AI技术如何引领泛新锐行业全球化变革？｜GGF2024新锐行业出海论坛精彩回顾

人工智能正在深刻改变多个行业，通过机器学习与数据分析，能够提升生产效率与适应性，推动智能制造行业的革新。那么AI如何为泛新锐行业注入创新活力，助力企业在全球化竞争中保持领先地位？在12月19日举办的EqualOcean“2024出海全球化百人论坛（GGF2024）”暨「新锐行业出海分论坛」上，迁移科技创始人樊钰先生，微智资本投资合伙人倪天旸先生，壹沓科技合伙人陆玥先生，信通院人工智能研究所国际主任许珊女士与主持嘉宾华映资本海外合伙人邱谆先生出席「AI技术如何引领泛新锐行业全球化变革？」圆桌论坛，就此问题进行了深入的探讨。

以下为对话实录（有删减）：

主持人（邱谆）：请介绍一下自己公司的产品及业务。

樊钰：我是迁移科技创始人CEO樊钰，我们主要在做AI+3D，3D视觉，给机器人提供眼睛和大脑，进行智能的感知、决策和操控。我们通过与机械臂配合，原本只能执行重复动作的机器人，现在能够处理无序场景下的任务，比如从散乱摆放的零件中进行抓取。目前，我们已经在日本、韩国、东南亚、墨西哥以及欧洲等多个地区有了应用案例。今天，我们的视频号特别发布了一个关于我们在墨西哥工厂应用3D+智能机器人系统的案例。

倪天旸：我是微智资本的倪天旸，微智资本是一家专注于数字科技领域的投资机构。我们目前的投资方向主要集中在三个领域：首先是以生成式AI和云计算为代表的新一代信息技术；其次是致力于国产替代的信创及工业软件；第三是数字科技和AI的全球化出海。

与大部分的VC和PE投资策略有所不同，我们有两个特点。第一是微致资本只聚焦于数字科技领域，并在投资过程中覆盖全生命周期，从早期的天使轮到成长期、再到并购阶段。尤其是在当前国内IPO面临一定挑战的背景下，我们更为关注并购这一环节。

我们的第二个特点是具备一定的产业基因。我们有两位战略股东，一个是港股SaaS上市公司微盟，另一个是专注于产业并购的一村资本，因此我们能带来更具产业视角的洞察。

过去一年，AI和出海是我们最为关注的两大关键词，这与今天的主题高度相关。我也期待与在座的各位嘉宾、老师及邱总进行更多互动与交流。

陆玥：我是壹沓科技的陆玥，壹沓科技是一家聚焦供应链领域、提供数字人工和供应链超自动化解决方案的科技企业，目前我们已经服务了国内外近千家企业客户，涵盖了国有企业如中远海运、中外院，也包括民营上市公司及一些大型制造企业，如美的、施耐德等。我们公司目前处于B+轮融资阶段，曾获得海纳亚洲、IDG、中鼎、红杉和鼎晖的投资支持。我们深信未来将是人机协作的时代，围绕这一趋势，我们看到了许多巨大的发展机会。

许珊：我是许珊，来自中国信息通信研究院（中国信通院）人工智能研究所。我们的团队专注于研究人工智能（AI）领域的国际合作、产业对接和企业出海，同时还承担着一个非常重要的使命——近期，习总书记在金砖国家领导人第16次会晤上提到，中方新近成立了中国－金砖国家人工智能发展与合作中心。作为这一中心的运营团队，我们积极推动中国企业和技术走向国际市场，推动全球范围内的人工智能合作。此外，我还与世界卫生组织有着密切的合作，目前担任世界卫生组织数字健康合作中心的主任。

主持人（邱谆）：我快速介绍一下华映，华映资本成立于2008年，最初在新加坡设立风险投资基金，之后进入国内市场。我们采用双币种基金结构，既有美元基金也有人民币基金。目前，我们的管理规模大约为115亿元人民币，并且已经完成了两期美元基金和七期人民币基金的募集，最新一期人民币基金规模接近30亿元。

我们的投资方向主要分为两大类：一方面是硬科技领域，包括新能源、新材料和先进制造；另一方面是数字化领域，涵盖了AI、人工智能、SaaS以及各类数字化转型项目。我本人主要在硅谷工作，经常往返美国和国内，既关注海外AI项目，也参与国内机器人和AI应用领域的投资。

此次大会的核心主题是“出海”，这是一个至关重要的方向。而在“出海”与AI之间的关系上，似乎今天峰会只有我们这一个圆桌环节讨论。我作为一个从中国早期就去美国学习AI的人，在AI领域差不多已有30年历史，近年来中国企业的讨论焦点都集中在“出海”上。出海作为一个趋势，如何与AI相关联呢？

我个人的理解是，从投资的角度来看，出海可以分为两种类型：一种是“Push”（推动型），另一种是“Pull”（吸引型）。”Push”是指当前经济环境面临一些瓶颈，许多企业在这种背景下被迫“出海”，寻求海外市场的突破；而另一种情况则是“Pull”，即海外市场本身存在巨大的机会，吸引企业走出去。在“Pull”的情况下，企业的出海是被增量机会所吸引。这里的关键是，我们必须明确“增量”来自何方。在全球化的市场中，增量的来源通常有两个主要因素：一是人口，二是科技。

首先，人口增长是增量的一个重要来源。例如，东南亚等地区人口持续增长，带来了巨大的市场需求。中国过去30年的发展很大程度上得益于人口红利，这种红利的瓶颈正在逐渐显现，但许多新兴市场仍然有巨大的增量潜力。

其次，增量也来自于科技进步，特别是在人口不再增长的地区，科技创新成为推动增长的关键力量。以美国为例，其人口增长趋于平稳，但硅谷等地方的科技创新却不断推动产业进步。回顾历史，从半导体、互联网、移动互联网到人工智能的每一次科技革命，都是通过底层科技的进步而推动的。这两者，人口和科技，正是推动全球市场增量的核心力量。

谈到科技，作为在硅谷工作的投资人，我可以深切感受到，现如今的投资领域几乎完全被AI主导。在硅谷，绝大多数的创新都围绕着AI展开，其他领域如先进制造、新能源、新材料等项目相对较少。从科技驱动力的角度来看，AI无疑是最为重要的推动力。因此，关于“出海”的话题，也离不开AI。这，就是出海和AI之间的联系。

接下来，我有两个问题想与大家探讨。第一个问题是关于AI应用场景的，今天在座的既有创业公司，也有投资机构，我们华映本身也属于投资范畴，因此这一话题对于我们来说尤为相关。首先，我想了解大家对于AI的定义是什么。当前，对于投资和创业者而言，AI的定义依然是一个难题。我们常常听到企业说“我们全力投入AI”或“我们要做AI创业”，但这种表述往往并不清晰。阿里云的创始人王坚曾说过，“AI就是Transformer”，对此我深感认同。我个人曾将AI定义为深度学习，而大部分人对AI的理解很多时候是否是过于宽泛？

问题的关键在于，如果一个企业宣布“all in AI”，这实际上意味着什么？比如说是否意味着它是”all in Transformer”，还是”all in深度学习”，抑或是其他？我们常常接到许多商业计划书，里面提到“要做AI应用”，但这类表述往往模糊不清。单纯地说“做AI应用”没有实际意义，因为我们需要明确的，比如它到底是深度学习应用，还是Transformer应用？等等。因此，我很容易将一些不明确的项目筛选掉。例如，某些项目可能会说自己做AI应用，但其实它们只是在做大数据分析, 就把自己称作为AI，实际上，大数据和AI之间存在着明确的区别。大数据并不等同于AI，这是一个理解上的gap。

因此，我想请大家分享一下，在你们的定义中，AI究竟指的是什么？什么不是AI？在我的字典里，深度学习是AI的一部分，如果没有深度学习技术的支持，某种程度上我就会认为它不属于AI领域。对于王坚博士来说，如果没有Transformer的支撑，也不能算作AI。对于我们投资者来说，清晰的边界非常重要，它帮助我们在投资决策时做出明确的判断，这也是思维训练的关键所在。

在此基础上，我的第二个问题是，您如何看待AI的应用场景与您当前所投资或所从事的业务方向之间的结合？比如如果我们把AI就定义为深度学习，那么很多领域和应用场景中就存在一定的gap，这个问题可能会让人感到困惑。如何跨越这个gap，找到AI技术与实际应用场景之间的最佳契合点，正是我们在探索中的一大挑战。

樊钰：首先，我不太认同王博士所说的“AI就是Transformer”。我个人对AI有自己的一些理解，我认为AI是基于神经网络的应用。回顾我的学习经历，我是在2014年开始读硕士的，那时我学习了神经网络的基础知识。在我硕士毕业的那段时间，AI迎来了大爆发。正是在那个时期，我们决定在AI领域进行创业，我们选择了3D+AI的方向。在我们的实际应用中，我们目前使用的是典型的小模型。

主持人（邱谆）：粗略来说，AI是神经网络？

樊钰：对，3D视觉在我们的具体应用中涵盖了多种AI技术。例如，在一个典型的生产场景中，机车操作工需要弯腰将零件从料框中取出并放入机床进行加工。在我们的应用中，最常见的操作流程是通过相机对料框进行拍摄，并通过图像识别技术进行计算分析，之后我们利用这些计算结果进行机械臂的运动规划与避障，最终实现自动抓取并将零件放入机床。这一过程中，AI技术在物体识别、实体分割以及机械臂轨迹规划等多个环节中起到了核心作用。

具体来说，物体识别和实例分割是我们使用AI技术解决的关键问题。我们利用AI精准计算每一个零件的位置和姿态，同时通过AI技术进行机械臂的轨迹规划和碰撞避免，这些技术的应用确保了整个操作过程的高效性和安全性。这一系列技术的应用不仅局限于某个单一领域，我们已经将其成功应用到多个行业中，包括汽车主机厂、汽车零部件厂、仓储物流、重工业等领域。我们已经在这些行业中落地了诸如焊接、打磨、喷涂等多个应用场景。此外，我们还在半导体行业中，与中芯国际合作，采用相机和AI技术实现了晶圆立库的高精度定位。

在技术发展的过程中，我们不可避免地会讨论到“大模型”这一话题。实际上，我们也是国内最早将视觉大模型应用到产品中的公司之一。例如，在去年，Facebook发布了SAM模型，我们在发布后的第二周就开始将其快速集成到我们的产品中，用于物体分割。然而，经过实际应用，我们发现大模型在精度和效率上的表现，反而不如我们为特定场景专门开发的小模型。因此，我们一直在探索并优化我们的技术方案，以确保在不同的应用场景中能够获得最佳的性能。接下来，我们将进一步全面拥抱AI，并采取端到端的技术路线，以实现更高的速度和更强的泛化能力。

我们公司名字也取自一个AI技术“迁移学习”。由于工业环境中的数据样本通常较为稀缺，传统的训练方法在样本量较少的情况下往往难以获得理想的模型效果。为此，我们借助迁移学习技术，通过在其他领域训练好的模型，基于极少的样本进行再训练，来提高模型的表现。以仓储物流场景为例，我们现在只需要不到100张样本就能训练出效果非常好的模型。这项技术的应用大大提高了我们在数据稀缺条件下的训练效率，并为我们在多个领域的快速落地提供了技术保障。

主持人（邱谆）：你说神经网络跟我说深度学习是一样的，神经网络一定是深度的，基本上我们的定义是差不多的。

倪天旸：邱总提出的问题让我深有共鸣，这的确是我们在投资过程中所面临的一个困惑。如今，我们收到的商业计划书几乎都是宣称自己“all in AI”。但这些商业计划书中，有三分之一曾经是在三年前我们看到过的，当时的主题可能是区块链、大数据、智能营销等，今天却全部变成了关于AI的论述。这样的变化对我们来说带来了极大的困扰。为此，我自己在内部进行了思考和迭代，形成了一套方法论，旨在辨别什么才是真正的AI。AI的定义确实非常宽泛，各方的理解各不相同，因此从投资机构的角度，我们需要明确我们究竟希望看到什么样的AI和投资什么样的AI。

AI的历史源远流长。早在《黑客帝国》上映之前的1960年代、1970年代，就有很多关于AI的讨论和设想。但今天我们所关心的AI，其实是“新AI”。什么是“新AI”？如何具象化“新AI”？我个人的定义中，涉及两大核心要素：第一，我们关注的是背后的底层模型是否具有“新”和“颠覆性”的特征。最典型的例子包括基于Transformer架构的预训练模型；或者包括Diffusion在内的生图模型，，以及与3D相关的新的模型。首先，我们需要判断底层模型是否具有创新性，这不仅仅是“新”，而是要具备革命性。例如，Transformer和Diffusion这类模型，正代表了AI领域的革命性突破。

第二是我们还需要这些AI带来的的能力。我们总结了三个能力：一是多模态生成能力：大模型现在能够进行文本创作、图像生成等任务。GPT等生成模型的出现，代表了AI在生成能力上的全新范式。二是多模态交互能力：新的AI系统不仅支持多轮交互，还具备记忆能力，能够处理更长的token，从而展现出更强的交互能力。三是逻辑推理能力：AI需要进行更复杂的逻辑推理，拥有较强的思维链条，在最新的O1模型中已经又大幅提升。

回到具体的项目层面，“新AI”在不同场景中会展现不同的能力组合。例如，AI在社交领域的应用可能主要依赖于多模态的交互能力和一定的逻辑推理能力；而在AI营销领域，则可能更多依赖生成能力和推理能力的结合。作为投资机构，我们避免被误导项目在“老瓶装新酒”。因此，我们总结了这样一种方法论，用于定义AI的真正内涵，并且这个定义更多地基于投资视角，来捕捉新的技术和未来的创新。

主持人（邱谆）：从这个角度来看，AI的定义确实较为复杂，我们可能需要花费相当长的时间。在此前的互联网浪潮中，作为投资机构，我们在判别一个公司是否属于互联网行业时，实际上是非常容易的。互联网的界限相对明确。例如，”线下”就不属于互联网, 但如果一个线下餐馆使用数字系统或互联网技术，象瑞幸就可以被归类为互联网公司，而星巴克则不属于。简单来说，只要公司依托联网的数字化系统运营，我们便可以将其定义为互联网公司，反之则不是。这对于投资人来说至关重要，因为我们能在瞬间做出判断。

然而，AI的定义在当前阶段还没有达到互联网时代那种简单明了的界定。对于许多创业者来说，AI创业面临的一个重要挑战是，他们往往并不清楚“AI”究竟意味着什么，或者他们脑海中并没有对AI有一个明确的定义。你可能不确定自己是在做深度学习创业，还是在做Transformer创业。这些问题如果没有理清，往往会导致创业方向的不明确和迷茫。甚至在国家层面，比如“大力扶持人工智能”是什么意思，是要大力扶持Transformer的发展，还是要扶持神经网络的进步？这有时会模糊，没有清晰的AI定义，政策就很难推行下去。政策的支持本质上也是一种投资决策，需要明确是否支持某一特定技术或发展方向。在互联网时代，我们就不会面临这种困惑，只要看一个公司是否依托互联网技术开展业务，我们就能迅速做出判断，这是黑白分明的。今天，AI的定义和应用则相对复杂，创业者和投资机构都面临着不断迭代认知的过程。

陆玥：回到本质，我个人的理解是，人工智能是一个大概念，我们提到人工智能的时候，我们从哪一个角度入手很重要，泛泛来讲，现在日常生活里面的很多应用已经算人工智能的范畴，例如，微信中可以自动识别并提取文字内容，这一功能是否属于人工智能？我认为它是人工智能的一个范畴。如果我们从AGI（通用人工智能）的角度来讨论，那么它的标准会更高。通用人工智能要求具备像人类一样的思考、学习、决策和分析能力，目前要达到这一标准仍然有很长的路要走。我不清楚王博士所提到的这段话是否存在特定的语境背景。

主持人（邱谆）：的确是有前后文的。从上世纪五十年代起，AI经历了长时间的发展，但至今并没有一个统一的定义。即使在计算机科学领域，不同的子领域对人工智能的归类也存在差异，比如机器视觉和自然语言处理被认为是AI的一部分，而图形学则不被包含在内。这样的定义方式在创业和投资的实际操作中无法提供明确的指导，王坚博士之前提出Transformer的观点，Transformer作为深度学习的一个子集，无疑是这一领域最近几年的核心突破。事实上，很多其他人工智能相关的领域在此之前都处于停滞状态，虽然这些领域现在依然存在，但主要仍集中在科研层面，未能实现产业化。因此，王博士抛出了这个话题。

陆玥：虽然Transformer并不是一个全新的算法，但它之所以为我们熟知，是因为ChatGPT的横空出世使其进入了大众的视野。在Transformer出现之前，谈到人工智能时，实际上有许多不同的领域都被纳入其中，例如RPA、自然语言处理、知识图谱、图像识别以及视觉捕捉等，这些都曾被认为是人工智能的组成部分。我并不认为Transformer作为一个算法就能代表人工智能的全部。未来如果产生了一个新的算法，这是不是人工智能的一部分？我觉得有这个可能性，我们的视野要放宽一点从企业和投资的角度来看，更加关注具体应用场景的落地，往往更具指导意义。作为投资者，我们希望投资的公司能够为社会创造实际价值，从而提升其商业价值，而非仅仅停留在基础研究阶段。

所以，从这个角度来看，您刚才提到的互联网确实有一个清晰的界限，过去十年与未来十年的变化标志着一个大的代际变革。过去的十年是“互联网+”时代，商业本质上是将线下的业务转移到线上；而在“人工智能+”的时代，我看到一个更加宏大的商业逻辑，那就是从“人”到“机器人”的转变。这也是我们壹沓科技专注的方向——未来是一个人机协作的时代。因此，我们专注于供应链中的人机协作领域，致力于开发数字员工，这一切都依赖于大模型和其他技术的应用。我们相信这应当算是人工智能的一部分，尽管当前我们与强人工智能或通用人工智能之间仍有差距，但我们认为这一过程已经在路上，我们也已经看到了其中潜在的巨大前景和变革的可能性。

许珊：我们如何定义人工智能？关于这个问题，我一直在思考的是，定义人工智能的意义何在。我并非投资领域的专家，我认为投资更多的是为了识别有价值的投资对象。然而，从研究角度出发的观点会有所不同。我想起了一部很有名的电影——《三傻大闹宝莱坞》中的一个场景，校长问学生对“机械”的定义，学生回答说，书本上有一个官方定义。但实际上，任何能够节省人类时间、精力和资源的设备都可以被视为机械。

将这个概念延伸到人工智能，我们可以看到，人工智能的概念实际上起源于机器学习。机器，作为一种机械，具有两个核心要素：首先，它们能够节省人力、时间和资源；其次，它们具备学习的能力。通过自适应的方式，机器不仅能够帮助我们节省时间和劳力，而且在完成任务的过程中，它们还能够不断进化和演化。

正是基于这样的理解，我们可以进一步探讨，什么样的AI才是值得投资的。我们寻找的AI技术，不仅要能够提高效率，节省资源，还要具备持续学习和自我完善的能力，这样的AI技术才能在未来的发展中占据一席之地。

主持人（邱谆）：根据您的定义，哪个应用场景最为契合？首先，它必须能够帮助人类，但仅仅帮助人类还不足以构成人工智能。比如，您认为计算器算不算人工智能？计算本身也是人类的智能的一部分，但我们都知道计算器并不属于人工智能的范畴。其次，具备自适应的能力，这一点在技术上比较复杂，自适应的实现也并不容易。基于这两个标准，我们是否可以得出一个结论：如果一个系统能够帮助人类，并且具备自适应功能，它才可以被认为是人工智能。那么，在这一框架下，哪些应用场景是值得关注的？

许珊：关于您的问题，我想补充两点看法。首先，AI的架构实际上是一个不断演化的过程。自60年前“AI”这一概念首次被提出以来，AI技术已经经历了多个发展阶段。最初，AI研究主要集中在基于知识的专家系统(Expert System)上，随后逐步发展到深度学习，近四年更是进入了大模型时代。在这个过程中，我们见证了多个技术框架的迭代更新。例如，从最初的卷积神经网络（CNN）架构，到后来的Transformer架构，再到目前基于Transformer架构的兴起，以及Diffusion模型（扩散模型）的出现，它们在不同维度上对Transformer进行了区分。Sora就是一个基于Diffusion模型架构的例子。我们可能会特别关注那些具有技术创新性和发展潜力的模型及其底层技术。正如此前斯坦福大学发布的报告所指出的，中美在基础模型、垂直行业模型和应用模型上存在一些差异，在我看来这既代表了技术上值得投资的方向，也揭示了应用层面的投资机会。

第二点是，产业价值的实现并不一定要依赖大模型。在这个领域，我们注意到国家对AI赋能新型工业化的重视。实际上，之前深度学习中的小模型才是这一领域的主流，这里的价值导向更为明显。同时，考虑到Scaling Law（规模化法则）的存在，我们是否真的需要依赖大量的参数和计算资源？我认为这也是当前投资界需要深思的问题。

主持人（邱谆）：这个问题讨论得很深入，希望能够给大家带来一些启发。其实，我们每个人的观点都未必完全正确，但只要我们在不断思考，就在不断迭代。在我个人的看法上，我与樊总的观点较为相近。就像互联网有其对立面一样，人工智能的对立面或反义词也可以被定义出来。互联网的反义词很明确，比如是线下与线上，比如单机游戏与互联网游戏，界限比较清晰。而对于人工智能而言，我的定义是：它的反义词是“规则驱动”。在我看来，任何以规则驱动为核心的系统，都不能算作人工智能，这也是从投资的角度出发的一个判断标准。

人工智能应该是“数据驱动”的，而非“规则驱动”，要通过神经网络的方式进行训练然后建立模型。因此，当我评估一个项目时，不需要过多了解它是做什么的，也不需要讨论它到底是不是人工智能。我首先会问的两个问题是：第一，你的训练数据是什么？第二，你是如何利用这些训练数据来训练模型的？只要创业项目能够回答这两个问题，且符合“数据驱动”的逻辑，那么我就可以认定它是人工智能，今天有很多做智能体、多模态、做AI创业的公司或者大公司投入AI，我都是用这个角度判断，如果不用这个方式，在我看起来其实还是非AI。我最早去美国学人工智能，那个时候AI还不能产业化，从1960年代到2012年，人工智能在很长一段时间里并没有真正进入产业应用，直到2012年深度学习出现之后，才有了初步的产业化进展，真正突破了学术界的局限。过去的人工智能，大多数依赖规则驱动的方法，尤其是在自然语言处理领域，长期处于规则驱动的模式，这导致了技术进展缓慢，且难以落地。直到深度学习的出现，才真正推动了人工智能技术的实际应用。我个人的判断标准是，尽管人工智能中仍然还存在规则驱动的成分，但如果过度依赖规则驱动，就很难进入这波大规模产业化的浪潮。这个是我判断人工智能的一个方法论。

我想问大家的第二个问题，今天我们遇到最大的挑战是什么？如果AI的定义是基于神经网络，那么我们为何尚未突破到下一个里程碑？这个挑战是否来源于产品层面？比如互联网时代，流量是推动产业发展的核心动力，人工智能是否也存在类似的动力驱动？为什么我们现在会面临这种天花板？为什么突破如此困难？这个难点是否是由产品、技术，还是数据方面的问题所导致？比如我们现在的确面临训练数据枯竭的挑战。顺着AI的轨迹下一步，大家看到最大的挑战是什么？

樊钰：这个问题非常好，对我们来说，举个很具体的例子，料框里面有各种各样的零件，如果我不用神经网络的方式，能够把每一个零件的位置识别出来，如果用AI，需要更高的算法、数据标注、训练，训练完以后看训练效果好不好，如果这两种方式都可行，非AI的方式需要更少的算力、需要更少的人工参与，也不需要太长的时间，那我为什么要用AI？这是一个问题。

主持人（邱谆）：规则驱动也是能做的。

樊钰：对，今天是引领新锐行业的全球化变革，我觉得AI真的要去应用，真正发挥大的作用，找一些原本用非AI的方式解决不了的新问题、新场景。

在我们的机器人领域，还会有一个问题泛化性，为什么去年到今年的人形机器人包括具身智能这么火？背后有一个共同的愿景。人形机器人与人类非常相似，是一种标准的硬件平台，而其他类型的机器人往往依赖于不同的硬件平台。人类能够完成多种任务，比如开车、擦桌子、搬运物品等，我们希望人形机器人也能够执行这些任务。人形机器人应该是一个标准化硬件平台，配合各种软件算法，能够完成多样化的任务。这正是AI大模型在机器人领域所需要解决的关键问题。

很多任务已经能够通过传统的高效方案或范式来解决，没必要用AI，要找到那些能通过AI实现“10倍效率提升”的应用场景。我觉得做技术创业有的时候往往会陷入困境，先考虑技术方案、技术路线，然后再去做产品，再去落地到商业模式这样的方向，应该反过来，首先要找到商业闭环和数据闭环，然后根据实际问题选择合适的技术方案，确保技术能够真正服务于商业需求，而不是“拿着锤子找钉子”，这样AI才能在实际应用中发挥更大的价值。

倪天旸：如果说技术与产业的结合以及如何结合本身是一个挑战，我认为有时我们显得过于急切，误以为新兴的AI技术能够迅速赋能各行各业，导致所有行业都会迎来变革。我理解，不同的场景、不同的行业和AI结合的节奏就是有一个渐进的过程。以生成式AI和大模型为代表的AI本身有很多的技术难题需要慢慢解决，新的技术怎么去找场景，也有一定的规律。生成式AI在一些高开放度和高容错率的场景中更容易应用。例如，AI在社交、游戏、电商等领域的应用，因为这些领域容错率较高，且数据相对丰富，因此AI的应用能够更快落地，带来产业化。但是有一些场景，比如医疗行业，有大量的法规限制，有很多私有数据无法获得，包括病人、病例的数据，有大量前沿的、非公开的、研发的私有数据，这个时候AI在预训练层面无法获得海量私有数据，所以在金融、医疗这些监管比较严的行业里面，AI的发展有逐步去发展的过程。

总结一下，AI的应用与发展面临的挑战是多样的，不同场景的适配性不同，落地难度各异。一些领域较为适配AI，更容易实现产业化，而另一些领域则需要技术、行业乃至法规的共同推动，会需要新的法规和生态系统的逐步建设，这一过程也需要时间，挑战仍然很多。

陆玥：实际上，我个人认为，人工智能技术目前仍然处于发展阶段。尽管我们已经看到很多实际应用，但并不能简单地认为Transformer、ChatGPT等大模型就能解决我们所有的问题。举个例子，在供应链管理中，AI技术已经能够在自动询价、接单和操作方面提供帮助，但在报关这一环节，很难通过大模型的识别自动，把报关的文件整理成报关所需要的资料，这一步很难。关于容错率的问题，报关的场景里面不允许有一点的差错，必须是100%，如果出现错误，就会有比较严重的后果，可能会被海关罚款。因此我们目前的技术水平还难以满足这一要求，即使在ChatGPT5推出后，也不一定能完全解决这个问题，我们仍需进一步迭代技术，才能达到所需的标准，这是技术的场景角度的问题。

实际上，在我们的实际应用中，技术虽然至关重要，但并非唯一的决定因素。更关键的往往是行业内部的利益分配与权力结构，这些因素在很大程度上制约了技术的应用。要考虑更广泛的产业环境和实际需求，这些问题的解决可能比技术本身更为复杂。

主持人（邱谆）：挑战不仅仅在于技术本身。

许珊：我非常认同各位嘉宾的观点，特别是在技术层面，我们经常面临法规与市场的复杂关系，这可以说是一种“法规虐我千百遍，我待市场如初恋”的挑战。在此基础上，我想补充几点看法：

首先，我们接触的众多AI创新企业反映，目前AI领域尚未形成清晰的商业逻辑或闭环。许多公司仍在探索盈利之道，尤其是如何构建有效的商业模式。这是我们必须面对的一个现实商业挑战。

其次，从技术角度而言，我特别关注“大模型的幻觉 (Hallucination)”这一问题。当前，生成式AI所输出的知识缺乏有效的评估机制，许多生成内容的准确性和可靠性难以保障，尽管已有不少文献尝试解决这一问题。

再者，我还非常关注一个与今日“出海”主题密切相关的议题——即AI企业如何迈向国际市场。根据我们的分析，当前的战略窗口期大约为三到四年，而短期内可能仅有一到两年的时间。我们在之前的报告中提到了“主权AI”这一概念，中国企业何时能够将自己的技术和解决方案推向国际市场，是一个至关重要的问题。如果我们不能及时把握这一战略机会，其他国家可能会抢占国际市场的先机，使我们陷入被动。因此，我非常期待在这样的平台上与各位有志于国际化的AI企业深入交流，并借助中国信通院等机构的优势资源，共同构建一套帮助AI企业顺利出海的知识体系。

主持人（邱谆）：我稍微回顾一下今天的讨论，我问了三个问题，第一是AI的定义是什么，什么是AI，第二，基于这个定义，哪些应用场景有潜力或能成为新锐行业？在AI时代，AI能解决的场景一定会成为新锐行业，就像在互联网时代互联网能解决的场景就一定会变成新锐行业，在这一点上，我的思路是技术驱动，不管是神经网络，还是Transformer，还是自适应，AI定义之后，在哪一个应用场景能落地，这个行业就会变成新锐行业，这也是我们投资的方向，这里的“投资”不仅指金钱和资源的投入，实际上，进行相关研究也是一种投资。我们都在寻找答案，都在探索哪些领域、哪些角度会发展得更快。

第三个问题，是AI会遇到哪些挑战，过程和路径当中可能会遇到的，一定不是一帆风顺，不管是算力、数据还是监管都是挑战，哪一个是最大的挑战，如果我能够克服其中一个挑战，就说明我建立了门槛，这三个问题的答案加在一起就是一个创业计划书，首先是我怎么定义这个问题，第二是哪一个落地方向是最有希望，第三是我如何解决中间最大的问题，这就是我的护城河，这三个问题加在一起一定对大家能有一些启发。

回到今天的主题，请大家快速用一个关键词总结一下今天我们人工智能出海的环境里面，展望未来去预判趋势，最好是一个词或五个字之内，精简一些，大家觉得更契合人工智能的，最好是在出海的环境里面，也可以宽泛一些。

倪天旸：我的关键词是 “拉动型机会”，我们的AI出海不能是被动地向外卷，因为人工智能带来的不仅是增量机会，更是创新机会，它打开的空间与移动互联网时代类似。如果回到去年，我对国内的AI大模型曾持稍显悲观的态度，当时受到中美对抗的制约，形势复杂。然而，时至今日，国内的大模型取得了显著进展，尤其是在数据枯竭导致“Scaling Law”失效的背景下，这为国内创业者带来了极好的机会。许多短板不再构成致命瓶颈。最近字节跳动的AI产品也非常火爆，它在互联网时代积累的产品能力、互联网优势能力其实在AI里面又凸显出来，中国在这些领域具备优势，特别是产品化和产品基因，以至于在使用过程中，甚至忽略了底层模型与国外对标大模型之间的差距。AI出海的机会是迫切的，我们应当抢抓这个时机。

樊钰：我有一个愿望，未来我们的产品将越来越多地融合AI，同时我们在海外业务收入的占比将超过国内市场。关键词是“海量AI”。

陆玥：我们处于一个巨变的前夜，挑战和机遇并存。

许珊：我的关键词是“抱团”。海外市场广阔无垠，如果我们能够形成一个良好的合作机制，大家就可以携手共进、相互支持。最后，我想借用昨天主持人的结语：让风来，祝产业做大；让雨来，祝我茁壮。我也将这句话送给所有出海的AI企业，祝愿大家前程似锦、蓬勃发展！谢谢！

主持人（邱谆）：我用5个字，”第一性原理”，万事追求根源。无论是投资还是创业，若要All in AI，需从第一性原理的角度进行思考，弄清楚AI如何起源、如何发展，从而不仅更清晰地把握当前的局势，并且能预见到它未来的发展轨迹和可能经历的关键里程碑。第一性原理这5个字送给大家。