在2025年北極光創投第十八屆CEO峰會的圓桌論壇上，北極光創投合伙人林路攜Rolling AI創始合伙人甘藝凡，APUS創始人兼CEO李濤，北極光創投高級顧問李樂丁三位嘉賓圍繞“迎接AI——理性看待變革，積極布局未來”這一主題展開探討，從不同角度探討了AI技術發展、場景落地與組織變革之間的關系。

李樂丁從技術角度切入，指出大模型已經進入能力邊界與不確定性凸顯并存的新階段，單純追逐參數規模意義有限，真正價值將來自與具體產品的深度融合，形成可持續場景價值。李濤隨后從企業實操層面，分享了APUS在代碼生成、創意設計、醫療預診等多個環節的AI落地經驗，強調構建自身模型體系和數據資產作為長期護城河是關鍵。甘藝凡結合超百個咨詢項目經驗，總結企業在應用AI時最常見的誤區是“高估短期價值、低估長期潛力”，建議企業圍繞“為什么要做？做什么？怎么做？”構建AI應用的戰略路徑，并推動組織與文化的深度調整。林路最后提醒CEO們謹防“戰略空心化”，一切部署都應回到業務本質，從實際業務出發落地AI。

以下為整理的圓桌討論實錄，有編輯與刪節。

林路：關于AI的未來，有人樂觀，有人很謹慎，在座的幾位嘉賓，我知道李濤屬于樂觀派，李樂丁是謹慎現實派，甘藝凡是介于兩者之間。樂丁曾是我在百度的同事，就先請他從技術角度談談當前AI的發展水平。

北極光創投合伙人林路

李樂丁：我從技術層面簡要回顧一下AI的進展。今年尤其到年中時是非常重要的一個轉折點，我們走到了AI技術和產品的交匯點：過去，大家往往認為只要技術在某個垂直方向取得突破，就能直接解決業務問題；現在，需要將技術能力與產品思考相結合，才能實際解決問題并真正創造價值。

經過幾年的發展，大家對AI能力的邊界有了更清晰的認知，雖然模型能力仍在持續提升，但增速變得越來越緩慢，我們也逐漸認識到一些核心局限性：首先，模型并不具備真正的智能，不能像人類一樣舉一反三；其次、模型的“幻覺”是難以完全消除的。模型的準確性和幻覺是互相矛盾的，不可能完全被充分的解決。

這就意味著我們今天走到了一個特殊的階段，人類首次需要擁抱一個具有不確定性的工具。與傳統的程序、工具、雇員完全不同。AI的能力無比強大，可以做非常多的事情，但同時它也在很多時候會變得非常的不靠譜，可能在關鍵場合出錯。然而在復雜問題中，它又能會給出極端優秀的解決方法。摸清并理解這種脾性，是我們更好將AI融入產品、發揮其作用的前提。

而模型能力本身，現在業內也逐步達成共識：所有模型的核心能力源自于預訓練，而非后訓練。我們看到的一切后訓練成果，其實都是在引導模型激發已有的預訓練能力。例如，在數學問題求解上，大家看到可以解得非常好，這是在預訓練當中得到的。模型不僅能直接給出答案，也能按步驟逐層推理，以適用于不同的應用場合；而后者往往更契合真實應用需求，這類能力通常來源于強化學習的訓練方式。

所以今天一個基本的共識是我們仍然需要非常重視預訓練，而預訓練所有的能力源自于數據。但挑戰在于，高質量的訓練數據已經大部分被用盡，尤其像代碼這樣的數據，幾十年的積累已經被模型學習過了。這意味著我們將迎來模型解析能力的提升趨于平穩的階段，這個時候更需要通過產品思維，將這種不確定性但強大的工具引入實際應用中，解決真實問題。

北極光創投高級顧問李樂丁

林路：我們再請一位樂觀派來談談看法，就像當年移動互聯網來臨，我們選擇擁抱它一樣，現在AI來了，我們也應該積極擁抱AI。我們注意到APUS在AI應用上做了很多探索，請李濤分享一下你們現在做了哪些實際應用？

李濤：我跟樂丁的觀點稍有不同。特別是在“后訓練”這個問題上，我認為模型的能力還有進一步進化的空間。剛才我和同事討論時提到，現在有一個新的說法，認為模型可能會替代數據庫——雖然很多人認為這是不可能的。但我們目前已經能看到模型在結構化處理數據方面的能力逐步增強。

傳統做法是，我們把數據輸入模型，或者提供一個意圖，由模型進行結構化處理，再存入數據庫。但如果模型本身已經能夠很好地理解并結構化數據，那何必存到數據庫呢？數據直接留存在模型中即可。這樣一來，模型處理確定性任務時的表現會更好、更明確。

可能我們今天看到模型出現的問題或者說幻覺，確實無法完全消除，但在模型具備更強的結構化數據處理能力之后，它的“幻覺”問題也有可能被大幅壓縮。

我分享一下APUS在內部落地AI的實踐，大概有兩個部分，給大家做一個借鑒和參考。

第一是研發提效，目前公司在三個領域內部已經開始應用AI。一是Coding，Coding對于APUS幫助非常大，我們最新發布的產品中，約有70%的代碼是由模型生成的。當然，人工也仍然參與其中；在對舊代碼的維護方面，大概有33%的修改也由模型輔助完成。

整個過程是從產品設計開始的。現在我們的產品經理更多是將意圖進行描述，由模型生成初步的產品設計，再由人進行后續完善。這個過程實際上是人和模型不斷交互的過程。接著把初步設計交給技術團隊時，仍然是模型繼續發揮作用。

很多人會問：“你們自己的商業邏輯怎么辦？”我們APUS自研并訓練了自己的模型，在私有化部署的DeepSeek基礎上，打造了專門用于Coding的模型。帶來的好處非常大，比如我們有一些工具類產品，如瀏覽器，就已經大范圍地使用模型自動化Coding。甚至可以實現為不同用戶群體定制瀏覽器，而底層邏輯完全由模型基于對過往瀏覽器的學習自動生成。它能夠針對不同人群的需求生成完全不同的代碼結構，實現高度個性化的產品能力。

另外，我們在內部使用AI的過程中，在素材設計方面也獲得了非常大的助力，尤其是在圖片和視頻的制作上。因為我們主要做出海的To C業務，過去需要五六十位設計師，一方面負責產品的UI設計，另一方面承擔大量的產品宣傳素材制作，尤其是視頻和圖片。而現在，我們的設計師團隊只保留了原來的大約15%，整個公司設計師不到10人。在海外市場推廣過程中，AI模型可以基于某一個爆量素材，一天自動生成幾千個同類素材，并能精準識別和提煉爆量素材的關鍵元素，從而確保每一條推廣內容都具備相應的吸引力。原本五六十個設計師一天都做不完的工作，現在通過模型一天就可以完成。雖然這個過程中仍然需要人工參與把控質量和調優，但整體效率已經得到了非常大的提升。

在產品上，我們也進行了多個方向的探索，主要聚焦在內容領域。過去我們一直在做圣經類產品，目前已經在美國覆蓋了大約10% 的人口。以往的產品形式相對簡單，主要是以電子書的形式呈現傳統圣經內容。而現在，通過引入模型生成的語音、圖像和視頻能力，我們已經將圣經內容升級為連環畫甚至短視頻的聚合形式。更重要的是，我們還在產品中引入了一個“Bible Chat”功能，它是一個由模型訓練出來的數字化“牧師”，可以與用戶進行交流，幫助他們解答問題，同時通過用圣經文本建立邊界條件來約束模型。

除了圣經類產品，我們還布局了健康領域。借助我們在國內開發的醫療大模型，目前這一模型已經在部分三甲醫院投入使用，累計為超過100萬人提供了初步診斷建議。雖然我們現在的機制還不允許模型直接給出最終診斷意見，還是需要醫生最終確認，但是可以顯著提升效率。患者可以在家通過公眾號或小程序完成初步診斷，模型完成初步診斷并自動進行分診推薦并幫用戶掛號，用戶到醫院后醫生可以直接查看病人前期的情況以及初步診斷。在醫生與病人交流過程中，模型還能實時記錄并生成診斷報告，未來會大幅減少醫生手動記錄的工作量。這是我們在醫療方向的一項重要應用。我們還把產品在美國市場以To C形式上線，作為獨立App推出。

此外，我們的模型還被應用于一些特別復雜且尚未被結構化處理的領域，以Deepseek為例，它之所以受到大量關注，是因為其背后的團隊大多來自量化背景，擅長處理海量數據并進行快速反饋。在互聯網時代，社交平臺和各類開放信息對市場交易和商業判斷的影響日益加大，因此模型對這些碎片化數據的整合與分析能力顯得尤為關鍵。

我們也基于類似的思路開發了具備情報分析能力的模型，應用在商業與政治情報的分析上。例如，我們的Agent系統能夠調用全球范圍內的數據源，幫助用戶進行多維度數據挖掘和趨勢判斷。

我們的模型還拓展到了其他垂直領域。比如我們為一家影視公司開發了編劇大模型，并成功應用于即將上映的《唐朝詭事錄3》的創作過程中。我們還進行了植物識別等技術落地實踐，模型的多維度應用也在不斷拓展。

APUS創始人兼CEO李濤

林路：大家其實可以去買一個Chat工具，確實非常方便。但一旦真正應用到現實行業里，就會遇到很多實際問題。上次我和甘總聊天，有一個特別大的啟發——怎么做市場、怎么真正適配行業場景？比如說用AI直接去做銷售，可能還不太現實；但如果反過來，用AI來做銷售培訓，那是綽綽有余的。甘總是咨詢公司出身，做了很多項目，也積累了不少心得。接下來請他來分享一下他的經驗。

甘藝凡：我們是ROLLING AI，第一次來到北極光的CEO峰會。我們認為，AI之所以與以往的數字化技術不同，是因為它已經不再只是生產資料，而是成為了生產力本身。也就是說，它不僅僅是一個支撐流程的工具，更是能夠直接產出結果的系統。當然，這個結果有時候并不穩定，這也導致了我們在幫助很多企業實施的過程中，出現了許多新的變量與可能性。

我們從2022年開始轉型做咨詢服務，到現在已經積累了超過100個項目的經驗。說實話，也踩了不少坑，但也逐漸總結出一些規律。每個企業在嘗試落地AI的過程中，其實面臨的核心問題就三個：我為什么要做？我要做什么？我該怎么做？

為什么做、做什么？這兩個問題在不少企業里往往被顛倒順序。大家通常先討論“要做什么”，卻很少談“為什么要做”。結果就是：企業對AI的短期能力與價值普遍高估，而遠遠的低估了它的長期能力和價值。

舉個例子，不少董事長或者企業的一把手期待AI足夠“聰明”，可以直接取代分析人員，每天自動生成一份完整的企業報告。我提的第一問題就是：“你們的公司數據都梳理清楚了嗎？AI能真正‘看懂’你們的業務數據嗎？”為什么叫人工智能，如果“人工”基礎沒打好，“智能”自然難以在短期發揮作用。再加上媒體報道的濾鏡，“某某公司部署了Deepseek就如何如何”，這些案例往往并不真實，AI技術很有趣的地方在于很長時間內，所有企業家對它的期待遠高于他的發展速度。但試用后發現錯誤率很高、業務落地難，就覺得AI“不靠譜”。于是就出現了高估短期價值、低估長期價值的現象。

事實上，在一些傳統又隱蔽的場景里，AI的長期價值要比“高管的一句 ChatBI”大得多。例如，我們幫生產養殖企業做的大模型“數豬”系統，一天就能替人工節省6000多小時。進一步這個場景還能通過行為監測判斷豬的活躍度，提前預警疾病風險——這類深度場景的價值，遠超過“董事長一個人想要的智能報告”。

為什么要做？一個特別簡單的判斷方式是反過來看你的損益表，思考你做這件事是否真的對企業有影響。當然，也要結合AI的能力和機制去考慮：它究竟是幫你節省了固定支出，還是降低了成本？要從重新審視企業運營方式的角度，去判斷AI到底在企業中能夠發揮什么作用。

而在“怎么做”這個問題上，我們發現很多企業在執行時的順序存在一定誤區。特別是在春節后，隨著Deepseek的走紅，很多企業來咨詢如何部署AI。他們說我們已經購買了Deepseek的私有化部署，或者已經買了一體機。我走訪了這些企業中的很多家，發現80%的企業的回答幾乎都是：“我們的AI就是買了一體機、買了私有化方案。”

這其實忽略了本質。我們以前做的方式是，先從企業內部挖掘場景，識別商業價值，通過不同業務方向尋找“釘子”，再回過頭來確定用哪種技術去“釘”這個釘子。做這件事已經三年多了，我們觀察到，一些很早開始AI探索的企業，如今在進入深水區時面臨新的問題。

首先，最大的瓶頸在于缺乏足夠的、能夠帶領AI轉型的項目負責人。這樣的負責人需要具備非常全面的能力：第一，要理解AI的基本原理，并適應AI的快速迭代邏輯；第二，要理解知識的流轉機制；第三，要真正懂業務。我們曾經帶領一批工程師開發一個小紅書的智能體，沒有一個人能做出來。我問他們：“你們寫過小紅書的內容嗎？”他們說沒有。那怎么可能寫出小紅書的智能體？如果對一個應用不了解其業務與細節，是沒辦法真正構建出有效AI解決方案的。這就是“人”的問題帶來的挑戰。

第二個在進入深水區后遇到的問題是：當生產力被真正釋放出來后，原來那批人該去做什么？比如現在最常見的一個應用場景是客服，有的企業通過AI技術裁減了80%的客服人員，剩下的20%依然從事接線工作，但這也帶來了團隊技能方向、組織架構的變化和調整。

我們將這些經驗總結下來后發現，在企業內部落地AI時，真正需要思考的核心順序是——對“生產關系”的重新定義與設計。首先，我們要承認生成式AI本身是一種全新的生產力，而要讓這股生產力在企業內部真正發揮作用，就必須構建出與之相匹配的生產關系。沒有恰當的生產關系，這種新型的生產力是落不下來的。

所以接下來大家在思考“企業內部該做什么AI項目”時，也要同步去思考這項技術可能帶來的組織沖擊。團隊結構是否會發生變化？既有的角色會不會被重新定義？所部署的AI場景下，組織是否具備適配這種生產力的機制？

我們在與很多企業家交流時，經常用一個比喻來解釋什么是生成式AI：你可以把它想象成擁有一千個甚至一萬個非常聰明的實習生，他們可能是清華、北大畢業，具備極其豐富的知識和常識儲備，幾乎囊括了人類文明積累的大量內容。但問題在于，他們依然是“愣頭青”——對你的業務缺乏理解，對市場環境也不了解。

所以在思考生成式AI該做什么時，不妨設想一下：如果是做投資決策，你會把這種重要任務交給一個未經訓練、剛畢業的實習生嗎？顯然不會。如果盲目高估這群“聰明實習生”的短期能力，把他們放到關鍵崗位，失敗幾乎是必然的。但反過來，如果你從來沒有開始培養他們、鍛煉他們、讓他們真正了解你的業務，他們也永遠無法成長為你團隊中真正有價值的生產力一員。生成式AI的核心在于引入之后能否有效訓練與使用。

Rolling AI創始合伙人甘藝凡

林路今天AI的落地，在某種意義上，是由CEO的戰略需求推動著整個技術往前走。這里面也隱藏著一個非常值得警惕的事情，我自己的一家被投企業他們自身業務其實已經用了很多AI技術，這些工作原本是下面研發團隊在推進。但是CEO認為AI會顛覆整個行業，所以決定由公司統一牽頭推動公司整體的AI業務，結果收集了很多數據，但實際無法落地。我了解了一下，這個任務意味著整個研發團隊要暫停手頭的工作，兩個月時間專門用來搜集數據。我問負責人收集完這些數據接下來要什么？他們的回答是我們也不清楚。所以這讓我意識到一個非常關鍵的問題：我們必須認真處理好CEO的驅動意圖與企業內部團隊實際能力之間的關系。不然不僅可能浪費資源，還可能錯失真正的落地機會。

那么大家對此有沒有給CEO們的一些建議？

甘藝凡：我有三句話的建議：第一，要從上往下定義AI應用場景。為什么這么做？核心是很多場景如果從底層提出來的，通常只是是想解決業務中的某一個小的環節，短期內有一點價值，但從企業長期的發展來看意義不大。而從上到下設定場景，就要求CEO和高級管理層從公司的P&L價值、組織結構乃至內部生產關系的角度去思考生成式AI在公司中的長期戰略價值。所以一定要從上至下定場景。我們曾經踩過無數坑——過于滿足瑣碎場景的需求，結果第一波應用效果都不理想。

第二，從下到上找文化。雖然我們強調重大應用場景從上而下設定，要讓生成式AI在公司每一位員工的日常工作中都能發揮作用。哪怕是在很細微的任務中帶來一點效率提升，也能逐漸形成組織內部對AI的理解與認同，進而推動文化氛圍的改變，促進生產關系的演進和組織能力的提升。核心是幫助大家真正理解這項新技術的運行原理，它又將如何影響日常的工作方式。

第三，從后往前做建設。最核心的一點是：不要空談技術，不要一開始就說要做AI的三件事，結果是把所有數據都翻一遍。應該先把應用場景明確，再倒推需要什么樣的技術、需要治理哪類數據、還缺哪些數據、哪些需要采集——一定要“以終為始”地開展工作。生成式AI的部署，不是單純的技術建設，而是公司P&L的重構和生產關系的改造。

李濤：我有兩個建議：第一，CEO對AI的重視不應該只是喊口號，最重要的是CEO自己想清楚，在當前的業務方向、產品方向中，哪些部分適合引入AI，先把這些用好。說白了，如果CEO自己沒想清楚，只是在工作中說“All In AI”，這件事一定會失敗。我們最近跟很多傳統企業打交道，我發現很多傳統企業的CEO喜歡下決心，但是并沒有思考AI戰略到底如何落地。

第二個建議，我們已經看到很多人在AI垂直模型或Agent方向上做了不少工作。我們自己走了很多坑，根據我們的經驗，有一個重要提醒：不要擋在大模型前進的道路上做研究。很多人在做垂直模型訓練的時候特別痛苦，為了解決某一個具體問題，花了很大的力量去做；結果半年以后，大模型已經具備了相關能力，你之前的努力就被迅速碾壓，沒有任何積累價值。

今天我們都知道，AI會顛覆現有的生產力，會重構生產關系。幾乎說是有一個全新的產業機會，在這個過程中，每家企業都需要認真思考：你要構建的壁壘是什么？這個壁壘一定不能夠在大模型前進的主航道上，否則一定會被壓得體無完膚。兩年前無數的大模型企業相繼出現，但目前全球范圍內真正還有能力推進的已經不超過10家，國內可能也只有阿里、字節和Deepseek。原因很簡單，當你在主航道上沒有整個大模型進化的速度那么快，所以很快就被碾壓了。所以企業要做AI，一定要想清楚未來在AI領域構建的壁壘到底在什么地方，不能擋在大模型進化的航道上。

李樂丁：我分享一點個人的感受，我們三個人其實說的是同一件事——面對AI，要巧思，別硬來。不要焦慮于技術本身，它已經在那兒，觸手可及。中國人能用得好，美國人也一樣能用得好。但真正無法被模型替代的，是人類的創造力，是我們如何引導自己針對產品特性的想法，找到適配的方式，把它們用好。

林路：就像上一輪移動互聯網浪潮一樣，大家當時都在討論要不要做APP，最終移動徹底影響了每一家的業務形態。這一輪AI也同樣深刻，它是我們必須積極擁抱的方向，就像當年我們擁抱移動互聯網那樣，今天也應該全力以赴擁抱AI。

時間的關系，今天的討論就到這里！謝謝三位嘉賓的精彩分享！