大模型的产业级应用创新

会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 马杰（零一万物联合创始人） | 时间: 2026-04-24 上午 · 主会场

一句话总结

AI 已从 1.0（机器学习）进化到 2.0（生成式/大模型），所有应用都将被重写一遍；大模型的产业级落地不是单点技术问题，而是「TC-PMF（技术成本 × 产品市场契合度）+ 行业共创 + 异构智力组织」的系统性工程，产业方与 AI 公司都无法独立完成，必须联合共创。

速览

1. AI 1.0 到 AI 2.0 的范式跃迁——从「单领域数据 + 单领域模型 + 单任务」转向「全语言全模态数据 + 基座模型 + 迁移学习多任务」，AlphaGo（2016）到 ChatGPT（2022）是分水岭。
2. 最快的一次技术革命——大模型 MMLU 得分两年内从 GPT-3.5 的 30% 飙到 GPT-5 / DeepSeek-V3 接近 90%，已超过人类专家水平线 89.8%。
3. 以培育人的方式培育 AI——AI 已具备学习/记忆/适应/容错能力，正在追赶情感、创造、自我意识；维特根斯坦「我语言的界限就是我世界的界限」。
4. 所有应用都会被重写一遍——交互范式从「网页/App+CPU+代码」变成「语言界面+大模型+GPU」，经历人机协同→局部自动→全程自动三阶段。
5. AI 与物理世界融合——多模态（Seedance）、推理（DeepSeek-R1）、世界模型（World Labs）、AI Agents（Manus）、具身智能（Unitree H1）全面铺开。
6. Agent 进化路径——Chatbot → Tool → Co-pilot → Agent，最终走向 Multi-Agent → Agent Swarms（红杉资本预测 5-7 年内形成永远在线的自主经济系统）。
7. 异构智力催生组织剧变——管理跨度极限始终 3-8 人两千年未破，AI 将消除中间管理层，未来组织由 IC（独立决策者）/DRI（直接负责人）/Player-Coach（球员兼教练）构成。
8. 产业级应用要素四件套——算法（大脑）+ 数据（燃料）+ 算力（基建）+ 应用（价值），缺一不可，是复杂的体系化系统性工程。
9. TC-PMF 是大模型创新的关键——移动时代是 PMF，AI 2.0 时代必须叠加「技术成本」维度，难度远大于 PMF。
10. 行业共创是唯一出路——行业企业懂场景但不懂 AI，AI 公司懂模型但不懂行业，必须用「选场景→做深方案→打磨产品」的共创路径，借鉴 Palantir 的 FDE（前置部署工程师）模式。

核心内容

AI 正从 1.0 向 2.0 进化：范式根本不同

讲者首先把 AI 历史放在六十年的尺度里回看：达特茅斯会议（1950s）→ 符号主义（1970-80s）→ 机器语言（1990-2000s）→ 深度学习（2000-2010s）→ AI 1.0（2014-）→ AI 2.0（2020/2023-）。

AI 1.0 / 机器学习时代（以 AlphaGo 2016 为代表）：

• 数据：使用结构化的标注数据训练
• 能力：支持优化一个目标函数
• 训练：通过单次训练完成目标
• 泛化：每个应用都需要数据收集和重新训练
• 基本模式：单一领域数据集 → 单一领域模型 → 单任务处理

AI 2.0 / 生成式人工智能时代（以 ChatGPT 2022 为代表）：

• 数据：使用全球所有数据进行训练，无需人工标注
• 能力：单一模型具备跨领域知识
• 训练：在基座模型基础上对每个应用做调优，成本低廉
• 泛化：较强的泛化能力，改善高成本及孤岛效应问题
• 基本模式：全世界的数据（全语言文本到多模态）→ 基座模型（跨领域知识）→ 迁移学习 → 处理多任务

讲者强调 AI 2.0 是「超越移动互联网的平台革命」，会改变所有软件、界面和商业模式。

四个技术理解：AI 2.0 的本质

讲者用四个并列的「技术理解」拆解 AI 2.0 的根本特征。

技术理解一：迄今为止最快的一次技术革命

引用山姆·奥特曼的观点：大模型已通过经典图灵测试，正以迅猛步伐迈向 AGI。MMLU 多任务语言理解能力测试曲线显示：

• 2022H1 GPT-3.5 约 30%
• 2023 Llama 65B、PaLM 2、Falcon 180B 在 60% 左右
• 2024 GPT-4、Yi-Lightning、Yi-34B 突破 80%
• 2025 GPT-4o、o1、GPT-5、DeepSeek-V3、DeepSeek-R1 接近或突破 89.8% 的人类专家水平线
• 人类平均水平线只有 34.5%

技术理解二：以培育人的方式培育 AI

AI 的训练机制、AI 与用户的交互方式、AI 与 AI 的交互方式、对 AI 的评价方式，都在按培育人的方式进行。大模型已经或正在具备：学习机制、记忆模式、适应能力、处理方式、响应速度、容错水平。尚未具备：情感智能、创造能力、能效水平、自我意识。

技术理解三：大模型推动交互范式变革

传统软件互联网（PC/移动）的形态是「网页/App 界面 + 代码/数据库 + CPU」；AI 2.0 时代的形态是「语言界面 + 大模型 + GPU」。所有应用都会被重写一遍，经历三个阶段：人机协同 → 局部自动 → 全程自动，用户体验彻底改写。

技术理解四：人工智能与物理世界进一步融合

所有行业都将被 AI 技术触及、改变、转型并提效。变化按顺序展开：先改变浏览/查看内容的方式，再改变生产内容的方式，然后改变搜索/组织/发现内容的方式，接着处理更丰富的内容形式，最后改变交易和获取商业回报的方式。代表案例：多模态（Seedance）、推理（DeepSeek-R1）、世界模型（World Labs）、AI Agents（Manus）、具身智能（Unitree H1）。

Agent 快速进化：从 Chatbot 到 Agent Swarms

AI 应用的进化路径有清晰的阶段：

1. AI Chatbot「人类和 AI 聊天」——大模型文字处理能力的最初级功能化和产品化尝试
2. AI Tool「人类使用初级 AI 工具」——不直接执行任务，侧重信息和流程处理
3. AI Co-pilot「AI 辅助人类工作」——人类 + AI 协同实现「Human in the Loop」
4. AI Agent「人类给 AI 工作指令」——根据人类设定的目标自主规划完成绝大部分工作
   • L1 工作流 Agent：人类决定工作流，Agent 执行任务
   • L2 推理 Agent：Agent 规划复杂任务，并调用工具
   • L3 Multi-agent：Agent 之间有机互联，统筹任务

引用红杉资本（2025 年 5 月 AI Ascent 年度峰会）：在未来 5-7 年内，将形成由 AI Agents 组成的巨型神经网络，并最终形成一个永远在线、自主运行的经济系统（Agent Swarms）。

异构智力时代：组织结构范式转移

讲者借用红杉资本《From Hierarchy to Intelligence》（2026 年 3 月 31 日）的分析，把组织结构革命放在两千年的尺度里看：

• 公元前 107 年 马略改革：罗马军团模式（十人队/百人队/大队/军团）——摸索出管理跨度的物理极限
• 19 世纪 70 年代 毛奇改革：普鲁士军队模式（指挥权分离/现代科层制）——创立了中间管理层与组织架构图，用以在复杂系统中路由信息
• 20 世纪末至今 现代组织变革实验：扁平化/合伙人制——受制于协作复杂度，规模化后均不可避免地回归层级制

两个核心洞察：

• 管理跨度约束：人类领导者的有限管理极限始终在 3-8 人之间，两千年来缩小跨度与增加层级是无法打破的零和博弈
• 层级即延迟：传统中间管理层的本质是前 AI 时代的人类信息路由协议，层级越多业务如实传递信息的失真越严重、流转越慢

人工智能将消除传统管理层，让人类专注于直觉、伦理与高风险决策。新的角色构成：

• IC（独立决策者）：替代基层员工，成为特定技术/业务的资深专家
• DRI（直接负责人）：替代传统项目经理/部门总监，跨职能调动资源死磕一个目标
• Player-Coach（球员兼教练）：替代脱产中层，负责专业传承

新旧组织范式对比：

• 旧范式·层级组织：单一人类智力主导，智力附着于自然人个体，软件/人工智能只是辅助工具，层级是组织智力的唯一载体
• 新范式·系统组织：异构智力共生，多种智力共同交互与执行（人 + 模型 + AI Agent + 工作流），系统本身成为组织智力新载体
• 四大变化：供给泛在化（认知能力从稀缺禀赋变为像电力一样的基础供给）/ 杠杆平权化（智力使用权大规模普及）/ 结构复合化（结果由人 + AI Agent + 工作流与组织记忆共同生成）/ 资产外部化（所有协作 Artifacts 都变成机器可读的痕迹，转化为组织模型）
• 载体迁移：组织协调机制从「人传人」的上下文对齐，转向「系统维护」的实时上下文

异构智力的典型应用：Multi-Agents 网络

核心目标：AI Agents 们针对人类给予的目标形成子任务集群，有机互联自动化统筹任务的规划和执行。

企业管理层 Agent 网络示例（以人力 Agent 为例）：

• 顶层：销售 Agent / 营销 Agent / 人力 Agent / 技术 Agent / 财务 Agent
• 人力 Agent 下设：入职 / 培训 / 绩效 / 招聘 / 组织 / 资源 / 服务 Agent
• 招聘 Agent 进一步拆解：简历收集 Agent（10 万份）→ 简历筛选 Agent（1000 份）→ AI 面试 Agent（20 名通过）→ 面试安排 Agent（75 场）→ Offer 谈判 Agent（2 名岗位名额）

单个 Agent 既具备特定领域的深度专业，亦对其他领域有所通晓。

大模型支撑产业 AI 变革的四要素

构成产业级 AI 的核心闭环：

• 算法「大脑」：模型架构 / 模型训练 / 对齐优化 / 模型推理
• 数据「燃料」：数据采集 / 数据处理 / 数据标注 / 数据管理
• 算力「基建」：芯片技术 / 算力集群 / 通讯网络 / 算力部署
• 应用「价值」：应用创新 / 行业集成 / 业务优化 / 价值评估

讲者用早期飞机的图作类比：要把「引擎-模型」（GE / Pratt & Whitney / Rolls-Royce / 中国航发，对应 OpenAI / xAI / Google / Yi 等）真正用起来，必须配套完整的「航空工程-模型系统」：飞行控制、航电系统、电气系统、液压系统、机身、机翼、燃油系统、客舱设施等，对应到模型工程就是数据管理、算力管理、后训练、工具链、行业应用、安全合规等。

TC-PMF：大模型时代的 PMF 升级

讲者提出 TC-PMF 概念，认为这是大模型创新的关键判别标准：

• 移动时代追求 PMF（Product-Market Fit）
• AI 2.0 时代追求 TC-PMF（Technology × Cost × Product-Market Fit）：技术成本 × 产品市场契合度

观点一：当前任何大模型产品要实现大规模应用，需兼顾技术路径和推理成本

• 基于 Scaling Law，大模型能力快速增长，超过任何技术
• 大模型训练和推理成本持续、大幅下降
• 实践最佳 AI-First 应用，需要顶级的模型推理能力
• 部分应用机遇会首先爆发，但需要考虑推理成本和商业模式的平衡

观点二：寻找 TC-PMF 的难度远远大于 PMF，这是大模型行业集体的挑战和机遇

• 持续演进的技术所创造的商业价值和推理成本均是「移动目标」
• 行业需建立从基建到应用的良性 ROI
• 与其坐等风来，不如成为造风者

产业和 AI 公司都无法单独引领变革

讲者直接指出大模型产业化最关键的现实约束：双方都不完整。

行业企业（以行业 TOP 企业为例）：

• 优势：深谙行业痛点与价值场景，掌握行业数据和 Know-how（专注深耕的行业理解 / 独有的专业数据积累 / 通过验证的实践经验 / 规模体系的客户资源）
• 短板：对 AI 的深入认知可能有限（组织架构和工具不适配 AI 需求 / 核心业务难以真正引入 AI 能力）

AI 科技企业（以零一万物等产业大模型企业为例）：

• 优势：理解前瞻的 AI 认知，具备产业大模型开发能力（轻量化的模型研发管线 / 高质量的数据训练管线 / 成熟的强化学习技术管线 / 实践验证的工具链应用管线）
• 短板：不懂行业（垂直行业专业认知匮乏 / 缺乏闭环数据且难以嵌入组织流程）

落地运营的两大挑战与应对

行业应用要真正落地，面对的不是单点技术问题，而是两大体系性挑战。

企业引入新技术的「组织惯性」挑战：

• 人员阻力：认知冲突（企业一号位 / 中层管理层 / 一线员工）
• 组织阻力：部门墙（AI 消除信息差 + AI 替代部分工作）
• 能力阻力：落地应用（如何使用 AI？如何管理 AI？如何设定目标？）
• 应对：顶层设计——通过企业一把手贯穿和强监督有效拉通、整合各个环节

企业应用新技术的「技术衔接」挑战：

• 场景难题：大量一体机闲置 / 偏离业务需求 / 数据安全
• 应用难题：专业任务执行偏差 / 企业数据对接 / 准确率和响应速度
• 定制难题：可靠的行业模型继续训练方案 / 专业的数据工程能力
• 应对：从 SaaS 平台到 FDE 模式——引入 Palantir 前置部署工程师（Forward Deployed Engineer）模式

行业共创的方法论：四步走

应对上述挑战的具体路径：

1. 选对场景：聚焦刚需场景、复杂业务和高 ROI 领域
2. 做深方案：联动共创，咨询 + 实施 + 平台组合交付
3. 打磨产品：形成可复制的行业工具、模块与部署体系
4. 可用 / 有用 / 好用：开拓行业灯塔客户，树立头部标杆案例，穿透企业智能化核心需求

讲者列出零一万物已经覆盖的行业广度（每个都对应一个灯塔客户的探索）：工矿、化工、药研、数据服务、电信、智慧交通、博物展馆、金融、招聘、营销、视频制作、零售电商、游戏、产业园区。

关键金句

「我语言的界限，就是我世界的界限。」——路德维希·维特根斯坦（讲者引用）

「AI 进入 2.0 时代，所有应用都会被重写一遍。」——马杰

「与其坐等风来，不如成为造风者。」——马杰

「未来 5-7 年内，将形成由 AI Agents 组成的巨型神经网络，并最终形成一个永远在线、自主运行的经济系统。」——红杉资本（讲者引用）

「用产品改变世界。」——马杰（结语页）

可行建议

• 用 TC-PMF 替代 PMF 作为大模型应用的判断标准，把「推理成本」纳入产品决策一开始就要算的账
• 把 AI 应用机会按 Chatbot → Tool → Co-pilot → Agent → Multi-Agent 的成熟度阶梯定位，避免越级
• 设计组织时按 IC / DRI / Player-Coach 三类角色思考，而非按传统「员工-主管-总监-VP」金字塔
• 行业落地不要单打独斗：行业企业找 AI 公司共创，AI 公司用 FDE 模式前置部署工程师到客户现场
• 顶层设计先于工具采购：让企业一号位真正参与 AI 转型，否则人员/组织/能力三重阻力会卡住所有项目

关键数据/案例索引

模型与产品：AlphaGo（2016）/ ChatGPT（2022）/ GPT-3.5 / GPT-4 / GPT-4o / o1 / GPT-5 / Llama 65B / Llama 2 70B / PaLM 2 / Falcon 180B / Yi-Lightning / Yi-34B / DeepSeek-V3 / DeepSeek-R1 / Seedance（多模态）/ World Labs（世界模型）/ Manus（AI Agent）/ Unitree H1（具身智能）

数据点：

• MMLU 人类专家水平线 89.8%，人类平均水平线 34.5%
• 大模型从 GPT-3.5 30% 到 GPT-5 / DeepSeek 接近 90%（约 3 年）
• 人类管理跨度极限两千年来始终在 3-8 人
• 红杉预测：5-7 年内形成 AI Agents 组成的巨型神经网络
• 招聘 Agent 案例链路：10 万份简历 → 1000 份筛选 → 20 名 AI 面试通过 → 75 场面试安排 → 2 名岗位名额

理论框架：

• AI 1.0 vs AI 2.0 的四维对比（数据/能力/训练/泛化）
• 四个技术理解（最快革命/培育人/交互范式/物理融合）
• Agent 五阶段（Chatbot/Tool/Co-pilot/Agent/Agent Swarms），其中 Agent 又分 L1/L2/L3
• 组织结构三次革命（罗马军团→普鲁士军队→现代扁平化）+ 异构智力新范式（供给泛在化/杠杆平权化/结构复合化/资产外部化）
• 产业 AI 四要素（算法/数据/算力/应用）
• TC-PMF（技术成本 × 产品市场契合度）
• 行业共创四步走（选对场景/做深方案/打磨产品/可用有用好用）
• 应对挑战两个抓手（顶层设计 / FDE 模式）

人物与机构：山姆·奥特曼（OpenAI CEO）/ 路德维希·维特根斯坦 / 红杉资本（《From Hierarchy to Intelligence》2026.03.31，AI Ascent 2025.05 年度峰会）/ Palantir（FDE 模式来源）/ GE / Pratt & Whitney / Rolls-Royce / 中国航发（飞机引擎类比中的真实公司）

行业落地案例（零一万物覆盖）：工矿、化工、药研、数据服务、电信、智慧交通、博物展馆、金融、招聘、营销、视频制作、零售电商、游戏、产业园区