对智能时代的判断
1.人工智能是对人类能力边界突破最大的一次飞跃，其意义远超蒸汽机和工业革命。
2.大模型的智力上限还会继续拉高，大模型的应用会彻底改变行业格局。这会带来巨大的市场空间，诞生无限可能性。
3.上一次大的行业变革，是在互联网时代。而AI创造的价值，会远超互联网。
4.互联网时代，核心是信息流通。网站和App，封装的是信息，交付的也是信息，信息流通足以创造相当的价值。
5.智能体的核心是Agent，也就是智能体，封装的是智能，交付的是结果。所有计算产生的智能都会被封装进Agents，参与价值创造和交付。
6. ⼀个企业可以只有⼀个官⽹，但⼀定会有⼤量的Agents。
7.24年我们说有多少场景，就有多少Agents。现在看来还是有些保守。现在的一个岗位、一个场景，以后就可能是几个、几十个Agents。
8.当价值的创造方式被重构，产业链也会进化，AI就会进入真正的超级周期。而今天，我们正站在这个超级周期的起点，加速进入智能经济时代！
对AI产业落地的判断
9.所有的技术突破，最终都要落到客户价值上。
10.只有真正踩到淤泥里，才能把事儿干成。咱们做AI、做大模型，也是一样。只有深入产业，才能挖出真正的价值。
11.我⼀直看好⼤模型，虽然现在很多应⽤还在探索期，还没那么“惊艳”，但⻓远看⼀定是值得期待的。
12.大模型在TOB领域里面是一个逐步渗透过程，不像原来一个2C产品一下大家觉得它火了。在TOB领域就是慢慢渗透，就是润物细无声，你没有感觉到它，后来忽然回首一看，整个生产流程，研产供销服全是大模型来驱动的。
13.如果大模型带来的产业智能化变革势不可挡，那我们唯一要做的，就是赶快行动。
14.⼤模型应⽤已经不是简单的模型API调⽤，而是需要对接各种组件、工具，需要做各种精细的编排。
15.今天AI开发的核心，是Agent。但今天的Agent，和一年前已经完全不同。过去，Agent主要处理一些步骤简单、规则明确的任务，现在，模型能力更强了，Agent也能处理更加复杂的任务。
16.智能体看起来很复杂，其实多数情况下有既定的⼯作流。这个世界不是随意的，而是有计划性的，原来需要⼈定义和执⾏的⼯作流，现在由智能体帮你实现，再通过调⽤外部⼯具，它就可以完成任务。
17.现在大模型应用落地，RAG仍然是控制幻觉、提高准确性的有效手段，而且非常经济。
18.在实际业务中，很多问题天然适合拆解成多个类型的子任务，通过不同的Agents协作来完成。比如在科研场景下，不同的Agents可以聚焦不同的环节，有的做方案调研，有的做实验设计，有的写报告……他们各司其职、配合默契，研究进展就能快很多。
19.把Agent做出来只是第一步，当Agent被嵌入到企业的核心系统、成为企业运营的一部分、要成为“真正有用的AI”的时候，必须要求服务稳定、安全、可控。这里考验的是企业级全栈AI能力。
20.一个应用的落地，本质上是一个“系统”的构建过程。这个过程不容易，也没法省略。
21.系统的价值，不仅是解决某一个问题，而是让企业拥有创造的能力。这种能力会成为整个AI生态发展的源动力。
22.企业需要一套真正系统化的AI开发基础设施，既要易用，又要强大，还能支撑Agent开发范式的持续创新。
23.过去三⼗年，互联⽹，尤其是移动互联⽹⾼速发展，整个⾏业数字化转型⾮常深⼊，已经沉淀了⼤量的数据和⼯具。通过像MCP这样的开放协议，这些果实可以⼀键继承到智能时代。
对AI云的判断
24.企业的AI云，不再是成本中心，而会成为新型的利润中心。
25.传统的云计算系统依然重要，但不再是主角，我们需要一个全新的操作系统，对新的计算平台，也就是智能计算，做好抽象和封装，重新定义人机交互，为开发者提供更简单、更流畅的开发体验。
26.新⼀代的AI云建设，应该⼀切以智能为核⼼，致⼒于提升智能的天花板、扩⼤智能的渗透⾯。
27.智能经济时代，一定要有新的基础设施来支撑，这就是云智一体、智能优先的AI云。
28.什么才是真正的AI云，怎样才能真正做到智能优先？核心要素是算力、模型、数据和工程能力。
29.在计算领域，Scaling Laws会持续发挥作⽤。极致的计算效率仍然是⼤模型能⼒上限提升的核⼼驱动⼒。
30.2025年，有一个非常明显的趋势，是强化学习的scaling。强化学习通过可验证的奖励机制，激发了模型更深层次的逻辑推理能力，它所采用的训推一体的计算范式，也带来了今年最重要的AI计算范式的变革。
31.判断模型好坏的标准是企业有没有真的用起来、客户是不是觉得有价值。
32.在大模型应用落地的过程中，很多行业和场景，有自己独特的数据和业务问题，通用的大模型在效果和性价比上很难满足客户需求，因此需要定制相应的专精模型。
33.传统的SFT是一种精调方式，“手把手教模型怎么干”，它需要用大量高质量数据做示范，一个简单的场景可能就得上千条数据，这对大部分企业来说，还是有难度的。
34.RFT通过提供评估标准或奖励模型，我们可以让模型自己在业务场景中不断自我优化，发挥更大潜力，这对于目标清晰、评价标准明确的场景，比如代码生成、客服问答等场景，尤其适用。
35.不论是精调模型还是开发编排Agent，数据都是基础，甚至成了比算力都重要的核心要素，因为算力是标准的，可以买到，而数据才是秘密武器。
36.工程师有50%到80%的时间，都得花在数据治理上。
37.中国作为AI技术的策源地，要保持领先，我们就要在AI云上持续创新。
38.每⼀代基础设施的使命，都是激发新产业、创造新增⻓。
对组织变革的判断
39.再好的技术、再清晰的业务场景，如果没有相应的组织⽀撑，也很难真正发挥价值。
40.技术和业务的变⾰，最终都会落到组织变⾰上。
41.未来的组织可能不再是金字塔，而更像“手工章”的形状：管理层足够聪明、信任AI，下面的人把程序写好，中间层会越来越薄，因为不再需要层层传递。
42.企业AI战略必须⾃上⽽下。
43.企业应该从现在开始做好重构产品和服务的准备。这种准备包括基础设施、思维方式、组织方式层面。
44.每个企业都应该在组织内部构建AI原生思维。重新思考产品、服务与用户的关系。
45.AI的确存在不确定性，有些地⽅难免做得不尽如⼈意。但在AI时代，我们必须学会抓住“杠杆机会”。Agents可以把⼈的效率放⼤百倍甚⾄千倍，那就⾮常值得尝试。
46.AI对劳动⼒市场的颠覆已经开始。未来数字员⼯和⼈类员⼯共存。
47.现在谈⼤模型，很多⼈容易陷⼊⼀个误区，总想着⽤机器和⼈去对⽐，看能不能⽤机器替代⼈、降低成本。这样是一个零和游戏，本质上没有真正创造出新的消费需求。⽤这种视⻆去看⼤模型的价值，⼀定是悲观的。
48.AI真正的价值，不是“替代谁”，⽽是怎么去创造新的场景、激发和满⾜新需求，只有这样，才能有新的产业、新的繁荣。
49.不用去想着怎么用AI替代人，减少员工，而是怎么赋能员工拥抱新技术、创造新价值。
50.没有被标准化、⼯业化的⾏业，⽐如艺术，⼈是很难被替代的。
