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 不能够比拟的。

  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。

  有新Newin：在真正开始前，我想先粗略地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 ，这中间还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很有趣，请和大家来分享一下？

  周健：好的，很谢谢。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，我认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，同时也希望可以亲眼见证 AI 逐步改变社会的过程。

  有新Newin：请你粗略地介绍一下澜码科技的主体业务？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，我一直在思考怎么样将 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。这一些企业拥有大量的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：这样的一个问题很好。我觉得第一步是要明确的是， 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，用户一定要按照预设的问题框架提问，才能得到准确的响应，这是所谓的“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，让用户都能够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。

  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。

  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 能够最终靠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？

  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，尤其是在技术层面上，很多大模型厂商仍然更偏向于技术服务。

  我们大家可以用云计算的 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 的完全打通仍然十分艰难。

  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%。如果我们可以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一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，甚至让任何一个人都能开一家“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，我们大家都希望能在C端市场或其他行业扩展，真正发挥 AI Agent 的潜力。

  特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

  武汉这两条地铁将于本月开通！网友：再也不用挤2号线 年放贷超10次即涉非法经营罪，年利率高于 36%可判 5 年！

  上海险胜深圳6连胜：周鹏25+8三分总分超巴特尔 洛夫顿22+18+10

  搭载鲲鹏超能混动C-DM 奇瑞风云T11PT车下线PLUS Ultra官图发布 预计12月上市

  红米Turbo 4关键参数被确认：天玑8400+6500mAh，或是中端新霸主