專訪瓴羊CEO朋新宇：AI時代做產品，要從場景解構開始｜甲子光年

懂場景者得AI。

作者｜趙健‍‍

大模型落地，到底怎麼做？AI技術每天都在迭代，而對於AI落地的實踐與思考，阿里巴巴旗下的數據服務商瓴羊在不同的時間段給出了不同的答案。

一年前，阿里巴巴副總裁、瓴羊CEO朋新宇給出的AI落地經驗公式是“智能化=大模型+好數據”。一年後的今天，當瓴羊團隊有了更多的業務實踐之後，朋新宇也有了新的思考，他提出了新的年度產品智能化戰略：“（算法+算力+數據）x場景”。

這個公式並不複雜，最大的變量在於“場景”二字。然而，有AI能力的團隊缺乏場景，有場景的團隊缺乏AI，正是這兩年AI落地最常見的挑戰之一。過去一整年，瓴羊的工作重心，就是把探索如何把AI與業務場景融合起來。

在今年的雲棲大會上，瓴羊交出了過去一年數據+大模型落地的成績單：推出基於大模型AI能力的客服、營銷、BI以及數據四大產品。這是瓴羊數據智能產品線的全新升級。

2021年，瓴羊作爲阿里巴巴的全資子公司成立，聚焦於企業的數據加工、數據消費與數據流通等服務。雖然誕生於阿里體系，但瓴羊的定位不止於阿里的數據中臺，而是服務千行百業的數據要素服務商。

近期，「甲子光年」專訪了朋新宇，來回答瓴羊的大模型實踐背後的思考。

1.AI版的“把大象放進冰箱”

在ChatGPT發佈之後，瓴羊團隊大概密切跟蹤了一個季度的時間，一來是爲了搞清楚ChatGPT背後的技術原理，二來是思考瓴羊自己在大模型時代的定位與機會。

當時，有不少客戶向朋新宇提建議，讓瓴羊順勢推出營銷或者客服領域的行業大模型，但都被朋新宇否認了。朋新宇認爲，跟風很容易，堅持做正確的事情卻非常難。很快，團隊就達成一致，瓴羊不會對基礎大模型本身做研發投入，而是回到自己能力範圍之內的數據與應用場景，堅定地去應用好大模型。

朋新宇告訴「甲子光年」，就像是膝跳反應一樣，瓴羊本身積累了豐富的數據與業務場景的經驗，會順理成章地思考如何把這些手裡的“武器”插上大模型的翅膀。

但如何把AI與產品相融合，就像“把大象放進冰箱需要幾步”的問題，表面看上去步步爲營，真正實踐起來困難重重。

這是一個全行業都沒有經驗可參考的無人區。

當時，不少企業的老闆找到朋新宇，他們也把這個問題看得很簡單，經常會問：“到底花多少錢才能用上AI？”

朋新宇也很無奈，大模型還處在非常早期的階段，“這不是升級一個電腦，或者買一個軟件，而是跟業務場景、企業私有數據密切相關的複雜問題”。

經過細緻的思考與實踐，瓴羊將AI落地的戰略分成了兩大步：先做場景的解構，再做業務的重構。

“場景解構”就是解決在哪些場景用AI的問題。朋新宇認爲，去年很多企業把AI投入的重點放在了算法、算力等常見的AI要素上，但投入之後可能跟業務沒有直接的關聯，遲遲看不到效果。

瓴羊站在企業的視角，提出了AI落地的三層場景。

第一層是應用層，就是在企業經營的方方面面所用到的軟件產品。

瓴羊在2021年最開始推向市場時有11款產品，後面整合爲五朵雲，現在進一步整合爲三大產品矩陣，聚焦在數據加工、數據消費與數據流通。

去年一整年，瓴羊把市面上開源的、閉源的大模型統統接入其三大產品線供用戶選擇，來測試哪些場景的效果好，哪些場景的效果差。

第二層是在數據側。數據本身就是人工智能三要素之一。今天基礎大模型的能力在慢慢收斂，而決定模型能力上限的，其實就是企業所擁有的私有數據。

如果我們回看中國二十多年數據產業的發展，會發現數據的形態一直在變，但內核沒有變化。二十年前的數據倉庫，核心滿足的就是業務管理層“看數”的需求，產生了BI這一產品形態；後來慢慢演化的數據平臺，是從技術角度解決數據的資源問題；前幾年，數據平臺進一步演化爲數據中臺，這是從業務視角來思考數據發揮的價值。

數據中臺之後，最近幾年的新趨勢則是數據的流通。數據倉庫、數據平臺、數據中臺都是發生在企業內部的技術演進，數據只在企業內部實現內循環，而數據流通就是企業與企業之間的外循環，一個典型的代表就是各地數據交易所的建立。數據作爲一種資產，開始走出企業內部，變成市場化交易的要素。

第三層，是數字化的基礎設施。瓴羊本身並不爲企業提供基建能力，這些能力通常由阿里雲這樣公共雲廠商或者企業自建數據中心來實現。

數字基建是企業發展到一定規模後必然會關注的事情，因爲企業要從頂層設計開始思考，如何做數字化的降本增效，比如是否採用了智算中心而非傳統的數據中心，來保證將最先進的AI技術賦能到業務中。

如果參考“（算法+算力+數據）x場景”這一公式，應用層、數據層、基建層這三層就是瓴羊所解構的“場景”。

瓴羊的策略是集中精力優化核心產品，最終選擇了客服、BI、營銷以及數據治理四大應用場景。在瓴羊的所有產品線中，這是四個最容易和AI結合的產品，同時也是企業預算最多的四個產品。從業務視角來看，這四個場景也是最容易產生數據與沉澱數據的場景，而幫客戶打造成數據驅動的企業就是瓴羊的核心使命。

2.開着飛機換引擎

場景解構清晰之後，就到了AI落地的第二大步：“業務重構”，也就是把AI能力融入業務的具體方法。

朋新宇經常用一句話來總結瓴羊的產品迭代思想：開着飛機換引擎。在現實世界中這絕無可能發生的場景，卻真實地在數字化實踐中頻頻上演。

大模型落地也是如此。瓴羊的產品已經廣泛應用在幾千家企業中，覆蓋零售、汽車與製造、互聯網、金融等多個行業。瓴羊的目標是，在不影響現有客戶用戶體驗的同時，融入新的AI能力。

朋新宇爲此制定了一個OKR——“含模量”，也就是產品每天調用大模型的次數，要從零開始穩步提升。

瓴羊原本有一個算法中臺團隊，這是一個技術支撐部門，承接所有業務線公共的技術需求。但大模型出現後，前端產品所需要的底層算法很大程度上被這些大模型公司實現了。於是，這個算法中臺團隊被重新混編打散到各個業務單元，從研究底層算法轉向應用算法，更快速地“上前線”。

朋新宇告訴「甲子光年」：“AI不是一個科學家，不應該藏在業務的後面，變成一個高高在上的技術，而應該轉變爲真正看得見、摸得着、用的起的產品。我認爲除了非常少數的大企業需要自己投入底層的基礎算法，95%的企業都不需要。”

不同的業務場景對於底層技術的需求並不一致，比如營銷場景對視頻、圖像等多模態模型的需求較多，客服場景對於語言模型的需求更多，而兩類模型所涉及的算法是不同的。既然業務場景要解構，那麼底層的支撐技術也需要重新解構。

瓴羊沒有追求用一個多模態大模型來解決所有問題，“不是一口氣吃個胖子，而是交給各自的產品來制定針對性的策略”。

拆掉算法中臺後的效果也很立竿見影。“最終的結果是，大家吵架的次數變少了，迭代的速度明顯變快了。”朋新宇說。

從分析、營銷、客服等三個核心應用場景，瓴羊結合大模型打造了企業級的智能應用。

瓴羊Quick BI通過AI技術解決了數據分析中的響應慢、數據不一致和報表不靈活問題，實現了快速獲取交互式答案，並支持多種應用場景。

Quick Audience平臺利用數據和AI技術，幫助企業快速分析目標用戶，減少營銷創意準備時間，並優化溝通時機，顯著提高觸達率。

瓴羊Quick Service 2.0結合大模型和行業知識，提升了智能客服的準確性和效率，同時簡化了知識庫部署，大幅縮短了問題處理時間和知識庫配置時間。

而在數據側，瓴羊分別就如何提升數據質量和數據數量兩個企業常見的難題，通過智能數據建設與治理平臺Dataphin和數據流通樞紐瓴羊港交出了答卷。

傳統數據治理的痛點是私有化部署的高成本和公共雲的標準化限制，Dataphin通過重構了數據治理的方式，提供了半托管服務，將部署時間從幾天縮短到1小時，同時保持了個性化服務。

瓴羊港提供的一站式數據服務，包括數據的尋、買、管、用。瓴羊港發佈一年，已達成和30多家頭部數據方的緊密合作，目前平臺上流通的應用場景和行業標籤多達3000多種。

3.AI最大的價值是技術平權

軟件行業一個很大的難題是如何解決定製化問題。朋新宇觀察到，隨着市場的調整，一些新的變化正在發生。

過去，軟件行業競爭激烈，許多企業依賴資本的支持來維持運營，不惜以犧牲利潤爲代價獲取項目，甚至可以用“自殺式項目”來形容其慘烈。現在，隨着資本的熱情逐漸退潮，企業必須依靠自己的現金流和收入來生存，“自殺式項目”的現象正在減少。

隨之而來的，就是軟件公司對於大包大攬的定製化項目的減少。同時，從客戶側來說，以前是越大的企業越彰顯個性化，但現在更加傾向於實用主義。以AI爲例，企業現在傾向於先用起來，不追求大而全的AI能力。

瓴羊自身的業務方向與行業認知也經歷了許多調整。2022年時，跟大多數軟件公司一樣，瓴羊也會承接一些定製化程度比較高的項目，雖然項目很大，現金流很好，但後續的交付任務非常繁重。後來經歷疫情，企業大幅削減預算，回款壓力巨大，利潤也非常差。

後來，瓴羊調整業務戰略，還是迴歸軟件行業的本質，聚焦到產品驅動而非項目驅動的策略。

瓴羊在內部約定，如果一個項目有超過一半的需求是定製化需求，那麼這部分需求就交給第三方的生態夥伴來完成，比如專門做ETL數據治理、報表等業務的公司。

朋新宇表示：“鑑於瓴羊現有的客戶基礎和豐富的案例經驗，我們進行了深入的分析，如果要實現五年的持續發展，必須專注於PLG的策略，都應該回歸到能力範圍之內的事情。”

PLG（Product-Led Growth，產品驅動增長）是在to B行業的一個增長方式，而朋新宇認爲，其實P不僅僅是產品，很多時候也是人（People），產品的背後是人在推動增長，這也是瓴羊探索出的PLG（People-Led Growth）的另一層實踐。

在AI時代，定製化需求仍然是無法完全避免的事情。比如，產品需要適配基礎模型，這個過程本身就需要花費相當長的時間來適配，包括數據治理、數據標註等一系列工作，以滿足特定的場景需求。

但是，AI的出現降低了定製化的技術門檻，讓一些原來只有產品經理或技術團隊等少數技術人員才掌握的能力轉變爲一種普及的能力。朋新宇認爲，AI帶來的最大的價值是推動專有專利變得平權。

比如，在過去如果一名倉庫管理員想要定製一個物流監控系統，可能需要先提需求，然後由開發團隊評估、產品經理審覈，最後由開發人員來實現。這個過程可能需要一週甚至一個月的時間。但現在，通過簡單的拖放操作、對話式語言或者提問，一名業務人員可能在半小時內就能完成。

未來可能會有許多我們難以想象的應用場景，但對於企業來說，AI將帶來巨大的意義和價值。就像多年前視頻直播技術的出現一樣，它讓每個人的生活都能被看見。未來，AI將讓每個人的需求都得到滿足。

4.AI飛入尋常百姓家

將大模型的AI能力融入產品，到底怎樣纔算做對了？對此，朋新宇每天會看的指標是用客戶反饋。絕大多數產品都不希望看到有客戶有負面的反饋，而朋新宇卻恰恰相反。

朋新宇表示：“在新產品剛開始起步的時候，如果有客戶的積極反饋，不管是好是壞，則表明產品正在走上正軌。如果沒有人反饋，那就意味着沒人在使用這個產品。別人之所以會說，是因爲用戶對產品有期待，他們的工作已經依賴於我們的產品了。”

他認爲，對於to B產品來說，用戶反饋甚至是給差評並不是一個完全負面的現象，而是一種積極的、建設性的互動。是用戶與產品溝通的一種方式。

更重要的是，要及時把用戶所反映的問題解決掉。在瓴羊內部，客戶的負面反饋是團隊警覺的信號。一旦收到，瓴羊團隊會迅速落將責任落實到具體的人，推動產品迭代。

對於過去一年大模型落地的實踐，朋新宇有兩個明顯的感受。

一是AI的發展並不符合預期。

去年，朋新宇對於大模型的期待非常高。他原本預計，在ChatGPT之後，OpenAI會在一兩年內陸續發佈GPT-4、GPT-5版本，並快速推動國內與國際市場基礎模型整體質量的提升。一旦瓴羊的產品接入這些大模型，就能迅速打入市場，讓客戶立即使用。

但現實是，大模型的發展要比預期更慢，這也是業內的普遍感受，最近半年有關“大模型泡沫論”的說法也越來越多。最近OpenAI剛發佈o1模型，但仍然不是期待中的GPT-5。雖然o1的推理能力非常強大，但o1之於推理模型的定位就像GPT-3之於預訓練模型的定位，仍然是一個相對早期的模型探索，甚至也有人認爲這是OpenAI爲了融資而編造的故事。

不過朋新宇並不覺得這是一個壞事，因爲任何新技術的發展都遵循技術發展曲線規律，先快速發展，然後回落，最終趨於平穩。朋新宇原本比較擔心不投入基礎模型是否會導致接入成本高、響應速度慢，但通過市場上的開源模型與阿里自身的通義千問模型的實踐，他發現接入大模型的門檻並沒有想象中高。

朋新宇的第二個感受是，雖然大模型的整體發展速度不及預期，但瓴羊的發展速度卻超出了預期。

有一家國民級品牌企業，原本與瓴羊並沒有合作，但今年在看到瓴羊的智能BI產品後很感興趣。在測評了三四個同類型的BI產品後，瓴羊的產品效果超出了客戶預期，這家企業最終選擇與瓴羊合作。

這一客戶案例雖然並不是一個普遍現象，但這樣的大型企業開始採用瓴羊的AI產品，讓瓴羊團隊感到很振奮。

朋新宇判斷，當AI融入場景後，可能未來幾年後就不存在所謂的AI創業了。就像二十年前大家常說的互聯網創業，現在實際上沒有人提這個概念，大家做的事情都會融入到電商，直播，搜索，通訊等等業務中去，變得無處不在。

今天的AI，對於大部分普通人來說可能很花哨酷炫，可以寫文章、做視頻。但如果AI真的成爲新質生產力，不僅要滿足普通人的玩具需求，更要滿足業務對於穩定性和可預期性的工具需求。而其中的關鍵點，可能就是AI與數據、與業務場景的深度融合。

在以瓴羊爲代表的數據服務商，還有千千萬萬的企業的探索下，明天的AI就會像今天的互聯網一樣，成爲數字世界的水電煤，真正進入尋常百姓家。

（封面及文中圖片來源：阿里瓴羊）