2026 年，AI Agent 的競爭主戰(zhàn)場正從“底層模型”全面轉(zhuǎn)向“頂層應(yīng)用”。
伴隨技術(shù)的演進(jìn)，從提示詞工程（Prompt Engineering）、上下文工程（Context Engineering）、駕馭工程（Harness Engineering）一路邁向循環(huán)工程（Loop Engineering），Agent 的能力邊界被不斷拓寬。當(dāng)大模型的參數(shù)規(guī)模與基礎(chǔ)能力逐漸趨同，真正決定下一階段行業(yè)格局的，不再是誰的模型更龐大，而是誰能率先打造出 Agent 時(shí)代的“殺手級(jí)應(yīng)用”。Agent 的核心價(jià)值，正從單純的“回答問題”躍升至“自主完成任務(wù)、持續(xù)優(yōu)化并創(chuàng)造商業(yè)價(jià)值”，完成從工具到真正生產(chǎn)力的蛻變。
在這一產(chǎn)業(yè)拐點(diǎn)之下，7 月 17 日至 18 日，由 CSDN 與奇點(diǎn)智能研究院聯(lián)合舉辦的“2026 奇點(diǎn)智能產(chǎn)品大會(huì)”拉開帷幕。數(shù)百位來自 AI 模型、企業(yè)軟件、機(jī)器人與自動(dòng)駕駛等領(lǐng)域的從業(yè)者齊聚一堂。產(chǎn)業(yè)一線的技術(shù)專家、創(chuàng)業(yè)者與企業(yè)家們圍繞 AI 重構(gòu)產(chǎn)品與商業(yè)、下一代軟件形態(tài)、任務(wù)編排與組織協(xié)同等核心議題展開了熱烈交鋒與深度探討。現(xiàn)場交流熱烈，觀點(diǎn)交鋒不斷。
2026奇點(diǎn)智能產(chǎn)品大會(huì)主會(huì)演講嘉賓
李建忠：Agent 產(chǎn)品創(chuàng)新的十個(gè)命題
作為大會(huì)開場嘉賓，奇點(diǎn)智能研究院院長、CSDN 高級(jí)副總裁李建忠發(fā)表了題為《Agent 產(chǎn)品創(chuàng)新的十個(gè)命題》的主題演講。面對(duì) AI 技術(shù)快速演進(jìn)，他從底層邏輯、產(chǎn)品價(jià)值、設(shè)計(jì)范式、交互方式、商業(yè)模式以及技術(shù)邊界等多個(gè)維度，拆解 AI 時(shí)代產(chǎn)品創(chuàng)新正在發(fā)生的范式變化，并提出重塑產(chǎn)品認(rèn)知的十個(gè)核心命題：
1. 核心邏輯：從連接到計(jì)算。
2. 產(chǎn)品價(jià)值：從提供工具到交付結(jié)果。
3. 產(chǎn)品設(shè)計(jì)：從“流程體驗(yàn)設(shè)計(jì)”到“駕馭任務(wù)設(shè)計(jì)”。
4. 人機(jī)交互：Agent 占據(jù)人機(jī)交互第一入口。
5. 形態(tài)演進(jìn)：Agent 時(shí)代，傳統(tǒng)軟件/App 不會(huì)消失，而是演進(jìn)為即時(shí)軟件與柔性軟件。
6. 指標(biāo)體系：從用戶時(shí)長到任務(wù)完成。
7. 產(chǎn)品護(hù)城河：從網(wǎng)絡(luò)效應(yīng)到能力飛輪。
8. 商業(yè)模式：從廣告/許可到結(jié)果/訂閱付費(fèi)。
9. 能力上限：Agentic Scaling（智能體擴(kuò)展）的杠桿效應(yīng)遠(yuǎn)未見頂。
10. 智能本質(zhì)：Agent 正在從模式匹配走向真實(shí)的邏輯推理。
李建忠認(rèn)為，理解 AI 時(shí)代產(chǎn)品創(chuàng)新，首先要認(rèn)識(shí)底層邏輯的變化。傳統(tǒng)互聯(lián)網(wǎng)時(shí)代圍繞“連接”展開，核心是解決信息與服務(wù)匹配問題；而 AI 時(shí)代則進(jìn)入“計(jì)算”范式，核心是智能供給。過去是機(jī)器提供數(shù)據(jù)輔助人類決策，而如今則是人類提供上下文，讓機(jī)器完成任務(wù)。
這一變化也重新定義了產(chǎn)品價(jià)值。傳統(tǒng)軟件時(shí)代，產(chǎn)品主要提供工具供用戶操作，而 AI 產(chǎn)品開始直接交付結(jié)果。以 IDE、Office、Photoshop、CRM 等為代表的軟件，本質(zhì)上是能力工具；而 AI Coding、AI Office、AI CRM 則開始直接承擔(dān)代碼編寫、文檔生成、銷售執(zhí)行等任務(wù)。對(duì)此，李建忠表示，“AI 時(shí)代的產(chǎn)品經(jīng)理，我認(rèn)為他是智能勞動(dòng)系統(tǒng)的設(shè)計(jì)師。” 相比設(shè)計(jì)功能和用戶流程，更重要的是設(shè)計(jì) Agent 如何理解任務(wù)、調(diào)用能力，并最終完成結(jié)果交付。
談及產(chǎn)品設(shè)計(jì)的新范式，李建忠指出，AI 產(chǎn)品已經(jīng)從 Prompt Engineering（提示詞工程）、Context Engineering（上下文工程），演進(jìn)到 Harness Engineering（駕馭工程），并開始邁向 Loop Engineering（循環(huán)工程）。他強(qiáng)調(diào)，這并非只是工程師的工作，而是產(chǎn)品團(tuán)隊(duì)與工程團(tuán)隊(duì)共同參與的系統(tǒng)設(shè)計(jì)。未來產(chǎn)品經(jīng)理需要圍繞 Agent 的完整任務(wù)鏈展開設(shè)計(jì)，包括上下文、記憶、技能、工具、沙箱以及評(píng)估機(jī)制，讓 Agent 能夠完成“知道、行動(dòng)、反饋”的閉環(huán)。
在人機(jī)交互方面，李建忠強(qiáng)調(diào)，Agent 正在成為新的交互入口。用戶通過自然語言提出需求，Agent 自主調(diào)用軟件完成任務(wù)，軟件也將從“Design for Human”轉(zhuǎn)向“Design for Agent”。未來應(yīng)用會(huì)進(jìn)一步服務(wù)化、App 不再孤立，我們也無需結(jié)構(gòu)化 UI。同時(shí)，傳統(tǒng)依賴菜單、表單等結(jié)構(gòu)化界面的交互方式將逐步演進(jìn)為生成式 UI，根據(jù)用戶需求動(dòng)態(tài)生成更加個(gè)性化的交互體驗(yàn)。
針對(duì)“Agent 時(shí)代 App 是否會(huì)消失”的熱門討論，李建忠給出了否定答案。在他看來，軟件基于確定性計(jì)算，Agent 基于概率性計(jì)算，兩者將在未來長期共存。在這一過程中，軟件形態(tài)也將發(fā)生變化，除了傳統(tǒng)應(yīng)用，還會(huì)出現(xiàn)“即時(shí)軟件（Instant Software）”和“柔性軟件（Elastic Software）”等新范式，通過 Agent 按需生成更加個(gè)性化的應(yīng)用能力。他認(rèn)為，這類軟件雖然仍存在爭議，但正如短視頻曾顛覆傳統(tǒng)影視行業(yè)一樣，邊緣創(chuàng)新往往孕育著下一代產(chǎn)品機(jī)會(huì)。
此外，李建忠指出，互聯(lián)網(wǎng)時(shí)代圍繞 PV、DAU、用戶時(shí)長等流量指標(biāo)建立的方法論，已難以衡量 Agent 產(chǎn)品價(jià)值。相比追求用戶停留時(shí)間，Agent 更強(qiáng)調(diào)“用完即走”，真正重要的是任務(wù)完成率、單任務(wù)價(jià)值以及 Token 等計(jì)算指標(biāo)。在他看來，AI 產(chǎn)品的護(hù)城河也正在發(fā)生變化。互聯(lián)網(wǎng)時(shí)代依賴的是雙邊市場形成的網(wǎng)絡(luò)效應(yīng)，而 Agent 產(chǎn)品更依賴“能力飛輪”，隨著記憶、技能、工具和反饋閉環(huán)不斷積累，Agent 會(huì)越用越智能、任務(wù)完成率越來越高。他認(rèn)為，“AI 沒有雙邊網(wǎng)絡(luò)效應(yīng)，它真正的護(hù)城河是能力飛輪。” 其中，長期記憶將成為決定 Agent 能力躍遷的關(guān)鍵，也是未來競爭的重要方向。
商業(yè)模式同樣會(huì)隨著 AI 時(shí)代到來發(fā)生變化。李建忠表示，AI 正在改變互聯(lián)網(wǎng)時(shí)代“流量變現(xiàn)”的邏輯。過去互聯(lián)網(wǎng)依靠廣告、許可授權(quán)和交易傭金等模式實(shí)現(xiàn)商業(yè)化，但 Agent 時(shí)代，用戶使用 AI 的核心訴求是解決問題，而不是接受額外推薦。因此，未來 Agent 的商業(yè)模式將從流量驅(qū)動(dòng)轉(zhuǎn)向結(jié)果驅(qū)動(dòng)，圍繞結(jié)果付費(fèi)、訂閱服務(wù)（Token）和交易傭金等方式實(shí)現(xiàn)價(jià)值變現(xiàn)。
對(duì)于 Agent 的未來上限，李建忠認(rèn)為，當(dāng)前 Agent 仍處于早期階段，能力提升空間巨大。他提出，未來 Agent 的核心突破將來自“Agentic Scaling”，包括協(xié)作數(shù)量、運(yùn)行時(shí)長和迭代深度三個(gè)方向。他表示，當(dāng)前 Agent 仍處于“嬰兒時(shí)期”，未來幾年 AI 能力演進(jìn)遠(yuǎn)未見頂。
針對(duì)“Agent 是否具備真正推理能力”的爭議，李建忠表示，業(yè)界目前仍存在兩種觀點(diǎn)：一方認(rèn)為 AI 只是基于數(shù)據(jù)的模式匹配，另一方則認(rèn)為其已經(jīng)具備類似人類的推理能力。他更傾向于后者，并認(rèn)為模式匹配與邏輯推理并非二元對(duì)立，而是存在連續(xù)關(guān)系。他引用 Anthropic 關(guān)于 J-space 的研究指出，大模型的能力并不只是簡單預(yù)測下一個(gè) Token。在長期語言訓(xùn)練過程中，模型逐漸學(xué)習(xí)到了語言背后的抽象概念和語義關(guān)聯(lián)，并形成跨語言的概念表示體系。這與人類通過抽象建立認(rèn)知的過程存在一定相似性。他認(rèn)為，隨著模型能力持續(xù)發(fā)展，AI 的推理能力仍將不斷演進(jìn)。
AI 全媒體平臺(tái)“奇點(diǎn)折射”發(fā)布
最后，李建忠在大會(huì)現(xiàn)場正式發(fā)布 AI 全媒體平臺(tái)“奇點(diǎn)折射”。他表示，“奇點(diǎn)”代表 AI 邁向超越人類智能的關(guān)鍵臨界點(diǎn)，“折射”則寓意如同光的折射一般，通過多元視角解構(gòu) AI 技術(shù)與產(chǎn)品范式，洞察產(chǎn)業(yè)創(chuàng)新。未來，“奇點(diǎn)折射”將匯聚行業(yè)專家的深度觀點(diǎn)，以“跨越 AI 奇點(diǎn)，折射產(chǎn)業(yè)未來”為理念，通過全媒體傳播持續(xù)輸出高質(zhì)量內(nèi)容，為產(chǎn)業(yè)發(fā)展帶來更多啟發(fā)與思考。
吳甘沙：從自動(dòng)駕駛到物理AI：從萬人出發(fā)到孤獨(dú)的長跑
以《從自動(dòng)駕駛到物理 AI：從萬人出發(fā)到孤獨(dú)的長跑》為題，馭勢科技董事長兼 CEO 吳甘沙結(jié)合馭勢科技近十年的創(chuàng)業(yè)歷程，分享了自己對(duì)于物理 AI 產(chǎn)品、技術(shù)演進(jìn)和商業(yè)模式的思考。
他表示，2016 年自動(dòng)駕駛創(chuàng)業(yè)潮興起時(shí)，行業(yè)曾有數(shù)百家企業(yè)同時(shí)出發(fā)，而十年后的今天，堅(jiān)持下來的企業(yè)已經(jīng)屈指可數(shù)。如今，自動(dòng)駕駛被賦予了新的名字——物理 AI（Physical AI），但其本質(zhì)仍然是一場需要長期投入、持續(xù)迭代的“孤獨(dú)長跑”。
吳甘沙認(rèn)為，與數(shù)字世界相比，物理 AI 產(chǎn)品面臨著完全不同的挑戰(zhàn)：在數(shù)字產(chǎn)品中，“99 分”往往已經(jīng)足夠優(yōu)秀；但對(duì)于自動(dòng)駕駛而言，99 分意味著仍可能發(fā)生事故，因此等同于 0 分。
基于十年的創(chuàng)業(yè)實(shí)踐，他提出，物理 AI 的競爭首先要回答一個(gè)問題：這究竟是一場速?zèng)Q戰(zhàn)還是持久戰(zhàn)？他的判斷是，自動(dòng)駕駛和物理 AI 本質(zhì)上屬于長期競爭賽道。行業(yè)中的大多數(shù)企業(yè)都能將產(chǎn)品做到“99 分”，但最后的 1% 往往需要投入 99% 的時(shí)間和資源，這也給創(chuàng)業(yè)公司留下了持續(xù)成長的窗口。
圍繞競爭策略，吳甘沙借用了《孫子兵法》和《隆中對(duì)》的思想進(jìn)行分析：
找到“益州”之后，該如何致勝？吳甘沙分享了 PMF（產(chǎn)品市場匹配）的尋找過程——“黃金鏟子挖富礦”。市場端要滿足人又缺又貴、法規(guī)允許、社會(huì)支持三重條件；產(chǎn)品端則要看技術(shù)是否接近 100 分、成本是否算得過來、事故后果是否可控。
吳甘沙表示，馭勢科技找到的“富礦”是機(jī)場場景：目前，馭勢科技已在國內(nèi)前 20 大機(jī)場中的 15 家，以及全球前 10 大機(jī)場中的 3 家實(shí)現(xiàn)無人駕駛規(guī)模化運(yùn)營，占據(jù)國內(nèi)機(jī)場無人駕駛市場超過九成份額。他強(qiáng)調(diào)，真正的產(chǎn)品價(jià)值不僅是實(shí)現(xiàn)車輛自動(dòng)駕駛，而是完成掛接、裝卸、充電等全流程無人化閉環(huán)，真正解決客戶問題，才算實(shí)現(xiàn)產(chǎn)品與市場的匹配。
那么，完成“益州”深耕后，又要如何謀略“中原”？馭勢科技的做法是打造 U-Drive 全場景通用自動(dòng)駕駛操作系統(tǒng)，覆蓋巴士、重卡、環(huán)衛(wèi)車、巡邏車等多車型，用平臺(tái)化將巨大的固定成本分?jǐn)偟蕉鄠€(gè)場景。談及商業(yè)模式，他提出，未來物理 AI 不應(yīng)停留在一次性賣車，而應(yīng)轉(zhuǎn)向“AI 司機(jī)訂閱模式”——為車輛持續(xù)提供 AI 駕駛能力，并采用按使用時(shí)長、運(yùn)行里程付費(fèi)的訂閱模式，為客戶提供長期服務(wù)。如吳甘沙所說：“未來賣的不是軟件，而是信任。”
在技術(shù)演進(jìn)方面，他認(rèn)為，近年來具身智能的發(fā)展讓自動(dòng)駕駛迎來了新的窗口期。從早期感知算法，到端到端架構(gòu)，再到融合視覺語言模型（VLM）、視覺語言動(dòng)作模型（VLA）、強(qiáng)化學(xué)習(xí)和世界模型。自動(dòng)駕駛技術(shù)路線正在逐漸收斂，也越來越接近人類學(xué)習(xí)駕駛的過程：預(yù)訓(xùn)練相當(dāng)于積累社會(huì)認(rèn)知，駕校訓(xùn)練類似監(jiān)督微調(diào)（SFT），新手上路則對(duì)應(yīng)強(qiáng)化學(xué)習(xí)，而熟練駕駛則依賴世界模型與長期經(jīng)驗(yàn)的積累。
因此，面向未來，吳甘沙分享了馭勢科技推進(jìn) AI Native 的實(shí)踐：提出 AI First 理念，在產(chǎn)品研發(fā)、企業(yè)運(yùn)營、知識(shí)管理等環(huán)節(jié)全面引入 AI，并自主開發(fā)了多 Agent 工程系統(tǒng)“造父”，希望借助 AI 實(shí)現(xiàn)從需求定義、任務(wù)拆解到持續(xù)交付的端到端閉環(huán)，進(jìn)一步提升研發(fā)效率和組織杠桿。
“物理世界的 AI 是一場孤獨(dú)的長跑。”在演講最后，吳甘沙總結(jié)道，長跑者不能追風(fēng)口，也不能怕孤獨(dú)，專注于把每一步踩實(shí)。當(dāng)所有人都在談?wù)撈纥c(diǎn)，真正改變世界的，是看到奇點(diǎn)前面需要什么樣的橋梁，并把它造好。
白鴉（朱寧）：讓非技術(shù)人員完成自己的產(chǎn)品演示和研發(fā)
在 AI 浪潮不斷深入產(chǎn)業(yè)的當(dāng)下，AI 應(yīng)用究竟會(huì)走向何方？有贊創(chuàng)始人兼 CEO 白鴉（朱寧）在本次大會(huì)上發(fā)表《讓非技術(shù)人員完成自己的產(chǎn)品演示和研發(fā)》主題演講，分享了他對(duì) AI 應(yīng)用演進(jìn)趨勢以及產(chǎn)業(yè)落地方向的觀察。
白鴉認(rèn)為，未來幾年 AI 應(yīng)用大致可以劃分為以下幾個(gè)層級(jí)：
基于這些判斷，有贊也開始探索更高階的 AI Agent 和 AI 創(chuàng)作方向，并推出了一個(gè)對(duì)非技術(shù)人極其友好的對(duì)話編程平臺(tái) superun。白鴉回顧，這款產(chǎn)品最初的方向是利用 AI 直接生成設(shè)計(jì)界面，但經(jīng)過兩年的探索后發(fā)現(xiàn)，這條路并不容易走通。“模型今天根本沒有 UI 相關(guān)的數(shù)據(jù)，所以沒有辦法訓(xùn)練出真正好的界面。”
相比之下，大模型在代碼生成領(lǐng)域已經(jīng)積累了大量數(shù)據(jù)，因此團(tuán)隊(duì)最終調(diào)整方向，從“AI 設(shè)計(jì)”轉(zhuǎn)向“AI Coding”，通過自然語言生成代碼，再進(jìn)一步渲染出真實(shí)可用的產(chǎn)品界面。這一轉(zhuǎn)變也讓白鴉看到了 AI 編程的新機(jī)會(huì)。
在過去，產(chǎn)品經(jīng)理、運(yùn)營人員或者企業(yè)管理者提出需求后，需要依賴設(shè)計(jì)師和程序員完成產(chǎn)品原型，但很多 Demo 只是視覺展示，并不是真正的業(yè)務(wù)模擬。而 AI Coding 生成的產(chǎn)品，不僅能夠還原界面，還可以生成真實(shí)的數(shù)據(jù)、流程和交互效果。“以前設(shè)計(jì)師做出來的 Demo，除了好看，剩下全是假的。但 AI 今天生成的界面，可以把商品圖片、名稱、價(jià)格都真實(shí)呈現(xiàn)出來。”白鴉表示，這讓業(yè)務(wù)人員能夠快速驗(yàn)證自己的想法。
在他看來，superun 的核心價(jià)值并不是幫助程序員提高效率，而是讓過去被技術(shù)限制的非技術(shù)人員擁有創(chuàng)造軟件的能力。“過去幾十年的職業(yè)生涯，很多業(yè)務(wù)人員其實(shí)一直在被技術(shù)綁架。”白鴉說。許多企業(yè)管理者和行業(yè)專家擁有豐富的業(yè)務(wù)經(jīng)驗(yàn)，但由于不會(huì)編程，無法直接將自己的想法轉(zhuǎn)化為產(chǎn)品，只能依賴技術(shù)團(tuán)隊(duì)實(shí)現(xiàn)。
為了讓非技術(shù)人員真正使用 AI 開發(fā)產(chǎn)品，superun 進(jìn)行了大量產(chǎn)品優(yōu)化，包括引入專業(yè) UI 設(shè)計(jì)經(jīng)驗(yàn)、模擬高級(jí)產(chǎn)品經(jīng)理思考方式，并將軟件開發(fā)流程拆解為“構(gòu)想、Demo、Coding、上線”等階段，讓用戶能夠逐步完善自己的作品。
白鴉認(rèn)為，未來軟件行業(yè)的主導(dǎo)者可能不再只是程序員，而是那些深度理解業(yè)務(wù)、能夠總結(jié)行業(yè)規(guī)律的人。未來大量固定流程但存在個(gè)性化需求的軟件，例如企業(yè)內(nèi)部管理、人事、采購、財(cái)務(wù)等系統(tǒng)，都可能通過 AI 由業(yè)務(wù)人員自主完成。“外包的軟件開發(fā)，未來可能會(huì)越來越少，因?yàn)闃I(yè)務(wù)人員自己就可以完成軟件重構(gòu)。”
徐欣：模型之外：AI 與業(yè)務(wù)結(jié)合實(shí)踐分享
圍繞《模型之外：AI 與業(yè)務(wù)結(jié)合實(shí)踐分享》這一主題，快手用戶體驗(yàn)部負(fù)責(zé)人徐欣分享了快手在推動(dòng) AI 與業(yè)務(wù)融合過程中踩過的“坑”，并直面了一個(gè)更本質(zhì)的問題：當(dāng) AI 進(jìn)入真實(shí)業(yè)務(wù)場景，最難的不是模型本身，而是模型之外的團(tuán)隊(duì)協(xié)作、組織管理和個(gè)人認(rèn)知。
徐欣表示，自 ChatGPT 發(fā)布后，快手用戶體驗(yàn)部很早便開始探索 AI 在業(yè)務(wù)中的應(yīng)用。他們將 AI 的價(jià)值劃分為三個(gè)層次：首先是賦能個(gè)人，幫助員工提升工作效率；其次是賦能團(tuán)隊(duì)，將流程化、重復(fù)性的事務(wù)交給 AI 自動(dòng)完成；最終則是賦能業(yè)務(wù)，推動(dòng)企業(yè)實(shí)現(xiàn)降本增效和業(yè)務(wù)目標(biāo)。
然而，對(duì)于當(dāng)時(shí)的團(tuán)隊(duì)而言，他們面臨著一個(gè)現(xiàn)實(shí)困境：沒錢、沒卡、沒資源，行業(yè)普遍在自研大模型時(shí)，這條路顯然走不通。于是他們反過來盤點(diǎn)了自己真正擁有的東西：上千名一線客服同學(xué)、每天數(shù)十萬條真實(shí)咨詢數(shù)據(jù)、完整的研發(fā)測試交付閉環(huán)。這些資產(chǎn)指向一個(gè)結(jié)論：不做模型，做調(diào)優(yōu)；不拼算法，拼落地效率和數(shù)據(jù)閉環(huán)。只要有開源模型可用，就能基于業(yè)務(wù)數(shù)據(jù)快速迭代。
場景選擇上，團(tuán)隊(duì)做得非常細(xì)致：對(duì)于規(guī)則明確的問題繼續(xù)采用傳統(tǒng) NLP，只有上下文模糊、傳統(tǒng)方式識(shí)別困難的場景才上大模型，把錢花在“刀刃”上。同時(shí)嚴(yán)格驗(yàn)證 ROI，按財(cái)務(wù)口徑計(jì)算真實(shí)節(jié)省的人力與時(shí)間，并計(jì)入產(chǎn)研人力成本，經(jīng)得起檢驗(yàn)——正如徐欣所說：“只有財(cái)務(wù)口徑能夠算得過來，項(xiàng)目才具備持續(xù)推進(jìn)的價(jià)值。”
在組織協(xié)同方面，徐欣分享了一個(gè)典型案例。AI 團(tuán)隊(duì)與客服團(tuán)隊(duì)共同推進(jìn)項(xiàng)目初期，雙方一度陷入互相抱怨：AI 團(tuán)隊(duì)認(rèn)為業(yè)務(wù)團(tuán)隊(duì)沒有提供結(jié)構(gòu)化需求，而業(yè)務(wù)團(tuán)隊(duì)則認(rèn)為 AI 團(tuán)隊(duì)不了解真實(shí)業(yè)務(wù)，提出的方案無法落地。問題的根源在于，雙方都希望由對(duì)方承擔(dān)跨領(lǐng)域的理解成本。
對(duì)此，快手用戶體驗(yàn)部重新明確了雙方職責(zé)：AI 團(tuán)隊(duì)必須深入理解業(yè)務(wù)，而業(yè)務(wù)團(tuán)隊(duì)也不能只做需求提出方，而要主動(dòng)學(xué)習(xí) AI，培養(yǎng)判斷哪些工作適合 AI、哪些仍需人工完成的能力。雙方共同目標(biāo)只有一個(gè)：拿到 AI 提效的實(shí)際結(jié)果，用節(jié)降數(shù)據(jù)驗(yàn)收。徐欣透露，這套機(jī)制跑通后，截至 2025 年底，快手 AI 客服按嚴(yán)格財(cái)務(wù)口徑累計(jì)節(jié)降超 1 億元。
隨著 AI 能力不斷增強(qiáng)，徐欣認(rèn)為，企業(yè)正迎來新的挑戰(zhàn)。一方面，AI 正在模糊各崗位之間的邊界，越來越多沒有技術(shù)背景的業(yè)務(wù)人員借助 AI 工具，也能獨(dú)立完成產(chǎn)品原型甚至上線 MVP，這將逐步打破原有的分工合作模式；另一方面，組織內(nèi)部又面臨“個(gè)人成長”與“組織效率”之間的新矛盾。
他舉例稱，在快手用戶體驗(yàn)部，一個(gè)業(yè)務(wù)團(tuán)隊(duì)希望自主開發(fā) Agent 及相應(yīng)的開發(fā)框架，以積累 AI 能力；而 AI 平臺(tái)團(tuán)隊(duì)則建議直接復(fù)用已有框架，避免重復(fù)建設(shè)。表面上看，這是資源復(fù)用的問題，實(shí)際上反映的是團(tuán)隊(duì)成員希望通過實(shí)踐提升能力，而組織更強(qiáng)調(diào)復(fù)用和避免重復(fù)建設(shè)導(dǎo)向之間的矛盾。
為此，快手用戶體驗(yàn)部重新劃定了“重復(fù)建設(shè)”的邊界：鼓勵(lì)各團(tuán)隊(duì)圍繞不同業(yè)務(wù)場景自主探索 Agent 和開發(fā)工具，但生成后的 Agent、Skill 以及相關(guān)能力規(guī)范則統(tǒng)一治理，實(shí)現(xiàn)可發(fā)現(xiàn)、可維護(hù)、可復(fù)用，既保障創(chuàng)新，又避免重復(fù)投入。
除此之外，徐欣還分享了 AI 項(xiàng)目實(shí)施中的一些常見誤區(qū)，包括模型選型“大炮打蚊子”、解決方案偷懶、多個(gè)項(xiàng)目重復(fù)調(diào)用等問題。他表示，一個(gè)優(yōu)秀的 Prompt 與普通 Prompt，成本甚至可能相差 90% 以上，因此模型治理和工程優(yōu)化同樣重要。
在演講最后，徐欣總結(jié)道：企業(yè)推進(jìn) AI 落地，真正困難的往往不是模型本身，而是模型之外的組織管理、團(tuán)隊(duì)協(xié)作、人才成長以及業(yè)務(wù)理解——只有解決這些問題，AI 才能真正轉(zhuǎn)化為推動(dòng)業(yè)務(wù)發(fā)展的生產(chǎn)力。
張帆：從 AI 模型第一性視角，重構(gòu)產(chǎn)品設(shè)計(jì)方法論
從技術(shù)視角來看，AI 時(shí)代的產(chǎn)品設(shè)計(jì)的第一性是什么？元理智能創(chuàng)始人、前智譜 COO 張帆圍繞《從AI模型第一性視角，重構(gòu)產(chǎn)品設(shè)計(jì)方法論》這一主題，分享了他對(duì)于 AI 產(chǎn)品設(shè)計(jì)范式變化的思考。
張帆表示，AI 時(shí)代的產(chǎn)品設(shè)計(jì)與過去的軟件產(chǎn)品已經(jīng)發(fā)生了根本變化。過去的軟件產(chǎn)品本質(zhì)上類似一個(gè)“有限狀態(tài)機(jī)”，產(chǎn)品經(jīng)理需要提前設(shè)想用戶需求，盡可能窮舉各種功能和流程，并通過明確規(guī)則實(shí)現(xiàn)交互，整個(gè)過程具有較強(qiáng)的確定性。而 AI 產(chǎn)品不同，其底層邏輯來自概率分布。很多 AI 產(chǎn)品看似只有一個(gè)輸入框，卻能夠承載遠(yuǎn)超傳統(tǒng)界面的能力。因此，理解 AI 產(chǎn)品的關(guān)鍵，不再是沿用過去確定性的設(shè)計(jì)方法，而是思考如何影響和塑造模型輸出的概率分布。
在張帆看來，產(chǎn)品的本質(zhì)并非簡單的交互界面，而是人與機(jī)器之間溝通的方式。過去幾十年的產(chǎn)品演進(jìn)，實(shí)際上都圍繞兩個(gè)核心問題展開：人如何更準(zhǔn)確地表達(dá)意圖，以及機(jī)器如何更準(zhǔn)確地理解和執(zhí)行。從早期的打孔機(jī)、命令行，到圖形界面、移動(dòng)端觸控，再到如今的自然語言和多模態(tài)交互，技術(shù)不斷降低人與機(jī)器之間的溝通成本，提高信息傳遞效率。
當(dāng)前隨著大模型出現(xiàn)，人機(jī)交互進(jìn)一步演變?yōu)樽匀徽Z言甚至多模態(tài)交互。張帆認(rèn)為，人機(jī)交互的發(fā)展始終圍繞兩個(gè)核心因素：一是通信帶寬，二是理解效率。正因?yàn)槿绱耍珹I 時(shí)代產(chǎn)品設(shè)計(jì)的重點(diǎn)正在發(fā)生變化。過去，產(chǎn)品更多關(guān)注如何幫助用戶生產(chǎn)內(nèi)容，而未來更重要的問題，是如何幫助用戶驗(yàn)證內(nèi)容。
他以內(nèi)容生產(chǎn)為例指出，如今 AI 生成文章、圖片甚至代碼已經(jīng)變得越來越容易，但判斷這些結(jié)果是否真正有效，反而成為新的挑戰(zhàn)。因此，AI 產(chǎn)品的價(jià)值不再只是降低用戶輸入成本，而是幫助用戶判斷 AI 輸出是否符合目標(biāo)，并通過產(chǎn)品設(shè)計(jì)提升結(jié)果的可靠性。
張帆認(rèn)為，過去產(chǎn)品設(shè)計(jì)更像是在繪制一張確定性的地圖，通過設(shè)計(jì)流程和規(guī)則覆蓋用戶需求；而 AI 時(shí)代，產(chǎn)品設(shè)計(jì)的核心則變成了“雕塑概率分布”。產(chǎn)品價(jià)值不再來自簡單的界面設(shè)計(jì)，而在于能否通過模型、Agent、業(yè)務(wù)流程等組合方式，形成區(qū)別于通用模型的獨(dú)特能力。他指出，當(dāng)前很多 AI 產(chǎn)品的問題在于，將“使用 AI 做出一個(gè)產(chǎn)品”本身視為價(jià)值。但如果用戶通過一句話就能獲得同樣結(jié)果，那么價(jià)值實(shí)際上屬于模型，而不是產(chǎn)品。真正具備競爭力的產(chǎn)品，需要通過數(shù)據(jù)、流程、反饋機(jī)制等方式改變模型輸出結(jié)果的概率分布，形成自身的業(yè)務(wù)優(yōu)勢。
進(jìn)一步來看，AI 產(chǎn)品設(shè)計(jì)最大的挑戰(zhàn)，是如何在無法窮舉所有場景的情況下，讓模型持續(xù)產(chǎn)生可靠結(jié)果。這也是近年來 Evals Engineer（評(píng)測工程師）受到關(guān)注的原因。相比過去關(guān)注如何優(yōu)化 Prompt，如今更重要的是建立有效的評(píng)價(jià)機(jī)制，通過持續(xù)反饋發(fā)現(xiàn)問題、優(yōu)化模型表現(xiàn)。
張帆表示，模型自我進(jìn)化能力的核心來自“生產(chǎn)”和“驗(yàn)證”的不對(duì)稱。創(chuàng)造一個(gè)優(yōu)秀結(jié)果往往需要大量探索，但判斷結(jié)果好壞通常更加容易，而驗(yàn)證過程產(chǎn)生的反饋，能夠反向推動(dòng)生產(chǎn)能力提升。這一邏輯已經(jīng)在 AlphaGo 等系統(tǒng)中得到驗(yàn)證：通過自我探索和自我驗(yàn)證，模型能夠突破對(duì)人類經(jīng)驗(yàn)的依賴，實(shí)現(xiàn)持續(xù)優(yōu)化。
不過，他也指出，這套方法目前還沒有大規(guī)模應(yīng)用到商業(yè)場景。而核心原因在于，圍棋和真實(shí)商業(yè)環(huán)境存在巨大差異。圍棋有明確勝負(fù)，代碼有測試結(jié)果，但營銷、銷售等復(fù)雜業(yè)務(wù)場景往往涉及多維目標(biāo)和長期反饋。因此，未來 AI 產(chǎn)品的重要能力，不只是調(diào)用通用模型，而是在具體領(lǐng)域中構(gòu)建有效的“驗(yàn)證器”，讓 AI 能夠圍繞業(yè)務(wù)目標(biāo)持續(xù)優(yōu)化。
“AI 時(shí)代產(chǎn)品經(jīng)理的角色也將重新定義”，張帆說道。機(jī)器更擅長探索和搜索，而人的價(jià)值在于設(shè)定方向和邊界。“人的作用不是告訴機(jī)器每一步怎么做，而是給它設(shè)定圍欄和指南針。”他表示，過度細(xì)化的 Prompt 會(huì)限制模型探索空間，而完全開放的環(huán)境又可能導(dǎo)致低效探索，優(yōu)秀的產(chǎn)品設(shè)計(jì)需要在目標(biāo)約束和探索能力之間找到平衡。
最終，AI 時(shí)代的產(chǎn)品設(shè)計(jì)，本質(zhì)上是在模型、Agent、業(yè)務(wù)流程和交互方式多個(gè)層面共同塑造概率分布，讓 AI 從一個(gè)通用能力變成真正服務(wù)具體場景的產(chǎn)品能力。
圓桌對(duì)話：AI 如何重構(gòu)產(chǎn)品、組織與商業(yè)？
如果說以上幾位嘉賓的主題演講，分別從 Agent、物理 AI、組織變革、AI 落地實(shí)踐等不同角度分享了一線經(jīng)驗(yàn)，那么隨后的圓桌對(duì)話，則將討論進(jìn)一步聚焦到一個(gè)更具共性的命題——AI 正在如何重構(gòu)產(chǎn)品、組織與商業(yè)？
當(dāng) AI 從工具走向生產(chǎn)力，產(chǎn)品研發(fā)方式、團(tuán)隊(duì)協(xié)作模式乃至企業(yè)競爭邏輯都在發(fā)生深刻變化。產(chǎn)品經(jīng)理是否還會(huì)是傳統(tǒng)意義上的產(chǎn)品經(jīng)理？AI 編程會(huì)帶來怎樣的組織重構(gòu)？當(dāng)開發(fā)門檻不斷降低，產(chǎn)品真正的競爭壁壘又將建立在哪里？圍繞這些行業(yè)普遍關(guān)注的問題，在 CSDN&《新程序員》執(zhí)行總編唐小引的主持下，CSDN 創(chuàng)始人兼董事長蔣濤，馭勢科技董事長兼 CEO 吳甘沙，快手用戶體驗(yàn)部負(fù)責(zé)人徐欣，元理智能創(chuàng)始人、前智譜 COO 張帆展開了一場關(guān)于 AI 產(chǎn)品未來的深度討論。
唐小引：第一問，是大家經(jīng)常關(guān)心的“AI 如何重構(gòu)產(chǎn)品”。站在今天這個(gè)時(shí)間點(diǎn)，當(dāng)人人都能做產(chǎn)品、代碼成本趨近于零，未來什么才是真正稀缺的能力？AI 時(shí)代的產(chǎn)品經(jīng)理、產(chǎn)品團(tuán)隊(duì)以及創(chuàng)業(yè)者，應(yīng)該如何重新定義產(chǎn)品價(jià)值和競爭壁壘？
蔣濤：我認(rèn)為，AI 正在徹底改變產(chǎn)品研發(fā)過程。過去，從想法到代碼需要漫長的開發(fā)周期，而今天，代碼 95% 可由 AI 生成，從思想到代碼的創(chuàng)造性過程變得極快，想法的人可以快速進(jìn)行 AI Coding 實(shí)驗(yàn)和驗(yàn)證。未來，一個(gè)公司可能只剩下兩個(gè)人：一個(gè)是出想法、定義市場、對(duì)最終結(jié)果負(fù)責(zé)的人，也就是新時(shí)代的產(chǎn)品經(jīng)理；另一個(gè)就是技術(shù)架構(gòu)師，負(fù)責(zé)定義技術(shù)架構(gòu)、輸入與反饋機(jī)制。
不過，AI 改變的是研發(fā)效率，并不是產(chǎn)品方法論本身。無論是用戶研究、用戶故事還是產(chǎn)品體驗(yàn)，這些經(jīng)典方法依然適用，只是 AI 大幅降低了實(shí)踐門檻。特別是對(duì)于中小企業(yè)而言，AI 能幫產(chǎn)品經(jīng)理補(bǔ)齊過去因資源不足而缺失的能力。
吳甘沙：在我看來，AI 首先降低了創(chuàng)新的門檻。對(duì)于大公司來說，他們往往不缺研發(fā)能力，而是缺真正有價(jià)值的 Idea；對(duì)于創(chuàng)業(yè)團(tuán)隊(duì)而言，AI 讓一個(gè)好想法更容易變成現(xiàn)實(shí)，大幅降低了資源和成本門檻。
與此同時(shí)，產(chǎn)品開發(fā)流程也發(fā)生了巨大變化。過去，編碼耗時(shí)最長；如今，代碼生成越來越快，但驗(yàn)證卻變得更加重要，特別是在自動(dòng)駕駛這樣的生產(chǎn)級(jí)系統(tǒng)中，真正的挑戰(zhàn)是如何保證系統(tǒng)安全可靠。因此，研發(fā)資源和時(shí)間分配都會(huì)發(fā)生重構(gòu)。
另外，當(dāng)開發(fā)越來越容易，產(chǎn)品經(jīng)理也必須重新思考“護(hù)城河”在哪里：界面可以生成，流程可以自動(dòng)搭建，但真正難以復(fù)制的是長期積累的數(shù)據(jù)、行業(yè)經(jīng)驗(yàn)以及客戶沉淀，這些才是未來產(chǎn)品競爭最重要的壁壘。
徐欣：坦白說，我現(xiàn)在還猜不到接下來會(huì)怎樣變化。但在我看來，未來崗位會(huì)逐漸分化成兩類：一類是有技術(shù)背景的人，他們借助 AI 可以大幅提升研發(fā)效率，并解決系統(tǒng)穩(wěn)定性、性能等更復(fù)雜的問題；另一類則是不具備技術(shù)背景的人，他們也能借助 AI 獨(dú)立完成過去需要產(chǎn)品經(jīng)理和研發(fā)共同完成的大量工作。
但無論崗位如何變化，有一件事情始終不會(huì)變，那就是產(chǎn)品經(jīng)理必須始終圍繞客戶價(jià)值思考：用戶真正的痛點(diǎn)是什么？怎樣以最低門檻、最高效率把價(jià)值交付給用戶？AI 只是讓從想法到 MVP、再到產(chǎn)品上線的過程越來越快，而最終交付給目標(biāo)客戶的東西，一定是他覺得有用、有價(jià)值的。
張帆：今天的產(chǎn)品經(jīng)理和過去的差別越來越大，過去像“工程師”，而現(xiàn)在更像是“魔法師”。AI 能快速生成產(chǎn)品、代碼甚至 Demo，但大家首先要想清楚：哪些價(jià)值真正來自自己，哪些只是模型能力的體現(xiàn)。
我認(rèn)為，未來產(chǎn)品競爭的關(guān)鍵，在于理解通用智能與垂直智能的區(qū)別。通用大模型追求的是泛化能力，希望什么問題都能回答；而真正有商業(yè)價(jià)值的產(chǎn)品，更應(yīng)該圍繞具體場景，打造在特定環(huán)境下的最優(yōu)解，而不是追求“什么都會(huì)”。因此，產(chǎn)品經(jīng)理真正需要思考的，不是如何與大模型比拼能力，而是如何利用 AI 在特定的業(yè)務(wù)環(huán)境中構(gòu)建遠(yuǎn)優(yōu)于通用智能的垂直能力。這也是 AI 時(shí)代產(chǎn)品最核心的競爭力。
唐小引：第二個(gè)問題，AI 如何重構(gòu)組織？當(dāng) Agent 開始承擔(dān)執(zhí)行，人轉(zhuǎn)向定義目標(biāo)、提供反饋，傳統(tǒng)圍繞人際協(xié)作建立的流程、崗位和考核體系正在失效。那么，AI 時(shí)代的組織應(yīng)該如何完成“基因改造”，重新定義效率、人才和管理方式？
蔣濤：先看一個(gè)現(xiàn)象：像 Cursor、Claude Code 這樣的團(tuán)隊(duì)，人數(shù)并不多，卻創(chuàng)造了過去數(shù)百人團(tuán)隊(duì)才能實(shí)現(xiàn)的價(jià)值。這說明生產(chǎn)力已經(jīng)發(fā)生質(zhì)變，一個(gè)優(yōu)秀的產(chǎn)品經(jīng)理加上 AI，就能夠撬動(dòng)巨大的生產(chǎn)力。
第二個(gè)現(xiàn)象是，各大公司 CTO 紛紛跳槽加入 AI 創(chuàng)業(yè)公司，為了 Token 自由。過去，科技公司最大的成本一直是人，而未來真正的 AI 原生企業(yè)，核心資源會(huì)變成 Token 和算力。而判斷一個(gè)組織是不是 AI Native，很簡單——Token 消耗量要遠(yuǎn)遠(yuǎn)大于人員消耗量。未來 AI 原生公司的最大成本不是人，是算力。
吳甘沙：我們并不是一步到位成為 AI Native，而是逐步推進(jìn)的。
首先鼓勵(lì)管理者和各個(gè)部門分析自己的時(shí)間分配和核心業(yè)務(wù)，尋找最值得用 AI 提效的場景，并建立可量化的評(píng)估指標(biāo)。在研發(fā)領(lǐng)域，我們正在推廣 Harness 環(huán)境，讓 AI 不只是輔助寫代碼，而是參與完整的軟件交付流程。未來重要的是建立數(shù)據(jù)和反饋機(jī)制，知道 AI 到底在哪些環(huán)節(jié)產(chǎn)生了價(jià)值，并持續(xù)優(yōu)化。除了研發(fā)，跨部門協(xié)同也是 AI 可以發(fā)揮巨大作用的地方。過去企業(yè)協(xié)作效率低，一個(gè)重要原因是知識(shí)分布不均、溝通成本高。現(xiàn)在通過統(tǒng)一知識(shí)庫，每個(gè)人都能快速獲取信息，并建立共同標(biāo)準(zhǔn)。
當(dāng)然，目前我們只是邁出了第一步。未來企業(yè)需要構(gòu)建統(tǒng)一知識(shí)庫，甚至建立企業(yè)運(yùn)營世界模型，讓 AI 更深入?yún)⑴c組織運(yùn)行。同時(shí)，也需要思考如何平衡“超級(jí)個(gè)體”和“超級(jí)團(tuán)隊(duì)”之間的關(guān)系。
徐欣：我們主要從三個(gè)層面推進(jìn) AI 落地：
張帆：我想分享一個(gè)“反共識(shí)”觀點(diǎn)：個(gè)體效率提升，并不一定意味著組織效率提升。
過去很多管理機(jī)制，本質(zhì)上就是通過一定程度限制個(gè)體自由，來提升整體協(xié)作效率。例如填寫 CRM、提交周報(bào)，看似降低個(gè)人效率，但保證了組織的信息同步和長期運(yùn)行。因此，企業(yè)評(píng)價(jià) AI 應(yīng)用時(shí)，不能只看是否做出了一個(gè)炫酷 Demo，而要看是否真正被復(fù)用，是否實(shí)現(xiàn)了勞動(dòng)力替代。如果一個(gè) AI 工具不能讓一個(gè)人完成過去兩三個(gè)人的工作，或者成本高到無法推廣，那再先進(jìn)的 AI 也沒有意義。
我認(rèn)為，AI 時(shí)代組織最大的挑戰(zhàn)是控制“熵增”。過去一個(gè)部門建立自己的系統(tǒng)成本很高，所以企業(yè)還能保持一定統(tǒng)一性。但現(xiàn)在 AI 降低了開發(fā)門檻，如果每個(gè)人都隨意創(chuàng)建工具、系統(tǒng)和流程，企業(yè)反而可能陷入混亂。
所以我極度反對(duì)人人都去學(xué) Coding。組織要有明確邊界，什么人在什么范圍內(nèi)做什么事。否則完全自由發(fā)揮，最終就是短期自嗨，無法轉(zhuǎn)化成真正的效率。
唐小引：第三問，AI 如何重構(gòu)商業(yè)？當(dāng) Token 成為新的生產(chǎn)要素，AI 從工具走向生產(chǎn)力，傳統(tǒng)的產(chǎn)品形態(tài)、收入模式和價(jià)值衡量方式正在發(fā)生變化。企業(yè)應(yīng)該如何找到 AI 商業(yè)化的突破口，并建立面向未來的新增長模式？
蔣濤：我先分享一下 AI 如何發(fā)揮作用：第一個(gè)變化，大公司提效會(huì)相對(duì)慢一些，是因?yàn)樗旧淼膬?nèi)部優(yōu)化體系已經(jīng)比較完善了。所以現(xiàn)在 AI 真正能夠帶來的提升，更多是在過去做不到的事情上。第二個(gè)變化，是大模型正在改變企業(yè)協(xié)作方式。未來，效率的來源不再只是人的分工，而是 Agent 帶來的協(xié)同效率。人與人的溝通往往需要按天計(jì)算，而 Agent 與 Agent 之間的溝通效率可能提升一個(gè)數(shù)量級(jí)。第三個(gè)變化，是圍繞 Agent 底層能力和工具體系，也就是所謂的 Harness。現(xiàn)在大家關(guān)注 AI 帶來的效率提升，但更重要的問題是，效率提升之后，最終產(chǎn)出和商業(yè)價(jià)值是否同步增長。未來，單純完成任務(wù)不再是核心，更重要的是創(chuàng)造什么價(jià)值，以及如何將效率轉(zhuǎn)化為業(yè)務(wù)結(jié)果。
從商業(yè)角度來看，人與人、人與組織之間的協(xié)同工具目前還遠(yuǎn)未成熟，仍處于持續(xù)演化階段。因此，支撐未來協(xié)作方式的底層工具也需要發(fā)生變化。未來，原來人與人之間大量溝通和協(xié)調(diào)的方式，會(huì)逐漸轉(zhuǎn)向人與 Agent 協(xié)同、Agent 與 Agent 協(xié)同。圍繞這些新的協(xié)作方式，底層工具、組織方法和商業(yè)模式都會(huì)持續(xù)迭代。我認(rèn)為，這就是 AI 帶來的核心變化。
吳甘沙：其實(shí)我們還沒有大規(guī)模推廣這種商業(yè)模式，但我認(rèn)為，十年以后，這會(huì)成為一個(gè)主要的商業(yè)模式。因?yàn)槲覀兊哪繕?biāo)是未來擁有一百萬個(gè) AI 司機(jī)，也就是一百萬輛搭載 AI 司機(jī)的無人車。如果每個(gè) AI 司機(jī)一年收取一萬元服務(wù)費(fèi)，對(duì)應(yīng)的訂閱收入規(guī)模可以達(dá)到百億元。不過，這需要一個(gè)漫長的過程。今天的商業(yè)環(huán)境下，客戶更習(xí)慣于“買硬件”的模式，買車后只承擔(dān)維修保養(yǎng)成本，還沒有形成持續(xù)支付訂閱費(fèi)的消費(fèi)習(xí)慣。但我認(rèn)為，未來商業(yè)模式會(huì)發(fā)生變化。
當(dāng)然，實(shí)現(xiàn)這種模式仍然面臨很多挑戰(zhàn)。首先，無人車前期硬件成本必須降低，要盡量減少對(duì)昂貴傳感器的依賴。這意味著供應(yīng)鏈管理能力要足夠強(qiáng)，要不斷把成本打下來。
其次，訂閱收入背后還對(duì)應(yīng)大量運(yùn)營成本。企業(yè)左手拿到訂閱費(fèi)，右手還需要投入硬件維修、保養(yǎng)，以及新場景部署等費(fèi)用。訂閱費(fèi)收入減去這些成本，中間的“剪刀差”才是真正的利潤。 所以，訂閱費(fèi)的錨點(diǎn)其實(shí)是人的成本，而企業(yè)投入的成本則可以通過技術(shù)持續(xù)優(yōu)化。我們希望這兩者之間的差距越來越大，最終形成更高的利潤空間。
整體而言，未來無人車走訂閱模式，核心就是兩點(diǎn)：第一，降低前期硬件成本；第二，降低長期運(yùn)營和運(yùn)維成本。只有這樣，收入和成本之間的“剪刀差”才能不斷擴(kuò)大，最終形成一個(gè)更加健康、可持續(xù)的商業(yè)模式。
徐欣：放到今天來看，這件事已經(jīng)容易很多了。因?yàn)楝F(xiàn)在模型部署的成本，相比三年前至少下降了十倍，甚至上萬倍。大家也不會(huì)再執(zhí)著于一定要做自己的模型，整體門檻低了很多。我覺得，未來商業(yè)模式的變化，或者說探索和重構(gòu)商業(yè)最現(xiàn)實(shí)的路徑，還是提高人的效率，以及降低探索和試錯(cuò)的成本。以前做一次探索，比如開發(fā)一個(gè) App、驗(yàn)證一個(gè)小場景，至少需要產(chǎn)品、設(shè)計(jì)、研發(fā)三五個(gè)人協(xié)作。從產(chǎn)品設(shè)計(jì)到研發(fā)落地，即便團(tuán)隊(duì)配合順利，也往往要一兩個(gè)月才能完成。但今天，一個(gè)人就可以獨(dú)立完成整個(gè)過程，實(shí)現(xiàn)過去一個(gè)十人團(tuán)隊(duì)才能達(dá)到的產(chǎn)出。
張帆：AI 真正的價(jià)值還是體現(xiàn)在商業(yè)價(jià)值上。大家經(jīng)常問，AI 到底是泡沫還是革命？今天投入了如此巨額的資本開支（CapEx）和算力，判斷標(biāo)準(zhǔn)其實(shí)很簡單：如果這些 CapEx 所產(chǎn)生的 token 真正轉(zhuǎn)化為業(yè)務(wù)價(jià)值，它就是革命；如果沒有，就是泡沫。
那怎么看有沒有業(yè)務(wù)價(jià)值？其實(shí)也很簡單：看看標(biāo)普 500、滬深 300。再看企業(yè)的財(cái)報(bào)，AI 是否真正影響了企業(yè)的核心業(yè)務(wù)指標(biāo)。如果還沒有進(jìn)入核心經(jīng)營環(huán)節(jié)，它帶來的改變就還比較有限。不過，我相信這一切一定會(huì)發(fā)生。
AI 進(jìn)入商業(yè)之后，很容易陷入一個(gè)誤區(qū)：生產(chǎn)要素發(fā)生革命性變化時(shí)，商業(yè)模式往往不是漸進(jìn)式升級(jí)，而是重構(gòu)。很多人希望把 AI 當(dāng)作更高效的工具，就像給馬車裝上一臺(tái)更強(qiáng)勁的發(fā)動(dòng)機(jī)。但真正的問題不是如何讓馬車跑得更快，而是如何發(fā)明汽車。
真正重要的是理解 AI 的第一性，理解它會(huì)如何改變產(chǎn)業(yè)鏈，以及自己未來會(huì)處于什么位置。今天很多人還在原來的路徑上借助 AI 不斷加固自己的護(hù)城河，但回過頭才發(fā)現(xiàn)，城墻已經(jīng)變了，原來的護(hù)城河也失去了意義。所以，我認(rèn)為更重要的，不是在舊世界里把事情做得更高效，而是提前判斷地表會(huì)如何變化，找到未來價(jià)值所在的位置，等待那個(gè)時(shí)代真正到來。這樣，才能真正抓住 AI 帶來的機(jī)會(huì)。
唐小引：在變革的前夜，我們應(yīng)該以怎樣的姿態(tài)面對(duì) AI？未來又該何去何從？請(qǐng)四位老師用一句話總結(jié)。
蔣濤：對(duì)結(jié)果進(jìn)行交付，對(duì)結(jié)果負(fù)責(zé)。用好當(dāng)前的 AI ，提升自己的效率。
吳甘沙：從“做以前做不到的事”，邁向“做以前想都不敢想的事”。
徐欣：擁抱 AI。它就像當(dāng)年的互聯(lián)網(wǎng)一樣，正在全面提升效率。能夠身處這樣的時(shí)代是一種幸運(yùn)，最重要的是享受技術(shù)發(fā)展帶來的每一個(gè)當(dāng)下。
張帆：「不要用戰(zhàn)術(shù)上的勤奮掩蓋戰(zhàn)略上的懶惰」。我們不要盲目追逐每一個(gè)熱點(diǎn)，也不要低效地停留在學(xué)習(xí)表層知識(shí)，而是真正去思考：AI 時(shí)代的第一性是什么？人與機(jī)器應(yīng)該如何分工？在這樣的分工下，我如何才能比別人創(chuàng)造出更好的結(jié)果？我覺得，這些問題都需要我們每天不斷地反思、不斷地思考。
落地、增長與實(shí)踐：AI 產(chǎn)品的關(guān)鍵命題都在這里
在主論壇之外，關(guān)于 AI 產(chǎn)品創(chuàng)新的討論進(jìn)一步延伸到不同產(chǎn)業(yè)場景。對(duì)于開發(fā)者、產(chǎn)品經(jīng)理和企業(yè)負(fù)責(zé)人而言，AI 落地不再只是一次技術(shù)升級(jí)，而是一場圍繞產(chǎn)品形態(tài)、研發(fā)方式、組織協(xié)作和商業(yè)模式的系統(tǒng)性探索。本次大會(huì)特別設(shè)置了 Agent 智能體產(chǎn)品與創(chuàng)新、AI 驅(qū)動(dòng)的軟件生產(chǎn)力革命、具身智能與硬件產(chǎn)品、人機(jī)協(xié)同的體驗(yàn)與交互設(shè)計(jì)、企業(yè)級(jí) AI 產(chǎn)品從輔助到?jīng)Q策智能、AI 原生的組織與戰(zhàn)略、多模態(tài)與生成式 AI 產(chǎn)品，以及 AI+行業(yè)應(yīng)用落地實(shí)踐等主題論壇，嘗試拆解 AI 從能力到產(chǎn)品的關(guān)鍵環(huán)節(jié)。
Agent 智能體產(chǎn)品與創(chuàng)新
當(dāng) Agent 不再只是完成一次問答，而是需要持續(xù)規(guī)劃、調(diào)用工具并交付結(jié)果時(shí)，下一代智能體產(chǎn)品究竟需要具備怎樣的能力？ 從單輪交互到復(fù)雜任務(wù)執(zhí)行，Agent 的產(chǎn)品化仍面臨諸多挑戰(zhàn)：如何構(gòu)建穩(wěn)定的上下文管理機(jī)制，如何解決長任務(wù)中的記憶與協(xié)作問題，如何在模型能力邊界內(nèi)保證執(zhí)行可靠性，以及如何找到真正具備商業(yè)價(jià)值的應(yīng)用場景。
本次論壇圍繞 Agent 智能體產(chǎn)品與創(chuàng)新展開深入討論，剖析智能體從技術(shù)能力走向?qū)嶋H應(yīng)用過程中涉及的關(guān)鍵鏈條。來自久痕科技、北京大學(xué)、趣丸科技、云蝠智能、句子互動(dòng)的五位技術(shù)專家，分享了在上下文基礎(chǔ)設(shè)施、多智能體協(xié)同、企業(yè)級(jí)應(yīng)用落地以及 AI 原生組織變革等方向的探索經(jīng)驗(yàn)，探討 Agent 如何從“能對(duì)話”進(jìn)一步走向“能工作、能創(chuàng)造價(jià)值”。
智能體上下文基礎(chǔ)設(shè)施
AI 的“空性”與商業(yè)的未來一體
重估一切，第四次文藝復(fù)興——2026 AI 上半年觀察
從員工提效到組織重構(gòu)：VoiceAgent 背后的 AI 原生變革復(fù)盤
硅谷最火的崗位 FDE——按結(jié)果交付 AI 員工的三年實(shí)踐
AI 驅(qū)動(dòng)的軟件生產(chǎn)力革命
軟件開發(fā)正在經(jīng)歷一次生產(chǎn)方式的重構(gòu)。從輔助編寫代碼，到參與需求理解、方案設(shè)計(jì)、測試驗(yàn)證乃至系統(tǒng)維護(hù)，AI 正逐步進(jìn)入軟件研發(fā)的完整鏈路。面對(duì)開發(fā)流程、協(xié)作模式和組織效率的全面變化，如何讓 AI 真正融入研發(fā)體系，釋放工程生產(chǎn)力，成為企業(yè)和開發(fā)者共同關(guān)注的問題。
在「AI 驅(qū)動(dòng)的軟件生產(chǎn)力革命」主題論壇中，來自 TRAE、百度秒噠、Qoder、螞蟻靈光等 AI 應(yīng)用與研發(fā)工具領(lǐng)域的產(chǎn)品負(fù)責(zé)人，圍繞 AI 如何重塑軟件研發(fā)流程展開分享。從企業(yè)工作流變革、AI Native 研發(fā)組織建設(shè)，到低門檻應(yīng)用開發(fā)與 Coding Agent 的產(chǎn)品實(shí)踐，嘉賓們結(jié)合真實(shí)案例，探討 AI 如何推動(dòng)軟件生產(chǎn)方式持續(xù)演進(jìn)。
TRAE WORK：面向企業(yè)工作流變革的產(chǎn)品實(shí)踐
人人都是創(chuàng)造者，讓想象力釋放無限生產(chǎn)力
Qoder：企業(yè)研發(fā)效率躍遷與 AI Native 組織實(shí)踐
靈光：打造人人會(huì)用的Coding Agent
具身智能與硬件產(chǎn)品
從人形機(jī)器人到 AI 眼鏡，智能硬件正在成為大模型能力延伸的重要入口。但要實(shí)現(xiàn)從“會(huì)感知、會(huì)交互”到“能執(zhí)行任務(wù)、創(chuàng)造價(jià)值”，仍需要突破技術(shù)成熟度、產(chǎn)品形態(tài)、應(yīng)用場景和商業(yè)化落地等多重挑戰(zhàn)。
本論壇中，來自宇樹科技、智元機(jī)器人、李未可、科大訊飛、Rokid 等企業(yè)的產(chǎn)品負(fù)責(zé)人，圍繞人形機(jī)器人商業(yè)化、AI 眼鏡產(chǎn)品創(chuàng)新以及具身智能落地路徑展開分享。他們結(jié)合實(shí)際產(chǎn)品研發(fā)經(jīng)驗(yàn)，深入探討機(jī)器人如何從展示走向應(yīng)用，AI 眼鏡如何構(gòu)建新的交互入口，以及智能硬件如何在全球市場中尋找可持續(xù)發(fā)展的產(chǎn)品模式。
從“會(huì)動(dòng)”到“能干活”：人形機(jī)器人商業(yè)化落地的真實(shí)堵點(diǎn)與破局
WakeeMemory——基于現(xiàn)實(shí)記憶為核心的 AI 眼鏡 OS
人形機(jī)器人的「遠(yuǎn)征」之路
從「大模型」到「具身化」：AI 眼鏡的場景拆解與硬件重構(gòu)思路
從準(zhǔn)入到可持續(xù)：AI 眼鏡海外產(chǎn)品從 0 到 1 實(shí)戰(zhàn)
人機(jī)協(xié)同的體驗(yàn)與交互設(shè)計(jì)
當(dāng) AI 從一個(gè)隱藏在產(chǎn)品背后的能力，走向用戶直接面對(duì)的“智能伙伴”，產(chǎn)品體驗(yàn)設(shè)計(jì)正在迎來一次新的范式變化。過去，設(shè)計(jì)師關(guān)注的是頁面布局、操作路徑和功能效率；而在 Agent 時(shí)代，設(shè)計(jì)需要回答新的問題：如何讓用戶理解 AI、信任 AI，并與 AI 建立高效協(xié)作關(guān)系。
為此，本專題聚焦“人機(jī)協(xié)同的體驗(yàn)與交互設(shè)計(jì)”這一主題，匯聚了來自微軟、字節(jié)跳動(dòng)扣子 Coze、NoDesk AI 的一線產(chǎn)品設(shè)計(jì)與管理專家，一同拆解人機(jī)協(xié)同的最新前沿。從 AI 時(shí)代設(shè)計(jì)者能力體系的重構(gòu)，到 Agent Native 組織中的全新協(xié)作方式，再到 AI Team Agent 帶來的產(chǎn)品交互升級(jí)，這些探索共同呈現(xiàn)了未來產(chǎn)品設(shè)計(jì)如何圍繞“人機(jī)共創(chuàng)”展開，重新思考人與 AI 的關(guān)系。
產(chǎn)品設(shè)計(jì)者的 AI 全棧時(shí)代：觀察、工具、框架
「扣子3.0」：開啟新一代 AI Team Agent 協(xié)作時(shí)代
企業(yè)級(jí) Agent 從“能用”到“好用”的產(chǎn)品實(shí)戰(zhàn)
企業(yè)級(jí) AI 產(chǎn)品：從輔助到?jīng)Q策智能
過去，企業(yè)關(guān)注的是如何讓 AI 提升單點(diǎn)效率；如今，新的挑戰(zhàn)在于如何讓 AI 真正融入業(yè)務(wù)流程，具備穩(wěn)定運(yùn)行、持續(xù)優(yōu)化和創(chuàng)造業(yè)務(wù)價(jià)值的能力——從“會(huì)回答”到“會(huì)行動(dòng)”，再到“參與決策”，企業(yè)級(jí) AI 產(chǎn)品正在迎來新的演進(jìn)階段。
在本專題中，來自京東、HeyBoss、AgentRun、360 的多位產(chǎn)品與技術(shù)專家，共同直面企業(yè)級(jí)落地的“最后一公里”難題。他們結(jié)合企業(yè)級(jí) Agent、AI 原生消費(fèi)體驗(yàn)、智能體工程化落地等實(shí)踐，帶來了 AI 產(chǎn)品從能力構(gòu)建到規(guī)模應(yīng)用的關(guān)鍵探索。這些真實(shí)業(yè)務(wù)場景中的案例與思考，系統(tǒng)性地回答了一個(gè)問題：當(dāng) AI 走出對(duì)話框，它如何真正成為企業(yè)運(yùn)轉(zhuǎn)的“決策腦”與“執(zhí)行手”。
AI 原生購物：走向更接近真實(shí)的決策體驗(yàn)
Agent Native 組織：當(dāng) Agent 開始管理 Agent
Loop 不是終點(diǎn)：Agent 如何真正上線
從“會(huì)回答”到“會(huì)決策”：360 企業(yè)級(jí) Agent 本體架構(gòu)與落地實(shí)踐
AI 原生的組織、產(chǎn)品與戰(zhàn)略
AI 正在重塑企業(yè)的不只是產(chǎn)品，更是組織本身。當(dāng)模型逐漸成為新的生產(chǎn)力，產(chǎn)品形態(tài)、團(tuán)隊(duì)協(xié)作方式和業(yè)務(wù)決策邏輯都在發(fā)生改變，而如何重新定義團(tuán)隊(duì)、產(chǎn)品與戰(zhàn)略，也成為每一家企業(yè)邁向 AI 時(shí)代必須思考的問題。
基于“AI 原生的組織、產(chǎn)品與戰(zhàn)略”這一主題，本專題邀請(qǐng)了來自 Ingora、OpenHex、YouMind、螞蟻、北京小瞳咨詢、360、金山辦公等企業(yè)的一線實(shí)踐者與產(chǎn)品負(fù)責(zé)人，他們結(jié)合自身實(shí)踐，分享了 AI 時(shí)代組織變革、產(chǎn)品創(chuàng)新與戰(zhàn)略升級(jí)的最新探索。從 AI 原生公司的構(gòu)建，到智能體驅(qū)動(dòng)的新型協(xié)作模式；從模型驅(qū)動(dòng)的產(chǎn)品體系，到 AI 時(shí)代的數(shù)據(jù)決策與產(chǎn)品管理實(shí)踐，這些分享共同勾勒出了一個(gè)清晰信號(hào)：AI 正在把“如何做產(chǎn)品、如何建組織、如何定戰(zhàn)略”這三件事，重新擰在一起。
打造 AI 原生公司：從知識(shí)、戰(zhàn)略到代碼的持續(xù)閉環(huán)
從“幫你干活”到"替你出面"：能派出去的 AI 數(shù)字員工
當(dāng)效率 10 倍提升后，一家 AI 創(chuàng)業(yè)公司的產(chǎn)研協(xié)作實(shí)踐與反思
打造以模型為核心的 Model as Product（MAP）團(tuán)隊(duì)
AI 時(shí)代的數(shù)據(jù)決策：從業(yè)務(wù)直覺到因果推斷
從 People Teams 到 Agent Teams，AI-Native 組織協(xié)作變革及產(chǎn)品實(shí)踐
Token 燒得越多人越累？被困在 AI 提效運(yùn)動(dòng)里的產(chǎn)品經(jīng)理
多模態(tài)與生成式 AI 產(chǎn)品
大模型時(shí)代，打造一款 AI 產(chǎn)品早已不只是接入模型這么簡單。從 Agent 的效果如何量化，到復(fù)雜工作流如何穩(wěn)定運(yùn)行，再到多個(gè)智能體如何協(xié)同治理，產(chǎn)品競爭正從模型能力延伸到工程能力、運(yùn)營能力和企業(yè)級(jí)落地能力。真正優(yōu)秀的 AI 產(chǎn)品，不僅要回答"能不能做"，更要回答"如何持續(xù)做好"。
為此，本專題聚焦多模態(tài)與生成式 AI 產(chǎn)品的關(guān)鍵實(shí)踐，并邀請(qǐng)了來自昆侖萬維、階躍星辰、阿里云的三位產(chǎn)品專家，分享 AI 產(chǎn)品從設(shè)計(jì)到落地的核心經(jīng)驗(yàn)：既有 Agent 度量體系的構(gòu)建方法與踩坑復(fù)盤，也有 Loop 工程在真實(shí)業(yè)務(wù)中的最佳實(shí)踐，以及企業(yè)級(jí)多智能體治理與協(xié)作體系的探索。這些分享可以幫助開發(fā)者與產(chǎn)品團(tuán)隊(duì)理解，如何讓 AI 產(chǎn)品從單點(diǎn)能力走向穩(wěn)定、可擴(kuò)展、可持續(xù)演進(jìn)的智能系統(tǒng)。
如何打造好的 Agent 度量框架及踩坑指南
Loop 工程在階躍的最佳實(shí)踐
企業(yè)級(jí)多智能體治理與協(xié)作實(shí)踐
AI+ 行業(yè)應(yīng)用落地實(shí)踐
當(dāng) AI 真正走進(jìn)企業(yè)，競爭比拼的已不只是模型能力，而是誰能率先將 AI 轉(zhuǎn)化為業(yè)務(wù)價(jià)值。但如何讓 AI 深度融入業(yè)務(wù)流程，真正提升效率、創(chuàng)造增長，并形成可持續(xù)的競爭優(yōu)勢，依然是企業(yè)落地過程中最關(guān)鍵的課題。
圍繞“AI+行業(yè)應(yīng)用落地實(shí)踐”這一主題，本專題邀請(qǐng)了來自度小滿、網(wǎng)易有道、京東、平安科技的四位產(chǎn)品與技術(shù)負(fù)責(zé)人，圍繞金融、教育、零售、企業(yè)服務(wù)等典型場景，分享 AI 落地的真實(shí)經(jīng)驗(yàn)。從 Agent 自進(jìn)化驅(qū)動(dòng)智能客服升級(jí)，到教育產(chǎn)品構(gòu)建 AI 競爭壁壘；從 AI 人機(jī)共創(chuàng)激發(fā)零售創(chuàng)新，到智能服務(wù)體系的全面重塑，這些實(shí)踐展現(xiàn)了 AI 將如何從技術(shù)能力走向產(chǎn)業(yè)價(jià)值。
Agent 自進(jìn)化與度小滿智能客服的探索落地之路
教育產(chǎn)品的 AI 應(yīng)用三層演進(jìn)：從工具突破到競爭壁壘的構(gòu)建
AI 創(chuàng)新商品——人機(jī)共創(chuàng)，驅(qū)動(dòng)零售增長
AI 重塑服務(wù)范式：平安的探索與實(shí)踐
兩日思想碰撞，共探 AI 產(chǎn)品創(chuàng)新新方向
至此，2026 奇點(diǎn)智能產(chǎn)品大會(huì)圓滿結(jié)束。在此特別感謝樂奇 Rokid、人民郵電出版社異步社區(qū)、清華大學(xué)出版社、電子工業(yè)出版社博文視點(diǎn)等合作伙伴對(duì)本次大會(huì)的鼎力支持。
兩天時(shí)間里，來自 AI、企業(yè)軟件、硬件及產(chǎn)業(yè)一線的實(shí)踐者齊聚現(xiàn)場。從主論壇對(duì) Agent 時(shí)代商業(yè)邏輯與產(chǎn)品范式的宏觀探討，到八大分論壇對(duì)智能體基建、軟件生產(chǎn)力革命、具身智能以及企業(yè)級(jí) AI 落地的微觀拆解，大會(huì)完整呈現(xiàn)了 AI 從底層技術(shù)走向?qū)嶋H產(chǎn)品價(jià)值的演變過程。
貫穿全場的一個(gè)清晰共識(shí)是：AI 產(chǎn)業(yè)的競爭邏輯已經(jīng)發(fā)生轉(zhuǎn)變，正式進(jìn)入注重落地實(shí)踐與長期商業(yè)回報(bào)（ROI）的新階段。不論是 Agent 如何突破單體局限真正承擔(dān)復(fù)雜任務(wù)，企業(yè)如何從“打磨效率工具”轉(zhuǎn)向“按結(jié)果交付數(shù)字員工”，還是智能硬件如何跨越數(shù)據(jù)瓶頸連接物理世界。未來的行業(yè)護(hù)城河不再僅僅取決于模型能力本身，更考驗(yàn)產(chǎn)品設(shè)計(jì)、任務(wù)編排、工程穩(wěn)定性以及對(duì)垂直產(chǎn)業(yè)的深度理解。
面向未來，AI 產(chǎn)品創(chuàng)新仍有廣闊的探索空間。隨著模型能力的持續(xù)演進(jìn)、基礎(chǔ)設(shè)施的不斷完善，以及更多真實(shí)業(yè)務(wù)場景的開放，如何打造真正解決用戶痛點(diǎn)的 AI 產(chǎn)品，如何讓 AI 深度重塑現(xiàn)有組織與業(yè)務(wù)流程，依然是全行業(yè)需要持續(xù)攻堅(jiān)的核心命題。2026 奇點(diǎn)智能產(chǎn)品大會(huì)所匯聚的一線實(shí)踐與思考，也將為從業(yè)者繼續(xù)探索下一代 AI 產(chǎn)品的演進(jìn)方向提供扎實(shí)的參考。
貫穿全場的一個(gè)清晰共識(shí)是：AI 產(chǎn)業(yè)的競爭邏輯已經(jīng)發(fā)生轉(zhuǎn)變，正式進(jìn)入注重落地實(shí)踐與長期商業(yè)回報(bào)（ROI）的新階段。不論是 Agent 如何突破單體局限真正承擔(dān)復(fù)雜任務(wù)，企業(yè)如何從“打磨效率工具”轉(zhuǎn)向“按結(jié)果交付數(shù)字員工”，還是智能硬件如何跨越數(shù)據(jù)瓶頸連接物理世界。未來的行業(yè)護(hù)城河不再僅僅取決于模型能力本身，更考驗(yàn)產(chǎn)品設(shè)計(jì)、任務(wù)編排、工程穩(wěn)定性以及對(duì)垂直產(chǎn)業(yè)的深度理解。
現(xiàn)場花絮
在此特別感謝樂奇 Rokid、人民郵電出版社異步社區(qū)、清華大學(xué)出版社、電子工業(yè)出版社博文視點(diǎn)等合作伙伴對(duì)本次大會(huì)的鼎力支持。
