对话特赞范凌：我亲手「杀死」了过去的自己，AI 时代所有的留恋都是负担

当所有人都能调用 AI 时，什么才是你真正的护城河？

作者｜周永亮

编辑｜郑玄

「我不知道 AI 这艘船上有多少船票，但我知道，上船最重要。」

特赞科技创始人兼 CEO 范凌的紧迫感，几乎一直弥漫在整场交流中。这不是源于业绩压力，也不是投资人的催促，而是一种更原始的情绪：害怕在 AI 这个马太效应极强的时代，错失一张决定未来的船票。

如今，我们处在一个应用层和基础层同时剧变的时代，这在整个科技史上也非常少见。焦虑与兴奋，是这个时代的两面。去年，当 Shopify 创始人在社交媒体上展示自己重回一线写下的密密麻麻的代码时，范凌感受到了强烈的共鸣。

这不是个例，而是一股浪潮。很多科技公司的创始人，都开始重回一线，重新扎入代码、产品和用户之中，试图亲自触摸 AI 的脉搏。

为此，范凌选择了一条更决绝的路：亲手「杀死」过去的自己。

最近，他们发布了一款新产品 GEA（Generative Enterprise Agent，企业级智能体）。它记录了一个中国企业服务创业者，在 AI 巨浪面前，如何完成一次彻底的自我认知重构。

过去的特赞，那个在已知地图上精耕细作、追求极致效率的「匠人」，终于放下了旧时代的枷锁，一个立志开辟「新大航海时代」的哥伦布，已经扬帆启航。

当基础模型的能力日趋统一，当所有人都能轻易调用强大的 AI 时，未来企业的真正护城河是什么？胜负手将落在哪里？当 AI 从助手走到企业真实的业务场景（产品创新、洞察研究、内容增长、设计创作等），什么样的系统能够真正承接目标、组织推理，并持续推进结果产生？

范凌的答案是 GEA。

一套面向真实业务流程设计的企业级智能体架构。

在这个架构中，最核心的是「上下文的密度」。他断言，我们正从「工具驱动」的时代，迈入「上下文驱动」的时代。未来，真正决定胜负的，不再是你拥有什么工具，而是你为 AI 喂养了怎样独特且高密度的业务场景、用户数据和行业知识。一个只有 50 字描述的 AI 虚拟人，和一个拥有几十万字背景故事的虚拟人，它们的能力天差地别。上下文，将决定你的独特性。

AI 技术的快速迭代，也带来组织的变革。从「AI 赋能」到「AI 原生」，这不只是词汇的变化，更是更底层组织逻辑的调整。范凌和他的客户们正在一条全新的道路上奔跑：让 Agent 7x24 小时进行新品研发，一年创造 3000 个创意，再用虚拟用户投票筛选出 300 个交给人类决策。在这里，人不再疲于从 0 做到 70 分的重复性劳动，而是聚焦于从 70 到 100 分的创造性飞跃。

但范凌也并非盲目乐观的布道者。他清醒地看到，从一个漂亮的概念验证到规模化落地之间，还有着巨大的鸿沟。跨越它需要两样东西：一是系统性的评估体系（Eval），二是由顶级专业人士「蒸馏」出的高质量 Agent 技能。前者决定你能否信任 AI，后者决定 AI 能否真正胜任专业工作。

「放下『未来必须和过去有关』这个包袱。」范凌在采访的最后说。这句话，不仅是对他自己，也是对所有在 AI 浪潮前感到兴奋又焦虑的企业家们的建议。

你的过去决定了现在的你是谁，但你的未来，是由现在的你创造出来的。在一个为「非共识」喝彩的新时代，所有的留恋都是一种负担。

以下为范凌与张鹏对话内容实录，有编辑删减。

张鹏：最近特赞发布了一款新产品 GEA。从你的视角看，你们服务的那些企业客户现在到底是如何看待 AI 的？

范凌：这次发布 GEA，我们反复强调：这不是一次简单的产品发布，而是一次对特赞的「重新介绍」。特赞是一家企业级智能体公司。

关于客户的态度，我给你描述一个很直观的场景变化：去年，当我们给客户讲生成式 AI、讲智能体（比如我们的洞察研究智能体产品 Atypica.AI  ），他们会说：「嗯，这个东西很有意思，但是……」后面跟着一大堆不行动的理由。

今年，当我们再讲 AI，他们会先提出很多疑问：「幻觉怎么解决？数据准确性怎么解决？」但是，他们最后的结论是：「我们要不先试试？」

这就是企业态度的根本转变。过去，他们研究很多，行动很谨慎。而今年，尤其是随着 Claude Opus 4.6、Openclaw 等的发布，客户们虽然仍有很多疑问和畏惧，但他们选择暂时搁置这些畏惧，开始动手尝试。

为什么？因为大家都有一个普遍的担心，如果自己不动手，竞争对手可能就抢先了。所以说，他们的「手是诚实的」。

张鹏：你最近发布的 GEA，感觉是经过了系统性思考的产物，并且你说它的诞生要「重新介绍特赞」。给我们讲讲，这个新世界观是什么？GEA 又是一个什么样的产品？

范凌：我们很早就开始用 AI，从 GPT-2.0 开始，但坦白说，我们一度对外界的情绪反应不足，总觉得「又是一次炒作」。直到去年年初，我看到像 Cursor、Devin 这类产品出现，我意识到这不再是技术变化，而是对「软件」本身的挑战，而我们正是软件的受益者。

我们尝试做了第一个 Agent 产品 atypica.AI。过程中我们学到最重要的一点是：它不仅是软件的替代，更有可能替代使用软件的专业人士。AI 不再只是提效，而是能直接把活干了。

这个认知促使我们从第一性原理重新思考，GEA 就是用这种方法把我们为客户做的所有事情重塑了一遍。所以 GEA 的发布是后置的，客户已经用了好几个月，我们才决定官宣。对我来说，决定发布的那一刻，就是我决定放下过去特赞的形象，重新定义特赞的那一刻。

第二个是，2025 年年中，我意识到 AI 开启的不是在原有地图上深耕的模式，而是一个「新大航海时代」。对我们这种在原有领域深耕的企业来说，做深做精是本能。但我突然觉得，我们有机会做「哥伦布」，而不是一个精益求精的「匠人」。

这意味着我们要打破边界，去抢新地盘。我们不再只做内容，也开始做产品创新、用户洞察的智能体。你会发现，Agent 的底层架构是相通的，这让我们能很自然地冲出原来的领域，这个过程非常令人兴奋。

张鹏：你说 GEA 是你刷新公司定义的起点，而且已经在客户那里跑了一段时间。它的构想框架是怎样的？现在它如何服务客户？

范凌：首先，「Agent」这个词现在被用得很广泛。在我看来，用一堆提示词去做一个简单的 Agent 并没有壁垒。任何过去用软件、用专业服务完成的事，理论上都可以用 Agent 重做一遍。

真正的价值和壁垒在于以下几层：

首先是模型编排。没有一个模型能擅长所有事，做图、做视频、做推理、做写作，可能都需要不同的模型。要完成一个像「新品创新」这样的复杂任务，我们可能要调用二十多个不同的模型，包括开源的、闭源的，甚至是企业自己训练的。如何根据任务，高效、低成本地编排这些模型，至关重要。毕竟，Token 并不便宜。

第二是上下文（Context）。如果大家都能用上同样的模型，差异化就在于你为模型提供了怎样的运行环境。我们把企业数据分为两种：一种是存在表格里的结构化数据，我们称之为企业的「事实（Ground Truth）」；另一种是大量的图文、视频等非结构化数据，这就是企业的「上下文（Context）」。特赞过去几年一直在帮企业做内容管理，正好积累了这一层的能力。有了好的、对的上下文，模型才能发挥真正的作用。

在模型编排和上下文之间，是执行任务的 Agent 层。但在这之上，还有最关键的一层，我们称之为意图（Intent）。企业里的任务通常不是「给我打印张纸」这样的简单指令，而是需要迭代的复杂需求。因此，理解用户背后的真实意图至关重要。我们甚至专门为此训练了一个发散推理模型（Creative Reasoning Model），用于理解和增强意图。

所以，GEA 的框架就是由四层构成：

我们相信，这个架构组合起来，才有可能真正解决过去需要专业服务才能解决的问题，比如用户洞察、产品创新咨询、营销增长策略等。最终的目标，就是让 Agent 重做一遍专业服务。

张鹏：我很好奇，GEA 这个名字怎么解读？

范凌：GEA 就是 Generative Enterprise Agent，企业级智能体。我们内部用这个代号很久了，它也是 大地女神盖亚（Gaia，在西方文化里象征「承载世界的底层结构」）的名字，我们觉得寓意很好。

现在有些公司会把数字员工放进组织架构图，我觉得这可能有点像噱头。AI 技术每年都在发展，最早是能生成文字、图像的生成式 AI；之后是会推理、能思考的 AI；现在则是能干活的 Agentic AI。

随之而来的是组织形态的变化。最初大家想的是「AI 赋能」（AI Empowered），比如给每个员工配一个 Copilot 当助手，或者用 Agent 替代某些角色。「赋能」这个词，意味着原有的东西不变，只是通过新技术让它变得更强，像是武器升级。

但现在有另一个方向，叫「AI 原生」（AI Native）。我们自己就在思考什么是 AI 原生。比如，我们做公司营销时，第一步是先给 AI 大量的文件权限，让它理解公司，并且这些文件的架构也是按照方便 AI 读取的方式来组织的。这才是 AI 原生。

我更希望 GEA 能驱动更多企业变得更 AI 原生。不是给研发人员一个新工具，而是创造一种新的研发方式。比如，让 Agent 7x24 小时在后台为企业做新品创新。这样一来，不是人提出想法、AI 加速实现；而是 AI 负责创新。

单纯为了降本增效去做两个数字员工，我认为这是一种内卷逻辑。我们更应该走向 AI 原生，去寻找新的增量机会。

当然，喜马拉雅的创始人余建军还提到了第三个阶段，叫「AI 唤醒」（AI Awakened），我们也很期待看到未来被 AI 唤醒的新物种。

张鹏：我理解 AI 原生的本质，是放大企业的可能性，但企业场景需要确定性。你们的 GEA 框架是如何在一个概率系统之上，建立企业需要的确定性呢？

范凌：我们提到的意图、编排、Agent 和上下文这四层结构，本身就是为企业场景设计的，这能解决七八成的问题。但这还不够。要让 AI 在企业里从一个看起来很美的概念验证（POC），到真正能规模化应用，中间有巨大的鸿沟。要跨越它，需要两个关键突破。

第一个突破，在硅谷很火但在国内提得还不够的词，叫「Eval」，也就是评估（Evaluation）。在规模化应用前，你必须系统性地评估它，了解它的容错率。这意味着需要建立一套评估的基础设施和行业基准（Benchmark）。就像客服领域有相应的榜单，未来在产品研发、用户洞察等垂直领域，我们也需要能去「打榜」，证明我们的能力。

第二个突破，是构建高质量的「智能体技能」（Agent Skills）。我最近在美国观察到，现在的数据标注已经不是简单的给图片打标签了，而是雇佣顶级的专业人士（比如律师、咨询师）去完整地解决一个极其复杂、可能有几十上百个步骤的真实问题，并把这个过程记录下来。

这才是现在最有价值的「人类数据」，是专家的技能和智慧的「蒸馏」。这些高质量的、复杂的「技能」会非常昂贵，并且是专有的，而不会是免费通用的。企业想要真正用好 AI，就必须构建或获取这样的「技能」。

相关阅读：

张鹏：我感觉你做的不是数字员工，也不是单纯降本增效的基础设施。它更像一个「拎包入住」的平台或环境？

范凌：是环境，但这个词有点抽象。我更愿意称之为一个 AI 原生的「培养皿」。它不是一个简单的工具，也不是替代一两个员工，它带来的是化学变化，目的是让用户的工作方式、甚至竞争力都发生根本改变。

我给你举个例子。我们有个客户是做巧克力的，非常传统，过去每两年才换一款产品。但现在市场变了，不存在单品爆款，需要不断用小规模的创意去测试市场。

巧克力的核心 80% 是不变的，变化的是那 20% 的包装、口味、联名等等。他们就用 AI 来大量生成这 20% 的新品创意，一年下来能产生 3000 多个不同的想法。

然后，我们用模拟的用户 Agent 去自动给这 3000 多个想法投票，筛选出最好的 300 个，再交给人来讨论。

这就意味着，当团队开始做新品构思时，他们不是从 0 开始，而是面对着 300 个已经很完善、包含具体造型的方案。AI 已经把工作从 0 分做到了 70 分。人的精力不再消耗在 0 到 70 这个机械的、「打工人」的过程中，而是全力投入在 70 到 100 这个纯粹的创造力环节。

我觉得这个过程非常有机，人的价值得到了更好的发挥，AI 也能持续地提供燃料。虽然这不是一个惊天动地的新产品，但它代表了大多数企业走向 AI 原生的真实路径。

张鹏： 我们聊到了主动的（Proactive）Agent，你觉得企业里什么样的场景下，这种主动 Agent 已经相对成熟了？它的边界在哪里？

范凌： 我一直在思考 Proactive Agent。为什么研发一定要由人来驱动，而不是让 Agent 不停地研发，然后来征求人的意见？就像我们现在很少主动搜索，而是由信息流（feed）给我们推送内容。工作为什么不能也是这样？让 AI 不停地工作，时不时来问问我的看法。

我过去认为，Proactive Agent 应该是由 AI 自动发起对话，而不是人输入提示词。但我曾错误地以为，要做 10 个 Agent，就得做 10 个 Proactive Agent。后来我意识到，只需要做一个「Proactive Agent」，由它去调用所有其他的 Agent。这样，整个工作流就自然被激活了。这在今天已经可以做到。

在这种协同中，人的价值至关重要。首先，人要为 Agent 设定好场景和目标。其次，人是评价者。Agent 的逻辑是可预测的，它总是选择概率最大的路径，人则需要提供反馈、意外和挑战来引导它。最后，人是最终的责任承担者。Agent 能干活，甚至能用脑，但它不能承担责任。

张鹏：「关系」变得空前重要。即便未来大家都是 AI Native，最终还是要回到如何与用户交朋友，并把这种关系转化为更好的服务。那么，你的客户用 GEA 框架，具体能做一些什么样的事情？

范凌：我们的客户主要有两类。一类是世界 500 强级别的大企业，覆盖快消、美妆、新能源车、酒类等行业。另一类是中小企业和专业个人用户，因为 Agent 的使用门槛比传统软件低很多，所以这类用户增长很快。

我举两个例子。一家世界 500 强的食品公司，用 GEA 搭建了一套内容增长流程。AI 每天自动搜索与品牌相关的话题，为旗下的社交媒体矩阵号生成内容、续写人设、混剪视频并分发。然后它会追踪哪些内容效果好，再回来进行二次、三次创作，形成一个闭环。在这个流程中，人只需要做选择、调整和引导。最终，这款新品的 ROI 在三个月内提升了 7 倍。

还有一个例子。我们有一个个人用户，他的产品在国内很成功，但不知道该进入哪个海外市场。他用 GEA 去扫描全球市场，寻找合适的用户，并测试触达他们的方式，在几周内就完成了初步的市场调研和用户测试。

总的来说，GEA 主要解决的是企业前端与增长相关的非供应链问题。只要客户能提出一个增长场景，我们就能用 GEA 把它串联起来，让它跑起来。

张鹏：很多硬件产品发布前都会做前测，来验证产品、调整策略。未来是否能在一个虚拟空间里，完成产品优化的模拟（Simulation）？你的客户有在这么做的吗？

范凌： 简单说，有。尤其在智能硬件领域，大到新能源车，小到手机。用法主要有两种。

第一种是在产品定义阶段，比前测更早。很多创新是用户驱动的，我们会用 Agent 批量模拟用户，收集他们的声音（Voice of Customer），甚至捏成虚拟用户来和品牌方一起脑暴。比如，我们帮一家新能源车企，召集了一群虚拟的「二孩年轻家庭」，共同定义下一代 MPV。

第二种是用在测试环节。智能硬件的外观和用户体验非常保密，比如新手机在测试时连镜头都要贴掉，但又需要大量用户测试。我们就可以生成一群虚拟用户，让他们在虚拟环境中「观看」和「点击」新产品。

当然，我并不认为未来只需要虚拟测试，一定是虚实结合的。虚拟部分能大大增加测试频次、降低成本；而真实用户的反馈，则提供新的数据和思路，反哺系统。我们从新能源车到录音卡这样的客户，都在进行这类实践。

但我必须补充一点，这一定是人机结合的模式。AI 负责处理那些大概率的、重复性的工作，而人，永远负责带来意外、品味和挑战。

张鹏：这就像具身智能领域里的模拟（Simulation）。模拟数据有巨大价值，能极大提升效率，但也存在一个从「模拟到现实」（Sim to Real）的差距。虚拟用户如何保证测试数据的有效性？我为什么能信它？

范凌：这个问题可以从几个层面来保障。首先，大量学术研究已经证明，通过大语言模型和工程优化，AI 模拟的消费行为能达到和真人 85% 的一致性，这是一个坚实的基础。

其次，企业应用时，会有一个评估和校准的过程。我们会针对汽车、智能手机、消费品等特定场景，解决「最后一公里」的难题，让模拟更贴近真实业务。

最后，在一些特殊行业，比如医疗，尤其是涉及老人和儿童的数据，本来就极度稀缺。在这种情况下，AI 模拟出的用户数据质量，可能比现有的数据还要好。我们的比较对象不应是绝对真理，而是现有的基准（Benchmark）。

张鹏：很多 ToB 的 AI 公司会「挑客户」，他们觉得如果客户没有「AI Ready」，服务起来会很麻烦。在使用 GEA 之前，公司需要在业务或数据上达到某种状态吗？

范凌：这个问题，今年和去年的答案不一样了。今年我的答案是：我不挑客户，我只挑预算。

现在是 AI 的「大航海时代」。我不在乎客户的准备程度，只要他有决心和预算去做这件事。客户的准备程度有高有低，有些能快速吸纳新技术，有些则意愿很强但不知从何下手。

针对后一类客户，我们今年的核心策略是「全栈式服务」（Full Stack）。我们不能只把技术丢给客户。即使是 AI 认知领先的公司，也需要通过培训等支持的方式来弥合「认知」和「动手」之间的差距。

所以，「全栈式服务」意味着我们用 AI 技术 + 人的服务，直接帮客户产生价值。你没有数据，我们帮你解决数据问题；你不知道怎么改工作流，我们帮你设计。

我们的目标是在未来某个时间点，把整套系统交付给你，但我们不能让你当下的「手脑不协调」阻碍你开启 AI 的进程。中间的差距，就是我们的机会。

现在是大航海时代，新大陆一定不如旧大陆舒服，但新大陆足够大。

张鹏：你一开场就非常坚决，把今天 GEA 产品的发布，看作是对特赞的一次重新定义。那么，特赞的历史上，在哪些节点上做过「翻新」？这条路是怎么走过来的？

范凌： 特赞，名字就是 Tech 加 design，一手技术，一手创造力。这个本质没有变过，变的是产品形态。我们最早是一个平台，但慢慢发现，不是每个行业都有做平台的机会，尤其是 to B 的平台。

后来我们做了一个比较大的跳转，把平台变成服务大客户的软件。原来做平台是为了民主、平均，不要服务寡头，后来我们成了一个服务大企业的软件公司，当然也和 AI、内容相关。这个过程我们吃到了很多红利，比如前几年的 SaaS 红利，企业服务红利，以及最近的 AI 红利。

这次的变化，是我自己觉得最大的，最不顺理成章的。过去我们是在积累的东西上包一层时代的印记，但这次有点像是要把过去的积累放下来。我一直跟团队说，我们又没有大到可以吃资源，又没有小到没有负担，所有东西都可能成为拥抱明天的累赘。所以我们希望能够自我革命，这一波的改变是完全彻底的。

张鹏：过去的变化，就像一个滚动的蛋，壳上一层层的东西叠加。但今天不是再滚一层更厚的，而是要从里把壳敲碎，长出新东西来？

范凌：对，这源于一种内心的紧迫感。我不是因为业绩或投资人有压力，而是我害怕在 AI 这个马太效应极强的时代，我们上不了船。我不知道有多少人有船票，但我知道上船最重要。

今年初，我看到很多软件公司的创始人都有类似的表述。Shopify 的创始人说他去年写了前所未有那么多的代码；Airtable 的创始人也亲自做了两个新产品；Intercom 的创始人甚至写了一篇与过去决裂的文章，甚至改了商业模式和董事会。

这让我更加确信：在这个大航海时代，所有的留恋都是一种负担。

相关阅读：

张鹏：目前，华尔街正在重新评估软件的价值，很多公司估值大跌。你认为，是市场低估了软件，还是软件真的正在被 AI 吞噬？

范凌：我们以前总觉得中国的明天是美国的今天，没想到在软件行业，美国的明天成了中国的今天——强调定制化开发、低成本、包服务。

原来美国的软件太轻松了，一个简单的产品能卖很多钱，是因为很多中小企业付不起专业服务的费用，只能被迫接受标准化产品。现在 AI 让每个人都可以有自己的软件，SaaS 当然应该重做一遍。所以股票下跌不是一种错杀。

AI 不仅会取代很多软件，也会取代很多用软件的人。我一直觉得，所有坐着工作的岗位都可能被 AI 取代。

那我们的机会在哪？第一，要拥抱企业场景，不仅是提高效率（output），更要交付成果（outcome）。第二，要拥抱物理世界。物理世界和数字世界的节点，才是创业的机会。比如我们为什么喜欢做用户研究？因为人没那么快变化。纯 AI 公司的差异化会越来越小，但如果我们能用 AI 帮助一个传统行业，比如把新品研发周期从两年缩短到两天，这才是我们存活的机会。

张鹏：我还有一个问题，我看你还挂着同济大学教授的身份，是一边创业，一边还在教课带学生吗？

范凌：我创业前就在大学教书，回国后，我的本科母校同济，给了我一个很灵活的职位，允许我全身心创业，同时把余量贡献给学校。

我在学校不教本科生的课，但带研究生、博士生和博士后，我们有一个二三十人的实验室。所有无法商业化的兴趣话题，比如一些可以长期积累的数据集、人才培养，都会放在实验室里，以发论文、写专利、申请课题为主。

这对我来说是一种很重要的平衡感。企业里思考的周期基本不超过三个月，但在学校可以做一些长期积累。

最近我发现，AI 让科研和市场的距离变得非常近。我去聊了很多大学老师朋友，没有一个不想创业的。AI 给了科研人员一个新机会，我们的知识离市场更近了。比如最近很火的「Harness Engineering」，原本是科研问题，现在三到六个月就可能成为应用技术。反过来，学校也迫切需要来自市场的真实问题和算力，这是一个双赢，只是对体力要求很高。

张鹏：今天我们做的很多工程上的事，未来有多少会被模型自己吸收掉？这决定了我们今天做的事，未来是否还有价值。比如 GEA，你肯定要考虑，哪些工作会被模型吸收，哪些会永远保留独立价值？

范凌：这个问题我没有很好的答案，只能说在持续思考。

如果用已知类比未知，我觉得模型和应用之间，就像平台和品牌之间的博弈。最早电商刚开始时，平台很强势，但后来品牌的力量也越来越大。现在，模型就是新的平台，可能暂时强势，但随着应用方用得越来越多、越来越好，应用方的力量也会变大。

模型肯定什么都想做，只是有路线图的远近之分。我们现在做的事，也许是模型三年后会做的事，所以我们必须持续往下做。

另一边，企业会越来越敏感，会把它的 context（上下文、业务场景）变成完全私有的东西，并尽量和模型做物理上的隔离。作为创业公司，我们必须站队。我们会选择站在品牌（企业）这一侧，帮助他们守住和用好自己的 context。

张鹏： 这就是一种世界观和选择。模型就算万能，也依托于数据。但企业里有很多「暗数据」，就像宇宙中的暗物质，无法轻易被观测和抽取。

比如，要把一个人的岗位能力「蒸馏」成一个数字员工，你会发现显性的知识就那么多，但有很多隐性的「暗知识」只在特定场景下才会激发。模型想吞噬一切是很难的，这些模型不可见的「暗物质」一定会形成一个价值层。未来的关键，就是如何组织这部分价值，并与模型协同，创造更大的价值。这就像有了电以后，我们去思考怎么用电，而不是成为给别人供电的电池。世界本身就在一个「移动靶」的博弈过程中，关键是要参与进去，才能看清楚。

范凌： 是的。在我们有生之年，从来没有碰到过应用层和基础技术层都同时剧烈变化的时代。通常基础是平稳的，变化发生在应用层。但这次两个都在巨变，所以预测任何东西都很难，只能「随波逐流」——意思就是不要停下来。

张鹏：我们来推演一下。假如未来所有企业都用上了最好的模型和 Agent Skill，一个企业的独有价值和最终的胜负手，会落在哪里？

范凌：这个问题我也时常思考。过去我们觉得核心是做好产品，但现在用 AI 做产品的门槛越来越低。那么，什么东西是 AI 无法加速的？

我的答案可能不那么技术，但我认为是品牌带来的信任。我发现很多 AI 公司又重回到了人和人的交流。创始人必须亲自走到台前，让用户因为相信你、喜欢你，而去试用你的产品。这种「人的连接」反而成了 AI 产品的关键差异点。

第二点是社群和真实的线下体验。我看到 Anthropic 像消费品牌一样，去做线下的快闪店，这种做法是在建立社群和一种「真人感」。当产品本身差异不大时，这些就成了竞争壁垒。

当然，当用户用得越多，积累的上下文和数据越多，迁移成本就越高，数据的飞轮效应就会出现，这是另一种竞争力。但在当前阶段，我们必须抓住那些 AI 无法快速复制的价值，比如品牌和信任。

张鹏：特赞基于新的世界观，通过 GEA 迈出了破壳的第一步。接下来会走向哪里？你肯定已经想好了下一步，今天能分享吗？

范凌： GEA 只是一个开始。我们会以每两周一个新场景的速度，把它的应用变得更多元。我们已经规划了接下来的三到四次发布的内容，希望和信任我们的用户一起，找到他们还想解决的场景。

第二，最近我去美国发现，和过去 ERP、CRM 这些由美国人发明的概念不同，AI 这一波，中国在应用层面有很多领先。所以，把中国消费市场历练出的实战能力，以企业级方式交付给全球客户， 这个空间巨大。现在可能真的会出现「China for global」，中国的应用应该走向全世界，这不是情怀，是结构性的机会。GEA 从第一天就是全球化的（global first），我们已经在新加坡、日本、美国进行复制。

第三，Agent 不仅是取代 SaaS，它能直接交付结果，从而取代一部分专业服务。比如，用户研究 Agent 能不能直接做掉咨询公司的事？就像法律 Agent 已经在做律所的事。所以我在探索，GEA 能否不止着眼于软件市场，而是去获取整个专业服务市场的一部分。

张鹏：过去我们讨论软件生态时，会谈论开放与封闭。在未来的企业智能化时代，这个问题还存在吗？它会如何演进？

范凌： 我认为海内外是完全不一样的生态，产品的做法也完全不一样。

在海外，「整合」（integration）一直是最重要的特性，你必须能和其他众多软件平台打通。比如，连接各个社交媒体进行内容分发和数据获取，在海外就非常容易。

但在中国，每个大厂都想在自己内部形成闭环。同样是社媒分发，在中国要用很多变通的方法才能实现自动化。

所以，我心里的理想状态是开放的。但现实是，在中国当下的环境里谈不上「开放」。因此，如果我们的产品要走向海外，就必须是开放的。

张鹏： 现在顶级的创业者都把全球化作为第一目标，这和过去（中国市场打不过才去海外）很不一样。这已经成了一个非常重要的「新世界观」？

范凌： 是的，还有一个很重要的原因是，AI 让语言不再是问题。这使得我们可以更容易地兼容不同的文化和语言，也是全球化的一个重要原因。

张鹏： 我们大胆预言一下，到 2030 年，在企业智能服务这个领域，一家真正有价值的优秀公司，需要具备哪些关键条件？

范凌： 我认为，我们正在从「工具驱动」转向「上下文驱动」（Context-driven）。

过去的理念是「工具驱动」，就像麦克卢汉说的，「我们创造工具，工具反过来塑造我们」。但现在，创造工具本身变得非常简单。

新的核心是「上下文驱动」。我们开始能让那些过去很难被结构化的东西（比如一段自然语言）变得可被结构化、可被计算。我发现，AI 应用效果的好坏，直接取决于「上下文密度」的高低。

举个例子，一个效果差的 AI 虚拟人，可能只有 50 个字去描述它。而一个效果好的 AI 虚拟人，拥有密度极高的上下文，用几万甚至几十万字去描述它的性格、出身、行为习惯，甚至是他坐在椅子上的样子。

所以，我认为到 2030 年，谁能掌握更高密度的「上下文」，谁就能最大化地用好大语言模型，创造出独特的价值。上下文，将决定你的独特性。

张鹏：最后一个问题。今天有很多创业者和企业家，他们对 AI 感到焦虑，但又渴望探索。作为一个已经走在路上的探索者，你有什么建议给他们？

范凌： 我感受到的不是焦虑，而是「紧迫」，觉得应该尽快做点什么。

我的建议是：放下「未来必须和过去有关」这个包袱。

你的过去，决定了「现在」的你是谁。但是，你的未来，是由「现在」的你创造出来的，并不意味着你未来要做的事必须和过去做的事相关。

AI 时代重新给了我们一种环境，一个大家会为「非共识」的观点而喝彩的环境。在过去很长一段时间里，由于追求降本增效等原因，我们都为「共识」而喝彩，很少有人为「非共识」买单。但过去这一两年，情况变了。

所以，我们应该勇敢地与过去所做的事情做切割，然后勇敢地迈向明天。

*头图来源：特赞科技

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO

极客一问

你如何看待 GEA ？