AIEC大会：多元视角下的AI核心命题

在2026年人工智能加生态大会（AIEC）的主论坛上，主办方精心设计了上午的Keynote环节，聚焦开源、Agent、组织三大核心命题——这些议题恰好映射出2026年中技术圈、产业界与资本市场的共同关切。嘉宾阵容覆盖行业分析者、高校学者、前沿模型研发者，以及来自大型传统企业（如制造业、能源业）的实践者，形成多维度、平衡的讨论生态。

值得注意的是，这些嘉宾并非仅输出技术方案，而是在分享各自在“没有标准答案”阶段的探索路径——正如大模型训练过程本身：训一点、出一点、走一步、看一步。这种状态也折射出当前AI发展的整体特征：技术已趋成熟，但落地仍处混沌初期。

“它没有所谓的标准答案，我觉得很像各家在主张自己的方式，也没有人有绝对的正确的路，只是大家在尝试过程中在摸索，在走一步看一步。”

“当大家看到一个可能前几年还是在像咱们这样的科技媒体上看到东西，它进入到了无论是个体还是企业的流程工作过程中，它开始产生一些效果，但同时可能也会产生非常多的摩擦。”

组织变革：AI落地的隐性主战场

AI的真正挑战已从技术本身转向组织适配——正如工业革命史所揭示的：技术发明到GDP显著提升之间，往往需要30–40年，本质是生产关系、组织形态与交易结构的同步演进。在本次大会中，美的魏总、浪潮董事长彭总及OPC代表的分享，共同勾勒出这一趋势：

  • 美的的实践表明，过去数字化转型常因“价值难量化”而遇冷，而大模型时代，C-level已从被动说服者转为主动推动者，但企业仍面临“上下文工程缺失”——数据未就绪、系统未打通、流程未重构，导致模型难以嵌入业务流；
  • 浪潮则在内部探索AI原生组织形态：为Agent配置专属数据围栏与权限体系，建设员工与AI协同的“内部SQL Hub”，并借黑客松机制加速内部创新——这些探索既服务自身，也为客户沉淀可复用的实践。

“原来数字化转型的时候，是底下干活的人比较急，老板不一定急；现在AI时代是老板比较急，但干活的人不一定那么急。”

这一转变揭示出：AI落地的核心瓶颈已非技术成熟度，而是组织惯性、KPI体系、文化认知与数据基建的系统性重构。

信任构建：从合作伙伴到生态协同

面对AI落地的复杂性，企业正从“单点技术采购”转向“生态级协同探索”。浪潮的实践表明，头部科技企业正尝试以自身组织变革为样本，为生态伙伴提供“AI原生组织”的最佳实践——正如AWS因电商高并发需求催生云服务，浪潮的内部Agent管理框架、数据沙箱体系，未来可能成为其服务客户的核心能力。

这种协同模式的关键在于建立第一层信任：当企业已通过小范围试点看到效果（如效率提升2%–3%），便更愿扩大合作。而中美企业在此阶段面临相似困境——即便To B数字化基础更成熟，仍需重新构建与大模型匹配的数据-流程-人-制度新生态。

未来一段时间，“AI组织形态”将成为科技公司的核心竞争力：谁能率先定义AI时代的协作范式（如Agent权限体系、人机KPI联动机制），谁就能为产业提供可迁移的协同模板——而这一过程，注定是试错、迭代与开放共建的长期旅程。

内部 SQL Hub 的演进路径与组织适配挑战

在 AIEC 大会现场，嘉宾提到像客松、黑客这类企业内部的 SQL Hub，本质上是由员工或 IT 部门自主构建的私有化工具，服务于内部业务场景。这类工具一旦验证有效，便具备向外部客户开放的潜力——尤其当客户本身是科技公司或其上下游生态伙伴时，复用性极高，正如云服务的发展逻辑：从边缘验证走向核心推广。

然而，这一过程面临多重组织层面的挑战：与原有 KPI 体系不匹配、不同职能员工对 AI 工具的接受度差异显著、改造效果难以量化，以及最现实的——成本问题。过去一两个月，业界已普遍意识到，单纯追求 token 产出量的指标过于粗暴，转而聚焦于 token 的成本效率优化。这一转变，标志着 AI 落地从“能用”迈向“好用且划算”的新阶段。

原话：原来在做数字化这个转型的过程当中，有一个很著名的说法叫‘小步快跑’，嗯，就是从边缘，嗯，然后开始逐渐向核心业务。然后他认为呢，在 AI 转型时代，未必要这样。

自上而下 vs 自下而上：AI 转型的双轨实践模式

嘉宾进一步指出，AI 转型不再拘泥于传统的‘小步快跑’路径。当 AI 的价值已被广泛验证（‘没人觉得这东西没用，无非是用在哪、花多少钱、怎么用’），企业便具备了自上而下推进核心系统改造的条件：在老板支持、预算充足、文化包容的前提下，可直接从关键业务系统切入，再以‘先进替代落后’的方式逐步铺开。

与此同时，组织内部仍需保留自下而上的创新空间——例如腾讯的 Work Buddy 最初是 Cloud Code 出现后由员工自发孵化的边缘项目，经小规模验证后才被纳入正式产品线。这催生了一种混合模式：公司层面战略牵引 + 业务单元零散试错，共同构成最佳实践。

原话：在 AI 原生公司……是自下而上，创造产品，然后当它向外扩散的时候呢，是自上而下，嗯，就你不用试点了，这个就这么干，我已经跑过了，然后就按那东西干就行了，就变成一个就这么一个扩散过程。

Agent 产品形态趋同下的差异化困局

当前最显著的行业共识是：以 Cloud Code 为代表的 Agent 产品形态已高度统一——左侧项目栏、中间对话栏、右侧执行栏，辅以 MCP/Skill 接口，几乎成为行业标准。从腾讯 Work Buddy、阿里 Coder & Coder Work，到 Kimi Code & Kimi Work、MiniMax Tree Solo & Tree Work，命名逻辑与功能结构高度一致，甚至模糊了 Code Agent 与通用 Agent 的边界。

这一共识背后，是厂商在模型演进之外开辟的新战场：围绕 Agent 的推广资源、算力投入、商业化尝试（如收费模式）展开激烈竞争。但随之而来的是新的困境——当所有产品界面趋同，如何体现自身差异化？

现实场景中，用户（如婚纱摄影师）需要的并非技术参数，而是开箱即用的工作流。此时选择标准从‘谁的模型更强’转向‘是否兼容现有工具链、是否适配非技术用户’。这暴露出当前 Agent 产品在普适性、易用性、信任构建上的落差：技术前沿热闹非凡，但大众市场的‘最后一公里’仍待趟平。

正如电子词典与学习机的长期存在所揭示的：用户真正需要的不是通用能力，而是确定性、低认知负荷的解决方案。AI 的终极挑战，或许不在于模型多强，而在于能否成为普通人工作流中‘一块板儿’——简单、可靠、无需解释。

AI产品的‘确定性’与‘工具化’悖论

在产品设计层面，一个核心矛盾正在浮现：AI模型虽具备无限延展性，但用户真正需要的往往是‘确定性’的解决方案。比如电子词典和学习机持续热销，不是因为技术不可替代，而是它们提供了一个明确边界、稳定输出的‘螺丝刀式’工具——用户只想拧紧一颗螺丝，却不愿面对一把多功能瑞士军刀带来的不确定性。当前基于Transformer架构的语言模型仍在快速演进中，其能力虽强，却缺乏明确的使用边界；除了coding等少数场景，它尚未成为一把‘被规范限定’的工具。这种‘泛化能力’与‘窄域需求’之间的错位，构成了AI应用层创业的核心挑战：如何在开放性与确定性之间找到平衡点？

‘他不是螺丝刀，他也不是一双筷子……你用螺丝刀跟用筷子的时候是有非常明确的目的，并且你也知道它能干嘛，但人家现在这个时间点，尤其是偏模型这一层，它不是螺丝刀跟筷子。’

‘很多最最基础的用户，他就需要一把螺丝刀……甚至我只需要一个十字口螺丝刀，而不能给我一个平口螺丝刀。’

应用层市场的‘错位竞争’与组织熵增

黄日勋提出的‘五层蛋糕’模型中，应用层被估价高达二十万亿美金（约140万亿人民币），相当于一个中国GDP的体量。这块市场究竟由模型厂商自上而下垄断，还是由无数垂直应用公司分食？从过往经验看，一旦某个细分赛道出现亿级ARR的明星公司（如法律领域的Harvey、HookAI），资本与巨头便会迅速涌入——例如Anthropic的Cloud Code从边缘项目被推至核心，甚至与自家客户Cursor形成竞争关系；而Cursor虽被XAI收购，却仍在构建自有模型能力。这揭示出一种结构性趋势：模型公司难以覆盖所有垂直场景，而小团队在特定领域反而形成‘反向错位’优势。

‘创业公司看起来可能只有二十个人或者三十个人，但是在这个细分场景下，可能大公司或者模型，它也没一定有二十个人，可能只有两个人……它形成一种反向错位，就是我在这里面投入的东西可能会更多。’

这种竞争格局受两大变量制约：组织熵增与模型自我进化能力。模型公司若无限扩张（如从三千人到三百万），组织成本将吞噬创新效率；而若模型能自主演化、按需生成工具（如用户提需求→模型自研→交付产品），则无需依赖组织形态。但目前来看，更可能的未来是：应用层涌现大量‘小而美’的Agent/产品公司，而非模型厂商通吃一切。

‘我还是比较期待就是Agent层或者应用层的有更多的公司……我更期待的是两亿个小的……而不是二十万个一个亿。’

模型演进的双路径：集中智能 vs 多智能体协同

当前模型研发已进入多路径探索阶段：Kimi将Scaling公式从两个Batch扩展为三个——Token效率、超长上下文、多Agent集群。其最新版本重点推进多Agent协同逻辑：通过任务分配、角色分工（如执行者→审查者→整合者）构建闭环流程，这与人类组织中‘天才协作’的逻辑高度相似——正如《数据中心的天才之国》所言：‘没有一个组织全是天才’，关键在于路由层设计与角色编排。

这一逻辑正被广泛应用层复用：SaaS公司、初创企业不再依赖单一大模型，而是构建路由层+多模型协同架构，在成本与效果间寻求最优解。有趣的是，Meta近期的内部动荡（如强制全员监控、裁撤8000人后抽调工程师做数据标注）恰恰印证了‘纯工程化AI’的局限：即使拥有顶尖工程师，若缺乏垂直场景深度（如水泥厂驻场部署），泛化模型仍难以落地。尤其在AI for Science等专业领域，材料科学专用模型与大语言模型存在本质差异——前者是时间序列模型，后者依赖语言语料，泛化能力边界尚存疑问。

‘你发现越来越多的SaaS公司、大企业甚至初创应用公司在用模型时，也在做用类似的逻辑……不是说所有的事情都交给一个最贵的模型是一个最合理的方式。’

‘Meta的工程师虽然能力很强……但它优化得再好，也只代表Meta可以用更低的成本把这事情做了。但Meta问题显然不是说它既有问题吗？’

已知问题的局限性与AI投入的悖论

在当前阶段，企业试图通过将员工技能蒸馏为可复用的 skill 来优化既有问题，这种方式本质上只能解决已知问题。即便像 Meta 这样拥有顶尖工程师团队的公司，其优化成果也仅意味着成本下降，而非能力跃迁。Meta 的社交、元宇宙、AR 等业务虽各有亮点，但整体增长乏力——这说明，既有问题的提质增效无法获得资本市场认可；华尔街真正期待的是面向未来的无限算力投入与模型闭环。因此，即便企业内部努力推进 AI 项目，外部压力仍使其陷入“既要当下效率、又要未来想象”的两难。

‘你把它优化得更好，也只代表 Meta 可以用更低的成本来把这事情做了。’

‘无无限的算力投入，然后进行一种闭环。我融了资买卡，买卡之后训练模型……’

巨头的 AI 实践：撞墙式探索与生态位重构

面对 AI 这一“科技行业唯一议题”，腾讯、阿里、字节等中国头部互联网企业正以高密度试错方式推进 AI 落地：从钉钉更换负责人（启用曾主导 Agent 内部产品的雨森），到支付宝推出 AI 版本，再到腾讯云大会主动回应“外界说我们慢了”，无不体现一种不撞南墙不回头、撞了也不回头的紧迫感。这种探索并非盲目，而是基于各自资源禀赋、团队能力与历史积累的权衡。

与此同时，全球科技生态正走向高度碎片化与动态融合：数据公司出现在算力大会，算力公司现身 Agent 场景，边界模糊、竞合交织。马斯克从 Grok 转向 New Cloud，再到计划部署太空算力；Anthropic 从独立模型商变为推理服务商——这些“意料之外”的路径表明，AI 产业已无清晰的上层架构图，只能靠实践反推自身表面积。

‘我得先去撞一个难题，是的，撞了之后回来之后，然后我再看看我最后这个体积，我就这个表面积的大概有多大。’

‘保密工作做得太好。模型这个事儿迭代太快……发大招的形态已经过去了。’

开源的再定位：从意识形态之争到战略必需性

开源叙事正经历从“闭源极端”到“开源极端”，再到如今动态平衡态的演进。DeepSeek 与 Qwen 的实践曾推动开源成为破局关键，但当前已进入“既不全开、也不全闭”的中间阶段：闭源厂商大量借鉴开源成果（如 OpenAI、Google 对 Gemma 的改进），而开源社区也逐步引入商业化考量。美国对 Colossal-AI 的禁令更凸显了一刀切监管的不适应性——开源的价值不仅在于技术共享，更在于战略自主权。

对制造业等关键行业而言，开源模型是避免“断电式停摆”的基础设施级备份：一旦核心模型被单一厂商控制，产线可能因外部政策变动而瞬间瘫痪；同时，数据资产不可外包——将语料交给外部模型公司，等于交出护城河。这与可口可乐配方的逻辑相似：可公开模仿，但绝不公开核心。因此，开源已不仅是技术选择，更是企业长期战略安全的底层需求。

‘哪怕是从这个角度而言，它也需要一个，呃，这个开源模型作为我内部的一种这种发动机，更不用说语料和数据的问题。’

‘你总要在某个时间点考虑一些……调整还是重新再一次的找到一个平衡态，还是怎么样？’

开源与商业的再平衡：从理想主义到现实主义

在当前技术范式尚未发生根本性变革的中短期内，开源模型的战略地位依然核心。表面上看，开源社区的构建基于一种正向善意的逻辑：通过开放生态保持模型领先、获得认可与落地机会。然而，商业无法仅建立在善意与信任之上，这导致开源与商业化之间存在持续张力。

现实中的模型厂商早已不再将开源视为“菩萨式”的纯粹奉献，而是将其嵌入更复杂的商业组合拳中：除了传统的 token 销售，还衍生出 token plan、工具链、Agent 集成等多元变现路径。开源正深度与基础设施层和 Agent 层结合，在这些环节中实现价值闭环——这恰恰是开源模型最适配的应用场景。

原话："今天的开源其实跟商业化的结合其实非常深的。"

原话："它向上可以结合 agent，向下可以结合到基础设施。"

个体在模型洪流中的定位：焦虑、宿命与手艺人精神

AIEC 大会中彭海平院长关于幸福心理学的分享，切中了当下普遍存在的时代焦虑。无论是高认知人群（如李飞飞）还是普通家庭，都在面对一个共同问题：在模型能力急速跃迁的背景下，个体如何自处？ 高考季的集体焦虑、职业路径的剧烈震荡（如围棋、同传、编码、内容创作），印证了技术冲击已进入深水区。

技术宿命论视角下，无论哪家公司主导，当技术到达临界点便不可阻挡；而 AIEC 的“无所不能”更让从业者产生强烈无力感——我们逐渐从“指挥者”退为“旁观者”，甚至担忧自己被“卖过”（即被超越）。这种感受在白领岗位尤为明显，焦虑并非无病呻吟，而是对结构性变革的真实回应。

但历史也提醒我们：技术红利与个体命运并非同步。就像蒸汽机时代纺织工人，GDP 上涨未必带来工资增长，职业可能从主流退为小众手工艺。我们这一代人正身处这一转型阵痛期，而未来几代或将抵达新平台。因此，关键问题不是“结局是否悲观”，而是如何在过程中坚守作为“人”的价值。

原话："我们可能就像当年的蒸汽机来的时代的纺织工人一样……我们这几十年就是要经历这个事情，那就变成了我们如何与我们这几十年相处嘛。"

原话："所有这些论坛今天这天探讨AI的最后的话题，大部分都会跑到身心灵去，就是没有办法，就这个焦虑确实。"

情感反应与人类独特性：在 AI 时代重拾‘手搓’的意义

彭教授指出：人类最不可替代的，是那一刻的原始情感反应——我们有权对事物做出第一判断，而非将价值判断外包给 AI。AI 常常“替你做反应”，比如用惯用语粉饰情绪，剥夺你对“好/坏”的本能感知。因此，保留第一反应权，是捍卫人性主体性的底线。

这一逻辑延伸至内容创作、媒体传播乃至日常实践：标准化、华丽但无个性的内容正在贬值，而真实、个性、甚至“怪异”的表达反而获得认可。播客复兴、线下会议热、影视短剧退潮后创作者的再定位，都指向同一趋势：当 AI 可高效生成内容时，人与人之间的情感连接与信任，成为核心稀缺资源。

正如有人坚持手搓 PPT——明知道效率更低、关注度更少，却仍愿在字体、边框、版式中注入个人品味与坚持。这种“手艺人精神”看似微小，却承载着对过程的尊重、对个性的确认、对信任的构建。在 AI 普遍化时代，“你 care，这件事就重要”——这种主观投入本身，正是人类不可被替代的锚点。

原话："哪怕同样的内容，如果让我感觉到你的输出过程是一个很强AI味道的输出过程，那我本能的会你的对这个产品的输出的价值进行低估。"

原话："你还在坚持？那你坚持的那意义到底是什么……无非就是你希望通过……展现一点点我们人类作为所谓的这个这个手艺人的一点点坚持。"

线下体验的不可替代性

尽管电子版PPT等数字化内容在清晰度与便捷性上具有显著优势，但人们依然执着于亲临现场——无论是世界杯、NBA赛事，还是各类线下活动——其核心在于沉浸式氛围带来的集体情绪共振。在场的几个小时里，个体被周围人群的情绪所感染，原本潜藏于内心的感知与冲动被激发出来，这种情绪唤醒与自我觉察的深化，是远程媒介难以复现的体验。这一趋势也延伸至内容消费领域：近年来播客等长内容、低预加工、非短平快式情绪输出的内容形式正吸引越来越多受众。他们并非排斥碎片信息，而是开始主动寻求一种认知与情绪的再平衡机制，以对抗信息过载与注意力稀释带来的异化感。

那几个小时的氛围，所有人的情绪的感染，你自己被调动出来，你可能原来你内心里没有的一些东西的，的那个东西可能愈发在这个时间点会显得。

我觉得变得珍贵，甚至包括今天也在扩展到，比如为什么最近一段时间做播客的人越来越多……

AI生态的演进与硬件的枢纽地位

当前AI生态尚处于高度混沌的早期阶段：行业分工模糊、角色边界重叠、各方都在“揉杂在一起”尝试所有可能性。这种“乱成一锅粥”的状态实则是生态成熟前的必经磨合期——从单一树种或奇异植物，逐步演化为结构稳定、层次丰富的繁茂森林。展望未来三至六个月，随着技术落地的深化，行业分工将趋于清晰，关键环节的角色定位将逐步固化，个体与企业需在动态博弈中寻找自身生态位。

在此背景下，硬件正重新成为关键枢纽。不同于软件时代“大象也能跳舞”的轻资产逻辑，当前AI模型的实时生成能力对底层算力与物理载体提出了刚性需求。由于芯片制造等环节受制于物理规律与供应链刚性约束，供给弹性极低，导致硬件成为当前最具稀缺价值的环节之一。其“向下要电、向上承需求”的双重属性，使其在AI时代可能比互联网时代更具战略枢纽意义。

现在我觉得就是。就还是那观点，冀西北乱成一锅粥……

我们正好就处于这个从一个可能原来只是一棵树或者一个非常奇异的植物，变成一个真正意义上生态繁茂的森林的状态。我们在经历这个过程。