深度|对话澜码科技 CEO 周健:聊聊 AI Agent 应用、商业化以及当前行业的现状

科技   2024-10-30 09:08   浙江  

近日,有新Newin 主理人 Tim 与澜码科技的创始人& CEO 周健展开了一次对话,一起围绕 AI Agent 商业化以及澜码科技的业务布局展开讨论。
周健认为,AI Agent 不仅具备语言理解能力,还能自主操作,改变传统业务流程。相比于 Chatbot 以及 Copilot,Agent 的自主性和业务属性的结合使其具备跨工具执行任务的能力,这是 Copilot 无法比拟的。
随着 AI Agent 逐步落地,企业的信息架构和业务流程将发生深刻变化。周健预见未来的企业结构将更多依赖 AI Agent,Agent 不仅是工具,更是企业运作的重要组成部分,这将推动传统 SaaS 向记录性工具的转型。
以下为这次对谈的主要内容,enjoy~

有新Newin:在正式开始前,我想先简单介绍一下周总的丰富经历。你在 2002 年获得了亚洲首个 ACM 国际大学生程序设计竞赛(ICPC)的世界冠军, 2006 年加入谷歌美国总部。

回国后先后在阿里云及多家知名初创公司担任研发负责人或 CTO ,其中包括依图科技的第十号员工以及弘玑科技的 CTO 。如今创办了澜码科技,这一切背后的过程也非常有趣,请和大家来分享一下?

周健:好的,非常感谢。其实我一直对 AI 充满好奇心,早在阿里云工作时,我就开始思考 AI 的未来以及它如何变成现实。在依图期间,我参与了 AI 1.0 时代的技术进步,虽然弘玑主要是做企业软件,但我们也在探索如何将 AI 融入其中。

当大模型和 GPT 技术出现时,我意识到这是一个巨大的机会,结合过去的经验和时代背景,我决定创立澜码科技,期望在 AI 领域做出一些创新,同时也希望能够亲眼见证 AI 逐步改变社会的过程。

有新Newin:请你简单介绍一下澜码科技的主要业务?目前我们主要聚焦于国内市场吗?

周健:对的。正如我刚才提到的,澜码科技的起点是源于 AI 的梦想。在弘玑期间,我们专注于企业内部业务流程的自动化,打造所谓的“数字员工”概念。

在过去三四年间,我一直在思考如何将 AI 更好地应用于企业内部业务。所以,当大模型技术成熟时,我们便决定以此为基础,构建一个企业级的 AI  Agent 平台。

我们的主要客户群体是需要私有化部署的央企和国企,尤其是金融、能源等行业。这些企业拥有大量的GPU 资源以及内部业务数据和知识,我们帮助他们将大模型应用落地,实现业务流程的自动化和智能化。

有新Newin:现在很多 AI 应用还停留在智能客服或聊天机器人层面,而你在 Agent 领域创业,能否从技术角度为我们解读一下聊天机器人、Copilot 和 Agent 在客户体验上有何本质区别?

周健:这个问题很好。我觉得首先需要明确的是, AI 1.0 时代的技术主要基于深度学习,我们为每个任务训练一个单独的模型,任务也是基于特定的数据集。

因此,当时的智能客服系统使用自然语言理解技术来处理特定场景,但其实与传统的电话菜单系统类似,用户必须按照预设的问题框架提问,才能得到准确的响应,这就是所谓的“意图分类”和“槽位填充”机制。

大模型的出现则完全改变了这一局面。通过大量数据和算力训练出的通用模型,具备了强大的自然语言理解和表达能力,可以适用于广泛的应用场景,这带来了人机交互的一次革命。Copilot 是一个早期的产物,由微软在去年3月提出。

它主要是依托微软的办公软件(如 Word、Excel、PPT 等)来改变交互方式,将原来的图形用户界面(GUI)菜单和按钮转化为自然语言对话,让用户可以通过对话直接访问软件功能。

Agent 则进一步进化了。Agent 不仅能够理解语言,还具备了自主操作的能力,它可以与复杂的环境进行互动,例如处理多个数字化办公系统的任务(如微信、浏览器、企业内部系统等)。

Agent 代表用户在不同的工具中执行任务,真正实现了业务流程的改变。因此, Agent 的核心是自主性和业务属性的结合,这是它与Copilot 的本质区别。

有新Newin:是的,我理解 Copilot 更像是辅助工具,它分担了我一部分任务,而 Agent 则更像是一名经理或领导,我可以委派给它具体的任务去执行。

周健:没错,你理解得非常准确。

有新Newin:现在的 Chatbot 和 Copilot 大多是在桌面端操作,比如打开浏览器等。你认为 Agent 未来会有不同的入口吗?

周健:未来一定会,但目前还未达到那种程度。其实你看Apple的Siri早在移动端提出了智能助手的概念,但即使是现阶段最强的推理系统,也还无法实现这一点。

有新Newin:今年YC的创业营中,有大约80%的项目都与 Agent 相关,其中大多数是面向企业服务(ToB)的。你如何看待 Agent 对传统软件或 SaaS 生态系统的影响?这会导致生态系统的重构吗?

周健:是的,正如我刚才提到的,首先是人机交互的革命。这之后,企业内部的信息架构也将随之变化。

回顾过去的几代信息系统,第一代是 MIS(管理信息系统),其主要作用是记录和管理企业的业务信息,特别是在财务领域。第二代是大数据时代,企业开始分析行为数据,如用户搜索记录、浏览过的网站等,通过机器学习发现业务规律,进而优化决策。

现在我们进入了 3.0 时代,企业能够处理更多以前无法利用的数据,比如文本、聊天记录、语音等。这些弥散且割裂的数据现在都能被利用。

这意味着,企业的技术系统需要重构。过去的系统主要是解决多个人如何协作的问题,随着 AI 的发展,系统的角色会逐渐发生变化。

在未来,企业内的员工和 Agent 的比例可能会倒转。现在一个企业可能有 100 名员工,但未来可能是一个员工配备100个 Agent 。

传统的 SaaS 软件不会被淘汰,但它们的作用将更倾向于信息记录,而不再是业务流程的核心驱动力。企业的组织结构也将随之重构,带动业务软件的整体变革。

有新Newin:明白。也就是说, 传统的SaaS 更多是作为工具,而 Agent 则能利用这些 SaaS ,成为企业的一部分。

周健:是的, Agent 相当于可以使用这些工具,帮助企业更高效地运作。

有新Newin:当前 SaaS 在企业中的渗透率较高,可能为企业的营收或 GDP 贡献 20 %左右。那未来 Agent 渗透率更高时,你认为它能占到企业效应的更高比重,比如达到 80%吗?

周健:是的。我们可以将信息系统类比为人类的神经系统,它遍布全身,但它只是记录信息,而不能取代器官。而 Agent 则逐渐会像“人体的胃、肺、心脏”等器官。因此,从这个角度看,未来 Agent 的比例肯定会很大,甚至大多数任务都可能由 Agent 来完成。

有新Newin:这个前景非常令人期待!那么从技术角度看, Agent 的核心模块是什么?比如一个 Agent 的架构应该包含哪些关键部分?

周健:这是个很好的问题。去年 Lilian Weng 曾提出过一个观点,她认为 Agent 的核心模块包括规划(Planning)、工具使用(Tools Use)、短期和长期记忆(Short-term & Long-term Memory),再加上大语言模型。我认为她当时更多是在推广大语言模型的概念。

从今天的角度来看,我觉得更关键的是 Agent 如何对环境和目标进行建模。因为如果无法对环境进行有效建模,便无法进行优化。

而环境的建模是非常困难的,随着 Agent 能力的增强,它所面对的环境会变得越来越复杂,可能不仅仅是数字系统,还包括摄像头、物联网,甚至是组织内部的业务流程或整个行业的变化。

从 Agent 的内部结构来看,核心模块主要包括学习、推理、记忆、感知和行动。Agent 需要能够感知环境,采取相应的行动,并通过推理和学习来优化自身的表现。

记忆则是将感知与行动关联起来的重要桥梁。可以说,这些能力是 Agent 核心的组成部分,也是它实现智能化和自动化的基础。

有新Newin:你认为在底层技术相似的情况下,比如同一个行业的不同应用场景,或者完全不同行业(如金融和医疗),它们之间的差异主要体现在哪些方面?是数据和业务场景的不同吗?

周健:对,实际上主要看 Agent 所面对的问题和任务的复杂性。正如我们刚才提到的,有几类不同的系统。Open AI 提到, Agent 要达到第五级(Level 5)才能像组织一样运作。

实际上,人类的社会系统是非常复杂的,例如我们是否需要情感分析?是否需要对人类组织中的政治关系或心理状态进行推演和博弈?这些是某些任务必须具备的能力。

但如果是财务、供应链或研发代码生成的场景,那么情感分析和政治博弈可能就不需要了。再比如在销售场景中,理解客户的心理和情感非常重要,而在财务分析中,更多依赖的是数学推理和数据分析。

这些差异就像人类在不同领域学习和积累的技能一样, Agent 在不同行业和职能中的核心能力也会有所不同。

虽然一些通用的能力,如学习、推理、记忆、感知、行动等是各类 Agent 都需要具备的,但具体的应用场景会决定它们的侧重点。

有新Newin:在大模型技术方面,国内与国外的差距还是存在的。尤其在 Agent 领域,你如何看待国内外在技术和商业化上的差距?有哪些具体的不同?

周健:首先,从大模型的角度来看,我们一直在谈论所谓的“扩展法则”(Scaling Law),即当我们在算力和数据的规模上达到一定程度时,会涌现出意想不到的能力。

硅谷目前最大的计算集群已经达到 10 万张 NVIDIA A100 或 H100 卡,像 Open AI 的集群规模已经达到了这个水平。

相比之下,国内的集群规模还相对落后。虽然国内的算力资源并不匮乏,但3万张以上规模的集群目前还没有,这就导致在一些新架构和能力涌现方面,硅谷依然领先。

不过,国内的追赶速度非常快。比如 GPT -4去年3月发布,18个月后,像阿里、字节跳动、智谱等国内公司已经基本追平了 GPT 系列的模型能力。

在多模态模型上,国内甚至有优势,比如快手的可灵、腾讯和抖音的多模态系统已经上线,而Open AI 在这方面相对滞后。这得益于国内发达的短视频生态,给多模态模型提供了丰富的数据场景。

至于模型的小型化和 AI PC( AI 手机)等应用领域,中美之间的差距并不大,国内可能落后3至6个月。

最大的差距还是在大模型的创新和推理能力上,尤其是推理能力的泛化问题。国外在算力、数据和人才上的优势可能会进一步放大这一差距,这一点值得关注。

在 Agent 领域,硅谷的大公司如 Palantir、ServiceNow、Salesforce 等已经在 ToB(企业服务)领域广泛应用 Agent ,尤其是销售辅助和 IT 运维管理。

国内的 ToB 软件公司相对较弱,因此我们在 Agent 的技术上大约落后 6~9 个月,虽然没有大模型落后那么多,但差距依然存在。尤其在私有数据的应用上,国内的优势不明显,但在公开数据的应用场景,如投资顾问等领域,国内与国外的差距较小。

有新Newin:你提到国内外的企业服务市场存在差异,尤其是 SaaS 领域。Agent 作为 SaaS 的延伸,你认为国内外市场的付费意愿和付费模式不同,会导致最终的产品形态和商业模式有所差异吗?

周健:我反而对这一点比较乐观。过去,国内的 SaaS 市场发展不佳,主要有几方面原因。

首先是 GDP 和人均收入的问题,国内的人工成本远低于北美和欧洲,因此单个 SaaS 用户的付费意愿较低。其次,国内的央企和国企更偏好硬件投资和私有化部署, SaaS 的付费习惯没有在这些客户群体中建立起来,这导致国内 SaaS 市场的潜力有限。

此外, SaaS 的本质是标准化服务,而国外的管理标准化程度较高,国内则相对灵活,更多关注业务的快速增长,而不是管理的标准化。这也是 SaaS 在国内发展缓慢的原因之一。

但随着大环境的变化,国内经济面临压力,企业开始更加注重管理效率的提升。AI  Agent 作为业务自动化和管理增强的工具,能够帮助企业在不依赖人海战术的情况下,通过知识整理和管理提效来实现增收。这为 AI  Agent 提供了一个巨大的机会。

此外,大模型带来了人机交互的柔性化。例如过去的算法系统,像外卖的派单系统,常被批评为缺乏人性化。

今天有了大模型和 AI  Agent 后,这种柔性化的交互开始成为可能,能够让管理更加智能化和标准化。在人口红利逐渐消失的情况下, AI  Agent 有可能帮助国内企业实现弯道超车。

有新Newin:在 SaaS 领域中,我们看到既有垂直型 SaaS ,也有横向通用型 SaaS 。那么在 Agent 的发展过程中,你认为是横向的 Agent 会先成熟,还是垂直领域的 Agent 会先崭露头角呢?

周健:现阶段我观察到,国内许多 SaaS 公司或软件公司在尝试加上 AI 元素,但效果并不理想。为什么呢?首先, AI 不同于传统的软件开发。

以 HR 软件为例,像北森或摩卡等系统,提供的是通用性的HR解决方案,如薪酬管理、入职离职流程、培训系统等。这类系统适用于各行各业。而当 AI 引入时,业务复杂度显著提升。

比如,一个简历筛选或面试 AI 系统,它可能能处理蓝领工人的招聘,但在CXO级别、架构师或 CTO 的招聘上,由于数据和评价标准的不同,现有的 AI 系统完全无法胜任。

因此, AI 更偏向于具体业务场景,不像传统 SaaS 那样通用。SaaS 公司若想在现有的销售网络和研发体系中融入 AI ,逻辑上是存在不匹配的。相反,像我们这种原生的 AI  Agent 公司,能够更聚焦于特定业务场景。

例如,如果我们专注于Java工程师的招聘,那么我们会首先锁定像中软、软通动力这样有大量Java工程师招聘需求的客户,优化他们的招聘效率,然后再逐步向其他领域拓展。

每一次技术革新或时代的变化,都是一种范式的转移。要成功转型,企业需要高层的强力支持,重新构建业务模式,否则很难成功。

有新Newin:未来随着 Agent 技术的成熟,组织和团队在决策和管理上的标准化要求也会变得更高。那么,在这样的生态下,你希望澜码科技在 Agent 生态中扮演什么样的角色?

周健:从创业企业的角度来看,我们对于大的趋势还存在一定的不确定性。正如我之前提到的,大模型和 Agent 的采纳是有一个周期的。我们总结出一个原则:“以终为始”,即从未来倒推。澜码的愿景是让每个人都能设计自己的智能体。假如未来 Agent 像我们预期的那样普及,整个企业生态都会发生巨大的变化。届时,传统企业可能依旧因为资源的垄断而存在,但新的企业形式,如个人公司,可能会崭露头角。

举个例子,未来的代理记账公司或许不再需要3000名会计师,而是一位顶尖的会计专家设计一个 AI  Agent ,通过互联网为大量中小企业提供服务。Agent 的出现会让知识流转更快,并且使企业的运营更敏捷。

当然, Agent 技术的普及面临的最大挑战是信任问题。尽管大模型已经具备了强大的推理和决策能力,但人们对 AI 的信任还没有完全建立。

目前,我们的主要客户是央企和国企,因为它们对服务的要求更高,同时也愿意支付更高的费用。我们希望通过在这些企业中打磨产品,积累数据,等待市场对 AI 信任度的逐步提升。

当市场达到一定的信任程度后,我们相信 Agent 将能自主运作,就像今天打开滴滴打车一样,打开交易系统、银行系统后, Agent 就可以自主完成任务。这将是一个重要的里程碑。

有新Newin:这确实是一个令人期待的未来。你提到发达国家与国内的差异,例如人均 GDP 较高,促使发达国家更愿意采用 SaaS 和 Agent 技术。

国内则因为劳动力成本较低,导致企业倾向于用实习生替代技术。Agent 在与低成本劳动力竞争时,除了价格上的优势,你认为还有其他方面的优势吗?

周健:最大的优势其实不在于降本增效,而在于知识的流转速度。AI  Agent 的真正价值在于加速专家知识的传递和运用。我举个例子,我们曾与银行的对公客户经理交流过,很多销售冠军都有自己的一套方法,无论是如何获客、如何利用社会关系进行推荐,还是如何根据财务报告找到企业的痛点并推荐合适的银行产品,每个经理的做法都不尽相同。

这些经验的传承对人类来说是非常困难的。不同地区、不同行业的客户情况千差万别,要将这些经验在公司内部有效沉淀下来并快速传递几乎不可能。相反, Agent 可以通过设置标准的知识模型,快速地将不同客户经理的经验数字化并共享。Agent 能够记住每一个成功的经验,并将其运用到相似的场景中。这是传统 SaaS 无法做到的。

因此, Agent 不仅仅是降低成本,更重要的是加速知识的积累与共享,提升企业的竞争力。它可以帮助企业在销售、风控、合规等多个方面实现质的飞跃,而这也是它超越低成本劳动力的真正优势所在。

有新Newin:作为ToB服务商,需求主要来自于这些机构,而终端消费者的体验和需求往往并不会直接影响这些技术服务商与ToB客户之间的合作,甚至不会体现在最终的产品体验中。你觉得现在这种情况有什么不同吗?

周健:你是说ToC和ToB的整合问题吗?

有新Newin:例如技术服务商和银行合作,银行的数据最终也是服务于那些储蓄用户,但技术服务商和银行之间的合作,通常并不会直接影响到末端消费者的体验。这块有没有可能在新的 AI 浪潮中有一些改变?

周健:我认为现在的新技术时代,ToB 和 ToC 的界限依然存在,特别是在技术层面上,很多大模型厂商仍然更偏向于技术服务。

我们可以用云计算的 SaaS 、PaaS和IaaS层级来做类比,技术厂商往往位于 IaaS 和 PaaS 层,而应用厂商则更多集中在 SaaS 层或应用层。

在这个层次中,大模型厂商的核心壁垒在于算力、算法和数据,而应用厂商,比如我们这种平台厂商,最重要的是业务理解力。

从业务理解力上看,ToB 和 ToC 的需求是截然不同的。ToB 更多是理性的逻辑,而 ToC 则往往涉及感性体验。

对于 ToB 企业来说,采购流程较为复杂,价值传递的速度也较慢,因为其商业周期较长。

相反,ToC市场的反应速度较快,所以从技术整合的角度上来看,我认为即便是有了大模型或 AI  Agent 技术,ToB 和 ToC 的完全打通仍然非常困难。

有新Newin:你能否分享一下澜码科技在制造业、金融业或医疗领域的一些成功案例?

周健:好的。我们目前的主要客户群集中在金融和能源行业,尤其是那些 IT 投入在10 亿以上的大型企业。我们专注于 AI 软件的应用,而不是简单的工程化软件解决方案。

因此,我们更多关注的是数据集和业务流程,比如公司、商品和员工是企业中最重要的业务对象,我们聚焦于公司层面的智能化应用。

在央企方面,我们与国家电网合作,开发了供应商资质审核的智能系统。央企对于供应商有着严格的要求,比如起重机、电缆等不同设备的资质审核往往需要专家参与。

通过我们的 Agent 技术,我们能够自动化和智能化地进行资质审核,大大降低了专家的工作量,并且使审核流程更加透明化。这是我们在央企领域的一个标杆案例。

在金融行业,我们聚焦于对公客户经理的销售辅助工具。比如,通过对公司财报、股权结构、公司章程等信息的分析,我们帮助客户经理更好地为企业客户提供个性化的金融产品推荐。

我们的系统能够根据客户的反馈生成定制化的备选方案,并优化排序,从而提高银行产品的销售转化率。这是我们目前在金融领域主要的两个应用场景。

有新Newin:很有趣。那像在金融领域,如果今天与工商银行合作,明天与中国银行合作,这些银行的业务需求是否有共性?有哪些可以复制和规模化的部分?此外,能否分享一下澜码科技当前的发展规模?

周健:的确有很多共性的部分。AI  Agent 的本质是增强与替代现有业务逻辑的能力。在对公客户经理的应用场景中,有两个核心技能可以被复用。

首先是对银行产品的理解,不管是工行、招行还是其他中小银行,银行的主要产品类别,如授信、承兑汇票、外汇保理等是相对固定的。其次是对客户的分析,包括财报分析、法人信息分析等,这些模块是通用的。

当然,不同银行可能有各自的产品手册、风控规则以及CRM系统的对接方式稍有不同,但这些占整体应用开发的比例并不大。所以,我们的解决方案具有很强的复制性和规模化潜力。

从业务角度来看,我们调研过银行的客户经理队伍,客户经理大约占到银行总员工数的 20%~30%。如果我们能够帮助银行提升这部分人员的工作效率,整个行业的潜在市场规模非常可观。

银行在人力成本上的支出大约在 1 万亿人民币,其中客户经理的成本就占到 2000亿。如果我们能够帮助银行在客户经理方面实现提效,比如减少一半的人员成本,或使收入翻倍,那这个市场机会就相当巨大。

有新Newin:好的,最后我想了解一下,你对澜码科技的未来发展有哪些展望?

周健:刚才我提到过我们的愿景是让每个人都能够设计自己的智能体。其实这和我们的初心息息相关。在创业初期,我常常思考,什么才是能够支撑公司长期发展的目标?

作为一生的追求,我觉得只要我们愿意坚持,公司就不会失败。因此,我希望能够找到一个能够持续 20 年甚至更长时间的任务。

我们希望能够让专家通过他们的知识和技能赚取收入,甚至让每个人都能开一家“一人公司”。以程序员为例:每位程序员都能自己创建一个 Agent ,通过调用算力,基于业务结果来收费。这有点像“开发者版的淘宝”,每个人都能靠自己的智能体赚钱。这就是我们的愿景。

当然,实现这个愿景面临诸多挑战,包括技术壁垒、市场对 AI  Agent 的信任问题,以及我们自身在组织能力上的限制。

所以我们必须一步步走,目前的策略是先从央国企等IT预算充足的客户入手,建立信任、完善技术并提升组织能力。未来,我们希望能在C端市场或其他行业扩展,真正发挥 AI  Agent 的潜力。

✦ 出海活动 ✦

往期精选推荐 ✦
新出炉的 200+页 AI 现状报告都说了什么?AI First 初创公司营收增速比传统 SaaS 公司要快两倍!
5 个硅谷最新 AI 共识:未来将是多模型共存局面,单一 AI 模型不再占据主导地位,杀手级应用已悄然出现......
VC 今年以来对 AI 初创公司投资达 641 亿美元,接近 2021 年峰值,但全球 AI 年收入总额也才数百亿美元






有新Newin
无限向新力。
 最新文章