硅谷101

E223｜应用爆发之年：聊聊模型技术进化与商业化

2026/1/301:06:42

Editorial Note

<img src="https://imagev2.xmcdn.com/storages/a723-audiofreehighqps/B7/79/GAqhfD0NByqOAAHpNQRBU__s.jpg" alt=""> 2025年被称作“AI应用元年”，大模型不再只是实验室里的技术玩具，而是真正走向生产线、走进企业流程、走入消费者日常。它已经冲进各行各业，开始“搞钱”！ 这一期对话揭示了一个清晰的时代信号：大模型正在从“技术狂热”走向“商业务实”。无论是阿里通过千问大模型推动全行业渗透，还是影石和语忆科技在一线将AI融入智能硬件、企业数据分析等真实业务流程，都表明：AI的价值不在于它多“智能”，而在于它多“有用”。 当前阶段，成本下降、工具成熟、企业认知提升，或许未来竞争不在于谁有最大的模型，而在于谁最能理解企业场景、最能封装业务价值、最能持续迭代。 如果你在思考： ● AI如何在我所在的行业落地？ ● 投入AI到底划不划算？ ● 未来哪些AI能力会成为标配？ 这一期节目或许能给你带来不少启发。本期播客我们邀请到阿里千问大模型商业化总经理徐栋，以及两家在AI落地一线的企业代表——影石Insta360 研究院总监亓鲁教授和语忆科技联合创始人&CEO吕瀛杰，共同拆解大模型在商业前线“开荒”的逻辑、成本和隐藏关卡。 【主播】 泓君，《硅谷101》创始人，播客主理人 【嘉宾】 徐栋，阿里云千问大模型业务总经理 亓鲁教授，Insta360研究院总监 吕瀛杰，语忆科技联合创始人&CEO 【你将听到】 模型的技术进步与商业化 03:23 视频生成进入“可控生产”时代 06:57 AI漫剧、短剧是怎么挣钱的 10:12 2025年语言模型的进步 16:27 AI+智能硬件，你可以通过智能眼镜买咖啡了 19:18 大模型商业化两个方向：生产力、用户体验 22:13 端云结合，七成通用任务本地处理 23:51 B端用户关注点迁移：从模型效果转向性能和成本 26:45 推理成本指数级下降背后的驱动因素 29:31 什么做“开源”大模型？开源与闭源模型如何平衡？ 33:33 评价指标的演进：从Token到商业价值 35:40 基础大模型研发进入精耕细作阶段，聚焦Agent实用能力 影石Insta360如何用AI 38:54 AI剪辑：从“拼接”到“理解” 40:49 AI面临的挑战：理解用户模糊的意图 43:02 如何从全景相机中找出素材处理 不止是降本，更是增效 48:57 AI能在咨询行业做哪些事 54:16 选择基模看重哪些能力 56:05 用AI辅助企业发现营销机会 01:00:24 作为“中间层”的竞争力 01:03:34 ToB观察：AI让企业更接受为SaaS付费了 【监制】 泓君 【后期】 AMEI 【运营】 朱婕 【BGM】 All Parts Equal - Airae Poisson d'Avril - Ludvig Moulin 【在这里找到我们】 公众号：硅谷101 收听渠道：Apple Podcast｜Spotify｜小宇宙｜喜马拉雅｜蜻蜓FM｜荔枝FM｜网易云音乐｜QQ音乐 其他平台：YouTube｜Bilibili 搜索「硅谷101播客」 联系我们：<a href="mailto:podcast@sv101.net" rel="nofollow">podcast@sv101.net</a>Special Guests: 亓鲁教授, 吕瀛杰, and 徐栋.

Voices

泓君《硅谷101》创始人，播客主理人，本期节目主持人。
徐栋阿里云千问大模型业务总经理，负责推动大模型在全行业的渗透与商业化落地。
亓鲁影石Insta360研究院总监、教授，专家领域为AI智能硬件、全景相机及视频处理技术。
吕瀛杰语忆科技联合创始人兼CEO，专注于将AI大模型应用于企业数据分析、咨询行业及SaaS服务。

Keywords

千问QwenInsta360影石语忆科技AgentTokenSaaS亓鲁泓君

Chapter 01Read Full

从“特效玩具”到“数字影棚”：2025 视频生成与大模型的“可控”革命

视频生成进入“可控生产”时代<ul><li>AI 模型正从单一语言处理演进为语言、视觉、音频三位一体的矩阵。</li><li>视频生成已跨越特效阶段，进入规模化生产：5人团队日产6000条视频成为可能。</li><li>“可控性”是当前技术的核心突破，支持人物、物体与背景的高度一致性。</li></ul>

AI 漫剧与广告：商业化落地的“第一桶金”<ul><li>国内短剧市场规模已超电影，AI 漫剧成为结合最紧密的应用场景。</li><li>AI 广告生成单条成本已降至 25-50 元，形成良性商业闭环。</li><li>广告主与电商卖家通过批量生成素材，极大提升了投放转化率。</li></ul>

2025 模型进化：更聪明、更快速、更精准<ul><li>2025 年关键词：稀疏结构 (MoE)、高推理能力、指令遵循。</li><li>响应速度 (TPS) 将从 30-50 提升至 100 以上。</li><li>AI 开始表现出“逻辑偏好”，能够执行包含跨软件操作的复杂指令。</li></ul>

Phase 1: Model Matrix

三位一体的基础架构

Qwen (语言)逻辑中枢
Wanx (视觉)像素重构
Audio (音频)拟真交互

Phase 2: Efficiency

2025 效率爆发

2024 (TPS 30)

2025 (TPS 100+)

稀疏模型结构将使响应速度提升 3 倍以上，成本大幅下降。

Phase 3: Business

商业化甜点位

AI 短剧

成本可控，漫剧已成主流

AI 广告

5人团队/日产6000条视频

生产效率对比：传统 vs AI

维度	传统管线	AI 赋能管线
人力成本	大型摄制组/后期组	约 5 人小团队
产出效率	日产 1-5 条精品视频	日产约 6000 条视频
可控性	拍摄决定一切	人物/物体/声音可复刻

“可控性的提高，意味着 AI 不再是随机出图，而是成为了专业级的数字影棚。”

“2025 年，AI 将从‘部分参与’转向‘全流程生产’，这不仅是速度的提升，更是确定性的胜利。”

Chapter 02Read Full

硬件觉醒：当大模型长出“眼睛、耳朵与手脚”

物理世界的‘交互闭环’：智能眼镜能买咖啡了？AI 硬件正在经历从简单的语音识别（ASR）到深层语义理解的跨越。通过视觉与文本模型的结合，智能硬件已能实现从‘看到需求’到‘完成支付’的完整闭环。

商业化的十字路口：提升生产力 vs 优化用户体验大模型的商业化分为两个核心维度：企业侧通过流程再造提升‘生产力’；消费侧通过硬件交互重塑‘用户体验’。其中，端侧模型（计算在本地）的崛起成为关键转折点。

01 / Hardware Evolution

感官增强：从“识别”到“理解”

智能眼镜不再只是摄录，而是具备了视觉模型与文本模型的双重感知，能够像人类一样“看懂”菜单并直接闭环支付。

02 / Business Logic

双轮驱动：生产力与体验

• B端：重塑业务流程，结果导向。
• C端：重塑交互方式，入口导向。

03 / Tech Ratio

端云结合：7:3 黄金分割

端侧 (70%)

云端 (30%)

未来七成通用任务（语音、基础视觉）将在本地完成，保障隐私与响应速度。

AI 眼镜订咖啡：全链路闭环示意

视觉捕捉：拍到同事的咖啡或路边菜单

逻辑推理：基于你的口味偏好和历史记录进行推荐

动作执行：调用 API 完成下单与免密支付

Chapter 03Read Full

从“智商竞争”到“算账比赛”：大模型商业化的下半场

商业化的真谛：客户不再为“花架子”买单企业级用户对AI的需求已进入‘严肃生产’阶段，关注点全面转向TPS（并发处理能力）、海量输入下的响应速度以及极端的成本控制。

Focus Shift / 视角转移

从“效果”到“性能”

过去追求模型能写诗，现在要求模型必须快、稳、便宜。就像从实验室原型车变成量产家用轿车。

Cost Reduction / 降本秘籍

模型稀疏化 (MoE)
软硬一体化 (芯片+云)
精细调度 (闲时利用)

Ecosystem / 生态蓝图

开源即护城河

让全球最聪明的大脑（开发者、学生）在千问的生态里成长，是比赚钱更重要的事。

模型选择的第一性原理：匹配胜过强大

意图识别/数据抽取选 0.5B - 7B 小模型

性价比极高，响应速度极快

复杂逻辑推理/创作选 72B+ 大模型

COST COMPONENT ANALYSIS / 推理成本构成分析

* 数据基于对话内容逻辑推演，仅供可视化理解

成本是硬道理，大模型的推理成本基本上每半年就会有一个量级的下降。

Chapter 04Read Full

从“计字收费”到“读懂人心”：AI 进入精耕细作的下半场

评价标准的维度跃迁：Token 之后是什么？探讨 AI 评估体系的去泡沫化：从量化字符消耗转向量化任务结果。大模型研发也已进入拼细节、拼 Agent 工具调用能力的新阶段。

01 / 指标演进

从“计数”到“结果”

早期评估看 Token（字符）消耗，未来则看任务完成度。就像请厨师，以前按切菜量算钱，现在按菜好不好吃算钱。

02 / 精耕细作

智能体（Agent）崛起

工具调用能力的极致提升
复杂指令的精准执行
工程细节的无尽打磨

03 / 影像革命

捕捉“意图”

AI 剪辑不再是生硬拼接，而是通过语义理解，区分“纪录片风”与“高光瞬间”，真正实现审美同步。

AI+

模型进化的“精细化”路径

智能的定义正在改变：如果智能可以打分，现在的精耕细作就是为了让那个分数在真实业务中变得更高。

Chapter 05Read Full

从“全景视界”到“意图解读”：AI 如何重塑数字生活的剪辑师与导购员？

AI 剪辑的终极命题：读懂你的‘弦外之音’剪辑不仅仅是拼接画面，更是对用户模糊意图的精准捕捉。影石通过自研全景理解模型，试图在海量 360° 素材中自动识别高光时刻，降低普通人的创作门槛。

AI 进军零售业：从流水线客服到‘金牌咨询’语忆科技展示了 AI 如何在消费领域实现‘意图标签化’。通过识别客服对话中的肤质、反馈和情绪，AI 不仅提高了服务准确率，还通过自动化归因重塑了企业的管理绩效。

Sector 01 / Visual Intelligence

影石：全景重构

通过自研全景理解模型，将 360° 冗余素材压缩并提取高光。解决“先拍后剪”中的选择困难症，迈向视频版“世界模型”。

Sector 02 / Intent Recognition

语忆：消费归因

将客服对话标签化。准确率从 70% 提升至 Agent 级别，实时识别肤质、过敏反馈，将退货理由自动归因至责任部门。

Sector 03 / Economic Impact

降本增效

视频处理成本：从高昂卡耗通过技术压缩至约 10 元/段。零售运营：从 6 人归因团队进化为全自动 AI 绩效考评。

全景 AI 处理工作流

360° 全景素材 (海量原始数据)

→

自研多模态模型 (高光提取/运镜建议)

→

通用大模型 (平面内容编排/叙事)

* 为什么不直接用开源模型？因为全球全景素材数据稀缺，开源模型对 360 度视角的理解能力不足。

AI 剪辑的壁垒，不仅是理解画面，更是要消除用户表达意图时的“翻译成本”。

Chapter 06Read Full

从“降本”到“增产”：AI 如何重塑商业直觉

意图识别：AI 正在成为电商的“读心者”<ul><li>基模选择： 语忆科技选择通义千问（Qwen）是看中其在复杂电商文档处理及中国消费者语义理解上的卓越表现。</li><li>核心壁垒： “中间层”不仅仅是接口转发，更通过留存行业垂直数据，训练出比基座模型更懂业务的“行业专家”模型。</li></ul>

01 / 模型筛选

意图识别能力

选择通义千问（Qwen）作为基座，核心看重其在电商场域下，对中国消费者细微意图的精准捕捉。

02 / 商业增长

从存量到增量

自动化省钱 (2023) 上限有限

AI 发现商机 (2024+) 增长无限

03 / 终局竞争

决策者的洞察

当工具（AI）被抹平时，如何利用 AI 生成的分析数据进行“人的决策”，决定了企业的最终天花板。

Visual Analysis: AI Business Evolution Paper Texture Aesthetics

BUSINESS LOGIC TRANSITION

降本(存量)

增收(增量)

图：企业 AI 投入目标的重心位移

AI 的上限不在于它能替你省下多少人工费，而在于它能帮你发现多少以前看不见的生意机会。

Chapter 07Read Full

从“买软件”到“交电费”：AI 如何重塑 ToB 生意的账本

从功能付费到算力付费AI 时代的商业变革在于成本的显性化。当软件背后是真实的算力支出，中国客户正逐渐接受‘按量计费’的新逻辑，这为 SaaS 行业带来了前所未有的高增速机会。

Fundamental Principle

商业逻辑的代际跃迁

传统 SaaS 依赖“功能订阅”，而 AI SaaS 转向“成本计价”。当 AI 背后存在真实的算力消耗时，客户更愿意接受类似“水电煤”的按量付费模式。

Metrics

数据颗粒度 1,000,000+

基于语音、社媒、意图识别等维度的处理总量

#高增速商业化模型

Step 01

原始数据采集

获取语音、社媒、交互等全域海量碎片信息

Step 02

AI 模型深加工

意图识别、归因分析、人群画像构建

Step 03

按量价值交付

按处理量折算成本包，实现商业闭环

Visualized by Pod-Design-System · Minimalist Paper Aesthetics

商业模型对比：传统 SaaS vs AI SaaS

维度	传统 SaaS	语忆科技 AI 模式
计费核心	功能开关/坐席数	数据处理量 (Usage)
价值感知	工具使用权	结果产出与决策建议
成本结构	边际成本趋于零	算力/API 显性成本

AI 让企业学会了像交电费一样为软件付钱。

Chapter 01

从“特效玩具”到“数字影棚”：2025 视频生成与大模型的“可控”革命

Phase 1: Model Matrix

三位一体的基础架构

Qwen (语言)逻辑中枢
Wanx (视觉)像素重构
Audio (音频)拟真交互

Phase 2: Efficiency

2025 效率爆发

2024 (TPS 30)

2025 (TPS 100+)

稀疏模型结构将使响应速度提升 3 倍以上，成本大幅下降。

Phase 3: Business

商业化甜点位

AI 短剧

成本可控，漫剧已成主流

AI 广告

5人团队/日产6000条视频

“

视频生成进入“可控生产”时代

AI 模型正从单一语言处理演进为语言、视觉、音频三位一体的矩阵。
视频生成已跨越特效阶段，进入规模化生产：5人团队日产6000条视频成为可能。
“可控性”是当前技术的核心突破，支持人物、物体与背景的高度一致性。

Read Insight

泓君开场并介绍嘉宾 03:23

哈喽大家好，欢迎收听《硅谷101》。我是泓君。记得两年前我们聊大模型时，大家还觉得模型有很多问题，很难应用到工作生活中。

今天，AI 模型技术能力的进化与商业化是如何交织发展的？

我们邀请到了阿里云通义大模型业务总经理许栋（东哥），来聊聊大模型在商业化方向的最新进展。

徐栋介绍通义大模型家族 04:50

大家好。如果追溯基础模型，通义家族目前有三个核心支柱：

Qwen (通义千问)：我们的语言大模型，也是开源领域的佼佼者，代表了逻辑与语言能力。
Wanx (通义万相)：负责图片和视频的生成与编辑，是未来“世界模型”的雏形。
Audio (通义语音)：去年云栖大会发布的纯音频模型，追求极致的拟真感和多语言方言的理解。

Note | 编者注：这种“多模态”布局意味着 AI 不再只是聊天机器人，而是具备了眼、耳、口、脑的综合体。

泓君追问技术进化关键点 06:15

你觉得过去半年，模型技术上最重要的进化在哪几个方面？

徐栋解析视频生成的质变 06:30

我认为最重要的进化是：视频生成模型已经从“特效娱乐”进入到了“可控生产”阶段。以前大家只是用 AI 做个好玩的特效，但现在我们看到：

生产效率对比：传统 vs AI

维度	传统管线	AI 赋能管线
人力成本	大型摄制组/后期组	约 5 人小团队
产出效率	日产 1-5 条精品视频	日产约 6000 条视频
可控性	拍摄决定一切	人物/物体/声音可复刻

今天的模型能让生成的视频时长越来越长，连贯性越来越好。更关键的是人物、物体和背景的音色能保持住，这给后续创作留下了巨大的延展空间。

“可控性的提高，意味着 AI 不再是随机出图，而是成为了专业级的数字影棚。”

徐栋解释角色扮演与分身技术 09:15

比如现在我们可以实现“角色复刻”。假设我拍一段 5 秒钟的自拍，模型就可以复刻出我的形象和声音。这意味着我们对生成内容的可控性达到了新的维度，输入端的参考维度变多了，AI 就能更精准地执行指令。

“

AI 漫剧与广告：商业化落地的“第一桶金”

国内短剧市场规模已超电影，AI 漫剧成为结合最紧密的应用场景。
AI 广告生成单条成本已降至 25-50 元，形成良性商业闭环。
广告主与电商卖家通过批量生成素材，极大提升了投放转化率。

Read Insight

泓君探讨商业应用案例 10:05

既然能力提升了，你看到了哪些比较好的商业化案例？

徐栋分析短剧与广告市场 10:20

国内短剧市场其实已经超过了电影市场。我们发现，所有的短剧正从纯真人拍摄切换到 AI 参与，尤其是最近爆火的“漫剧”（动态漫画）。漫剧已成为 AI 与内容结合的一个事实。另外就是 AI 广告，它已经形成了一个非常好的商业循环。

泓君询问成本对比 11:15

大家最关心的就是成本：用 AI 做广告，对比真人拍摄，成本到底低多少？

徐栋给出行业成本数据 11:40

目前市场上，一条合格的 15 秒 AI 生成广告，其市场价格大约在 25 元到 50 元之间。相比于真人实拍可能涉及的场地、演员和后期成本，这个价格极具竞争力。对于电商卖家或流量平台来说，他们可以利用 AI 批量生成大量素材，通过海量投放来筛选效果最好的内容。

“

2025 模型进化：更聪明、更快速、更精准

2025 年关键词：稀疏结构 (MoE)、高推理能力、指令遵循。
响应速度 (TPS) 将从 30-50 提升至 100 以上。
AI 开始表现出“逻辑偏好”，能够执行包含跨软件操作的复杂指令。

Read Insight

泓君展望 2025 年技术突破 13:10

展望 2025 年，语言模型和语音模型会有哪些核心进步？

徐栋解析技术演进趋势 13:25

我认为有三个关键方向：

稀疏化结构 (MoE)：模型结构会越来越稀疏，这意味着速度变快，成本下降。
TPS 爆发：过去响应速度在 30-50 TPS 就算不错，未来达到 80-100 以上是大概率事件，用户体验会从“等待结果”变成“即时交互”。
长文本与精准指令：模型不再只是简单回答，而是能处理超长上下文，并调用 CRM、ERP 等外部软件工具来执行复杂任务。

泓君追问 AI 为何变“听话”了 15:10

为什么 2025 年大家突然觉得 AI 应用可以大爆发了？是因为“可控性”变好了吗？

徐栋解释逻辑推理与指令遵循 15:30

核心是因为 Reasoning (推理能力)。现在的模型不再仅仅依赖概率预测下一个词，而是表现出了一定的“逻辑偏好”。由于模型训练时对数据的精耕细作，以及指令遵循能力的提升，现在的 AI 像是一个理解能力极强的小朋友。你给它复杂的、多步骤的指令，它能根据上下文自己做决策，在泛化性与准确性之间找到平衡点。

“2025 年，AI 将从‘部分参与’转向‘全流程生产’，这不仅是速度的提升，更是确定性的胜利。”

Chapter 02

硬件觉醒：当大模型长出“眼睛、耳朵与手脚”

01 / Hardware Evolution

感官增强：从“识别”到“理解”

智能眼镜不再只是摄录，而是具备了视觉模型与文本模型的双重感知，能够像人类一样“看懂”菜单并直接闭环支付。

02 / Business Logic

双轮驱动：生产力与体验

• B端：重塑业务流程，结果导向。
• C端：重塑交互方式，入口导向。

03 / Tech Ratio

端云结合：7:3 黄金分割

端侧 (70%)

云端 (30%)

未来七成通用任务（语音、基础视觉）将在本地完成，保障隐私与响应速度。

“

物理世界的‘交互闭环’：智能眼镜能买咖啡了？

AI 硬件正在经历从简单的语音识别（ASR）到深层语义理解的跨越。通过视觉与文本模型的结合，智能硬件已能实现从‘看到需求’到‘完成支付’的完整闭环。

Read Insight

泓君观察智能硬件趋势 16:27

最近在 CES 展会上，我观察到一个非常热的趋势：无论是耳机还是智能眼镜，厂商们都迫切地希望加入 AI 功能。尤其是智能眼镜，它不仅在剪辑和拍摄上发挥作用，更成为了 AI 的新载体。

徐栋解释硬件理解力的进化 17:05

硬件结合 AI 其实不是新鲜事，早前大家都在做 ASR（语音识别）。但这一波大模型带来的核心改变是：它变得更加“拟人”了。

Note | 编者按：ASR（Automated Speech Recognition）以往只能把声音转成文字，而现在的大模型能理解文字背后的意图。

过去硬件只能“识别”，今天它能“听懂”、“看懂”，并给出你想要的结果。比如我们的通义千问模型，在视觉理解和文本理解上的结合，让硬件具备了思考能力。

泓君提出具象场景疑问 17:45

所以，现在通过眼镜直接去订咖啡，这种场景已经实现了吗？

徐栋确认场景落地并详解流程 17:50

准确地说，早就实现了。你可以选择口味、加不加糖、选哪家店、多久送达，甚至包括最后的支付，全部可以在一个极其自然的交互结构中完成。

AI 眼镜订咖啡：全链路闭环示意

视觉捕捉：拍到同事的咖啡或路边菜单

逻辑推理：基于你的口味偏好和历史记录进行推荐

动作执行：调用 API 完成下单与免密支付

这种方式比掏出手机更方便。它会以卡片的形式推送到你面前，考虑到你的距离、偏好和历史选择。

AI 硬件不再是冰冷的工具，它是你贴身的、拥有记忆的数字入口。

“

商业化的十字路口：提升生产力 vs 优化用户体验

大模型的商业化分为两个核心维度：企业侧通过流程再造提升‘生产力’；消费侧通过硬件交互重塑‘用户体验’。其中，端侧模型（计算在本地）的崛起成为关键转折点。

Read Insight

徐栋分析行业渗透与商业逻辑 19:20

大模型这一波是全行业覆盖。如果我们要看它的商业化逻辑，可以简单分为两类：

生产力逻辑（B端）：针对企业内部大量流程。通过大模型给每个环节设定结果导向，提升整体效率。
用户体验逻辑（C端）：针对手机、汽车、智能硬件。大模型改变了人和机器打交道的方式。

目前我们的合作已经越来越深入，原来更多强调云端，现在手机厂商、车企都开始关注“端云结合”。

泓君总结消费端愿景 20:45

我理解，未来从消费者的视角看，我们身边的每一部手机、每一辆车，其实都具备了深度智能化的能力。

徐栋阐述端侧模型的技术挑战 21:10

没错。因为智能设备是每个人贴身的“入口”，涉及隐私性高、时效性强的任务。

Note | 编者按：隐私性和时效性是推动 AI 从云端走向设备本地（端侧）的核心动力。

我们发布过像 0.5B 这样的小规模模型，就是为了让它能跑在算力有限的手机或汽车端，同时解决功耗问题。

泓君追问端云分工比例 22:15

什么样的场景在本地处理？什么样的场景移交云端？两者的比例大概是多少？

徐栋给出核心数据结论 22:30

今天的端侧模型，效果甚至比两年前最大的模型还要好。

任务类型	处理位置	占比预期
通用类交互（语音、视觉识别）	本地（端侧）	约 70%
复杂逻辑、海量数据检索	云端	约 30%

这意味着，未来七成以上的日常交互，通过本地模型就能完成。

“端侧优先”的底层逻辑

当模型小型化技术突破临界点（如 Qwen-0.5B），本地芯片即可驱动。这带来了：
1. 零延迟：无需等待网络传输。
2. 强隐私：你的私人对话和面部数据不出设备。
3. 低成本：厂商无需承担昂贵的云端推理带宽费。

Chapter 03

从“智商竞争”到“算账比赛”：大模型商业化的下半场

Focus Shift / 视角转移

从“效果”到“性能”

过去追求模型能写诗，现在要求模型必须快、稳、便宜。就像从实验室原型车变成量产家用轿车。

Cost Reduction / 降本秘籍

模型稀疏化 (MoE)
软硬一体化 (芯片+云)
精细调度 (闲时利用)

Ecosystem / 生态蓝图

开源即护城河

让全球最聪明的大脑（开发者、学生）在千问的生态里成长，是比赚钱更重要的事。

“

商业化的真谛：客户不再为“花架子”买单

企业级用户对AI的需求已进入‘严肃生产’阶段，关注点全面转向TPS（并发处理能力）、海量输入下的响应速度以及极端的成本控制。

Read Insight

泓君提问客户关注点 23:51

你觉得客户在跟阿里合作的时候，大家最看重或者最关心的问题是什么？

徐栋分析关注点迁移 24:10

这是一个非常明显的变化过程。

过去半年： 客户主要看“效果”，也就是模型到底聪不聪明，能不能完成任务。
现在： 客户开始进入“严肃的生产环节”。他们已经验证了模型是有用的，现在要的是性价比。

具体来说，大家现在非常关心两个指标：

TPS (并发性能)： 比如你面对10万个用户同时提问，模型能不能跟得上？响应快不快？
成本： 现在的AI使用量比过去扩了百倍，如果不降成本，企业根本用不起。

Note | TPS（Transactions Per Second）即每秒处理的事务数，在AI领域常指每秒生成的字数或处理的请求数，类似于汽车的最高时速。

泓君观察行业成熟度 25:30

听起来，现在的客户对AI的理解已经非常深了。行业不再是处于“科普阶段”，而是进入了挑剔需求、追求垂直应用的成熟阶段。

徐栋补充小模型趋势 26:15

没错！所以最近三个月，我们发现**“小模型”**的需求特别多。

模型选择的第一性原理：匹配胜过强大

意图识别/数据抽取选 0.5B - 7B 小模型

性价比极高，响应速度极快

复杂逻辑推理/创作选 72B+ 大模型

客户现在会要求“混合部署”：用大模型处理复杂逻辑，用自己训练的小模型处理重复、简单的任务，这样总成本最低。

成本是硬道理，大模型的推理成本基本上每半年就会有一个量级的下降。

徐栋拆解成本下降的三大动力 28:10

为什么成本能降这么快？主要靠三招：

维度	通俗解释	技术关键词
模型算法	让模型学会“偷懒”，只动用一小部分大脑	MoE (稀疏化)、MTP
硬件协同	芯片和软件“量身定制”，不浪费一点算力	软硬一体化、芯片优化
资源调度	白天给用户用，晚上跑批处理任务，闲时利用	云原生调度、波峰填谷

比如我们预研的下个版本，虽然总参数有80B，但每次干活只需要激活3B的能量。这就像一个巨人干活，但只消耗一个小孩的口粮。

泓君对比谷歌与行业 30:00

这让我想到了谷歌。谷歌的成本之所以能做到OpenAI的几分之一，就是因为他们有自己的芯片和云架构，这种软硬一体化的优势在商业竞争中非常可怕。

徐栋阐述开源战略价值 31:15

很多人问：阿里为什么要坚持开源？

这其实是我们的护城河。

人才储备： 现在的顶尖科研人员和大学生，如果在学校里就习惯用“通义千问”写代码、做研究，他们毕业后就是我们的天然用户。
生态反馈： 开发者会自发帮我们做适配，比如怎么在手机上跑、怎么在Mac上跑。这种全球范围内的免费测试和迭代，是闭源模型做不到的。

泓君追问商用与开源平衡 32:30

那开源和闭源怎么平衡商业化呢？客户都用开源版了，谁还买你的付费服务？

徐栋解释商业闭环 32:50

开源是吸引力，也是基础版。但对于企业来说，他们需要**更简单易用、并发更高、能力更强**的进阶版本，这就需要我们的闭源API或云端服务。

Note | 开源就像送你一棵果树苗，虽然免费，但如果你想要吃现成的果子（高性能API）或者需要专业的园丁帮你打理（企业级运维），你还是会选择付费服务。

而且，像DeepSeek这样的开源同行进步，其实是在推动整个行业的发展。大家会发现开源模型已经足够好用了，这反而会让更多企业愿意尝试AI，把市场蛋糕做大。

COST COMPONENT ANALYSIS / 推理成本构成分析

* 数据基于对话内容逻辑推演，仅供可视化理解

Chapter 04

从“计字收费”到“读懂人心”：AI 进入精耕细作的下半场

01 / 指标演进

从“计数”到“结果”

早期评估看 Token（字符）消耗，未来则看任务完成度。就像请厨师，以前按切菜量算钱，现在按菜好不好吃算钱。

02 / 精耕细作

智能体（Agent）崛起

工具调用能力的极致提升
复杂指令的精准执行
工程细节的无尽打磨

03 / 影像革命

捕捉“意图”

AI 剪辑不再是生硬拼接，而是通过语义理解，区分“纪录片风”与“高光瞬间”，真正实现审美同步。

AI+

“

评价标准的维度跃迁：Token 之后是什么？

探讨 AI 评估体系的去泡沫化：从量化字符消耗转向量化任务结果。大模型研发也已进入拼细节、拼 Agent 工具调用能力的新阶段。

Read Insight

泓君探讨评估 AI 应用的标准 33:33

今年大家讨论比较多的是，我们怎么去衡量一个应用火不火？

行业内有一种公认的方法是看用了多少 Token（字符数）来量化。你觉得未来 Token 还是一个合理的评估指标吗？

徐栋分析 Token 指标的局限性 33:55

我觉得阶段性它有很好的参考意义，很多公司的估值也以此为准。但从长期来看，单纯看 Token 是有弊端的。比如最小的模型和最大的模型，它们的成本和带来的商业价值可能差了 100 倍。

Note | Token 是 AI 处理信息的最小单位，就像我们写作文时的字数。但字数多不代表作文好。

虽然 Token 依然是观察业务使用量的工具，但未来我们会更看重任务结果。

评估维度	过去（Token 时代）	未来（任务时代）
核心指标	字符消耗量	任务达成率 / 商业价值
模型偏好	越大越贵越好	最适合场景的模型
交付形式	文字生成	Agent（智能体）解决问题

智能的定义正在改变：如果智能可以打分，现在的精耕细作就是为了让那个分数在真实业务中变得更高。

泓君询问大模型研发热度 35:10

现在大家都在聊商业化，基础大模型的性能研发投入还多吗？是不是热度降下来了？

徐栋揭秘大模型研发现状 35:30

这是一个误区。其实模型研发的投入反而变大了！现在每家公司、每个实验室都在喊“缺算力卡”。只不过它不像过去那样显性——比如突然发布一个震惊世界的模型。大模型已经进入了“精耕细作”阶段。虽然范式没变，但工程细节上有大量工作。比如：

**数据清洗能力**：如何喂给模型更高质量的“燃料”。
**评价标准**：如何更精准地判断模型好坏。
**特定方向提升**：比如 Coding（编程能力）和复杂指令的执行。

徐栋定义未来模型竞争点 36:40

未来的趋势是 **Agent（智能体）** 的能力。模型需要不断与环境交互、自我思考、做假设。我们在通义千问（Qwen）上的投入方向包括：

工具调用（Tool Use）的精准度。
长上下文（Context）的处理。
复杂指令的准确理解。

当这些能力拼在一起，业务落地就会发生巨大的改变。

模型进化的“精细化”路径

泓君引出影像 AI 嘉宾 38:00

欢迎语语科技联合创始人吕莹洁和影石 Insta360 的齐教授。

齐教授，请分享一下影石的产品是怎么跟 AI 结合的？

亓鲁介绍 AI 自动剪辑战略 38:30

影石作为一家影像公司，我们的使命是让用户更好地记录和分享。这次我们和阿里的合作，典型代表就是云端自动剪辑。用户拍了一天，积累了几百个素材，怎么能快速选出那 1% 值得分享的高光？这是我们的关键一步。

泓君点赞产品体验 39:15

我很喜欢影石的一点就是它能“隐藏相机感”，这种功能特别棒。

自动剪辑的真正难点在哪里？

亓鲁解析“剪辑意图”的捕捉 39:30

自动剪辑的难点不在于拼接片段，而在于命中用户的剪辑意图。每个人的喜好都不同：

有的用户想要**纪录片风格**：平实、完整、有叙事感。
有的用户想要**高光瞬间**：节奏快、卡点准、有冲击力。

这涉及到对配乐情绪、镜头语言、转场风格的深度理解。

Note | 这就需要 AI 不仅能“看懂”视频里有什么（人、狗、山），还要能“体会”到这些画面的情绪值。

我们和阿里的合作涵盖了感知理解和视频生成模型，让 AI 真正从“懂画面”进化到“懂心意”。

Chapter 05

从“全景视界”到“意图解读”：AI 如何重塑数字生活的剪辑师与导购员？

Sector 01 / Visual Intelligence

影石：全景重构

通过自研全景理解模型，将 360° 冗余素材压缩并提取高光。解决“先拍后剪”中的选择困难症，迈向视频版“世界模型”。

Sector 02 / Intent Recognition

语忆：消费归因

将客服对话标签化。准确率从 70% 提升至 Agent 级别，实时识别肤质、过敏反馈，将退货理由自动归因至责任部门。

Sector 03 / Economic Impact

降本增效

视频处理成本：从高昂卡耗通过技术压缩至约 10 元/段。零售运营：从 6 人归因团队进化为全自动 AI 绩效考评。

“

AI 剪辑的终极命题：读懂你的‘弦外之音’

剪辑不仅仅是拼接画面，更是对用户模糊意图的精准捕捉。影石通过自研全景理解模型，试图在海量 360° 素材中自动识别高光时刻，降低普通人的创作门槛。

Read Insight

泓君提出用户痛点 40:49

假设我给 AI 工具输入一个指令：‘剪辑我所有从雪上滑下来失败的瞬间’，现在的模型能理解到哪一步？

影石代表解释技术难点 41:15

现在的难点不在于素材，而在于“意图识别”。

理解层面： 算法需要判断视频里发生了什么（比如：这是滑雪、这是摔倒、这是高光）。
意图对齐： 用户的描述往往很模糊。如果要求用户给出极其精确的定义（比如：从雪橇上飞出来的角度），那产品体验就很糟糕了。

我们需要让 AI 在模糊指令下，自动把杂乱的片段组合成一个有逻辑、有主线的故事。

AI 剪辑的壁垒，不仅是理解画面，更是要消除用户表达意图时的“翻译成本”。

影石代表介绍全景相机壁垒 42:30

影石的核心壁垒在于“全景理解模型”。

全景 AI 处理工作流

360° 全景素材 (海量原始数据)

→

自研多模态模型 (高光提取/运镜建议)

→

通用大模型 (平面内容编排/叙事)

* 为什么不直接用开源模型？因为全球全景素材数据稀缺，开源模型对 360 度视角的理解能力不足。

我们会先通过自研模型提取“高光”，再调用通用大模型 API 进行后期的编排。这其实已经触及到了“世界模型”的雏形，因为我们要处理的是一个完整的三维空间场景。

泓君询问落地成本 44:50

听起来成本会很高，用户处理一段素材要花多少钱？下降的驱动力在哪里？

影石代表分析成本结构 45:15

目前用户处理一段这样的云端素材大概需要 **10 元左右**。

Note | 编者按：10 元对于单次剪辑看似不便宜，但相比人工剪辑的数小时时间成本，AI 具有极高的杠杆效应。

成本下降的核心驱动力有两个：

极高压缩率： 全景素材虽然大，但冗余多。通过技术手段压减进入模型的帧数。
算力调度： 随着推理成本的 Scaling Laws 发生作用，云端自动剪辑的单价会持续优化。

“

AI 进军零售业：从流水线客服到‘金牌咨询’

语忆科技展示了 AI 如何在消费领域实现‘意图标签化’。通过识别客服对话中的肤质、反馈和情绪，AI 不仅提高了服务准确率，还通过自动化归因重塑了企业的管理绩效。

Read Insight

语忆科技代表分析市场环境 47:15

2023 年以后，中国的流量红利见顶。品牌方不再仅仅关注“买量”，而是开始重视“消费者洞察”。企业手里握着大量的客服对话数据，但以前这些数据是“死的”，没人能从中准确提取价值。

语忆科技代表对比传统与 AI 画像 48:50

传统的用户画像只看年龄、地区，但这跟用户是否买你的产品关系不大。

维度	传统标签 (传统模型)	AI 意图识别 (Agent)
核心数据	年龄、性别、地域	肤质、过敏反馈、特定需求
准确率	低于 70%	高准确率 (可直接用于业务决策)
商业用途	粗放投流	精准推荐、产品改良、风险预警

语忆科技代表分享经典案例 51:20

我们为一家头部日化企业搭建了“归因模型”。以前，他们有 **6 个人** 专门人工登记退货原因，再归因到不同部门进行奖惩。现在，AI 自动处理所有对话，识别出是物流问题、包装问题还是产品质量问题，直接对接绩效系统。

Note | 编者按：这是典型的 AI 替代重复性白领工作的逻辑，从 6 个人到 0 人。

泓君总结应用层次 53:05

所以 AI 在零售里不仅仅是做简单的客服问答，而是分成了售前转化、售后处理和内部管理三个层次？

语忆科技代表深化客服场景 53:40

对。尤其在售前，AI 正在从“单点回答”转向“复杂逻辑处理”。比如用户问：“我是浙江的，能不能参加这个国补？我想买 A，你帮我凑个 B 的单。”

大模型可以实时调取政策、计算最优优惠券组合，这种“复合导购能力”是传统客服机器人完全无法比拟的。

Chapter 06

从“降本”到“增产”：AI 如何重塑商业直觉

01 / 模型筛选

意图识别能力

选择通义千问（Qwen）作为基座，核心看重其在电商场域下，对中国消费者细微意图的精准捕捉。

02 / 商业增长

从存量到增量

自动化省钱 (2023) 上限有限

AI 发现商机 (2024+) 增长无限

03 / 终局竞争

决策者的洞察

当工具（AI）被抹平时，如何利用 AI 生成的分析数据进行“人的决策”，决定了企业的最终天花板。

Visual Analysis: AI Business Evolution Paper Texture Aesthetics

“

意图识别：AI 正在成为电商的“读心者”

基模选择： 语忆科技选择通义千问（Qwen）是看中其在复杂电商文档处理及中国消费者语义理解上的卓越表现。
核心壁垒： “中间层”不仅仅是接口转发，更通过留存行业垂直数据，训练出比基座模型更懂业务的“行业专家”模型。

Read Insight

泓君询问大模型协作模式 54:16

在具体的业务环节中，你们是如何跟通义千问这些基础模型合作的？除了作为“外挂知识库”，大模型还提供了哪些核心帮助？

嘉宾阐述 AI 的知识处理能力 54:30

语忆科技利用大模型处理企业内部极其复杂的文档。有时候它甚至是一张详情页，AI 能将其梳理成结构化的知识库。大模型不仅能读文字，更能处理复杂的图文信息，并将其转化为企业可用的“知识资产”。

泓君追问筛选模型标准 54:55

在选择基础模型时，你们最看重的核心能力是什么？

嘉宾解析意图识别优势 55:10

我们最看重的是**意图识别**。我们在做多项测试时发现，通义千问在电商场域内，对消费者真实意图的理解能力非常出色。

Note | 编者按：意图识别是指 AI 能够听懂用户的“言外之意”，比如用户问“什么时候发货”可能隐藏着对物流的焦虑。

泓君探讨市场逻辑 55:40

你们连接着大模型和下游企业客户。对于企业来说，他们用 AI 到底是为了“省钱”（存量市场）还是为了“增收”（增量市场）？

嘉宾对比 2023 与 2024 市场变化 56:05

这是一个动态发展的过程。

2023年： 大家关注的是**自动化**，想替代人工。比如原来 6 个人的审核岗，想减到 1 个人。但这种“省钱”是有上限的。
2024年下半年： 更多企业开始想如何**增效**。利用 AI 发现消费者的新需求，寻找老产品在场景化中的新机会。

BUSINESS LOGIC TRANSITION

降本(存量)

增收(增量)

图：企业 AI 投入目标的重心位移

AI 的上限不在于它能替你省下多少人工费，而在于它能帮你发现多少以前看不见的生意机会。

泓君询问真实销量案例 57:40

有没有具体的品牌案例？他们通过 AI 合作后，销量和转化率真的有提升吗？

嘉宾分享高端家电案例 58:00

有的。国内一家顶级家电品牌的高端产品线（单价 2 万以上），通过我们提供的 AI VOE（Voice of Expert）分析，发现了高端客户对功能的独特反馈。他们根据 AI 的洞察调整了营销卖点、主播话术和客服接线流程。合作一年半后，整体销量大幅上涨，且客单价提高了 6% 以上。

Note | 这是一个罕见的“量价齐升”案例：产品卖得更贵了，反而卖得更好了。

泓君询问收费模式 59:30

这很有意思。那他们后续有为 AI 单独拨预算吗？

嘉宾解释收费逻辑 59:45

有的。现在该品牌的每个事业部都接入了 AI 识别能力。虽然目前主要是语音识别，但企业对 AI 能力的付费意愿已经建立。

泓君探讨中间层竞争力 60:20

作为连接模型与客户的“中间层”，你们的核心竞争力到底是什么？是行业深度，还是数据？

嘉宾揭秘行业垂直模型 60:40

虽然我们用基座模型，但我们也会训练**自己的垂直行业模型**。

竞争维度	具体动作	客户价值
数据闭环	留存行业意图识别数据	模型比通义千问更懂该行业
行业 Know-how	扮演“场外专家”身份	告诉企业如何把 AI 塞进工作流
业务指标	对齐转化率、退货率	让客户看到真金白银的产出

泓君提出未来“军火竞赛”担忧 62:00

如果未来所有企业都装备了 AI，大家都升级了“军火库”，那 AI 带来的效果会不会被磨平？

嘉宾强调“人”的核心价值 62:30

这是个非常深刻的问题。我认为 AI 未来的价值核心依然**掌握在人手里**。大方向上，AI 处理后的数据报告可能每个公司都差不多，但最后根据这些数据做出什么决策，非常考验人的洞察力。 AI 是军火，但如何打赢这场仗，还得看指挥官。

嘉宾分享对 SaaS 行业的观察 63:15

补充一点，AI 对中国 ToB 企业付费意识的教育起到了极好的效果。以前大家觉得买软件不如雇人，现在大家发现 AI 确实能解决具体的增长问题，付费意愿明显提升。

Chapter 07

从“买软件”到“交电费”：AI 如何重塑 ToB 生意的账本

Fundamental Principle

商业逻辑的代际跃迁

传统 SaaS 依赖“功能订阅”，而 AI SaaS 转向“成本计价”。当 AI 背后存在真实的算力消耗时，客户更愿意接受类似“水电煤”的按量付费模式。

Metrics

数据颗粒度 1,000,000+

基于语音、社媒、意图识别等维度的处理总量

#高增速商业化模型

Step 01

原始数据采集

获取语音、社媒、交互等全域海量碎片信息

Step 02

AI 模型深加工

意图识别、归因分析、人群画像构建

Step 03

按量价值交付

按处理量折算成本包，实现商业闭环

Visualized by Pod-Design-System · Minimalist Paper Aesthetics

“

从功能付费到算力付费

AI 时代的商业变革在于成本的显性化。当软件背后是真实的算力支出，中国客户正逐渐接受‘按量计费’的新逻辑，这为 SaaS 行业带来了前所未有的高增速机会。

Read Insight

亓鲁阐述商业闭环逻辑 01:03:34

如果最终客户不付钱，我们就无法提供相应的服务，因为我们背后也有相应的成本支出。这种“如果不付钱就没法维持服务”的逻辑，实际上是在向美国 SaaS 行业的成熟模式靠拢。行业内的客户现在越来越认可：AI 背后就是会产生算力成本的，大家开始接受“按成本计价”的形式。

Note | 编者按：这是 ToB 商业模式的分水岭。传统软件是资产（Asset），AI 服务更像是能源（Utility）。

泓君追问具体收费标准 01:04:12

现在大家收费的标准是什么？是像海外那种每个月固定的 20 或 30 美元订阅费，还是说在中国 2B 市场有更具体的收费方式？

亓鲁拆解语忆科技收费模型 01:04:30

我们的收费逻辑是基于数据处理量的：

画像与识别： 针对人群画像、意图识别、归因分析等深度加工功能。
计费单位： 比如每 100 万通语音数据，或者 100 万通社交媒体数据作为一个计费包。
成本转换： 我们将预估的 AI 处理成本换算成对应的“使用包”费用。

商业模型对比：传统 SaaS vs AI SaaS

维度	传统 SaaS	语忆科技 AI 模式
计费核心	功能开关/坐席数	数据处理量 (Usage)
价值感知	工具使用权	结果产出与决策建议
成本结构	边际成本趋于零	算力/API 显性成本

我们非常感谢 AI 带来的商业化改变。这让语忆科技在行业内获得了极高的增长速度。

AI 让企业学会了像交电费一样为软件付钱。

泓君总结并致谢 01:06:45

语忆科技的分享非常全面，感谢亓鲁总。

Note | 编者按：访谈在此圆满结束，AI 与营销的结合不仅仅是效率的提升，更是从生意底层对价值交换的重新定义。

好的，这就是我们今天的节目。如果大家喜欢，欢迎在以下平台订阅：

音频平台： 苹果播客、Spotify、小宇宙。
视频平台： B 站、YouTube。

感谢大家的收听，我们下期再见！

关联单集