文｜周鑫雨 富充
编辑｜苏建勋
2025年9月11日开幕的Inclusion外滩大会，为当下的AI创业者、学者和投资人，攒了一个“真心话”局。
商业化，无疑是当下创业者，最为关心的话题。
曾表示“我信仰能马上商业化”的金沙江创投主管合伙人朱啸虎，在大会上给创业者们的建议是：要追求商业化，就不要用最新的技术，“用一些看上去不那么起眼，但更稳定的技术”。
△金沙江创投主管合伙人朱啸虎，图片：外滩大会提供
以及，如果AI应用只能看一个指标，他不看漂亮的ARR（年度经常性收入），只看用户留存。
至于如何确定AI创业方向，业界常谈的方法论是：不要站在模型能力迭代的延长线上，否则应用容易被模型“吃”掉。
如今，哪些应用会被吃掉，朱啸虎已经有了明确的答案：不投无代码、低代码的AI应用；未来Figma等协作类工具，需求会变小。
对于AI创业者而言，如今大家能迅速形成共识的，是在组织管理上：AI公司，要建立扁平、高效的“小组织”。
△宇树科技创始人兼CEO王兴兴，图片：外滩大会提供
开幕式圆桌上，宇树科技创始人兼CEO王兴兴坦言，扩充团队反而会降低效率；
前OpenAI研究员、清华大学交叉信息研究院助理教授吴翼也表达了类似的观点：如果一个组织需要300个人，有没有可能是因为智能密度不够高。
△清华大学交叉信息研究院助理教授吴翼，图片：外滩大会提供
在不少创业者的眼中，DeepSeek V3/R1、千问Qwen等高性能模型的接连开源，是引起今年AI应用爆发的导火索。
在开幕式上，阿里云创始人、之江实验室主任王坚则站在AI应用上游的视角，为基座模型厂商提出了建议。
什么是更有价值的开源？在王坚看来，在模型训练依然成本高昂的当下，开源代码不是关键，更重要的是开源模型训练的资源（数据和计算资源）。
△阿里云创始人、之江实验室主任王坚，图片：外滩大会提供
以下是《智能涌现》对朱啸虎、王兴兴、吴翼、王坚在2025年Inclusion外滩大会上主要观点的整理：
朱啸虎：如果追求商业化，就不要追求最前沿的技术
只要Transformer架构解决不了幻觉问题，只要存在1%的幻觉，那么复杂的流程类的管理软件就不可能被AI取代掉。
简单来说，低代码、无代码的软件，肯定会被AI替代掉，这个现象现在已经大批量地出现了。很多低代码公司，三四年以前在泡沫期融资很多、估值很高，现在基本没了。
但是，解决复杂流程的、有非常强逻辑的问题，靠Transformer架构下的AI肯定是不现实的。
AI时代超级入口的产生是必然的。现在已经比较清晰的形态是Voice。苹果的Siri做得太差，它的AI能力太差了。但是安卓的AI能力或者谷歌的AI能力，让我们通过语音输入，就能直接拿到反馈结果。
未来不仅是语音，而是会加上摄像头，结合多模态一起做输入。
比如，我觉得我拍的花挺好看，和手机说帮我买一个，然后直接就下单了。这是未来很明显的趋势。
但Agent还是有机会的。我们一直说，在美国移动互联网这一波，最终出来的创业公司，有一半是线下的苦活累活，比如优步和Airbnb，这是大厂不愿意干的。
这种机会我觉得在AI时代同样是会有的：和现实世界结合的场景，还是需要Agent。
它能帮你在现实生活去落地、去交付结果。我觉得AI公司，还有一些软件公司，他们是不愿意干那个活的。我觉得创业公司可能还会有那么一些机会。
现在已经很明显，低代码、无代码那些软件肯定完全被大模型替代掉了；很多编辑类、协作类软件的需求量会降低很多。
比如以前做图形编辑的，我们投过像Figma一样需要几百个人共同协作来编辑一个项目的软件。
现在AI可以大幅降低对人的需求，从几百人的协同变成10个人的协同，那对协同软件的要求就会大幅降低。
这对市场本身也会有很大的影响。所以Figma上市时被炒这么高，我们一直看不懂，最近也回落下来了。
软件不是说被AI替代了，而是它需求降低了，用户数减少了。用户数减少10%的影响是很巨大的。
所以我们现在肯定想避开的是协同类软件。协同类软件未来市场还会在，但是小很多。
判断一个AI产品，我们一直只看一个指标，就是留存。从PC互联网，到移动互联网，到AI，是同样的，就一个留存指标。
为什么今年大家嘲笑很多AI应用公司，就是因为它没有留存。
你要把一个用户再召回来，根据我们在移动互联网时代的经验，可能要花10倍以上的成本，几乎是没有可能的。所以你的留存到底好不好，才能证明公司有没有后续的发展潜力。
我看最近一些很火的公司，在后续融资的，都是说ARR（年度经常性收入），某一天数据×365天，“留存”不敢说一个字。
前几天我们还在内部讨论未来投资的方向。我们发现真正适合商业化的，都是Boring Technology，就是不那么性感的，看上去比较无聊的技术。
比如说像去年，全世界做得最好的AI商业化，就是transcript，各种各样的会议纪要，垂直的、通用的都有。
我觉得去年最好的案例就是Plaud，现在已经 10 亿美金估值了，而且今年中国所有的公司几乎都在跟进这个方向。
但你说这个技术有什么那个特别难的地方吗？毫无技术难点。但这东西就特别容易商业化。
今年我们感觉Voice Agent已经差不多达到这样一个地步了，它可以大规模商业化了，有做客服中心的，有做oncall销售的，也有做玩具的。
所以我觉得相对来说，你要追求商业化，就不要用最新的技术，不要用最潮流的技术，用一些看上去不是那么起眼，相对来说比较稳定的。
王兴兴：好模型可以提升数据利用率
对于AI干活这件事来说，整个领域都还是荒漠阶段。
尽管现在的语言模型在文字、图像领域已经做得非常好，甚至比99.99%的人都要做得好，但（AI真干活）大规模、爆发性增长的前夜还没有到来。现在就是荒漠上可能长了几根小草。
AI时代是一个非常公平的时代。即使你现在还是一位学生，只要聪明且愿意做事，还是可以达到自己的目标，在荒漠上长出一些参天大树出来。
关于如何突破具身智能的数据瓶颈，之前有人误解我的发言，以为我否定数据的重要性。实际上我想说的是数据和模型都非常重要，但如果模型效果好，就可以提升数据的利用率。
因为，当前数据方面的噪声非常大。应该怎么采集真正优质的数据？数据的质量的标准是什么？或者当下应该多采集什么类型的数据，采集多大的规模，都还是相对比较模糊的阶段。
所以如果模型本身对数据理解能力更强，那数据少一点效果会更好。
其次，从模型的角度，我们也可以有重点地采集数据。比如，对语言模型来说，大家发现很多情况下需要有一些特征性的数据，而不是单纯量大。所以对于机器人领域，也可以从模型的角度评价，到底如何采、哪些动作或者场景是比较有质量的。
另外，目前的模型对多模态的融合做得不太理想。
比如，现在如果生成一个让机器人做一个家务的视频，效果还是不错的，但生成的效果和机器人的控制模态要对齐得非常好，当下就非常有挑战。
简单来说，要让机器人的运动与视频、语言模型更好地对齐，还需要把模型结构做得更好点。
目前的硬件其实是足够用的，最大的问题是模型本身的能力还不够，没办法把现在的硬件用起来，比如想控制灵巧手还是非常非常难的一件事情。
AI时代，小的团队可以爆发的能力越来越强大。尤其是在纯AI领域，如果团队有非常顶尖、非常有创新力的几个人才，就可以做非常多的事情。
毕竟，无论是对于人员扩增比较多的公司来说，还是对于一家本身就很大的公司来说，组织和管理是非常大的一个挑战。
对于AI相关的未来建议是，大家可以把过去很多已经发生的事情，能忘的尽量忘了。重新学习当下、甚至是半年内最新的东西，我觉得这可以带来更多的新的灵感。
过去经验的依赖对未来的决策不是好事。因为过去有经验的人可能比你还多，反而把握当下已经发生的事情做一些新的决策，更可能做出新的创造。
吴翼：AI时代噪声比较多，可以先闭上眼睛
我和吴承霖（DeepWisdom创始人兼CEO）正好是两个风格。他说天天在Archive上看论文，我不看Archive。
因为我觉得AI时代噪音比较多，现在很重要的事情就是减少噪音。
有的时候要坚持对的事情，比如说在我看来，如果能把强化学习做对的话，就不太需要这么多的模块。或者说如果可以用强化学习的方式训练智能体，也许它的模块会简单非常多，因为能力是可以涌现出来的。
我会觉得现在很多看法不一定是代表着未来的方向，所以要有一些坚持，闭上眼睛也可以。前一段时间Manus也说了，有时候你产品拿出来别人不喜欢，先闭上眼睛。
我最近做了一个具身智能大脑，让机器人去跟人一块踢足球，其实还蛮好玩的。
我有一个具身智能体的概念。我们讲Agent是智能体，我想说可能在物理世界里有一个概念叫Embodied Agents，就是具身智能体。
假设我们所有的VLA的问题或者硬件的问题都解决了之后，那下一步是什么？是不是你对智能体说“你帮我办一个事”，然后这个智能体跑了一天帮你把这事做完。
所以我觉得最后有一天智能体的概念也会落到现实世界中，成为具身智能体。
如果把它稍微分层一下来看，具身智能里的很多的模型和技能可以看成Function Call 或者Tool。
然后当这个更抽象的智能体有了身体，就会成为一天去24小时实现任务的具身智能体，这是我的愿景。
说实话我是有点怀念2019年到2020年在OpenAI工作的时代。当时OpenAI是一个特别小的组织，才几十个人。
我记得有次跟我一个师兄聊天，我说我特别希望组织还是小几十个人。他说你有没有想过如果你有300个人或者3000个人，你能做的事情比30个人一定多。我觉得这句话在互联网时代是完全正确的。
但我现在有一个疑问：在AI时代这句话是不是还是真的？
是不是有可能有一种激进的模式？30个人就可以把事情做好。
在虚拟世界或者在Agent信息化的世界里，如果你需要300个人，有没有可能是因为它的Agent密度或者智能密度不够高？
所以有没有存在一种新的组织真的只需要30个人，可以做十年前需要三五百个人或者一千人的事情，这在AI时代有可能是真的。
所以这是我非常激进的观点，也是我想在我的团队里去践行的一个方式，试试看。
我同意兴兴说的，首先你要忘掉过去，但是不要忘掉历史。因为人类的历史一直在重复，所以知道一点过去踩过坑的是好事。
王坚：不要只开源代码；OpenAI已经承认错误了
“开源”这个词其实大家有不同的理解，我们今天正在经历一个从代码的开放、开源，到资源的开放、开源的革命性变化。
其实最近一年发生了很多事情，如果站在人工智能的角度，2025年注定是非常不平凡的一年。
2025年1月13日，美国公布了对人工智能的出口管制。这个管制令有一个非常有意思的事情，也可以讲是一个漏洞。它只是明确地提出了对“闭源”权重的出口管制，而专门强调了“开源”的权重不在管制之列。
当时，世界上最好的基础模型都是在美国头部的那几家公司。
可是就在1月31日，随着千问Qwen的开源，DeepSeek的开源，在1月30日Sam Altman说过一句让所有人都很震撼的话：在开源这个时刻，OpenAI站在了历史的错误一边。
我想这句话背后的含义我就不多说了，他不是一个策略性的错误，这是一个历史的选择。
可能很少人知道，其实是在1998年，“开源”（Open Source）这个词，指的就是Open Source Code，开放源代码。
在当时，“资源”的概念还是没有那么深入人心，因为数据量不足够大，模型不足够复杂，算力也没有想象那么大。
AlexNet（Geoffrey Hinton发表的图像识别技术）发表的时候只用了2块普通打游戏的GPU卡，远不是今天想象的规模。
但这一切在2017年发生了很大的变化。
那时候，几位作者提出了“Transformer”，提出了“Tokenization”，就是今天讲的Token。Tokenization是非常关键的技术，使得数据真正资源化，这是里程碑的事情。
因为这两个东西的出现，2017年后的数据、模型、算力乘上了一个更大的变量，叫“规模”，也就是说所有东西的规模，都是千倍万倍地增加。
当规模到这个程度的时候，资源就变成了非常重要的事情。大家试想一下，到今天模型权重的开放本质上是数据资源和计算资源的开放，有了模型开放以后，你再也不需要自己花掉那么多计算资源重新做有人替你做掉的事情。
我想说，开放并不意味着大规模计算不重要了，而是作为个体不需要再重新发挥这么多资源，因为有人帮你付掉了这笔钱。
倒过来讲，要做一个更好的模型，可能需要有其他人以更多的资源投入来完成这件事情。
到了今天这个时候，只是开放源代码，其实不解决过去在软件时代解决的问题，而开放资源（特别是数据和计算资源），是让我们推动行业往前走的不能缺失的环节。
这就是今天人工智能时代说“开源”非常重要的特点，我更愿意把开源叫“Open Resource”。
大家知道Open Source和Open Resource翻译成中文，都可以有同样的表述，叫“开源”。
欢迎交流！
