對話特贊范凌：我親手「殺死」了過去的自己，AI 時代所有的留戀都是負擔

當所有人都能調用 ai 時，什麼才是你真正的護城河？

作者｜周永亮

編輯｜鄭玄

「我不知道 ai 這艘船上有多少船票，但我知道，上船最重要。」

特贊科技創始人兼 ceo 范凌的緊迫感，幾乎一直瀰漫在整場交流中。這不是源於業績壓力，也不是投資人的催促，而是一種更原始的情緒：害怕在 ai 這個馬太效應極強的時代，錯失一張決定未來的船票。

如今，我們處在一個應用層和基礎層同時劇變的時代，這在整個科技史上也非常少見。焦慮與興奮，是這個時代的兩面。去年，當 shopify 創始人在社交媒體上展示自己重回一線寫下的密密麻麻的代碼時，范凌感受到了強烈的共鳴。

這不是個例，而是一股浪潮。很多科技公司的創始人，都開始重回一線，重新紮入代碼、產品和用戶之中，試圖親自觸摸 ai 的脈搏。

為此，范凌選擇了一條更決絕的路：親手「殺死」過去的自己。

最近，他們發布了一款新產品 gea（generative enterprise agent，企業級智能體）。它記錄了一個中國企業服務創業者，在 ai 巨浪面前，如何完成一次徹底的自我認知重構。

過去的特贊，那個在已知地圖上精耕細作、追求極致效率的「匠人」，終於放下了舊時代的枷鎖，一個立志開闢「新大航海時代」的哥倫布，已經揚帆啟航。

當基礎模型的能力日趨統一，當所有人都能輕易調用強大的 ai 時，未來企業的真正護城河是什麼？勝負手將落在哪裡？當 ai 從助手走到企業真實的業務場景（產品創新、洞察研究、內容增長、設計創作等），什麼樣的系統能夠真正承接目標、組織推理，並持續推進結果產生？

范凌的答案是 gea。

一套面向真實業務流程設計的企業級智能體架構。

在這個架構中，最核心的是「上下文的密度」。他斷言，我們正從「工具驅動」的時代，邁入「上下文驅動」的時代。未來，真正決定勝負的，不再是你擁有什麼工具，而是你為 ai 餵養了怎樣獨特且高密度的業務場景、用戶數據和行業知識。一個只有 50 字描述的 ai 虛擬人，和一個擁有幾十萬字背景故事的虛擬人，它們的能力天差地別。上下文，將決定你的獨特性。

ai 技術的快速迭代，也帶來組織的變革。從「ai 賦能」到「ai 原生」，這不只是辭彙的變化，更是更底層組織邏輯的調整。范凌和他的客戶們正在一條全新的道路上奔跑：讓 agent 7x24 小時進行新品研發，一年創造 3000 個創意，再用虛擬用戶投票篩選出 300 個交給人類決策。在這裡，人不再疲於從 0 做到 70 分的重複性勞動，而是聚焦於從 70 到 100 分的創造性飛躍。

但范凌也並非盲目樂觀的佈道者。他清醒地看到，從一個漂亮的概念驗證到規模化落地之間，還有著巨大的鴻溝。跨越它需要兩樣東西：一是系統性的評估體系（eval），二是由頂級專業人士「蒸餾」出的高質量 agent 技能。前者決定你能否信任 ai，後者決定 ai 能否真正勝任專業工作。

「放下『未來必須和過去有關』這個包袱。」范凌在採訪的最後說。這句話，不僅是對他自己，也是對所有在 ai 浪潮前感到興奮又焦慮的企業家們的建議。

你的過去決定了現在的你是誰，但你的未來，是由現在的你創造出來的。在一個為「非共識」喝彩的新時代，所有的留戀都是一種負擔。

以下為范凌與張鵬對話內容實錄，有編輯刪減。

張鵬：最近特贊發布了一款新產品 gea。從你的視角看，你們服務的那些企業客戶現在到底是如何看待 ai 的？

范凌：這次發布 gea，我們反覆強調：這不是一次簡單的產品發布，而是一次對特贊的「重新介紹」。特贊是一家企業級智能體公司。

關於客戶的態度，我給你描述一個很直觀的場景變化：去年，當我們給客戶講生成式 ai、講智能體（比如我們的洞察研究智能體產品 atypica.ai  ），他們會說：「嗯，這個東西很有意思，但是……」後面跟著一大堆不行動的理由。

今年，當我們再講 ai，他們會先提出很多疑問：「幻覺怎麼解決？數據準確性怎麼解決？」但是，他們最後的結論是：「我們要不先試試？」

這就是企業態度的根本轉變。過去，他們研究很多，行動很謹慎。而今年，尤其是隨著 claude opus 4.6、openclaw 等的發布，客戶們雖然仍有很多疑問和畏懼，但他們選擇暫時擱置這些畏懼，開始動手嘗試。

為什麼？因為大家都有一個普遍的擔心，如果自己不動手，競爭對手可能就搶先了。所以說，他們的「手是誠實的」。

張鵬：你最近發布的 gea，感覺是經過了系統性思考的產物，並且你說它的誕生要「重新介紹特贊」。給我們講講，這個新世界觀是什麼？gea 又是一個什麼樣的產品？

范凌：我們很早就開始用 ai，從 gpt-2.0 開始，但坦白說，我們一度對外界的情緒反應不足，總覺得「又是一次炒作」。直到去年年初，我看到像 cursor、devin 這類產品出現，我意識到這不再是技術變化，而是對「軟體」本身的挑戰，而我們正是軟體的受益者。

我們嘗試做了第一個 agent 產品 atypica.ai。過程中我們學到最重要的一點是：它不僅是軟體的替代，更有可能替代使用軟體的專業人士。ai 不再只是提效，而是能直接把活幹了。

這個認知促使我們從第一性原理重新思考，gea 就是用這種方法把我們為客戶做的所有事情重塑了一遍。所以 gea 的發布是後置的，客戶已經用了好幾個月，我們才決定官宣。對我來說，決定發布的那一刻，就是我決定放下過去特贊的形象，重新定義特贊的那一刻。

第二個是，2025 年年中，我意識到 ai 開啟的不是在原有地圖上深耕的模式，而是一個「新大航海時代」。對我們這種在原有領域深耕的企業來說，做深做精是本能。但我突然覺得，我們有機會做「哥倫布」，而不是一個精益求精的「匠人」。

這意味著我們要打破邊界，去搶新地盤。我們不再只做內容，也開始做產品創新、用戶洞察的智能體。你會發現，agent 的底層架構是相通的，這讓我們能很自然地衝出原來的領域，這個過程非常令人興奮。

張鵬：你說 gea 是你刷新公司定義的起點，而且已經在客戶那裡跑了一段時間。它的構想框架是怎樣的？現在它如何服務客戶？

范凌：首先，「agent」這個詞現在被用得很廣泛。在我看來，用一堆提示詞去做一個簡單的 agent 並沒有壁壘。任何過去用軟體、用專業服務完成的事，理論上都可以用 agent 重做一遍。

真正的價值和壁壘在於以下幾層：

首先是模型編排。沒有一個模型能擅長所有事，做圖、做視頻、做推理、做寫作，可能都需要不同的模型。要完成一個像「新品創新」這樣的複雜任務，我們可能要調用二十多個不同的模型，包括開源的、閉源的，甚至是企業自己訓練的。如何根據任務，高效、低成本地編排這些模型，至關重要。畢竟，token 並不便宜。

第二是上下文（context）。如果大家都能用上同樣的模型，差異化就在於你為模型提供了怎樣的運行環境。我們把企業數據分為兩種：一種是存在表格里的結構化數據，我們稱之為企業的「事實（ground truth）」；另一種是大量的圖文、視頻等非結構化數據，這就是企業的「上下文（context）」。特贊過去幾年一直在幫企業做內容管理，正好積累了這一層的能力。有了好的、對的上下文，模型才能發揮真正的作用。

在模型編排和上下文之間，是執行任務的 agent 層。但在這之上，還有最關鍵的一層，我們稱之為意圖（intent）。企業里的任務通常不是「給我列印張紙」這樣的簡單指令，而是需要迭代的複雜需求。因此，理解用戶背後的真實意圖至關重要。我們甚至專門為此訓練了一個發散推理模型（creative reasoning model），用於理解和增強意圖。

所以，gea 的框架就是由四層構成：

我們相信，這個架構組合起來，才有可能真正解決過去需要專業服務才能解決的問題，比如用戶洞察、產品創新諮詢、營銷增長策略等。最終的目標，就是讓 agent 重做一遍專業服務。

張鵬：我很好奇，gea 這個名字怎麼解讀？

范凌：gea 就是 generative enterprise agent，企業級智能體。我們內部用這個代號很久了，它也是 大地女神蓋亞（gaia，在西方文化里象徵「承載世界的底層結構」）的名字，我們覺得寓意很好。

現在有些公司會把數字員工放進組織架構圖，我覺得這可能有點像噱頭。ai 技術每年都在發展，最早是能生成文字、圖像的生成式 ai；之後是會推理、能思考的 ai；現在則是能幹活的 agentic ai。

隨之而來的是組織形態的變化。最初大家想的是「ai 賦能」（ai empowered），比如給每個員工配一個 copilot 當助手，或者用 agent 替代某些角色。「賦能」這個詞，意味著原有的東西不變，只是通過新技術讓它變得更強，像是武器升級。

但現在有另一個方向，叫「ai 原生」（ai native）。我們自己就在思考什麼是 ai 原生。比如，我們做公司營銷時，第一步是先給 ai 大量的文件許可權，讓它理解公司，並且這些文件的架構也是按照方便 ai 讀取的方式來組織的。這才是 ai 原生。

我更希望 gea 能驅動更多企業變得更 ai 原生。不是給研發人員一個新工具，而是創造一種新的研發方式。比如，讓 agent 7x24 小時在後台為企業做新品創新。這樣一來，不是人提出想法、ai 加速實現；而是 ai 負責創新。

單純為了降本增效去做兩個數字員工，我認為這是一種內卷邏輯。我們更應該走向 ai 原生，去尋找新的增量機會。

當然，喜馬拉雅的創始人余建軍還提到了第三個階段，叫「ai 喚醒」（ai awakened），我們也很期待看到未來被 ai 喚醒的新物種。

張鵬：我理解 ai 原生的本質，是放大企業的可能性，但企業場景需要確定性。你們的 gea 框架是如何在一個概率系統之上，建立企業需要的確定性呢？

范凌：我們提到的意圖、編排、agent 和上下文這四層結構，本身就是為企業場景設計的，這能解決七八成的問題。但這還不夠。要讓 ai 在企業里從一個看起來很美的概念驗證（poc），到真正能規模化應用，中間有巨大的鴻溝。要跨越它，需要兩個關鍵突破。

第一個突破，在矽谷很火但在國內提得還不夠的詞，叫「eval」，也就是評估（evaluation）。在規模化應用前，你必須系統性地評估它，了解它的容錯率。這意味著需要建立一套評估的基礎設施和行業基準（benchmark）。就像客服領域有相應的榜單，未來在產品研發、用戶洞察等垂直領域，我們也需要能去「打榜」，證明我們的能力。

第二個突破，是構建高質量的「智能體技能」（agent skills）。我最近在美國觀察到，現在的數據標註已經不是簡單的給圖片打標籤了，而是僱傭頂級的專業人士（比如律師、諮詢師）去完整地解決一個極其複雜、可能有幾十上百個步驟的真實問題，並把這個過程記錄下來。

這才是現在最有價值的「人類數據」，是專家的技能和智慧的「蒸餾」。這些高質量的、複雜的「技能」會非常昂貴，並且是專有的，而不會是免費通用的。企業想要真正用好 ai，就必須構建或獲取這樣的「技能」。

相關閱讀：矽谷兩周，十個真話

張鵬：我感覺你做的不是數字員工，也不是單純降本增效的基礎設施。它更像一個「拎包入住」的平台或環境？

范凌：是環境，但這個詞有點抽象。我更願意稱之為一個 ai 原生的「培養皿」。它不是一個簡單的工具，也不是替代一兩個員工，它帶來的是化學變化，目的是讓用戶的工作方式、甚至競爭力都發生根本改變。

我給你舉個例子。我們有個客戶是做巧克力的，非常傳統，過去每兩年才換一款產品。但現在市場變了，不存在單品爆款，需要不斷用小規模的創意去測試市場。

巧克力的核心 80% 是不變的，變化的是那 20% 的包裝、口味、聯名等等。他們就用 ai 來大量生成這 20% 的新品創意，一年下來能產生 3000 多個不同的想法。

然後，我們用模擬的用戶 agent 去自動給這 3000 多個想法投票，篩選出最好的 300 個，再交給人來討論。

這就意味著，當團隊開始做新品構思時，他們不是從 0 開始，而是面對著 300 個已經很完善、包含具體造型的方案。ai 已經把工作從 0 分做到了 70 分。人的精力不再消耗在 0 到 70 這個機械的、「打工人」的過程中，而是全力投入在 70 到 100 這個純粹的創造力環節。

我覺得這個過程非常有機，人的價值得到了更好的發揮，ai 也能持續地提供燃料。雖然這不是一個驚天動地的新產品，但它代表了大多數企業走向 ai 原生的真實路徑。

張鵬： 我們聊到了主動的（proactive）agent，你覺得企業里什麼樣的場景下，這種主動 agent 已經相對成熟了？它的邊界在哪裡？

范凌： 我一直在思考 proactive agent。為什麼研發一定要由人來驅動，而不是讓 agent 不停地研發，然後來徵求人的意見？就像我們現在很少主動搜索，而是由信息流（feed）給我們推送內容。工作為什麼不能也是這樣？讓 ai 不停地工作，時不時來問問我的看法。

我過去認為，proactive agent 應該是由 ai 自動發起對話，而不是人輸入提示詞。但我曾錯誤地以為，要做 10 個 agent，就得做 10 個 proactive agent。後來我意識到，只需要做一個「proactive agent」，由它去調用所有其他的 agent。這樣，整個工作流就自然被激活了。這在今天已經可以做到。

在這種協同中，人的價值至關重要。首先，人要為 agent 設定好場景和目標。其次，人是評價者。agent 的邏輯是可預測的，它總是選擇概率最大的路徑，人則需要提供反饋、意外和挑戰來引導它。最後，人是最終的責任承擔者。agent 能幹活，甚至能用腦，但它不能承擔責任。

張鵬：「關係」變得空前重要。即便未來大家都是 ai native，最終還是要回到如何與用戶交朋友，並把這種關係轉化為更好的服務。那麼，你的客戶用 gea 框架，具體能做一些什麼樣的事情？

范凌：我們的客戶主要有兩類。一類是世界 500 強級別的大企業，覆蓋快消、美妝、新能源車、酒類等行業。另一類是中小企業和專業個人用戶，因為 agent 的使用門檻比傳統軟體低很多，所以這類用戶增長很快。

我舉兩個例子。一家世界 500 強的食品公司，用 gea 搭建了一套內容增長流程。ai 每天自動搜索與品牌相關的話題，為旗下的社交媒體矩陣號生成內容、續寫人設、混剪視頻並分發。然後它會追蹤哪些內容效果好，再回來進行二次、三次創作，形成一個閉環。在這個流程中，人只需要做選擇、調整和引導。最終，這款新品的 roi 在三個月內提升了 7 倍。

還有一個例子。我們有一個個人用戶，他的產品在國內很成功，但不知道該進入哪個海外市場。他用 gea 去掃描全球市場，尋找合適的用戶，並測試觸達他們的方式，在幾周內就完成了初步的市場調研和用戶測試。

總的來說，gea 主要解決的是企業前端與增長相關的非供應鏈問題。只要客戶能提出一個增長場景，我們就能用 gea 把它串聯起來，讓它跑起來。

張鵬：很多硬體產品發布前都會做前測，來驗證產品、調整策略。未來是否能在一個虛擬空間里，完成產品優化的模擬（simulation）？你的客戶有在這麼做的嗎？

范凌： 簡單說，有。尤其在智能硬體領域，大到新能源車，小到手機。用法主要有兩種。

第一種是在產品定義階段，比前測更早。很多創新是用戶驅動的，我們會用 agent 批量模擬用戶，收集他們的聲音（voice of customer），甚至捏成虛擬用戶來和品牌方一起腦暴。比如，我們幫一家新能源車企，召集了一群虛擬的「二孩年輕家庭」，共同定義下一代 mpv。

第二種是用在測試環節。智能硬體的外觀和用戶體驗非常保密，比如新手機在測試時連鏡頭都要貼掉，但又需要大量用戶測試。我們就可以生成一群虛擬用戶，讓他們在虛擬環境中「觀看」和「點擊」新產品。

當然，我並不認為未來只需要虛擬測試，一定是虛實結合的。虛擬部分能大大增加測試頻次、降低成本；而真實用戶的反饋，則提供新的數據和思路，反哺系統。我們從新能源車到錄音卡這樣的客戶，都在進行這類實踐。

但我必須補充一點，這一定是人機結合的模式。ai 負責處理那些大概率的、重複性的工作，而人，永遠負責帶來意外、品味和挑戰。

張鵬：這就像具身智能領域裡的模擬（simulation）。模擬數據有巨大價值，能極大提升效率，但也存在一個從「模擬到現實」（sim to real）的差距。虛擬用戶如何保證測試數據的有效性？我為什麼能信它？

范凌：這個問題可以從幾個層面來保障。首先，大量學術研究已經證明，通過大語言模型和工程優化，ai 模擬的消費行為能達到和真人 85% 的一致性，這是一個堅實的基礎。

其次，企業應用時，會有一個評估和校準的過程。我們會針對汽車、智能手機、消費品等特定場景，解決「最後一公里」的難題，讓模擬更貼近真實業務。

最後，在一些特殊行業，比如醫療，尤其是涉及老人和兒童的數據，本來就極度稀缺。在這種情況下，ai 模擬出的用戶數據質量，可能比現有的數據還要好。我們的比較對象不應是絕對真理，而是現有的基準（benchmark）。

張鵬：很多 tob 的 ai 公司會「挑客戶」，他們覺得如果客戶沒有「ai ready」，服務起來會很麻煩。在使用 gea 之前，公司需要在業務或數據上達到某種狀態嗎？

范凌：這個問題，今年和去年的答案不一樣了。今年我的答案是：我不挑客戶，我只挑預算。

現在是 ai 的「大航海時代」。我不在乎客戶的準備程度，只要他有決心和預算去做這件事。客戶的準備程度有高有低，有些能快速吸納新技術，有些則意願很強但不知從何下手。

針對後一類客戶，我們今年的核心策略是「全棧式服務」（full stack）。我們不能只把技術丟給客戶。即使是 ai 認知領先的公司，也需要通過培訓等支持的方式來彌合「認知」和「動手」之間的差距。

所以，「全棧式服務」意味著我們用 ai 技術 + 人的服務，直接幫客戶產生價值。你沒有數據，我們幫你解決數據問題；你不知道怎麼改工作流，我們幫你設計。

我們的目標是在未來某個時間點，把整套系統交付給你，但我們不能讓你當下的「手腦不協調」阻礙你開啟 ai 的進程。中間的差距，就是我們的機會。

現在是大航海時代，新大陸一定不如舊大陸舒服，但新大陸足夠大。

張鵬：你一開場就非常堅決，把今天 gea 產品的發布，看作是對特贊的一次重新定義。那麼，特贊的歷史上，在哪些節點上做過「翻新」？這條路是怎麼走過來的？

范凌： 特贊，名字就是 tech 加 design，一手技術，一手創造力。這個本質沒有變過，變的是產品形態。我們最早是一個平台，但慢慢發現，不是每個行業都有做平台的機會，尤其是 to b 的平台。

後來我們做了一個比較大的跳轉，把平台變成服務大客戶的軟體。原來做平台是為了民主、平均，不要服務寡頭，後來我們成了一個服務大企業的軟體公司，當然也和 ai、內容相關。這個過程我們吃到了很多紅利，比如前幾年的 saas 紅利，企業服務紅利，以及最近的 ai 紅利。

這次的變化，是我自己覺得最大的，最不順理成章的。過去我們是在積累的東西上包一層時代的印記，但這次有點像是要把過去的積累放下來。我一直跟團隊說，我們又沒有大到可以吃資源，又沒有小到沒有負擔，所有東西都可能成為擁抱明天的累贅。所以我們希望能夠自我革命，這一波的改變是完全徹底的。

張鵬：過去的變化，就像一個滾動的蛋，殼上一層層的東西疊加。但今天不是再滾一層更厚的，而是要從里把殼敲碎，長出新東西來？

范凌：對，這源於一種內心的緊迫感。我不是因為業績或投資人有壓力，而是我害怕在 ai 這個馬太效應極強的時代，我們上不了船。我不知道有多少人有船票，但我知道上船最重要。

今年初，我看到很多軟體公司的創始人都有類似的表述。shopify 的創始人說他去年寫了前所未有那麼多的代碼；airtable 的創始人也親自做了兩個新產品；intercom 的創始人甚至寫了一篇與過去決裂的文章，甚至改了商業模式和董事會。

這讓我更加確信：在這個大航海時代，所有的留戀都是一種負擔。

相關閱讀："突破"特贊

張鵬：目前，華爾街正在重新評估軟體的價值，很多公司估值大跌。你認為，是市場低估了軟體，還是軟體真的正在被 ai 吞噬？

范凌：我們以前總覺得中國的明天是美國的今天，沒想到在軟體行業，美國的明天成了中國的今天——強調定製化開發、低成本、包服務。

原來美國的軟體太輕鬆了，一個簡單的產品能賣很多錢，是因為很多中小企業付不起專業服務的費用，只能被迫接受標準化產品。現在 ai 讓每個人都可以有自己的軟體，saas 當然應該重做一遍。所以股票下跌不是一種錯殺。

ai 不僅會取代很多軟體，也會取代很多用軟體的人。我一直覺得，所有坐著工作的崗位都可能被 ai 取代。

那我們的機會在哪？第一，要擁抱企業場景，不僅是提高效率（output），更要交付成果（outcome）。第二，要擁抱物理世界。物理世界和數字世界的節點，才是創業的機會。比如我們為什麼喜歡做用戶研究？因為人沒那麼快變化。純 ai 公司的差異化會越來越小，但如果我們能用 ai 幫助一個傳統行業，比如把新品研發周期從兩年縮短到兩天，這才是我們存活的機會。

張鵬：我還有一個問題，我看你還掛著同濟大學教授的身份，是一邊創業，一邊還在教課帶學生嗎？

范凌：我創業前就在大學教書，回國後，我的本科母校同濟，給了我一個很靈活的職位，允許我全身心創業，同時把餘量貢獻給學校。

我在學校不教本科生的課，但帶研究生、博士生和博士後，我們有一個二三十人的實驗室。所有無法商業化的興趣話題，比如一些可以長期積累的數據集、人才培養，都會放在實驗室里，以發論文、寫專利、申請課題為主。

這對我來說是一種很重要的平衡感。企業里思考的周期基本不超過三個月，但在學校可以做一些長期積累。

最近我發現，ai 讓科研和市場的距離變得非常近。我去聊了很多大學老師朋友，沒有一個不想創業的。ai 給了科研人員一個新機會，我們的知識離市場更近了。比如最近很火的「harness engineering」，原本是科研問題，現在三到六個月就可能成為應用技術。反過來，學校也迫切需要來自市場的真實問題和算力，這是一個雙贏，只是對體力要求很高。

張鵬：今天我們做的很多工程上的事，未來有多少會被模型自己吸收掉？這決定了我們今天做的事，未來是否還有價值。比如 gea，你肯定要考慮，哪些工作會被模型吸收，哪些會永遠保留獨立價值？

范凌：這個問題我沒有很好的答案，只能說在持續思考。

如果用已知類比未知，我覺得模型和應用之間，就像平台和品牌之間的博弈。最早電商剛開始時，平台很強勢，但後來品牌的力量也越來越大。現在，模型就是新的平台，可能暫時強勢，但隨著應用方用得越來越多、越來越好，應用方的力量也會變大。

模型肯定什麼都想做，只是有路線圖的遠近之分。我們現在做的事，也許是模型三年後會做的事，所以我們必須持續往下做。

另一邊，企業會越來越敏感，會把它的 context（上下文、業務場景）變成完全私有的東西，並盡量和模型做物理上的隔離。作為創業公司，我們必須站隊。我們會選擇站在品牌（企業）這一側，幫助他們守住和用好自己的 context。

張鵬： 這就是一種世界觀和選擇。模型就算萬能，也依託於數據。但企業里有很多「暗數據」，就像宇宙中的暗物質，無法輕易被觀測和抽取。

比如，要把一個人的崗位能力「蒸餾」成一個數字員工，你會發現顯性的知識就那麼多，但有很多隱性的「暗知識」只在特定場景下才會激發。模型想吞噬一切是很難的，這些模型不可見的「暗物質」一定會形成一個價值層。未來的關鍵，就是如何組織這部分價值，並與模型協同，創造更大的價值。這就像有了電以後，我們去思考怎麼用電，而不是成為給別人供電的電池。世界本身就在一個「移動靶」的博弈過程中，關鍵是要參與進去，才能看清楚。

范凌： 是的。在我們有生之年，從來沒有碰到過應用層和基礎技術層都同時劇烈變化的時代。通常基礎是平穩的，變化發生在應用層。但這次兩個都在巨變，所以預測任何東西都很難，只能「隨波逐流」——意思就是不要停下來。

張鵬：我們來推演一下。假如未來所有企業都用上了最好的模型和 agent skill，一個企業的獨有價值和最終的勝負手，會落在哪裡？

范凌：這個問題我也時常思考。過去我們覺得核心是做好產品，但現在用 ai 做產品的門檻越來越低。那麼，什麼東西是 ai 無法加速的？

我的答案可能不那麼技術，但我認為是品牌帶來的信任。我發現很多 ai 公司又重回到了人和人的交流。創始人必須親自走到台前，讓用戶因為相信你、喜歡你，而去試用你的產品。這種「人的連接」反而成了 ai 產品的關鍵差異點。

第二點是社群和真實的線下體驗。我看到 anthropic 像消費品牌一樣，去做線下的快閃店，這種做法是在建立社群和一種「真人感」。當產品本身差異不大時，這些就成了競爭壁壘。

當然，當用戶用得越多，積累的上下文和數據越多，遷移成本就越高，數據的飛輪效應就會出現，這是另一種競爭力。但在當前階段，我們必須抓住那些 ai 無法快速複製的價值，比如品牌和信任。

張鵬：特贊基於新的世界觀，通過 gea 邁出了破殼的第一步。接下來會走向哪裡？你肯定已經想好了下一步，今天能分享嗎？

范凌： gea 只是一個開始。我們會以每兩周一個新場景的速度，把它的應用變得更多元。我們已經規划了接下來的三到四次發布的內容，希望和信任我們的用戶一起，找到他們還想解決的場景。

第二，最近我去美國發現，和過去 erp、crm 這些由美國人發明的概念不同，ai 這一波，中國在應用層面有很多領先。所以，把中國消費市場歷練出的實戰能力，以企業級方式交付給全球客戶， 這個空間巨大。現在可能真的會出現「china for global」，中國的應用應該走向全世界，這不是情懷，是結構性的機會。gea 從第一天就是全球化的（global first），我們已經在新加坡、日本、美國進行複製。

第三，agent 不僅是取代 saas，它能直接交付結果，從而取代一部分專業服務。比如，用戶研究 agent 能不能直接做掉諮詢公司的事？就像法律 agent 已經在做律所的事。所以我在探索，gea 能否不止著眼於軟體市場，而是去獲取整個專業服務市場的一部分。

張鵬：過去我們討論軟體生態時，會談論開放與封閉。在未來的企業智能化時代，這個問題還存在嗎？它會如何演進？

范凌： 我認為海內外是完全不一樣的生態，產品的做法也完全不一樣。

在海外，「整合」（integration）一直是最重要的特性，你必須能和其他眾多軟體平台打通。比如，連接各個社交媒體進行內容分發和數據獲取，在海外就非常容易。

但在中國，每個大廠都想在自己內部形成閉環。同樣是社媒分發，在中國要用很多變通的方法才能實現自動化。

所以，我心裡的理想狀態是開放的。但現實是，在中國當下的環境里談不上「開放」。因此，如果我們的產品要走向海外，就必須是開放的。

張鵬： 現在頂級的創業者都把全球化作為第一目標，這和過去（中國市場打不過才去海外）很不一樣。這已經成了一個非常重要的「新世界觀」？

范凌： 是的，還有一個很重要的原因是，ai 讓語言不再是問題。這使得我們可以更容易地兼容不同的文化和語言，也是全球化的一個重要原因。

張鵬： 我們大膽預言一下，到 2030 年，在企業智能服務這個領域，一家真正有價值的優秀公司，需要具備哪些關鍵條件？

范凌： 我認為，我們正在從「工具驅動」轉向「上下文驅動」（context-driven）。

過去的理念是「工具驅動」，就像麥克盧漢說的，「我們創造工具，工具反過來塑造我們」。但現在，創造工具本身變得非常簡單。

新的核心是「上下文驅動」。我們開始能讓那些過去很難被結構化的東西（比如一段自然語言）變得可被結構化、可被計算。我發現，ai 應用效果的好壞，直接取決於「上下文密度」的高低。

舉個例子，一個效果差的 ai 虛擬人，可能只有 50 個字去描述它。而一個效果好的 ai 虛擬人，擁有密度極高的上下文，用幾萬甚至幾十萬字去描述它的性格、出身、行為習慣，甚至是他坐在椅子上的樣子。

所以，我認為到 2030 年，誰能掌握更高密度的「上下文」，誰就能最大化地用好大語言模型，創造出獨特的價值。上下文，將決定你的獨特性。

張鵬：最後一個問題。今天有很多創業者和企業家，他們對 ai 感到焦慮，但又渴望探索。作為一個已經走在路上的探索者，你有什麼建議給他們？

范凌： 我感受到的不是焦慮，而是「緊迫」，覺得應該儘快做點什麼。

我的建議是：放下「未來必須和過去有關」這個包袱。

你的過去，決定了「現在」的你是誰。但是，你的未來，是由「現在」的你創造出來的，並不意味著你未來要做的事必須和過去做的事相關。

ai 時代重新給了我們一種環境，一個大家會為「非共識」的觀點而喝彩的環境。在過去很長一段時間裡，由於追求降本增效等原因，我們都為「共識」而喝彩，很少有人為「非共識」買單。但過去這一兩年，情況變了。

所以，我們應該勇敢地與過去所做的事情做切割，然後勇敢地邁向明天。