个观点。其实只要用得好，它可能反而是一个利好，关键还是在于人怎么用。
张阔
没错。我觉得在整个硅谷层面，还是能看到全世界各地的人，包括全世界的钱，都向这儿涌入。
你说国内焦虑，这儿也很焦虑。每天晚上，比如搞一个小的路演、roadshow 之类的，请 500 人、可能 1,000 人来，最后门都关不上。从平时到周末，大概都是这个情况，还是有非常多的 idea 涌出来。
第二个呢，离开硅谷以后，情况又不太一样。包括北美也是一样，核心更关心的还是到底产生什么价值。你刚才讲 token economy，这个大家也许不理解到底是什么，但对于中小企业来说，它一定理解 ROI，理解什么东西能给我带来价值。
这个带来价值本身，对它们可能是更重要的事情。现在大家还是在充分论证和推进，怎么能把底层的 token 变成真正商业价值的过程中。
泓君
对。您来的这一周正好是 GTC 的这一周，也是硅谷最热闹的一周。
我注意到，这次在 Jensen Huang 的 keynote 上，包括在他的开源论坛上，他其实提到最多的一个词就是 OpenClaw。我可以想象，这个可能给他带来了很多算力需求，但确实连他都说，他觉得中国现在大家已经开始比赛养龙虾了。中国对龙虾的热度，其实比美国人的热情还要高。
上次我们俩吃饭也聊到过，您觉得在这个时间点上，真正应该关注的是 Anthropic 的 Cowork，而不只是 OpenClaw。可不可以展开讲一讲？
张阔
2. OpenClaw 遇上 Cowork
好的。我先讲一下前面这部分。Jensen Huang 这次核心的大逻辑，可能还是想讲 token economy。因为确实，从芯片的角度来讲，单个 token 的算力，包括成本，都在指数级下降。
在这个基础上，可能会衍生出很多应用。OpenClaw 可能就是在这个大基础上，最近比较现象级的应用。
问题在于，OpenClaw 还不是一个非常简单易用、开箱即用的产品。你要把它配置好，变成一个能解决你问题的产品，还是相对需要一定技术能力的。这个门槛也挡住了很多人。
当然，更重要的是，你到底能产生什么价值？长期留存下来的工作流，可以帮助你解决问题。但如果这个东西能留下来的工作流非常有限，那可能过一段时间就会看到退潮。
在硅谷，我觉得 Cowork 这个设计范式也非常吸引人注意。至少有一段时间，每做一个 plugin，可能股市都会受到一些影响。
虽然它还处在 research preview 的早期，但能看到下一代工作台或者 Agent platform 的影子。它的分层开放架构、产品设计体系，包括它本身是基于 Anthropic 的模型，都让它跟 Claude 模型之间的磨合和匹配度非常高。
泓君
您刚刚这段话启发了我：是不是 OpenClaw 更适合 To C 的应用场景？
因为我觉得从产品设计上来说，你其实只要把它接好，我在一个聊天对话框里告诉它一件事情，它就可以帮我爬网页、把音频转成文字。甚至比如说我们的这个播客，假设录音出现了一些瑕疵，它还可以帮我修音频、补瑕疵、去回声。
但是 Cowork 是不是更适合一个 To B 的工作场景？因为我觉得大家在用 AI 的时候，有两种思想一直在争论：我们到底应不应该把很多工作分步骤来解决？
很多人认为，凡是还要一二三步、每一步都要告诉你怎么做，就证明人还在控制这个流程，说明这个人的思想还不够 AI native。
但反过来想，如果我真的是一家企业，要真的把 AI 运用到我的播客制作中，我需要有一个非常明确的流程，告诉它一二三要做什么，而且每一步的准确性都要达到要求。因为你不能得到一个质量无法保证的产品。
所以我在想，这两个产品是不是对应着不一样的工作范式？
张阔
OpenClaw 因为它本身开源和泛化的能力比较强，不基于任何一个模型。它下面可以接多个模型，也可以接多个工具等等。
但有人对它挑战比较多的地方也在这里：开放性过强，以至于你进去之后，到底要做什么、什么能做好，它的整个 reinforcement learning 怎么设计？
因为它本身是开放的范式，到底什么东西做得好，怎么能记住这个做得好，还是需要花比较大的时间去磨合，包括它的安全性问题等等。
Cowork 的产品设计面向对象可能更清晰一些，主要就是 knowledge worker，也就是知识工作者。最开始比较典型的类型就是开发人员、程序员，然后可能是分析师、做 research 的人、finance 从业者、律师等等。
原来这些人需要大量地跟邮件、Word、Excel，以及互联网上的信息做交互。对于这些问题，Cowork 处理得还是比较好的。
至于你说一次性都处理完，还是 step by step，我觉得这两个可能还不是核心分野。因为最 agentic 的工具做得比较好的事情，其实是成为所有工具的工具。
不同的人用这个产品，最后肯定要用出自己的样子。因为每个人想完成的事情不一样，所以会在每一个步骤上设计并给它校正：这个步骤做得对不对？如果对，就进入下一个步骤；否则就需要调整。
假设要做一个播客，一共要做 18 步，每一步有 10% 的误差，最后就是 90% 的 18 次方，基本上最后会得到一个不可用的结果。你需要在每一步跟它做 verify、做验证，一定要把核心步骤的差错率降到最低。
你有自己衡量这件事情成功的标准。对你来说，这个 metric 是什么样的？大家基于自己的 expertise，告诉整个 agentic tool：最终的输入和输出要符合什么标准。符合这个标准，才是一个好的结果。
然后，AI 不断地对这个结果进行强化学习，最后产生一个你更能接受的工具。这个过程如果不是开放式的，AI 很难衡量中间哪一步做错了。一定要有办法跟它交互，告诉它哪一步可以做得更准确，这个工具最终才能对你起到最大的作用。
但它一旦学会，接下来的推理过程和执行过程就很简单，单位 token 可能产生的经济价值会更大。
泓君
要让 AI 做到准确，这件事情就很难，它是一个门槛很高的事情。
张阔
没错。而且不同行业的 stake 是不一样的。
比如说，OpenClaw 如果每天帮助你收集一些外部信息，我觉得这可能是一个阈值问题。收集得准不准、是不是符合你的需求，这个事情可能是一个 stake。
但如果你要基于这个信息去做量化交易，那就是下一个 stake，对吧？如果你需要这个信息指导未来一年或者更长时间的生产作业，对整个生意的 ROI 产生很大的影响，那又是下一个阈值。
对于每一个不同的领域，产出的期待阈值不一样。你使用工具的方法，包括工具本身、工具背后的模型，我觉得都需要重新设计，才能更好地发挥作用。
泓君
对。今年我注意到，你们去年推出了一个叫 Accio Work 的产品，它是帮助很多外贸 To B 厂家解决自己垂直领域的问题，用 AI 来做。
今年我知道你们的软件很快也要升级了，能不能讲一下升级在哪些地方？因为这一两年 AI 发展得特别快。大家在这么快的节奏里面，是怎么考虑迭代，以及现有业务跟传统业务之间的平衡的？
张阔
3. B2B 走向 A2A
首先，我们当时也做了一个推演：B2B 的生意未来可能都会走向 A2A，也就是 agent to agent。
我们今天其实是两个平行的业务系统。一个就是 marketplace，也就是 Alibaba.com。Alibaba.com 自己所有的搜索、沟通、推荐、交易、物流等等整套体系，其实也在快速用 AI 重构。
原来买家从搜索一直到交易的过程，可能跟最早的搜索引擎，包括电商平台很像。今天你基于 Alibaba.com，基于它的 AI Mode 去做事情，就会觉得它也是一个类似 AI native 的产品。
现在有非常多的交互是你跟 AI 做交互，让 AI 帮你筛选大量信息，帮你推进整个订单流程，帮你做最好的物流安排，包括 payment terms 的建议，最后帮助买家和卖家快速完成线上的交易。
另外一条线就是 agent to agent。我们去年推出的产品叫 Accio，也就是 Accio.com 或者 Accio.ai。到今年 3 月，它的 MAU 已经达到 1,000 万，而且月环比增长速度非常快。
它核心想解决的，其实是 sourcing 这一段的问题。但 sourcing 还有向前和向后延展的部分。
比如它最开始的起点，是先找到下一个产品是什么。尤其对于中小企业来说，定义下一个 killer product 到底是什么，这是非常重要的事情。如果这个事情做对了，企业的现金流和业务可能就会走入正轨；如果做错了，可能就会付出非常多的时间和试错成本。
所以一般是从 research 开始，到形成 idea，也就是 ideation；再做产品设计 design；然后进入供应商筛选、沟通环节；再进入交易流程；然后进入商品运输、售后等等流程。
Accio 希望通过 AI，把前面的整个 sourcing 更大程度地自动化，帮助用户提效。
我们看到，基于 agentic 的模式，从输入一个 idea、输入一个 inquiry 开始，到最终建立比较 solid 的商业关系，时间基本可以缩短到原来的 1/5。
原来可能要用 1 个星期去办这件事，我特指社交沟通这个过程；现在可能 1 天之内就可以完成。因为原来有语言和时差的问题，买家和卖家之间的设计，在没有 AI 帮助的情况下，可能是从一个比较潦草的 idea 开始，由卖家帮助你逐步完善设计。
而今天，AI 可以帮助你直接形成 design pack，形成非常专业的 technical 设计文档，包括图片、文字、3D 等等。这样买家跟卖家的交互就可以非常高效、顺畅，也能比较专业地完成。
泓君
我理解，sourcing 其实就是卖家定义产品的能力。以前是怎么做的？为什么整个 sourcing 过程会需要 5 天？AI 做了什么，让它可以把这个环节缩短成 1 天？
第一步，AI，包括 Accio 的产品，可以帮助他做什么？
张阔
4. Sourcing 缩短到一天
就是帮助他理解或者 index 全网的信息。
从产生一个 idea 开始，你可能要做大量碎片化的信息 research：类似的商品有哪些，类似商品在 Amazon 或者其他平台上的搜索情况怎么样，交易情况、评价怎么样，销量怎么样，大概商品定价在什么范围。
在这个范围的基础上，你还要计算 margin 是不是合理。这就是设计产品的过程。
原来你其实也需要做大量 research，也有一些 Web 2.0 时代的 research 工具帮你提供数据。但这些数据要做到完整、及时和准确，在没有 AI 和 agentic tool 的帮助下是比较难的。
因为它既要做到宽度很宽，同时还要读取网页和当时的信息，保证准确度非常高。
泓君
所以您指的 sourcing 不仅仅是“我有一个 idea”，它还包括这个想法在实现过程中，供应链是不是可以支持。
拿苹果手机举例，你要用什么样的钢化玻璃，业界是不是已经有这些技术，产品设计上可不可以支持，供应链可不可以支持，这里面是有很多环节的。
那我再把这个问题稍微迁移到大模型领域。用你们的工具，跟用 Claude、ChatGPT、Gemini，会有什么本质上的不一样？
我理解，现在的大模型在做深度调研上也做得很好。
张阔
5. Accio 打造可靠 Agent
至少以我们现在的理解，对于我们自己的模型和整个工具，我们有 4 个方向的投入。我觉得至少当下的模型可能还做得不够好，或者我们需要在它上面额外做很多工作。
第一个方面，是关于信息的准确性。有一些信息非常 critical，比如最终能够达到的商品价格。
即使我们今天去分析买卖双方沟通的上下文、合同等等，也要找到这个商品最真实的价格是什么，哪些地方可能存在之前隐藏的价格，或者额外加进去的内容。你还是要找到市场上最好的方案是什么。
有时候你最终要拿到手价，还要扣除物流费用、关税费用，这些都需要非常精确的信息。
另外还有一些需要从很多平台上获取 signal 的信息：哪一类事情能做到，哪一类事情不能做到。每天 Alibaba.com 上都有上百万次沟通，涉及不同设计 idea 的沟通、不同技术细节的沟通。这些事情都会形成从 ideation 到 design pack 这个过程中非常精确的输入和指导。
它既基于我们过去 26 年的积累，也基于现在大量积累的互联网工具。搜索也是一种工具，index 所有这些内容也是一种工具。把这些工具组合在一起，我觉得能解决第一个层面的问题，就是让信息尽量准确。
你不能说它 100% 准确，但如果能做到 90% 或者 99% 接近事实，对于用户来说，可能就比大模型产生的 hallucination 好很多。
泓君
对，定价差一点点，对商家的利润可能都是决定性的因素。
张阔
对，要帮助他尽量准确地拿到这个信息。
第二个方面的探索，就是要形成一个比较有效的强化学习机制，也就是 reinforcement learning 机制。
泓君
你们怎么去做这种评估？因为强化学习里面最重要的就是评估结果，然后让它按照正确的评估方式一直优化。
你觉得在评估过程中，哪些是非常核心、非常细节的点？你们怎么评估这种可能没有标准答案的问题？
张阔
第一个，我们肯定是先把所有步骤里的每一步尽量做对，因为这个问题本身的 stake 比较高，它是一个比较严肃、也比较贵的问题。
所以用户在跟平台交互的时候，其实会给非常多 feedback：这个设计往哪个分支走是好还是不好？这个技术是满足还是不能满足？这个 margin 到底能不能满足？等等。
它本身会给平台很多反馈。在这个反馈过程中，我们会把逻辑链条记录下来。
它本身优化的方式，就是尽量让每个 token 产生的价值更大，不要漫无目的地做推理或者搜索。按照这个方式去做，单位 token 的经济价值可能最大，产生的效率最高。这就是我们不断给这个系统做 reward 的过程。
第二个，国际站有一个好处，就是它能够形成闭环的反馈。
最终你有一个 idea，到底形成交易了还是没形成交易？之后你是持续去买，还是试了几次之后发现这件事 fail 了、不 work？这些都是更长期的、可以回到平台里的信号。
当有越来越多行业、越来越多的人使用，整个产品可能就会越来越向正确的方向发展，包括它 research 的方向。
泓君
所以其实你撮合了更多交易，对它来说就是一个正反馈，可以这么理解。
每个行业会需要不同的强化学习训练方法吗？还是说现在大家的强化学习训练方法基本是一样的？
张阔
细节到每一个行业，我现在可能还没有更多信息可以反馈，但是 To B 和 To C 在这方面肯定差别很大。
因为 To B 的周期长，每一步都有很多反馈。比如物流价格是否合理、关税计算是否合理，商品到了用户手上之后，还会进入下一步的反馈过程。信号的周期，包括它的长度，都会非常长。
所以我们在长上下文推理上，可能会花更多精力。
第三个，还是要有一定的安全和可靠性保障。要确保因为 To B 的问题 stake 比较高，所以信息的完整性要判断，每一步推理的严谨性也要有保障。
同时，安全性也要分层保障。数据本身要安全，要访问用户自己系统里的信息和数据，还要做沙箱隔离等等。
再一个，因为推理周期很长，如果出错了，需要能够向前回滚。要确保整个推理过程能够持续，也要保证上下文一直传递下去。
最后，因为这个周期很长，我们下一个版本推出的叫 Accio Work。第一个版本叫 Accio，它是一个基于 browser 的 Agent 系统。
Accio Work，你可以理解成是装在 desktop 上的。它除了从设计到 sourcing 以外，还需要帮助用户完成所有 daily operation。
Daily operation 包括开店、卖商品、管理库存、接受客服反馈等等。因为有 computer use、browser use，我们可以帮助最终用户，也就是海外买家完成下一步。
但进入售卖和售后环节之后，你可以理解它的上下文是无限长的。
从 idea 开始到 sourcing 结束，可能是大约 1 个月的周期。接下来可能进入半年或者 1 年左右的整个商品销售周期，要把无限长上下文的信息分层存储下来。
有一些内容像现在的大模型一样，上下文就跟人的思考一样。我们现在对话，就要把当前能拿到的信息以最好的方式进行推理和展现。
有一些内容，比如多模态内容，就要把它索引起来。之前设计的产品内容，对于当前产品的设计会有很大帮助。
还有一些信息，是在需要的时候再去访问。比如产品进入售卖周期之后，会有非常多 customer feedback，这些信息可以收集起来，在下一轮商业活动中帮助你优化。
所以，围绕数据准确性、reinforcement learning 的奖励机制、信息安全、鲁棒性，以及超长周期的推理和内容存储，这几个方向我们还需要花非常多的努力，从模型和工具层面做突破，才能真正解决好 To B 的问题。
泓君
对。刚刚讲得特别完整。关于您刚刚提到的 Accio Work，我其实还有很多问题，想了解它是怎么帮助用户管理日常工作的。
但在此之前有一个问题：如果底层大模型更新了，或者模型能力大规模提升了，您觉得这对现有工作和 Accio 本身的模型来说，是一件好事，还是需要马上执行、快速切换新模型？它是一个什么样的状态？
张阔
我们期待的就是，每当有一个新的 SOTA 模型出现，整个产品应该变得比以前更聪明，或者体验更好。这才能体现出你是一个 AI native 或者 agentic native 的产品。
如果出现新模型其实跟你没关系，那是一个更大的问题。
同时我们也知道，整个产品无论是在垂直专业度上，还是对模型本身的要求上，都还有非常多的工作。我觉得它肯定不是上了一代模型，所有事情就都要重做，肯定不是这个状态。
我们本身现在的模型就是基于 SOTA。除了以千问作为基础 base，在上面做很多优化以外，在多模态上做得好的模型、coding 能力强的模型、Agent 推理能力强的模型，我们都会尽量把最好的模型放到最好的应用场景里利用起来。
在 Agent 不断执行的过程中，我们也会不断压缩 token，让它每一次执行的效率变得更高。
泓君
您现在接入的是 DeepSeek 和千问，对吗？国内的模型。
张阔
国内的开源模型主要就是千问。海外的 SOTA 模型，则是所有这些 SOTA 模型。
泓君
国内的模型，我指的是国产的这些大模型。因为阿里本身跟千问的合作关系更紧密一些。
张阔
对。不过 Accio 这个产品现在更多是海外中小企业在用，所以所有海外的 SOTA 模型我们也会使用。
泓君
了解。刚刚您提到了 Accio Work，它是一个工作流，可以帮助大家管理订单执行过程中的各种问题。
从商家的角度来说，他们在执行过程中会遇到哪些问题？我知道以前他们可能会用各种各样的 SaaS 产品去处理这些问题。最近 Cowork 出来以后，大家也在说 SaaS 是不是已经死了，SaaS 模式正在被颠覆。
正好可以从您的产品展开，聊一聊大家现在的观点，跟实际企业应用之间有什么样的 gap。
张阔
6. 一人企业接管日常运营
Accio Work 如果跟原来的 Accio 比起来，我觉得可能有两个差别。
第一个差别，我们希望把整个商家经营环节的闭环补完整。原来你可以理解为，我们帮助他完成了从 research 到商品设计，再到 sourcing、采购这个环节。
之后就是 daily business operation：他要开店、经营线上店、经营线下店，接下来还要完成下一轮补货、下一轮商品设计，然后进入售后客服和销售环节。
如果企业本身还有雇员，可能也有 payroll、finance、tax 等等要求。
我们希望这个 Agent platform 具备几方面的能力。第一，我们自己提供的核心能力，是从 research 到 sourcing 的全部能力。
第二，利用现在泛化的 AI 能力，帮助他经营很多事情，比如开店、发布商品等等。我们现在可以利用 browser use 和 computer use，在 Shopify 等海外 marketplace 平台上帮助他经营。
第三部分是相对垂直的领域，比如 HR、payroll、finance、tax。我们会接入一些在硅谷或者美国做得很好的 Agent 产品，或者垂直象限的产品，把它们接入 Accio Work。
最终目的，还是希望给这些中小企业一个开箱即用的体验。
刚才您讲的 Cowork 基于一些插件，对于 SaaS 有影响，这个影响可能还是集中在 enterprise 层面。对于中小企业来说，它可能不是若干个 SaaS 的问题。
对于中小企业，大部分北美线下企业，无论是 nail salon 还是 food chain，通常都有一个很小的 back office。那个很小的 back office 里坐的人，基本上做的都是办公支持工作，比如 payroll，帮他们记录 social security，记录工作了几个小时等等。
我们今天首先能把它数字化，其次，基于 agentic 的产品，能让整个流程更简单。基于 Agent 的体验，至少我们觉得跟原来的 SaaS 体验比起来，有可能做得更简化。
而且它对于每一个中小企业，都有办法定义自己的核心流程和逻辑。但如果要听每一个人的需求，就意味着要给每个人重新定制一遍，这在原来的 SaaS 世界里其实比较难做到。
除非你是八 G 的、一百万美金、一千万美金以上的，可能有人专门帮你去做。但对于中小企业来说，今天你可以把自己的成功标准输入给模型，或者输入给 agentic 产品。它就基于这些输入，形成新的工作流，专门为你完成产品定义、产品发布，包括自己做营销、做社交媒体的过程，而且这些过程都可以更加自动化。
至少有 30% 到 40% 的企业可能就是 solo entrepreneur，也就是一人企业。
原来我设计商品，花 1 个星期、3 4 天的时间，我觉得是值得的。但是后面还要花 1 个星期、3 4 天的时间，去做所有其他细节的工作：把它发到多个店铺上，在多个社交媒体上发内容，在所有平台上回复 customer feedback，管理库存，再去进货等等。
这些事情很花时间。我们觉得，所有这些事情也可以基于 Accio Work 大部分自动化。人需要做的交互比较少，就可以由 AI 通过多 Agent 协同来完成。
泓君
您指的中小企业，是一个什么样的企业？
比如您说有 30% 到 40% 的中小企业是 solo entrepreneur，这跟我的理解不太一样。因为我们以为，阿里巴巴 B2B 贸易面对的是很多像沃尔玛后台供应链这样的环节。
从国际站来讲，它的用户肯定是分层的。一年采购几百万美元、上千万美元的都有，包括沃尔玛和 Amazon。我去看它们也在国际站采购，很多 packaging，以及自己的产品，也是在国际站上做 sourcing。
整个金字塔结构的客户群体是存在的，因为有非常多比较 solid 的企业，其实最开始也是从 solo entrepreneur 开始构建的。
我开始想做一家咖啡店，后来商品做好了，就变成一家咖啡连锁店。再去进货的时候，也不是给一家店进货，而是给很多家店进货。整个经济形态其实就是这样：最底层有非常多的个体经营者，往上个体经营者变成规模更大的商家，或者变成连锁商家；再往上，就是我们能看到的比较头部、比较 solid 的企业。
张阔
我们这边的商家其实也是一样。很多大客户都是跟着它一起成长起来的。
所有这些企业，都是发现了一个问题，然后定义一个产品，开始做 sourcing。慢慢地发现这个问题确实是真问题，能够 scale 起来，于是供应商也跟着它一起成长。
所有这些实体经济里的中小企业者，都是我们这个产品核心想服务的对象，所以我们今天重点面向他们。
无论你给他一个 OpenClaw 还是给他一个 Cowork，它们上面的一些基础产品逻辑，包括基础的开放架构，对他们来说其实还是有点难理解。
你打开一个产品，从前到后告诉你这里有 skills、这里有 hook、这里有 agent、这里有 connector、这里有 plugin。如果没有技术背景，可能就不理解每个分层到底是什么意思，也不理解为什么要点开每个东西去配置一遍。
对于实体企业来说，很多人之前没有接触过 AI，让他自己搭一个 OpenClaw 都很难，第一步可能就卡住了。
泓君
对，核心还是希望这是一个开箱即用、比较简单的产品，能够解决他们日常的一些 critical 问题，同时 ROI 一定要在合理范围内。
那你们的商业模式是怎么样的？Accio 是怎么收费的？
张阔
我觉得订阅可能分两部分。
7. Accio 的双轨商业模式
一部分比较好理解，就是 token-based。我们自己有一些工具，它会消耗一些 token。同时，我们有一些第三方 partner，比如 tax、HR、payroll、finance 等等，它们接入平台之后变成一个 sub-agent，也可以消耗一些 token。
这就是 token-based，也就是基于使用量。但可能会设置一个 cap，比如一个月 20 美元。如果超过之后可能就不能继续使用，或者只能使用 free 额度。当然，你也可以基于自己的 usage 提高 plan。
第二大类，其实就是 marketplace 的商业模式。因为你本身也是 demand 和 supply，广告和服务中间产生的费用，比如金流、物流等等，可以继续成为原来的商业模式。总体来说，是两个轨道并行。
泓君
佣金模式还比较好理解，但是广告模式，比如说 AI 到来以后，如果我连搜索和 sourcing 都开始在 AI 软件里完成了，传统 marketplace 的广告会受到冲击吗？
张阔
我觉得首先，display 广告肯定没有太大意义，大家更多的还是以 performance-based 广告为主。
我们现在看到，AI 对 Alibaba.com 来讲，两方面都有帮助。
第一个方面，它让搜索量变多了。AI 让搜索量变多了，这怎么理解？因为它更好地理解了你的意图。
原来可能输入一个非常短的关键词，在很多供应商里面去找。现在你可以比较丰富地表达你到底想要什么，把自己想要的各种参数、需求和上下文限制都说清楚。这样我们就可以帮助你找到更精准的供应商。
因为有多模态输入，你可以用语音、图片，拍一张照片，或者把自己原来做的 design pack、PDF 上传上来，我们就可以理解，然后更好地匹配供应商。
原来匹配供应商，很多是基于标题、关键词等等。现在匹配供应商，都是基于它商品的全部上下文信息，也包括它上传的所有私有数据库信息，比如工厂能力、certificate、用户 use case 等等。
这样就能做更好的匹配。因为你给出的结果更好，所以用户愿意更多地进来搜索和交互。
第二个方面，对广告本身我们觉得也有帮助。
因为搜索量变多了，供需匹配规模变大了。能生产同一个商品的，绝对不是全世界只有一个人，可能有很多，比如 10 个、100 个，都能生产类似产品、给出核心价格。
这个时候，我们会告诉用户这是一条广告。首先，用户是知道的；第二，这个广告出现的原因是什么、它到底匹配了用户哪些标准，也会被说明。
这个商家之所以出现在广告位上，买家是知道原因的，也会有意愿跟这个商家交流。
我们自己看到，从搜索和广告来讲，今年也是整个增长比较快的两个轨道。
泓君
我理解您刚刚提到的这一层 AI，还是传统 AI，也就是基于算法的精准推荐。
现在有了新型生成式 AI，像 Accio 这样的工具。比如我昨天直接说：“我要订一批硅谷 101 的周边纪念品，帮我匹配一些供应商。”它下面确实呈现了很多供应商，但最终还是给我筛选出一两条，包括发邮件来联系我。
我理解，现在已经可以通过这样的 AI 工具直接完成一个需求了。当然，我偶尔也会想去网站上，或者在下面大量的结果里找一找有没有设计更有趣、更好的，但整体来看，AI 匹配需求更精准了，广告位就减少了。
张阔
这个理解肯定是对的。
刚才你说的事情可以分成两部分。第一部分，你想找一个周边产品，它帮你设计周边的过程，肯定是 token-based 的商业模式，因为设计过程还不涉及供需匹配。
后面进入供需匹配的过程，原来可能给你 1,000 个结果，现在给你 5 个结果。在这 5 个结果里，如果要做广告，核心的杠杆和平衡就是：它必须是更精准的结果，不能像原来一样不精准，同时又硬塞广告，这肯定没有意义。
现在已经有一个更大的数据集验证了这一点，就是 Google。原来大家也担心，AI Overview 或者 AI Mode 会不会冲击它原来的广告。
但事实上，从它最近的财报来看，它既做到了用户停留时长和 query 数量变多，也做到了广告收入变高，就是因为广告更精准了。点击的人更多，更多广告主愿意为这条广告付费。
不像原来，大家反正都是 CPC，投了一堆广告，但是点完之后，用户的意图跟你的匹配效率很差。对广告主来讲，那也是一种浪费。
泓君
您觉得未来的商业模式会变成什么样？
我觉得这可能是一个短暂的过渡状态。现在基于生成式 AI 的技术，匹配给用户的东西更加精准了，按结果付费和 ROI 的转化肯定会提升。
在 ROI 提升的过程中，大家都是受益者，比如阿里、Google，甚至商家都是受益者。但长远来看，在大家效率都提升的情况下，这个优势可能会被慢慢拉平。
我们也看到新的 AI-native 应用开始出现，像 Accio，它其实就是一种面向未来的产品。您觉得整个商业模式会变成什么样？
张阔
8. AI 商业模式继续演化
至少互联网时代的商业模式，大概就 4 到 5 种。有一些商业模式也会进入 AI 时代。
这件事核心的逻辑，还是创造什么价值。比如我帮助你做了一个更好的设计，帮助你做了一个更好的全球 sourcing，那这个价值比较好的衡量方式，可能就是 token-based。
不过最终大家要衡量的成功标准，是我的单位 token 智力密度更高，或者单位 token 产生的价值更高。这样的服务就会胜出，它还是一个相对来说以 usage-based 为基础的商业模式。
第二个，拿 Alibaba.com 为例，尤其是 performance 广告。从长期来看，它可能也是一个存在的商业模式。
因为最终还是有一个供需匹配的过程。有人愿意为了更好的需求让利，要么在商品上让利，要么愿意通过广告的方式获得更多展示，这个商业模式可能也会持续成立。
第三个，就是基于平台侧的供应链服务。
比如我们提供担保交易服务，也会收取一定的 take rate，但这个非常少，可能就是 1 到 2 个点。担保交易的核心，类似一种保险服务。
当你跟对方做了若干次交易，如果中间出现 dispute，平台要进来看是谁的问题。首先平台要进行补偿，然后再去追究另一方的问题。这就是平台提供的额外服务。
这个产品本身在供应链上，无论是担保交易、payment terms，还是物流等等，跟原来的商业模式也是一样的，只不过把规模扩大了。
全世界 B2B 交易额是 30 万亿美元。从国际站今天的情况来看，我们大概是 700 亿美元，渗透率其实还非常少。
让更多中小企业参与到全球交易中，我们可以给他们提供比现在更高效的服务，这样就可以带来更多增量 GDP 和增量价值。
所以，有一些商业模式可以从现有世界自动延续到 Agent 世界。当然，Agent 世界里基于 usage 的使用，相比 SaaS 基于坐席的使用，此时此刻是领先的。未来这种模式可能会持续超越，或者占据更大的份额。
泓君
我觉得整体来看，其实就是基于现在的新技术，如何让服务和效率再优化一层。
张阔
没错。
泓君
那您觉得在这个过程中，AI 的核心优势是什么？
像 Accio 这样的产品，基于阿里的背景来做，跟一家创业公司来做，最核心的优势有什么不一样？
张阔
9. 数据飞轮构成竞争壁垒
我觉得比较好理解的一部分，就是 Alibaba.com 是阿里集团的第一块业务，大概做这件事情已经有 26 年左右的积累。
在平台侧，每天有上百万、上千万次沟通、query 和 transaction 在发生，这些都是 signal，会帮助系统完成 reinforcement learning 的过程。而且因为它可以形成闭环，所以在这方面我们能完成的事情，效率可能会更好。
另外，Accio 或者整个 Alibaba.com 产品背靠阿里集团。我们跟千问有比较多合作，可以确保我们对模型的理解和使用保持一定的领先性。
同时，我们也会加入大量自己对模型进行中期训练和后期训练的过程，也会把一些数据注入早期训练过程，让领先壁垒越来越大。
因为有更多人使用，Agent 产品也会形成数据飞轮。使用的人越多，它就会记住更多工作流，记住更多工具在什么情况下可以有更好的表现。这样整个产品就会进入下一个飞轮。
我们本身还是比较聚焦的，不是跟现有大部分 AI 产品面向同一波客户。当然，我们的客户可能也更挑剔；从另一个角度来讲，他们的预算可能也更少，所以对 ROI 会更加敏感。
这也会迫使我们把整个 tokenization，也就是 token economy，做得跟其他人的 token economy 不一样。我们需要更加激励单位 token 的智力密度，以及单位 token 能产生的价值。
我觉得这也会不断推动我们的系统，更符合这个群体的需求，为这个群体产生更大的价值。
泓君
总结一下，您讲的核心优势就是常年积累的方法论，自家也有自研模型，可以从预训练阶段就植入这些数据；本身的数据也是壁垒，最后还有数据飞轮。
我在听到你们这个产品的时候，觉得跟现在垂直的模型厂商比起来，对于 To B 商家来说，这一定是一个更好用的产品。
但据我观察，像 Amazon 内部也在做类似的事情。您觉得未来比如 Amazon 也推出一个 B2B 垂直领域的 AI 应用，会成为你们的竞争对手吗？
张阔
对于我们今天想定位的这个产品，以及它想解决的问题来讲，我觉得我们自己还是比较有信心的。
对于中小企业从产品设计到 daily operation 的过程，我们希望提供完整的服务。
当然，如果未来 B2B 会走向 A2A，也就是 agent to agent，那不光是买家 Agent 到卖家 Agent，也包括用户自己拥有的多个 Agent 之间的协同过程。
最终可能胜出的方式，是你在一些方向上做得非常好，同时又是一个高频工具，成为一个 master agent。同时，这个企业还有很多其他的 Agent 需求，也就是 sub-agent 需求，这些 Agent 之间可以 talk、可以协同，共同帮助中小企业完成服务。
Amazon 能做得比较好的，比如它自己的后台系统本来就很复杂，加入 Agent 之后可能会更管用。我觉得这个方向应该是一个比较好的 vertical，它自己也有优势。
但如果要把它泛化到“我要经营多个平台、帮助客户做更广泛的产品设计，并且利用全球供应链”，那从这个方向来讲，我们肯定起步比较早，在这方面投入的精力也会更多，know-how 也会更多。
泓君
如果现在您自己评估做这个产品最核心的几个要素，以及评估 Accio 做得好不好，核心抓的点是哪几个？
张阔
比较本质的问题，不是你要消耗多少 token，而是你到底能产生多少价值。
一个比较显性的指标可能就是 retention。用户持续使用这个产品，帮着做更多设计、更多采购，那就是一个比较好的数字信号。
对其他日常工具的使用其实也是一样。它既有广度上的定义：我们希望有更多人使用；另外，在每一个垂直工具上，我们要有更多 task 去衡量。
这些 task 最后的完成度和用户采纳度要高，并且能够持续使用。
另外一个层面，从经济角度来讲，我们还希望单位 token 的智力和单位 token 的性价比越来越高。这样客户就可以用越来越好的 ROI 使用这个产品。
我觉得这些都是我们衡量成功的标准。唯一可能不是标准的，就是一共用了多少 token。
一共用了多少 token，很可能意味着大家努力的方向是想办法让用户多浪费一些 token。
泓君
对，所以核心还是怎么样把产品做得好用。
张阔
我们原来不光对 Agent 是这样，对于整个 Alibaba.com 也是这样。我们希望让跨境 B2B 像 online shopping 一样简单。
大家都知道 online shopping 是什么体验，但跨境 B2B 可能要细分成 28 个步骤，每个步骤跟 To C 比起来都复杂很多。
从最开始形成一个 idea，一直到完成整个交货过程，中间还有国家与国家之间、币种与币种之间的差异。谁先付钱、怎么付款才能保证资金安全，这些都是整个 28 个步骤和流程中的问题。
我们就是在逐步帮它做数字化。
泓君
简单来说，其实这个产业的整个产业链，包括你们沉淀的方法论，这些步骤都已经非常完善了。你们是想把从开始到结尾的整个过程、闭环的流程全部提供给这些商家。
张阔
没错。
泓君
10. AI 原生组织重新定义成功
最近大家也在讨论 AI 和 AI native。你们现在在招聘中会偏向于什么样的人？
张阔
有一些是比较好定义和量化的，比如模型训练、infra、算法等等。大家对于自己需要的人才，都有比较清晰的画像。
这些人进来之前，可能他自己的 paper、research，或者在开源社区里的贡献，就已经能说明很多问题。这个时候学历可能还不是最关键的问题。
但如果你已经拿得出比较 solid 的工作，那我们更多还是基于这个 solid 的工作来探讨。面试过程可能跟原来不一样，就是打开这个 paper，大家一起来讨论，看你在里面真正的原创思想和贡献是什么。
另外，对于 AI 使用得比较充分的年轻人，这件事情我觉得比较难有一个量化定义。有一些可以非常 solid 地判断，有一些可能更多是基于他平时对工具的使用、对这件事情的理解，以及对未来的预判。
比如产品经理，我们希望他设计的产品，是面向未来 6 个月模型能力的产品。这意味着这个人要对未来 6 个月模型可能走向的方向和能力有基础预判，这样产品上线时，才能最好地利用当下的能力。
泓君
这个要求很高。
张阔
比较高，所以我们也还在摸索过程中。
另外，有一些工种正在慢慢融合。比如原来产品经理写 PRD，交互设计师画交互，然后技术人员把它做得跟交互设计一模一样，这件事就结束了。
但问题是，做出来的东西跟交互设计一模一样，是不是就一定好？很难讲。中间会有各种掉链子的过程，可能是设计本身就不合理，你把它 100% 还原出来，也不一定合理。
今天可能 3 个角色会慢慢融合成 2 个角色，或者融合成 1 个角色。这个人要对整个闭环的结果负责。好处就是效率更高了。
我相信现在工程师编程的模式，跟原来肯定有质的差别。
泓君
我前两天在一家硅谷创业公司跟他们聊天，外面比较喧哗，CEO 出去看了一下，说：“嗯，Anthropic down。”
确实那天 Anthropic 大概波动了 3 个小时。在那 3 个小时里，硅谷的工程师全部都不会写代码了，也没有人 coding。
现在大家不是直接去写代码，而是基于上下文输入，模型生成代码。生成得越多，其实越看不懂，做 code review 也很困难。
这时候突然工具不能用了，大家就 panic。但从某个角度来讲，今天工程的方式方法，跟之前相比确实有很大差异。
您现在会要求团队使用 coding Agent 吗？
张阔
我觉得不用要求，大家肯定都在用。
泓君
或者他们使用的时候，您是什么态度？您觉得结果说话就可以，还是也会看一看大家是怎么用的？
张阔
从方向上来讲，肯定没有人反对这是未来的方向。无论是硅谷、中国的一些大厂，还是创业公司，都是这样。
只不过，不同公司的工程环境会有一些差异。我可以分享一下我看到的、以及我们自己内部衡量的成功标准。
第一个核心问题，是要给工程师设计一个 Agent。最上面可能是一个 master agent，下面管理很多 sub-agent：有的写代码，有的读文档，有的做 code review，有的做 check-in 等等。
已经用到这种程度了。你要有一套 Agent framework，帮助工程师管理这些代码；同时要设置 guardrail。
比如沙箱环境必须存在，不要让一个本来只供内部使用的代码，最后开放到外部去。大家要保证在写代码、做 review、check-in 的时候，仍然保持相对较高的标准。
第二个，是大家平时做工程的环境。
我看到有一家很有意思的公司，它也是做量化的。量化公司里，本身上线的代码都是模型，各种模型在炒股票。几个 researcher 在一个 Slack 里聊天，聊到一定程度，@ 这个 Agent，说：“我们谈完了，你看一下，然后去写代码。”
这个 Agent 进来以后，先读一下大家想怎么改变这个模型。读完之后，它说：“我明白了。”然后写一个 Markdown 文档，再生成代码。
代码生成好之后，它会说：“你们来看一下对不对。”有可能人去看，有可能人不看，直接 commit，然后看结果，因为可以保证一定量的灰度，不会影响全局。
对整个工程环境的改变，其实是非常重要的一部分。这确保公司使用的是一套适应自身工程环境和应用环境的、更好的写代码方式。
除了工程以外，我觉得还有很多重要方面。刚才您提到了一个很好的问题：我们衡量 AI 成功与否，可能有几个标准。
其中一个肯定不会采用的标准，就是代码量是多少。你可以生成全世界最多的垃圾代码，却不改变任何商业结果，这肯定是大家最不想要的事情。
我们可能会从量化角度衡量。比如我们每个季度会有 300 个 idea，这个数据我们已经追踪了 4 年。
人类产生 idea 的瓶颈，大概就是 Alibaba.com 的同学们一个季度有 300 个主意。当然，这些主意是从 OKR 开始往下分解的：我们有目标，基于目标觉得有哪些事情可以突破，然后在每个季度开始写这些 idea 的文档。
这 300 个 idea 大概有 150 个能上线，还有 150 个做不过来，所以要按照 stack ranking 排优先级。
这 150 个上线的 idea 里，可能有 50 个是 work 的，另外 100 个没有带来结果，也就是不 work。最终可能从 300 个 idea 开始，只有 50 个是 work 的。
我们希望 AI 帮助实际上线并产生 business impact，产生实际商业价值和客户价值的数量变多。
如果从 50 个变成 100 个，那就是 100% 增长；如果从 50 个变成 300 个，那就达到人类当前的上限了。
现在人类还不是上限，我们的 idea 根本没有那么多工程资源去实现。这就是一个可能的量化标准。
同样，还有一个量化标准：你做的 AI-native 产品，如果原来没有，现在从 0 到 1 做出来，比如 Accio 和 Accio Work，是不是能快速 scale，变成大家普遍共识上的成功？
比如 Alibaba.com 已经存在 26 年，有非常多 metrics。原来的 metrics 有没有非线性增长？去年增长 10，今年增长 20。如果有这个过程，就说明 AI 在这个环境里起作用了。
泓君
有吗？
张阔
我们今年 EBIT 大概增长到 18% 左右，跟去年比还是一个快速增长的过程。我觉得这中间还是有非常多地方要做对，最后 add up together，才可能有一个比较好的商业增速。
另外，还有两个相对感性的衡量方式。
第一个，当有新的模型和框架出现时，你这个组织是感到兴奋，还是感到焦虑？
泓君
我非常感兴趣，能展开讲一下吗？
张阔
如果你感到兴奋或者感到焦虑，这两个信号在我们这里都是好的，说明你的产品跟模型有关，跟 Agent framework 有关。
最差的结果就是你没感觉。
外部模型出现的速度很快，就像一列高速列车，但你在旁边开着自己的老爷车。无论你开得多快，旁边的高铁已经从你身边呼啸而过了，你怎么样都赶不上。
除非你已经坐上了高铁，在高铁上有一个相对速度。那至少你跟全世界聪明人努力的方向是一样的。
所以一个基本要求就是，你的产品和组织要构建在 Agent 和最新模型之上。这样每次有新模型出现，你的所有产品都会变得更聪明，所有流程都会变得更精准，你的努力方向跟人类努力的方向是一致的。
如果反过来，来了一个新模型，你适不适配都无所谓，你的产品跟原来一样，或者适配需要花很长时间，那你就不是一个基于模型构建的 AI-native 产品。
我觉得这是一个比较好的衡量标准。
当然最好的方式，是你不在 panic 那一边，而是在 excitement 这一边。有一个新模型和新的流程出现，你的组织和业务会更兴奋，因为原来解决不了的问题，现在基于新模型可以解决了。
如果你很焦虑，就说明虽然已经构建在模型上，但你只是一个 wrapper。每来一次新的大迭代，你的价值就被挤没了，那就是一个不好的情况。
泓君
可不可以给我们讲一点故事？最近让您最兴奋或者焦虑的一次模型更新是什么？
张阔
我觉得现在一般都是兴奋居多。
过去一段时间，第一个比较大的变化就是多模态。哪一次变化？比如 Nano Banana。
比如它产生商品细节的能力。我们原来也要产生商品图片，无论是买家设计产品，还是卖家发布自己的产品，都希望从简单的白底图开始，把产品放在各种各样的场景中。
一个买家可能从 idea 开始，最后要生成 design pack。但最终生成图片的 diffusion model 以前不够精准，经常会把尺寸搞错：一个很大的机器放在桌子上，或者一个并不大的机器，在厂房里显得特别大。
这种不精准，原来就需要花大量时间，通过上下文不断调试 prompt，保证产出尽量满足人的预期。
但现在模型本身能力变强了，相对简单的上下文就可以让内容生成得非常逼真。这个生成过程只是最后一步，前面所有逻辑链条一环扣一环的判断，才是更复杂的过程，那是我们自己需要不断调试模型的过程。
但最终产生图片的那一刻，有更好的模型出现，肯定就会得到更好、更容易掌控的结果。
第二个，我们很早就在想要 close the loop。
因为今天我们的模型首先拥有全世界的 knowledge；其次，我们也有最好的全球供应商网络，包括线上 transaction 等 signal，帮助我们判断下一个 big idea 到底是什么、谁可能是最好的供应商。
我们还希望做用户日常经营的过程。前面两部分可能只占日常工作的 10% 到 20%，还有 80% 是 daily operation。
但在没有 computer use、browser use，以及长上下文 Agent 能力出现之前，这件事其实很难做。也不是完全不能做，但每个地方都很别扭，需要大量工程去解决每个细节问题。
现在有了这些能力，再加上很多 browser-use 公司去做基础设施，我们解决这条问题链的速度就会变得非常快。
这也是为什么我们春节就开始加班做 Accio Work。我们发现，无论是 OpenClaw 还是 Cowork，都证明了这个范式在当前环境下是成立的，是可以再往前推进一步的。
在这个基础上，我们就可以快速推进产品，让它对用户群体产生更广泛的应用。
泓君
所以整体来看，您还是兴奋为主。
张阔
至少在我们大部分 case 下，还是兴奋为主。我们可能存在两种情况，一种是兴奋，另一种是还没有感知。
有过还没有感知的情况。比如一些特别大的模型出来之后，我们完全没有感知。因为我们本身也是一个 26 年的系统，这 26 年不断积累下来，现在 CEO 吴泳铭最早写的代码，可能还在我们的代码库里。
它是一个不断积累的过程，每个功能不断叠加。我们也希望让整个工程都基于 AI-native 的系统。
这意味着整个系统都要重写，未来工程师才能用更加 AI-native 的方式写代码。这个过程肯定是 step by step 的。
未来一定要做到，只要有新的模型出现，Alibaba.com 的每一个角落理论上都应该比原来更好用，而不是不同团队去适配不同模型，每次模型到来，大家都重新研究一遍产品怎么适配。那样速度肯定会很慢。
泓君
所以在这个时候，您选人的标准会发生变化吗？
张阔
有一些 basic 的东西，我觉得可能是不变的。
比如学习能力要足够强，要有比较强的开放心态。进入一个大的组织，本身的同理心等等，我觉得也都是很重要的部分。
这些东西，你说 AI 时代和原来的数字化时代，可能对人的基本要求都是一样的。只不过在这个时代，对于这类工具，我们希望它可以应用得更广泛、更灵活。
在垂直领域 build 产品的基础上，当然是对 AI 的理解、对大模型相关 infra 技术的理解越多越好。
理解最多的人，可能就直接去 build 跟 AI 相关的产品，从底层开始做，从模型训练开始做。
如果对商业的理解和对技术的理解各占一半，那可能比较适合做产品。因为你要面向 3 到 6 个月之后的模型去设计产品，要对全世界至少会走向的方向有比较清晰的判断。
现在 buzzword 很多，新的 idea 也很多。你不能看新闻来决定接下来哪个事情重要，而是要自己对这件事有更加精确的洞察，或者更加独到的观点和判断。这可能对未来更有帮助。
泓君
好，非常精彩，谢谢阔。
张阔
好的，感谢。
泓君
谢谢张阔。
我觉得在节目的最后，这句话可能也适用于我们每个人：在 AI 时代，大家个人的感觉是兴奋、焦虑，还是没有感觉呢？欢迎大家给我们写评论、写留言。播客的听众可以通过小宇宙、苹果播客还有 Spotify 来收听我们，视频的听众可以在 B 站还有 YouTube 上搜索“硅谷幺零幺播客”找到我们，当然也可以通过小红书或者是视频号来收听我们的播客。同时，如果大家对我们的文字稿感兴趣，我们部分节目的文字稿会发表在硅谷幺零幺的公众号上。我是泓君，感谢大家的收听。