公司融资与资金用途 - 攀峰智能（K2 Lab）宣布完成数千万元人民币的种子轮融资，由云时资本独家投资 [1] - 本轮融资资金将主要用于产品和AI能力打造、用户增长以及AI Native团队的构建 [1] - 融资的核心目标是推进面向超级个体的内容电商Agent基础设施建设 [1] 产品与服务 - 公司首款产品旨在帮助内容达人完成选品推荐、脚本生成、多镜头视频制作以及智能剪辑等任务 [1] - 产品定位为服务于超级个体的内容电商Agent基建设施 [1] 公司背景与行业 - 攀峰智能（K2 Lab）由阿里巴巴集团旗下钉钉的前副总裁王铭创立 [1] - 公司业务聚焦于利用人工智能技术赋能内容电商领域，特别是服务于个体内容创作者 [1]

公司融资与资金用途 - 攀峰智能（K2 Lab）宣布完成数千万元人民币的种子轮融资，由云时资本独家投资 [1] - 本轮融资资金将主要用于产品和AI能力打造、用户增长以及AI Native团队的构建 [1] - 融资的核心目标是推进面向超级个体的内容电商Agent基础设施建设 [1] 产品与业务方向 - 公司首款产品旨在帮助内容达人完成选品推荐、脚本生成、多镜头视频制作以及智能剪辑等任务 [1] - 公司业务聚焦于为超级个体（内容创作者/达人）提供内容电商领域的AI智能体（Agent）基础设施 [1] 公司背景 - 攀峰智能（K2 Lab）由阿里巴巴集团旗下钉钉的前副总裁王铭创立 [1]

文章核心观点 2025年是全球AI行业格局重新站稳、路径分化的关键年份，竞争焦点正从模型能力本身转向系统能力、生态位置与长期演化能力[5] 行业整体从追逐参数规模和热点概念，转向更强调系统效率、真实场景与可持续的技术积累[6] 大模型正变得“更可用”，而不仅仅是“更聪明”[14] Agent已成为公认的下一阶段核心主赛道，正从概念走向真实业务，重塑软件构建范式[35][37] AI Native应用正在重新定义软件的构建方式，但ToB领域呈现“热度高、落地慢”的特征[63] AI技术在各行业的普及度大幅提升，尤其在金融、医疗、教育等领域实现了规模化落地并带来可量化的成效[74][75] 全球AI竞争格局 - **OpenAI**：维持通用大模型能力上限，在推理、代码、多模态等维度作为行业对标对象，拥有全球最高的C端用户量，短期内保持入口级地位[4] 但GPT-5的发布未带来预期中的代际震撼，后续发布相对平淡[4] - **Google**：在2025年打了一场漂亮的翻身仗，技术能力全面回归，Gemini 3、Nano Banana等赢得众多用户，并通过搜索、办公和云产品形成有效分发和良性联动[4] - **Anthropic**：成为最稳健的玩家之一，Claude系列模型在开发者中口碑持续上升，通过与AWS等云厂商深度合作，其API业务的规模和增速实现了对OpenAI的超越[5] - **国内厂商**：DeepSeek是2025年最具标志性的明星公司，其R1的发布及开源姿态极大地活跃了AI中下游创新生态[5] MiniMax、智谱等公司开始冲击港股上市，但暴露出行业普遍面临的投产比偏低、亏损压力大、商业化仍在探索的现实问题[5] 行业成功与失败的关键 - **能跑出来的公司类型**：第一类是高频刚需场景（如AI社交、短剧、音乐）的公司，其关键不是生成能力，而是持续使用价值[7] 第二类是成本结构被AI彻底改写的公司，AI将内容或服务的边际成本压缩1–2个数量级，直接改变行业定价逻辑，实现商业模型重构[7] - **明显落后的公司类型**：包括只做通用型AI助手但缺乏垂直数据和结果闭环的公司、只做模型不做产品的公司、靠融资续命缺乏付费能力的AI创业公司，以及反应迟缓流程未被Agent化的传统软件公司[9] - **决策层认知是关键**：在同一个行业中，自一号位开始认真拥抱AI的，明显已经在业务流中找到许多落地机会，决策人的认识是未来拉开差距的关键点[10] 中美AI竞赛态势 - **国内AI取得实质性进展**：在基础模型能力、多模态理解、推理效率与工程化落地层面均呈现明显跃升，以DeepSeek-R2、Qwen3系列等为代表，在模型规模、效率与成本之间探索出更具可行性的平衡方案，形成以成本控制、系统优化和应用适配为核心的差异化优势[11] - **差距分层看待**：在部分通用能力与工程执行层面，差距正在迅速缩小，某些特定场景已具备直接竞争力[11] 但在长期基础研究积累、原创智能范式探索及面向下一代智能的系统性布局上，整体仍存在差距[11] 西方在AI算法创新方面优势可能只剩“几个月”，而不是“几年”[11] - **中国AI开始全球影响**：中国AI模型正被真实引入全球生产环境，而不仅停留于试验阶段[12] OpenRouter与a16z报告显示，全球开源模型使用量的显著增长与DeepSeek V3、Kimi K2等国内开放模型的发布高度同步[12] 大模型技术演进趋势 - **从“更聪明”到“更可用”**：大模型在复杂指令理解、多步推理稳定性及跨模态任务一致性上有肉眼可见的进步，尤其是在不依赖极端Prompt情况下完成整个任务链[14] 技术路线从训练时把模型做大，转向运行时让模型用得更好，强化学习、测试时计算、显式推理结构被大规模引入[14] - **性价比系统性重写**：训练一个激活参数规模约10B的模型，其整体能力已经可以超过2024年激活参数在100B以上的模型，一年内实现接近10倍的性价比提升[15] - **Scaling路径分化**：更多数据、参数规模和计算依然是提升基础模型能力最有效的通用路径，但单位成本所换取的收益正在快速下降，经济回报曲线变得平缓[16] 当前瓶颈更多来自模型无法高效利用已有信息，下一步真正拉开差距的是能找到值得Scaling的点，如基于动态应用场景的记忆[16] - **工程能力成为重点**：大模型厂商的工作进入了拼工程化的时代，更依赖集团军作战和组织能力，而非少数超级明星[18] 有传言称Gemini 3的成功有很大一部分归功于修复了若干重大bug[18] - **强化学习(RL)作用关键但有限制**：强化学习在这一轮爆发中发挥了决定性作用，只要具备足够数据和高质量反馈，它几乎可以在任何任务上达到人类前0.1%甚至0.01%的水平[18] 但目前大多数强化学习训练仍停留在几千步量级，距离跑通稳定的RL scaling law还有相当距离[18] - **合成数据成为重要来源**：大规模合成数据替代人工数据正在发生，但并非完全取代[19] 高价值的合成数据是被严格约束、可验证、能放大信息增益的数据[19] 模型架构发展 - **Transformer依然是核心基础**：在可预见的未来，Transformer仍将是大模型的核心基础，多数所谓的新架构本质上是围绕其关键组件所做的工程化改良[20] - **MoE迅速普及**：通过MoE对FFN进行稀疏化，是提升规模效率的关键路径，DeepSeek在大规模实践中证明了MoE可以稳定地扩展到超大模型规模[21] MoE的普及是被成本与规模双重压力逼出来的工程选择，通过“只激活少量专家”的方式，在参数规模与实际算力开销之间找到平衡点[22] - **注意力机制高度活跃**：业界持续探索更高效的注意力结构，例如Gemini系列采用滑动窗口注意力与稠密注意力的混合架构；Qwen3-Next、Kimi Linear引入DeltaNet等线性注意力机制[22] 这些探索主要源于厂商对Agent化与深度思考场景的需求[22] Agent技术发展与影响 - **从“会对话”到“能干活”**：AI的角色从“回答问题”转向“完成事情”，使模型具备了感知外部环境、理解复杂需求并主动调用系统能力的可能性，这是一次软件构建范式的跃迁[36][37] - **协议与标准推动规模化**：以MCP为代表的模型上下文与工具调用协议在今年迎来应用爆发，基于统一协议降低了应用层构建成本[38] Google推出的Agent-to-Agent通信协议，标志着多智能体系统开始走向标准化协同[39] - **技术呈现“上下分化”**：应用层创新异常活跃，在编程、运维、客服等高频场景中已开始创造可量化的业务价值[40] 平台层与基础设施层的竞争正在加剧，对资源调度、安全隔离、成本控制与可观测性的要求迅速上升[40] - **沙箱Infra快速发展**：以E2B为代表的沙箱服务随着Manus的爆火迎来真正爆发[41] 谷歌开源了基于k8s的Agent-sandbox项目，阿里云也宣布开源OpenKruise Agents，云原生技术与Agent沙箱技术的结合将极大推动Agent应用的普及[41] - **商业模式向“结果导向”演进**：单纯售卖“Agent能力”本身正变得越来越困难[42] 企业不再仅仅为一个Agent平台付费，而是为“一个能完成具体工作的数字员工”买单[43] - **多Agent协作的现实挑战**：多个Agent之间无效沟通带来的Token消耗，正在成为企业真实的成本压力，促使业界从“人格化Agent”转向“系统化Agent”[43] - **产业分工清晰化**：大模型厂商在Agent的规划、推理与工具调用层具备优势；云厂商在基础设施、弹性调度、安全隔离与企业集成方面占据关键位置；创业公司则在垂直场景的定制化解决方案与成本优化上寻找空间[44] 具身智能发展现状与挑战 - **行业繁荣但非共识多**：截至2025年11月，中国已有超200家人形机器人本体厂商[48] 但行业对于本体形态、数据类型、模型架构仍存在大量争议，需要更多探索和迭代才能逐步收敛[49] 并未出现ChatGPT时刻或具身数据的ImageNet时刻[50] - **技术取得渐进式进步**：机器人在稳定性、可靠性上有显著提升，正从技术演示阶段朝着产品化方向推进[48] 机器人已经具备100%完成一些简单任务的能力，其他复杂任务的成功率也在稳步提升[49] 视觉语言导航(VLN)方向进展显著，涌现出大量基于视觉语言输入的导航模型，可以解决零样本泛化问题，不再需要预先建图，大幅降低部署成本[50] - **面临多重制约难题**：具身大模型普遍存在“感知不准确”与“决策不靠谱”的问题[51] 机器人硬件成本居高不下，核心部件价格高[51] 软硬件技术路径结合未完全收敛，模型架构和数据的飞轮迭代设计未做好整合[51] 场景化产品定义不清晰，产品完整生命周期的市场和运维体系未建立[52] - **世界模型成为新范式焦点**：世界模型被认为是实现高级推理和规划的关键，已显著提升机器人在动态环境中的任务执行连贯性和长期行为合理性[54] 世界模型是解决数据问题的一个共识，是VLN突破长程规划和动态适应瓶颈的充分非必要条件[54] 技术架构开始把VLA与RL结合起来使用[55] - **未来展望与商业模式**：到2026年，具身智能可能在多任务协同、长时自主运行、人机共融交互等方面实现显著突破[57] 首款大面积铺开的具身智能落地产品很可能在中国出现[60] 除整机销售外，租赁、按使用次数或完成任务量收费的RAAS模式，以及“整机销售 + 每年服务费”的组合模式正在逐步落地[60] AI Native开发范式 - **定义与特征**：AI Native指从设计之初就将AI作为其不可分割的基石和核心驱动力的应用程序、产品或系统[62] 其内部嵌有模型，交互方式更贴近“人与人沟通”的多通道、多模态体验[62] - **ToB领域“热度高、落地慢”**：企业级AI应用数量同比增长超过60%，但超过一半仍集中在编程辅助、内容生成、数据分析与内部效率工具等轻量级场景，真正成为“系统级核心能力”的AI应用仍属少数[63] - **面临工程挑战**：对AI能力高度依赖的行业客户，其系统模型、算力和数据高度耦合，模型版本更新可能直接影响业务逻辑，推理成本变化会反向制约产品形态，这些问题超出了传统软件工程的设计范式[65] 低代码平台上的AI应用开发者则面临企业治理逻辑与AI认知模式之间的结构性冲突[65] - **渐进式“AI化”成为务实路径**：越来越多团队选择不推翻原有系统，而是在其之上通过Agent、插件或工作流逐步“AI化”，使AI更像一个协作层、决策层或增强层[66][67] - **对核心业务系统改造偏慢**：AI对CRM、HR、财务与供应链等核心业务系统的改造仍然偏慢，因其核心逻辑高度稳定，用户迁移成本极高[68] - **资本投入趋于谨慎**：与2023年相比，2024年国内资本对ToB AI的投入明显趋于谨慎，更倾向于支持能快速体现效率收益的AI产品，而非周期更长的系统级重构[68][69] - **重塑研发流程**：在中大型技术团队中，超过70%的工程师已将AI作为日常开发工具，显著提高了开发效率，同时也改变了工程能力结构[69] 随着AI应用规模扩大，上下文压缩、信息筛选和记忆机制将成为AI Native架构的核心竞争力之一[70] AI行业应用落地 - **金融行业**：AI应用已经从工具变为“生产力伙伴”，参与到实际业务流程中，协助和独立承担任务拆解、流程执行[75] 如果以“是否已经尝试或者部署AI”为标准，在金融行业的比例已经非常接近、甚至在部分细分领域已经超过一半[75] 一些机构日均模型调用规模已达亿级token，成为事实上的基础设施[75] - **医疗行业**：AI在医疗领域的角色早已突破单一环节的辅助，正在形成多场景、全链条的格局[77] 传神语联推出的“传神素问”中医大模型，年度使用用户已突破千万，是中国第一个能够像专家一样主动问诊的中医大模型[77] 大模型在医疗领域的应用更广泛渗透到了药物研发环节，行业内会专门构建针对性的大模型[78] - **教育行业**：豆神教育正在独家AI教育大模型的基础上，打通AI教育不同场景间的壁垒，其企业级Agent覆盖了从内容生产、课堂授课到课后服务的全流程[79] - **未来突破方向**：平安将继续在医疗多模态、居家养老具身智能上持续探索，例如利用无线波感知技术监控老人行为轨迹，识别跌倒风险[80] AI+中医将以“场景化智能体”为核心形态，AI的角色将从零散的单点工具进化为适配中医诊疗逻辑的“场景化智能体”[80] AI+中医情志康养是下一步突破的重点，预计在明年1月发布相关推进计划[80]

公司融资与财务表现 - 公司MarsWave完成200万美元天使+轮融资，由天际资本领投，小米联合创始人王川跟投 [2] - 公司已实现年经常性收入超过300万美元，并达到月度盈亏平衡，成为少数已验证盈利模型的AI原生公司 [2] - 本轮融资资金将主要用于拓展北美市场与新一代多模态Agent研发 [2] 核心产品与商业模式 - 核心产品ListenHub可将复杂的专业知识、行业报告、内部文档等信息，一键自动转化为通俗易懂的“知识解说视频、播客、幻灯片” [2] - 产品服务范围覆盖个人创作者、专业内容创作机构和企业用户，提供高效的知识视频化解决方案 [2] - 产品价值在于“降低理解成本”和“提升沟通效率”，而非仅为“AI声音”付费，在金融、健康、知识付费、企业培训等高价值领域得到认可 [4] - 平台付费率达5%，订阅用户月度流失率在3%以下，印证了需求的真实性与持续性 [4] 产品定位与战略升级 - ListenHub品牌定位从“AI语音与播客工具”正式升级为“万物解说员”，标语为“解说万物，一键生成视频、播客、PPT” [6] - 公司近期任命了一位首席运营官，其在百度、快手、MiniMax等公司有深厚背景，曾主导三款AI产品实现数百万级用户增长，并在美国市场完成单周50万新用户的冷启动，实现MAU翻倍增长及近千万美金ARR [6] - 新任COO的加入将为公司的精细化运营、商业模式深化以及北美出海计划提供关键助力 [6] 市场拓展与增长策略 - 公司全球化战略首站聚焦北美市场，将启动“全球创作者计划”，计划复制其已验证的有机增长模型 [8] - 该有机增长模型依靠产品迭代驱动增长，以社区激励驱动口碑传播，实现在0投放的情况下达成300万美金ARR [8] - 北美市场对高效知识消化工具需求旺盛，付费习惯成熟，且“知识解说视频”形态与YouTube等平台泛知识类内容走红以及播客视频化趋势高度契合 [8]

文章核心观点 - AI大模型发展正从基础设施向上层应用演进，基座大模型将收敛，但垂域模型与应用将极大丰富，成为引发技术变革的关键[1] - 物理AI是重要关注窗口，正加速具身智能、自动驾驶等领域演进，但技术路线存在分歧，软性基础尚在夯实[1] - 2025年进入“Agent元年”，AI技术正从Copilot辅助模式向自主行动的Agent模式迈进，目标是全价值链的业务重构，但规模化落地仍面临挑战[6][7] - 部分行业凭借信息密集、数据结构化程度高、价值闭环快等特征，已率先借力AI完成价值闭环，进入数智化转型“深水区”[1][9][11][12] 物理AI的技术路线与分歧 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型[2] - Sora等模型标志着AI从“预测者”向“模拟者”进化，是从数据驱动到模型仿真驱动、物理对齐、通用模拟的范式转移[2] - 当前Sora仅是“视觉模拟器”，而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[2] - 世界模型路线分化为“生成派”与“表征派”：生成派通过海量感官数据归纳世界规律，适合做数据工厂或仿真训练；表征派通过构建内在结构推演世界状态，适合做决策大脑和实时推理[3] - 应用于具身智能的VLA模型将控制问题转化为序列建模，优势在于零样本泛化，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张构建环境内部模型进行虚拟试错，样本效率远超VLA[3] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[4] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变[5] - 云原生解决了互联网应用的弹性伸缩和敏捷开发需求，互联网流量以“南北向”为主，数据包小而离散，对时延抖动有一定容忍度[6] - 大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[6] - AI原生网络的核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[6] - 应用层面，云原生应用以K8S为底座，以微服务架构为代表；AI原生应用以“大模型+Agent”为底座，以Agent及Agent间通信为代表；两者将趋于融合成为云智一体原生应用[6] Agent元年的机遇与挑战 - 2025年被称为“Agent元年”，将推动千行百业更彻底转型，从效率提升转向业务重构[6][7] - Agent从实验室走向企业核心生产系统的“最后一公里”面临多重挑战[8] - 在高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[8] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[8] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致开发复杂度指数级增长[8] - Agent使用工具可能带来沙箱逃逸、资源耗尽和数据泄露等安全风险[8] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[8] 行业应用与价值闭环 - 能率先实现AI价值规模化复制的行业具备关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[9] - 数字化转型较好的行业更容易进行智能化转型[10] - 教育、医疗、软件开发、智能制造、城市治理等行业可能率先完成价值闭环[11] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”[11] - 城市治理依托海量多模态数据和公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[11] - 数智化转型进入“深水区”意味着AI从外围辅助系统进入核心生产系统，如网络运营、电网调度、城市应急指挥等[12] - “深水区”将面临“三多”：多模态数据、多厂家设备、多业务场景；“三新”：新技术、新架构、新安全威胁；“三跨”：跨领域知识融合、跨系统数据调用、跨组织流程协同[12] 技术路径：通用大模型与行业小模型的协同 - 驱动行业AI发展并非“通用基础大模型+行业精调”与“从零构建行业专属小模型”的二选一，而应采用“云边协同”的混合路径[12] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，解决了认知层面的通用性与专业性矛盾，能以低成本继承通用逻辑能力，解决知识密集型任务[12] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[12] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用的CNN或Transformer模型[13] - 对于极致时延和功耗场景，如矿山无人驾驶卡车或高速贴片机，推理时延需控制在毫秒级，算力受限于嵌入式芯片，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[13] - 面向对数据隐私和主权有极致要求的场景，如金融或核心基础设施，为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[13] - AI本身已在重塑软件工程，高效利用AI代码大模型试错，可在一定程度上加速试错和降低成本[13]

AI Native组织进化论 - AI将推动组织经历“人人都是程序员-人人都是管理者-人人都是CEO”三阶段演进 [2] - 第一阶段：至少20%的工作量可由AI稳定完成，员工需学会拆解任务并交由AI执行 [2] - 第二阶段：60%至70%的工作由AI完成，协作模式转向人与智能体（Agent）之间 [2] - 第三阶段：公司95%以上的工作量将由AI完成，专业服务平台化，催生更多一人公司 [2] AI时代人才标准变革 - 人才选拔标准从“能力上限高的人”转向“能力下限高的人”，以弥补AI能力下限低的不足 [4] - 美国部分创业公司已不再招聘能力下限低的应届生，转而选择有经验的“老法师” [4] - AI Native人才需具备三大关键能力：快速掌握新工具与新领域的学习力、辨别AI输出正确性的判断力、精准提出真问题的能力 [4] 企业AI落地实践与评估 - 短期可通过观测Token消耗量判断组织AI落地效果，长期可衡量各工种是否有20%工作由AI完成 [4] - 建议新经济企业立即落地三项实践：在所有岗位面试中加入AI能力题；让AI接手员工20%的任务；在组织内部发起AI黑客松 [4] - 例如，产品经理岗位需考察是否使用AI写过代码，否则视为不合格 [4] AI赋能个人与组织效率提升 - 鼓励员工将自身经验与知识“Agent化”，例如通过自然语言搭建工作流，实现高度自动化 [7] - 以广告投放为例，1名员工借助内部工具与AI即可高效完成成千上万条广告的创建与投放，实现“1个人干10个人的活” [7] - AI Native时代更看重人才的泛化能力（通用智能>单一技能），即能将已有经验迁移到新场景并持续创造价值的人 [7] 2025年招聘市场与AI人才趋势 - 2025年6月起招聘市场逐渐回暖，新经济行业整体新发岗位量超过去年同期 [8] - 2025年主动辞职人才比例相较2024年同期上涨5个百分点 [8] - AI人才招聘量爆发式增长，单月同比增幅最高超过11倍，AI岗位同时占据热招、紧缺和高薪榜 [8] - 在热招TOP10技术岗中，算法工程师与大模型算法分列第一、第二位 [8] - 核心算法人才紧缺，高性能计算工程师人才供需比仅为0.31，相当于每3个岗位争夺1名求职者 [8] - AI科学家平均月薪突破12.7万元 [8] AI在招聘领域的应用 - 超级HR应主动使用AI工具提升效率，例如AI招聘可实现3分钟极速筛选5000份简历，并进行7×24小时AI意向沟通 [10] - AI招聘能有效拓宽筛选范围，丰富人才储备，并通过深度解析履历实现人岗精准匹配 [10] 企业AI应用现状与管理建议 - 80%的企业对AI的应用仍停留在浅应用阶段 [11] - 管理者在落地AI过程中需打破认知，通过布置“不可能完成的任务”来倒逼团队主动拥抱AI [11] - 建议采用OKR而非KPI来管理AI应用过程，以鼓励探索并允许失败 [11] 获奖企业名单（部分） - “年度职得去雇主”包括京东集团、比亚迪、SHEIN、滴滴、腾讯、智谱华章等80多家企业 [13] - “应届生好评雇主”包括字节跳动、比亚迪、贝壳找房等企业 [13] - “最受欢迎外企”包括特斯拉、博世中国等企业 [13] - “AI招聘先锋雇主”包括小米集团、趣丸科技、钛动科技等企业 [13] - “AI领域卓越雇主”包括京东集团、美团等企业 [13] - “技术人才焦点雇主”包括SHEIN、携程集团、百度、淘天集团等企业 [13] - “最值得信赖人力资源企业”包括科锐国际、CGP集团、CGL Consulting等企业 [13]

AI时代组织与人才变革趋势 - 未来AI Native组织将经历“人人都是程序员-人人都是管理者-人人都是CEO”三个阶段的进化[2] - AI时代的人才标准正从选拔“能力上限高的人”转向选拔“能力下限高的人”[2] - 2025年求职招聘市场呈现“人心思动和AI革命”两大趋势 2025年6月开始招聘市场回暖 新经济行业整体新发岗位量超过去年同期 同时2025年主动辞职人才比例相较2024年同期上涨5个百分点[2] AI在工作中的应用阶段与影响 - 第一阶段：至少有20%的工作量可以稳定由AI完成 员工核心能力在于学会将工作任务拆解、交给AI执行并通过反馈优化结果[3] - 第二阶段：60%至70%的工作由AI完成 跨部门协作更多是人和Agent智能体之间的协作[3] - 第三阶段：公司95%以上的工作量将由AI完成 大量专业服务将平台化、云端化 企业不再需要维持完整人力团队 而是按需购买由人和AI共同完成的服务 进而产生更多一人公司[3] - 如今8成企业对AI的应用仍停留在浅应用阶段[3] AI Native组织的评估与人才能力要求 - 短期可通过观测Token消耗量来判断组织AI Native落地效果 长期则可衡量各个工种是否有20%的工作由AI完成[3] - AI Native人才应具备三个关键能力：快速掌握新工具与新领域的学习力、辨别AI输出对不对的判断力、精准提出真问题的能力[3] - 在落地AI过程中 管理者要打破以往认知 布置“不可能完成的任务”以倒逼团队主动拥抱AI[3] 企业利用AI提升组织效率的具体建议 - 在所有岗位的面试环节加一道AI能力题 例如 如果没有用AI写过代码就不是合格的产品经理[4] - 员工应在自己的工作中 用AI接手“20%”的任务[4] - 在组织内部发起AI黑客松 让员工感受AI从零开始解决具体任务 从而改变整个团队对AI的理解[4] 当前招聘市场的具体变化 - 部分北美创业公司已经不再招聘应届毕业生 而是选择有经验的能力下限高的“老法师”[2] - 互联网时代的业务经营指标、组织效率和健康指标是否适配AI Native的业务战略 是摆在所有HR面前的巨大挑战[2]

文章核心观点 - 豆包手机的核心价值在于以AI对设备交互逻辑进行底层重构，这为银行APP的AI Native转型提供了启示，即转型的核心是重构而非功能叠加，并需在安全合规前提下走务实路径 [1][21] - 银行APP的AI Native转型不应照搬消费电子行业的激进模式，而需立足金融行业重安全、重合规、重存量用户的特性，探索专属路径 [1][3][25] - 转型的最终目标是回归“以用户为中心”，通过AI重构服务逻辑、优化人机协同、释放业务价值，实现体验、效率与价值的全面提升 [19][42] AI Native的核心逻辑与行业认知纠偏 - AI Native的核心是流程与交互的重构，从“用户适配系统”转向“系统适配用户”，而非在旧框架上做功能叠加 [2][3][24][25] - 豆包手机通过GUI Agent技术实现AI对设备操作的深度介入，无需依赖APP开放接口即可跨平台完成任务，体现了“AI适配人、主动解需求”的特质 [3][25] - 传统银行APP的智能转型多处于“功能叠加式AI”阶段，如嵌入智能客服、语音转账等，AI仅承担辅助角色，未优化核心服务效率与体验 [3][25] - 银行APP转型需明确三大核心认知：AI Native是流程重构而非功能叠加、是人机协同而非无人工干预、是存量升级而非拆旧建新 [5][7][27][29][30] - 马来西亚Ryt Bank以自研大模型ILMU为核心，用多智能体AI系统替代传统核心系统，将多步骤流程简化为“需求提交—AI处理—确认执行”的极简链路 [5][27] - 在敏感操作中必须保留人工确认机制，例如Ryt Bank将核心交易场景的AI幻觉率控制在0.5%以下，并设置“human in the loop”机制 [7][29] - 转型应借鉴豆包手机思路，将AI能力深度嵌入现有系统，走“存量系统升级+增量场景创新”的混合路线，以降低成本和风险 [7][8][30] 银行APP落地AI Native的务实路径 - 落地路径可分为三步：“搭基座、优交互、拓场景”，需兼顾安全性、可行性与性价比 [10][11][32][33] - **第一步：搭建适配性AI基座**。头部银行可采用“自研+开源微调”模式打造专属金融大模型；中小银行可引入成熟第三方服务。基座需满足安全合规、模块化设计、适配存量系统三大核心要求 [11][33] - **第二步：重构核心交互逻辑**。将传统“菜单式交互”升级为AI原生“对话式交互”，可参考Ryt Bank的“护栏—意图—行动—确认”四步流程搭建多智能体交互体系，无需改动核心业务系统 [12][34] - **第三步：聚焦高价值场景**。首先深耕金融核心场景（如智能客服、信贷、催收），其次对接外部生态场景（如出行、缴费），最后探索创新场景（如服务特殊群体、内部合规审核）。拓展需遵循“低风险、高价值、先试点再推广”原则 [13][14][35] 转型成功的关键保障 - **严守安全合规底线**：需保障用户数据本地化存储、确保AI决策可追溯、设置全流程多层风险防控机制 [15][38] - **平衡成本与效果**：头部银行可加大自研投入打造长期竞争力；中小银行应聚焦核心场景采购成熟方案，关注可量化的ROI指标（如提升客服效率、降低风控损失），避免盲目投入和重复建设 [16][39] - **适配用户习惯**：采用“渐进式推广”策略，保留传统菜单入口并同步上线AI功能，提供简易引导并持续优化AI识别精度，以避免体验断层导致用户流失，尤其是中老年用户 [17][40]

文章核心观点 - 文章报道了“What's Next 2026”年度大会的核心内容，探讨了未来技术融合趋势、未来人才与组织形态的变革以及风险投资新范式的构建，旨在勾勒未来产业创新生态的发展方向 [1][3][9] 技术与产业的爆发机遇 - 下一个“革新爆点”的本质将是“多技术融合”，特别是人工智能与跨学科、跨领域的融合 [3] - 大会公布了十大未来产业，包括人工智能与计算、生物医药与健康、能源与环境、机器人与自动化、量子科技、交叉与融合领域、信息与通信技术、新材料与先进制造、航空航天与太空探索以及区块链与分布式技术 [3] - 战略科学家预测未来三大革新爆点：生物与数学的终极融合（如类器官智能和生化混合智能）、能源奇点（如可控核聚变或第四代核聚变实现“无限且清洁”能源）、科学发现的自动化（AI成为独立科学家，控制实验室机器人进行验证和自我迭代） [3] - AI产业竞争将进入垂直整合的全栈时代 [4] - 光计算被认为是大模型推理，尤其是低延迟推理方向未来有前景的场景，并可能是新计算范式中最快实现商业化落地的技术路线 [4] - 聚变能源潜力巨大，1000克的氘氚释放能量约等于8吨石油，其实现将推动人类文明从行星文明迈向恒星乃至星系文明，并可能使月球成为聚变燃料的“金矿”和太空探索前沿基地 [4] - 聚变能源可支撑如“火星地下城”等人类太空移民设想 [5] 未来人才画像与颠覆式创新范式 - 未来人才以90后、00后AI原生代为主力，具备复合型、系统型、跨界型特征，敢于挑战既定规则 [7] - 未来人才主要聚焦三类群体：巴斯德式科学家（集中在计算机科学、医学、化学和生物学等领域）、垂直整合者（基于核心技术基础设施进行整合）、创业构建者（深度参与创业项目战略、团队和资本） [7] - 未来组织范式可能是“硅基组织”，人类成为AI编排者，可能出现“一人独角兽”公司，AI成为组织大脑，人类角色转变为“董事会” [7] 风险投资新范式 - 风险投资正从“人脉本位”向“AI驱动的生态本位”范式迁移，可能出现AI Native的新一代投资人和机构，例如“一人VC机构” [9] - 当前创业浪潮中，科学家成为核心力量，各类专业博士成为创业主力军，与互联网时代以商业模式创新和草根创业者为主的特征形成对比 [9] - 目前股权市场70%的资金投向科学家以及科技型创业者 [9] - 大国竞争的核心是科技竞争，而科技竞争主要是科学家、企业家和投资人的竞争 [9] - 投资人应敢于布局更前瞻的产业，投资AI Native的年轻创业者，实现AI Native的工作流，共同打造AI投资生态 [9] - 投资机构希望穿透短期热点，将资金精准匹配到“技术拐点”与“产业接口”领域，并构建创新生态以识别和赋能“产业翻译官”与“实干型梦想家” [10]

核心观点 - Gamma公司通过AI Native方式重构PPT，采用“内容优先、设计在后”的理念，在竞争激烈的演示工具赛道中成功突围，成为估值21亿美元的新独角兽[5][6][8] - 公司以极精简的团队（最初不到10人）和仅2300万美元的初始融资，实现了连续两年盈利，并达到年营收突破1亿美元、用户数7000万的规模[5][16][40] 产品战略与定位 - 目标不是做另一个PPT，而是重构PPT，彻底跳出16:9画幅限制，让用户从文字和叙事出发构思幻灯片[6][8] - 采用“内容优先、设计在后”的内容创作方式，解决用户90%时间花在调格式、只有10%时间思考内容的痛点[8] - 产品定位为“Notion和Canva生的孩子”，用户只需像在Notion里打字，系统会自动像Canva一样美化内容[18] - 提出“卡片”概念作为核心基础模块，支持移动端适配、嵌入交互元素和多媒体[15] AI技术应用与产品化 - AI技术彻底改变了新用户引导流程，将用户激活率从95%的流失率转变为大规模采用[14][17] - 使用超过20个不同的AI模型驱动产品不同部分，协调文本、图像等模型打包成易用体验[25] - 通过大量A/B测试优化AI效果，已进行数百次实验，分析用户对生成结果的修改程度、分享行为及转化率[21][24] - 引入AI解决“空白页面问题”，将用户任务从创作转变为编辑，大大降低使用门槛[17] 增长策略与市场表现 - 从创业第一天就将“增长”刻入公司DNA，坚持让创作极其简单、分享极其简单的双信条驱动飞轮效应[28][29] - 口碑传播是最大增长动力，超过50%新用户来自口碑营销，红人营销每投入1美金能获得1.5个自然用户[29][36] - LinkedIn平台转化率惊人，比其他平台高4到5倍，成为最有效的营销渠道[37] - 在达到千万级ARR后进行了品牌重塑，为规模化营销奠定基础，现在每周测试数千个创意素材[33] 团队建设与运营效率 - 坚持“极其缓慢地招聘”原则，最初核心团队七八人均来自Optimizely，具备端到端交付能力[38] - 团队规模翻倍不代表速度翻倍，强调灵活调整能力比单纯扩张更重要[39] - 公司已实现现金流为正，银行现金比所有融资总额还多，累计净消耗为负[40] - 早期团队四分之一为设计师，强大产品设计团队是创造新交互体验的关键[41] 商业模式演进 - API业务扩大了品牌范畴，使公司能服务商业和开发者用户，实现与CRM、内部知识库等系统打通[26][27] - 从侧重PLG转向搭建销售团队，以抓住B2B市场机会，认为销售团队对开拓足够大市场必不可少[43][44][45] - 采用“用利润驱动增长”而非“靠大量融资”的模式，强调合理管理资金打造长久公司[40][46]