4月18日，由36氪主办的2025 AI Partner大会于上海模速空间盛大启幕。本次大会以“Super APP来了”为主题，聚焦AI应用对千行百业的颠覆性变革。大会分为“Super App来了”和“谁是下一个超级应用”两大篇章，覆盖“在AI世界中长大”“2025卷AI就卷超级应用”等七大话题，涵盖10+场主题演讲、3场圆桌对话与两大优秀AI案例企业名册发布环节，深度剖析AI技术如何重构商业逻辑、重塑产业格局，探索AI超级应用带来的无限可能。

2025年初，DeepSeek和Manus的爆火，拉开了AI市场的序幕。在模型能力有代际提升时，毫无疑问，今年AI应用会再次迎来爆发，而AI原生应用的概念、落地路径，也会经历一场刷新。

在AI Partner大会现场，包括趣丸科技联合创始人龙玲，微软首席产品设计师刘妍、硅基智能联合创始人兼高级副总裁陈莉萍、慧策解决方案首席专家高级副总裁李森，共同参与了名为《2025年，AI应用的超越之年》的圆桌讨论。

图源：36氪

以下为圆桌实录，经36氪整理编辑：

邓咏仪：大家好，欢迎来到今天的AI Partner大会，我是36氪主持人邓咏仪，非常高兴今天邀请到不同角色和不同行业的嘉宾来到这一场圆桌。

2025年，中国AI市场最惊喜的，一定有年初两个开门红，一个是DeepSeek，一个是Mamus，具身智能也有一些突破。

这些创新，都指向了AI应用会在今年有非常深刻的变化。无论是DeepSeek在模型上有突破，还是Munas这种爆款的现象级应用，其实都离大家的生活更近了，应用落地上也更深了，进展都是突破性的。这也是为什么今天想和各位嘉宾讨论“AI应用的超越之年”。

第一个问题，希望先请各位嘉宾简单介绍一下自己以及所在的公司，我们也设置了一个小环节，希望大家分享一个跟自己有关的AI时刻，可以说说过去一年，AI应用有什么比较值得提及的创新？或者被AI惊艳到的瞬间。

趣丸科技联合创始人龙玲 图源：36氪

龙玲：大家好，谢谢36氪的邀请，我是趣丸科技龙玲。我们公司是2014年成立的，深耕在移动互联网兴趣社交垂类赛道，运营一款产品叫TT语音。

伴随AI时代浪潮，我们也围绕AI语音做了一些技术突破和产品探索。前段时间，我们首款搭载自研模型“MaskGCT”的AI语音创作平台“趣丸千音”，也正式对外邀测。这个产品的定位是专注提供一站式智能语音解决方案，集成文本转语音、视频翻译、多语种合成等功能，致力于实现全球内容全球化。

近一年来AI发展速度太快了，让我触动比较深的，不是某项技术参数的突破，而是我感受到AI真的重构了一些传统行业的生产链。比如具体到短剧出海场景，某头部平台在使用了我们产品后，译制剧的生产周期从30天缩短至3天，效率提升了10倍，成本下降了90%，致使我们也成为行业内首个可以实现工业化量产的产品。这种用户给到的反馈，是我感到比较惊讶的。

刘妍：大家好我叫刘妍，我平时坐标在美国硅谷，昨天刚刚回来，很开心可以回家。感谢36氪的邀请。

我现在在美国硅谷，在微软担任首席产品设计师，主要负责的是Copilot，以及一系列其他AI智能应用产品。

Copilot应该大家都有听说过了，就先不多说。对我来说，今年很喜欢的一个应用是Notion AI，因为我自己是很喜欢记笔记的人，喜欢做知识管理，我觉得在知识协作和管理上，AI是给了很大助力。Notion有很多帮你一键整理的知识库、提示和帮你完成任务，这是我今年蛮惊讶、使用频率比较高的产品。

陈莉萍：大家好，我是硅基智能的陈莉萍，感谢36氪的邀请。硅基智能是AI技术研发以及AI应用创新的公司，成立8年了。

今年，AI给我最大的触动，就是DeepSeek R1发布的时刻，带来的冲击，相信在座各位也都感受到了，不亚于3年前ChatGPT发布的那一刻。大家对于人工智能都有了重新的认识。

在我看来，其实AI的进展有三点对我冲击比较大，第一是低成本、高效率AI模型的生产模式诞生了。

第二，我们看R1的时候，会发现以前文本大模型给你的答案，是看似正确的答案，其实DeepSeek把Why推理的过程展示出来了，也让我们看到未来AI推理的原生性，以及自我的思考能力的产生。

第三，为什么我们一直在讨论DeepSeek？其实它是一个开源打败闭源的过程，DeepSeek在发布的第一天，就成为了开源社区的星级评分的项目。在DeepSeek开源之后，硅基智能也把底座数字人大模型以及实时交互的系统全都开源了，一个月内在GitHub冲破了万级的stars。

现在我们发布的HeyGem数字人模型已经成为数字人领域DeepSeek，我们也希望通过这种底层大模型的开源让这个生态更加繁荣，未来的应用能够基于这些底层大模型和技术提供让大家继续往前发展。

陈莉萍：大家好，我是硅基智能的陈莉萍，感谢36氪的邀请。硅基智能是AI技术研发以及AI应用创新的公司，成立8年了。

今年，AI给我最大的触动，就是DeepSeek R1发布的时刻，带来的冲击，相信在座各位也都感受到了，不亚于3年前ChatGPT发布的那一刻。大家对于人工智能都有了重新的认识。

在我看来，其实AI的进展有三点对我冲击比较大，第一是低成本、高效率AI模型的生产模式诞生了。

第二，我们看R1的时候，会发现以前文本大模型给你的答案，是看似正确的答案，其实DeepSeek把Why推理的过程展示出来了，也让我们看到未来AI推理的原生性，以及自我的思考能力的产生。

第三，为什么我们一直在讨论DeepSeek？其实它是一个开源打败闭源的过程，DeepSeek在发布的第一天，就成为了开源社区的星级评分的项目。在DeepSeek开源之后，硅基智能也把底座数字人大模型以及实时交互的系统全都开源了，一个月内在GitHub冲破了万级的stars。

现在我们发布的HeyGem数字人模型已经成为数字人领域DeepSeek，我们也希望通过这种底层大模型的开源让这个生态更加繁荣，未来的应用能够基于这些底层大模型和技术提供让大家继续往前发展。

李森：很荣幸和大家一起同台讨论，我是来自慧策旺店通的李森，慧策旺店通是一家SaaS型的电商ERP服务商，每天在平台上所处理的电商订单超过一亿单。也就是说，国内大概1/3左右的电商订单，都通过我们平台做履约的。

我就讲一讲电商场景下，我们的客户怎么花式用大模型，来做一些我认为很秀的操作。

第一，分享一个做跨境电商的客户，是一些90后小伙子，做跨境电商思路和其他人不一样。美国和加拿大经常下雪，他用AI工具抓各地天气预报的数据做参考，像上次犹他州下大雪，瞬间把雪铲、雪具、手套的价格提高了30%，销量增了300%，他用AI工具赚到钱了，主打这个信息差。

第二，我们有很多国内做直播的客户，借鉴多模态大模型能力，通过分析直播间主播的画面、主播的语调以及弹幕里面消费者的情绪和下单量，来优化直播间话术，这都是我亲眼所看到的。

甚至还有一些做供应链的客户，对于AI的应用惊艳到什么程度？他说我能用摄像头拍仓库里面商品包装的褶皱程度，来判断这个货在仓库里面的周转率。现在有各种各样我们想不到的方式，通过大模型处理各行各业的业务，这是让我很开眼界，也很惊讶到我的。

邓咏仪：这些场景都是用DeepSeek，还是说有其他的模型一起在用？

李森：有之前的OCR（光学字符识别）模型，DeepSeek开源之后，也有一些基础性的电商公司就接入去做分析，还有一些基于MCP的模型，做类似Agent上下文的相对复杂任务，我们都有见过。

如何理解“AI+应用”和“AI原生”？

邓咏仪：今天主题是“AI应用的超越之年”，模型有代际更新的时候，我们也要以全新的目光看AI原生应用。所以第一个问题，是希望请各位嘉宾分享一下对这个概念的理解。原来我们讲的是“AI+应用”会比较多，但是到了大模型之后，其实大家会讲“AI原生”这个概念，各位嘉宾因为来自不同的行业，肯定有不一样的理解，想请大家从自己的角度出发聊聊。

李森：我简单说说我的体会，我觉得在去年来讲更多是AI+应用，像我单点有一个外挂。再举个例子，天冷穿了个马甲。原生应用，以我们电商ERP业务出发，从底层AI核心深入，如向量数据库、流式管道数据，从原生层面融入一些垂直领域的一些算法、策略和规则。相比起穿马甲这个事，像我锻炼身体，提高抵抗力和提高抗寒能力，这是本质的差异性。

陈莉萍：因为我们本身也做技术底层，所以对“AI原生应用”的理解，一方面，AI本身是没有办法长出应用的，一定是需要结合产业的，所有的AI+应用其实是在产业基础上发展出来的。

产业基础上会长出什么呢？就像刚才说的，“AI+”是一种方式，我们也认为，“AI+”的方式更像是一种AI的辅助，原来的底层系统架构在不变的情况下，做了一些应用逻辑的加强，通过AI辅助的方式，在一些应用层面做叠加，让大家使用更加便捷，效率提升，降本增效。

AI原生则是从底层架构，从产业需求端出发的，从底层架构层面就做了重构。可能需求是AI提炼的，在数据架构的层面，需求端抓取以及数据端分析，都用了AI的技术来重构底层。所以从设计开始就从AI出发，更面向未来。

人们的使用习惯是被培养出来的，因为之前没有AI，所以大部分人接受了很多能接触到的应用形态。有的时候，交互不方便，要输入100个文字才能得到我想要的答案。现在因为有了AI之后，可能几个简单的提示就能够得到答案，这都是AI给我们带来体验层面上的提升。

所以，未来AI原生是一个方向，更容易给我们更好的用户体验，大家也会越来越习惯这样的体验。

刚刚说到AI辅助，在AI原生基础上，未来会叠加出更多不同的用户和应用之间的交互方式，我认为这也是AI原生带来不一样的，在交互界面、商业模式上的颠覆方向。

邓咏仪：陈总的意思是，从产品定位到设计、具体应用环节，都会产生非常大的影响。

微软首席产品设计师刘妍 图源：36氪

刘妍：我先分享一点不太一样的观点，其实我感觉美国现在还是停留在工具这一块，其实没有到所谓“AI原生”的概念。

在产品这方面，我们自己国家比美国已经强很多了，各种应用场景、模态更丰富。国外现在还是把AI当作偏工具和协助来做的，即使是Copilot，算是比较走在前面的产品了，从它的名字Copilot（副驾驶）就可以看出，没有想成为真正代替人的角色。

在国外，一个特别大的区别，就是他们并没有期待AI能最后会取代人，或者完全由AI驱使的产品，大部分还是把它当作工具来看待的。

不过还是有一些新的方向，可能会更加场景化，我们叫context driven，预期自己在里面输入一些prompt，它可以根据你平时的一些工作习惯、场景化和工作流自动跟你推荐一些东西，这已经算是国外比较先进一点的做法。

真正能达到AI原生这个事情应该还需要一些时间。

现在很火的，大家经常讨论的是AI Agent，Agent可能达到未来近几年拿到这样的期待，真的成为你的助手，或者是帮助你协调更多事情。占主导性的这样一个角色，目前还是在比较早期的阶段。

邓咏仪：您提到中美两地AI原生概念关注重点不一样，是不是因为上一个互联网时代国内是以to C消费互联网为主，硅谷那边大家讲SaaS或者软件驱动会稍微多一点，还是说什么原因？

刘妍：我可以分享一下观察的最近中美明显的区别。在美国，Super APP这个事情不成立，美国做不出来Super APP，这跟大家使用习惯有关，他们希望更注重每件工具的专业性和简洁性。

比如说，工作流是Teams或者是Slack加Notion、Zoom，每个功能就那一个软件在做。中国会比较相反，我感觉大家更期待全链路的，一个产品就从头到尾全部做完，这是很大习惯上的区别。所以美国不会出现特别火爆的Super APP，因为这不是他们的行为习惯。

美国会更偏技术驱动，大家知道ChatGPT、Cloud各种各样的大模型层出不穷，谷歌的Gemini会更偏技术驱动，国内更偏场景和应用驱动，我为什么觉得中国的产品做得比美国好？因为我们场景更多元化，各个玩法想得会更有趣。

龙玲：因为我们做应用，也做模型。我个人理解，“AI+应用”是在旧地图上画新路，“AI原生应用”是在AI地图上重建世界。但总而言之，这都是暂时的一种分类标签，就像我们现在很少再说“互联网原生”一样。

随着 AI 成为市场上几乎每一种产品和服务的核心组成部分，这些分类标签可能会逐渐消失，所以我觉得不用太纠结差异，包括我们内部，也没有特别进行区别。

AI应用本质意义都是服务于用户，我们更应该关注应用背后的用户需求。因为比起是不是AI原生应用，他们首先关注的是这个产品好不好用，其次才是效果好不好、性价比高不高。

比如，在短剧出海这个场景里，站在技术的角度，目标是不断提升翻译的准确率、音色的多样性、配音的高情感等等。但实际上如果你从用户需求出发，这些都不是第一需求。

他们的第一需求是无痕的字幕擦除跟批量处理的能力。因为短剧内容在翻译配音前要先对原内容做清洗处理，而一部短剧平均有100-120集，所以还要能支持批量上传、存储、编辑等工作流的能力。

因此，围绕短剧出海这个特定场景，我们除了提供模型原子能力，还配合用户需求提供了一站式工作流的解决方案，从而让用户感受到你的应用可以提升效率的同时还非常好用。

所以做AI应用的公司，还是要尽量避免为了打造所谓的颠覆性“AI原生应用”，陷入“过度创新陷阱”，忽视了最根本的用户需求。

邓咏仪：我觉得几位嘉宾分享得都非常落地和实际，这也是跟去年特别不一样的点，今年大家已经有很多可以落地的场景具体的解释，具体落实到每个功能来讨论用户是否真正需要，给用户创造价值。

2025年，AI原生应用的发展重点

邓咏仪：刚好这也可以联系到下一个想要讨论的问题，从去年开始，AI原生应用是产业比较热烈讨论的问题，今年像DeepSeek、Munas爆款应用出现之后，对大家做应用这个事情会有比较深刻的影响。

也想请请各位嘉宾接下来讨论一下新的一年里面，大家认为怎么做AI原生应用，发展的重点应该会放在什么地方？

龙玲：我觉得主要围绕两个点：

第一点，技术能力。我对于我们技术团队的要求有两个维度：第一个维度要保持技术的领先性，确保在同领域里的第一梯队，保证效果不会太差；

第二个维度，是要有突破的能力。比如说，虽然AI语音现在可以生成拟人化带情感的效果，但在实时交互、长对话中情感连贯性仍存在问题，因为这里面涉及的语音技术路径是不一样的，所以还是要不断突破，才能满足接下来更多的应用场景。

第二点，商业化能力，这是AI应用发展中绕不开的。我觉得AI应用短期看技术水平，长期是要看商业化能力的。如何让产品更深入客户的经营链路，不断在解决真实的商业问题中强化自己价值，让自己活得更久我觉得更重要。

邓咏仪：非常现实的考虑，刘总怎么看？

刘妍：我特别同意，商业化这些都特别重要。

我从我自己的背景分享几个，我是做设计，做产品的，我觉得未来AI可能在人机交互模式上有很大的突破，人和机怎么样一起共生。

现在大家知道用prompt，用提示词，这在设计里面是很反常规的，因为你需要让用户知道他要问什么。但是，有很多时候他们自己都不知道问什么，或者他们也不清楚该怎么做。

所以，真正好的应用会用这种自然语言，更容易让用户知道，怎么样和机器协作，机器作为主导来提示用户，帮他生成他想要的问题，更加能读懂人的大脑，这类产品会获得更多的青睐。

怎么样结合生态系统里的各种产品，微软、谷歌、字节、钉钉这些公司的产品，其实有自己非常大的优势。因为有自己原生的生态系统，所有的产品都在里面，用生态系统的用户可以马上利用起来，这是产品天生的优势。

另外还有一个突破的点，就是研究怎么样结合生态系统，打通这样的链路和使用习惯，这也会给用户带来不太一样的体验。

第三，我们当时做过用户调研，问用户这个产品好不好用，其实很多负面的意见。我感觉目前大众在接受AI产品上的认知非常有限，很多人意识不到，AI到底能给我带来多大的好处，或者到底有它能有多好？

在认知层面，还有用户的期待上，现在很多时候就是用锤子找钉子。很多AI产品没有明确的痛点，有AI产品更好，没有也没有什么了不起的。

所以，怎么样创造AI的新体验方式很重要。像乔布斯设计苹果手机的时候，大家当时没有想过手机能这样。苹果手机出来的时候，有很多反对的声音，因为它颠覆了一代产品的发展模型，但是当创新的东西真正出现了，人们才发现：原来还能这样。

可能很多AI产品现在处在这样的阶段上，所以我们在产品和设计方面上需要更跳出思维框架，去思考一些更天马行空的想法，这可能是产品人比较需要的逻辑。

邓咏仪：想象力可能要再丰富一点，未来的原生AI应用形态才能出来。

刘妍：对，而且很容易被用户的负面评价困住，很多AI产品的用户骂声很多，大家不习惯、也不知道这个东西应该是怎么样，但是我们作为创始人或者是CEO还是要有坚定的态度，要相信自己做的是对的。

硅基智能联合创始人、高级副总裁陈莉萍 图源：36氪

陈莉萍：我从三个方面考虑这个问题。

第一，DeepSeek的产生，我认为就像人类过去几千年耕作农作物寻找食物，DeepSeek的出现，就好像人类找到了小麦一样，因为从AI的底层逻辑上来展现应用产生的价值，ROI是可以打正的，才能继续有增益。

有了DeepSeek后，我认为“小麦”的ROI更高了，未来基于小麦做叠加应用，小麦可以做成包子、面条、披萨，可以做不同行业的应用，行业的附加值更高。

直接卖小麦，也就是token免费或者是更加便宜；做附加值的应用，会让你的利润空间大大提升。不要因为小麦的竞争，或者是寻找的过程而做大量财力的投入，应该要放到寻找高毛利的食物上去。

第二，要考虑AI技术的适用性，不同技术针对不同应用场景。为什么前几年大模型和应用还不那么清晰的时候，大家也在说产业+AI？其实是颗粒度的问题。

我们发现，现在应用颗粒度，也就是AI可以结合应用的点更小了。这也证明，通用的AI产品其实做不了所有的事情，我们可以结合更小的应用找到最适用的点。

海外的逻辑和国内不一样，如果找到很小的专业领域做一个应用工具，在海外就可以很挣钱。所以，在某些领域的适用性里找到创新的点，也是非常好的方向。

第三，现在AI对于法律和伦理的突破，很多场景上面还是非常创新的，最终可能还会面临一些法律的风险以及伦理的探索。比如人类的失业问题、情感的伦理问题，这也是做AI应用领域里面需要去关注的。有些红线和底线不要去涉及，还有大量的蓝海和白海需要去开发。

邓咏仪：陈总讲到的点非常有启发，未来能够落地的这些点会更加细，或者说不那么通用，这对国内市场是好事。

上一个时代的SaaS行业，一开始大家比较倾向于做全家桶，或者是什么都有，这样的结果可能是什么都不太精，大模型智力水平提升之后，这个现象应该会改善不少，或者说大家也都能通过很小的功能点改进，加上大模型，就能找到商业闭环，这也是蛮好的一点。

李森：我就是做SaaS的，我从我的行业客户里面来看，今年特别是2025年，我们觉得今年叫应用爆发的元年。

去年，我们还在卷参数、卷模型形态，今年大家觉得参数已经没有任何意义了，在卷应用。

以及DeepSeek的出现，技术平权，在这种背景下，我们电商客户里边有500强企业，去年我们问他们考虑用AI吗？他们说为什么要用？用的不太成熟，或者用在什么场景？

今年，我们就已经在反问客户：你为什么不用？并且，我们已经在这样的情况下去做SaaS型产品了。

我的观点是这样的，第一，现在单点的AI智能，在我们有的客户面前，已经满足不了他的需求了。客户会说：我不想要一个价格预测助手，我不只是想要这个，还想要它由业务助手变成数字员工，或者我的决策模型需要由数据+AI辅助。也就是说，从人类确认，变成AI发现规则、重构规则以及人类做修正。逻辑已经变了，这是从整个功能逻辑上改变了。

第二，SaaS产品有一个最大的问题，标准化的产品没法满足企业个性化的业务场景以及业务需求。

之前我们做SaaS，通过叫自定义引擎配置一些业务参数，做高配置化的决策。未来，有了一些AI编程之后，很可能SaaS未来形态所谓的“千户千面”，每个客户让AI重构这一段业务流程，可能能够重构。

第三，未来的SaaS模式，可能会由License买3年、5年的授权，变成value share。也就是用户用这个AI功能，如果帮你赚了额外的钱，咱俩可以三七分或者五五分，这个可能是会火的几个点。

邓咏仪：您是指模型智力水平的提升，导致能够进入到的业务深度在变深，未来通用性也会变高，能够服务的个性化需求会变多。

AI应用的发展挑战与机遇

邓咏仪：下一个问题，刚刚几位嘉宾都有提到一点，今年虽然我们能够看到DeepSeek模型代际能力的提升，但落地的时候，还是有很多问题需要解决的。

AI应用今年落地的挑战还有哪些？大家可以从自己的业务场景出发聊聊具体场景。

龙玲：因为我们服务比较多的是影视漫的客户，这里我拿影视剧中的穿越剧来举例。单“穿越”这两个字，如果用DeepSeek这类的通用产品翻译出来的大概率是“时空旅行者”，但在越南语这种小语种的场景里，实际上他们自己有对穿越剧做专有词库，“穿越”在他们那里的专有词是叫“悬空”。这些专有词就是所谓特定场景的专有知识库的一种，可以很大程度解决跨文化翻译的问题。

所以对应回来，我认为在做垂类应用的时候，如何让客户能够提供给你这样的一个专有词库，让你在特定场景建立起Know-How，并形成私有数据的飞轮，是蛮有挑战的一件事情。因为你的专属数据越多，用户体验就会越好，不可替代性也会越强。

邓咏仪：所以这个词库场景，最后你们怎么解决的？

龙玲：有两个维度，第一是你的客户它毕竟是这个行业里的专家，能够提供给你他们积累的经验或者沉淀的一些数据。

第二是你自己能不能获取到专业的数据，像DeepSeek获取的是互联网上海量的数据，但互联网数据可能很快不够用了，我个人觉得专业类数据还有很多待挖掘的。这个点，我们的能力是可以很好地解决文化出海这个事情，毕竟翻译最大的问题是文化的翻译。

邓咏仪：刘总怎么看这个问题？

刘妍：简单说，就是找到真正的痛点，像我们刚才说，其实很多AI的应用都是“有更好，没有也没事”这种情况。

但还是有一点痛点的，我拿Copilot举例，Copilot是渗透在微软整个全家桶里面的，有很多办公软件的Word、Powerpoint、Excel。

但Copilot真正第一个大火的是在Github里面的应用，给码农们写代码。

因为我不是写代码的，所以我对这个痛点不是很了解。但是我后来去问了很多人，才发现这是真的很痛的痛点，有时候可能为了解决一个bug，写几百行的代码，他们是急需有这样的东西能够帮助他们生成代码，所以Copilot这么多产品中它是第一个大火的，因为这是一个非常明确的痛点，和很具体的应用场景。

至于其他办公软件，大家更觉得是有更好，没有也能用。大家用word这么多年了，觉得也还行。那个之后发现真的有很明确的东西瞬间抓住用户的眼球。

后来我们做微软办公软件Teams的时候，这么多场景中，有一两个是更火的。有一个叫recap，它会帮你总结会议、追踪，把所有下面完成的事情给你直接同步到Ticket、Track那些东西上，相当于是一站化帮助解决了各种项目管理上的问题。

这是在一个产品中，可能有某个细节或者某个功能，引起了不同的反馈。所以，我们可能需要更敏感地抓到这样的信号。

最后，要多尝试，我们开始做Copilot的时候，卷了几百个方案，有非常多的想法。在大厂，大家知道，真正上线是很慢的，不像创业公司能很快迭代，真的可能会卷到一个很完美的状态，才能发布或者上线。

如果没有几百个后面的方案，可能很难会找到比较好的平衡点，就是要不断去尝试，不断去试水，再迭代，这就是比较简单粗暴、快速的方法。

邓咏仪：陈总怎么看这个问题？

陈莉萍：我们从两个角度看这个问题。

第一，AI功能的拓展，或者是在推广过程中，刘总提到电商客户给你增加了价值功能之后，可以增加值那部分给你分润，不是收工具的钱。什么是好的AI或者AI应用呢？核心能帮你赚钱的AI才是好的。

在这个过程中，把握商业化，把AI转换成商业化的能力，其实是非常高端的能力。因为商业模式其实是有限的，不是都能转换的。但是把AI转换成替代什么样的要素，能提升产出的增加，其实这是非常核心的能力。

比如说，我们在做数字人直播的时候，有些数字人直播的品牌直播间，单场GMV可以超百万，这就是抓住了品牌IP+直播的要素，完成了直播间综合体现，完成这样一些价值和结果，这是对于价值的呈现。

第二，龙总也提到了私有制，我们今年有一个大的爆发领域，就是跟医疗结合。我们给很多三甲医院的医生，包括很多互联网平台医生，做数字分身。这个过程中，医疗大模型，包括华为等很多都在推。

在实际就医过程中，挂号的时候，病人挂了主任医师和主治医生，心理感觉是差别很大的。其实真正的差别来自于医生个体就诊的经验和病例的不同。

所以，私有制其实是未来急需要突破的点。但它是一个dirty work，为每一位医生建立数字分身都要建立数据的采集。因为你要做这些dirty work，是大厂很难覆盖去做的动作，也是应用的机会。

邓咏仪：要离用户私域数据更近，为他建立一个数字分身，所以你能够接触到他更多的信息，或者说他需求的数据也好，都更利于落地，也利于建立自己的壁垒。李总怎么看？

慧策解决方案首席专家高级副总裁李森 图源：36氪

李森：我想提一下数据这个事情，在电商领域数据三个特点，脏、乱、快，很多无效的数据或者会影响决策的数据，会导致后面训练的模型拟合度不够高。

第二，是小样本数据的问题，如果我是一个小型的电商客户，没有那么多数据，让我训练SKU和销量的关系，但是这个问题大客户不面对吗？大客户依然面对。

如果大客户想训练关于缺货的预测，大客户本身供应链做得还可以，很少缺货，负向数据少。其实小客户正向数据少，大客户负向数据少，这是面临数据的样本量都会面临问题。DeepSeek在小样本量的训练方面，还是有一定突破的，所以我觉得，未来可以部分考虑行业内的数据共享，可能有望能够解决这方面的困扰。

邓咏仪：谢谢李总。刚刚我们其实讨论了四个大的问题，几位嘉宾都有结合自己业务场景，讲述对今年AI原生应用发展重点和挑战的理解。

我觉得，今天大家讨论的点大概都可以总结成三个方面。

像现在模型能力提升之后，在做应用这件事情上，大家更需要抓住用户的痛点，以及这个痛点，可能是比较细的商业化场景上的难点，像龙总提到的字幕翻译的问题，是非常细微的文化差异，这是第一个点。

第二个点，几位嘉宾都有提到商业化的问题。在做应用的时候，像今年年初Munas的例子，大家都用不到，Manus也要邀请码，是因为它跑一个任务，都要百万级的token，直接放开用，商业化闭环没有建立，公司更没有办法运转。所以，要结合商业化闭环和模型运作的能力，是接下来做AI应用的重点。

几位嘉宾还同时提到数据的问题。真正走到客户业务场景，跟他们生产流程更加结合起来，这才能建立起自己业务的壁垒，避免在大模型更新的时候，吞噬掉整个公司的产品跟业务。

今天几位嘉宾都带来精彩的分享，也希望今年AI应用市场会带给我们更多的惊喜，感谢大家的参与和的聆听。