人工智能、大数据、物联网、云计算等数字技术正在以前所未有的速度塑造世界经济，数字经济浪潮呼啸而来，数字生产力得以创造，产业数字化、智能化、科技化成为当下人们讨论的话题中心。

我们相信，这一份拥抱数字生产力的热情在2023年并不会消退，反而会愈演愈烈。而在2023年，产业数字化又会落到何处？又是否会有新兴的数字技术的出现?

现状、挑战、路径、趋势......我们关注科技产业化的真实，关心产业科技化的未来，为了进一步推动科技产业走向数字化、智能化，在技术与产业的融合中寻找规律，朋湖特推出“2023年度主题分享会Live Talk”线上直播系列活动，直播活动自2023年2月起每月一期，拟邀专家学者、科技企业创始人及高层、投资机构、国家相关机构、行业协会代表等产业各方嘉宾于线上聚首，以“对话”的方式，聚焦当期主题展开深入探讨，“一期一会，观势论策”，多视角、多立场为科技产业前行者探索远行方向，共同加速驱动产业发展。

在当下，通用人工智能（AGI)无疑是最热的话题，其发展曾经历过多次高山低谷，如今，伴随大模型热潮的到来，AGI的未来道路清晰可见，越来越多的企业深刻意识到它的趋势性和价值所在。

对于To B 领域而言，不少人也确信在大模型浪潮中，AI技术的加持下，其也将迎来全新的发展机遇点。

但如何参与这一浪潮，以及怎样参与，对如今的To B 企业都是一个颇有门槛的命题。

为此，在于7月31日举办的第五期中，朋湖网邀请到了贝锐营销总经理王磊、达观数据首席战略官刘江贤、Kyligence（跬智信息）合伙人兼副总裁李栋展开线上对话，对话将由朋湖网创始人周元生主持，一同探讨AGI时代下的To B赛道的机会点。

管理学巨擘彼得·德鲁克曾言：巨变时代的最大危险并非变化本身，而是依然用过去的逻辑做事。在大模型横空出世、展望AGI时代的背景下，企业如何抓住这一时代机遇，重塑行业、重构业务成为了时代命题，这也是我们今天将要讨论的话题所在。

周元生：首先有请三位做个自我介绍。

李栋：大家下午好，我是李栋，我来自Kyligence（跬智信息），我们公司是做数据分析和指标平台的软件供应商，我们也在最近7月14号召开的一次用户大会当中发布了我们在AI和数据赛道的融合产品Kyligence Copilot。

王磊：大家好。我是来自贝锐的王磊，我们公司的名称远不如我们公司的产品出名。我们公司成立了将近18年，我们最大的一个特色就是我们产品的名字是以植物来命名的。第一款产品叫做花生壳，是国内“内网穿透”的头部。第二款产品也是大家比较熟悉的叫做“向日葵”，处于国产“远程控制”产品的前列，第三款叫做“蒲公英”，是一款软硬一体的SD-WAN智能组网产品。

刘江贤：大家好，我来自达观数据，是一家为企业提供各类场景智能文本处理的高新技术企业。在今年的世界人工智能大会上，达观数据也发布了自己的大语言模型，名为“曹植”，我们主要聚焦于to B领域，主要发力在金融、智能制造和政务办公领域。

01

TOB领域的新机遇

周元生：第一个问题，很多人认为在AGI时代下，所有企业服务都值得重做一次，企业服务迎来了2.0时代。请问各位如何看待、理解这一观点？

王磊：我认为AI在企业服务领域的风口确实也到了。但是要说重新做一次还不至于，盲目重做一次并不值当，但确实是企业服务的2.0时代。

在2.0时代，咱们做to B的公司要以公司所在的行业和场景作为切入点，比如说我们公司的产品经理有的时候有一些简单的需求，也是用ChatGPT生成的，也是蛮有意思的，上次我给客户做工时的评估拆解也是用ChatGPT来做的，做的非常仔细和丰富，但是要用ChatGPT去回答企业服务的一些专业问题，就会立马露馅，如生成企业营销的话术。人才的测评、金融行业的风控等，这些领域还是很不靠谱的，因为本质上，企业不同于人，它的决策链条流程更长。

目前，ChatGPT在企业领域还有很多不成熟的地方，关键是我们怎么用ChatGPT，目前我看到的一个比较好的切入点，就是用来对于我们to B企业做一些用户交流界面的服务，这方面还是挺靠谱的。这块也需要我们各家to B企业提前做布局。

在这个AI时代。在用户交流这一领域，可能会诞生一到两家企业服务的巨头，就看谁先跑出来。但是其他的企业服务领域还需要找到适合自己的切入点，盲目的去重做一遍，把底层架构改一遍，这个可能还是要三思而后行,谋定而后动。

刘江贤：大家都知道大模型它基本上分成通用大模型和垂直大模型，我们想聚焦的是垂类的大模型，它的专业性要求就比较高，比如说达观数据一直专注做长文本相关的大模型探索，如智能投顾报告、投研报告、上市企业的财务分析报表，这类报告落地性还比较强，它不同于那种一问一答的对话模式。在垂直领域GPT方面的应用，我们认为有率先落地的可能性。

在智能文本处理领域里，达观数据已经做到了行业相对前沿的位置，但是大模型一下子在短时间内压缩了大家在传统人工智能领域里面文本智能处理领域里面的时间厚度的积累，用大模型加持，用大模型的功能底座，结合原来的传统的to B企业的技术积累、应用场景，可以使原来的技术积累落地更加精准有效。

想象一下智慧能力的出现对我们所在领域的突破，这可能是我们最佳的注脚。另外，我们也需要回应一下达观的曹植大模型。在训练过程中，我们结合了大模型和小模型，以及多模态和传统知识图谱体系和业务引擎的结合，进行了模型的并行训练。我们发现这种方式的效果更好，处理问题的能力也更强。

曹植大模型具有三个主要特点。首先是长文本，与一问一答的短文本模式不同，可准确完成多类型、复杂结构的长文本写作，自动起草多种类型的文档，同时可自动生成表格、图表、数据等元素。第二是多语言。在AI时代针对长文本的翻译，在大模型技术支持下取得了突破。现在达观支持17种语言的长文本撰写，甚至可以涵盖更多的语言和文字。

另一个特点是垂直化，我们面向特定的To B领域。垂直化需要解决落地性的问题，“曹植”可针对不同行业开发特定应用和训练专属数据库，使用海量训练数据进行“曹植”大模型的预训练，生成具备基础语言能力和垂直应用能力的模型。

李栋：我想从用户侧需求方面上再做一些补充。“所有的企业服务都值得重做一次”，我个人觉得略有夸张的说法，但其实它也代表在当前的AI时代，任何的to B产品形态可能都会，或正在发生一个翻天覆地的变化，这个变化既包含像交互形式，比如说是对话式的，或者是自然语言形式的交互方式的变化，也包括产品的相关的无论是服务模式或者商业模式等等都在发生着翻天覆地的变化。

那我觉得不管这个产品的形态和模式怎么变化，其实从用户侧带来的价值来看，我觉得很重要的一个价值在于AI正在把一些专业性的工作变得平民化，比如可能一个语文水平一般的人使用大模型也都可以写出一些高分甚至是接近满分的作文，我觉得这就是把一个专业性的工作平民化的过程。如果放大到整个企业服务的市场，我觉得其实依然有很大的需求空间，因为每个企业现在都在追求降本增效，尤其是在疫情之后，其实需求依然很火热。那我觉得这可能也是AGI出来之后这么受追捧的一个原因之一，因为企业做数字化转型的目标很大程度是提升人效。

我们是在数据分析这一赛道，那我们会看到企业去做数字化转型的核心，关键是要做数据驱动。在数据方面，其实急需通过AI提升整个行业的使用效率。在过去几年，其实我们也一直在数据领域去积累，也推出了像指标平台这样的产品来被广泛的应用在各个行业去帮助各个企业搭建一个指标的体系。

通用大模型在企业去做落地的时候，它可能做不了一些像风控等专业领域的原因在于缺少企业积累的知识沉淀，或者说他不了解一个企业是如何做业务管理的，从数据方面上，我们认为如果想让一个AI很好的去帮助企业做一些数据分析以及数据决策的话，那它首先需要去理解这些数据，而且是需要理解数据背后的一些业务价值。最近，我们正好在指标平台加上了AI的技术和应用，我们认为会是一个很好的方向，让AI理解和识别企业里面有业务价值的数据指标，然后帮着企业里的每一个人都可以去来更好的分析数据、使用数据。除此之外，还可以帮着企业的管理者去分析它整个KPI的指标体系来赋能整个业务运营和管理上的效率提升。

周元生：大模型在B端的商用会涉及到哪些问题与挑战？各位如何看待？

王磊：通用大模型现在主要应用于C端。to B领域可能我们要在行业大模型和垂直领域的大模型立马进行深挖。在商用我觉得有以下几个方面的挑战。第一个是对于我们整个产品产业体系架构的挑战。包括刚才江总提到他们最新推出的曹植大模型，其实它都是一种功能，那么它最终怎么商用，其实是把这些功能嫁接在它原有的一些平台、流程上，才能在特别垂类的一些流程上才发挥出价值。

所以，我来谈一下贝锐在这方面的实践。我们都知道大模型的架构大致分为四层：硬件层、基础设施层、大模型层和应用层。然而，我们也都知道现如今的基础设施层都是开源的。在大模型层，除了大厂商外，我们自己去构建大模型并没有必要，因为最近也出现了开源的解决方案。因此，我们主要关注应用层。

在贝锐看来，由于我们的业务是根据特定场景进行划分的，对我们来说，不同行业的特定场景需要细分来考虑。例如，假设这是零售行业，我们可以将其应用于零售数据中台的分析，以实现对零售行业所有智能设备的远程维护。对我们来说，我们根据不同的行业，在具体场景下进行细分。从一开始，贝锐就在进行规划，并没有参与同质化的通用大模型竞争。我们首先将各种产业体系嵌入我们的特定场景应用中，将功能转变为应用场景。然后，在C端，他们也可能最终出现自己的大模型。在贝锐的远程控制领域，我们可能也会形成自己的远程连接大模型。其他的to B企业可能最终也会形成自己的大型模型，如客服领域的大型模型、财会领域的大型模型、人才领域的大型模型等。

因此，今年3月份我们具有预见性地发布了全新的数字化时代一体化架构。这是AGI时代下的调整，我们将自己的一体化架构分为六层。首先是二层，因为我们将所有基础服务放在云端的基础设施中，此外我们自身就具备智能硬件，所以我们原本就不缺硬件层次，但最关键的是我们从年初开始构建了OS，即我们自己的操作系统。现在回过头来看，我们的老板在这一点上非常英明。实际上，你会发现我们的OS就是我们现在所说的大模型层（MaaS层），然后向上是PaaS层和SaaS层，最后是我刚刚提到的场景层。因此，贝锐形成了自己的六层架构来支持我们对领域和场景的深耕。这是我们企业服务、远程连接领域专业的大模型的商业做法。首先，我们从内部角度出发，并且在我们领域的行业知识上进行了挖掘。我们在这个基础上建立了自己行业的完整架构，并推出了各种解决方案，例如远程支持、远程运维、远程医疗行业的会诊等等。这是一个机遇，同时也是一个挑战。

李栋：我同意王总之前说的观点，当前在to B商业领域中，大模型的落地面临着最大的挑战。在讨论中，大家提到了安全和成本等客观挑战。然而，我认为最大的挑战实际上是时间。不论是甲方还是乙方，当前都面临着全球范围内的竞争和挑战。例如，对于甲方企业来说，他们迫切需要解决效率和成本方面的压力，并希望从AI大模型中挖掘出具体的业务价值。对于乙方企业来说，他们不仅需要考虑产品是否需要重新设计，而且时间窗口也相当短暂。因此，时间是至关重要的。

我想分享一些关于应对这一挑战的心得。大模型技术本身是没有边界的，因为它吸取了互联网上的各种语料，具有广泛而丰富的能力。然而，如果我们希望在特定的细分场景中应用大模型，就需要将一位全能选手转变为专精人才，就像我们将一辆车转变为自动驾驶车辆时一样。如果道路上没有标识和交通规则，让车辆自动驾驶就很困难，因为当有大量车辆，它们很难找到秩序。同样，大模型在落地过程中也需要寻找秩序。就像现实生活中的自动驾驶需要有道路标识和交通规则一样，大模型也需要类似的条件。这就是为什么我们选择在这个时间点推出AI数智助理产品的原因。我们将这种AI的能力限定在企业现有的指标体系范围内，限制在经过梳理和治理的数据产品上。让AI帮助企业进行数据分析、洞察以及数据归因分析等工作。这样一方面减少了AI出错的可能性，另一方面也使得落地更快、结果更可靠，从而产生价值和意义。

刘江贤：我非常赞同两位的观点，特别是交互方式的变革。交互方式由两个方面决定，一是to B企业的交付方式，另一方面取决于客户需要用什么方式交付。大模型有有与无的两个时代。目前有一些大型企业已开始裁员，而一些大模型企业仍然使用这种方式进行创业以筹集资金。当这些风潮过去时，我们将看到沙滩上露出的是什么，以及在水里面游的是什么。因此，我们需要保持冷静地观察，并结合自身实力。在我们所接触的传统企业客户中，大部分来自金融、政务和智能制造领域。特别是在金融领域，信息化、数字化和智能化处理文本的程度相对较高，接受度也较快。

我们明显感到，与银行、券商和保险等企业接触时，他们对大模型的需求非常强烈。然而，这些企业面临的问题包括数据安全性的考虑，因此无法将数据放在云端处理。数据治理中有一句话叫做“数据隐私计算，可用不可见”。在这些企业中，私有化部署对大模型的需求更高。因此，我们开发了一种名为“大模型一体机”的产品，将大模型放在一个服务器中进行数据训练，然后将整个一体机携带到客户现场，比如与某四大法律师事务所合作处理审计问题。此外，对于云上企业，如三大运营商、阿里巴巴、腾讯和华为等，他们在政务云等领域需求大模型处理文本问题，我们也需要提供云端部署的能力。

这种灵活的组合是我们要考虑的产品连接方式。我们必须解决各种与大模型相关的问题，只有这样我们的技术和服务才能发挥作用，为客户提供更好的服务。否则，我们的商业模式就无法落地。


02

重塑行业与业务

周元生：关于行业的重塑，在AGI时代下的物联网领域应该呈现怎样的发展态势？请贝锐的王总分享一下您的见解。

王磊：现在我们的注册平台已经有7000多万的用户。全球连接的设备数量超过13亿，每天进行超过亿次的远程连接。我们的使命是建立人与设备之间更好的连接，因此在物联网领域，我们认为物联网正处于一个百花齐放的下半场阶段。在前十年，大家主要致力于道路的建设等，而在下半场，我们需要不断开发和探索更多应用场景，形成更多互动的方式。AGI的出现为物联网的下半场带来了无限的想象空间，特别是对大场景下企业的提效非常有帮助。

通过训练后的大模型可以自动参与行业低强度实施的响应，取代人工的工作。这为小场景提供了更多多样化、丰富的手段。我们过去主要负责数据链条中数据的采集、分析和预警处理，但没有大模型参与的情况下，这些工作都是靠人工进行的。而经过大模型的训练后，它可以自动化参与一些垂类行业的实施响应，为场景化提供了手段。

举个例子，我们最近与一些客户接触，如城市高轻轨和中国高铁动车组运维。他们需要对各个路段的机车进行维护，如重启断电、提醒换电等。以前这些工作需要人工进行现场判断，但大模型的引入后，行业客户要求我们与他们共同创造一个适用于他们行业的大模型。类似的需求还存在于医疗行业的远程会诊等小场景中。

还有一些生态拓展，如芯片设计行业。在芯片设计过程中，可能需要将图纸和生产工艺放大10万倍。以前无法实现，但我们通过与AR厂商合作，结合图片识别和AI的训练，为先进制造行业提供更多赋能。这些行业中可能存在着肉眼难以判断或创新迭代速度较慢的问题，而通过AGI的发展，它们可能变得更具自主可控性，甚至超越欧美。

在物联网时代，一线企业的员工面对物联网设备时，简单操作可能还可行。但随着智能设备数量的增加，一旦现场出现问题，他们需要远程专家的诊断。因此，未来远程连接可能会在末端、终端需要协助的时候发挥作用。AI可能会取代80%的人工工作，并解决问题。因此，我们认为大模型可能构建一个生态系统，我们并不是能处理所有事情的，为了应对这种变化，我们需要不断加强我们的生态系统和护城河。

周元生：数据当下成为了第五“生产要素”，在企业的发展过程中扮演着不可或缺的作用，挖掘数据成为了众势所趋，在通往AGI时代过程中，在数据领域将会产生哪些新的变化？请Kyligence的李总分享一下您的看法。

李栋：确实让我深感共鸣。这也与我们最近发布的AI数智助理产品所做的相似。我们分享的思考实际上是因为我认为AGI的到来将带来一种变革。这种变革不仅仅是在现有维度上的可能性增加，它可能还会使我们的产品迈上一个新的层次。在数据领域的变化中，我们首先认为有三个级别。

第一个级别是直接的：我们通过AI改变了企业使用数据的方式。以往，企业内部的数据使用需要一个数据团队，包括数据分析师、数据工程师或数据科学家，进行数据加工、报表开发等工作，可能需要花费几天甚至几周才能得到数据结果。而现在，我们可以通过自然语言对话与整个大数据平台进行交流，迅速检索系统中的指标。比如在一个合作的银行企业中，可能有数十万个报表和数百万个指标。如果想要快速找到特定指标，例如某个季度、某个地区的营业额，除非非常熟悉该指标的定义和报表资产，否则很难找到。但对于不熟悉或是负责整个集团的人来说，他们需要查看很多指标，效率会很低。现在他们只需与AI对话，数智助理会帮助他们快速找到相关指标，提高数据分析效率。这种方式可以让企业中的每个人都能使用数据。

传统的BI或报表技术可能需要专业人员、甚至需要认证才能使用得好。但有了AI这样的低门槛数据使用方式后，任何人都能基于AI对话方式来使用数据，这是第一层级的变化。

第二个级别是提升企业经营和管理方式的变化。因为数据使用方式发生了变化，AI可以帮助企业的管理和运营人员。AI不会说谎，可以以冷静客观的态度向老板展示任何血淋淋的事实，而且可以24小时快速响应老板的需求。例如，很多企业会说他们所有的项目和任务都已经完成，但最终业务的KPI却没有达到。这往往是由于对指标有不同的解读或产生争论，但有了AI的存在，每个管理者可以更快地评估业务KPI背后的问题，并提供建议。AI可以从企业KPI的核心指标出发，评估企业内每一个指标的健康状况，并提出改进建议和进行归因分析。通过这种方式，释放管理者的潜力。

第三个级别我们认为是一个组织协作的变化。当每个人都能够利用AI获得一些洞察时，这些洞察可以相互分享。这种分享不仅仅是横向的，也可以将优秀销售人员的洞察分享给其他同事。这种分享可能不一定是由同事主动进行的，可能是通过领导来推动的，因为大家都希望复制更多顶级销售人员的成功案例。

此外，运营人员在通过AI分析得出一些具体的洞察和建议后，可以快速生成PPT向上级进行汇报。这样的内容可以在公司内部广泛传播，并可以与协作工具（如飞书）集成，实现自动化的工作流。举例来说，当AI自动分析出某个指标异常时，可以创建任务或提醒某个负责的同事采取行动，以此来释放组织的潜力。所以，我认为这种变化是个不断升级的过程。

总体来说，AI给数据领域带来了变化。首先是数据使用方面的变化，其次是企业运营和管理方面的变化。再往上则是整个组织协作和数据文化方面的变化。

周元生：我们知道，达观数据在NLP、RPA技术领域都深耕多年，在达观数据看来，大模型的到来为达观数据所在的赛道带来了哪些冲击与改变？请刘总分享一下您的感悟。

刘江贤：达观数据已经发布了大模型，这只是一个开始，接下来，我们将进一步发展技术积累和与客户的交互。对于产业的巨大变化，我首先想到的是，达观数据这个企业在企业经营、运营以及客户服务方面可能会有所提升。这是因为我们的大模型技术直接冲击了RPA、NLP、OCR和IDP等领域。如果接近这些技术领域，并优先使用大模型的功能，我们的竞争力就会急剧提升，因为客户对我们的需求非常大，对大模型的需求也很旺盛。

总的来说，我们的产品发展既基于自身企业技术积累的需求，也主要基于我们的客户及其紧迫感。市场上的产品应该满足客户的需求，而不仅仅是为了开发这些产品的技术而存在。实际上，所有产品的技术研发都是由客户提供的需求驱动的。

我有一个很大的体会是，现在是一个强调创新联合体的时代。我们要共同合作联合，因为这个时代很多客户所需要的问题不是单一企业能够解决的，每家企业只能在某个细分领域为客户提供服务。但是，如果我们把横向细分领域的客户需求与纵向技术积累结合起来，就能够与其他企业合作，共同完成数字化转型。

凯文·凯利之前写过一本书，大概叫做《镜像世界》。未来的数字化世界与现实世界是平行的，也可以称为元宇宙或数字化世界。现在所有的工作方式都必须重新以数字化的方式完成，尽管使用大模型只是其中的一个功能，但数字化世界已经与现实世界密不可分，成为整体。在这一转变过程中，没有一家企业能够独立地满足客户的各种需求，必须联合起来。我认为这是一个非常好的合作时代，从竞争时代转变为竞合时代。

现如今，我们已经从竞争时代进入了竞合时代，因为人类已经从进步时代走向了韧性时代。韧性时代的主要标志之一是不再单纯追求生产效率，而是强调社会和企业的共同进步。我们需要与社会和企业共同发展，实现同步推进。此外，我们注意到之前我们所接触和看到的主要是工业革命对蓝领工人工作环境的影响。

现在，随着人工智能尤其是文本人工智能技术的突破，我们相信白领工作也将迎来巨大的变革，办公室将面临重大的转变。我们认为，在未来十年内，计算机所能承担的工作将有大约60%可以由人工智能和AI替代。谁能率先掌握这项技术，谁就将赢得未来。当然，我们不必害怕那些关于机器人和人工智能会让我们失去工作的老话题，因为实际上我们工作的核心是对人工智能的理解和运用，而不会被人工智能本身所替代。

周元生：在近日，Kyligence 也推出了一项基于大语言模型服务和指标数据服务（Metrics & Data Services）之上的智能应用—Kyligence Copilot，李总您可否展开介绍一下其主要功能，能提供怎样的能力？主要应用的场景在哪里？

李栋：就像我之前介绍的那样，我们的产品支持各种场景，并提供多种价值。在这里，我想再着重介绍一下我们产品背后的一些功能。为了支持前面提到的三个价值点，我们产品具备以下核心能力。

首先，我们改变了数据的使用方式。我们通过创新的方法和技术，使数据的使用更加方便和高效。这使得用户能够更好地利用数据，并获得更深入的见解。

其次，我们致力于提升运营和管理的效率。通过我们的产品，用户可以更快速地分析和理解数据，从而帮助他们做出更明智的决策。我们提供了一系列工具和功能，用于优化业务流程，提高工作效率，并加速问题的解决。

第三，我们积极促进整个组织的协同合作。我们的产品通过提供实时数据共享、协作和沟通的平台，帮助不同团队之间更好地合作，并实现更高效的信息共享和知识传递。

为实现这些价值，产品中有以下三个核心能力。第一个功能是指标的搜索和洞察。为了让AI更加熟悉和了解底层数据，需要一方面理解数据的定义，另一方面理解数据的业务价值。因此，建立一个指标平台非常关键，可以帮助AI更好地理解数据。在这样的平台上快速搜索指标，并从中发现见解，是第一个重要的能力。

第二个功能进行KPI评估和建议。企业之所以关注数据指标，是为了通过这些指标来赋能和提升整体管理效率。从企业顶级的核心KPI，再逐级拆解为各个部门的KPI和个人的KPI，形成一个指标体系。对于管理者来说，了解哪些指标是健康的、哪些指标是不健康的是很重要的，而AI可以快速分析指标背后的原因，发现潜在问题，并及时提醒和建议。

第三个功能是工作流程和数据产品。我们认为，在企业中，如果想要分享和让更多人使用数据，那么数据必须转化为数据产品。通过数据产品，才能实现更好的组织协同。数据本身可能只是技术和信息，但一旦转化为看板、PPT或者手机APP等可供分析和使用的形式，就成为了一个数据产品。有了这样的产品，所有人都可以使用，而AI可以帮助快速构建这样的数据产品。我们已经在产品中具备了构建仪表板和指标看板的能力。此外，工作流程也非常重要，因为想要实现协同，数据和洞察只是工作开始的一部分。必须形成可行的计划或任务，让负责人处理问题并解决它们，以实现问题的闭环。因此，我们还可以集成工作流程，如创建任务或发送提醒消息，将整个工作流程串联起来，展现数据闭环的能力。

周元生：作为国产远程连接SaaS服务创领者，贝锐所看到的在远程SaaS连接领域中，大模型能带来怎样的能力赋能？在大模型功能下，相关的新产品可以给to B企业赋予哪些能力？可以请王总谈谈贝锐接下来的业务布局。

王磊：当然。在远程连接领域，我们的产品形态大致有五款产品。正如我刚才所说的，花生壳是我们最早的内网穿透产品，目前是内网穿透领域的领导者。向日葵是国内遥控产品的领导者。蒲公英是为企业构建网络的产品，也是京东工业路由器品类的领导者。正是因为我们在这些基础产品上积累了多年的经验，加上我们的用户规模和数据基础，我们的平台上拥有超过7000万个人用户和超过100万企业用户。每天远程控制的次数超过一亿次。正是有了这样的数据基础，我们才有信心从去年开始布局大模型，尽管当时还没有明确的大模型概念，但我们隐约感觉到了布局的需求，于是我们进行了三个布局。

第一个布局是将我们所有的智能硬件切换为我们自研的OS操作系统，也就是我们自己的MaaS系统。这个决策非常明智，因为要打造行业和领先的大模型，首先需要拥有自己的大模型系统。我们与通用产品不同，通用产品只需要做好线下推广即可。而我们作为 to B企业，要在我们的领域中取得优势，要快速占领创新制高点。

这个第一个布局为我们构建了良好的基础架构。第二个布局是将易维工单系统与向日葵产品进行组合，形成易维向日葵产品。这样，我们以前需要人工运维的一维工单系统中的需求，通过大模型分析发现有80%的问题可以通过大模型解决。例如，我们发现有80%的问题是远程开关机、重启或切换等低强度、高频的基础运维需求。未来，通过我们的操作系统、工作流程和远程控制等产品的结合，这些需求都可以由AI大脑自动实现。这样的布局使得这些低强度、高频的刚需运维和支持动作可以通过AI实现。

第三个布局是我们去年开始的一个创新产品，叫做洋葱头。洋葱头是一款面向未来的智能连接器，可以消除连接的壁垒。无论你使用什么操作系统、在什么场景下，洋葱头都可以覆盖所有远程连接的需求。我们将洋葱头定义为跨操作系统和跨平台的产品。通过洋葱头，我们能够消除很多连接的限制。无论你使用的操作系统是什么，或者你在什么样的场景下，我们的产品可以通过智能连接来满足你的需求。这个布局依赖于我们自研的操作系统和技术，使得我们能够更快地进行自主可控的迭代和提供更好的智能化体验。我们相信，通过这样的布局，随着AGI的出现，我们可以进一步深化贝锐在成熟场景中的智能化程度，提高与个人用户和企业用户的交互体验，并推动更多令人惊喜的智能场景的出现。我们对于这个布局持有很强的信心，这是因为我们拥有多年的产品和用户数据基础。

周元生：我们今天探讨了很多话题，但并不是每家企业都可以开发大模型或者进行相关项目。因此，我们想了解一下，Tob企业需要怎样的大模型能力？

李栋：我认为在大模型方面，对于to B企业来说，需要从应用和技术两个维度来考虑。在技术方面，大模型应该尽可能通用和广泛，但在应用方面，需要精细化和深入化。因此，我认为需要在一个有限的范围内快速实施大模型，让其能够落地并发挥作用。另外，除了大模型能力，还需要积累其他技术，包括行业经验。这是非常关键的，因为大模型只是技术中的一部分。要真正实施在to B企业中，特别是B端企业中，需要技术积累和行业经验的支持。举个例子，我们过去几年为银行、保险和证券等大型企业服务，发现除了功能性需求外，非功能性需求也非常重要，如稳定性、安全性和可靠性等。这些要求是需要经过多年的打磨和项目积累才能实现的。因此，我的建议是不要仅仅追求AI技术而忽视其他关键要素。在积累技术和行业经验方面都需要重视。

对于Kyligence而言，在过去几年为不同行业提供服务的经验中，我们发现行业认知能力、销售能力和服务能力等方面的积累都是非常关键的壁垒。除了AI技术之外，还有许多其他重要的因素。所以，我认为除了AI外的一些关键要素也是非常重要的。

刘江贤：我同意李总刚才提到的一点，作为一家软件产品交付企业，最终成果的交付非常重要。我们必须提供稳定、安全、可靠的交付结果。有时候交付无法按时完成是因为对方的验收不通过，甚至可能导致失去客户并返还已支付的费用，这意味着交付不成功。在这个时代，我们仍然需要苦练内功，就像李总所说的那样。作为码农，我们需要持续加强交付能力和工程能力，这也是达观数据所要求的。对于每个员工，尤其是交付团队的成员，我们对内部管理有着严格的要求。交付只是看似最后一环的业务，实际上从产品研发开始就需要有这种交付的理念。我认为这是软件开发企业的使命，将使命和企业实力扎实地落实在每一个细节上。

达观数据在这方面做得非常好，包括快速推出大模型产品和高效研发能力。它与科研单位的紧密合作和广泛交流密切相关。达观数据与许多企业和高校（如复旦大学、交通大学、上海财经大学等）建立了许多研究室和课题的交流。这种紧密结合和广泛交流的关系非常重要。在企业内部，学习的氛围和研究的氛围都非常浓厚。我曾经听到上海市总工会的领导对达观数据给予了肯定，特别是对员工的再培训和成长方面，我们还可以挖掘更多经验。

我也同意李总提到的大模型时代的到来，这是跟随趋势而来的。但并不是为了拥有大模型而追求，而是在积累到一定程度后，利用大模型作为一个底座，进一步提高自身能力。就像在高难度的跳水动作和滑雪跳板技巧中一样，当你掌握了这些困难动作和技巧后，你就可以将能力应用到你原本掌握的技能上，突破自己的内功。这样才能保持技巧和实力的前沿，才能获得客户的掌声和认可。

王磊：企业的基础设施或基建已经有了十年的创新。去年工信部的数据显示，我国智能制造装备行业市场规模已经超过3万亿。在数字化时代，大量智能设备已广泛应用于各行各业。举例来说，汉庭酒店从去年开始升级到了汉庭3.5版本，包括前台的自助设备和房间内的智能设备。

企业在新时代需要进行数字化的新基建。新基建意味着设备需要更智能化，需要更多的数据来进行智能分析和控制。我认为，设备本身需要植入智能连接的概念，这是下一个时代的新基建。像人和设备之间的关系，人们经常需要医院治疗，而现在大量智能设备的应用，例如PLC、公控机和各种设备，都需要维护。

在未来的十年中，企业需要向大量智能设备的过渡，减轻运维人员的工作量。这些设备分布广泛且无人值守，因此使用AGI（通用人工智能）可能是解决方案之一。大量设备将更多地实现无人值守，并在碳中和领域发挥作用。

企业数字化和新基建的发展通过数字化和智能连接消除了人与设备、人与人、设备与设备之间的时空概念，使人类更加触手可及，并通过AGI实现智能操控。

企业数字化在下一个十年需要智能连接作为新基建是十分重要的，这是一个巨大的机遇。