AI中国｜算力突围、应用革命与资本前瞻

【编者按】当前，“算力即国力”已成为国家战略共识，算力芯片性能突破、推理需求爆发、AI应用规模化落地等，正重塑全球科技竞争格局。与此同时，资本市场的目光也聚焦在这片蓝海，寻求投资机遇。

AI创变，智见未来。《AI中国》本期的主题是算力突围、应用革命与资本前瞻。我们邀请到三位业内资深人士，他们分别是：金山办公解决方案中心总经理于叶舟、商汤小浣熊产品负责人贾安亚、光证资管投资经理尚青。他们将从技术、应用与资本等不同维度展开讨论，碰撞出思想火花。

以下为部分采访实录：

中国基金报: 大模型是否正在终结“软件二八定律”（80%的用户只用20%的功能），这对传统产品设计逻辑是否有所颠覆？大模型企业应该如何实现功能普惠和商业变现的平衡？

于叶舟: 好的，大模型是否真的在终结软件的二八定律？由于我是解决方案提供者，而非产品经理，因此从我的经验来看，只能说有这样的趋势，而这一争议尚未平息。原因何在？如今，在为众多头部企业提供解决方案时，我发现许多原本较大的客户非常强调定制开发。实际上，这可以理解为他们在尝试实现一种定制化的产品或需求。

然而，我发现这在项目中变得越来越困难，尤其是在AI领域。为什么呢？因为AI具有高度的泛用性，即它可以处理多种事务，知识面广泛，堪称通才。在此基础上，我们观察到，当前这种定制化需求，尤其是像前两年流行的企业定制Agent，其泛用性变得很差。它们往往只是在一个熟悉流程中加入了模型环节，只能处理单一事务，且未必能达到预期效果。

因此，我们也在反思，并与客户一同探讨：在AI应用开发中，可能很难且不适合进行定制。因为在产品设计逻辑中，寻找场景的最大公约数变得极为困难。也就是说，同一个模型可能面临多种不同诉求，而这些诉求分散各异。

从今年AI应用侧的诸多现象中，我们也能看到这一趋势正在被印证。例如，前些年火爆的Agent Manners，以及现今流行的MCP。前者代表了交互层面的泛用型Agent模式，后者则代表了应用工具层面的通用工具箱逻辑。

因此，我相信在产品或产品开发层面，寻求传统最大公约数的需求，不如转向准备适合前端泛用交互的Agent模型、数据和流程。这样的Agent具备COT长思维链，能自主设定计划并执行动作，调动其他擅长特定任务的模型。

例如，商汤的模型负责写代码，再通过类似MCP的通用协议工具输出效果。在此过程中，我们提供实时数据供应，使其自主编写代码并调用所需资源。我认为这种趋势将更为流行，并可能改变二八定律在软件开发或功能开发中的逻辑。

贾安亚：对，因为我刚才一直在思考这个问题，首先需要确认这个问题。如果要去解构，就要探究过去为何存在二八定律。其实，这意味着80%的用户可能更多使用一些基本功能，而20%的用户则会进行深度功能的挖掘。

这里我想特别提及一下金山办公，因为WPS作为最好用的办公软件之一，也是我们的合作伙伴。尽管我自认为是一个深度用户，但在与金山办公的合作中，我发现还有很多功能我日常并未触及，而这些功能对一些硬核用户来说却是必需的。

正如于总刚才提到的，很多时候存在许多长尾的使用场景，这些场景在过去很难通过通用的产品设计来全面覆盖。然而，现在大模型可能会改变这一状况，因为其模型本身具备强大的工具调用能力，包括优秀的编码和思维链能力。它可以通过相对简单的设计方式实现过去复杂的工作流和流程定义，以满足那20%用户的需求。

从需求侧来看，我认为从用户视角出发，二八定律依然会存在。80%用户对产品的使用诉求与深度用户的使用诉求不同，但技术的突变使得我们提供给用户的功能差异不大，而背后的产品设计和开发难度却有很大区别。另一个变量是大模型的交互逻辑完全不同。过去我们主要依赖GUI逻辑，现在通过自然语言交互，可以让AI解决许多过去开放性的问题。

当然，我们也探讨了产品设计本身。最初，大家对自然语言交互非常激动，但在办公场景下，大家并不喜欢完全通过打字交互解决问题，反而传统的GUI更为省时省力。因此，未来产品设计可能在交互上有更多创新，如GUI与CUI的结合，以实现产品层面的突破。

从另一个角度看二八定律的突破，以生产力工具为例，工作的内容也存在二八定律的突破。以开发者为例，过去他们80%的时间都在处理琐碎的工作，如写文档、与产品经理沟通、修正代码等。但现在大家已习惯使用如小浣熊通义灵码、Cursor等工具，将AI作为助手来解决这些繁琐但重要的问题。他们的时间分布因此发生变化，更多时间用于享受架构设计、方案设计和编码，而较少时间用于重复性工作。

所以，从工作性质来看，个人视角下，原来80%的繁琐工作和20%的心流工作，未来心流工作的占比可能会更高。

尚青:我更多是从一个个人用户的角度出发。我认为传统的产品设计逻辑在很大程度上将会被颠覆，其核心原因在于，当前Agent的发展方向正在深刻地改变原有的传统软件和互联网入口形态。未来，必然会出现一个或几个超级入口来整合各类产品功能，这将导致原有产品设计逻辑发生较大变化。当然，这一过程中会面临各家企业生态壁垒的挑战，但我相信，一些行业龙头最终将从中受益，并形成整合功能的超级入口。

中国基金报: 大模型成本将以每年一个数量级下降，各位认为哪些信号将触发AI应用从“试点探索”到“全面爆发”的拐点？应该如何提前布局以捕获这一红利？

于叶舟: 首先，我想直接阐述结论——我认为今年确实已经达到了一个爆发的前夕。为何如此断言？这主要基于两方面的原因。

一方面，春节后，模型普惠化的趋势尤为明显，这显著降低了客户和用户使用AI的成本门槛。实际上，这个问题在前几年相当突出，但至于这对国内公司是好事还是坏事，我不做评论，因为我不涉及这一领域。

门槛的降低是其一，其二则是成本门槛的降低。坦率地说，我还观察到应用门槛也在降低，并且应用效果有了明显的提升。

从今年的趋势来看，大语言模型领域的发展方向非常明确，主要体现在两个方向：一是尝试掌握更多数据，二是尝试调用更多工具。这两方面在春节后都取得了显著的进展。正如商汤的同事或老师所言，无论是多模态还是做reg，我们都在努力让模型掌握或了解更多数据。今年涌现的MCP以及像Deep Research、Cursor这样的应用，都在AI应用层面取得了卓越成效，形成了一种良好的范式。

因此，我之前提到，类似这样的通用型交互，再加上MCP这类通用共识协议的工具箱，将使许多人和企业无需专业训练就能满足长尾需求。加之大型模型本身强大的能力，其能做的事情众多，这进一步降低了使用门槛，提升了使用效果，同时也降低了成本门槛。

我认为，这是今年出现的一个非常明确的信号，对此我非常乐观。对于企业而言，这也传递了一个信号：当这些条件都成熟后，模型和应用将从单纯的工具演示，转变为真正能够替代初级甚至初中级岗位的存在。例如，某些应用的效果可能已超越一般研究员。当然，这背后是模型应用、数据整合等多方面的努力结果，但杀手级应用的诞生是确凿无疑的。

简单打个比方，从企业角度看，可以将模型公司视为提供外包员工的公司。今年这些“员工”不仅能完成简单任务，甚至能胜任一些需要本科生或研究生经过培训才能完成的工作，开始出现岗位替代，尽管可能是初级岗位。但对客户而言，感受到的价值将有显著提升，再加上成本下降，因此称之为爆发前夕。

最后，关于如何布局以获取红利，从金山办公的角度来说，我们并未刻意布局。因为我们习惯与客户紧密合作，并非特别激进地做办公这件事，这与我们的办公风格有关，稳妥为主。值得庆幸的是，我们的客户数量众多，我们在做事时，客户会给予反馈，顺势而为，这或许是我们目前对待此事的观点。

贾安亚: 这是一个非常值得探讨的问题。首先，我们需要明确“全面爆发”的定义。如果仅从AI在大众中的普及程度来看，包括目前各类交互式通用App的用户群体、日活和月活数据，AI的普及率和认知度已经相当不错。然而，观察美国的情况，比如OpenAI在2022年底发布的应用，从最初的3.5版本到现在的版本，我们会发现，尽管当前阶段大众对AI已有普遍认知和使用，但更需关注的是其商业化进程。

具体来说，AI的商业化是否能形成闭环？它是否能够真正满足不同场景下的用户需求，实现广泛应用？目前，AI在不同场景中的应用程度差异显著。例如，在我熟悉的软件研发领域，如AI for Coding，以及大家提到的Cursor等应用，它们的用户数量已非常庞大。全球开发者的数量表明，这些AI应用的渗透率和付费率都极高。因此，在这一场景下，AI已接近全面爆发。

然而，在许多其他场景中，AI的覆盖面和渗透率仍不够强。这无疑对后续的产品设计提出了更高要求。以编程为例，众多开发者投入大量精力和时间，打磨出优质的交互体验。编程场景中的良好用户体验不仅限于对话式交互，还涉及功能、细节、工程和模型的系统性优化。

未来，我们可能会看到AI在不同场景中逐步提高渗透率和商业化水平。只有在那时，我们才能称之为AI的全面爆发。

此外，这一过程还涉及产品定义能力、AI在特定场景下的部署和实施成本，以及从商业化维度寻找突破点。过去移动互联网平台经济中的网络效应带来了自增长和快速增长的商业模式，AI领域是否也能实现类似突破，至关重要。

至于AI全面爆发的具体时间点，虽然难以预测，但随着越来越多的人关注和投入AI领域，这一时刻的到来必将加速。

中国基金报:企业级AI办公市场的核心痛点有哪些？将大模型能力与文档、协作等办公场景深度融合方面，金山办公有哪些行业的落地经验可以借鉴？

于叶舟: 好的，确实存在一些痛点。在大模型刚爆发时，无论是我们还是用户和客户，都感到困惑，不知道该如何应对。经过两三年的实践，我发现痛点虽多，但核心痛点主要有一个，那就是“好看不好用”。这可能会让你感到意外，但事实如此。

从大模型爆发初期，我们听到了很多关于“一步生成”或“一句话生成”的案例，效果确实令人瞩目。然而，在近两年的实际工作生活中，尤其是工作中，AI的使用频率究竟有多高，相信每个人心中都有自己的答案。

造成这一现象的原因可能有两方面。首先，使用门槛较高，包括提示词的准确性、实时性以及使用过程中的主控问题。这与我们之前习惯的工作方式或工具使用方式存在较大差异，导致大家一开始都不太适应。例如，很多人认为编写提示词是件简单的事，但实际上却非常困难。这是我认为的第一个核心痛点。幸运的是，从今年开始，包括思维链的突破等进展，正在逐步降低这一门槛。

第二个问题是数据，这是一个容易被忽视的因素。前两年AI市场爆发时，大家都在考虑做模型，甚至自主研发模型，客户也有类似想法，但这其实成本高昂。近两年，大家开始关注应用，但忽略了数据的重要性。高质量和完整的数据，再加上强大的模型能力，才能确保应用效果达到基本水平。这是我在这两三年实际从事AI产品和项目中所感受到的另一个核心痛点。

中国基金报: 商汤此前提到“AI之道，无异于百姓之日用”，那全新的模型又将带来怎样的落地场景，商汤重点会关注哪些行业或者产业？小浣熊产品系列未来又将有哪些更多的能力拓展计划？

贾安亚：我们实际上一直在深耕，这也是我们过去十年积累的成果。我们的重点领域包括金融、能源、医疗、政务等行业，这些行业与国计民生高度相关。因此，这些是我们过去的积累，也是未来将继续发力的方向。我们提出“百姓之日用”的理念，源于在实际落地过程中发现，真正让最终用户感受到AI价值的，往往不是高深的火箭科学，而是日常生活中的繁琐但重要的工作。

举个例子，许多开发者热爱写代码，但大量时间却花在修正编码错误或输出规范性文档上。从开发者的视角看，这些工作虽重要，却并不享受。这正是现阶段AI可以大显身手的地方，它能极大地帮助大家完成这些繁琐工作，从而提升日常工作效率、工作心流和整体幸福度。

我们还看到，许多用户或线下店铺运营者需要处理大量日常流水数据，进行业务洞察。通过小浣熊，他们可以快速进行数据分析，助力店铺管理和供销群管理。在政务场景中，12345数据的高效管理和分析也能帮助一线人员更好地解决日常问题。在保险理赔场景中，复杂的材料往往让用户难以理解，而我们可以通过多模态推理方式，快速帮助终端用户理解这些场景。

小浣熊服务于千行百业，但其核心是积少成多，让大家感受到AI是以人为中心的服务，而非带来负面影响或恐惧的存在。从我们小浣熊的视角看，我们更聚焦于生产力工具，主要涵盖软件研发和办公两大领域。办公方面主要包括数据分析和文档编写。在软件研发方面，我们过去主要做辅助研发，面向开发者，帮助他们找出编码错误或快速进行代码审查。

最近，我们发现一个高频且高价值的使用场景：企业内部，特别是软件研发公司，拥有大量代码资产。然而，这些代码资产更像是一种负债，因为存量代码越大，后续维护成本和难度也越高。通过小浣熊和大模型技术，我们可以高效管理和复用这些历史存量代码，减少企业内部重复造轮子、资产交接和新员工培训等工作，降低沟通成本，提升资产管理效率。

在办公领域，小浣熊去年与多家办公软件合作，数据分析功能已服务千万级用户。我们将进一步迈向大模型Agent的方向，因为随着模型工具调用能力的提升，它具备更强的自主调用和反思能力。我们不仅帮助用户解决已知的数据分析需求，还将结合大模型的检索、多模态和深度思考能力，帮助用户对日常问题进行深度调研和问答，结合数据分析，以更客观、量化的方式解决各种问题。

中国基金报: 光证资管在相关产品的组合中如何平衡AI高成长性与行业泡沫风险？是否看好国产大模型生态中“软件+硬件+服务”的协同投资机会？

尚青: 这一点是我们非常关注的。从刚才您所讲的高成长性与行业泡沫问题出发，我更想探讨的是高成长性与高估值之间的平衡。对于科技投资而言，高成长性和高估值往往是相伴相生的，这也是科技投资最大的魅力所在。至于泡沫问题，其实只能在事后回顾时才能看清。在当前时点判断是否为泡沫并没有定论，因此在组合管理过程中，我们更多地考虑高成长性与高估值的平衡。

首先，我们会通过充分的研究和行业跟踪，来确定高成长性的置信度，同时评估其成长空间。然后结合市场当前的水位和估值，对成长性进行定价。如果认为存在投资机会，后续将根据这些评估审慎做出投资决策。在做出投资决策后，持股过程中的跟踪尤为重要。在此过程中，我们会更关注估值与兑现节奏的动态平衡和匹配，并根据这些因素对投资决策进行修正。最后，我认为最重要的一点是顺势而为。

科技股投资或高成长、高估值本身就意味着高波动，我们需要通过灵活应对和合理配置来平抑波动，提供较好的投资曲线。在此，我想强调合理配置的重要性。在我们的组合中，配置上更偏重两端，即回避中间地带，这两端概括来说就是绝对价值和极致成长。

这是我们整个组合管理过程中平衡高估值、高成长及高波动的一些思路。至于国产大模型生态中的软件、硬件和服务协同机会，我们非常看好。从去年开始，我们一直高度关注国内AI产业的发展，DeepSeek的出现大幅提升了国内AI的自信度。

基于近期半导体自主可控的发展，我们在算力硬件上也取得了阶段性突破。因此，作为全球第二大AI玩家，我们在算力和硬件上已实现一定程度的自主可控。在应用落地方面，国内大厂具有明显优势。从整体角度来看，我认为国产大模型的软件、硬件和服务协同投资机会一定会出现，并且其规模将会非常可观。

正如纪录片《大国基石》所言，“算力正以勃发之姿，启前所未有之业。”期待未来技术与资本的共振，推动中国在全球算力竞争中占据更主动地位。