---
title: "非凡大赏｜智能体落地：文旅、汽车、金融、政务场景的实践攻坚"
id: "20250925A06TWH00"
publicationAccount: "非凡产研"
originalPublishedAt: "2025-09-25T18:06:57+08:00"
canonical: "https://ffcap.cn/research/20250925a06twh00"
source: "https://view.inews.qq.com/a/20250925A06TWH00"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["AI Agent","非凡大赏","销售与客服","营销增长","全球化出海","物流与供应链","电商零售","模型与基础设施"]
---

# 非凡大赏｜智能体落地：文旅、汽车、金融、政务场景的实践攻坚

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

2025年9月20日，由广西国际博览集团、非凡产研、广西（上海）产业合作中心主办的「中国-东盟人工智能南宁大会」在南宁会展豪生大酒店成功举办。本次大会以"共识中国AI，共建东盟生态，共享数智未来"为主题，汇聚了中国与东盟政企学界资源，为中国AI企业出海搭建了重要平台。

在《智能体落地：文旅、汽车、金融、政务场景的实践攻坚》圆桌会议上，主持人是易论AI创始人易亚婷，嘉宾有逻辑科技创始人高佳辉、企域数科创始人&CEO沈扬、智谱高级副总裁吴玮杰。他们三个视角拼在一起，基本勾勒出企业上智能体会卡在哪、为什么卡、以及怎么过关。

![非凡大赏｜智能体落地：文旅、汽车、金融、政务场景的实践攻坚 · 原文图片 1](https://inews.gtimg.com/om_bt/OBrYpYZ1dcwpnPA3Tvut9tZAp4VCEty6KjJdWpVpXvOAIAA/1000)

**一、先别谈“多强的模型”，先把场景选对**

这场讨论里，最有共识的一句话是：先选场景，再谈技术。智谱那边的做法很具体——把“可能的业务场景”和“当下模型能做到的能力”，摆在一张四象限图里，优先从“能力已达标、业务价值又大”的那格开刀。看上去朴素，却是决定成败的分水岭：场景对了，价值会被很快感知；场景不对，再好的模型也会被误判成“用不起来”。不同公司，这个“第一格”的位置不一样，电商更看客服和营销，供应链更看多模态识别，这也是为什么策略要回到业务流内部，而不是寻找一个“拿来即用”的标准答案。

**二、企业到底为啥买单：能对账的结果**

逻辑科技在酒店和景区的落地让我印象很深。他们不谈概念，先把体验和准确率立住：面向客人的响应要压在客诉阈值里，工程上尽量收敛到五秒以内；准确率要上九成五，这背后靠的不是“玄学”，而是客户沉淀多年的行业数据，老老实实喂给知识库。数字客服、数字店长、数字董秘三条线，分别对应“对客服务-内部运营-集团决策”，每一条都能算清楚账，也能复盘问题

汽车这边，企域数科把复杂度藏在系统里，不要求客户理解模型，更不把学习成本丢给门店。他们把智能体塞进抖音、快手、视频号的一整条链路里，短视频、直播、销售客服连起来做“效果交付”。有一家豪华车品牌，全国三百多家4S店全面合作，直播接待把留资拉升到接近一半增幅；短视频和直播让二线以下城市不再为招人犯难；按月统计，新增销量能多出约两百二十台，新增线索能多出大约五万条；平均每家店省下1.5个人力，全国算下来接近四百五十个。试用十天、前后对比，这种“直接对账”的方式会让决策过程自然变短。

**三、模型侧的取舍：不再“门门第一”，而是抓三件事**

智谱的复盘也挺坦诚。最开始像高考一样希望“总分第一”，后来发现不现实，就在GLM-4.5这一代把资源压到三件事：推理、代码、以及智能体。聚焦之后，服务对象也更清晰——谁对这三种能力有强需求，谁就是优先级。把摊子收一收，交付反而更稳，组织压力也没那么大。

**四、工程托底：把不“酷”的东西做扎实**

真正上生产线，大家绕不开一个词：托底。模型会有幻觉，这是事实问题，不是态度问题。敏感词过滤、规则库、必要时的人工介入，这些看起来不酷，但缺了它们，任何好看的Demo到了线下都可能走样。把这些“护栏”写进系统，体验层面托住，合规层面也托住，才谈得上规模。

**五、两个案例：一个看指标，一个看边界**

有两个场景能看清“怎么选”和“怎么托”。一个是大型内容社区的全站翻译需求，当海外用户短时间涌入时，平台最后比的就是指标——质量和稳定性，谁更稳，谁上。另一个是杭州城投的城市级智能体：公交司机安全监测、线路调度优化、市民出行助理，以及防汛、路桥养护的多模态识别与路径规划，甚至垃圾清运的线路与时效。这里的关键词不是“新鲜”，而是“准确”和“安全”，涉及市民数据就要私有化部署，涉及公共服务就要可追溯。

**六、可复制与出海：从一个行业的“深水区”出发**

如果你想把智能体做成“可复制的业务”，原则其实不复杂。先用四象限把切口找准；把体验指标和合规要求写进系统，别指望后期补丁；把标准化程度高的环节打磨到位，再考虑规模化复制。汽车营销的链路相对统一，一旦在一个品牌里跑顺，扩到更多门店和城市自然顺；文旅行业更像“深水区”，要把酒店、景区、公寓这些近邻场景打通，形成从前台到后台的一体化方案，然后再把SaaS化的产品下沉到更多中小客户。等方法论稳定以后，再去谈出海，把在本土跑通的链路，按当地平台习惯和渠道生态做微调，落到东盟、欧洲或南美，这样更稳。

**七、往前看一点：能力的“阶跃”**

把时间轴拉长一点，模型这侧还在沿着一条清晰的路往前走：先是2019—2022年的预训练，随后是对齐与推理的强化，如今开始更多依赖智能体和reasoning去“自我学习”。再往后，会往“感知智能”和“意识智能”探索，比如和机器人结合。这条路并不热闹，但每一步都在加深可用性。

把这场对谈收在一句话里，就是从“为了AI而AI”，回到“为了结果的AI”。场景选对，指标说话，工程托底，然后再谈复制与出海。这样做，智能体就不再停在展台上，而是会落在你的业务台账里。对企业来说，这不是一个“更炫”的答案，而是一条能落地、能复盘、能扩大的一致路径。

**八、更多对话细节**

**易亚婷：**我们先请各位嘉宾用一分钟的时间简单介绍一下自己以及自己公司的业务。

**高佳辉：**大家好，我是来自杭州逻辑科技的高佳辉。我们公司如果要做一个标签的话，我们是“AI+文旅”。我们目前主要是面向酒店跟景区这两个文旅场景，提供面向客人的数字客服，面向内部运营管理的数字店长及面向集团经营及决策的数字董秘。当然，我们的产品目前主要还是以小程序或者APP上承载的交互产品为主。

**沈**扬**：**大家好，我是深圳企域数字科技有限公司的CEO沈扬。我们公司主要专注在汽车营销这个垂直赛道，帮助传统的主机厂、4S店以及新能源汽车品牌，在新媒体里面用Agent，也就是AI智能体去做营销。我们目前已经合作了接近100个汽车品牌，有全国近2万个4S店在跟我们合作。我们的主要功能场景，是用AI智能体在抖音、快手、视频号这些新媒体平台，帮助主机厂和经销商直接托管账号，或以效果交付的方式帮他们运营并获取销售线索。

**吴玮杰：**我是智谱的吴玮杰。我们公司应该说是国内乃至亚洲最早做基础模型、基座模型研究的大模型公司。我们目前在国内和国际上，主要提供以MaaS服务为主体的大模型服务，同时也会针对一些超大型企业提供定制化的服务，这两类都有。目前所涉及的行业还是比较多的，基本上是在各行各业都有一些应用。目前在国内外加在一起，差不多有数百万的客户和开发者。

**易亚婷：**第一个问题，现在大家认为智能体在企业落地里面最大的阻力是什么？是数据、技术，还是组织，或者是什么？请大家给出你们的理由。

**吴玮杰：**智能体其实我们从去年就开始一直在聚焦。从2024年我们最早推出自主智能体AutoGLM，其实这个比包括像OpenAI和一些美国的企业我们还要早很多。到今天我们把智能体的能力做到模型中去，我们现在的模型都是Agent-enhanced LLM。回顾这个过程，我们自己发现其实还是走过挺多弯路的。我觉得现在比较难的第一个点是“场景的选择”。在过去一年多时间里，我至少跟将近200到300位创始人有过一些交流，碰到了一个比较有意思的特点：如果你的场景选对了，大家会觉得这个智能体或者大模型还挺有用；如果场景选得不是特别合适，很有可能就会让IT负责人或者技术负责人认为大模型不太行，感觉这件事做不下去。所以我觉得，最重要的可能是在智能体所合适的场景里做一个选择，也就是找到今天我们模型能力和业务价值能达到最大化的那个“最大公约数”的地方。

第二个，可能我们现在的技术能力本身也是在不断迭代的过程中。从我们最开始，包括现在大家看到的一些模型，其实能力都还可以。大家之所以会对一些新模型有期待落差，是因为期待越来越高了。包括我们最新发布的GLM-4.5，在智能体方面已经达到了一定的能力，对于coding能力、reasoning（推理）能力的加强，让今天大模型的“幻觉”被很有效地改善了。所以今天智能体在执行任务的时候，已经比去年好了很多。所以第二点，我们觉得技术的能力还是很重要。

第三个就是人才梯队。因为今天无论对于执行的人才，还是对于管理的人才的要求，都和过去几年不太一样了。

**易亚婷：**吴总刚刚提到场景选择，我补充问一句，企业落地AI应该先从哪个场景开始？

**吴玮杰：**这个问题不太好回答。我们现在也在给企业提供一些轻咨询服务。因为今天大家落地智能体最大的挑战是觉得ROI算不平，不知道投了这100万、200万甚至更多的钱，能不能得到有效的价值。所以我们一般来说，会把企业中有可能应用模型的场景，和今天模型技术能实现的能力，画成一个四象限图。我们最优先会针对第一象限，也就是模型能力本身已达标，同时场景价值又比较大的地方去做。这个其实针对不同公司是不一样的。

你比如说电商，他可能针对客服、营销这一块会比较看重。但如果说今天是一家传统的供应链公司，他可能更多的是在后端的多模态识别能力上。所以针对不同的企业，这个“最大公约数”出现的地方还是不一样的。我相信针对汽车、文旅，其实都有不一样的最佳切入点。

**易亚婷：**吴总提到一个很重要的点，就是现在企业AI落地不应该是一个拿来即用的标准答案，而是应该深入自己的业务流，找到最适合切入的场景。沈总您认为呢？

**沈**扬**：**我非常赞同刚才吴总说的这个场景选择的重要性。因为第一，你本身场景的选择决定了你做这件事情的价值，你能不能在这个场景里面实现一个价值闭环。如果你用AI智能体在这个场景里能实现的价值闭环程度越高，那你这个产品的价值安全性就越高。为什么这么说呢？如果你在这个场景里它确实有价值，但是AI能做的事情低于50%，那剩下50%依然要通过传统的人工或其他流程去完成，这个时候AI的价值体现就会受制于别的因素。但如果在这个场景里面，AI能够接近90%甚至100%的实现价值闭环，那剩下的只是技术问题。如果选择了一个既有价值、AI又能实现价值闭环的场景，那本身就已经非常OK了。剩下的就是目前的大模型技术能不能达到这个场景所需要的能力。

大模型的技术，不管是文生图、TTS，还是语言大模型，本身每个月都在日新月异地发展。如果你感觉到目前大模型的能力已经达到了这个价值闭环场景的需求，并且它的商业化成本也到了一个合适的点，那我们认为这个场景就是非常OK而且自洽的。我们也是在这个逻辑里，找到了汽车的新媒体营销场景，用AI实现了短视频、直播、销售客服的一个全闭环运营。也就是AI可以100%托管这些业务并直接产生价值。对于这种传统行业来说，他的接受度就很高，他只要花钱就能买到结果，也就是所谓的效果交付。在这种行业推广，你只要把这笔账给客户算清楚，并且技术能做到，那剩下的就是时间问题。

**易亚婷：**所以沈总提到了营销场景，因为它能带来增量。高总认为呢？

**高佳辉：**关于阻力，我觉得可以从三个方面来讲。第一个，我定义成“用得上”。也就是说，要跟前面两位讲的场景结合起来。我们的客户其实说白了，如果我是一个AI公司，去跟客户说要用AI去做你们的产品或项目，那客户就会问：你AI到底能帮我解决什么问题？我们不能为了AI而去AI。所以我觉得“AI+场景”是非常重要的一个点。也就是说，我们必须首先是一个行业专家，然后才是一个AI技术专家，把这两者结合起来，为客户提供一个能精准打到客户痛点的解决方案。我觉得这是“用得上”这个点。

第二个，我定义成“用得好”。这是我们在落地实际项目的时候碰到的一个很尴尬的问题。如果大家用过大模型，会发现你问一个问题，大模型会去思考，甚至可能思考10秒、20秒。但是，当这个技术用在我们所做的酒店行业，你给客人提供一个数字客服，客人问一个问题，数字客服需要思考十几秒，那客人的第一反应一定是我不跟你聊了。所以这就是“用得好”的问题。在实际项目中，客户提出来，从客人的体验角度，我要达到2秒之内响应。但目前的大模型，包括深度学习，基本上不可能做到这个程度。所以我们一直在跟客户为了这个指标battle。最后我们通过各种努力，基本上从毫秒级一级一级往下优化，现在能做到大概5秒之内，算是一个勉强能接受的水平，但客户还是觉得没达到他的预期。当然，我相信这个技术会不断进步，我们也在通过各种方式，例如小模型加大模型这样的技术方式去不断优化。

第三个，我就不定义了，简单来讲，就是因为大模型会存在前面吴总讲的“幻觉”或者各种不如人意的地方，所以在实际的工程落地里面，你必须有一个托底的解决方案。不管是从敏感词的过滤，还是从大模型解决不了的问题需要人工介入等等，在真正的工程化场景里，也需要有这样的一些配套方案。大概是这样。

**易亚婷：**高总提到很多企业是“为了AI而AI”，这确实是很多企业的误区。我下一个问题，你们自己的标杆客户和你们公司合作的理由是什么？有没有什么量化的指标数据？

**高佳辉：**  我们的客户目前主要集中在大型的酒店集团。我们为他们提供数字客服、数字董秘和数字店长，其实就是帮他们去解决面向客人、面向内部员工管理以及面向集团层数据决策的一些问题。在指标上面，大概就是前面讲到的，第一个是面向客人的响应速度，必须达到5秒之内。第二个是准确率的问题，这个其实也跟刚才提到的“幻觉”相关。我们目前能做到95%以上的准确率，当然这也得益于我们有一个比较大型的客户，他把积累了几十年的行业数据给到我们的知识库，让我们的模型去做训练。其他的就是如何把这些产品跟企业的实际数据结合起来。我们的数字董秘，目前还在和客户不断探索的过程中。

**沈**扬**：**我们的主要客户就是大型的汽车主机厂和4S店。我可以举个例子，我们现在合作的一个豪华车品牌，它目前在全国有三百多家4S店，都跟我们在做全面合作。他们跟我们合作的理由也很简单，因为汽车行业跟很多传统行业一样，都面临线下获客难的问题。线下的客流在减少，大量的用户养成了在线上获取内容或消费的习惯。对于传统行业来说，转型去做新媒体，做抖音、快手、视频号，最大的问题就是没有这样的人才或缺少这些技能。所以他们在做的时候会发现很痛苦，知道必须要做这个事，但是没有人。我们这种AI智能体的出现，恰恰解决了他们目前这个问题。我们可以通过我们的智能体与抖音、快手号的深度绑定，通过AI自动生成内容，包括短视频和直播，帮助他直接托管账号，不需要再去招聘相应的人员就可以获客。这个带来的效果是非常明显的。

首先，我们的销售客服产品，在直播间可以帮助做接待，这个产品直接把他的客户留资量拉升了接近50%。其次，短视频和直播产品，直接解决了人员招聘的问题，很多二线以下城市招不到人，现在都不需要招了，我们直接解决了内容生产。我们总结下来，每个月能为这家豪华车品牌多卖接近220台车，这是客户给我们的数据。每个月能够多拿接近5万条销售线索，这是使用我们Agent之后带来的纯增量。所以我们现在做客户也非常简单，我给他十天的试用让他去体验。因为Agent最大的优势就是不需要你学习任何东西，只要授权绑定好，直接就可以用，所以试用成本非常低。试用十天，把试用前和使用后的效果一对比，他立马就会决定要不要购买。同时，我们在增效的同时还帮他做降本。平均每家门店，我们帮他节省了1.5个人力，在全国一共帮他降低了接近450个人力成本。所以从降本和增效两个角度来说，客户没有理由拒绝我们。他已经决定明年要继续加大对我们的投入。

**易亚婷：**所以高总和沈总其实都是从非常细分的行业切入，然后帮客户拿到结果。吴总，你作为一个通用的大模型厂商，有什么不同的切入点吗？

**吴玮杰：**我这里分享两个真实的客户案例，来看客户层面为什么选择我们。一个是在中国乃至全球都非常有名的，月活破几个亿的一个内容社区平台。他们选择了智谱来支持整个平台的翻译功能。今年年初，有一段时间因为一些国际事件，导致大量海外用户涌入了该社区。通过智谱的翻译能力，能够让国外的友人与中国的用户非常愉快地在里面交流聊天，翻译的效果非常好。这一类是我们服务的大型互联网公司。当时这个公司选择我们的原因，是因为他本身的IT科技人才就有几万人，所以他在选择时就只看技术参数，看下来谁的指标最好就选择谁。最后是靠智谱的技术指标获得了客户的信赖。

第二个选择我们的案例，我可以拿最近，也就是上周，我们刚刚跟杭州城投做的一个智能体应用的大型发布场景。发布会主要涵盖了三块内容：第一块是AI赋能市民出行。也就是利用公交场景，我们帮他做公交司机的安全驾驶监测、线路调度的优化、市民的出行智能体等等各种各样的应用。第二个是用大模型守护韧性城市。这个里面包含了日常的路桥应急，像前一阵子刮台风，哪里有积水，哪里需要防汛等等。我们都能够通过模型与气象预报、各种点位预测结合起来，通过智能体的方式，让市政或路桥的管理团队可以提前去把积水处理或防汛相关的工作做到位。在路桥养护上也一样，地面上有很多裂缝，桥面上有很多问题，我们可以通过多模态在端侧做一些大模型的识别，同时再结合到云侧做一个精准识别。这也是在守护一个城市。当然还有一部分，包括日常的市民垃圾清运等等，会涉及到线路规划和清运时效，我们都通过大模型技术去协助杭州这座城市，让它变得更加美好。这个案例中，客户选择我们，一方面是我们的准确率比较高，另一方面是大模型本身的安全性有比较好的保障。因为尤其涉及到市民的数据，就确保了需要私有化部署。

**易亚婷：**所以这是智谱的切入方式。我们经常会听到，作为一个制定战略的人，更重要的是决定不做什么，而不是决定做什么。所以接下来我要问各位，过去一年当中，有什么事情是你们已经不再做或者是停止强调的？

**吴玮杰：**  这个我们复盘过很多次，有很多事情如果再做一遍可以做得更好。因为我们本身是基座模型厂商，所以我们训练模型最开始的时候，都会考虑需要“总分第一”，就像我们高考一样，语数英各方面都要第一。但是，在真正服务客户的过程中，我们发现要做到每一项指标都是第一名，其实是不现实的。在今天这个情况下，所以我们其实在最新推出的GLM-4.5模型里，主要就主推三个能力：一个是reasoning（推理）的能力，一个是代码（coding）的能力，还有第三个就是我们智能体（agents）的能力。我们反而把技术更加聚焦，把对这一类有需求的客户服务好，结果发现得到了更好的效果。这是在模型技术层面我们的一些选择。同时，在我们提供给客户的业务场景解决方案上，我们也会越来越聚焦。比如说，我们今天会比较深度地希望去服务那种对于智能体有高要求、对于翻译能力有比较好需求，以及对于日常搜索等方面有需求的客户。而不会像原来在23年、24年初那样，因为市面上除了智谱没有几家模型公司，我们就等于是所有行业全面铺开。在未来的时间里，我们的场景和行业，也会选择几个比较有代表性的进行聚焦。

**易亚婷：**所以是从培养“通才生”变成培养“专才生”。沈总有什么看法？

**沈**扬**：**我们应该说通过这几年的探索，找到了一条路，总结了一个心得。对于传统行业来说，其实特别需要AI。因为传统行业，比如说像我所在的汽车行业，在所谓的“数字化时代”或者说“数字化营销时代”，他们经历了很多失败。失败的原因其实并不是他们不想做，而是因为传统行业的人员组成、知识构成等等，导致他们在做数字化的过程中，培训或者说整个教育成本都非常高。我们总结下来就是，AI其实可以绕过这一步。我们现在在推的产品，基本上不再会推类似于“工具类”的产品，我们推的都是“效果交付类”的产品。也就是说，我并不需要对你做任何培训，让你懂得这套AI大模型怎么用。而是我们告诉你它能带来的价值，然后我们把它全部封装好，封装成一个效果交付的产品。

这样的话，传统行业就直接绕过了学习数字化营销这一步，他并不需要去掌握很多信息，他只要结果。他想知道“我要提升多少线索量”、“我要提升多少成交量”，我们的产品售价是多少，我们承诺保证它能达到多少线索量。他算笔账，觉得是划算的，我也能给他一个基础的保证，那他就愿意去买这个产品。而且事实证明了我们给他带来的效果。这样一来，这个产品的推广就会变得非常简单和快速。所以我们为什么能在短短不到两年多的时间，在全国接近50%的4S店完成推广，我觉得这就是我们的一个心得。总结来说，我们不再推工具，而是推效果交付。这也是智能体带给我们的一个心得。

**易亚婷：**我追问沈总一个问题，那你要帮客户拿到效果，经常都需要投入大量的咨询人力去梳理他的工作流。在这部分的人力投入和给客户带来的ROI之间，你们怎么平衡？

**沈**扬**：**首先，这还是跟刚才吴总说的场景有关系。因为汽车行业很特殊，它是一个非常标准化的场景。全国的车都长得一模一样，同一个品牌的全国4S店也长得一模一样。所以我们可以只要训练一套车型或者一个品牌的内容，就可以在全国这个品牌下进行复制，它的标准化带来的边际效应非常大。因此我们在一开始的投入，可以被后续的边际效应去摊薄。所以对我们来说，算完这笔账，其实我们的毛利还是可以的。我们前期的投入能够被后期摊薄，这个账能算得过来，我们就会帮客户去做。但是它后面的交付一定是要标准化的。恰恰汽车这个产品非常标准化，新媒体的玩法也是标准化的，比如你在抖音里面，它的流量规则、算法推流规则都是公开的，大家跟着他玩就行了。这两者结合，我们就可以打造成一套相对标准化的AI智能体去进行全国推广。另外，我们在前几年做汽车行业新媒体矩阵化管理平台时，也积累了大量的数据。我们用这些数据去训练的效果，会比其他一些产品好很多。这也是构成我们目前能做到这些效果的关键要点。

**易亚婷：**所以这给我们一个启发，就是你把场景和赛道拆分得足够细的时候，标准化是有可能的。高总你有什么看法？

**高佳辉：**刚才提到的做什么和不做什么，我在想应该是两个维度。第一个是横向的维度。像吴总这样的大模型厂家，跟我们这样的AI应用公司，其实是一个相辅相成的作用。举个例子，就像咱们吃饭时的大厨，他做的东西很厉害，但围绕着大厨，其实还有很多配套的服务。我认为大模型厂家做的就是模型算力、模型训练这些核心工作，而这些模型具体应用在各个行业，是需要很多像我们这样对行业理解比较深刻的公司，去辅助这些大模型厂家一起去做的。我们现在跟腾讯云、阿里云也都有在“酒店+文旅”这个场景进行深入的合作。这是从横向层面。

第二个，我认为是从纵向层面。对于我们来讲，我们其实一直在深耕“酒店+文旅”这个场景。这个行业发展了这么多年，对我们来讲也是经历了一个完整的周期。从最开始的传统物联网，包括智能家居、智能客控，再到客房里的智能音箱，再到内部各个管理系统的信息化、数字化，这些我们都是一路走过来的。目前到了AI时代，我们认为现在“不做的”，就是说传统的这种红海市场，例如提供智能硬件、客控、音箱，包括一些传统的系统，这些我们现在已经不做了。市面上有那么多的合作伙伴，我们更多的是跟他们一起来整合，把他们的能力整合起来，再加上AI，去面向“酒店+文旅”场景，在客户体验、酒店运营、集团运营管理等方面做更深入的事情。

**易亚婷：**所以是从什么都要自己做，变成一个整合的思维。我们的最后一个问题，先从高总开始，未来一年对你公司来说最有价值的机会点会在哪里？

**高佳辉：**在这个会上肯定还是谈AI。我们认为AI可能是我们80后能遇到的最大的一个机遇了，所以这也是我们公司未来会All in AI去做的事情。这里面要做的事情非常多。第一，我们还是会持续在垂直的细分场景，例如“酒店+文旅+公寓”这个场景里面，把它做深做透，起码做到“百米深”。第二，我们希望把目前在国内与大型集团合作的、已经比较标准化的产品，通过SaaS化的形式，去输出给更多的单体酒店和单体企业。另外，我们在这次东博会也有一个展位，我们希望通过南宁这么一个机会，以南宁作为面向东南亚出海的桥头堡，去面向东盟十国，把我们的能力和产品向他们去覆盖。这是我们未来一年的一个目标。

**易亚婷：**我同样追问高总一个问题，为什么是选择更深入酒店行业，而不是基于酒店行业的成功经验去赋能给更多的行业？

**高佳辉：**这个不是我选择的，是我们公司这么一路走来，各种机缘巧合的结果。我们就在酒店行业其实已经深耕了有大概十年了。我们一直在跟这个行业去结合，看有哪些新的东西可以去赋能这个行业。因为毕竟酒店已经不是几十年，而是从客栈开始已经有上百年、上千年历史了，还是一个非常传统的、甚至是劳动力密集型的行业。怎么通过AI能帮它去快速解决问题？这刚好也跟我的个人履历相关，我一直是这么走过来的，所以就是刚好在这个行业碰到了这么一个机会而已。所以，我认为我公司的壁垒更多在于酒店行业的know-how。就像我前面提到的，做“AI+行业”，首先你必须是一个行业专家，对行业有非常深刻的理解和know-how，然后你刚好又对AI比较了解，技术比较了解。我是技术背景，所以这两者刚好结合起来了。

**易亚婷：**沈总怎么看？

**沈**扬**：**对我们来说，我觉得有两个最大的机会点。第一个机会就是“中国的新能源出海”。这是我觉得未来十年，对整个中国来说都非常大的一个机会。因为中国的新能源车目前来看跟国外是有代差优势的，至少有3到5年的领先，不管是价格还是品质。我们可以在国内跟这些主机厂良好合作的前提下，在他们出海的时候，为他们提供类似的“新媒体+AI”的获客服务。大家都知道的那些新能源品牌，其实出海的布局从前年开始到现在已经初具规模，特别是在咱们这次开会的主题——东盟国家，网点已经布了很多了。现在布完这么多网点，面临的就是获客问题。这些车厂对于我们在国内的合作模式已经耳熟能详，也知道我们的效果。所以我们现在跟他们也在做一些紧锣密鼓的合作，包括在澳洲、土耳其、以及部分的东南亚国家，都已经开始做一些试点，而且效果看来还是不错的。所以第一个，对我们这个垂直赛道来说，新能源出海是一个非常大的机会。

第二个就是新媒体，包括TikTok以及各种本地化的新媒体，在东盟国家和海外其他国家的迅速普及。这会带来一波新的流量红利，就是用“AI+营销”的方式去赋能传统行业获客。这种内容消费的习惯，在东盟国家其实已经非常普及了，特别是TikTok在各个国家的使用量非常大，尤其是在年轻人中间。这就为我们提供了很好的一个用户营销场景。所以我们认为把这两个结合起来，帮助中国的新能源出海，在新媒体这个赛道，在东盟、在欧洲、在南美去获客，这对我们来说其实是一个将国内成功经验标准化复制到海外的过程。我觉得这是对我们来说最大的一个机会，谢谢。

**易亚婷：**所以是新能源出海还有海外新媒体，两大火热赛道都被你占据了。吴总认为呢？

**吴玮杰：**我们因为本身还是一个模型公司，所以我们还是会从第一性原理上来说，在未来一年持续提升我们模型的能力。当然，在对外商业化层面，我们一方面也会重点基于我们模型的特色，兼顾海外市场，包括我们的coding市场和智能体市场。但同时我还是要回到第一性原理。因为我们认为整个模型它经历了几个阶段。

最开始是预训练阶段，大概19年到22年，那个时候大家都是在给模型积累知识。到23年开始去做对齐和推理，就是把模型能力跟人类的价值观、人类的意识做一个对齐，也就是那个时候才会有像ChatGPT，包括智谱的GLM这样，能够用人能理解和你想要听到的方式来回答问题。这是第二个阶段。其实在今天，我们看到模型无论通过智能体还是什么，其实都进入了一个“自我学习”的阶段。如针对一些有确定性答案的问题，我们的模型就更多通过智能体、通过reasoning推理来执行。但对于一些偏研究性的问题，我们就可能通过跟外部环境多轮交互去达到相应的结果。

这本质上都是智能体，都是在自我学习，不断自我迭代。但我们认为，模型往后走，还会有一些新的阶段，包括像是“感知智能”，未来能不能跟机器人相结合；还有“意识智能”，能不能真的让我们公司这个月刚刚改的Slogan——“让机器像人一样思考，用可信赖AI让人类更美好”——实现。以这个目标，我们还是会去进一步探索AGI的道路。

---

原始发布版本：https://view.inews.qq.com/a/20250925A06TWH00

本站阅读页：https://ffcap.cn/research/20250925a06twh00