泓君: Hello 大家好，欢迎收听《硅谷101》，我是泓君。随着 AI Agent 越来越智能，未来会不会出现“一人公司”？想象一下，当你要开一家线下的礼品店，Agent 里面有一个专家团，可以帮你去做选品、运营、打跨越语种的电话、管理供应链，一个人就可以面向全球做生意。今天我请来了 阿里巴巴国际业务部 的总裁 张阔，他从一个大厂核心业务的决策逻辑来分析一下，他是怎么样把阿里 26 年的经验做成了一款 B2B 的 AI 工具，叫 Accio。目前已经拥有 1000 万的月活用户。全球 B2B 业务的交易额高达 30 万亿美元，但是数字化的渗透率还有很大的空间。大家都知道，跨境 B2B 业务是阿里巴巴的商业原点，AI 能不能撬动那个互联网都没有办法改变的庞大的存量市场，成为一个新的增长点呢？这既是一个 AI 如何去重塑 B2B 贸易的典型案例，也是在 OpenClaw、Claude Cowork 这些新技术引发剧烈变动的周期中，一个掌舵人的决策逻辑。张阔也提出了一个非常有意思的判断：面对新模型，你的公司是兴奋、焦虑，还是毫无感觉？最后一种才是最危险的。下面就请收听我与张阔的对话。

泓君: Hello 阔，你好。

张阔: 你好。

硅谷与国内AI发展的体感差异

泓君: 最近我知道 GTC 期间您也在硅谷，要不要聊一下您在硅谷最近的一些感受？因为现在大家有一个问题，就是觉得国内会有一点点信息焦虑，但同时大家又觉得国内的信息还是挺快的。您觉得你来了硅谷以后，硅谷跟国内 AI 的发展给你的体感上会有什么不一样？

张阔: 我觉得从硅谷跟国内比，可能投资人的生态和整个创业者的生态还是有比较大的差别的。我自己跟创业者和我们自己的最终用户跟他们聊得比较多。我觉得这可能也分两个层面，一个就是创业者生态它的多元化，我觉得可能看得更多一点。比如说在美国，我们除了说现在所有的创业可能都跟 AI 有关以外，AI 相关的产品的支撑，就是 AI 底层的这些基础设施，其实大家也投入非常多的内容，也非常多分层的生态位里边的角色出现。

张阔: 你比如说像 TogetherAI、Fireworks，这已经规模比较大了，它的存在就是要帮助上面这些应用更容易地获取模型，更低成本地去做推理。再往上层面就是做各种各样的，比如去赋能 AI 产品的一些小的构建型基础设施，比如说做语音到文字等等。你感觉好像是“大模型”前面会去做这些方向，但是就是有非常多的小公司在某些垂直领域里边能做得比别人快一步，永远你感觉在推土机前面几十米在跑，但它一直能保持一定的身位，并且也能在这个大的环境里面有一定的生态位。

张阔: 很多的企业就愿意用这些中小企业提供的某一个角度的技术领先产品。我们也跟很多这种公司在合作，比如它的语音转文字就转得非常好，无论是时效还是准确性等等，它自己也是一个独立生态。

泓君: 有哪些软件？

张阔: 比如我们合作的有叫 Whisper Flow。

泓君: Whisper Flow，这个很好。

张阔: 对，跟我们的 Accio 和 阿里巴巴.com 也有合作。因为我们现在也是多模态的，输入内容的查询的增速可能是 100%。更多的人愿意一段语音、拍张照片、发个视频上来，然后找到相关的商品，我们也要在这个方面把体验打磨到最好，所以也要跟最好的硅谷公司合作。

张阔: 第三类就是垂直应用象限的。现在硅谷有一些讨论，说 AI 上来之后对 SaaS 等等可能有影响。我觉得这个可能也分两面看。对于 SaaS 这种商业模式，无疑基于 Token Base、基于使用的这种计量方式，跟原来基于坐席的计量方式比起来，可能还是一个更优的下一代商业模型的基础。但是也有非常多的 SaaS 公司，我看到它比较成功的转型，也是因为有 AI 的加持，让它的产品比原来的产品更好用。

张阔: 比如我们最近也看了一家，帮助这些连锁的线下超市，包括提供食品的餐饮连锁，去做小时工招聘。你比如这个蓝领要跟原来文本做交互，通知你几点来，人家都不乐意，到场率非常低。现在跟一个 Agent 去做交互，这 Agent 跟他讲好所有的事情，你要穿什么样的衣服来，你要怎么去报到，车停哪，你病假的情况是什么样的，干多少小时，就可以给你去记社会保障等等，就它的了解更多，于是它的到场率就更高了。所以你不能一概而论，反正这出来了，于是你就都不好，那也不是。

泓君: 对，这是我最近听到最好的一个观点，其实只要你用得好，它可能反而是一个利好，关键都是在于人怎么用。

张阔: 没错。我觉得在整个硅谷层面，还是看到全世界各地的人，包括全世界的钱都向这去涌入。你说国内焦虑，这也很焦虑。每天晚上，比如说搞一个小的路演（Road show）之类的，就请 500 人可能 1000 人来，最后门都关不上。从平时到周末，大家都是这个情况。还是有非常多的想法涌出。

张阔: 第二个可能要离开硅谷，情况就又不太一样了。包括北美也是一样，它可能核心关心的还是到底产生什么价值。就你刚才讲 Token 经济，这也不理解到底是什么。但对于中小企业，它一定是理解 ROI 是什么。什么东西能给我带来价值，这个“带来价值”本身对他们可能是个更重要的事情。现在大家还是在一个要充分地去论证和推进，怎么能把底层的 Token 变成一个真正商业价值的过程。

OpenClaw与Claude Cowork的应用场景分析

泓君: 对，您来的这周正好是 GTC 的这一周，也是硅谷最热闹的这一周。我注意到这次在 Jensen Huang 他的主题演讲上，包括在他开源的论坛上，他其实提到最多的一个词就是 OpenClaw。我可以想象这个帮他带来了很多的算力需求。但是确实，连他都说，他觉得中国现在大家已经开始在比赛“养龙虾”了，中国对“龙虾”的热度其实是比美国人的热情要更高的。上次其实我们俩吃饭也聊到，您觉得在这个时间点上，真正应该关注的是 Anthropic 的 Cowork，而不只是 OpenClaw。可不可以展开讲一讲？

张阔: 好的，我先讲一下前面这部分。因为 Jensen Huang 这次可能核心的大的逻辑还是想讲 Token 经济。因为确实从芯片的角度来讲，对于单 Token 的算力，包括成本，还是指数级下降。在这个基础上，可能会衍生出很多应用。OpenClaw 可能就是在这个大的基础里边最近比较现象级的应用。问题就是因为 OpenClaw 还不是一个非常简单易用的开箱即用的产品，要把它东西配置好，变成一个能解决你问题的产品，还是相对对技术有点要求。这个门槛也挡住很多人。当然更重要的是你到底能产生什么价值？长期留存下来的工作流可以帮助你解决问题。但如果这个东西留住的工作流非常有限，可能过一段时间你会看到退潮。

张阔: 在硅谷，我觉得 Claude Cowork 这个设计范式也非常吸引人注意。至少有一段时间，每做一个插件，可能股市都会受一些影响。虽然它还在一个研究预览版的早期，但是能看到非常多的下一代的工作台或者是 Agent 平台的影子。它分层的开放架构，它产品的设计体系，包括因为它本身是基于 Anthropic 的模型，它跟 Claude 模型之间的磨合的匹配度还是非常高的。

泓君: 对，您刚刚这段话启发了我，是不是 OpenClaw 更适合 2C 的应用场景？因为我觉得从产品设计上来说，你其实只要把它接好，我在一个聊天的对话框里告诉它一个事情，它就可以帮我去爬网页，包括把音频转成文字，甚至比如说我们的这个播客，假设录音出现了一些瑕疵，它还可以帮我去修音频，补瑕疵，去回声。但是 Cowork 它是不是更适合一个 2B 的工作场景？因为我觉得大家在用 AI 的时候，有两种思想一直在争论：我们到底应不应该把很多的工作分步骤来解决？因为很多人认为凡事我还要一二三步，每一步我告诉你怎么做的，就证明人还在控制这个流程，它的思想就还不够 AI 原生。但是反过来想，如果我真的是一个企业，我要真的把整个 AI 运用到我的播客制作中，我需要有一个非常明确的流程，告诉它一二三你要做什么，且你每一步的准确性都要达到，就你不能是一个给我质量不能保证的产品。所以我在想这两个产品，它是不是其实对应的还是一个不一样的工作范式？

张阔: OpenClaw，因为它本身开源和泛化的能力比较强，不基于任何一个模型，因为它本身下面可以接多个模型，可以接多个工具等等。有人对它挑战得比较多的也是在这里边，因为开放性过强，以至于你进去到底做什么做得好，它的整个 强化学习 怎么设计？因为它其实开放的范式，到底什么东西做得好，怎么能记住这个做得是好的，这点还是需要花比较大的时间去磨合的。包括它的安全性的问题等等。

张阔: Claude Cowork 我觉得这个产品设计的面向对象可能更清晰一些，其实就是 Knowledge Worker（知识工作者）。最开始比较典型的类型就是开发人员、程序员，然后可能是分析师、做研究的、做金融的、律师等等，就是原来需要大量的跟邮件和 Word、Excel 以及一些互联网的信息去做交互的这个过程。也就是对于那些问题，其实处理得还是比较好的。

张阔: 然后你说是一次性都处理完还是一步一步来，我觉得这两个可能还不是一个核心的分野。因为这最 Agentic 的工具做得比较好的事情，它其实是所有工具的工具。不同的人用这个产品，最后你肯定用出你自己的样子，因为你想要去完成的事情不一样。所以你会在每一个步骤上设计和给它校正，就这个步骤做得是不是对的。如果对的进到下一个步骤，否则的话你所有的步骤可能缠在一起。你假设要做一个播客要搞 18 步，每一步有误差 10%，你最后 90% 的 18 次方，那你基本上最后是个不可用的结果。

张阔: 就是你每一步要去跟它去做 Verify 验证，一定要把核心的步骤差错率搞到最低。你用你自己的衡量这个事情成功的标准，你这个指标是什么样的，就是大家基于自己的专长去告诉整个 Agent 工具这个产品，最终你的输入和输出要符合这个标准，那就是一个好的结果。然后 AI 不断地去强化学习这个结果，最后产生一个你更能接受的工具。这个过程如果不是开放式的，其实 AI 很难去衡量中间哪一步做错了。它一定是你有办法跟它去做交互，告诉它哪一步你能够把它做得更准确，这个工具最终才能给你起到最大作用。但是它一旦学会，接下来的推理过程和执行过程就很简单，单位 Token 产生的经济价值会更大。

泓君: 要让 AI 去做到准确，这个事情就很难，它是一个门槛很高的事情。

张阔: 没错。而且不同的行业，我觉得这个 stake（风险）是不一样的。刚才比如讲 OpenClaw，如果帮助你每天去收集一些外部的信息，我觉得这个可能是一个阈值的事情。收集得准还是不准，是不是符合你胃口，这个事情它可能是一个 stake。你要基于这个信息去做量化交易，那就是下一个 stake 的事情。如果你需要这个信息指导你未来一年或者更长时间的生产作业，对你的整个生意的 ROI 产生很大的影响，那又是下一个阈值的事情。对于每一个不同的领域，产出的期待阈值不一样，你对工具的使用方法，包括工具本身、工具背后这个模型，我觉得都是需要重新设计才能更好地发挥作用。

Accio的产品升级与B2B业务重构

泓君: 对。今年我注意到你们去年推了一个叫做 Accio Work，它是帮很多的外贸 2B 的厂家解决自己垂直领域的问题，然后用 AI 来做。今年我知道你们的这个软件很快也要升级了。你能不能讲一下升级在哪些地方？因为这一两年 AI 发展得特别快，大家在这种非常快的节奏里面，你是怎么去考虑你的迭代，以及你现有业务跟传统业务的平衡？

张阔: 好的。首先我们当时也做了一个推演，就是 B2B 的生意未来可能都会走向 A2A，就是 Agent to Agent。我们今天其实是两个平行的业务系统。有一个就是市场平台，就 阿里巴巴.com。阿里巴巴.com 自己它的所有这些搜索、沟通、推荐、交易、物流等等，整个这套体系其实也在快速地用 AI 重构的过程。原来买家从搜索一直到交易的过程，可能跟最早的搜索引擎，包括电商平台很像。今天你去基于阿里巴巴.com，基于它的 AI 模式去做事情，你就觉得它也是一个类似 AI 原生的产品。非常多的交互是你跟 AI 去做交互，让 AI 帮你去筛选大量的信息，帮你推进整个订单的流程，帮你去做最好的物流，包括支付条件的建议，最后帮助买家跟卖家快速完成线上的交易。

张阔: 另外一条线就是 Agent to Agent。我们去年推出的产品叫 Accio，就是 Accio.com 或者 Accio.AI。到今年 3 月份的月活跃用户已经到 1000 万。它还是一个月度环比增长速度非常快的产品。它核心想解决的其实是围绕采购这一端的问题。但是采购有向前跟向后延展的部分，比如说它最开始采购的起点是先找到下一个产品是什么，尤其对于中小企业，就是定义它下一个“杀手”的产品到底是什么。这是非常重要的事。如果这个事搞对了，可能企业的现金流和业务就走入正轨。如果要是搞错了，可能就非常多的时间，非常大的试错成本。所以一般从研究开始到形成这个想法（Ideation），再做产品的设计（Design），然后再进入到供应商的筛选、沟通环节，然后再进入到交易的流程，然后进入到商品的运输、售后等等这些流程。Accio 是希望前面把整个采购更大程度地自动化，通过 AI 帮助它提效。

张阔: 我们看到，基于这种 Agentic Base 的模式，它从输入一个想法，比如输入一个咨询开始，到最终建立一个比较稳固的商业关系，基本上它的时间是缩短到原来的五分之一。就是原来你用一个礼拜要去办这件事，我专指采购沟通这个过程，你现在可能一天之内就可以完成。因为原来有语言的问题、时差的问题，原来买家跟卖家之间的设计，没有 AI 的帮助，相对来讲可能是一个比较潦草的想法开始，然后卖家帮助你逐步地去完善设计。今天 AI 可以帮助你直接形成设计包，形成一个非常专业的 technical 的设计文档，包括图片、文字、3D 等等。这样的话，买家跟卖家的交互就可以非常高效、顺畅，也比较专业地去完成。

泓君: 对，这个采购我理解成它其实就是一个卖家去定义产品的能力。以前是怎么做的？为什么它的整个采购过程会需要五天？AI 做了什么让它可以把这个环节缩短成一天？

张阔: 第一步，AI 包括 Accio 的产品可以帮助他做的事情是什么，就是帮他去理解或者是 index（索引）全网的信息。从产生一个想法开始，你可能要做大量的碎片化的信息的研究，就是类似的商品有哪些，类似的商品在 Amazon 或者在其他平台上被研究的情况，交易情况、评价是怎么样的，它的趋势是怎么样的，大概其商品定价在什么范围，要在这个范围基础上你要去算利润是不是合理等等。这是一个要设计产品的过程。就这个过程，原来其实也需要有大量的研究工作，然后也有一些，比如在 Web2.0 时代的研究工具帮你提供一些数据等等。但这些数据你要让它做到非常，第一个完整，第二个非常及时性和准确性。其实在没有 AI 和智能体工具的帮助下是比较难的。因为它既要做到宽度很宽，同时要做到它去读取那个网页和当时的信息，要保证这个准确度非常准确。

泓君: 所以其实您指的采购，它不仅仅说我是一个想法，它还包括我的这个想法在实现的过程中，它的供应链是不是可以支持，你的产品的设计。我们拿苹果手机举例，你要用一个什么样的钢化玻璃，然后你业界是不是已经有这些技术了，它的设计上可不可以支持，供应链可不可以支持，是有这些环节的。

Accio与通用大模型的差异性

泓君: 我再把这个问题稍微迁移到大模型领域一下。用你们的这个工具跟用，比如说 Claude 或者 ChatGPT、Gemini，它会有什么本质上的不一样吗？

张阔: 我理解，其实现在大模型在做这种深度的调研上，他们也做得很好。至少我们现在的理解，对于我们自己的模型和整个工具，有四个方向的投入。我觉得是至少当下的模型可能做得不够好，或者我们需要在它上面去额外做很多工作的。

张阔: 第一个方面就是关于信息的 准确性。有一些信息非常关键，比如这些信息就包括你最终能够达到的商品价格。即使我们今天去分析买卖之间沟通的上下文案、合同等等，也要找到你这个商品里边最真实的价格是什么，哪些里边可能是之前的隐藏价格，或者额外加进去的内容，你还是要找到这个市场最好的一个方案是什么。然后有的，比如你最终要拿到这个到手价，去掉物流的费用，去掉关税的费用，这些都需要非常精确的信息。另外还有一些就是要很多平台上的 signal 信息，哪一类事情能做到，哪一类事情不能做到。每天在阿里巴巴.com 上都有上百万的沟通，对于不同设计的想法的沟通，对于不同的技术细节的沟通，这些事情都会去形成最终对于你整个从想法形成到设计包这个过程中的一些非常精确的输入跟指导。

张阔: 它既基于我们过去 26 年的积累，也基于大量的现在积累的一些互联网的工具。其实搜索也是一种工具，索引所有这些内容也是一种工具。这些工具把它组合在一起，我觉得能解决第一个层面问题，就是你的信息要尽量准确。你不能说可能它 100% 准确，但它 90% 或者 99% 地接近这个事实，可能对于这些用户来讲就比大模型产生的幻觉要好很多。

泓君: 对，定价差一点点，对商家的利润是决定性的因素。

张阔: 对，就要帮助他尽量准确地去拿到这个信息。

张阔: 第二个方面的探索就是你要形成一个比较有效的强化学习的机制，就是 Reinforcement Learning 机制。

泓君: 你们怎么去做这种评估？因为强化学习里面最重要的就是我要去评估结果，然后让它顺着一个正确的评估方式一直去优化。所以你觉得在评估的过程中，有哪些是非常核心跟细节的点？你们怎么去评估这种可能没有一个标准答案的问题？

张阔: 是的。第一个我们肯定是先要把所有步骤里边的每一步尽量把它搞对。因为它本身这个问题 stake 就比较高，它就是一个比较严肃的和贵的问题。所以用户在跟平台做交互的时候，它其实就会给非常多的反馈。就这个设计往这个分支是好还是不好，这个技术是满足还是不能满足，这个利润空间到底是能满足不能满足等等。它本身就会给平台很多的反馈。在这个反馈的过程中，我们就会把逻辑的链条记录下来。它本身去优化的方式就是我们尽量让每个 Token 能产生的价值更大，不要漫无目的地去做推理或者去做搜索。按照这个方式去做，可能单位 Token 的经济价值最大，能产生的效率最高。这就是我们不断地奖励这个系统的过程。

张阔: 第二个在国际站有个好处就是它能够形成一个 闭环的反馈。最终你有个想法，到底最终形成了交易还是没形成交易，你是持续去买还是说试了几次之后发现这事失败了就不行了。这些都是一个更长期的，可以回到这个平台里面的信号。当有越来越多的行业，越来越多的人在去使用的过程，整个这个产品可能越来越向一个对的方向去发展，也包括它研究的方向。

泓君: 所以其实你撮合了更多的交易，对它来说就是一个正反馈，可以这么理解？

张阔: 每个行业会需要不同的强化学习的训练方法吗？还是说现在大家的强化学习的训练方法是一样的？细节到每一个行业，我现在可能还没有更多的信息给你去反馈。但是 2B 跟 2C 肯定这方面差别很大。因为它周期长，其实每一步都有很多反馈。比如这个物流价格是合理不合理，关税算的价格是合理不合理，这个商品到了用户手上再进到下一步的访问过程中，信号的周期，包括它的长度等等都会非常长。所以我们对于 长上下文的推理 可能花的精力也会更多一些。

张阔: 第三个还是要有一些 安全和可靠性保障。要确保因为 2B 的风险比较高的这个问题，信息的完整性我们要去判断，同时每一步骤推理的严谨性我们也要有保障。同时安全性我们也要分层去保障，就这个数据本身是安全的。我要去访问你自己的所有的这些系统里边的信息、数据等等，它要做沙箱上的隔离等等。再一个因为推理的周期很长，如果出错了，我需要能够向前回滚，要确保整个推理的过程，我们要保证你的上下文一直传递下去。

张阔: 最后一个因为这个周期很长，我们下一个版本推的叫 Accio Work。第一个版本就叫 Accio，它是一个基于浏览器的 Agent 系统。Accio Work 你理解是装在桌面上的，它除了从设计到采购以外，它需要帮你完成你所有的日常操作。日常操作变成你要开店、卖商品、管理库存，包括去接受客服的反馈等等。这些因为有 Computer-Use、Browser-Use，我们可以帮最终的用户，海外这些买家，完成他的下一步。但下一步进入到售卖、售后这个环节，你可以理解它的上下文就是无限长。从想法开始到采购结束，它可能是一个月左右的周期，接下来你可能进入到半年或者一年左右的整个商品销售的周期。你要把无限长的上下文的信息分层地存储下来。

张阔: 有一些就像现在大模型一样，上下文就跟人的思考一样。咱们现在对话，我就要把现在能拿到的信息最好的方式推理展现。有一些内容，比如像 多模态 内容，一定要把它索引起来。之前你设计的这些产品的内容，其实对于你现在这个产品的设计就有很大帮助。还有些信息你就是需要的时候你去访问，比如这个产品进入到售卖周期了，有非常多客户的反馈（Feedback）等等，这些信息也可以收集起来，让你在下一轮再做商业的时候帮你去优化。

张阔: 最后一个方向我们刚才讲的就是这种无限长周期的上下文的设计以及内容的存储。所以围绕着数据的准确性，围绕着强化学习这个奖励的机制，信息的安全，包括 鲁棒性 和最后我们超长周期的推理等等这几个方向，还是我们需要花非常多的努力，从模型和工具层面做一些突破，才能真正解决好 2B 的商业问题。

泓君: 对，刚刚这个讲得特别的完整。关于你刚刚提到的这个 Accio Work，我其实还有很多问题：他们怎么去管理自己的日常工作？但在此之前有一个问题是，如果底层的大模型更新了，或者说模型的能力大规模地提升了，你觉得对你们现有的工作跟 Accio 本身的这个模型来说，它是一个好事，还是说一个你需要马上执行快速地切新模型？它是一个什么样的状态？

张阔: 我们期待的就是每当有一个新的 SOTA 模型 出现，整个这个产品应该变得比以前更聪明，或者它的体验更好。这才能体现出你是一个 AI 原生的产品，或者一个 Agentic 原生的产品。如果说出现新模型，其实跟你没关系，那是个更大的问题。同时因为我们知道整个这个产品，其实无论是在它的垂直专业度，还是它对于模型本身的要求上，还是有非常非常多的工作的。我觉得它肯定不是一个上来一代模型，然后所有这些事情就都要重做，肯定不是这个状态。因为我们本身现在的模型就是基于 SOTA，除了 千问 作为我们的一个基础底座，我们在上面做很多优化以外，在多模态上做得好的模型，在编程能力上做得比较好的模型，在 Agent 推理能力上做得好的模型，我们都尽量地把最好的模型在最好的应用场景里边利用起来。当 Agent 不断执行过程中，就是不断地去压缩 Token，让它每一次的执行可以效率变得更高。

泓君: 你现在是接入的 DeepSeek 跟 Qwen 对吗？

张阔: 国内的开源模型主要就是 Qwen。

泓君: 海外的 SOTA 模型就是所有的这些 SOTA 模型，它是两个版本，就是分国内跟海外？

张阔: 不，国内的模型我指的是国产的这些大模型。因为阿里本身我们跟千问的合作关系更紧密一些。当然 Accio 这个产品现在更多的是海外中小企业在用，所以所有海外的这些 SOTA 模型我们也会使用。

泓君: 了解，了解。

Accio Work的工作流管理与SaaS模式演变

泓君: 刚刚你提到了 Accio Work，它是一个工作流，可以帮大家管理在订单执行过程中的各种问题。现在从商家的角度来说，他们在执行过程中会遇到哪些问题？我知道以前他们可能是会用各种各样的 SaaS 产品去处理这些问题的。因为最近 Cowork 出来以后，大家也在说是不是 SaaS 已死，SaaS 的模式在被颠覆。我觉得正好这一个环节我们可以从你的这个产品来展开，去聊一聊大家现在的观点跟实际企业在应用中有什么样的差距。

张阔: 好的。Accio Work 如果跟原来的 Accio 比起来，我觉得可能有两个差别。第一个差别，我们是希望把整个商家经营环节的闭环完整掉。原来你可以理解，我们帮助他做了所有的研究到商品的设计，到 Sourcing 采购这个环节。之后就是他日常的商业操作环节，他要开店、经营线上的店、经营线下的店。然后接下来要完成下一轮的补货、下一轮的商品设计，然后要进入到售后的客服，包括销售的环节。如果企业本身还有雇员，可能也有薪酬、财务、税务等等这些要求。

张阔: 我们希望这个 Agent 平台：第一，我们自己提供的能力，核心从原来研究到采购的全部能力，这是我们可以帮他做的。第二个，利用现在的泛化的 AI 能力，帮助他去经营很多，比如说开店、发布商品等等。我们现在都可以基于 Browser-Use 和 Computer-Use 的这些能力，帮他在 Shopify 等等这些国外的市场平台上去做经营。第三部分就是相对垂直领域的，比如说人力资源、薪酬、财务、税务，我们就会接入一些在硅谷或者在美国做得很好的这些 Agent 的产品，或者说垂直象限的产品，把它接入到 Accio 的 Work 里边。最终目的还是希望给这些中小企业一个开箱即用的体验。

张阔: 刚才您讲的 Claude Cowork 基于一些插件对于一些 SaaS 有影响，可能它的这个影响还是集中在大企业这个层面上。对于中小企业，它可能不是若干个 SaaS 的问题。对于中小企业，就大部分的北美线下无论是 Nailsalon（美甲沙龙）还是 Food Chain（食品供应链）等等，你去他那一般都有一个很小的后台办公室。那个很小的后台办公室里面坐的人，基本还都是纸质办公。就什么薪酬、什么帮他们记他的社会保障的问题等等，记他工作了几小时这些，很多还都是纸质工作。我们今天首先能把它数字化，其次现在基于 Agentic 基础的产品，能让整个流程更简单。

张阔: 基于 Agentic 这套体验，至少我们觉得跟原来的 SaaS 体验比起来，它是有可能做得更简化的。而且它对于每一个中小企业，它都有办法去定义大概自己的核心流程、逻辑是什么。如果要听每个人的，你就发现你就要给每个人都重新定制一遍。这在原来 SaaS 的世界其实是比较难做到的，除非你是预算 100 万美金、1000 万美金以上的，可能有人专门帮你去做。但对于中小企业来讲，今天你有的条件就是你可以把你自己的成功标准输入给这个模型，或者输入给这个 Agent 产品，它就基于你的这些输入，去形成一个新的工作流，专门为你完成你自己的产品定义、产品发布，包括你自己做营销、做社媒的这个过程。而且这个过程都可以更加自动化。

张阔: 因为我们至少 30% 到 40% 的企业可能就是 Solopreneur，就是“一人企业”。我原来设计商品，花一个礼拜三四天的时间，我觉得是值得。但是我后边还要花一个礼拜三四天的时间，去做所有其他的细节的工作，要把它发到多个店铺上去，要在多个社交媒体上发内容，要在所有的平台上回顾客的反馈，再管理库存，再去进货等等。这些事就很花时间了。我们觉得所有这些事情也是可以基于 Accio Work 把它自动化掉。大部分工作人需要做比较少的交互，就可以由 AI 通过多 Agent 方式去协同来完成。

中小企业与商业模式

泓君: 好的，你指的中小企业它是一个什么样的企业？比如说你说有百分之三四十的中小企业，它是“一人公司”。这跟我理解的不太一样，因为我们以为阿里巴巴 B2B 的贸易应对的是很多的，比如说 沃尔玛 的后台供应链的 N 个环节。

张阔: 如果从国际站上来讲，它的用户肯定是分层的。一年可能采购几百万美金、上千万美金的也有，包括沃尔玛跟 Amazon，我去看它，也在国际站采购。他们自己也非常多的什么包装以及自己的产品，也是在国际站上去做采购。整个金字塔结构的客户群体也是有的。因为有非常多的比较稳固的企业，其实从最开始也是单人企业家开始去构建的。我开始想做一个咖啡店，后来我这个商品做好了，我就变成了一个咖啡的连锁店。再去进货，我就不是给一家店进货。因为非常多的进货，整个经济的形态其实就是这样。最底层有非常多的个体经营者，在上边个体经营者就变成了一个比较大一点的商家，或者变成一个连锁商家，再往上就是我们大家能看到这些比较头部的稳固的企业家。我们这边的商家其实也是一样，他很多的大客户就是跟他伴随起来成长。所有那些企业都是发现了一个问题，然后定义一个产品，开始做采购。慢慢他这个问题确实是个真问题，然后能规模化了，那他的供应商就会跟他一起去成长。所有这些实体经济的中小企业者，就是我们这个产品核心面对的对象。

张阔: 所以我们今天去看，面向他们，无论你给他一个 OpenClaw 还是给他一个 Claude Cowork，它上面的一些产品基础的逻辑，包括它基础的开放架构，还是有点难理解的。你就今天打开一个产品，从前面到后面告诉你这有 Skills、这有 Hook、这有 Agent、这有 Connector、这是 Plugin。

泓君: 对，大家有点晕。

张阔: 对，你要是没点技术背景，你可能不理解每一个分层到底是什么意思。我为什么要点开每个东西去配一遍？

泓君: 而且我觉得对实体企业来说，这些没有接触过 AI 的人，你让他自己去搭一个 OpenClaw 都很难，第一步就卡住了。

张阔: 对，核心还是我们希望这是个开箱即用，比较简单的产品，能够解决他们日常一些关键的问题。同时 ROI 一定是在它的合理范围内。

Accio的商业模式与广告逻辑

泓君: 所以你们的这个商业模式是怎么样的？就 Accio 订阅还是？

张阔: Accio 我觉得是两部分。一部分比较好理解的，就是 Token Base。就是我们自己有一些工具，它会去消耗一些 Token。同时我们有一些三方的合作伙伴，比如税务、人力资源与薪酬和财务等等，他们接入到这个平台，变成一个子智能体，也可以去消耗一些 Token。这就是 Token Base，就基于实用。但是可能设一个 cap（上限），一个月 20 美金还是多少，如果过了之后可能就不用了，或者说你就用免费的额度。当然你可以基于自己的使用量去提高自己的套餐。

张阔: 第二大类的事情其实就是基于市场平台这些商业模式。因为你本身也是供求关系，那你的广告和你的服务中间产生的费用，比如说金流、物流等等，就可以继续成为你原来的这个商业模式。其实它是两个轨道并行。

泓君: 对，我觉得佣金模式还比较好理解。但是广告模式，就比如说在 AI 到来以后，如果大家现在比如说我连搜索跟采购都开始在 AI 软件里面去完成了的话，那传统的市场平台它的广告会受到冲击吗？

张阔: 我觉得首先就是展示那种广告肯定没有什么太大意义，大家更多的还是基于 效果的广告 为主。我们现在去看到 AI，比如对于 阿里巴巴.com 来讲，它两方面都有帮助。第一个方面就是它让搜索量变多了。

泓君: AI 让搜索量变多了，这个怎么理解？

张阔: 因为 AI 它更好地理解了你的意图。你原来可能输一个非常短的关键词，在非常多的供应商里面去找。现在你可以比较丰富地去表达你到底想要的是什么，把你想要各种参数、需求上下文限制，你把它都说清楚了，这样我就可以帮助你找到更精准的供应商。因为你有多模态的输入，语音还是图片等等，你可以拍一个照片，或者拍一个你自己原来做的设计包，或者是 PDF 上传，我就可以去理解，然后更好地匹配供应商。而且原来匹配供应商很多是基于标题、关键词等等，现在匹配供应商都是既基于他的商品的全部上下文信息，也包括他上传的所有私有数据库的这些信息。那些里面更多的是他工厂的能力、证书、用户的用例等等，就是做更好的匹配。所以因为你给他的结果更好了，所以他愿意更多地进来去搜索跟交互。

张阔: 第二个就是对广告本身，我们觉得也有帮助。对广告本身一部分你可以理解就是因为搜索量变多了，供需匹配变大。能生产同一个商品，绝对不是全世界只有一个人，它可能是有非常多，比如说 10 个、100 个能生产类似产品，给出核心价格的。这个时候我们告诉他这是一条广告，首先他是知道的。第二个这个广告出现，它的原因是什么，它到底匹配了你哪些标准。所以这个商家会出现在这个广告位上，这时候的买家也会有意愿去跟这个商家交流。我们自己看到整个今年的从搜索跟广告来讲，也是今年我们整个增长比较快的两个轨道。

泓君: 我理解您刚刚提到的这一层的 AI，它还是传统 AI，就是基于算法的精准推荐。现在有了新型的生成式 AI，就像 Accio 这样的一个工具。因为我昨天就直接说我要订一个《硅谷101》周边的纪念品，帮我匹配一些供应商。它下面有给我呈现很多的供应商，但是它最终还是有给我选择一两条，包括有发邮件来联系我。我理解现在我已经可以通过这样的一个 AI 工具直接完成一个需求了。当然比如说我偶尔也会想要去网站上，或者下面很多的呈现里面去找一找有没有设计更有趣的、更好的。但整体来看，AI 匹配的需求更精准了，广告位就减少了。

张阔: 对，这个理解肯定是对的。刚才你那个事情也可以分两部分。第一部分就是你想找一个周边，它帮你设计周边这个过程，肯定是个 Token Base 的商业模式。因为设计的过程其实还不涉及到供需匹配。后边进入到供需匹配过程，你原来可能给你 1000 个结果，现在给你 5 个结果。这 5 个结果过程中如果要做广告，那它的核心跟原来的杠杆平衡，它必须是个更精准的结果，它不能是像原来一样不精准，然后同时给你硬塞广告，这肯定没有意义。

张阔: 现在有一个更大的数据集，其实也验证就是 Google。原来大家对它担心也是说 AI 概览或者这个 AI 模式会不会冲击它原来的广告。其实事实上你从它最近这个财报来看，它既做到了用户的停留时长和查询数变多，同时也做到了它广告的数变高。就是因为它的广告更精准，点的人更多，更多广告主愿意为这条付费。而不像原来大家反正都是 CPC（按点击付费）都搞一堆，但是点完了之后这个用户的意图或者跟你匹配的效率很差，对广告主来讲也是一种浪费。

AI时代下的商业模式展望

泓君: 你觉得未来的商业模式会变成什么样？因为我觉得这可能是一个短暂的过渡状态。因为现在基于生成式 AI 的技术，你匹配给它的东西更加精准了以后，其实如果我们说按结果付费，跟这个 ROI 的转换，它肯定是提升的。那在 ROI 提升的过程中，大家都是受益者。比如说阿里、谷歌甚至是商家，都是受益者。但是长远来看，我觉得在大家效率都提升的状况下，它是会被慢慢拉平的。然后我们也看到新的 AI 原生的应用也开始出现了，像 Accio，它其实就是一种。未来你觉得整个的商业模式它会变成什么样呢？

张阔: 至少互联网这个时代商业模式大概就四到五种。有一些商业模式它也会进入到 AI 这个时代里边。这件事的核心逻辑还是创造什么价值。有一些价值，比如我帮助你做了一个更好的设计，帮助你做了一个更好的对全世界的调查，可能它这个价值比较好的衡量方式就是 Token Base 的方式。不过最终大家要衡量的赢的标准就是我单位 Token 的智力密度更高，或者我单位 Token 产生的价值更高，那这类的服务就会胜出。它还是一个相对来讲是以使用量为基础的商业模式。

张阔: 第二个，比如拿 阿里巴巴.com 为例，尤其是效果的广告，从长期来讲它可能也是一个存在的商业模式。因为你最终也有一个供需匹配的过程，就是有人愿意为了更好的需求让利，要么我是商品上让利，要么是我愿意用广告的方式去给他们做更多的展现。这个商业模式可能也会持续成立。

张阔: 第三个就是基于平台侧的所有供应链的服务。比如说我们提供 担保交易 的服务，也有一定的抽成，但这个非常少，可能就一到两个点。这个担保交易的服务它核心是类似一个保险的服务。当你跟他做了若干次交易，如果中间出现争议，平台要进来去看是谁的问题。首先平台要去给补偿，然后再去追另外一侧的问题。这个就是平台提供的额外服务。

张阔: 本身这个产品在供应链上，无论是在担保交易，还是你在做支付条件，还是在做物流等等，它跟原来的商业模式也是一样的，只不过你把这个规模变大了。全世界 30 万亿美金的交易额，从国际站今天来讲，我们大概 700 亿美金，其实渗透率还非常少。就是让更多的中小企业可以参与到全球的交易里边，我们可以给他去提供跟他现在这个世界比更高效的服务，那你就可以带来更多的 增量 GDP 和 增量价值。所以它的商业模式有一些是现有世界就可以自动延续到 Agent 世界的。当然也有一些 Agent 世界里边，它基于使用量的使用，可能比 SaaS 的基于坐席的使用此时此刻就是领先的，可能这种模式未来就会持续超越或者占更大的份额。

泓君: 我觉得这个其实整体上来看就是如何让这个服务跟效率再优化一层，基于现在的新技术。

张阔: 没错。

AI的核心优势与壁垒

泓君: 那你觉得在这样的一个过程中，AI 的核心优势是什么？AI 比如说 Accio 这个产品，你们做，跟基于阿里的背景做，跟一个创业公司做，它最核心的优势有什么不一样？

张阔: 我觉得比较好理解的部分就是因为 阿里巴巴.com 是阿里集团的第一块业务，大概做这件事情有 26 年左右的积累。在平台侧，其实每天有上百万、上千万的沟通、查询、交易在发生，这些都是信号。我会帮助你这个系统去完成强化学习的过程。而且因为它可以形成一个闭环，所以在这一方面上，你能完成的事情可能效率会更好。

张阔: 另外就是 Accio 或者是我们整个 阿里巴巴.com 这个产品，其实也是背靠阿里集团。我们跟 千问 有比较多的合作，要确定我们整个对于模型的理解和使用，还是可以保持一定的领先性。同时我们也会加入大量的我们自己对于模型的中期训练和后期训练的过程，也会注入一些数据进入到早期训练过程，让它领先的壁垒越来越大。同时因为有更多的人用，其实这个 Agentic 产品也有 数据飞轮。有更多的人用，它就会记住更多的工作流，更多的工具在什么情况下可以有更好的表现。这样的话，你整个这个产品会进入到下一个飞轮去转的过程。

张阔: 因为本身我们还是比较聚焦我觉得不是跟现有的大部分 AI 的产品面向同一拨客户。当然我们这些客户可能也更挑剔，换一个角度来讲，可能预算他们也更少一些，所以对于 ROI 会更敏感，也会推动我们，把我们整个组织，就是我们正好这个 Token 经济学要跟其他人的 Token 经济学比起来，我们需要更加激励的是单位 Token 的 智力密度 和单位 Token 能产生的价值。我觉得这也是会不断去推动我们这个系统，符合这个群体，能够对这个群体产生更大价值。

泓君: 总结一下你们的核心优势就是：常年积累的方法论、自家也有研究模型，它可以从预训练阶段就植入这些数据，还有本身数据它也是一个壁垒，最后还有一个数据飞轮。我在听到你们这个产品的时候，我觉得跟现在的垂直的这些模型厂商比起来，对于 2B 的商家，这一定是一个更好用的产品的。但是据我观察，像 亚马逊 他们内部也在做类似的事情。你觉得未来比如说亚马逊他也推出一个 B2B 的这种垂直领域的 AI 应用，会是你们的竞争对手吗？

张阔: 对于我们今天想定位的这个产品，它想要解决的问题来讲，我觉得我们自己还是比较有信心。对于中小企业，从设计的产品到自己的日常操作的过程。当然如果说未来 B2B 会走向 A2A，就是 Agent to Agent。不光是买家 Agent To 卖家 Agent，也包括用户自己，它的多个智能体可能也是一个协同的过程。最终可能胜出的一个方式就是你在一些方向上做得非常好，同时又是一个高频的工具，那你成为一个 Master Agent。同时这个企业还有很多其他的 Agent 需求，所以 子智能体 需求，这些 Agent 之间可以互相交流，可以去协同，共同帮助这个中小企业完成服务。

张阔: 亚马逊能够做得比较好的，你比如说它自己的后台系统本来就很复杂。Agent 之后让它可能更管用一些。我觉得这个方向，它应该是一个比较好的垂直领域，它自己也有优势。但如果你要把它泛化到我其实要经营多平台，我要帮助客户去做一个更广泛的产品设计，并且我要让它利用全球供应链。我觉得这个方向来讲，我们肯定起步比较早，并且在这方面投入的精力也会更多一些，经验也会更多一些。

评估AI产品成功的核心要素

泓君: 如果现在你自己去评估你们做这个产品的几个最核心的要素，跟你评估 Accio 这个产品做得好不好，你核心在抓的点是哪几个？

张阔: 因为它比较本质的问题不是你要消耗多少 Token，而是你到底能产生多少价值。一个比较显性的数据指标可能就是 留存。这个用户持续地用这个产品，帮他做更多的设计、更多的采购，那就是一个比较好的数字信号。对于他其他的日常这些工具的使用，其实也是一样。它既有广度上的我们希望定义有更多人用，另外就是在每一个垂直的工具上，我们要有更多的任务来去衡量这个任务最后的完成度，和用户的采纳度是高的，并且他能持续使用。

张阔: 另外一个层面，就是从经济的角度来讲，我还希望单位 Token 的智力和单位 Token 的 性价比 越来越高。这样这个客户就可以越来越好地以 ROI 的方式去使用这个产品。我觉得这些都是我们想衡量这件事的成功标准。唯一可能不是标准的就是一共用了多少 Token。我觉得这个还是一个比较简单的数学。一共用了多少 Token，很可能大家努力的方向就是我多让你浪费点 Token。所以其实核心还是怎么样把这个产品做得好用。

张阔: 我们原来不光这个是对 Agent，其实对于整个原来 阿里巴巴.com，我们也是希望能让 跨境 B2B 就像在线购物一样简单。你做在线购物，大家都知道是个什么体验。但是跨境 B2B 可能要细分有 28 个步骤，每个步骤可能跟 2C 比起来都要复杂很多。从你最开始形成这个想法，一直到完成整个交货的过程。因为还有国家跟国家之间、币种之间等等这些大的差异，我们就说谁先付钱、怎么付钱，能够保证你的资金安全等等。这都是在整个这大的 28 个步骤跟流程里边，我们逐步帮他去做数字化的过程。

泓君: 简单来说，其实这个产业，整个的产业链，包括你们沉淀的方法论、这些步骤已经非常完善了。你们是想把所有从开始到结尾的整个过程，闭环的流程全部提供给这些商家。

张阔: 没错。

AI时代的人才观与组织演进

泓君: 最近因为大家在讨论 AI 跟 AI 原生也非常多。你们现在在招聘中会偏向于什么样的人？

张阔: 因为有一些是比较好定义和量化的，比如说关于模型的训练、关于基础设施、关于算法等等。大家对于自己需要的人才都有比较清晰的画像。这些人进来之前，可能你自己的论文、或者你自己的研究、或者你自己在开源社区里边的贡献，就已经能说明很多问题了。这个时候可能学历还不是最关键的问题。如果你已经能拿得出来比较稳固的这些工作，其实我们更多的还是基于你这个稳固的工作来去探讨。它的面试过程可能就跟原来不一样了，面试过程就是你打开这个论文，大家来一起来讨论论文，去看你在这里面真正的原创的思想和贡献可能是什么。

张阔: 另外就是对 AI 用得比较充分的这些年轻人。这个事情我觉得比较难有一个量化的定义。有一些是可以非常稳固地判断，有一些可能更多的是基于他平时对于工具、他对于这件事情的理解、他对于未来的预判。你像产品经理，我们进来是希望他设计的这个产品是一个面向未来 6 个月模型能力的产品。那就意味着你这个人对于未来 6 个月模型可能走向的方向和他的能力要有个基础的预判。这样你这个产品在上线的时候，是可以最好地去利用当下这个能力。

泓君: 这要求很高。

张阔: 比较高。所以我们就说也是在一个摸索的过程。因为有一些工种慢慢地融合在一起了。你比如说原来产品经理写产品需求文档，然后交互设计师过来画交互，然后技术人员给你做的跟交互设计出来一模一样，这事就结束了。但这里面的问题就在做出来跟那个交互设计一模一样是不是好的？就很难讲。中间就开始有各种各样的掉链子的过程，觉得他本身设计得就不合理，你给他做一个 100% 还原的可能也是不合理的。今天可能三个角色就慢慢融合成两个角色，或者融合成一个角色。那这个人就要对这个闭环的结果负责任。但好处就是你的效率就更高了。

张阔: 我相信现在工程师编程的模式跟原来肯定有质的差别。我前两天在一个硅谷创业公司跟他们聊天的时候，外面就比较喧哗，CEO 出去看了一看说 Anthropic 宕机了。确实是那天大概 Anthropic 波动了 3 个小时。在那三个小时中，硅谷的工程师全不会写代码，也没有人编程。现在不是去那去写代码了，大家其实都是基于上下文去给输入，然后模型生成代码。而且生成得越多，其实你越看不懂。你想做代码审查等等也很困难。这时候突然这个工具不能用了，大家就恐慌。但是某一个角度来讲也是，今天肯定做工程的方式方法跟之前比起来就有很大的差异。

泓君: 你现在会要求你的团队用这些编程 Agent 吗？

张阔: 我觉得不用要求，大家肯定都在用。

泓君: 或者他们用的时候你是一个什么态度？你觉得 OK，结果说话，还是也会看一看大家是怎么用的？

张阔: 我觉得大家从方向上来讲肯定没有人反对，这是一个未来的方向。无论是硅谷还是中国的一些大厂，还是这些创业公司，只不过可能不同的公司在你的工程的环境里边，会有一些差异。比如我自己看到的一些和我们自己内部衡量的成功标准，我可以分享一下。

张阔: 第一个核心的问题就是你一定要给这个工程师设计一个 Agent。最上面可能是个 Master Agent，这 Master Agent 下面你要管理很多 Sub Agent。有的是写代码的，有的读文档的，有做代码审查的，有做检查的。

泓君: 已经用到这种程度了？

张阔: 对，就是你要有这么一套 Agent 框架去帮助你的工程师去管理你这些代码。然后你要设置护栏，你这沙箱环境要有，你不要写个代码本来是个内部用的，然后就开放到外部去了等等。这些都是很基础的问题。大家保证在写代码、代码在做审查、还在做检查的时候，还是要有相对来讲比较高的标准的。

张阔: 第二个就是大家平时去做工程的环境。我看到一个公司蛮有意思的，也是个做量化的公司。做量化公司里边，本身上线的代码都是模型，各种模型在炒股票。几个研究员在一个 Slack 里边聊，聊到一定程度了艾特这个 Agent，说我们谈完了，你看一下。然后去写代码。这个方法很有意思。然后这 Agent 进来就读一下，大家想对这个模型怎么去改变。它读完了，我明白了，写个文档 MD，然后去生成一段代码。我生成好了，你们来看一下对不对。有可能人去看一下，有可能人不看，就提交掉然后看结果。因为你可以保证一定量的灰度，它不会影响全局。对于整个工程的环境的改变，其实是很重要一部分。这确保你们在这个公司里边是用一个比较适应你们这个工程环境和应用环境里边，更好地去写代码环境。

张阔: 除了工程以外，我觉得还有很多很重要的方面。刚才你提到了一个很好的问题，就是我们衡量 AI 的成功与否，可能有几个标准。一个肯定不会用的标准，就是你代码量是多少。你可以生成全世界最多的垃圾代码，不改变任何商业结果，这肯定是大家最不想要的事情。所以我们可能从量化上衡量，包括我们每个季度会有 300 个想法。我们已经跟踪了 4 年。基本上我们人类产生想法的瓶颈，大概就是 阿里巴巴.com 这些同学们，一个季度有 300 个主意。当然这个主意是从 OKR 最开始往下去分解的。我们有目标，然后基于这个目标我们觉得有哪些事情可以有突破，然后进入到每个季度开始写这些想法的文档。

张阔: 在这 300 个想法，大概其会有 150 个上线，还有 150 个做不过来。所以就是按照堆栈排名去排优先级。这 150 个上线的想法里边，可能有 50 个是有效果的，没有带来的就是没有效果的。所以最终你可能从 300 个想法开始，最后有 50 个有效果。我们就希望有 AI 帮助，你实际上线产生商业价值，产生实际的商业价值和客户价值的数量是不是能变多。你从 50 个到 100 个，那咱们就是 100% 增长。你要 50 个到 300 个，那就到人类的上限了。我们产生想法，可能也要有更好的方法。所以现在此时此刻人类还不是上限，我们的想法根本没有那么多工程来去实现。这就是一个可能你衡量的量化标准。

张阔: 同样还有量化标准就是你做的这个 AI 原生的产品，如果原来它没有，现在到有，比如 Accio 和 Accio Work，这是一个从 0 到 1 的产品，是不是能快速地规模化，变成一个大家普遍共识上的成功。比如说 阿里巴巴.com，其实也存在 26 年了。它有非常多的指标。原来这些指标有没有 非线性增长？去年涨 10，今年你涨 20。如果有这个过程，那就说明 AI 在这个环境里边起作用了。

泓君: 有吗？

张阔: 我们今年 EBITA（息税摊销前利润）大概增长到 18% 左右，跟去年比还是一个快速增长过程。我觉得这个你还是有非常多的地方要做对，最后加总在一起，你可能还有一个比较好的商业上的增速。

张阔: 另外还有两个相对比较感性的衡量方式。第一个就是当有新的模型的框架出现，你这个组织是感到兴奋还是感到焦虑？

泓君: 我非常感兴趣，能展开讲一下吗？

张阔: 如果你感到兴奋或者感到焦虑，这两个信号在我们这都是好的。就说明你这个产品跟模型有关，跟 Agent 框架有关。最差的结果就是你没有感觉。外边模型出现速度很快，就像一个高速列车一样，但你在边上开个自己的老爷车，你无论开得速度再快，边上有个高铁已经从你身边呼啸而过了，你就是再怎么样都是赶不上的。除非说你自己已经坐上高铁了，你在高铁上有个相对速度，你至少跟全世界聪明人努力的方向是一样的。所以这个事一个基本要求就是你的产品和组织是要架构在 AI Agent 和架构在 最新模型 之上的。这样你每次有一个新的模型上来，你的所有产品都会变得更聪明，把你的所有流程都会变得更精准。你的努力方向就是跟人类努力方向是在同一个方向上。

张阔: 如果反过来，来了个模型，其实你适配不适配的都无所谓，你的产品跟原来是一样的，或者你要适配花非常长的时间，那你就不是一个 AI 原生，构建在模型上的产品。我觉得这是一个比较好的衡量标准。当然最好的方式你是不在恐慌那一边，你是在兴奋这边。有一个新模型和新的流程，你的组织和你的业务更兴奋，因为你原来解决不了的问题，你现在可以解决了，基于你新的模型。如果你很焦虑，那就说明你虽然已经在模型上了，但你是个包装器，这个包装器来一次新的大的迭代，你这个价值就被挤没了，那就是一个不好的情况。

泓君: 对。可不可以给我们一点故事？最近让您最兴奋或者焦虑的一次模型更新是什么？

张阔: 我觉得现在一般都是兴奋居多。过去一段时间，比如第一个就是 多模态 是一个比较大，比较快的变化。

泓君: 哪一次变化？Nano Banana 还是？

张阔: 比如 Nano Banana。就比如它产生商品的细节，我们原来也要产生商品图片。无论是买家去设计一个产品，还是卖家去发自己的产品，他就希望有一个简单的照片。从白底图开始，我把你放在各种各样的场景下。当一个买家可能从想法开始，我最后要生成这个设计包。但最终生成模型的过程，这个 扩散模型 它就不精准。它会经常把尺寸搞错，一个很大的机器放在桌子上，或者一个不是很大的机器显得很大在厂房里。这个不精准表现，原来你就要花大量的时间上下文去做调试，给它一些提示，要保证这个东西的产出尽量要满足人的预期。但现在模型本身能力变强了，其实我们就要相对比较简单的上下文，就可以让这个内容生成得非常逼真。但是这个生成过程只是最后一步，前面的所有这些逻辑链条，一环扣一环的判断，那个更复杂的过程就是我们自己要对模型不断调试的过程。但是你最终产生图片的一刹那，有更好的模型来，你肯定是有更好的、更容易掌控的结果。

张阔: 第二个就是我们很早就在想要闭环。因为我们今天的模型首先拥有全世界的知识，其次我们也有最好的全球的供应商的网络，包括我们的所有这些线上的交易等等信号，帮助我们去做判断下一个大想法到底是什么，谁可以制造这个，就谁可能是你最好的供应商。我们还希望去做你日常经营的过程。因为前面两部分可能占你日常工作的 10% 到 20%，还有 80% 的是你日常操作。但在没有 Computer-Use、没有 Browser-Use、没有这种长程上下文的 Agent 的能力出现之前，其实我们要做这件事就很困难。也可以弄，但反正每个地方都很别扭，你就要大量的工程去解决每个细节问题。当然有了这些能力，再加上有很多 Browser-Use 的这些公司去做这些基础设施，这些基础的能力，我们在解这条问题的链条上的速度就会变得非常快。

张阔: 这就是为什么我们春节就开始加班去做 Accio Work。因为就发现无论是 OpenClaw 还是 Claude Cowork，证明这个范式在这个环境下是成立的，它是能够再往前去推进一步的。我们在这个基础上就可以快速推进产品，让它对我们这个用户群体可以产生更广泛的应用。我觉得至少在我们的大部分案例下，我觉得还是兴奋为主。

泓君: 我们可能存在两种情况：一种情况就是兴奋，另一种情况就是还没感知。有过还没感知，比如说一些特别大的这种模型出来，然后你们完全没有感知的情况吗？

张阔: 因为我们本身也是一个 26 年的系统了。这 26 年的不断积累，我们现在的 CEO 吴泳铭 同志，他最早的代码可能还在我们这个代码库里面。因为它也是一个不断积累的过程，你不断地每一个功能去做叠加。我们也想让我们整个工程都基于 AI 原生的系统，那就意味着你整个系统都要重写。未来的工程师才能大家也更 AI 原生的方式去做这个代码。这个过程肯定是一个一步一步推进的过程。未来一定是做到只要有新的模型，阿里巴巴.com 里边的每一个角落，理论上都应该比原来更好用。而不是说不同的团队去适配不同的模型，每次来的时候大家都要再重新研究一遍我这个产品怎么去适配，那这个速度肯定是慢的。

泓君: 所以在这个时候您选人的标准会发生变化吗？

张阔: 有一些基础的事，我觉得可能是一样的。比如说你学习能力要足够强，要比较强的开放心态。因为你要进入到一个大的组织里边，你本身这些同理心等等，我觉得也都是很重要的部分。这些你说 AI 时代和原来的数字化时代，可能对人的本色要求都是一样的。只不过在这个时代，对于这一类的工具，我们希望它可以应用得更广泛、更灵活。在垂直在构建这个产品的基础上，你肯定是对于 AI 的理解，对于整个大模型相关的基础设施、这些技术的理解越多越好。

张阔: 理解得最多的，你可能就直接去构建跟 AI 相关的产品，从底层开始去做，从模型训练开始做。理解，对于商业理解和对于技术的理解一半一半的，你可能比较适合去做产品。因为你要面向 3 到 6 月之后的模型去设计产品，你要对于全世界至少要走向的方向有一个比较清晰的判断。因为这个流行语很多，出来新的想法很多，你不能看新闻去做决定接下来哪个事是重要的事情。你自己对于这件事情有个更加精确的洞察，或者更加独到的观点和判断，可能对你未来会更有帮助。

泓君: 好，非常精彩，谢谢阔。

张阔: 好的，感谢。

泓君: 谢谢。好的，谢谢张阔。我觉得在节目的最后，这句话可能也对我们每个人都适用：在 AI 的时代下，大家个人的感觉是兴奋、焦虑，还是没有感觉呢？欢迎大家给我们写评论、写留言。播客的听众可以通过 小宇宙、苹果播客 还有 Spotify 来收听我们。视频的听众可以在 B 站 还有 YouTube 上搜索《硅谷101》播客找到我们。当然也可以通过 小红书 或者是 视频号 来收听我们的播客。同时如果大家对我们的文字稿感兴趣，我们部分节目的文字稿会发表在《硅谷101》的公众号上。我是泓君，感谢大家的收听。