AI在工业场景的应用模式 - AI在工业场景的落地不是分行业的，而是分场景的，AI并非取代软件本身的功能，而是在重新定义人机关系，过去由人操作软件完成的任务未来将由AI自动完成，软件仍然是核心载体，只是交互和执行方式正在发生转变 [1] - AI的应用逻辑不是"按行业"而是"按场景"，不同行业可能涉及缺陷检测、任务排程等共性生产场景，AI具备跨场景泛化能力，从场景角度切入比行业划分更能体现AI价值 [2] - 传统计算机时代的排程系统需要针对每个行业的复杂规则进行定制，成本高、通用性差，而AI可以用同一个"智能体"解决多个行业的共性问题 [2] 工业AI的技术挑战与解决方案 - Transformer模型的幻觉问题与工业的精准性和确定性存在冲突，不能单纯依赖底层模型自身的改进，而应在产品和工程创新层面杜绝幻觉，应用层设计需要更可靠的控制策略与反馈机制 [1] - 公司设计了一套中间层架构，该架构可审计、可确定且非常灵活，避免了完全依赖人工配置逻辑的刚性问题，显著降低了复杂工厂环境中的部署与维护成本 [2] - 简单在原有软件或数据系统上叠加Agent模块没有价值，只是取代软件部分功能，属于局部增强，AI核心价值在于替代传统由人操作软件的模式，实现数据流、决策流的自动化和自适应 [3] 工业AI的发展趋势 - 公司从23年底开始使用包括华为等平台的AI大模型能力，取代原来一些海外大语言模型，这一趋势在过去三个月迅速发生并不断加速 [3] - 在大语言模型前的年代，公司通过与华为云等厂商合作云计算，利用这些企业的算力构建软件，使软件代码能被数万家用户使用并定制各自产品 [3] - AI与软件需要深度融合，通过智能体的引入改变人机协作模式，软件仍是底层载体，关键在于实现自动化和自适应 [3]

AI Agent行业现状与用户视角 - AI Agent定义需满足三大条件：工具调用能力、自主决策能力、多轮迭代的动态决策过程 [3] - 从合作视角看，Agent应作为端到端承接整条流程的系统，在关键节点主动介入并提供决策建议 [5] - 用户常用Agent分为三类：教练型（调研与深度思考辅助）、秘书型（非沉浸式任务处理）、搭档型（高频交互的专业工作协同） [9][10] - 音频处理类Agent如CreateWise已实现音轨自动剪辑、文案生成和跨平台内容适配等全流程功能 [12] - 通用型Agent产品如Manus和Genspark在旅游规划等场景展现差异化功能，但用户体验存在明显差异 [15][16] 技术挑战与产品设计 - 当前AI模型存在指令遵循不足（如强制添加"未完待续"）、为AI而AI的设计倾向、缺乏人类世界暗信息三大痛点 [18][20][21] - 音频处理领域面临中文识别能力不足、多人播客多轨对齐困难、过度优化信息密度导致人情味缺失等问题 [23][25] - 产品设计需平衡行业经验积累（如网站设计需理解行业运营模式）与用户品位把握（如对"土"的差异化定义） [46][47] - 技术攻坚方向包括自我纠正学习、多Agent协作架构（需AI CEO统筹）、企业级安全治理层开发等 [41][42][45] - 预期管理是关键挑战，需通过垂直场景数据积累使AI从"清华实习生"进阶为成熟工作者 [32][33] 商业模式与竞争策略 - 新兴公司通过AI生成的高质量新数据（如医疗语音转结构化记录）可打破传统SaaS数据壁垒 [53] - 护城河构建路径包括：用户纠正数据形成的"默契"（如PPT主色系偏好）、端到端价值链延伸（从建站到帮助盈利）、工程化调优能力等 [56][57][62] - 垂直领域Agent可通过处理行业脏活累活（如工作流打通、私有数据处理）避免与大模型公司直接竞争 [67] - 盈利逻辑应以结果为导向（对比传统外包成本），企业市场需重视ROI验证与工作流程重构 [49][69] - 中立第三方平台在企业级市场具备优势，可解决客户对单一供应商锁定的顾虑 [65] 行业发展趋势 - 交互模式将从"流程搭建+分步审核"向"价值观对齐+放手执行"演变，需建立新型信任机制 [71][72] - "AI原生"设计（如密集代码文档）将成为竞争优势，类比无障碍设施对城市规划的影响 [75][76] - 人类独特价值体现在增量信息创造（未结构化数据）、真实体验传递、观点碰撞激发等维度 [80] - 管理能力将成为核心竞争力，需从"工具使用"思维转变为"团队领导"思维 [81] - 未来可能面临AI社会结构问题（如Agent间冲突解决机制）和人机混合管理体系等挑战 [86][88]

OpenAI模型行为与政策负责人Joanne Jang：人类很快会进入「AI意识」，当前最重要是控制人机关系 的影响。（AI寒武纪） ...