1. 首頁 > 生活百科 > >

To B 領域第一批吃 AI 螃蟹的人，復盤了「AI落地」的真相和方法論

安防濟南校園安全


如果你是一名正在投身AI浪潮的創業者 ， 或者一個正在思考 ， 如何利用AI改造現有業務的從業者 ， 那么G7易流CEO翟學魂的經歷 ， 或許能給你帶來一些重要的啟示 。
他為觀察這場AI如何重塑業務、組織、人才、行業格局的變革提供了一個獨特的視角 。
G7 易流是中國最大的公路貨運行業IoT SaaS服務提供商 。 大模型浪潮一開始 ， 他們就投身其中 ， 試圖開發行業垂直大模型 。 但不到半年 ， 就果斷放棄了 。
翟學魂當時意識到：大模型就像「操作系統」 ， 作為垂直應用公司 ， 不應該去「修補」這個操作系統 。 因為這并不能直接解決客戶的痛點 ， 應等待它成熟 ， 或只利用成熟的部分 。
于是 ， 他們是另辟蹊徑 ， 押注「感知」——研發邊緣AI硬件 。
回過頭看 ， 翟學魂表示 ， 「這一步無比正確」 。 這個選擇的背后 ， 是一個對AI落地更深刻的理解：要讓大模型這個「大腦」發揮作用 ， 必須先強化它對物理世界的感知能力 。
他們投入重金研發的邊緣AI硬件 ， 能將司機行為、貨物和車輛狀態聯系起來 ， 實現「看到更多」。 例如 ， 它能結合視頻、云端算法和歷史數據 ， 判斷出「未遂事故」， 并立即采取措施糾正司機的行為 ， 從而避免真正的事故發生 。
為此 ， 他們的組織結構也發生了變革 。 傳統的層級分明的部門結構被打破 ， 取而代之的是由懂模型、懂算法、懂硬件、懂場景的復合型人才組成的「特種作戰小組」。
前不久 ， 極客公園創始人總裁張鵬與翟學魂在極客公園的直播欄目《今夜科技談》中探討了其AI在To B領域落地的心得和方法論 。 問題涵蓋了：
To B的AI落地 ， 迎來爆發點了嗎？
To B垂直領域 ， 該如何擺正與大模型的之間的關系？
大模型想發揮作用 ， 「AI硬件」為何無比重要？
To B 領域 ， AI落地的最佳時機如何把握？
AI 正在如何改變 To B業務商業模式？
AI時代的組織為何更偏愛「戰斗小組」？
AI時代 ， 企業的核心競爭力和行業格局如何變化？
訪談中部分精彩觀點：
要使智能體表現出色 ， 大模型發揮作用 ， 前提是必須增強對物理世界的感知能力 。 再智能的「人」也需要能夠感知物理世界 。
AI 的核心價值在于解決傳統 IT 技術無法覆蓋的「長尾」和「復雜」問題 ， 將過去僅能提供管理工具的 SaaS 模式 ， 轉變為直接交付確定性結果的服務模式 。這種能夠交付確定性結果的服務 ， 將能改變客戶的付費習慣 ， 縮小中美之間的付費差距 。
過去的 IT 技術劃分了行業中大公司和小公司的邊界 。 未來 AI 技術將進一步重塑這一結構 。 未來那些有重資產、能對客戶做出重要承諾的中小企業 ， 會因為 AI 技術從「小而苦」變成「小而美」 ， 而那些只做輕資產管理和賺取差價的中間層將會被擠壓 ， 甚至被淘汰 。
與上一代AI技術旨在「替代人類」不同 ， 大模型技術的核心作用在于「賦能人類」 ， 通過智能體（agent）幫助人們更高效地完成任務 ， 尤其是在溝通和決策方面 ， 而非完全取代他們 。
AI 應用的最大瓶頸是人才 ， 尤其是同時理解行業場景和模型技術的復合型人才 。
作為 To B 服務公司、SaaS 公司 ， 與客戶的連接和數據永遠是最重要的核心資產 。 而且在 AI 時代 ， 這兩件事會得到加強 。
以下為直播訪談精華 ， 經極客公園編輯整理：

To B垂直領域 ， 該如何擺正與大模型的之間的關系？
張鵬： 這些年 ， 我們幾乎是同步開始重點關注 AI 的 ， 說說你這幾年的心路歷程 。
翟學魂：首先 ， 我是一個堅定的 AI 信仰者 ， 用實際行動踐行著我的信念。 我的一個特點是 ， 每次投入一項行動 ， 至少會堅持三年 ， 不達目的不罷休。 在 AI 方面 ， 我們已取得一些成果 ， 例如 ， 2018 年我們孵化了卡車自動駕駛項目 ， 經過五年的堅持 ， 大概有接近 3000 臺重型卡車在中國高速公路上運行 。 在實際運行的 L3 級別自動駕駛卡車方面 ， 其他公司的規模大概是我們的十分之一 ， 最多一兩百臺 。
張鵬： 結合你們的業務看 ， 你是什么時候形成了對 AI 的信仰？
翟學魂：我們目前為 30 萬臺車輛提供 7×24 小時安全服務 。 每天夜間 ， 我們至少會喚醒 800 人次即將疲勞駕駛的司機 。 對我個人而言 ， 這是 AI 對物流行業最重要的價值體現之一 。 我們從 2015 年左右開始這項工作 ， 快十年了 。 主要用的是所謂的「小模型」專業AI算法 。
張鵬： 那時主要還是機器視覺技術 ， 屬于上一代 AI 。
翟學魂：是的 ， 我的信念基本上從那時開始形成 。 我當時意識到 ， 如果要處理大范圍、高度動態且長尾場景的問題 ， AI算法技術會遠遠優于其他技術和人力投入 。 這也是我們啟動卡車自動駕駛項目、并在大模型問世后第一時間積極行動的原因 。
張鵬：剛才提到的數字很讓人震驚 ， 一晚上可能要提醒八百多人次司機避免疲勞駕駛 。 在幾十萬輛卡車（及其背后的無數車隊）的運行中 ， 如果沒有用AI ， 盡管并非每次都會發生事故 ， 但風險概率將非常高 。 ChatGPT 出現后 ， 你首次嘗試將大模型帶來的變革與現有業務結合的實踐或實驗是什么？結果如何？
翟學魂：我們的首次嘗試很快就放棄了 。 坦率講 ， 當時我們看到大模型 ， 便立即著手開發行業垂直大模型 。
張鵬： 這是相當普遍的想法 。
翟學魂：不到半年 ， 我們便果斷放棄了 。
張鵬： 為什么放棄？
翟學魂：從實際角度而言 ， 我們構建行業大模型并不能直接解決客戶的問題 。 它似乎是為了行業打造基礎設施 ， 但結果卻未能直接觸及客戶痛點 。
大模型如同「操作系統」 ， 我們作為垂直應用公司 ， 不應去修補這一操作系統 。 如果它不夠完善 ， 我們可以選擇暫不使用 ， 等成熟后再用 ， 或僅利用其成熟的部分 。 沒有必要動用大量資源去「修補」大模型 ， 將其變成所謂的行業大模型 。
后來 ， 我看到有人繼續嘗試行業大模型 ， 都勸告他們停止 ， 毫無意義 。 果然 ， 這些「修補」后來逐漸被大模型自身的發展覆蓋了 。

大模型想發揮作用 ， 「邊緣AI硬件」為何無比重要？
張鵬：在已有操作系統上自行開發定制補丁版的操作系統 ， 意義不大 。 外行人可能會認為 ， 數據即石油 ， 你們在行業內擁有海量車輛和歷史積累數據 。 理論上 ， 利用這些數據對模型進行相應調整 ， 應該能在該領域取得更可靠的成果 。 首先 ， 這一邏輯是否正確？
翟學魂：這個結論是正確的 。 我們目前真正取得進展的工作 ， 最終還是以大模型作為操作系統， 在此操作系統上 ， 結合我們積累的行業能力和數據 ， 為客戶開發能直接解決特定場景痛點的智能體（Agent）和應用 。 這條路徑是我們堅定不移地走的 。
剛才提到 ， 第一步測試后我們認為「修補」大模型并不是我們應做的工作 。 然后 ， 我們選擇了幾個關鍵場景 ， 例如安全、車輛貨物、冷鏈貨物溫度等 ， 研究如何以大模型為基礎 ， 結合我們的數據積累和行業知識（know-how） ， 更好地解決客戶問題 。
去年 ， 我們實際上開始做堅定投入 。 我們投入的重點并非直接在大模型上開展工作 ， 而是開發了邊緣 AI 盒子 ， 即邊緣 AI 硬件 。
為什么要開發邊緣 AI 硬件？
因為我們發現 ， 要使智能體表現出色 ， 大模型發揮作用 ， 前提是必須增強對物理世界的感知能力 。 我們可以假設模型會變得越來越智能 ， 但再智能的「人」也需要能夠感知物理世界 。
因此 ， 我們選擇首先強化感知能力 。 當時 ， 邊緣計算芯片取得了重大進展 ， 具備數 T 算力的芯片變得非常廉價 ， 且整個工具鏈也相當完善 。 所以 ， 從去年開始 ， 我們啟動研發邊緣 AI 硬件 。
現在看 ， 這一步絕對是正確的 。
物流現場過去看不清楚的 ， 現在能看清楚了；原來看不見的 ， 現在能看見了 。 舉個例子 ， 我們現在不僅能識別事故 ， 還能辨別「未遂事故」 。 比如 ， 當司機正在打電話 ， 旁邊有人經過 ， 司機突然踩剎車 ， 差點沒剎住 ， 這就是未遂事故 。 這對司機的安全至關重要 ， 因為識別出疑似事故后 ， 我們會立即采取措施糾正司機行為 ， 否則若再發生三次 ， 可能就會演變為真正的事故 。
再比如 ， 以前設備無法識別車旁有人 ， 而那個人可能正試圖盜竊貨物 。 現在 ， 邊緣計算硬件能夠將司機行為、貨物和車輛狀態聯系起來 ， 使我們能夠判斷所有我們希望了解的情況 。
我認為 ， 這是我們對 AI 應用最重要的一個洞察：必須先為大模型的「大腦」提供他人所不具備的、更優的物理世界洞察能力 。 換言之 ， 即是對環境和意圖的識別與洞察 ， 之后大模型才能發揮其強項 。 大模型的強項就像一位博覽群書的博士生 ， 你提出任何問題 ， 它都能解決 。 若你提供的是無用信息 ， 它返回的也將是無用信息 。
因此 ， 我們目前開發的這種能夠識別萬物的 AI 邊緣硬件 ， 旨在整合過去的所有數據 ， 包括哪些路口存在風險等信息 ， 從而實現上述作用 。
張鵬： 邊緣 AI 硬件為何對判斷潛在偷竊行為或未遂事故如此重要？
翟學魂：要判斷何為未遂事故 ， 可能的情況是：車輛正經過一個事故多發路口 。 這個路口是危險路口 ， 可能是因為村口常有老年人直接橫穿馬路 ， 這些數據是我們多年積累所得 ， 幾乎涵蓋了中國所有貨車的風險路口記錄 。
此外 ， 如果司機已連續駕駛 3 小時 ， 他們可能已感到疲勞 。 這屬于行業知識（know-how） 。 再加上司機突然踩剎車 ， 以及前方視頻中有人影閃過 ， 所有這些信息綜合起來形成一個上下文 。
然后 ， 結合邊緣 AI 盒子的視頻和云端算法 ， 我們就能判斷出這是未遂事故 。 這就像經驗豐富的駕駛員坐在車上 ， 看到你的駕駛方式就能知道對不對 。 這種判斷是綜合性的 ， 結合了過去的經驗與實時觀察到的情況 。
有時僅憑小模型便可解決 ， 有時則需小模型與大模型結合 ， 才能獲得最精準的判斷 ， 且最好能在 2 秒鐘內完成 。 在具備上下文的情況下 ， 智能體（agent）便能發揮作用 ， 例如 ， 它必須改變司機當時的狀態 ， 為其撥打電話 。
有了上下文 ， 了解現實世界的情況 ， 這通電話對司機行為產生影響的概率便會非常高 。
從我們的角度來看 ， 更重要的是上下文中的信息、數據和判斷的來源 。 這個前提條件是我們的貢獻 ， 而非大模型的貢獻 。 大模型已經研讀了人類歷史上所有書籍 ， 對所有邏輯推理都非常熟悉 。 你只需告知其上下文 ， 讓它協助撥打電話并說明目的 ， 它便能很好地完成任務 。
張鵬：你們公司找到了與大模型之間的關系 ， 即必須為其提供增量信息 ， 使其能夠看到過去無法察覺的事物 。 有了這些 ， 再結合大模型的能力 ， 便有可能從「看到更多」進階到「看懂更多」。
為了實現「看到更多」 ， 需要一套新的系統 ， 這套系統甚至包含硬件和傳感設備 。 這與大模型并不沖突 ， 反而相輔相成 。 為大模型提供信息 ， 它便能給予更有意義的反饋 。 最終 ， 智能體（agent）在最后一步發揮作用 ， 進行干預并采取更有效的行動 。
翟學魂：智能體對我們具有巨大作用 。 過去 ， 我們所有的硬件和平臺最終只能輸出一個結果——報警 ， 供誰查看呢？供坐在電腦前的管理員 ， 或是我們稱之為「安全監控員」的工作人員查看 。 當她們認為必須進行人工溝通時 ， 便會拿起電話聯系司機。
我們原有的系統僅能實現報警和信息發送 。 但現在已完全不同 ， 我們不僅可以報警 ， 還能讓智能體（agent）完成有效溝通 。 過去沒有大模型時 ， 系統無法與人進行有效溝通 。
我后來思考 ， 首先 ， 除了搬運和駕駛人員之外 ， 絕大多數人的工作內容是什么？他們主要通過溝通來完成任務 。
然而 ， 許多情況無法提前預知 ， 當人們發現問題并進行溝通時 ， 可能為時已晚 。 其次 ， 沒有人愿意每天重復進行這些無限的溝通工作 。 因此 ， 我認為大模型的作用在于賦能人們 ， 使那些具備運營目標的人能夠在需要溝通時與司機進行有效溝通 。
此外 ， 如果你管理著 5000 到 10000 名員工 ， 您會發現有些員工難以教導 。 你認為重要的事情 ， 他們卻不重視 。 例如 ， 客戶可能非常挑剔 ， 要求從后門進入 ， 但他卻每次都不注意 ， 還不輕拿輕放 。 但如果在他即將抵達時 ， 給他打電話說：「十分鐘后你就要到了 ， 務必穿上馬甲、戴上安全帽 ， 從后門進入 。 」
這種時候他便不會犯錯 ， 這就是在幫助人 。
因此 ， 我后來有一個重要體會：上一輪技術旨在替代人類 ， 例如自動駕駛便是替代司機 。 而大模型本身的技術具備「大腦」 ， 它應該用于幫助人類更好、更高效地完成任務 。 我認為 ， 對于物流行業的智能體（agent）而言 ， 本輪技術主要目標是輔助人類 。

To B 領域 ， AI落地的最佳時機如何把握？
張鵬：在 To B 領域 ， 有一種觀點認為 ， 前兩年許多大型企業的管理者對應用 AI 的決心很強 ， 因為擔心不應用就會落后 。 但后來許多在 To B 領域實際交付過項目的人士表示 ， 這兩年大部分給管理者交付的只是情緒價值 。
簡而言之 ， AI 并未真正解決業務上的根本問題 ， 只是在業務邊緣有所應用 。 最終匯報時會聲稱「公司擁抱 AI ， 有幾個項目已在發揮作用 ， 確實很厲害」 。 然而 ， 公司的原有業務模式和能解決的問題并未發生實質性變化 。 這是我們過去在 To B 領域觀察到的情況 ， 令人感到整體較為悲觀 。 你身邊的情況是怎樣的？
翟學魂：首先 ， 我認為物流行業從業者更為務實 ， 因為他們只關注成本、效率和安全 ， 你必須清晰闡述這個技術對成本、效率和安全的影響 。
物流行業的「新能源化」 ， 其實與 AI 有些相似 ， 它們都是新的生產工具 ， 我對它們對公司的影響有著深刻體會 。
起初 ， 五年前有一批人一次性采購了 800 臺新能源車 ， 結果卻以失敗告終 。 原因在于當時車輛技術不成熟 ， 社會環境不具備 ， 電池性能也欠佳 。 因此 ， 那些初期沖勁十足的人很快便被淘汰了 。 但這樣的人非常少 ， 屬于極度狂熱或機會主義類型 。
隨后 ， 在前兩年 ， 許多人購買了 30 臺新能源車 ， 目的是什么呢？試運行一下 。 因為他們的應用場景恰好與新能源較為契合 ， 所以便進行了試點 。 三年前、兩年前 ， 許多人都采取了這種做法 。
后來 ， 你知道去年和今年發生了什么嗎？去年和今年 ， 如果物流公司老板手中仍有大量燃油城配車輛 ， 他們將被淘汰出局 。
生產工具的發展正是如此：初期增長緩慢 ， 但一旦達到某個臨界點 ， 由于新工具在效率和成本上占據優勢 ， 便會立刻出現反轉 ， 迅速淘汰舊工具 。
換言之 ， 對于新生事物 ， 不應等到它完全成熟 。 一旦其成熟 ， 原有的傳統事物將立即處于競爭劣勢 ， 迅速被淘汰 。
因此 ， 現在在新疆 ， 如果你擁有一輛燃氣車而非電動車來運輸煤炭 ， 你將毫無機會 ， 無法獲得任何合同 。 因為其他人的成本比你低 10% 仍能盈利 ， 而您卻已虧損 。 所以你的車輛必定只能閑置 ， 因此必須提前布局 。
那些成功提前布局的人是怎樣的呢？他們是三年前開始購買 30 臺車輛的人 。
我的意思是 ， 這實際上有兩個大的階段 。 第一個階段是狂熱者被淘汰；第二個階段 ， 是那些看準機會進行小范圍試點的人 ， 因為他們意識到這件事開始有價值了 ， 所以先嘗試采購 30 臺車輛 。
在第二階段 ， 當新生產工具淘汰舊生產工具時 ， 便會出現行業洗牌 。 此時 ， 轉化率和滲透率的速度將超出所有人的想象 ， 因為新生事物會反過來「內卷」你 。 那么 ， 現在 AI 在物流行業處于什么階段呢？大概就是兩三年前新能源車的階段 。
然而 ， 大模型技術的應用與新能源車的最大區別在于：你購買的車輛 ， 它僅僅是一輛車 ， 與你沒有深度的關聯 。 但你使用的智能體（agent）則不同 。 智能體中包含的數據和專業知識（know-how）是你自己的 。 你輸入什么 ， 它輸出的結果就與你相關 。 因此 ， 如果前期沒有積累 ， 屆時便會遇到問題 。
現在是早期階段 ， 盡管目前的投入成本可能高于即將獲得的回報 ， 但它已具備價值 ， 許多地方實際上已在使用 。 我剛才提到的這些案例 ， 都是我們與客戶共同實現的 。
例如 ， 對于一家從事危險品運輸的公司 ， 他們對安全極度重視 。 他們不允許貨車司機單手抓扶上車 ， 而必須要求司機「三點式上車」 ， 即雙手抓扶 ， 身體有三點支撐 ， 以此方式上車 。 以前曾因未能做到這一點 ， 有人摔傷 。 而且不僅是人員摔傷 ， 由于運輸的是危險品 ， 一旦觸碰到閥門等部件 ， 后果將十分危險 。
坦白說 ， 若不借助當前的多模態大模型 ， 依靠編寫算法來開發一個「三點上車」的識別模型 ， 那將耗費巨大精力 。 而且類似場景繁多 ， 非常多元化 ， 屬于長尾場景 ， 這正是多模態大模型當前的獨特貢獻 。
但你會問 ， 這能改變企業的管理模式嗎？能改變組織結構嗎？能立刻創造競爭力嗎？目前還不能 。 它現在只是有效 ， 解決了某個場景問題 。 因此 ， 我認為現在正處于這個階段 ， 并且還會持續一段時間 。
張鵬：所以創業者的最佳狀態是「既有好奇心又帶點不自信」 。 有好奇心意味著對新生事物應勇于嘗試 。 不自信則表示 ， 嘗試后發現效果不錯 ， 但也不能立即全盤否定原有模式 ， 仍需逐步觀察和推進 。 如果好奇心與極度自信相結合 ， 后果將十分可怕 。 好奇心必須伴隨些許不自信 ， 這樣的「配方」可能才是正確的 。

AI 如何改變 To B業務商業模式？
張鵬：簡單來說 ， 企業管理者切勿好奇心十足卻又極度自信 ， 這極易導致錯誤 。 物流行業老板的情況 ， 我也能理解 ， 非常務實 ， 每一筆業務都需清晰核算其合理性 。 這是一個快速可見的循環 ， 容不得所謂的情緒價值或面子工程 。
你們在推進這事時 ， 是與客戶共同探索的 。 在開始之前 ， 你們是如何溝通的？是你主動尋找客戶 ， 還是客戶主動聯系你們？怎么分工？
翟學魂：我們服務 4 萬個客戶 ， 經常能聽到許多抱怨 。 然而 ， 這些不滿意并非源于我們員工的不努力 ， 而是因為技術存在瓶頸 。
運用原有技術模式解決客戶問題時 ， 有時確實無法突破 。 比如 ， 我剛才提到的對貨物的長尾判斷 ， 依靠原有算法技術和硬件技術就是無法解決的 。
因為原有硬件技術在邊緣側缺乏足夠的計算能力 ， 只有非常有限的計算能力 ， 要么只能識別人臉 ， 要么只能檢測入侵 ， 其他功能都無法實現 ， 更不能形成綜合判斷 。
因此 ， 我們過去有大量這類問題無法有效解決 。 包括客戶會說：「你看我這些海鮮 ， 如此貴重的大閘蟹、帝王蟹都已裝入車廂 ， 車廂也安裝了攝像頭 ， 為什么螃蟹爬出來你卻無法告知我？」結果等到達目的地時 ， 螃蟹已經死了很多 。
張鵬： 還得專門為螃蟹訓練一個模型 。
翟學魂：我說要給螃蟹訓練個模型 ， 半年都過去了 。 而現在真的不用了 。
張鵬： 現在如何解決？現在如何識別螃蟹？
翟學魂：以前需要 1 萬張照片 ， 投入大量算法人員 ， 耗費至少三個月；現在可能 100 張照片 ， 一周就能完成 。
原有的 SaaS 產品無法直接面向最終結果 ， 因為總是需要人工先查看 ， 查看完畢后在系統內記錄 ， 然后才開始處理 。 所以 ， 過去的 SaaS 僅是一個管理工具 ， 無法交付最終結果 。
但現在有了更豐富的技術 ， 確實可以交付結果了 。 所以 ， 我們首先關注原有的安全服務中客戶不滿意之處 ， 以及貨物服務中客戶不滿意之處 。 我認為這件事并不困難 。 后來 ， 我們專門抽調團隊 ， 拜訪客戶 ， 收集所有不滿意的問題 ， 然后共同分析這些問題是否適合用今天的新技術來解決 。 這是第一步 ， 非常重要 。 這是我們主動發起的 。
此外 ， 還有一些情況 ， 少數客戶的管理者有「情緒價值」需求 ， 規定「你們今年給我做 10 個 AI 項目」。
張鵬： 這樣的情況也有 ， 是嗎？
翟學魂：是的 ， 客戶會說：「老翟 ， 我們老板說要做 AI 項目 ， 明年要考核我的投資回報 ， 所以我們得找一個既有用又是 AI 的項目 。 」 這通常是大客戶 。 我認為這兩種互動方式比較典型 。
我覺得最不可行的是重新發明一個場景 。 坦白說 ， 在垂直行業里 ， 客戶與我們打交道這么多年 ， 如果你連他們提出的問題都解決不好 ， 再去創造一個新問題 ， 成功的幾率非常小 。 所以 ， 從我的角度來看 ， 我們做 To B 的 AI 服務 ， 并非要創造新問題。
要審視過去存在的老問題中 ， 哪些是我們的解決思路不當、解決效果不佳的 。 這么多年來 ， 大家的管理并沒有出現新問題 ， 只是老問題未能有效解決 ， 這是我的觀點 。
張鵬：這一點我非常認同 。 最近我與老翟經常探討 ， To C 和 To B 兩個領域都在圍繞 AI 尋找新機會 。 我同時接觸到兩類創業者：一類像您這樣 ， 擁有歷史積累、場景、用戶和客戶；另一類是新創業者 ， 從零開始就要創造新事物 。 我聊了一年 ， 接觸了幾百人 ， 最終感覺與您剛才的觀點有些相似 。
如今在 To C 領域 ， 創業者真正的機會可能在于尋找需求的延長線 ， 即創造一些合理的新場景 ， 因為原有場景已被巨頭占據 。
試想一下 ， 如果說「我在原有場景中比巨頭效率更高、體驗更好」 ， 巨頭是不會放過你的 。 那是他們的核心陣地 ， 你領先三個月 ， 他們就會反應過來 。
但有些事物 ， 可能是在用戶原有功能價值上延伸出的場景 。 例如 ， 最近我們看到的一些硬件產品 ， 以及情緒價值類產品 ， 突然發現這條線是在用戶原有功能價值上延伸出來的 ， 這便有可能帶來機會 。 若巨頭真的分兵來做這件事 ， 反而可能是其薄弱環節 ， 甚至未必比你有天賦 。 他們可能資源更多 ， 但未必能勝過你 。
因此 ， To C 領域往往要在需求的延長線上尋找機會 ， 而 To B 則是將「虛線填成實線」 。
最初兩點之間甚至沒有連線 ， 你的 SaaS 產品幫助將其虛擬連接起來 ， 看起來好了許多 ， 有條線確實走起來更順暢 。 像你剛剛提到的 ， 如果老問題未能得到完整解決 ， 此時首先要做的不是創造延長線 ， 而是將虛線連接成實線 。 這樣一對比 ， 應用 AI 有兩種方式：一種是在延長線上尋找場景 ， 另一種則切勿尋找新場景 ， 而應在原有場景中將虛線劃實 ， 交付端到端的價值 ， 確定性地解決問題 ， 就是巨大的價值 。
在To B 領域 ， 過去 SaaS 模式在中國其實相當艱 ， 而如果你能夠將虛線連接成實線、交付確定結果時 ， 商業模式是否會有進步和突破？
翟學魂：舉兩個例子 ， 你就會明白了 。 物流行業有兩個特征 ， 第一個特征是物理上的搬運 。 這其實就是我剛才提到的自動駕駛能夠通過技術解決的問題 。 但這只是物流行業的一個關鍵特征 ， 甚至我認為并非最根本的 。 最根本的關鍵特征是「貨運代理」 。
什么是貨運代理？
就是你有貨物需要運送 ， 但無暇、無時間或無精力處理 。 你委托我作為貨運代理 ， 協助解決各種安全、溫度等問題 ， 并按照要求準時送達客戶手中 。 這便是貨運代理 ， 實際上是物流行業服務的根本特征 ， 而搬運僅僅是物理層面的特征 。
全世界的大型物流公司都起源于貨運代理 ， 而非搬運業務 。 因此 ， 「貨運代理」這個名稱意味著什么呢？它代表物流過程具有諸多復雜性 ， 是一個漫長的鏈條 ， 需要專業人員全程關注 ， 確保萬無一失 ， 出現問題也能妥善解決 。 所以 ， 貨運代理作為一種服務 ， 是物流行業第一性原理層面最根本的特征 。
既然需要代理 ， 這說明事情鏈條長且容易出現問題 。 如果鏈條很長 ， 如果是一票快遞 ， 實際步驟數至少有幾十個 ， 印象是47個左右 。
張鵬： 也就是從快遞寄出到收件人簽收 ， 需要 47 個步驟 。
翟學魂：對 ， 假設每個步驟 ， 且大部分步驟都是人與人之間的交接 。 如果每個步驟的成功率是 95% ， 到第五個步驟時 ， 成功率就只剩下 70% 多了 ， 便會出現大量問題 。 但為何現在仍然存在這么多問題呢？因為這個過程太長 ， 鏈條中的細節和個性化過于豐富 。
物流行業最重要的一個特征就是場景豐富 ， 代碼無法完全覆蓋 。 如果代碼能夠完全編寫 ， 早就變成工廠模式了 。
還有一個特征是什么呢？車上安裝攝像頭非常便宜 ， 倉庫安裝攝像頭也極其廉價 ， 因此實時數據極為豐富 。
張鵬： 就是物流行業的數字化其實已經完成得比較好了 。
翟學魂：是的 ， 到處都是攝像頭 。
張鵬：但問題在于未能將數字化、直接轉化為如同工廠流水線般的確定性 。 從數字化到真正的生產力整體提升、確定性提升 ， 中間其實留下了巨大的空間 。
翟學魂：我想強調的是 ， 當前的物流行業是由信息技術（IT）而非 AI 和數字技術定義的 。 信息技術依賴流程驅動 ， 依賴一段段代碼驅動 ， 但代碼是無法窮盡的 。
因此 ， 物流這個長鏈條存在諸多問題 ， 例如安全和效率等方面 。 那么 ， 如果引入 AI 會怎樣呢？實際上 ， AI 能夠針對每一段流程之間那 5% 的漏洞 。
當你為其提供足夠的數據 ， 它便能輔助人們解決這部分問題 ， 使流程的完整性從 5% 提升到 99% ， 甚至接近 100% ， 從而使效率提升 10 倍以上 。
因此 ， 以 AI 技術為基礎重新定義物流行業 ， 能夠使效率和安全性提升 10 倍 。 因為原有的 IT 技術無法解決中間的這些問題 。 一方面是代碼無法完全編寫 ， 另一方面 ， 即使代碼編寫出來 ， 人們也未必能完全按照代碼執行 。
原有物流行業的運行模式是：通過 IT 技術搭建關鍵流程節點 ， 然后利用這些節點的結果制定 KPI 進行考核 。 而未來以 AI 為基礎的物流行業 ， 則是通過數據賦能 AI ， 幫助人們在無需編寫程序的情況下 ， 將事情做對 ， 并且效率極高 。
從我們目前在關鍵高價值場景中對 AI 的初步應用來看 ， 客戶具備付費意愿 。
比如 ， 我們有一家飼料客戶 ， 是全國最大的飼料公司 。 他們雇傭了一批人 24 小時監控 ， 但仍然無法完全看管住 ， 飼料依然會丟失 。 如果我們的智能代理（agent）能夠幫助他們看管好 ， 解決了實際問題 ， 他們支付的費用將遠低于原有的損失 。
而且 ， 如果一單收取一塊錢 ， 對他們而言很容易商議 ， 因為原來這些價值并未被挖掘出來 。
因此 ， 我認為 ， 從 IT 技術主導的物流行業到 AI 技術賦能的物流行業 ， 將發生巨大變化 。 在這一變化中 ， 技術人員有機會 ， 客戶也愿意付費 。
張鵬： 過去在 SaaS 階段 ， 中國和美國的公司歸根結底都在銷售工具、銷售「虛線」（指未實際落地的價值） 。 但美國的付費環境更好 ， 中國的 SaaS 公司與美國同類型公司相比 ， 盡管存在產品等方面的問題 ， 但整體環境存在差距 。
然而 ， 未來當我們把「虛線」變為「實線」 ， 交付實際價值——這里的「實線」既是實體流程線 ， 又是可實現的價值——這種情況下 ， 中國客戶過去那種不好的付費習慣有機會改變嗎？換句話說 ， 當大家能夠計算增量收益 ， 看到問題確實得到解決時 ， 中美之間的付費差距會縮小嗎？有沒有希望？
翟學魂：非常有希望 。 或者這樣說 ， 目前我們與美國同類型 SaaS 服務的收費差距很大 ， 他們收取 1 美元 ， 我們收取 1 人民幣 。 但智能體（agent）的費用幾乎接近 ， 因為解決問題的價值相近 。
為什么中國客戶對 SaaS 付費意愿較低？因為我們的人力成本較低 ， 而且他們對管理工具的價值認可與對結果的認可不同 。
未來真正面向結果的服務 ， 收費情況將有所不同 。

AI時代的組織 ， 更偏愛「戰斗小組」
張鵬：你們公司原有團隊是信息化、數字化時代的團隊 ， 現在需要將大模型、AI 能力融入其中——這背后需要團隊有新人、新認知 。 最近大模型和 AI 領域如此熱門 ， 你們公司能招到合適的人才嗎？這件事是否痛苦？
翟學魂：說到痛處了 ， 確實很痛苦 。
現在對于行業應用者來說 ， 仍處于 AI 的早期應用階段 。 但對于我們這樣的服務公司而言 ， 應該進入重投入階段了 。
因為我們看得很清楚：第一 ， 必須軟硬一體 ， 邊緣側必須具備實時數據和識別能力 。 必須利用大模型作為智能代理（agent） ， 將原有工具轉化為最終服務 。
這條技術路線有三個關鍵詞：第一 ， 需要具備硬件、軟件、模型、數據方面的人才；第二 ， 需要對場景有極度理解的人；第三 ， 需要對大模型有極度理解的人 。 這三類人共同協作才能取得良好結果 。
我們原來有兩類人是足夠的：從事硬件、算法和數據研發的人員 ， 以及擁有近 20 年物流經驗、對場景理解較深的人員 。
但從比例上來說 ， 既懂一點場景又懂大模型的人非常稀少 ， 懂模型且有 To B 經驗的人更少 。
因此 ， 如果要同時開展 10 個場景的項目 ， 就會捉襟見肘 ， 根本不可能 。
不過現在模型能力已經可以了 ， 許多地方都能應用 ， 多模態稍差 ， 但語言模型絕對夠用 。 語言交互的反饋速度稍慢 ， 但推理能力沒有問題 。 所以目前的能力在物流行業可以覆蓋許多場景 。
目前 AI 應用的成本可以忽略不計 ， 客戶和我們都能承擔 。 所以真正的瓶頸在于能否組建完整的團隊 ， 將場景、數據、算法、硬件和大模型整合起來 。 有多少這樣的團隊 ， 就能創造多少成果 。
所以 ， 對 To B 領域大模型應用、AI 應用感興趣的年輕人 ， 歡迎推薦給我 。
張鵬：過去 ， 懂模型的人可能選擇去大廠、創業公司 ， 或者自主開發產品、成為獨立開發者 ， 并未過多考慮在物流這樣的場景中如何發揮價值 。
翟學魂：首先說一下軟硬一體最終實現的結果：
第一是「理解現實」 ， 即看到情況后能明白發生了什么——是事故還是未遂事故？是否異常停車？異常停車的原因是暴雨還是其他？這主要通過視覺模型和多模態模型來實現 。
第二是「有效溝通」 。 理解現實后 ， 必須打電話與人溝通 ， 把該問的問清楚 ， 該傳達的傳達出去 ， 達成共識并促使對方行動 。 我們向客戶交付的結果就是這兩點：理解現實、有效溝通 。
我們現在的工作方式幾乎不按部門劃分 ， 而是按項目組成跨專業背景的小組 ， 共同推進產品項目 。 每個項目小組必須有懂模型、懂 AI（尤其是大模型）的產品經理 ， 有懂大模型與數據、知識庫結合及調優的研發人員 ， 還有硬件工程師 。 基本上任何一個項目都需要五六個角色協作才能取得成果 。
我估計兩三年內 ， 懂模型的產品經理在我們團隊中的比例會達到四分之一到三分之一 ， 現在還遠遠沒有達到 。
張鵬： 你剛才說的是一個個戰斗小組 ， 是多模型（MoE）模式 ， 不是要求通才 ， 而是需要戰斗小組 。
翟學魂：一個人不可能特別精通這三件事 。 肯定要擅長一個部分 ， 在這個部分深耕 ， 同時能理解另外兩部分 ， 能和別人溝通就不錯了 ， 當然還得具備一定的溝通能力 。
張鵬：這有點像人類軍隊改革 ， 核心是小型化、集成化 ， 變成一個個作戰小組 。 特種作戰小組就能解決大問題 ， 配備最好的裝備、訓練和人才 ， 也能獲得更大價值 。 原來長鏈路里的人都是螺絲釘 ， 現在逐漸變成特種作戰小組 ， 解決大問題并獲得大價值 。
翟學魂：總結得太好了 。 特別是去年和今年 ， 我們在推進 AI 項目和產品時 ， 重構了產品、技術結構 。 以前是以功能性組織結構為核心 ， 你完成一件事后提出需求 ， 我拿到需求后再做另一件事 ， 軟件、硬件、算法平臺層層推進 。
自開始開發 AI 產品后 ， 原有的功能結構肯定行不通了 。 因為信息傳遞緩慢 ， 而且許多問題需要大家共同商議才能解決 。 所以現在最重要的是形成能夠實現軟硬一體、數據與模型配合、軟件與硬件配合的作戰小組 。
原來依靠部門經理管理 ， 現在依靠作戰小組 。
所有小組有一個共同的平臺和機制：第一 ， 立項時評估投資回報率（ROI）；第二 ， 立項后評估方案可行性 。 原來分層分功能的組織架構 ， 在未來的產品迭代中肯定行不通 。
張鵬：我經常閱讀戰爭史和軍隊相關內容 ， 軍隊是最務實的 ， 輸贏代價太大 ， 所以他們的思維演進在人類社會中比較靠前 。 既接近技術（先進技術優先用于軍隊） ， 又是管理人群的組織 。 如何讓組織發揮最佳效能贏得戰爭 ， 軍隊戰斗體系的不斷進化具有重要的指引意義 。
例如 ， 蘇聯時代的大縱深理論 ， 依靠集團軍作戰 ， 展開縱列穿插數百公里 ， 每個士兵都是小兵 。 而這些年提及最多的是旅級戰斗群 ， 中國的重裝合成旅比師級還小 ， 與集團軍相差好幾個級別 。
這表明軍隊正在向更少的人員、更強的裝備、更靈活地解決問題發展 ， 具備復合資源和能力 ， 從空中到地面都有覆蓋 。 這提示未來商業領域的公司 ， 大概率會解構長鏈路的組織和管理 。
探索時采用特種作戰小組模式 ， 成功后則擴大為旅級戰斗群、重裝合成旅 。
你剛才提及的實踐 ， 某種程度上印證了這一點 ， 人類世界的道理是相通的 。 關注最具挑戰性領域的變革 ， 便能為我們指明方向 。 未來組織層面將有諸多創新 ， 年輕人在更小的體系中能更閃耀 ， 發揮更大價值 。
翟學魂：對 ， 很簡單 ， 一個產品成功了 ， 所有人都能看到 ， 不像原來層層遞進 ， 很久都不知道誰行誰不行 。
張鵬： 最近幾年招募的年輕人中 ， 有沒有讓您感到驕傲、欣慰的例子？
翟學魂：我認為最重要的并非經驗多少 ， 也不是學歷高低 。 過去我們可能要求清華、北大、科大的畢業生 ， 但在大模型和 AI 時代 ， 我總結的是：首先 ， 最好是 90 后甚至 95 后；其次 ， 對新技術和模型的邊界有理解 ， 具備深入學習的好奇心；最后 ， 對解決客戶問題充滿熱情 。
這樣的人才很快就能取得成績 ， 展現閃光點 。 并非一定要尋找所謂的「大牛」 ， 我不相信有天生的大牛 ， 也不相信依靠長時間資歷就一定能培養出大牛 。

AI時代 ， 企業的核心競爭力如何變化？
張鵬：作為公司創始人、CEO ， 你看到智能體和 AI 在行業中已產生確定性作用 ， 有沒有思考過企業未來的核心競爭力？甚至使命有沒有變化？
翟學魂：有一件事沒有改變：作為 To B 服務公司、SaaS 公司 ， 與客戶的連接和數據永遠是最重要的核心資產 。 而且在 AI 時代 ， 這兩件事會得到加強——它們高度相關 。
什么是「與客戶的連接」？
具體而言：客戶的車輛與你相連 ， 司機的微信、電話與你相連 ， 上游貨主的 ERP 接口與你相連 ， 還有三年的合同——這些都是連接 。 這是 AI 發揮更大作用的基礎 ， 因為最終要解決問題：比如一票貨物出了問題 ， 你得能夠打電話給司機 ， 司機也愿意接聽；要在線與調度溝通 ， 你得有其賬號 。 這些上下游連接 ， 重新創建的代價極高 。
其次 ， 就是我們反復提及的「數據」——并非歷史垃圾數據 ， 而是此時此刻物理世界發生事件所產生的數據 。 這種獨特的數據獲取能力 ， 加上與客戶的連接 ， 永遠是創造下一代產品的基礎 。
我思考得很清楚：今天我們能夠開發新的 AI 產品 ， 正是因為擁有這些核心資產 。 不變的是這些資產 ， 但最終產品發生了變化 ， 因此組織結構、人才結構必須調整 。
例如 ， 要能夠創造有競爭力的智能體 ， 團隊機制、人才構成必須改變——原來可能只有兩三種人 ， 現在需要四種人才能運作 ， 而且運作機制與原有的科層制完全不同 。 這種競爭力的轉變需要循序漸進 ， 不能像法國大革命那樣「斷頭臺式」顛覆 ， 而要像「君主立憲的光榮革命」——一邊繼續提供傳統服務 ， 一邊創造新機制 。
人員結構不一定需要完全更替 ， 但工作方式和產出物必須調整 ， 以創造新的飛輪。 這個飛輪并非產品本身 ， 而是團隊的成長飛輪 ， 這才是最重要的競爭力。

IT 技術塑造了公司邊界 ， AI將洗牌行業格局
張鵬：當前 AI 領域熱衷于探討「數據飛輪」 ， 卻忽視了「人的成長」這一核心要素。 只要公司并非單打獨斗 ， 便必然面臨組織問題 。
翟學魂先生是我剛入行時的引路人。 我畢業時 ， 他已是業界舉足輕重的人物。 我第一篇在業界產生影響力的文章 ， 便是在他指導下撰寫的關于「保供物流」的內容。
今天非常榮幸能與他交流。 我剛入行時他便是如此 ， 如今看來容貌未曾有顯著變化（或許那時顯得老成 ， 現在反而更顯年輕） ， 并且依然活躍于前沿領域探索 ， 令人由衷欽佩。
你在物流行業已推動變革逾二十載 ， 說說你對未來物流行業的展望？
翟學魂：前段時間我曾專門思考此問題。 當前的物流行業結構實際上是由 IT 技術塑造的。 凡是能實現核心流程 IT 化并量化為關鍵績效指標（KPI）的領域 ， 均發展成為大型企業。
例如快遞、電商配送等均是如此。 當前的大型公司 ， 其行業結構皆由 IT 技術塑造。 此外 ， 甚至貨運領域的許多高管都源自同一家公司 ， 你知道是哪家嗎？是德邦。
為何高管多出自德邦？
因為德邦最早在貨運、快運行業普及 KPI。 因此 ， 德邦的干部在數據驅動管理方面尤為精通 。 如今 ， 你會發現順豐、京東、菜鳥等大型公司的許多干部都來自德邦 ， 因為德邦的管理理念與 IT 技術高度契合 。
反之 ， 凡是難以量化 KPI、存在諸多小場景的業務 ， 則由中小公司承接。 實際上 ， 大型公司與小型公司的邊界是由技術劃分的。 那么我們需思考的問題是：當 IT 技術升級為 AI 技術后 ， 行業結構必然會發生重大變化。
我認為有幾點是確定的。 在這個行業中 ， 擁有 50、100、200 乃至 500 臺車輛的重資產中小企業 ， 其生存狀況將非常良好。 原因在于重資產本身即是一種承諾 ， 需要企業負責人親自承擔責任 ， 需有人承諾「我已投入 50 臺車輛為您提供服務」 ， 這是一種人為承諾 ， 而非 AI 能夠解決的問題。
其次 ， 在有了這份承諾之后 ， 對于車輛管理、貨運安全、服務等方面 ， 小型公司曾難以通過 IT 技術實現 KPI 量化 ， 老板也缺乏相應的 KPI 管理能力 ， 但 AI 技術可以賦予他們這種能力。
因此 ， 我認為那些原有重資產、能對客戶做出重要承諾的中小企業 ， 將因 AI 技術而從「小而苦」轉變為「小而美」。 它們過去雖然規模小、經營艱辛 ， 但因客戶需求而得以生存 ， 未來則會變得更具優勢。
第二點 ， 那些對客戶缺乏重要承諾、僅從事輕資產管理且規模較小的公司 ， 我認為在 AI 時代其業務前景可能堪憂。 原因在于大型公司能夠運用 AI 技術將此類業務 KPI 化 ， 從而覆蓋原本無法涉足的領域 。
大型公司的業務邊界將通過 AI 技術擴展至這些輕資產的小場景。 更重要的是 ， 貨主會認為「你對我的承諾不多 ， 僅協助管理流程 ， 我自己也能處理」 ， 因此許多貨主會選擇自行接管這些業務 ， 共同擠壓了原有輕資產小型公司的生存空間。
實際上 ， 所謂的輕資產 ， 即是指中間層。 我們之前所說的中間層 ， 就是通過賺取差價 ， 在不進行實質性運輸操作的情況下獲取利潤。 在物流行業中 ， 許多人僅從事輕資產管理或長鏈條管理 ， 這部分群體將逐漸減少。
因此 ， 從產業格局和結構來看 ， 將發生非常顯著的變化。
然而 ， 最終形成的新生態系統 ， 其效率必然遠高于原有模式。 原來存在的中間層將逐漸消失；原先經營不善、處境艱難的重資產中小企業 ， 其效率、安全性和服務水平都將大幅提升。 我認為這種變化最顯著的時期大約在兩三年后 ， 當前的工作成果也將在兩三年后顯現。
我剛才提及的新能源汽車替代情況 ， 大致也是如此。
張鵬： 我認為你所闡述的這一點 ， 可能不僅限于物流行業 ， 許多行業都可能出現類似情況。 其本質仍回到我們剛才的論點：未來在相當長一段時間內 ， 人工智能無法替代人類所承擔的「承諾兜底」的價值和意義。
這也印證了「家有一老 ， 如有一寶」的說法 ， 年齡仍有其價值 。 今天與您交流 ， 字字珠璣 。
【To B 領域第一批吃 AI 螃蟹的人，復盤了「AI落地」的真相和方法論】翟學魂：我確實非常真誠地希望 ， 大家能考慮加入 G7易流 ， 共同開發真正有用、能落地的 AI 應用。

    推薦閱讀