矽谷活動實錄 | AI真正的戰場在傳統行業

作者｜Jessica

郵箱｜JessicaZhang@pingwest.com

當生成式 AI 的熱度從實驗室走嚮應用前線，問題也變得更加具體：AI 在傳統行業到底怎麼落地？門檻是否太高？它會不會只是一個「看上去很美」的概念？

上月底，GenAI Assembling 聯合阿里雲，在矽谷 Menlo Park 舉辦了一場主題為「AI is Nothing Without Non-tech People」的線下對談。三位深耕AI與傳統行業融合的明星創業公司CEO，以及來自阿里雲北美的資深架構師，從客戶案例、產品設計到行業趨勢，帶來了一場既接地氣又信息密度極高的分享。

在對話中你可以看到：

– 阿里雲如何通過Qwen和全棧支持佈局全球開源生態，推動 AI 工具真正為人所用；

– Zilliz 如何將向量數據庫從科技公司帶進法律、教育、製藥等行業，成為底層關鍵基礎設施；

– Collov AI 如何幫助不懂AI的房產經理人和設計師，在 15 秒內完成過去要幾千美元、幾天時間才能完成的家居佈置；

– 以及何為「Agentic RAG」，為什麼它可能是下一波 AI 應用的核心方向……

這些思考不僅來自於技術視角，更紮根於他們與客戶之間的日常一線對話。AI 不該是工程師的專屬工具，只有當它走進傳統行業、被非技術背景的人理解並使用，才能真正實現商業化，產生實際的影響力。

參與嘉賓 ：

Nishant Agrawal，Industry Solutions Architect @Ailibaba Cloud

Charles Xie，Founder & CEO @Zilliz

Xiao Zhang，Founder & CEO @Collov AI

主持人：

Zhaoyang Wang，Chief Editor @GenAI Assembling

以下為完整對談實錄，歡迎閱讀。

AI走進傳統行業：門檻、誤解與真正的需求

Zhaoyang Wang: 開場的時候我看到很多人都對「AI和傳統行業怎麼結合」這個話題特別感興趣。我也看了大家報名時留下的問題，其中一個高頻問題是：AI跟傳統行業到底怎麼融合？比如跟上一波AI熱潮（像CV計算機視覺）相比，現在的變化是什麼？AI到底融入得有多深？那我們就從Charles開始吧。

Charles Xie: 在我回答之前，我想先問個問題——你們怎麼定義「傳統行業」？比如說電商已經存在二十多年了，它算不算傳統？那通訊行業呢？

Zhaoyang Wang: 在大模型時代，好像誰都能被歸到「傳統」那一類了。你怎麼看？

Charles Xie: 你說得沒錯。每個人對「傳統」都有自己的理解。但在我看來，問題不在於行業存在多久，而在於它是不是一個「高技術驅動」或者「非技術驅動」的公司。高技術公司有很多工程師，自然更容易擁抱AI，比如訓練自己的模型。但很多非技術公司就沒那麼多資源。所以我覺得AI真正的意義就在於「技術民主化」——讓每家公司、每個人都能用上AI。不再是少數人的專屬。這也是「Agentic AI」（代理型AI）這個概念的意義：AI可以像助手一樣，替專業人士完成工作。你不需要會編程，也能從AI中獲益。過去三年我們看到很多行業都在動起來了，比如法律、房地產、教育，很多公司已經開始用AI做合約管理、AI教學、AI電商等等。這些趨勢還在加速。

Zhaoyang Wang: 所以你覺得這個加速的原因是生成式AI現在變得更易用了，對吧？

Charles Xie: 完全正確。回顧十年前，能接觸到深度學習模型的人非常少。那時整個AI領域幾乎都集中在DeepMind等研究實驗室，大家討論的是RNN、CNN，但就算在技術公司，真正能用上這些技術的開發者也不到1%。但現在情況變了。產品經理、設計師——哪怕沒有技術背景——現在也都可以使用AI工具。我估計現代AI的可達性在過去五年增長了上千倍。

Zhaoyang Wang: 所以回到我最開始的問題，你的意思是行業邊界正在消失，每家公司都會成為AI公司，也就不存在「傳統行業」這個說法了。那我們來聽聽Xiao的觀點吧。

Xiao Zhang: 相比剛才的討論，我的客戶就真的算「傳統行業」了。我們服務的對象主要是房地產經理人、室內設計師、傢俱品牌方等等。他們對AI工具——尤其是生成式AI——並不熟悉，甚至很多人連ChatGPT和OpenAI都沒聽說過。我們的用戶年齡大多在40到60歲之間，這就是我們的典型用戶畫像。這當然帶來很多挑戰，也有一些機會。挑戰是，我們必須從零開始教育市場，不能假設用戶知道什麼是prompt、怎麼和AI互動。產品方面的挑戰更大：我們得把工具打磨得足夠好、足夠「順手」，幾乎不需要學習成本，才能讓他們願意用。這些用戶不會去研究怎麼寫prompt，也不想折騰不同的AI用法。他們要的是：「我拍一張照片，你就給我一個專業結果。」簡單、高效、無門檻，這才是他們的需求。而我們能不能滿足這種「極致易用」的體驗，直接決定了產品能不能落地。好處是，一旦我們做到這個程度，別人也很難輕易取代我們。比如哪天OpenAI出個新功能，我們也不至於立刻被「滅掉」。

我可以分享一個關於「產品市場契合度」的例子。我們和很多AI創始人交流，其中Cursor這個AI編程工具給我印象特別深。他們最開始增長較穩定，但後來專注打磨了一個關鍵功能——用戶寫一行函數代碼，按一下Tab鍵，系統就能自動、準確地補全整行代碼。這個功能成熟之後，他們的增長速度一下子就上來了。

我們也有類似經歷。最初我們用開源模型加API，再做一些微調，但生成出來的圖像問題很多——房間結構不穩定、物體不夠真實，根本沒法用在真正的房地產展示或設計場景里。後來我們不斷改進生成效果，直到能保持房間結構穩定、圖像足夠真實，才真正跨過了「用戶滿意度的門檻」。一旦過了這道檻，使用率和訂閱量就迅速提升。所以說，這既是挑戰，也是一個巨大的機會。

Zhaoyang Wang: 挺有意思的，聽起來你們在做市場教育的時候，客戶甚至不是從ChatGPT起步的——很多人可能根本不知道，也不關心這些技術名詞。

Xiao Zhang: 對，雖然我們也有一部分用戶知道ChatGPT，但整體來說，大家對AI工具並不熟悉，這對我們來說既是障礙，也是機會。

Zhaoyang Wang: Nishant，阿里雲的客戶類型非常廣泛，你這邊看到的整體情況是怎樣的？

Nishant Agrawal: 我想先回應一下Charles提到的「什麼是傳統行業」。我理解可能有點不太一樣。在商學院我們學到，一個公司不只是產品或Logo，而是由人、文化、歷史共同組成的。可能像ExxonMobil那樣存在了上百年，也可能是今天剛成立的初創項目。但區別在於它們積累了不同的基礎設施、數據系統和決策邏輯。所以我認為「傳統」的關鍵並不是公司成立多久，而是它適應變化的速度有多快——能不能快速推出新產品、快速迭代現有流程。如果你有龐大的員工體系和客戶群，那改變就不是一鍵切換這麼簡單，而是需要時間、組織協調和文化層面的轉變。比如幾週前，阿里剛宣佈和BMW的合作。特斯拉的出現改變了消費者對汽車的預期——更簡約、更智能、以軟件為核心。而像BMW這樣的老牌車企，也在試圖趕上這股趨勢，比如開發AI Copilot。但他們面臨的挑戰不僅是技術，而是如何讓一家全球化的傳統製造企業「轉身」，又不失去自己原有的品牌認知。作為阿里雲，我們的定位是「生態構建者」——除了提供基礎設施和開發工具，我們還會把監管部門、行業夥伴、客戶都聚合起來。例如阿里內部的斑馬網絡團隊就和中國的監管機構一起，參與製定自動駕駛的標準。造車不是靠一個模型就能搞掂的，而是一個涉及上千家供應商的複雜系統，我們做的是讓這些系統真正運轉起來。

技術之外，用戶才是真正的「產品經理」

Zhaoyang Wang: 其實傳統行業和AI之間的連接，本質上有兩個部分：一個是技術公司怎麼構建工具，另一個是傳統公司怎麼接住這個「球」並真正用起來。我注意到，一旦你把工具交到用戶手上，使用方式就不再是你能控制的了。他們有自己的行業知識和流程，很可能會開發出你完全沒想到的新用法。你有沒有遇到過用戶在「你沒參與的地方」用出一些你沒想到的用法？

Nishant Agrawal: 這問題非常呼應我們今天的主題：當你不是技術背景出身時，如何與AI工具協作？我最近正好在幫一家媒體客戶做方案。我們在開源社區也很活躍，像Qwen這個模型在多個排行榜上都是排在Top的——有時領先DeepSeek，有時稍落後一點。我們最近還準備上線一個量化版本，很有望再奪回第一。這個客戶主要是做影片內容的。拍一條影片投入很大，演員、攝影、製作團隊都要花很多錢。客戶希望能把老影片重新剪輯成更短的版本，或做成適合社交媒體傳播的短片，Qwen就能在這方面提供幫助。我做了一個demo，拿給客戶的影片團隊看。他們說：「好是好，但還差點什麼。」意思是，雖然技術提升了效率，但AI捕捉不到人的情感、節奏、故事張力——這些才是一個導演或創作者真正的價值。所以我覺得，我們不是在「替代」人類，而是在「增強」他們的能力。如果你把人完全從創作中移除，最終的作品可能就少了靈魂和感染力。

Xiao Zhang: 對我們來說，其實沒出現太多完全「出乎意料」的使用場景，可能因為我們是技術驅動型團隊，經常是先有工具，再去找適合的場景，有點像「拿著錘子找釘子」。但用戶反饋依然非常關鍵。我們在2023年剛上線AI設計工具時，生成效果並不理想——房間結構經常被打亂，圖像也不夠逼真。不管怎麼宣傳，用戶訂閱率就是上不去。我們後來說服自己要停下來認真聽聽用戶的反饋，大家都提了兩個關鍵需求：房間結構要保留，圖片要夠真實。這讓我們徹底重構了原有思路。我們一開始的做法是結合開源模型和一些規則邏輯，比如床邊要放兩個床頭櫃、窗邊要掛畫之類的，但這種「預設規則」根本應對不了千差萬別的房型和用戶喜好。後來我們和Tesla自動駕駛團隊的一位技術成員聊了一次，受到很大啟發。他們也曾花了近十年構建基於規則的系統，但始終無法覆蓋複雜駕駛場景。最終他們切換到端到端的模型訓練方式，讓AI通過大量數據自主學習路線規劃，效果提升明顯。受此啟發，我們也轉向了端到端架構，用大量真實房間照片和戶型圖訓練模型，讓AI自己去學「什麼樣的房間應該生成什麼樣的設計」。等我們做到生成結果穩定、結構保留、視覺真實後，用戶的使用率和付費率就大幅提升了。所以說，雖然我們一開始是從技術出發，但真正打磨產品、形成壁壘的，還是來自用戶的反饋。

Zhaoyang Wang: Charles，你這邊有沒有遇到過讓你意想不到的使用場景？

Charles Xie: 有，而且非常典型。有一次我們發現製藥行業的客戶開始用我們的系統來做新藥研發——這我們當初完全沒想到。他們會分析分子或蛋白質的三維結構，用我們的系統進行虛擬藥物篩選，能大大提升效率。我們本質上是一家數據庫公司，作為基礎數據平台的提供者，我們的目標是打造一個「通用」的系統，不是只服務某個垂類行業。但這也帶來挑戰：創業公司資源有限，不可能深入瞭解每一個行業。所以我們的策略是，從第一天起就把系統開源，把每一行代碼都公開。這樣我們就能從社區獲得源源不斷的反饋。每天都有來自各行各業的用戶告訴我們，他們在哪遇到了問題、還缺了什麼功能，甚至是一些我們完全沒想到的新用法。正是這些反饋，幫我們歸納出跨行業的共性需求，從而構建出一個更強大、更靈活的底層平台。

Zhaoyang Wang: 接下來我們進入第二部分，一人一題。先從Charles開始——你剛才已經提到了一些使用場景。現場有個小問題：有多少人知道什麼是向量數據庫（vector database）？哇，比我預期的多啊。如果是去年辦這場panel，舉手的人肯定少很多。所以，Charles，這個領域最近發展得怎麼樣？

Charles Xie: 增長非常快。我大概八年前開始做這個方向，那時候幾乎沒人知道向量數據庫是什麼。我去跟投資人講，他們知道我是Oracle Cloud數據庫系統的創始工程師之一，有人就直接說：「Charles，如果你是要做關係型數據庫，我立馬給你開支票。」但我說我想做AI數據庫時，他們都覺得我瘋了。到了2019或2020年，全球開發者中真正知道「向量數據庫」的可能不到1%。現在，我估計這個比例已經漲到了30%左右，還在快速提升。從商業角度看，我們公司過去連續兩年營收翻三倍，今年也有望再翻一倍。更讓我興奮的是，這項技術已經廣泛應用在三個主要領域： 1. 生成式AI創業公司——向量數據庫幾乎是它們構建應用的核心模塊； 2. 高科技公司——像互聯網、電商、出行、外賣平台等，都開始集成這項技術，打造更智能的用戶體驗； 3. 傳統行業——比如法律公司用它做合約管理、文檔摘要和起草，教育行業拿它做個性化輔導、語言訓練，零售商和商業銀行也用來分析用戶行為、提升營收。而這還只是開始。我相信未來10到20年，所有公司都會被AI賦能。就像過去幾十年里，電腦和鍵盤變成了標配一樣，現在我們站在另一個類似的拐點上。

Zhaoyang Wang: Zilliz的故事其實是典型的矽谷創業路徑。新概念層出不窮，如果你選了一個還沒被主流接受的方向，確實一開始會更難拿到投資，但相對也贏得了更多時間去打磨產品，等競爭到來時你已經有壁壘了。Xiao，我知道你之前是學物理出身的，現在卻做起了面向房產行業的創業項目。這也是一個「矽谷範兒」很濃的故事——技術人跨界顛覆一個本來沒人覺得需要被技術改變的行業。你是怎麼從物理轉向房地產的？

Xiao Zhang: 我在讀應用物理博士期間，其實就已經在用AI解決物理問題。當時我研究的方向是讓模型具備空間理解和路徑規劃的能力，比如幫助我們在三維空間里控制粒子的軌跡。博士畢業後，我覺得物理研究離真實生活太遠了。我想把自己學到的東西應用在現實世界中解決一些實際問題，慢慢我就注意到房產和家裝這個領域效率太低、流程太長，市場又很大，非常適合用AI優化。舉個例子：房地產經理人為了做虛擬樣板房展示，要花好幾千美金請專業公司搬傢俱、拍照；傢俱公司也要花幾週時間設計方案、做提案。效率低、成本高——我覺得這正是我在空間AI模型方面的優勢可以發揮作用的地方。後來我們也開始探索AI在生成式電商領域的應用。

Zhaoyang Wang: 聽起來很合理。你之前也提到，用戶反饋對你們很重要。那你是怎麼真正去瞭解房地產行業的需求的？

Xiao Zhang: 從物理和AI轉型做房地產，中間的學習曲線真的很陡。我覺得最重要的一件事就是——去聽用戶說話。我們團隊每天都會跟5到10位用戶溝通，瞭解他們在用產品時遇到的問題，然後不斷迭代。我們還請了一位行業顧問，他曾是Engel & Völkers（全球最大房地產公司之一）的區域總裁。他幫我們從行業視角重新思考產品定位、市場策略，給了很多有用的建議。總結來說，願意傾聽用戶、從行業里的人身上學習，是我們能把產品做起來的關鍵。

Zhaoyang Wang: Nishant，剛才Charles提到了Zilliz的開源背景，你也講到了Qwen。Qwen其實現在是最熱門的開源模型之一，連Stanford的李飛飛教授都是它的粉絲。那Qwen在Alibaba Cloud整個產品體系里扮演著什麼樣的角色呢？你們面向企業客戶的產品非常多，Qwen如何融入進來的？

Nishant Agrawal: 我是在2016年加入阿里巴巴的，那時候Jack Ma就已經在講類似的想法了，雖然當時大家還沒怎麼談生成式AI。我們的研究團隊是在2017年組建的，起初專注於產業級解決方案，比如怎麼用技術提升農業效率，主要服務中國市場。直到COVID之後，大家才開始真正重視AI的力量。過去五年里，我們的核心戰略之一就是打造一個AI生態。但中美之間的雲計算市場差異很大，正如Charles說的，技術採納的節奏完全不同。而在中國推動AI生態建設最有效的方法之一就是——開源。Qwen正是在這樣的背景下誕生的。團隊做得非常出色，公司高層也非常支持，願意投入數十億美金去訓練模型、並堅定地把它開源。因為在中國，想真正把AI生態做起來，必須靠合作、規模和算力的開放，開源能加速這一切的發生。同時，在中國其實還沒有像Hugging Face這樣的社區平台，所以我們自己創建了ModelScope，用來託管和共享模型。這其實也是我們構建AI社區的關鍵一步。這也呼應了中國工程師在開源社區中的一個「文化優勢」——你去看像KubeCon這種大會，講技術的人、貢獻者很多都是來自中國。所以說，對我們來說，開源不僅是戰略，更是一種天然的創新方式。

Zhaoyang Wang: Alibaba Cloud很有意思，一方面你們有像Qwen這樣的強大技術產品，在技術體系里影響力很大；但另一方面，你們也經常扮演技術與用戶之間的「橋樑」。畢竟很多客戶其實並不瞭解AI的各種新概念，那你們怎麼幫助他們？他們有必要懂這些「新詞」嗎，還是只需要關注自己要解決的問題？

Nishant Agrawal: 這是個好問題。我想分享一個我們內部kickoff上Jack Ma最近說的話，他說：AI不是來取代人類的，它是個工具。而我們作為工程師的職責，是讓AI去理解「人」，去完成那些人類做不到的事。比如說，一個農民每天要幹12小時，如果AI能幫他8小時就幹完，那這就是有價值的工具。另外我想特別提一下Zilliz的博客內容，寫得非常好。他們能把複雜的技術概念拆解得特別清楚、好懂，我經常推薦客戶去看他們關於向量搜索和AI基礎設施的文章。所以回到問題，我覺得客戶並不需要理解每一個新詞彙。他們是各自領域里的專家，我們的工作就是把他們的需求翻譯成合適的工具，而不是教他們每一個模型怎麼運作。當然，隨著工具變得越來越成熟，希望有一天連「翻譯」這一步都不需要了——AI自然就能按照他們的工作方式去運作。

AI下一站：Agentic RAG、AI個體創業者與生態佈局

Zhaoyang Wang: 我們最後來聊聊對未來的展望。Charles, Zilliz的故事其實就是圍繞一個新概念建立的。你也提到最近一個值得關注的趨勢是「Agentic RAG」，而向量數據庫正好是它的核心基礎設施之一。能解釋一下嗎？

Charles Xie：簡單來說，Agentic AI是更強大、更自主的AI系統。過去，我們問一個問題，AI從知識居里調取一次資料，生成答案——這是「單輪交互」。而現在，Agentic RAG的做法是，把一個複雜任務拆解成多個子任務，然後每個子任務都可以多次檢索和優化。這就像是一個AI研究員在工作，不斷規劃、檢索、評估、再迭代。這對我們來說是很振奮的變化。因為每個子任務都可能觸發多次向量檢索，意味著對數據庫的查詢頻次和知識庫容量的需求都會顯著上升。當然，現在的Agent系統離「真正聰明」還有距離。目前它們可以處理中等複雜度的多步驟任務，但還做不到支持一個長期目標。比如，你想做一個AI導師，從孩子上小學一路指導到上大學——這還很難。但未來突破的方向，就在於從「完成任務」邁向「實現目標」。

Zhaoyang Wang: 那Xiao，你覺得Collov未來會怎樣改變房產行業？

Xiao Zhang: 不論是Collov，還是其他公司，趨勢已經很明確了：AI一定會大幅提升房產行業的效率和成本結構。

以房產經理人為例，現在他們得僱人做實景佈置、租傢俱、拍照片——一套下來幾千刀，還得花好幾天。而我們現在用AI做虛擬佈置，生成一張高清、擬真的圖片只要10到20美分，十幾秒就能搞掂。同樣的變化也發生在傢俱廠商身上。過去請室內設計師做方案要花上幾週，還得來來回回改。現在用AI，一次就能生成多個風格方案，時間和成本都大大縮減。還有一個明顯趨勢是：個體能力在提升。以前一個室內設計師需要帶個五到十人的團隊，房產經理人也需要協調佈景、拍攝、設計多個角色。但未來，一個人+一套AI工具，就可以完成以前一個團隊才能做的事。從佈置圖、PPT到展示網頁，AI都能幫忙自動完成。所以說，我們正走向一個更高效、成本更低、個體更有能力的房產行業。

Zhaoyang Wang: 最後，Nishant，聽說阿里巴巴接下來會加大在北美的市場投入。你能跟我們分享一些你現在正在做的事嗎？

Nishant Agrawal: 當然。在美國我們已經有幾個雲區域在運營，也在支持不少美國企業，特別是那些想進入中國市場的。因為像OpenAI的產品無法在中國使用，我們常常作為連接中美之間的「橋樑」。現在的重中之重，是繼續打造世界級的大模型，Qwen是我們的核心項目。我們的工程師和開源社區的合作夥伴，都在一起努力打磨這個模型。除此之外，我們也鼓勵更多的用戶嘗試不同的工具。技術的落地不光是看能力和基礎設施，還取決於文化、人才和時機。正因如此，我們需要一個多樣化的生態系統。現在，中美兩邊都在以各自不同的方式推動AI發展。比如說最近中國出的Kling模型（雖然不是阿里做的），在影片生成方面非常驚豔。讓大家都能接觸到這些工具，其實對開發者和最終用戶來說都是好事——多試，多選，才知道哪個最適合自己。

Zhaoyang Wang: 太好了，今天的內容就到這裏，謝謝幾位的精彩分享！