AI落地垂直领域：机会、痛点与出海

近日，“博原资本2024年度产业大会”在苏州落幕。活动现场聚集了产业内外众多行业精英，围绕产业投资所面临的诸多问题以及未来产业发展的方向进行了深度讨论。

在博世集团和博原资本看来，未来几年，技术上的大突破将来自人工智能领域。目前，博世与博原对人工智能在to B 垂类及to C领域的落地应用已有历时多年、相当程度的积累，与AI有关的全球化合作也正在密切开展。

活动当天，在博原资本合伙人丁浩先生的主持下，AutoCore.ai创始人/CEO张旸、博世中国副总裁刘敏、前Graphcore 大中华区CEO卢涛在AI专场《AI进入垂直领域后的机会》中，就AI场景落地、隐私保护、AI企业出海等核心问题进行了深入探讨。

以下是我们对本场圆桌对话的内容整理，有删减：

丁浩：大家好，我是博原资本合伙人丁浩，我们在 AI 垂类领域长期观察。今年我们觉得可以先不聚焦生成式 AI，而更多探讨非生成式 AI 在不同方向和场景的应用。期间听到很多关于大模型及应用场景的讨论，发现 AI 应用场景越发垂直、细分和专业化。今天很高兴邀请到三位嘉宾，请分别做下自我介绍。

张旸：我叫张旸，是AutoCore.ai创始人，我们非常有幸在2023年引入博原资本作为我们的战略投资人。我们主要做智能汽车、智能体的软件，我们更多关注的是AI如何承载应用。

刘敏：我是来自博世的刘敏，我在博世负责在中国的整体战略。具体到AI，从战略角度来说就是博世怎么在中国做AI。首先，我们正积极在中国构建AI能力。这包括在中国本土建立专业团队，并与清华大学等顶尖学术机构合作，以加强博世在中国的AI研发实力。我们的目标是将更多的AI技术和能力本地化，以更好地服务于中国市场。其次，我们致力于将AI技术与博世的产品和内部流程紧密结合。为此，我们在国内与多家初创企业和大型平台建立了合作关系。我们希望通过这些合作，推动AI技术在博世产品中的应用，并提升内部运营效率。综上所述，我们通过在中国推动AI技术的发展，增强我们产品的竞争力，并构建强大的AI能力，以实现AI技术对博世的全面赋能。

卢涛：我叫卢涛，我有大概20年都在半导体领域工作，这是AI领域最基建的水泥沙子行业。过去我主要做过两家公司，一直偏CPU和网络芯片方向，最近六年基本都在深耕AI处理器、数据中心、训练推理这些方向。

AI落地场景，机会在哪里？

丁浩：AI快速发展给大家带来的感受是什么？到底为三位所在的行业带来了哪些改变？是否已经看到了一些具体的、真实的应用场景落地？

丁浩 博原资本 合伙人

刘敏：首先需要从概念上区分 AI 和生成式 AI，它们实际上有很大不同。

从2015至2017年，AI的应用开始在各个垂直领域和行业中得到尝试。最初，人们对于AI的期望很高，想法众多。随着时间的推移，许多行业已经进入了更为谨慎的试水阶段，人们开始更加清晰地认识到哪些AI应用是可行的，哪些是不切实际的。相比之下，生成式AI在应用方面仍处于相对早期的阶段。

在博世，我们特别关注AI在流程和生产两个方面的应用。生产主要从工业角度出发，而流程则涉及内部管理等方面。目前，博世的每个团队几乎都配备了小型AI团队或几位AI工程师。此外，博世也非常重视AI在产品上的应用，例如自动驾驶技术的发展和量产推进。

为了探索生成式AI的应用场景，博世集团内部各事业部积极集思广益，收集了十四五个场景，主要集中在降本增效方面，这与当前的实际需求非常吻合。在效率探索方面，如知识管理、翻译和图文生成等应用场景已经相对成熟。例如，在家电业务中，博世利用生成式AI在双十一期间制作投放图片，节省了大量的设计师人力，展现了其强大的实用价值。

博世还在探索更深层次的应用，如自动生成编码和基于产品图直接生成视频等功能。值得一提的是，在收集的十几种垂直应用中，博世中国内部已有100多个项目在运行，其中约40个项目处于概念验证（POC）阶段。

博世运作着一个高效的机制——Open Bosch。无论是创业公司还是博世，许多应用无需完全自行开发，合作是最佳策略。初创公司拥有优秀的人才、制度和资金，效率极高；而博世拥有众多实际应用场景，但深知AI在真实工业场景落地的困难，存在数据、流程等问题。因此，创业公司与博世可以进行良好的共创，双方形成一股吸引力，共同投入资源。虽然AI场景的落地尚处于早期阶段，但这是博世必须前行的道路。

我们期待AI场景的落地能为博世带来巨大的收获，通过合作和共创，共同推动AI技术的发展和应用。

刘敏 博世中国 副总裁

张旸：目前，AI 带来的最大变化之一可能就是英伟达挣钱了，而当下众多 2B 和 2C 应用中真正赚钱的并不多。在英国最挣钱的AI是大模型所支持的成人行业。在一些相对垂直的行业中，可能更容易找到市场，但目前尚未出现普适型应用。不过，机会是存在的且已经在发生。

这不仅仅涉及市场和应用的成熟问题，技术本身也未发展到人们所期望的程度。以产线客户为例，他们的目标是减少原材料损耗，这需要在几十个自动化工序中实现可预测性维护、不停产的故障快速诊断以及微调控制参数等，这是常见的工业控制智能化场景，但实现起来非常困难。对于一维参数，使用线性或非线性规划进行拟合相对容易，但当涉及成百上千个控制参数时，传统机器学习算法无法解决问题。

生成式 AI 也面临挑战，原因有二：其一，几乎所有大模型（包括最新的 symblic 大模型）都无法真正处理数字型数据，而实际工业控制环节中绝大多数是数字型数据，目前将表格翻成文本加介词作为训练样本的方式虽然有效但很粗暴，模型本身的成熟度不足以支撑想象中的应用；其二，对大模型进行各种垂直训练的前提假设是有一个足够强大的基础模型，加上行业数据或私有数据集就能训练出适合场景应用的高精度模型，但这个假设目前尚未被证明。

所以，人们对 AI 抱有期待是好事，这个方向必然会带来计算革命，但发展是分阶段的，过于冒进可能会失败得更快。我们应采取相对冷静的方法和态度看待从芯片到计算平台、从基础设施到计算能力的过程，以及考虑在这个过程中投入的资金。在做应用、场景还是模型的选择上，每个点都可能有机会，关键在于资源的匹配程度，未来是美好的。

张旸 Autocore.ai 创始人/CEO

丁浩：到底大模型和智驾或者端到端是否真的有交集，还是都是噱头？

张旸：首先，这并非完全是噱头。端到端的自动驾驶模型很早就已存在，与大模型在时间上并无重叠。端到端模型试图通过一个大数量级的网络来处理简单的输入与输出，即输入环境信息后输出控制指令。在过去相当长的一段时间里，这个路径曾被视为死路，众多尝试仅停留在实验室阶段。然而，大模型的出现让人们重新看到了希望，目前对此的探索也越来越多。

实际上，端到端模型目前真正落地的领域还停留在工具类，相对较为细分。其成功更多地体现在测试场景、自动化生成、数据集生成以及自动化标注等方向。确实有很多车厂和供应商在进行端到端大模型的尝试，这些尝试是迈向美好未来的一个阶段，但目前尚未真正实现。这是因为现在模型的能力、计算能力以及创业公司的流程都尚未打通。在自动驾驶中，哪些场景真正适合端到端模型目前虽有一些探索，但各家并未达成完全一致的实践方法，每一家都有自己的特点，现在远远没有到大一统的时候。

丁浩：理想情况下端到端的模型是否真实能解决中长尾的corner cases？

张旸：长尾现象确实一直是最难解决的问题之一。端到端的模型是有帮助的，不过其体现方式不一定是一个大模型出现就把所有问题都解决。而是可以更高效地创造出质量更高、覆盖面更强的训练数据集，能够提供更加完整、精确度更高的标注，这些对解决长期的问题有帮助。但不能说用了大模型就变得天下无敌了，这在逻辑上无法证实，我们只能无限接近更高效且更低成本的状态。

卢涛：首先，显卡领域存在众多机会。英伟达确实获利颇丰，此为事实。英伟达的毛利高达 90%，这便导致 AI 产业各个环节的人员难以赚到钱。举个简单例子，今年年初有报道称微软 Copilot 的订阅率颇高，一个用户每月 10 美金，看似是不错的生意。然而实际情况是，微软在每个用户身上每月要亏损 20 美金。这里面所用到的英伟达显卡成本大概为 3000 美金。英伟达以 90%的毛利出售，价格为 3 万美金。倘若毛利为 70%，售价为 1 万美金，微软的盈亏则能打平。如今的状况是，AI 产业的利润基本被英伟达所掠夺。当然，对于产业来说，目前情况稍好一些，年初大家都因恐惧显卡供应不足而使劲购买显卡，这里面其实也意味着有很多机会。

其次，在垂类应用方面，自 ChatGPT 出现后，我们在一些内部软件开发中就已经开始使用大模型，尤其是在编码方面效果非常好。我们那些资深的软件开发者在使用大模型后，人效比提高了一倍。但使用大模型其实也对使用工具的人要求非常高，相当于要从具体写代码的人转变为架构师。

第三点，简单和大家分享一下对大模型的看法。关于大模型有两类比较突出的声音，一类是需要大模型成为全能的主，问它什么问题都能给出一个标准答案，只有在这个时候它才非常有价值。但现在它很多时候会胡说八道，用户就觉得这个东西没啥用。实际上，如果要更好地使用大模型，就需要对它有一个比较精准的定位，明确想让它替自己完成什么事情。就像不同的人跟埃隆·马斯克对话，能激发出来的东西是不一样的。我们本质上不能指望 AI 是一个全能主，而要提高自己对很多事情的认知水平。如果能提出“正确”的问题，这些模型的能力是非常强的。

还有另外一个角度，信息化产业有一个经济学规律，即摩尔定律。产业基于像摩尔定律这样的经济学原则向前发展，在有很清晰的脉络或者法则后，就能预测整个产业上下游的发展进度，事情也会随之向前推进。为什么尤其美国现在对 AI 的投资特别火呢？除了 Chat GPT 让大家看到大模型有这个能力之外，还有很重要的一点是 OpenAI 提出了大模型的 Scaling Law，其实就是向产业界和投资界展示，只要按照规则走，一年以后会怎么样，两年以后会怎么样，今天不行不代表未来不行。在如今摩尔定律已失效的情况下，如何支撑 AI 发展是一个很大的问题，同时也是一个很大的机会。这里面如果能找到准确的切入点，定义一系列产品，找到基本脉络，随着脉搏往前走，事情总会越来越好。

卢涛 前Graphcore 大中华区CEO

丁浩：AI是否需要跟着大模型的演进做一些不同变化？以及什么样的AI芯片公司真的能走出英伟达的荣耀，能够真正成长起来？

卢涛：在判断 AI 芯片公司时，首先，从产品技术角度来看，英伟达无论是在芯片还是系统软件方面，都表现得相对合理且自洽，就像一个语数外等各科都十分优秀、发展均衡的学生。其次，要考察公司的目标。最后，关注其切入角度。

在计算机发展历史中，大概有三种情况出现时会有重大新巨头诞生。其一，商业规则彻底变化。典型的例子是从 IBM 到英特尔，计算机产业的商业模式从垂直整合转变为横向整合。之前 IBM 既做 power PC，又做机器，还做 unix 和数据库；如今变为横向整合，英特尔做 CPU，微软做操作系统，Oracle 做数据库，还有众多做应用的企业。这是一次极为彻底的商业模式变革，整个游戏规则完全改变，变成了 IBM 面对英特尔、戴尔、微软等的群殴局面。其二，从英特尔到英伟达，这是计算范式的变化。以前所有软件是逻辑判断，比如今天晴天就走路去某地，明天下雨就坐车去；而现在的计算是大规模并行系统，最后要进行向量化运算，与以前的 CPU 不同。英伟达正是抓住了这一计算范式的变化。其三，中间有计算形态的极度变化，例如以前都是插电的电脑，后来变成用电池，这里面便有很多变化。

再看英伟达如今的位置，若要考察产业，核心是要理解两个关键问题。一是英伟达的利润太高，它挣钱而别人都不挣钱；二是英伟达客户众多。除此之外，技术上的问题当然必须解决，可能有两个技术点是特别重要的壁垒。应用性问题也必须解决，如今的答案比以前清晰很多。以前做芯片公司相当于连操作系统（这里指机器学习的框架软件）都没有，现在知道做一个处理器要有操作系统，对应用和软件的情况比以前更清楚了，这更有利于找到生态突破的办法。以前模型很分散，做视觉要做分类、检测、分割等，涉及各种各样的模型；现在不管什么样的模型，应用的范式都相对比较确定。以前做一个处理器大概要 2000 个算子才能支持这个应用，如今可能 200 个算子就可以把基于 transformer 的模型做得比较好。所以应用性问题的答案比以前清晰很多。另外，AI 在规模化发展，其中计算架构的规模化中，互联特别重要，存在机会。

AI应用的痛点与困境

丁浩：在AI进入垂类应用的过程中，真实的痛点和困境到底在哪里？如何去解决？

张旸：听到这个问题时，我在思考我们在哪些地方花费的时间最多。就我们自身的经验而言，最令人头疼的地方在于真正理解应用场景。应用场景可能简单到用一句话就能讲清楚，但要准确捕捉却并不容易。AI 并非一个万能的武器，并非一出现就能解决所有问题，它只是把一堆很小、很细的问题逐一解决。

以工厂的事情为例。首先要解决的一个问题是在传送带上，固态胶在移动过程中需要有合适的厚度和宽度，这样才能制作出较好的成品。可能有人会觉得，随便拿一个传感器检测一下厚度和宽度就行。但实际上它会随着传送带的速度、磨损情况、当时的湿度、压力、光照等各种情况发生变化。

要解决这个问题，需要在当前既定的环境下，考虑所有参数情况，最终输出一个良好的成品成型机。这个问题听起来很小，但解决这个问题一年能节省两三个亿。

也就是说，有些场景并非像我们站在外面看戏时，突然出现一个像共享单车那样能迅速占领整个街道的场景，至少目前还找不到这样的场景。相反，是这些非常真实的特殊情况，一旦发生就是 100%的概率。就像汽车的安全气囊，虽然很多人从未真正使用过，但车企却投入了很多去做这件事。

所以，我们花费了很多时间去真正捕捉和分析场景。从这个角度来讲，与拥有产业资源、有问题的人交流是非常宝贵的，因为有问题的人才有钱赚。因此，多找有问题的人交流，去了解那些细节的场景。没有场景，后面的一切都是空谈，这是我们花费时间最多的地方。

刘敏：在AI的场景应用方面，我们一直在强调一个核心理念：耐心的重要性。技术、知识、经验等要素需要汇聚起来，共同发挥作用。除了技术层面的挑战，我认为目前还存在两个主要难点：

其一，非结构化数据和数据缺失。许多应用涉及的数据并非结构化的，且常常存在大量数据缺失的情况。这些数据需要经过适当的处理，以便“喂入”系统并得出有效的结果。如果无法妥善处理这些数据，系统就无法提供准确的输出。

其二，是商业层面的横向打通。在垂直应用领域，我们特别关注智能体（agent）相关应用，例如，期望智能体能够理解用户意图并帮助用户完成订票等操作。实现这些功能需要在商业层面进行大量的横向打通工作，这已经超出了技术所能解决的范围。这种打通更多地取决于各方是否愿意合作、实现互通。

卢涛：关于 AI 落地，我们探讨了 2B 和 2C 的不同应用情况。在 2C 方面，推广相对容易，如今的互联网公司早前就已在内容审核、合规以及广告推荐搜索等方面应用了 AI，甚至借此赚取了不少利润。而在 2B 场景中，实施过程通常较长，就如同电脑发明后在不同企业部署需要像 IBM 这样的公司逐个场景去推进。

在一个组织中，无论是否有 AI，都存在两个主要网络，即 IT 网络和 OT 网络。IT 网络供人使用，OT 网络服务于业务。相应地，AI 也分为两类，信息世界的 AI 表现为 agent，OT 网络中的则是物理 AI，目前物理 AI 仍需继续发展。最近一些新公司在做 “世界模型” 等工作，对物理 AI 帮助较大。由于传统语言模型训练的语料都是经过人编码的信息，所以物理 AI 的算法模型以及训练方式可能需要采用不同的方式。

做好准备，拥抱AI

丁浩：AI 技术最后会演进到什么样的程度？企业会不会全方位拥抱 AI？应该为拥抱这个 AI 做哪些准备工作？

张旸：这并非是一个选择题。就如同使用了第一台 iPhone（智能机）之后一般人不会再换回砖头手机。不管 AI 大模型现在是否已经进化到了我们所认为的成熟程度，大家都已经登上了这条船。就如同蒸汽机并非一夜之间造出来的，而是多个时间点的发明累积的结果，并且带动了很多相关行业。AI 计算也是如此。

从 1950 年开始研究神经网络到现在，经过了相当长时间的积累，到现在这个节点，它一定会为我们的所有应用、开发、生活方式和工作带来根本上的变化。

但从比较务实的角度来说，AI 是一个工具，就像汽车一样。它很重要，已经在切实地创造新的计算方式、新的工作方式和新的思维方式。这是人类历史上第一次在整个时间和空间维度上，用所有的知识和数据去培养一个 “孩子”。它只是工具，一个我们以前没有见过的非常powerful的工具，就看你怎么去用它。我们要用好它，工作肯定会受到影响。但我非常乐观地认为，我们能够或主动或被动地，更多专注在那些创造性的事物上；同时使用更高能的工具做更高维度的事情。AI工具的使用意味着我们有更高的能量做更大的事情，甚至是想象不到的事情。这里面有很多的风险，但我保持乐观，如果你认为这可以选择，那我会觉得你还没有搞清楚现实状况。

刘敏：我完全同意，对于企业而言，AI的应用不是一个选择题，而是一个必然的选择。企业的核心目标是提高效率和生产力，而AI的使用能够显著提升企业的经济效益。因此，从这个角度来看，企业采用AI技术是不可避免的趋势。

在拥抱AI的过程中，企业需要有一个正确的期待。这个过程本身就是一种投入，我们内部倾向于将这种投入分为两种类型：其一，探索性投入。这种投入通常与大学等研究机构合作，目的是探索AI技术的潜力和可能性，充当探路者的角色。其二，产业性投入。投入后能够带来的提升和预期目标的实现是关键问题。即使投入了资源，也有可能发现效果并不理想。

对于博世而言，我们目前主要关注AI在节省成本和提高效率方面的作用。我们正在收集验证结果，以评估AI应用的实际效果。目前，博世的应用主要集中在入门级领域，但这并不是我们的最终目标。我们计划在未来，特别是在明后年，进行更多的尝试，以解决生产线、产品开发等方面的问题。我们期望AI技术能够真正解决这些核心问题，而不仅仅是停留在表面。

卢涛：今天，任何一个公司，尤其是新成立的公司，都需要考虑如何制定 AI 战略。从第一天就拥抱 AI 的公司，未来一定会发展得非常好。在这个过程中，大集团拥抱 AI 可能还需要涉及一些内部流程，而新公司反而没有什么包袱。

如果我们回顾历史，全球有两类公司特别有价值。一类是帮助人们提高效率的公司，人们可以把更多时间花在创意和思考上，同时也解放了时间，以前一个星期工作六天，后来规定为五天，就是因为生产效率提高。

还有一类是帮助人们消磨时间的公司。提高效率之后节省下来的时间可以用来娱乐。所以，微软帮你提高效率，腾讯帮你消磨时间，最终人的效率会很高，就有更多时间做自己喜欢的事情。

找到AI与隐私保护的平衡边界

丁浩：伴随AI快速发展，隐私保护、数据安全这件事非常重要，博世在数据安全和隐私保护层面，是怎么配合POC开展的？

刘敏：博世作为一家德国公司，在欧洲业务中必须遵守严格的数据保护法规，如GDPR。这在AI的实际业务应用中尤为重要，尤其是在处理个人数据时。因此，博世在AI技术的应用上必须确保合规性，并尊重用户隐私和数据保护的权利。

与消费者端相比，工业领域的AI应用更为复杂。在生产数据的垂直整合方面，博世预见到这可能会成为未来发展的障碍。除非行业内或相关垂直领域的各方都能看到明显的合作利益，否则数据共享和整合将面临挑战。

丁浩：其实如何平衡数据，把开放数据应用，很值得思考，请卢总从基建的角度来说，您觉得在数据层，有没有一些保护的措施，能够做一些隔离。

卢涛：法律法规是一个方面，还要有办法真正从技术上保证数据不被限制。

第一点，在计算范畴中有一个概念叫演示计算，当前业界尚未真正实现大规模使用。比如安全多方可信计算（SMPC），各方持有自己的数据，彼此不知道对方的数据具体内容，却能够一起进行计算，且最终计算出来的结果可供大家使用。从数学角度而言，相关算法确实能够确保信息不被泄露。然而，这些技术手段目前存在运算速度较慢的问题，其大规模应用还需要一个过程，所以这里面在未来存在一些机会。

第二点，业界也在研究一些将 AI 与隐私相结合的算法，旨在实现不交换数据的情况下进行联合训练。下一个热点可能会聚焦在解决这些隐私问题上。

除了工业场景，医疗行业和金融行业也面临着 “时间长” 的问题。以金融行业为例，要进行征信工作，需要有信用卡数据等各类数据，最后计算个人信用分，这里面涉及到很多软硬件的应用。

丁浩：张总可以具体谈谈对车载数据安全及车载数据出海的看法。

张旸：违规采集信息关乎公共安全。首先，大模型及当前主流 AI 算法的功能特点由数据 “喂养” 而成。若无数据，则无可用流程，数据的获取、清洗、标注及训练至关重要，缺之则模型难生、AI 能力难建。

谈及数据安全时，多数人仅考虑信息若在数据中被泄漏则不安全，实则不然，关键在于数据生成的信息应严格保密。如有人在脸书发朋友圈，可分析出其喜好等信息，此为 “私有数据” 应保密。GDPR 保护的是生成后的隐私，由此可知数据交换壁垒之高。

所以，其一需对要保护的信息安全内容达成一致。其二，应尊重欧洲 GDPR 及中美 AI 政策，这会使信息流动更难。可在局限中寻找腾挪空间，可能是算法或政策法规约束。

从一定程度而言，设定隐私保护与信息安全边界是对自身保护。创新在界限与自由中寻平衡。限制不会消失且可能增多，因使用场景增加。我们只能接受现实，搞清真正需保护的数据隐私及技术法规局限，从中寻找机会。

丁浩：谢谢张总，其实就是在不同场景下，要通过不同技术手段，结合我们场景真实需求，去找到数据开放和数据应用的平衡点，还要结合自己的政策和市场环境。

AI出海与全球化

丁浩：在出海及AI全球化的过程中，AI出海是不是有机会，是不是能够帮助我们的企业同步进行全球化布局？我们是不是已经看到一些AI企业正在出海？

卢涛：企业利用 AI 出海层面，如今中国有许多电商企业的出海业务占比良好，大语言模型（LLM）为他们提供了很大的帮助。尤其是做 to B 生意的 AI 企业，出海是一个不错的选择。

在 to B 领域，海外（主指欧美）的付费习惯已经非常成熟，每个企业都在购买大量软件。例如美国 200 人左右的中小企业（SMB），一年在软件即服务（SaaS）上面的花费大概为 60 万至 150 万美金，而且一般有二十多个品类，像企业人力资源系统、报销系统等生意都很不错。他们主要通过投放进行营销、实现营收，也不需要地推，属于产品驱动销售。

所以对于 AI 企业来说，如果能够找到自己的应用场景和受众，出海可能是一个不错的选择。特别是在当前，国内有很多项目落地，但直接卖软件的商业模式还没有完全跑通，对于初创的 AI 企业来说负担更重。因此，在企业运行阶段，这是一个很值得大家探索的话题。

刘敏：AI技术本质上是一种工具或技术，它解决的问题在全球范围内具有共通性，这为AI的应用提供了广泛的机会。当前，中国在许多问题上率先解决或处于领先地位，中国企业更愿意尝试和采纳AI技术。国内AI企业在解决本土问题后积累了丰富的经验，并避开了许多潜在的难题，这使得它们的发展速度相对较快。这些企业可以携带众多案例和经验出海，拓展国际市场。

大家之所以觉得AI应用难以推进，除了地缘政治等外部因素外，国内外的AI生态确实存在很大差异，尤其是在需要生态支持的领域。这种差异使得在国际市场上应用AI技术时需要重新思考如何构建网络和合作模式。

张旸：个人认为，to B 与 to C 市场在出海问题上全然不同。就中国 AI to C 的企业和产品而言，如果能走向海外，很少遇到对手，这得益于中国互联网发展所培育的人才能力。从 to C 角度看，中国的 AI 产品企业或从事非产品模型、商业模式的企业，只要出海，对手寥寥。

to B 则不同，并非本土企业专长。原因在于支付习惯以及企业用户是否愿意买单。海外用户考虑价值与付费，国内用户多关注能否免费而不考虑长期结果。这对 to B 企业非小事，涉及支付认可与方式，对现金流有直接影响，挑战真实存在。

对 to B 市场而言，虽难但有机会，比如和博世这样优秀的，有渠道、资源的企业合作，我们就是这样做的。在你自己不足够强大的时候，抱大腿不丢人，在你自己还没船的时候，借船出海也不丢人，我觉得平台对创业公司非常关键。

丁浩：谢谢张总，我很认同。我觉得在AI落地的短期，其实大家还是要围绕场景，围绕生态，去把生态和朋友圈组建起来。AI短期内是非常工具化的，非常细分、垂直，也非常专业，但是市场壁垒不是很大。你需要去绑定你的场景方和应用方，慢慢从一个相对比较小的状态开始逐步发展壮大。

- END -

本文来自微信公众号“博原资本”，36氪经授权发布。