文｜硅谷101
兩年前《硅谷101》在播客里聊大模型的時候，大家的普遍感受還是"有意思，但不好用"——幻覺、慢、貴，總覺得離真正的生產(chǎn)力還差那么幾步。
2026年，變化比想象中來得更快。阿里云千問大模型業(yè)務(wù)總經(jīng)理徐棟告訴《硅谷101》，一個五六人的小團(tuán)隊現(xiàn)在用AI一天能生成6000條廣告視頻，成本壓到10元以下，低于市場售價20至50元——商業(yè)閉環(huán)已經(jīng)跑通了。AI漫劇也在爆發(fā)，國內(nèi)短劇市場規(guī)模已經(jīng)超過電影市場，視頻生成模型正從5秒進(jìn)化到15秒，年底有望突破1分鐘。
成本端的變化更加劇烈。徐棟分享了一組數(shù)字：千問的推理成本正以每半年接近10倍的速度下降，推理速度從30-50 TPS飆升到80-100+，首包延遲從2秒降到500毫秒。他說，今天端側(cè)4B的小模型，能力已經(jīng)超過兩年前最大的閉源模型，70%以上的通用任務(wù)可以在手機(jī)和車機(jī)上本地處理。
2025年被很多人稱為"AI應(yīng)用元年"。如果說前兩年的關(guān)鍵詞是"模型能做什么"，那今年所有企業(yè)都在問同一個問題——用AI，到底劃不劃算？
本期播客，《硅谷101》邀請了阿里云千問大模型業(yè)務(wù)總經(jīng)理徐棟、影石Insta360研究院總監(jiān)亓魯教授、語憶科技聯(lián)合創(chuàng)始人兼CEO呂瀛杰，一起拆解大模型在商業(yè)前線"開荒"的邏輯、成本和隱藏關(guān)卡。
以下是這次對話內(nèi)容的精選：
01 模型的技術(shù)進(jìn)步與商業(yè)化
泓君：很開心你能來做客我們的播客，因為在2025年底到2026年初，大家討論最多的一個是AI Agent，還有一個就是AI應(yīng)用，真的開始走進(jìn)大家的生活了。今天很開心請你能跟大家聊一聊大模型在商業(yè)化方向的一些趨勢。在此之前，你要不要先簡單介紹一下你在阿里的工作，以及你主要負(fù)責(zé)什么？
徐棟：阿里做大模型時間比較久了，最早的模型可以追溯到2021年左右。首先有一個在海外尤其有名的模型叫千問，英文名叫Qwen。在開源領(lǐng)域，它已經(jīng)是一個體量非常大的模型，很多北美公司也會用它作為基座模型。它代表的是我們的語言模型，我們會用它去挑戰(zhàn)AI的智慧，看看它能不能用更多工具、進(jìn)入更多生產(chǎn)環(huán)節(jié)。這是我們非常主力的一個模型。
第二個是視覺生成類的模型，叫萬相，英文名叫Wan，它可以生成圖片、視頻，也能做圖片和視頻的編輯，同時也有成為未來世界模型的范式的可能性。最近三個月我們重點(diǎn)發(fā)布了2.5的preview版和2.6版，在視頻創(chuàng)作方面收到了很多新反饋。
第三個基礎(chǔ)模型是去年云棲大會發(fā)布的Fun，一個純音頻模型，它涵蓋ASR、TTS，也包括聲音克隆。我們在這個模型上追求更擬真、支持多語言、不同方言和口音，讓它能更好地理解和表達(dá)。
我們的模型還是比較結(jié)構(gòu)化的。在這幾個基座模型基礎(chǔ)上，我們開始與很多客戶交流合作，包括制造業(yè)、實(shí)體企業(yè)、品牌商，還有很多互聯(lián)網(wǎng)公司。但最近一年，我的感受是出現(xiàn)了大量AI Native公司，它們通過模型取得了不錯的成果，在很多碎片化的市場里實(shí)現(xiàn)了非常好的ROI。
泓君：你剛剛提到了幾個大模型。你覺得過去2025年，模型技術(shù)最重要的進(jìn)化是在哪幾個方向？
徐棟：最近半年進(jìn)化特別多。以“萬相Wan”為代表的視頻生成模型，如果類比GPT-3.5到4的狀態(tài)，我認(rèn)為它已經(jīng)達(dá)到了GPT-4的水平。過去視頻生成模型更多用于特效、娛樂，但現(xiàn)在它可以進(jìn)入生產(chǎn)領(lǐng)域，比如最近很火的AI漫劇，增長速度非?？欤€有自動化生成廣告視頻。很多15秒的切片廣告已經(jīng)開始自動化生成，形成完整管線，可能五個人一天就能生成6000個視頻，這是一個非常明顯的趨勢。
從技術(shù)角度看，有幾個特點(diǎn)很有意思：
第一，生成時間變長了。視頻生成從過去的5秒、10秒，進(jìn)入15秒時代，未來可能到一分鐘，這樣內(nèi)容連貫性會更好。
第二，鏡頭語言更豐富。模型可以切換不同鏡頭，調(diào)整光影效果，接近專業(yè)影視級能力，用戶通過簡單提示詞就能實(shí)現(xiàn)。
第三，角色一致性保持（Carry）能力。這是受Sora2啟發(fā)，在角色扮演中，保持人物、物體、背景、音色的一致性，也就是“保ID”，讓后續(xù)創(chuàng)作有更好延展空間。
簡單來說，我們希望從15秒進(jìn)一步延長生成時長，目前我們已經(jīng)做到國內(nèi)最長的視頻生成模型；讓鏡頭切換、光影變化這些原本需要專業(yè)導(dǎo)演、攝像、美術(shù)協(xié)作的能力，現(xiàn)在通過模型門檻大大降低；最后，角色扮演，保持一致的能力，我相信會成為未來所有視頻生成模型的標(biāo)配。
萬相模型生成的AI動漫 圖片來源：萬相Wan
泓君：角色扮演具體是指什么？
徐棟：舉個例子：你可以用手機(jī)自拍一段5秒鐘視頻，抬頭或轉(zhuǎn)頭，說幾句話，類似試鏡。模型輸入這段視頻后，可以對人物形象和聲音進(jìn)行“保ID”，后續(xù)創(chuàng)作中這個形象和聲音可以被復(fù)刻出來。
泓君：也就是說以后只需要真人出鏡5秒，后面的內(nèi)容可以由AI生成、模型化運(yùn)作。
徐棟：對，這意味著生成內(nèi)容的可控性更高。以前可能依賴抽卡（隨機(jī)生成），現(xiàn)在可以在輸入端提供更多參考維度，在動漫創(chuàng)作領(lǐng)域其實(shí)挺多的，以前是參考圖，現(xiàn)在開始參考視頻。
泓君：你剛剛提到，比如五個人一天可以生成6000個視頻，AI漫劇也比較火了，你覺得基于模型能力提升，你看到哪些比較好的商業(yè)化案例或應(yīng)用？
徐棟：國內(nèi)短劇市場已經(jīng)超過電影市場。在視頻宣傳方面，很明顯短劇從原來的真人拍攝或大量人工編輯，開始有一定比例轉(zhuǎn)向AI生成。最近最火的是漫劇，它從動態(tài)漫發(fā)展過來的，劇情連貫，商業(yè)化能力強(qiáng)，已經(jīng)成為與AI結(jié)合的一個典型。
泓君：像短劇市場、AI生成短劇、真人IP短劇，還有批量生成AI廣告，大家最關(guān)心的問題是，用AI做的成本和用人做的成本分別是多少？廠商在考慮接入模型時看重什么？
徐棟：現(xiàn)在按品質(zhì)分為S級、A級、B級。一部短劇，如果成本合理，AI可能能做到2萬元以下，加上投流和ROI計算，有可能打正或?qū)崿F(xiàn)不錯收入。如果對精品要求更高，需要投入更多后期制作資源，成本會更高，但劇集品質(zhì)也會更好。
廣告方面，15秒視頻的AI成本可以控制在10元到15元以下，在市場上有比較好的商業(yè)空間。一般來說，一個合格的15秒廣告市場價在25元到50元之間，這樣就形成了較好的商業(yè)循環(huán)。
萬相模型生成的AI短片 圖片來源：萬相Wan
泓君：這個成本確實(shí)挺低的。阿里有淘寶電商生態(tài)的，是這些電商賣家在用AI做廣告嗎？
徐棟：這個結(jié)構(gòu)是比較復(fù)雜的?，F(xiàn)在每個流量平臺會給廣告主或代理公司一定的編輯能力，以匹配其平臺。廣告主自己也有大量素材，可能是自己做的，也可能是第三方代理公司做的。在廣告生成方面，有可能是代理公司做，也可能是代理公司分包給AI Native的創(chuàng)業(yè)公司做。這類創(chuàng)業(yè)公司越來越多，它們將萬相和千問模型結(jié)合成管線，形成剛才說的五六個人一天生成6000個廣告的能力，再交給代理公司或流量平臺的廣告組。
泓君：挺有意思的。這是視頻生成模型方面。你們還有音頻生成模型和千問模型，你覺得另外兩個模型在2025年有哪些進(jìn)步和突破？
徐棟：語言模型正在發(fā)生持續(xù)而深刻的變化，雖然我們很難再看到一個巨大的范式上的改變，我簡單說一下我們在做的事情。
第一，高質(zhì)量數(shù)據(jù)集越來越少，大家都在精耕細(xì)作，通過調(diào)整數(shù)據(jù)順序、角度，提升模型知識學(xué)習(xí)效率，使模型在一些corner case（邊緣案例）上表現(xiàn)越來越好。
第二，模型結(jié)構(gòu)會越來越稀疏，多Token預(yù)測（MTP）等技術(shù)在不同模型中實(shí)踐，速度會更快，甚至成倍提升。未來首包響應(yīng)可能從2秒縮短到500毫秒都是有可能的，TPS可能從30-50提升到80-100以上，在性能要求高的場景下表現(xiàn)就會變得非常棒。
其實(shí)大家也可以從機(jī)器吞吐角度來去理解，模型稀疏化后，推理成本也會下降，可能以一個量級下降。
此外，指令遵循能力、Agent能力（尤其是工具調(diào)用）、上下文長度等都在持續(xù)迭代。疊加coding能力提升，未來可能會出現(xiàn)大量連續(xù)運(yùn)行的Agent，它不像今天的Chatbot那樣，馬上給我個結(jié)果，而是能利用閑時計算資源做AI for science研究或生成深度報告，這背后它可能調(diào)用檢索引擎、CRM、ERP等工具。如果它會用了這么多工具，我們相信輸出質(zhì)量一定會比純文本模型更好。
泓君：你講了很多基礎(chǔ)模型在細(xì)微點(diǎn)上的提升。去年我們追蹤大模型和Agent發(fā)展趨勢時，注意到2025年是AI從模型走向應(yīng)用的關(guān)鍵一年，Agent大爆發(fā)，中國應(yīng)用創(chuàng)新尤其活躍。為什么是去年這個時間點(diǎn)？是因為模型基礎(chǔ)能力提升，還是有其他關(guān)鍵點(diǎn)推動？
徐棟：第一是推理能力。2024年底OpenAI推出o1后，模型不再依賴所謂的概率，開始表現(xiàn)出邏輯偏好，這是我覺得是非常根本性的改變。
第二是模型規(guī)模變大，原本存在的挑戰(zhàn)是你訓(xùn)不動它，但通過預(yù)訓(xùn)練改進(jìn)，模型變大的同時可控性也提高了，復(fù)雜指令能力越來越強(qiáng)。以前依賴確定性的workflow，但現(xiàn)在模型指令遵循和理解能力增強(qiáng)，只要有準(zhǔn)確上下文，就能在泛化性和準(zhǔn)確性之間找到平衡。
第三是工具調(diào)用（Tool Use）。隨著Claude Skills、MCP等標(biāo)準(zhǔn)逐漸被大家接受，越來越多工具顯性化，今天的模型開始跳脫了輸入輸出窗口，開始進(jìn)入更多生產(chǎn)環(huán)節(jié)。這個環(huán)節(jié)可能不是一個框，而是一個標(biāo)準(zhǔn)的SaaS流程或硬件交互方式。
泓君：我注意到剛剛結(jié)束的CES展上有一個趨勢，所有產(chǎn)品都想與AI搭上關(guān)系，比如耳機(jī)、智能眼鏡、剪輯拍攝工具等。今年有很多中國客戶參展，背后也有千問大模型的影子。你能否聊聊，在AI硬件產(chǎn)品中，大模型扮演什么角色？
徐棟：模型與硬件結(jié)合不是新鮮事，早在十年前，ASR、CV模型都與硬件有關(guān)，但商業(yè)價值不大。這一次，我覺得最重要的是，模型變得更擬人，可以執(zhí)行更多任務(wù)了。以前只能識別，現(xiàn)在能聽懂、看懂，給出你想要的結(jié)果。今天通過千問App，你可以通過自然語言直接訂咖啡、訂座位等。如果是眼鏡，通過自然語言完成這些任務(wù)，就跟過去是很大的區(qū)別。這背后離不開語音、視覺理解和文本模型。
泓君：通過眼鏡訂咖啡已經(jīng)實(shí)現(xiàn)了嗎？
徐棟：準(zhǔn)確說，早就實(shí)現(xiàn)了。千問App通過自然語言可以點(diǎn)咖啡、完成商業(yè)閉環(huán)，全部在一個基于大模型的架構(gòu)里面去完成。我剛剛試過，它會生成卡片，如果大模型操作界面和原來App一樣，可能會有挑戰(zhàn)，推薦咖啡時會考慮距離、偏好、歷史選擇，因為戴眼鏡時希望AI懂我、有記憶，這樣更方便。你可以切換，點(diǎn)開就是完整菜單。
泓君：我們可以看看未來這類應(yīng)用的發(fā)展情況。今天我們主題是大模型商業(yè)化，你能否整體介紹一下阿里千問是如何商業(yè)化的？
徐棟：做大模型與做云的最大區(qū)別是，云的覆蓋是比較慢的，最早是手游，慢慢覆蓋到金融和制造業(yè)。大模型這一波的改變是全行業(yè)覆蓋，每個行業(yè)都在用，只是滲透率不同，我們從兩個方向看：
第一，模型與企業(yè)結(jié)合，提升企業(yè)生產(chǎn)力。企業(yè)內(nèi)部有很多流程和角色，大模型可以在設(shè)計、編程、研發(fā)、銷售等環(huán)節(jié)發(fā)揮作用。
第二，產(chǎn)品與大模型結(jié)合。很多互聯(lián)網(wǎng)公司和消費(fèi)電子硬件天然與用戶交互，經(jīng)過大模型改造后，交互體驗發(fā)生很大變化，產(chǎn)品定位發(fā)生根本改變，所以我們與之有深入合作，不僅限于云上合作，像一些手機(jī)和車廠有低延時和本地化需求，我們發(fā)布了Omni模型（4B參數(shù)），他們對這類端側(cè)模型很感興趣。
泓君：這是類似賣端側(cè)模型嗎？
徐棟：是。這個場景更多針對算力較強(qiáng)的手機(jī)廠商和車廠，畢竟涉及功耗、發(fā)熱等問題。經(jīng)過兩三年打磨，很多車廠和手機(jī)廠開始考慮端云結(jié)合架構(gòu)。因為需求越來越旺盛，僅靠云模型不夠，我們今天已經(jīng)進(jìn)入到一個深水區(qū)了，端云模型結(jié)合，都成為大家關(guān)心的話題了。
泓君：從消費(fèi)者視角看，未來每部手機(jī)甚至每輛車都可能具備智能化交互能力，變得很智能，它是一開始就嵌入到手機(jī)里的。
徐棟：對，智能設(shè)備是每個人的貼身入口，涉及隱私、高時效性任務(wù)，所以一些硬件廠商的規(guī)劃里就會考慮這些因素。
泓君：我們把比如Omni的這個模型，放到一個手機(jī)或者是一個車?yán)?，它有一些任?wù)是在云上處理的，會接入阿里云，還是客戶自己的云？
徐棟：絕大部分企業(yè)，基本上都在阿里云上面提供這樣的云服務(wù)，通過MaaS服務(wù)平臺“百煉”直接與設(shè)備交互。這個平臺的核心要求就是高并發(fā)、低延時、可觀測，支持鑒權(quán)管控，是一個相對完整的平臺?？梢岳斫鉃榻^大多數(shù)企業(yè)通過這個平臺連接業(yè)務(wù)。
泓君：什么場景可以直接在端側(cè)處理？什么場景移到云上？端側(cè)跟云，大概會占到一個什么樣的比例？
徐棟：這是動態(tài)變化的。現(xiàn)在端側(cè)模型效果比兩年前的百B模型還好，現(xiàn)在只要一個4B的模型可能就效果發(fā)生改變。通用類任務(wù)、基本交互任務(wù)、語音和視覺理解，七成以上可以由端側(cè)模型較好地去解決了。
泓君：客戶與阿里合作時，最關(guān)心什么問題？
徐棟：這是一個變化過程。最早關(guān)心的是效果，因為模型效果還不夠好，客戶會提很多垂直任務(wù)，構(gòu)建評測集。最近半年到一年，客戶從效果轉(zhuǎn)向性能和成本。因為我們的模型體量增長了幾十倍，客戶也進(jìn)入了嚴(yán)肅的生產(chǎn)環(huán)節(jié)，模型效果基本得到驗證了。
客戶關(guān)心TPS、首包延時，甚至精細(xì)化到4K輸入和10萬輸入，有分別不同的TPS跟首包的要求。
有些業(yè)務(wù)有高并發(fā)需求，比如智能外呼，半小時內(nèi)完成10萬通電話，對并發(fā)要求很高。
最后是成本，當(dāng)使用量增長幾十倍、上百倍后，成本勢必成為客戶非常關(guān)心的話題。像一開始說到的視頻生成模型，目前還比較貴，如果客戶要批量生成自動化的廣告，他對成本訴求也會進(jìn)一步提高。
泓君：聽起來客戶對行業(yè)理解已經(jīng)很深，知道什么場景用小模型，什么場景用大模型。我感覺行業(yè)商業(yè)化已經(jīng)不是起步階段，大家開始提出具體需求，對垂直細(xì)分和精細(xì)化程度有了更多的考量。
徐棟：是的，最近小模型需求特別多，重復(fù)性的任務(wù)，用小模型會更有性價比。意圖理解、意圖抽取等場景，很多企業(yè)的Chatbot或Agent第一步就是對用戶的理解和判斷，這方面小模型需求也很多。中小模型的post-training（后訓(xùn)練）或fine-tuning（微調(diào)）需求最近三個月開始越來越多，客戶希望基于閉源模型混合自己的數(shù)據(jù)，訓(xùn)練出適合他的小模型。
泓君：成本是大家非常關(guān)注的。從阿里角度看，推理成本降了多少？
徐棟：推理成本基本上每半年下降近一個量級（十倍）。成本下降受多個因素影響：
第一，模型結(jié)構(gòu)稀疏化、混合精度、MTP等技術(shù)的應(yīng)用。
第二，芯片與模型的垂直一體化設(shè)計帶來潛在紅利。
第三，調(diào)度優(yōu)化，提高利用率。我們通過不同模型切換、時間段任務(wù)切換、夜間跑批任務(wù)等，帶來了利用率的提升。利用率非常高的話，成本就會下降。
補(bǔ)充一個具體案例吧，2025年底我們發(fā)布了Qwen3-Next，一個80B參數(shù)、3B激活的模型，稀疏比很高，相信很多開發(fā)者已經(jīng)試過了，它的推理效率、效果和速度都有很大提升。
泓君：除了模型結(jié)構(gòu)和算法，芯片設(shè)計和軟硬一體化對推理成本下降非常有幫助。谷歌TPU早期推理成本是OpenAI、Anthropic的十分之一，就是因為它是根據(jù)模型算法專門去設(shè)計的。
徐棟：所以我們看阿里巴巴的科技板塊，有云、有模型，有芯片的投入，三位一體，聽起來和谷歌有點(diǎn)接近。垂直一體化的好處很多，不僅是芯片和模型，還涉及到云，比如剛剛說的調(diào)度優(yōu)化，就是跟云相關(guān)的。
泓君：我注意到你們是全球最全面的開源大模型，當(dāng)時為什么決定開源？
徐棟：2023年8月前后，我們的7B模型得到非常大的市場反饋，基于這個模型，我們打開了全球格局。千問和萬相在海外社區(qū)活躍度很高。開源有幾個好處：
第一，增強(qiáng)人才吸引力，很多頂尖科研工作者或?qū)W生在學(xué)校就開始用千問模型，對其特性很了解。
第二，社區(qū)反饋幫助我們快速迭代，早期的時候非常明顯，社區(qū)里面包括推理框架、推理引擎，甚至端側(cè)部署等開發(fā)者圍繞生態(tài)幫我們做建設(shè)，提出的數(shù)據(jù)集和失敗案例問題，對我們模型快速迭代的幫助非常多。
我們在開源這塊是投入非常大的，國內(nèi)外企業(yè)幾乎沒有開發(fā)者不知道千問，企業(yè)內(nèi)部或多或少都會用到千問的一些能力。尤其是我們開過小參數(shù)模型，如1.5B、3B以下，我們還有一個最“甜點(diǎn)”的模型是32B（單顯卡可運(yùn)行），在企業(yè)中有大量應(yīng)用。
圖片來源：Hugging Face
泓君：開源和閉源，你們怎么做商業(yè)化平衡？客戶拿到開源模型就可以免費(fèi)用，閉源模型是有商業(yè)化收入在里面的。
徐棟：首先，阿里云是一家云公司，開源對我們云業(yè)務(wù)的帶動非常明顯，形成了商業(yè)化的正循環(huán)。第二，開源模型在發(fā)布時是離線版本，我們會在API版本（閉源）會進(jìn)行修正和能力提升。很多開源生態(tài)用戶也希望使用更簡單易用、并發(fā)更高的MaaS服務(wù)。另外，開源模型考慮開發(fā)者易用性，參數(shù)不會太大。我們最大的模型千問3 Max沒有開源，因為部署成本很高，有需求的客戶會選擇千問3 Max。
泓君：2025年春節(jié)前后，DeepSeek發(fā)布開源模型，讓中美眼前一亮。你覺得他們的發(fā)布對阿里有沖擊嗎？包括商業(yè)化方面。
徐棟：市場還處于中早期階段，更多模型公司推動技術(shù)進(jìn)步是最重要的。他們的論文清晰有參考意義，對整個行業(yè)是很好的推動。開源后反而帶動了開源生態(tài)活躍，讓千問開源得到進(jìn)一步發(fā)展。千問從0.5B到235B版本跨度大，企業(yè)不同場景都可以用到，更新節(jié)奏快，基本上我們一個月發(fā)三個小版本，三個月到半年發(fā)五個左右的大版本。這是一個相互促進(jìn)的過程。
泓君：今年大家討論如何衡量應(yīng)用是否火爆，行業(yè)常用方法是看用了多少Token。你覺得未來如何評價大客戶或火爆應(yīng)用？Token量是合理的評估指標(biāo)嗎？
徐棟：我認(rèn)為階段性有參考意義，很多公司用Tokens衡量創(chuàng)業(yè)估值，但長期來看，一定會回歸到收入，不一定是Token直接帶來的收入，也可能是封裝成Agent的收入。我們內(nèi)部探討Model As Service（模型即服務(wù)）和Agent As Service（智能體即服務(wù)）。Tokens有一些弊端，比如最小模型和最大模型的成本、收入可能差1000倍，商業(yè)價值也會有很大不同。再比如說多模態(tài)，語音模型和文本模型的Token度量衡也沒有清晰地統(tǒng)一起來。但Token依然是目前觀察業(yè)務(wù)使用量的較好指標(biāo)，我們比較關(guān)注。
泓君：Model As Service（模型即服務(wù)）和Agent As Service（智能體即服務(wù)），有什么區(qū)別？
徐棟：Model As Service強(qiáng)調(diào)的是模型的服務(wù)能力，比如你能不能時刻推出最新的模型、你的API應(yīng)用性是否足夠高，包括實(shí)時API、跑批任務(wù)等，這些都是它衍生出的很多產(chǎn)品的用法。
Agent As Service可能按場景或行業(yè)劃分，它可能用到多個模型，最后封裝出標(biāo)準(zhǔn)的任務(wù)結(jié)果給客戶使用，比如Deep Research就是一種智能體即服務(wù)能力。
泓君：你覺得現(xiàn)在大家在大模型研發(fā)上的投入還多嗎？我指的是基礎(chǔ)大模型最前沿的、性能最高的、再把模型推向極限的模型研發(fā)。我的感受是，現(xiàn)在大家也關(guān)注模型進(jìn)化，但討論熱度不如商業(yè)化高。
徐棟：這可能是一個小的反共識，或誤區(qū)。從模型角度看，我覺得模型研發(fā)投入反而變大了。市場上每家公司、實(shí)驗室都說自己缺算力，這意味著他們的工作結(jié)果可以被定量衡量的，這是一個高度競爭的過程。只是它可能不像過去那么顯性，比如突然推出o1模型，它具有推理能力了，或者突然有了Nano Banana，它可以做編輯了?，F(xiàn)在模型進(jìn)入精耕細(xì)作階段，可能沒有太多極端的范式上的改變，但是有大量工程細(xì)節(jié)需要推敲。所以為什么成本在以量級下降？就是因為可以做的工作太多了，比如數(shù)據(jù)清洗、評價標(biāo)準(zhǔn)等，過去用規(guī)則，現(xiàn)在可以用模型，有大量細(xì)節(jié)工作可以做。
圖片生成質(zhì)量在4個月里的進(jìn)化 圖片來源：千問Qwen
泓君：現(xiàn)在模型研發(fā)主要表現(xiàn)在哪些方向？剛才我們講到了多模態(tài)是大家關(guān)注的重點(diǎn)，去年Agent大爆發(fā)，比如在Coding Agent方面，Anthropic和硅谷幾家大的模型廠商在代碼提升方向放了更多數(shù)據(jù)配比和優(yōu)化。你覺得未來行業(yè)趨勢中，大家的模型研發(fā)在拼哪些方向？
徐棟：籠統(tǒng)講是Agentic能力。Agent或者Agentic這個詞，每個人定義都不一樣。從結(jié)果表現(xiàn)看，我期待的是一個模型能連續(xù)運(yùn)行兩個星期，并拿到好結(jié)果。在這個過程中，它需要與環(huán)境不斷交互，它需要自己做思考判斷和假設(shè)。這樣的模型結(jié)果一定會是非常棒的。回到一開始講到的語言模型的投入方向：工具調(diào)用能力、上下文能力、復(fù)雜指令遵循能力、推理能力。這些能力不斷提升，組合起來會帶來實(shí)際業(yè)務(wù)落地的很大改變。
泓君：所以主要是精耕細(xì)作，而不是在模型智能上？
徐棟：對，這取決于智能的定義。如果智能可以打分，這些精耕細(xì)作都是讓智能分?jǐn)?shù)越來越高。
02 從全景理解到自動剪輯
泓君：亓教授先來講一下，你們Insta360的產(chǎn)品是怎么樣跟AI結(jié)合的？
亓魯：我們是一家影像公司，使命是讓用戶更好地記錄和分享生活。所以與阿里的合作中，比較典型的是云端自動剪輯。我們希望用戶拍了一天或一整年的素材，能夠智能地剪輯成一條拿得出手或愿意分享的視頻，這對我們公司的戰(zhàn)略非常關(guān)鍵。
泓君：影石是我非常喜歡的公司，亓教授您可不可以詳細(xì)講一講，你們是怎么用到AI工具在視頻剪輯中的？
圖片來源：Insta360
亓魯：自動剪輯本身是一件特別主觀、玩法比較多的事情。難點(diǎn)不是把用戶片段拼起來，而是能命中用戶的剪輯意圖。不同人喜好不同：有的用戶在意故事延續(xù)性，希望視頻像一部小型紀(jì)錄片；有的用戶想要高光瞬間，讓影片節(jié)奏更快；還有的用戶注重氛圍和表達(dá)，比如配樂情緒、鏡頭語言、轉(zhuǎn)場風(fēng)格。
所以我們與阿里的合作主要集中在兩個方面：一個是千問的多模態(tài)理解模型，另一個是萬相的視頻生成模型。前者偏感知和理解，后者偏特效生成。
泓君：假設(shè)我給AI工具輸入指令：“剪輯我所有從雪山滑下來失敗的瞬間?！彼紫纫斫庹Z義，其次要在視頻里分析哪些是失敗的瞬間。
亓魯：對。我們的多模態(tài)理解負(fù)責(zé)看懂用戶素材，理解每個片段發(fā)生了什么，進(jìn)一步做高光提取、人物與事件判斷，最后將片段以結(jié)構(gòu)化形式編排，讓素材成為有邏輯、有主線的內(nèi)容組合。
泓君：你覺得現(xiàn)在整個模型的能力，它能理解到哪一步？能剪輯到哪一步？
亓魯：現(xiàn)在多模態(tài)理解在語義層面能滿足一定需求，更大的問題是如何進(jìn)行用戶意圖識別。用戶意圖可能與素材無關(guān)，更多是用戶行為或給出的指示詞。但很多時候用戶自己也不知道如何表達(dá)想剪輯成什么樣。這是一個比較大的難點(diǎn)：怎么讓剪輯算法理解用戶到底想要什么。
泓君：就像用戶是不是一個好甲方，能否讓乙方清楚理解意圖。比如“失敗的瞬間”可能不夠，要說“從雪橇上飛出來的畫面”，給出更清晰客觀的定義，是這一步很難嗎？
亓魯：對。如果要求用戶給出清晰定義，那這個體驗也會很差。我們更希望用戶用模糊語句，我們就能理解。這在模型層面還比較難。
泓君：在你們用AI做影片時，推出了哪些具體功能？如何用到多模態(tài)的？可以跟大家講一講嗎？
亓魯：影石最核心的產(chǎn)品是全景相機(jī)，秉承“先拍后剪”理念：拍攝時用360度全角度覆蓋記錄現(xiàn)場，剪輯時再挑選最佳視角、最合適節(jié)奏，把內(nèi)容講成故事。
全景素材與普通廣角相機(jī)不同，是360度全景圖。雖然通用大模型在預(yù)訓(xùn)練階段會用到360度素材，但在海量平面素材面前，全景數(shù)據(jù)量就顯得很少，導(dǎo)致模型對360度全景素材理解較差。
影石會分為自研和調(diào)用API兩部分。我們通過自研的全景理解模型，先對全景素材進(jìn)行高光提取，這是影石的核心技術(shù)壁壘，然后接入通用大模型進(jìn)行平面內(nèi)容編排。
泓君：哪部分自研，哪部分調(diào)用API？補(bǔ)充一句：從全景相機(jī)中提取可用素材，這個需求很硬核，因為你有一個主方向，可能三分之二素材是沒用的。
亓魯：如果是360度素材，即使場景相對單一，加上各種運(yùn)鏡玩法，也可以讓素材更為生動。我們自研的部分主要是基于全景的多模態(tài)理解模型，后面更傾向于用通用大模型幫助理解平面素材。
泓君：比如用戶拍一段三分鐘左右的360度視頻，AI把最有亮點(diǎn)的環(huán)節(jié)剪出來，大概消耗什么成本？卡在哪？成本下降的核心驅(qū)動力是什么？
亓魯：用戶剪一段這樣的素材可能需要十幾塊錢成本，還是蠻貴的。我們希望在技術(shù)上解決，包括對模型輸入做更高的信息壓縮，因為全景素材可壓縮率較高。我們更希望結(jié)合全景特性，從技術(shù)手段上把Token數(shù)量壓下來。
03 不止是降本，更是增效
泓君：接下來聊第二個案例，語憶科技如何幫助大型零售公司用AI提升業(yè)務(wù)能力。呂總，我知道雀巢、寶潔、泡泡瑪特等都是你的客戶?？梢韵冉榻B一下你們主要做什么嗎？
呂瀛杰：我們是為國內(nèi)和跨境消費(fèi)品牌提供全域消費(fèi)者洞察分析的、AI ToB的一家SaaS公司。
泓君：可以分享一下你們怎么做AI，怎么與客戶合作嗎？
呂瀛杰：以前，中國消費(fèi)品電商企業(yè)主要運(yùn)營方式是通過產(chǎn)品買流量直接轉(zhuǎn)化客戶，非常依賴流量紅利。2023年后，流量紅利見頂，很多頭部企業(yè)逐漸意識到要從流量思維進(jìn)化到“流量+消費(fèi)者思維”，這就誕生了大量消費(fèi)者調(diào)研需求。
企業(yè)在電商領(lǐng)域有很多消費(fèi)者與客服溝通的數(shù)據(jù)，很多客戶曾用大模型直接對原始數(shù)據(jù)進(jìn)行意圖理解和抽取，但他們自己做準(zhǔn)確率連70%都達(dá)不到。
我們想幫他們解決這個問題。我們從2021、2022年開始用GPU跑顯卡，做了一個非常垂直的、針對不同行業(yè)的消費(fèi)者意圖識別小模型?？蛻粝Ｍ覀儗υ颊Z料打標(biāo)，打出消費(fèi)者畫像，并且識別意圖，幫他們搭建意圖識別Agent。
這些畫像不同于傳統(tǒng)投流用的年齡、職業(yè)等，而是與產(chǎn)品興趣直接相關(guān)，比如一個頭部美妝品牌，希望了解消費(fèi)者膚質(zhì)情況、使用產(chǎn)品后的反饋、是否過敏等。
泓君：這些信息怎么收集？我覺得這些信息很有用，比如我買護(hù)膚品或化妝品時，覺得選擇太復(fù)雜，研究清楚要花很久。
呂瀛杰：比如您買東西時，我們會讓客戶在接待話術(shù)中做埋點(diǎn)改造?？蛻暨M(jìn)線后，客服主動說：“我是您的護(hù)膚美妝顧問，為了更好地推薦產(chǎn)品，希望了解您的膚質(zhì)情況?！边@樣改造后，消費(fèi)者提及率會高很多。
這是一個方向。在處理過程中我們發(fā)現(xiàn)幾類意圖：第一類是消費(fèi)者畫像；第二類是消費(fèi)者對產(chǎn)品、服務(wù)、物流、營銷的反饋（正面或負(fù)面）；第三類是歸因，舉個例子，一個國內(nèi)頂級日化品企業(yè)，原來有六個員工人工登記退貨原因，對應(yīng)責(zé)任部門，用于績效評定。我們幫他們搭建Agent歸因模型后，現(xiàn)在只有一個人復(fù)審。
泓君：你們與這些企業(yè)合作，他們用AI有好幾層動力。我們可以一個一個分析，取代客服可能是最常用的AI功能，你覺得效果好嗎？
呂瀛杰：我們不覺得是完全替代客服?？头ぷ髁鞣质矍敖哟褪酆筇幚怼Ｊ矍敖哟?，客戶問產(chǎn)品問題，大模型經(jīng)過知識庫訓(xùn)練校準(zhǔn)后，回答準(zhǔn)確率可能比人還要好，非常棒。但客戶的真實(shí)咨詢場景更復(fù)雜，比如客戶問優(yōu)惠券，大模型可能直接回答金額，但客戶接著問浙江地區(qū)能否參加國補(bǔ)，大模型再調(diào)取政策，如果再復(fù)雜到怎么湊單最能優(yōu)惠，這樣延展下去，AI的準(zhǔn)確率可能就不夠好。
泓君：在這些環(huán)節(jié)中，你們與基礎(chǔ)模型如何合作？以千問大模型為例，它們提供哪部分能力？
呂瀛杰：基座模型能提供消費(fèi)者問題的意圖識別。其次，普遍做法是為客戶搭建AI知識庫，通過大模型識別意圖后，進(jìn)入下一個工作流，用RAG方式獲取外掛知識庫。此外，大模型對知識庫清洗也有很大幫助，因為企業(yè)內(nèi)部知識可能不是標(biāo)準(zhǔn)化文檔，可能有詳情頁圖片、Xmind工作流等。這么多復(fù)雜的知識源，都需要大模型梳理到知識庫中。這也是基座模型能力的重要體現(xiàn)。
泓君：你們選模型時最看重什么？是基座模型能力，還是調(diào)用接口？
呂瀛杰：我們的核心是幫品牌做消費(fèi)者意圖識別理解，所以非?？粗鼗Ｐ驮谶@方面的能力。我們也有一些跨境的客戶，也有一些多語言的數(shù)據(jù)，我們測試過國內(nèi)外模型，發(fā)現(xiàn)阿里的千問在電商場景的消費(fèi)者意圖理解能力還是比較強(qiáng)的。
泓君：你們的位置很有意思：上游是基座模型，你們是中間層，下游連接想應(yīng)用AI的企業(yè)客戶。你覺得這些客戶用AI是為了省成本還是增銷量？是做存量還是增量市場？
呂瀛杰：這是個動態(tài)發(fā)展的過程。2023年大家探索如何用AI幫助企業(yè)時，非常關(guān)注降本。但去年市場變化很大，很多企業(yè)發(fā)現(xiàn)用AI自動化節(jié)省一些人工，雖然能打平用人成本，但也沒有帶來特別大的效益價值。2024年下半年開始，越來越多企業(yè)想用AI增效，希望AI去幫他們發(fā)現(xiàn)深度的產(chǎn)品機(jī)會、消費(fèi)者需求點(diǎn)，或老產(chǎn)品的新場景。
舉個例子，一個國內(nèi)頂級家電品牌的高端產(chǎn)品線（客單價2萬以上），通過我們提供的AI消費(fèi)者畫像識別和產(chǎn)品反饋分析，針對客戶功能需求設(shè)計營銷賣點(diǎn)、主播話術(shù)、客服話術(shù)。合作一年半后，整體銷量漲幅23%，高端線產(chǎn)品客單價提高6%以上。因為我們和這一個事業(yè)部合作效果很好，2025年他們把我們推薦給整個集團(tuán)，每個事業(yè)部都接入了AI識別模型和SaaS產(chǎn)品、Agent能力。
泓君：像你們這樣一端連模型、一端連客戶的中間服務(wù)層，核心競爭力是什么？是對業(yè)務(wù)的理解深度，還是技術(shù)能力？
呂瀛杰：我們兩方面都有。我們會訓(xùn)練針對不同行業(yè)意圖識別的模型，形成自己的數(shù)據(jù)飛輪?？蛻艨吹降氖且鈭D識別標(biāo)簽和成品Agent，但我們會留存數(shù)據(jù)訓(xùn)練垂直模型，在意圖識別場域越來越準(zhǔn)，尤其是對同類目的客戶。
更重要的是，客戶希望我們不僅是技術(shù)供應(yīng)商，還能以行業(yè)專家的身份提供行業(yè)know-how，比如頭部企業(yè)如何應(yīng)用AI產(chǎn)品，所以我們的客戶成功團(tuán)隊（CSM）也會配置不同行業(yè)的專家提供服務(wù)。
泓君：有個更未來的問題：AI在意圖識別后匹配更精準(zhǔn)商品，確實(shí)能帶來銷量提升和轉(zhuǎn)化。那么隨著越來越多行業(yè)和大品牌把AI打入工作流和銷售環(huán)節(jié)，最終所有企業(yè)都用上AI后，效果會不會慢慢變?nèi)跎踔磷菲剑课覀儸F(xiàn)在是否還在紅利期？
呂瀛杰：這個問題有意思。大家都升級軍火庫后，還有什么競爭力？我認(rèn)為AI未來的價值核心還是掌握在人手里，看如何使用它。在意圖識別、方向匹配、Deep Research報告生成上，各企業(yè)可能大體一致。但最終決策者如何看待這些數(shù)據(jù)、挖掘AI處理后的洞察，非常看人的洞察能力。最后還是要人找到真正的機(jī)會點(diǎn)。
泓君：這個總結(jié)特別好。現(xiàn)在是在AI紅利期，越往后歸因，未來真正的好產(chǎn)品才最具競爭力。
呂瀛杰：對。所以好的產(chǎn)品經(jīng)理、好的伙伴永遠(yuǎn)有機(jī)會。我再提個題外話：AI對To B SaaS行業(yè)在客戶收費(fèi)意識教育上起到了非常好的效果。以前中國To B企業(yè)客戶付費(fèi)意愿和金額不高，因為他們認(rèn)為誰都可以做軟件，價值不大。但AI這波影響很大，客戶明確認(rèn)識到AI按Token計費(fèi)，用了多少數(shù)據(jù)量就有相應(yīng)成本，如果不付錢，就無法提供服務(wù)。在付費(fèi)意識這塊，我們也在朝著美國To B市場同步。