對(duì)話特贊范凌：我親手「殺死」了過去的自己，AI 時(shí)代所有的留戀都是負(fù)擔(dān)

當(dāng)所有人都能調(diào)用 AI 時(shí)，什么才是你真正的護(hù)城河？

作者｜周永亮

編輯｜鄭玄

「我不知道 AI 這艘船上有多少船票，但我知道，上船最重要。」

特贊科技創(chuàng)始人兼 CEO 范凌的緊迫感，幾乎一直彌漫在整場(chǎng)交流中。這不是源于業(yè)績(jī)壓力，也不是投資人的催促，而是一種更原始的情緒：害怕在 AI 這個(gè)馬太效應(yīng)極強(qiáng)的時(shí)代，錯(cuò)失一張決定未來的船票。

如今，我們處在一個(gè)應(yīng)用層和基礎(chǔ)層同時(shí)劇變的時(shí)代，這在整個(gè)科技史上也非常少見。焦慮與興奮，是這個(gè)時(shí)代的兩面。去年，當(dāng) Shopify 創(chuàng)始人在社交媒體上展示自己重回一線寫下的密密麻麻的代碼時(shí)，范凌感受到了強(qiáng)烈的共鳴。

這不是個(gè)例，而是一股浪潮。很多科技公司的創(chuàng)始人，都開始重回一線，重新扎入代碼、產(chǎn)品和用戶之中，試圖親自觸摸 AI 的脈搏。

為此，范凌選擇了一條更決絕的路：親手「殺死」過去的自己。

最近，他們發(fā)布了一款新產(chǎn)品 GEA（Generative Enterprise Agent，企業(yè)級(jí)智能體）。它記錄了一個(gè)中國(guó)企業(yè)服務(wù)創(chuàng)業(yè)者，在 AI 巨浪面前，如何完成一次徹底的自我認(rèn)知重構(gòu)。

過去的特贊，那個(gè)在已知地圖上精耕細(xì)作、追求極致效率的「匠人」，終于放下了舊時(shí)代的枷鎖，一個(gè)立志開辟「新大航海時(shí)代」的哥倫布，已經(jīng)揚(yáng)帆啟航。

當(dāng)基礎(chǔ)模型的能力日趨統(tǒng)一，當(dāng)所有人都能輕易調(diào)用強(qiáng)大的 AI 時(shí)，未來企業(yè)的真正護(hù)城河是什么？勝負(fù)手將落在哪里？當(dāng) AI 從助手走到企業(yè)真實(shí)的業(yè)務(wù)場(chǎng)景（產(chǎn)品創(chuàng)新、洞察研究、內(nèi)容增長(zhǎng)、設(shè)計(jì)創(chuàng)作等），什么樣的系統(tǒng)能夠真正承接目標(biāo)、組織推理，并持續(xù)推進(jìn)結(jié)果產(chǎn)生？

范凌的答案是 GEA。

一套面向真實(shí)業(yè)務(wù)流程設(shè)計(jì)的企業(yè)級(jí)智能體架構(gòu)。

在這個(gè)架構(gòu)中，最核心的是「上下文的密度」。他斷言，我們正從「工具驅(qū)動(dòng)」的時(shí)代，邁入「上下文驅(qū)動(dòng)」的時(shí)代。未來，真正決定勝負(fù)的，不再是你擁有什么工具，而是你為 AI 喂養(yǎng)了怎樣獨(dú)特且高密度的業(yè)務(wù)場(chǎng)景、用戶數(shù)據(jù)和行業(yè)知識(shí)。一個(gè)只有 50 字描述的 AI 虛擬人，和一個(gè)擁有幾十萬字背景故事的虛擬人，它們的能力天差地別。上下文，將決定你的獨(dú)特性。

AI 技術(shù)的快速迭代，也帶來組織的變革。從「AI 賦能」到「AI 原生」，這不只是詞匯的變化，更是更底層組織邏輯的調(diào)整。范凌和他的客戶們正在一條全新的道路上奔跑：讓 Agent 7x24 小時(shí)進(jìn)行新品研發(fā)，一年創(chuàng)造 3000 個(gè)創(chuàng)意，再用虛擬用戶投票篩選出 300 個(gè)交給人類決策。在這里，人不再疲于從 0 做到 70 分的重復(fù)性勞動(dòng)，而是聚焦于從 70 到 100 分的創(chuàng)造性飛躍。

但范凌也并非盲目樂觀的布道者。他清醒地看到，從一個(gè)漂亮的概念驗(yàn)證到規(guī)模化落地之間，還有著巨大的鴻溝。跨越它需要兩樣?xùn)|西：一是系統(tǒng)性的評(píng)估體系（Eval），二是由頂級(jí)專業(yè)人士「蒸餾」出的高質(zhì)量 Agent 技能。前者決定你能否信任 AI，后者決定 AI 能否真正勝任專業(yè)工作。

「放下『未來必須和過去有關(guān)』這個(gè)包袱。」范凌在采訪的最后說。這句話，不僅是對(duì)他自己，也是對(duì)所有在 AI 浪潮前感到興奮又焦慮的企業(yè)家們的建議。

你的過去決定了現(xiàn)在的你是誰，但你的未來，是由現(xiàn)在的你創(chuàng)造出來的。在一個(gè)為「非共識(shí)」喝彩的新時(shí)代，所有的留戀都是一種負(fù)擔(dān)。

以下為范凌與張鵬對(duì)話內(nèi)容實(shí)錄，有編輯刪減。

01

AI 開啟「新大航海時(shí)代」

張鵬：最近特贊發(fā)布了一款新產(chǎn)品 GEA。從你的視角看，你們服務(wù)的那些企業(yè)客戶現(xiàn)在到底是如何看待 AI 的？

范凌：這次發(fā)布 GEA，我們反復(fù)強(qiáng)調(diào)：這不是一次簡(jiǎn)單的產(chǎn)品發(fā)布，而是一次對(duì)特贊的「重新介紹」。特贊是一家企業(yè)級(jí)智能體公司。

關(guān)于客戶的態(tài)度，我給你描述一個(gè)很直觀的場(chǎng)景變化：去年，當(dāng)我們給客戶講生成式 AI、講智能體（比如我們的洞察研究智能體產(chǎn)品 Atypica.AI ），他們會(huì)說：「嗯，這個(gè)東西很有意思，但是……」后面跟著一大堆不行動(dòng)的理由。

今年，當(dāng)我們?cè)僦v AI，他們會(huì)先提出很多疑問：「幻覺怎么解決？數(shù)據(jù)準(zhǔn)確性怎么解決？」但是，他們最后的結(jié)論是：「我們要不先試試？」

這就是企業(yè)態(tài)度的根本轉(zhuǎn)變。過去，他們研究很多，行動(dòng)很謹(jǐn)慎。而今年，尤其是隨著 Claude Opus 4.6、Openclaw 等的發(fā)布，客戶們雖然仍有很多疑問和畏懼，但他們選擇暫時(shí)擱置這些畏懼，開始動(dòng)手嘗試。

為什么？因?yàn)榇蠹叶加幸粋€(gè)普遍的擔(dān)心，如果自己不動(dòng)手，競(jìng)爭(zhēng)對(duì)手可能就搶先了。所以說，他們的「手是誠(chéng)實(shí)的」。

張鵬：你最近發(fā)布的 GEA，感覺是經(jīng)過了系統(tǒng)性思考的產(chǎn)物，并且你說它的誕生要「重新介紹特贊」。給我們講講，這個(gè)新世界觀是什么？GEA 又是一個(gè)什么樣的產(chǎn)品？

范凌：我們很早就開始用 AI，從 GPT-2.0 開始，但坦白說，我們一度對(duì)外界的情緒反應(yīng)不足，總覺得「又是一次炒作」。直到去年年初，我看到像 Cursor、Devin 這類產(chǎn)品出現(xiàn)，我意識(shí)到這不再是技術(shù)變化，而是對(duì)「軟件」本身的挑戰(zhàn)，而我們正是軟件的受益者。

我們嘗試做了第一個(gè) Agent 產(chǎn)品 atypica.AI。過程中我們學(xué)到最重要的一點(diǎn)是：它不僅是軟件的替代，更有可能替代使用軟件的專業(yè)人士。AI 不再只是提效，而是能直接把活干了。

這個(gè)認(rèn)知促使我們從第一性原理重新思考，GEA 就是用這種方法把我們?yōu)榭蛻糇龅乃惺虑橹厮芰艘槐椤Ｋ?GEA 的發(fā)布是后置的，客戶已經(jīng)用了好幾個(gè)月，我們才決定官宣。對(duì)我來說，決定發(fā)布的那一刻，就是我決定放下過去特贊的形象，重新定義特贊的那一刻。

第二個(gè)是，2025 年年中，我意識(shí)到 AI 開啟的不是在原有地圖上深耕的模式，而是一個(gè)「新大航海時(shí)代」。對(duì)我們這種在原有領(lǐng)域深耕的企業(yè)來說，做深做精是本能。但我突然覺得，我們有機(jī)會(huì)做「哥倫布」，而不是一個(gè)精益求精的「匠人」。

這意味著我們要打破邊界，去搶新地盤。我們不再只做內(nèi)容，也開始做產(chǎn)品創(chuàng)新、用戶洞察的智能體。你會(huì)發(fā)現(xiàn)，Agent 的底層架構(gòu)是相通的，這讓我們能很自然地沖出原來的領(lǐng)域，這個(gè)過程非常令人興奮。

02

GEA 的四層框架與「AI 原生」之路

張鵬：你說 GEA 是你刷新公司定義的起點(diǎn)，而且已經(jīng)在客戶那里跑了一段時(shí)間。它的構(gòu)想框架是怎樣的？現(xiàn)在它如何服務(wù)客戶？

范凌：首先，「Agent」這個(gè)詞現(xiàn)在被用得很廣泛。在我看來，用一堆提示詞去做一個(gè)簡(jiǎn)單的 Agent 并沒有壁壘。任何過去用軟件、用專業(yè)服務(wù)完成的事，理論上都可以用 Agent 重做一遍。

真正的價(jià)值和壁壘在于以下幾層：

首先是模型編排。沒有一個(gè)模型能擅長(zhǎng)所有事，做圖、做視頻、做推理、做寫作，可能都需要不同的模型。要完成一個(gè)像「新品創(chuàng)新」這樣的復(fù)雜任務(wù)，我們可能要調(diào)用二十多個(gè)不同的模型，包括開源的、閉源的，甚至是企業(yè)自己訓(xùn)練的。如何根據(jù)任務(wù)，高效、低成本地編排這些模型，至關(guān)重要。畢竟，Token 并不便宜。

第二是上下文（Context）。如果大家都能用上同樣的模型，差異化就在于你為模型提供了怎樣的運(yùn)行環(huán)境。我們把企業(yè)數(shù)據(jù)分為兩種：一種是存在表格里的結(jié)構(gòu)化數(shù)據(jù)，我們稱之為企業(yè)的「事實(shí)（Ground Truth）」；另一種是大量的圖文、視頻等非結(jié)構(gòu)化數(shù)據(jù)，這就是企業(yè)的「上下文（Context）」。特贊過去幾年一直在幫企業(yè)做內(nèi)容管理，正好積累了這一層的能力。有了好的、對(duì)的上下文，模型才能發(fā)揮真正的作用。

在模型編排和上下文之間，是執(zhí)行任務(wù)的 Agent 層。但在這之上，還有最關(guān)鍵的一層，我們稱之為意圖（Intent）。企業(yè)里的任務(wù)通常不是「給我打印張紙」這樣的簡(jiǎn)單指令，而是需要迭代的復(fù)雜需求。因此，理解用戶背后的真實(shí)意圖至關(guān)重要。我們甚至專門為此訓(xùn)練了一個(gè)發(fā)散推理模型（Creative Reasoning Model），用于理解和增強(qiáng)意圖。

所以，GEA 的框架就是由四層構(gòu)成：

1. Intent Layer（意圖層）

   定義企業(yè)真實(shí)業(yè)務(wù)目標(biāo)，而不是處理單次任務(wù)請(qǐng)求，例如增長(zhǎng)、創(chuàng)新、洞察、品牌一致性等經(jīng)營(yíng)級(jí)問題。

2. Orchestration Layer（編排層）

   將目標(biāo)拆解為可執(zhí)行任務(wù)路徑，組織推理流程，并協(xié)調(diào)模型能力與 Agent Skills 形成可復(fù)用的執(zhí)行結(jié)構(gòu)。

3. Proactive Agent Layer（主動(dòng)執(zhí)行層｜GEAClaw）

   讓智能體在真實(shí)業(yè)務(wù)流程中持續(xù)運(yùn)行，跨系統(tǒng)調(diào)用能力，推進(jìn)任務(wù)網(wǎng)絡(luò)，而不是一次性響應(yīng)問題。

4. Context System Layer（上下文系統(tǒng)）

   作為企業(yè)的 Single Source of Truth，統(tǒng)一品牌知識(shí)、產(chǎn)品知識(shí)、用戶知識(shí)與歷史決策邏輯，使 AI 能理解企業(yè)并長(zhǎng)期進(jìn)化。

我們相信，這個(gè)架構(gòu)組合起來，才有可能真正解決過去需要專業(yè)服務(wù)才能解決的問題，比如用戶洞察、產(chǎn)品創(chuàng)新咨詢、營(yíng)銷增長(zhǎng)策略等。最終的目標(biāo)，就是讓 Agent 重做一遍專業(yè)服務(wù)。

張鵬：我很好奇，GEA 這個(gè)名字怎么解讀？

范凌：GEA 就是 Generative Enterprise Agent，企業(yè)級(jí)智能體。我們內(nèi)部用這個(gè)代號(hào)很久了，它也是 大地女神蓋亞（Gaia，在西方文化里象征「承載世界的底層結(jié)構(gòu)」）的名字，我們覺得寓意很好。

現(xiàn)在有些公司會(huì)把數(shù)字員工放進(jìn)組織架構(gòu)圖，我覺得這可能有點(diǎn)像噱頭。AI 技術(shù)每年都在發(fā)展，最早是能生成文字、圖像的生成式 AI；之后是會(huì)推理、能思考的 AI；現(xiàn)在則是能干活的 Agentic AI。

隨之而來的是組織形態(tài)的變化。最初大家想的是「AI 賦能」（AI Empowered），比如給每個(gè)員工配一個(gè) Copilot 當(dāng)助手，或者用 Agent 替代某些角色。「賦能」這個(gè)詞，意味著原有的東西不變，只是通過新技術(shù)讓它變得更強(qiáng)，像是武器升級(jí)。

但現(xiàn)在有另一個(gè)方向，叫「AI 原生」（AI Native）。我們自己就在思考什么是 AI 原生。比如，我們做公司營(yíng)銷時(shí)，第一步是先給 AI 大量的文件權(quán)限，讓它理解公司，并且這些文件的架構(gòu)也是按照方便 AI 讀取的方式來組織的。這才是 AI 原生。

我更希望 GEA 能驅(qū)動(dòng)更多企業(yè)變得更 AI 原生。不是給研發(fā)人員一個(gè)新工具，而是創(chuàng)造一種新的研發(fā)方式。比如，讓 Agent 7x24 小時(shí)在后臺(tái)為企業(yè)做新品創(chuàng)新。這樣一來，不是人提出想法、AI 加速實(shí)現(xiàn)；而是 AI 負(fù)責(zé)創(chuàng)新。

單純?yōu)榱私当驹鲂プ鰞蓚€(gè)數(shù)字員工，我認(rèn)為這是一種內(nèi)卷邏輯。我們更應(yīng)該走向 AI 原生，去尋找新的增量機(jī)會(huì)。

當(dāng)然，喜馬拉雅的創(chuàng)始人余建軍還提到了第三個(gè)階段，叫「AI 喚醒」（AI Awakened），我們也很期待看到未來被 AI 喚醒的新物種。

張鵬：我理解 AI 原生的本質(zhì)，是放大企業(yè)的可能性，但企業(yè)場(chǎng)景需要確定性。你們的 GEA 框架是如何在一個(gè)概率系統(tǒng)之上，建立企業(yè)需要的確定性呢？

范凌：我們提到的意圖、編排、Agent 和上下文這四層結(jié)構(gòu)，本身就是為企業(yè)場(chǎng)景設(shè)計(jì)的，這能解決七八成的問題。但這還不夠。要讓 AI 在企業(yè)里從一個(gè)看起來很美的概念驗(yàn)證（POC），到真正能規(guī)模化應(yīng)用，中間有巨大的鴻溝。要跨越它，需要兩個(gè)關(guān)鍵突破。

第一個(gè)突破，在硅谷很火但在國(guó)內(nèi)提得還不夠的詞，叫「Eval」，也就是評(píng)估（Evaluation）。在規(guī)模化應(yīng)用前，你必須系統(tǒng)性地評(píng)估它，了解它的容錯(cuò)率。這意味著需要建立一套評(píng)估的基礎(chǔ)設(shè)施和行業(yè)基準(zhǔn)（Benchmark）。就像客服領(lǐng)域有相應(yīng)的榜單，未來在產(chǎn)品研發(fā)、用戶洞察等垂直領(lǐng)域，我們也需要能去「打榜」，證明我們的能力。

第二個(gè)突破，是構(gòu)建高質(zhì)量的「智能體技能」（Agent Skills）。我最近在美國(guó)觀察到，現(xiàn)在的數(shù)據(jù)標(biāo)注已經(jīng)不是簡(jiǎn)單的給圖片打標(biāo)簽了，而是雇傭頂級(jí)的專業(yè)人士（比如律師、咨詢師）去完整地解決一個(gè)極其復(fù)雜、可能有幾十上百個(gè)步驟的真實(shí)問題，并把這個(gè)過程記錄下來。

這才是現(xiàn)在最有價(jià)值的「人類數(shù)據(jù)」，是專家的技能和智慧的「蒸餾」。這些高質(zhì)量的、復(fù)雜的「技能」會(huì)非常昂貴，并且是專有的，而不會(huì)是免費(fèi)通用的。企業(yè)想要真正用好 AI，就必須構(gòu)建或獲取這樣的「技能」。

03

AI 時(shí)代的生存法則與世界觀

張鵬：我感覺你做的不是數(shù)字員工，也不是單純降本增效的基礎(chǔ)設(shè)施。它更像一個(gè)「拎包入住」的平臺(tái)或環(huán)境？

范凌：是環(huán)境，但這個(gè)詞有點(diǎn)抽象。我更愿意稱之為一個(gè) AI 原生的「培養(yǎng)皿」。它不是一個(gè)簡(jiǎn)單的工具，也不是替代一兩個(gè)員工，它帶來的是化學(xué)變化，目的是讓用戶的工作方式、甚至競(jìng)爭(zhēng)力都發(fā)生根本改變。

我給你舉個(gè)例子。我們有個(gè)客戶是做巧克力的，非常傳統(tǒng)，過去每?jī)赡瓴艙Q一款產(chǎn)品。但現(xiàn)在市場(chǎng)變了，不存在單品爆款，需要不斷用小規(guī)模的創(chuàng)意去測(cè)試市場(chǎng)。

巧克力的核心 80% 是不變的，變化的是那 20% 的包裝、口味、聯(lián)名等等。他們就用 AI 來大量生成這 20% 的新品創(chuàng)意，一年下來能產(chǎn)生 3000 多個(gè)不同的想法。

然后，我們用模擬的用戶 Agent 去自動(dòng)給這 3000 多個(gè)想法投票，篩選出最好的 300 個(gè)，再交給人來討論。

這就意味著，當(dāng)團(tuán)隊(duì)開始做新品構(gòu)思時(shí)，他們不是從 0 開始，而是面對(duì)著 300 個(gè)已經(jīng)很完善、包含具體造型的方案。AI 已經(jīng)把工作從 0 分做到了 70 分。人的精力不再消耗在 0 到 70 這個(gè)機(jī)械的、「打工人」的過程中，而是全力投入在 70 到 100 這個(gè)純粹的創(chuàng)造力環(huán)節(jié)。

我覺得這個(gè)過程非常有機(jī)，人的價(jià)值得到了更好的發(fā)揮，AI 也能持續(xù)地提供燃料。雖然這不是一個(gè)驚天動(dòng)地的新產(chǎn)品，但它代表了大多數(shù)企業(yè)走向 AI 原生的真實(shí)路徑。

張鵬： 我們聊到了主動(dòng)的（Proactive）Agent，你覺得企業(yè)里什么樣的場(chǎng)景下，這種主動(dòng) Agent 已經(jīng)相對(duì)成熟了？它的邊界在哪里？

范凌：我一直在思考 Proactive Agent。為什么研發(fā)一定要由人來驅(qū)動(dòng)，而不是讓 Agent 不停地研發(fā)，然后來征求人的意見？就像我們現(xiàn)在很少主動(dòng)搜索，而是由信息流（feed）給我們推送內(nèi)容。工作為什么不能也是這樣？讓 AI 不停地工作，時(shí)不時(shí)來問問我的看法。

我過去認(rèn)為，Proactive Agent 應(yīng)該是由 AI 自動(dòng)發(fā)起對(duì)話，而不是人輸入提示詞。但我曾錯(cuò)誤地以為，要做 10 個(gè) Agent，就得做 10 個(gè) Proactive Agent。后來我意識(shí)到，只需要做一個(gè)「Proactive Agent」，由它去調(diào)用所有其他的 Agent。這樣，整個(gè)工作流就自然被激活了。這在今天已經(jīng)可以做到。

在這種協(xié)同中，人的價(jià)值至關(guān)重要。首先，人要為 Agent 設(shè)定好場(chǎng)景和目標(biāo)。其次，人是評(píng)價(jià)者。Agent 的邏輯是可預(yù)測(cè)的，它總是選擇概率最大的路徑，人則需要提供反饋、意外和挑戰(zhàn)來引導(dǎo)它。最后，人是最終的責(zé)任承擔(dān)者。Agent 能干活，甚至能用腦，但它不能承擔(dān)責(zé)任。

張鵬：「關(guān)系」變得空前重要。即便未來大家都是 AI Native，最終還是要回到如何與用戶交朋友，并把這種關(guān)系轉(zhuǎn)化為更好的服務(wù)。那么，你的客戶用 GEA 框架，具體能做一些什么樣的事情？

范凌：我們的客戶主要有兩類。一類是世界 500 強(qiáng)級(jí)別的大企業(yè)，覆蓋快消、美妝、新能源車、酒類等行業(yè)。另一類是中小企業(yè)和專業(yè)個(gè)人用戶，因?yàn)?Agent 的使用門檻比傳統(tǒng)軟件低很多，所以這類用戶增長(zhǎng)很快。

我舉兩個(gè)例子。一家世界 500 強(qiáng)的食品公司，用 GEA 搭建了一套內(nèi)容增長(zhǎng)流程。AI 每天自動(dòng)搜索與品牌相關(guān)的話題，為旗下的社交媒體矩陣號(hào)生成內(nèi)容、續(xù)寫人設(shè)、混剪視頻并分發(fā)。然后它會(huì)追蹤哪些內(nèi)容效果好，再回來進(jìn)行二次、三次創(chuàng)作，形成一個(gè)閉環(huán)。在這個(gè)流程中，人只需要做選擇、調(diào)整和引導(dǎo)。最終，這款新品的 ROI 在三個(gè)月內(nèi)提升了 7 倍。

還有一個(gè)例子。我們有一個(gè)個(gè)人用戶，他的產(chǎn)品在國(guó)內(nèi)很成功，但不知道該進(jìn)入哪個(gè)海外市場(chǎng)。他用 GEA 去掃描全球市場(chǎng)，尋找合適的用戶，并測(cè)試觸達(dá)他們的方式，在幾周內(nèi)就完成了初步的市場(chǎng)調(diào)研和用戶測(cè)試。

總的來說，GEA 主要解決的是企業(yè)前端與增長(zhǎng)相關(guān)的非供應(yīng)鏈問題。只要客戶能提出一個(gè)增長(zhǎng)場(chǎng)景，我們就能用 GEA 把它串聯(lián)起來，讓它跑起來。

張鵬：很多硬件產(chǎn)品發(fā)布前都會(huì)做前測(cè)，來驗(yàn)證產(chǎn)品、調(diào)整策略。未來是否能在一個(gè)虛擬空間里，完成產(chǎn)品優(yōu)化的模擬（Simulation）？你的客戶有在這么做的嗎？

范凌：簡(jiǎn)單說，有。尤其在智能硬件領(lǐng)域，大到新能源車，小到手機(jī)。用法主要有兩種。

第一種是在產(chǎn)品定義階段，比前測(cè)更早。很多創(chuàng)新是用戶驅(qū)動(dòng)的，我們會(huì)用 Agent 批量模擬用戶，收集他們的聲音（Voice of Customer），甚至捏成虛擬用戶來和品牌方一起腦暴。比如，我們幫一家新能源車企，召集了一群虛擬的「二孩年輕家庭」，共同定義下一代 MPV。

第二種是用在測(cè)試環(huán)節(jié)。智能硬件的外觀和用戶體驗(yàn)非常保密，比如新手機(jī)在測(cè)試時(shí)連鏡頭都要貼掉，但又需要大量用戶測(cè)試。我們就可以生成一群虛擬用戶，讓他們?cè)谔摂M環(huán)境中「觀看」和「點(diǎn)擊」新產(chǎn)品。

當(dāng)然，我并不認(rèn)為未來只需要虛擬測(cè)試，一定是虛實(shí)結(jié)合的。虛擬部分能大大增加測(cè)試頻次、降低成本；而真實(shí)用戶的反饋，則提供新的數(shù)據(jù)和思路，反哺系統(tǒng)。我們從新能源車到錄音卡這樣的客戶，都在進(jìn)行這類實(shí)踐。

但我必須補(bǔ)充一點(diǎn)，這一定是人機(jī)結(jié)合的模式。AI 負(fù)責(zé)處理那些大概率的、重復(fù)性的工作，而人，永遠(yuǎn)負(fù)責(zé)帶來意外、品味和挑戰(zhàn)。

張鵬：這就像具身智能領(lǐng)域里的模擬（Simulation）。模擬數(shù)據(jù)有巨大價(jià)值，能極大提升效率，但也存在一個(gè)從「模擬到現(xiàn)實(shí)」（Sim to Real）的差距。虛擬用戶如何保證測(cè)試數(shù)據(jù)的有效性？我為什么能信它？

范凌：這個(gè)問題可以從幾個(gè)層面來保障。首先，大量學(xué)術(shù)研究已經(jīng)證明，通過大語言模型和工程優(yōu)化，AI 模擬的消費(fèi)行為能達(dá)到和真人 85% 的一致性，這是一個(gè)堅(jiān)實(shí)的基礎(chǔ)。

其次，企業(yè)應(yīng)用時(shí)，會(huì)有一個(gè)評(píng)估和校準(zhǔn)的過程。我們會(huì)針對(duì)汽車、智能手機(jī)、消費(fèi)品等特定場(chǎng)景，解決「最后一公里」的難題，讓模擬更貼近真實(shí)業(yè)務(wù)。

最后，在一些特殊行業(yè)，比如醫(yī)療，尤其是涉及老人和兒童的數(shù)據(jù)，本來就極度稀缺。在這種情況下，AI 模擬出的用戶數(shù)據(jù)質(zhì)量，可能比現(xiàn)有的數(shù)據(jù)還要好。我們的比較對(duì)象不應(yīng)是絕對(duì)真理，而是現(xiàn)有的基準(zhǔn)（Benchmark）。

張鵬：很多 ToB 的 AI 公司會(huì)「挑客戶」，他們覺得如果客戶沒有「AI Ready」，服務(wù)起來會(huì)很麻煩。在使用 GEA 之前，公司需要在業(yè)務(wù)或數(shù)據(jù)上達(dá)到某種狀態(tài)嗎？

范凌：這個(gè)問題，今年和去年的答案不一樣了。今年我的答案是：我不挑客戶，我只挑預(yù)算。

現(xiàn)在是 AI 的「大航海時(shí)代」。我不在乎客戶的準(zhǔn)備程度，只要他有決心和預(yù)算去做這件事。客戶的準(zhǔn)備程度有高有低，有些能快速吸納新技術(shù)，有些則意愿很強(qiáng)但不知從何下手。

針對(duì)后一類客戶，我們今年的核心策略是「全棧式服務(wù)」（Full Stack）。我們不能只把技術(shù)丟給客戶。即使是 AI 認(rèn)知領(lǐng)先的公司，也需要通過培訓(xùn)等支持的方式來彌合「認(rèn)知」和「動(dòng)手」之間的差距。

所以，「全棧式服務(wù)」意味著我們用 AI 技術(shù) + 人的服務(wù)，直接幫客戶產(chǎn)生價(jià)值。你沒有數(shù)據(jù)，我們幫你解決數(shù)據(jù)問題；你不知道怎么改工作流，我們幫你設(shè)計(jì)。

我們的目標(biāo)是在未來某個(gè)時(shí)間點(diǎn)，把整套系統(tǒng)交付給你，但我們不能讓你當(dāng)下的「手腦不協(xié)調(diào)」阻礙你開啟 AI 的進(jìn)程。中間的差距，就是我們的機(jī)會(huì)。

現(xiàn)在是大航海時(shí)代，新大陸一定不如舊大陸舒服，但新大陸足夠大。

05

所有的留戀都是一種負(fù)擔(dān)

張鵬：你一開場(chǎng)就非常堅(jiān)決，把今天 GEA 產(chǎn)品的發(fā)布，看作是對(duì)特贊的一次重新定義。那么，特贊的歷史上，在哪些節(jié)點(diǎn)上做過「翻新」？這條路是怎么走過來的？

范凌：特贊，名字就是 Tech 加 design，一手技術(shù)，一手創(chuàng)造力。這個(gè)本質(zhì)沒有變過，變的是產(chǎn)品形態(tài)。我們最早是一個(gè)平臺(tái)，但慢慢發(fā)現(xiàn)，不是每個(gè)行業(yè)都有做平臺(tái)的機(jī)會(huì)，尤其是 to B 的平臺(tái)。

后來我們做了一個(gè)比較大的跳轉(zhuǎn)，把平臺(tái)變成服務(wù)大客戶的軟件。原來做平臺(tái)是為了民主、平均，不要服務(wù)寡頭，后來我們成了一個(gè)服務(wù)大企業(yè)的軟件公司，當(dāng)然也和 AI、內(nèi)容相關(guān)。這個(gè)過程我們吃到了很多紅利，比如前幾年的 SaaS 紅利，企業(yè)服務(wù)紅利，以及最近的 AI 紅利。

這次的變化，是我自己覺得最大的，最不順理成章的。過去我們是在積累的東西上包一層時(shí)代的印記，但這次有點(diǎn)像是要把過去的積累放下來。我一直跟團(tuán)隊(duì)說，我們又沒有大到可以吃資源，又沒有小到?jīng)]有負(fù)擔(dān)，所有東西都可能成為擁抱明天的累贅。所以我們希望能夠自我革命，這一波的改變是完全徹底的。

張鵬：過去的變化，就像一個(gè)滾動(dòng)的蛋，殼上一層層的東西疊加。但今天不是再滾一層更厚的，而是要從里把殼敲碎，長(zhǎng)出新東西來？

范凌：對(duì)，這源于一種內(nèi)心的緊迫感。我不是因?yàn)闃I(yè)績(jī)或投資人有壓力，而是我害怕在 AI 這個(gè)馬太效應(yīng)極強(qiáng)的時(shí)代，我們上不了船。我不知道有多少人有船票，但我知道上船最重要。

今年初，我看到很多軟件公司的創(chuàng)始人都有類似的表述。Shopify 的創(chuàng)始人說他去年寫了前所未有那么多的代碼；Airtable 的創(chuàng)始人也親自做了兩個(gè)新產(chǎn)品；Intercom 的創(chuàng)始人甚至寫了一篇與過去決裂的文章，甚至改了商業(yè)模式和董事會(huì)。

這讓我更加確信：在這個(gè)大航海時(shí)代，所有的留戀都是一種負(fù)擔(dān)。

張鵬：目前，華爾街正在重新評(píng)估軟件的價(jià)值，很多公司估值大跌。你認(rèn)為，是市場(chǎng)低估了軟件，還是軟件真的正在被 AI 吞噬？

范凌：我們以前總覺得中國(guó)的明天是美國(guó)的今天，沒想到在軟件行業(yè)，美國(guó)的明天成了中國(guó)的今天——強(qiáng)調(diào)定制化開發(fā)、低成本、包服務(wù)。

原來美國(guó)的軟件太輕松了，一個(gè)簡(jiǎn)單的產(chǎn)品能賣很多錢，是因?yàn)楹芏嘀行∑髽I(yè)付不起專業(yè)服務(wù)的費(fèi)用，只能被迫接受標(biāo)準(zhǔn)化產(chǎn)品。現(xiàn)在 AI 讓每個(gè)人都可以有自己的軟件，SaaS 當(dāng)然應(yīng)該重做一遍。所以股票下跌不是一種錯(cuò)殺。

AI 不僅會(huì)取代很多軟件，也會(huì)取代很多用軟件的人。我一直覺得，所有坐著工作的崗位都可能被 AI 取代。

那我們的機(jī)會(huì)在哪？第一，要擁抱企業(yè)場(chǎng)景，不僅是提高效率（output），更要交付成果（outcome）。第二，要擁抱物理世界。物理世界和數(shù)字世界的節(jié)點(diǎn)，才是創(chuàng)業(yè)的機(jī)會(huì)。比如我們?yōu)槭裁聪矚g做用戶研究？因?yàn)槿藳]那么快變化。純 AI 公司的差異化會(huì)越來越小，但如果我們能用 AI 幫助一個(gè)傳統(tǒng)行業(yè)，比如把新品研發(fā)周期從兩年縮短到兩天，這才是我們存活的機(jī)會(huì)。

張鵬：我還有一個(gè)問題，我看你還掛著同濟(jì)大學(xué)教授的身份，是一邊創(chuàng)業(yè)，一邊還在教課帶學(xué)生嗎？

范凌：我創(chuàng)業(yè)前就在大學(xué)教書，回國(guó)后，我的本科母校同濟(jì)，給了我一個(gè)很靈活的職位，允許我全身心創(chuàng)業(yè)，同時(shí)把余量貢獻(xiàn)給學(xué)校。

我在學(xué)校不教本科生的課，但帶研究生、博士生和博士后，我們有一個(gè)二三十人的實(shí)驗(yàn)室。所有無法商業(yè)化的興趣話題，比如一些可以長(zhǎng)期積累的數(shù)據(jù)集、人才培養(yǎng)，都會(huì)放在實(shí)驗(yàn)室里，以發(fā)論文、寫專利、申請(qǐng)課題為主。

這對(duì)我來說是一種很重要的平衡感。企業(yè)里思考的周期基本不超過三個(gè)月，但在學(xué)校可以做一些長(zhǎng)期積累。

最近我發(fā)現(xiàn)，AI 讓科研和市場(chǎng)的距離變得非常近。我去聊了很多大學(xué)老師朋友，沒有一個(gè)不想創(chuàng)業(yè)的。AI 給了科研人員一個(gè)新機(jī)會(huì)，我們的知識(shí)離市場(chǎng)更近了。比如最近很火的「Harness Engineering」，原本是科研問題，現(xiàn)在三到六個(gè)月就可能成為應(yīng)用技術(shù)。反過來，學(xué)校也迫切需要來自市場(chǎng)的真實(shí)問題和算力，這是一個(gè)雙贏，只是對(duì)體力要求很高。

張鵬：今天我們做的很多工程上的事，未來有多少會(huì)被模型自己吸收掉？這決定了我們今天做的事，未來是否還有價(jià)值。比如 GEA，你肯定要考慮，哪些工作會(huì)被模型吸收，哪些會(huì)永遠(yuǎn)保留獨(dú)立價(jià)值？

范凌：這個(gè)問題我沒有很好的答案，只能說在持續(xù)思考。

如果用已知類比未知，我覺得模型和應(yīng)用之間，就像平臺(tái)和品牌之間的博弈。最早電商剛開始時(shí)，平臺(tái)很強(qiáng)勢(shì)，但后來品牌的力量也越來越大。現(xiàn)在，模型就是新的平臺(tái)，可能暫時(shí)強(qiáng)勢(shì)，但隨著應(yīng)用方用得越來越多、越來越好，應(yīng)用方的力量也會(huì)變大。

模型肯定什么都想做，只是有路線圖的遠(yuǎn)近之分。我們現(xiàn)在做的事，也許是模型三年后會(huì)做的事，所以我們必須持續(xù)往下做。

另一邊，企業(yè)會(huì)越來越敏感，會(huì)把它的 context（上下文、業(yè)務(wù)場(chǎng)景）變成完全私有的東西，并盡量和模型做物理上的隔離。作為創(chuàng)業(yè)公司，我們必須站隊(duì)。我們會(huì)選擇站在品牌（企業(yè)）這一側(cè)，幫助他們守住和用好自己的 context。

張鵬： 這就是一種世界觀和選擇。模型就算萬能，也依托于數(shù)據(jù)。但企業(yè)里有很多「暗數(shù)據(jù)」，就像宇宙中的暗物質(zhì)，無法輕易被觀測(cè)和抽取。

比如，要把一個(gè)人的崗位能力「蒸餾」成一個(gè)數(shù)字員工，你會(huì)發(fā)現(xiàn)顯性的知識(shí)就那么多，但有很多隱性的「暗知識(shí)」只在特定場(chǎng)景下才會(huì)激發(fā)。模型想吞噬一切是很難的，這些模型不可見的「暗物質(zhì)」一定會(huì)形成一個(gè)價(jià)值層。未來的關(guān)鍵，就是如何組織這部分價(jià)值，并與模型協(xié)同，創(chuàng)造更大的價(jià)值。這就像有了電以后，我們?nèi)ニ伎荚趺从秒姡皇浅蔀榻o別人供電的電池。世界本身就在一個(gè)「移動(dòng)靶」的博弈過程中，關(guān)鍵是要參與進(jìn)去，才能看清楚。

范凌：是的。在我們有生之年，從來沒有碰到過應(yīng)用層和基礎(chǔ)技術(shù)層都同時(shí)劇烈變化的時(shí)代。通常基礎(chǔ)是平穩(wěn)的，變化發(fā)生在應(yīng)用層。但這次兩個(gè)都在巨變，所以預(yù)測(cè)任何東西都很難，只能「隨波逐流」——意思就是不要停下來。

05

上下文，將決定你的獨(dú)特性

張鵬：我們來推演一下。假如未來所有企業(yè)都用上了最好的模型和 Agent Skill，一個(gè)企業(yè)的獨(dú)有價(jià)值和最終的勝負(fù)手，會(huì)落在哪里？

范凌：這個(gè)問題我也時(shí)常思考。過去我們覺得核心是做好產(chǎn)品，但現(xiàn)在用 AI 做產(chǎn)品的門檻越來越低。那么，什么東西是 AI 無法加速的？

我的答案可能不那么技術(shù)，但我認(rèn)為是品牌帶來的信任。我發(fā)現(xiàn)很多 AI 公司又重回到了人和人的交流。創(chuàng)始人必須親自走到臺(tái)前，讓用戶因?yàn)橄嘈拍恪⑾矚g你，而去試用你的產(chǎn)品。這種「人的連接」反而成了 AI 產(chǎn)品的關(guān)鍵差異點(diǎn)。

第二點(diǎn)是社群和真實(shí)的線下體驗(yàn)。我看到 Anthropic 像消費(fèi)品牌一樣，去做線下的快閃店，這種做法是在建立社群和一種「真人感」。當(dāng)產(chǎn)品本身差異不大時(shí)，這些就成了競(jìng)爭(zhēng)壁壘。

當(dāng)然，當(dāng)用戶用得越多，積累的上下文和數(shù)據(jù)越多，遷移成本就越高，數(shù)據(jù)的飛輪效應(yīng)就會(huì)出現(xiàn)，這是另一種競(jìng)爭(zhēng)力。但在當(dāng)前階段，我們必須抓住那些 AI 無法快速?gòu)?fù)制的價(jià)值，比如品牌和信任。

張鵬：特贊基于新的世界觀，通過 GEA 邁出了破殼的第一步。接下來會(huì)走向哪里？你肯定已經(jīng)想好了下一步，今天能分享嗎？

范凌：GEA 只是一個(gè)開始。我們會(huì)以每?jī)芍芤粋€(gè)新場(chǎng)景的速度，把它的應(yīng)用變得更多元。我們已經(jīng)規(guī)劃了接下來的三到四次發(fā)布的內(nèi)容，希望和信任我們的用戶一起，找到他們還想解決的場(chǎng)景。

第二，最近我去美國(guó)發(fā)現(xiàn)，和過去 ERP、CRM 這些由美國(guó)人發(fā)明的概念不同，AI 這一波，中國(guó)在應(yīng)用層面有很多領(lǐng)先。所以，把中國(guó)消費(fèi)市場(chǎng)歷練出的實(shí)戰(zhàn)能力，以企業(yè)級(jí)方式交付給全球客戶，這個(gè)空間巨大。現(xiàn)在可能真的會(huì)出現(xiàn)「China for global」，中國(guó)的應(yīng)用應(yīng)該走向全世界，這不是情懷，是結(jié)構(gòu)性的機(jī)會(huì)。GEA 從第一天就是全球化的（global first），我們已經(jīng)在新加坡、日本、美國(guó)進(jìn)行復(fù)制。

第三，Agent 不僅是取代 SaaS，它能直接交付結(jié)果，從而取代一部分專業(yè)服務(wù)。比如，用戶研究 Agent 能不能直接做掉咨詢公司的事？就像法律 Agent 已經(jīng)在做律所的事。所以我在探索，GEA 能否不止著眼于軟件市場(chǎng)，而是去獲取整個(gè)專業(yè)服務(wù)市場(chǎng)的一部分。

張鵬：過去我們討論軟件生態(tài)時(shí)，會(huì)談?wù)撻_放與封閉。在未來的企業(yè)智能化時(shí)代，這個(gè)問題還存在嗎？它會(huì)如何演進(jìn)？

范凌：我認(rèn)為海內(nèi)外是完全不一樣的生態(tài)，產(chǎn)品的做法也完全不一樣。

在海外，「整合」（integration）一直是最重要的特性，你必須能和其他眾多軟件平臺(tái)打通。比如，連接各個(gè)社交媒體進(jìn)行內(nèi)容分發(fā)和數(shù)據(jù)獲取，在海外就非常容易。

但在中國(guó)，每個(gè)大廠都想在自己內(nèi)部形成閉環(huán)。同樣是社媒分發(fā)，在中國(guó)要用很多變通的方法才能實(shí)現(xiàn)自動(dòng)化。

所以，我心里的理想狀態(tài)是開放的。但現(xiàn)實(shí)是，在中國(guó)當(dāng)下的環(huán)境里談不上「開放」。因此，如果我們的產(chǎn)品要走向海外，就必須是開放的。

張鵬： 現(xiàn)在頂級(jí)的創(chuàng)業(yè)者都把全球化作為第一目標(biāo)，這和過去（中國(guó)市場(chǎng)打不過才去海外）很不一樣。這已經(jīng)成了一個(gè)非常重要的「新世界觀」？

范凌：是的，還有一個(gè)很重要的原因是，AI 讓語言不再是問題。這使得我們可以更容易地兼容不同的文化和語言，也是全球化的一個(gè)重要原因。

張鵬： 我們大膽預(yù)言一下，到 2030 年，在企業(yè)智能服務(wù)這個(gè)領(lǐng)域，一家真正有價(jià)值的優(yōu)秀公司，需要具備哪些關(guān)鍵條件？

范凌：我認(rèn)為，我們正在從「工具驅(qū)動(dòng)」轉(zhuǎn)向「上下文驅(qū)動(dòng)」（Context-driven）。

過去的理念是「工具驅(qū)動(dòng)」，就像麥克盧漢說的，「我們創(chuàng)造工具，工具反過來塑造我們」。但現(xiàn)在，創(chuàng)造工具本身變得非常簡(jiǎn)單。

新的核心是「上下文驅(qū)動(dòng)」。我們開始能讓那些過去很難被結(jié)構(gòu)化的東西（比如一段自然語言）變得可被結(jié)構(gòu)化、可被計(jì)算。我發(fā)現(xiàn)，AI 應(yīng)用效果的好壞，直接取決于「上下文密度」的高低。

舉個(gè)例子，一個(gè)效果差的 AI 虛擬人，可能只有 50 個(gè)字去描述它。而一個(gè)效果好的 AI 虛擬人，擁有密度極高的上下文，用幾萬甚至幾十萬字去描述它的性格、出身、行為習(xí)慣，甚至是他坐在椅子上的樣子。

所以，我認(rèn)為到 2030 年，誰能掌握更高密度的「上下文」，誰就能最大化地用好大語言模型，創(chuàng)造出獨(dú)特的價(jià)值。上下文，將決定你的獨(dú)特性。

張鵬：最后一個(gè)問題。今天有很多創(chuàng)業(yè)者和企業(yè)家，他們對(duì) AI 感到焦慮，但又渴望探索。作為一個(gè)已經(jīng)走在路上的探索者，你有什么建議給他們？

范凌：我感受到的不是焦慮，而是「緊迫」，覺得應(yīng)該盡快做點(diǎn)什么。

我的建議是：放下「未來必須和過去有關(guān)」這個(gè)包袱。

你的過去，決定了「現(xiàn)在」的你是誰。但是，你的未來，是由「現(xiàn)在」的你創(chuàng)造出來的，并不意味著你未來要做的事必須和過去做的事相關(guān)。

AI 時(shí)代重新給了我們一種環(huán)境，一個(gè)大家會(huì)為「非共識(shí)」的觀點(diǎn)而喝彩的環(huán)境。在過去很長(zhǎng)一段時(shí)間里，由于追求降本增效等原因，我們都為「共識(shí)」而喝彩，很少有人為「非共識(shí)」買單。但過去這一兩年，情況變了。

所以，我們應(yīng)該勇敢地與過去所做的事情做切割，然后勇敢地邁向明天。

*頭圖來源：特贊科技

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO

極客一問

你如何看待 GEA ？