邮箱｜JessicaZhang@pingwest.com
当生成式 AI 的热度从实验室走向应用前线，问题也变得更加具体：AI 在传统行业到底怎么落地？门槛是否太高？它会不会只是一个“看上去很美”的概念？
上月底，GenAI Assembling 联合阿里云，在硅谷 Menlo Park 举办了一场主题为「AI is Nothing Without Non-tech People」的线下对谈。三位深耕AI与传统行业融合的明星创业公司CEO，以及来自阿里云北美的资深架构师，从客户案例、产品设计到行业趋势，带来了一场既接地气又信息密度极高的分享。
在对话中你可以看到：
– 阿里云如何通过Qwen和全栈支持布局全球开源生态，推动 AI 工具真正为人所用；
– Zilliz 如何将向量数据库从科技公司带进法律、教育、制药等行业，成为底层关键基础设施；
– Collov AI 如何帮助不懂AI的房产经纪人和设计师，在 15 秒内完成过去要几千美元、几天时间才能完成的家居布置；
– 以及何为「Agentic RAG」，为什么它可能是下一波 AI 应用的核心方向……
这些思考不仅来自于技术视角，更扎根于他们与客户之间的日常一线对话。AI 不该是工程师的专属工具，只有当它走进传统行业、被非技术背景的人理解并使用，才能真正实现商业化，产生实际的影响力。
参与嘉宾 ：
Nishant Agrawal，Industry Solutions Architect @Ailibaba Cloud
Charles Xie，Founder & CEO @Zilliz
Xiao Zhang，Founder & CEO @Collov AI
主持人：
Zhaoyang Wang，Chief Editor @GenAI Assembling
以下为完整对谈实录，欢迎阅读。
AI走进传统行业：门槛、误解与真正的需求
Zhaoyang Wang: 开场的时候我看到很多人都对“AI和传统行业怎么结合”这个话题特别感兴趣。我也看了大家报名时留下的问题，其中一个高频问题是：AI跟传统行业到底怎么融合？比如跟上一波AI热潮（像CV计算机视觉）相比，现在的变化是什么？AI到底融入得有多深？那我们就从Charles开始吧。
Charles Xie: 在我回答之前，我想先问个问题——你们怎么定义“传统行业”？比如说电商已经存在二十多年了，它算不算传统？那通讯行业呢？
Zhaoyang Wang: 在大模型时代，好像谁都能被归到“传统”那一类了。你怎么看？
Charles Xie: 你说得没错。每个人对“传统”都有自己的理解。但在我看来，问题不在于行业存在多久，而在于它是不是一个“高技术驱动”或者“非技术驱动”的公司。高技术公司有很多工程师，自然更容易拥抱AI，比如训练自己的模型。但很多非技术公司就没那么多资源。所以我觉得AI真正的意义就在于“技术民主化”——让每家公司、每个人都能用上AI。不再是少数人的专属。这也是“Agentic AI”（代理型AI）这个概念的意义：AI可以像助手一样，替专业人士完成工作。你不需要会编程，也能从AI中获益。过去三年我们看到很多行业都在动起来了，比如法律、房地产、教育，很多公司已经开始用AI做合同管理、AI教学、AI电商等等。这些趋势还在加速。
Zhaoyang Wang: 所以你觉得这个加速的原因是生成式AI现在变得更易用了，对吧？
Charles Xie: 完全正确。回顾十年前，能接触到深度学习模型的人非常少。那时整个AI领域几乎都集中在DeepMind等研究实验室，大家讨论的是RNN、CNN，但就算在技术公司，真正能用上这些技术的开发者也不到1%。但现在情况变了。产品经理、设计师——哪怕没有技术背景——现在也都可以使用AI工具。我估计现代AI的可达性在过去五年增长了上千倍。
Zhaoyang Wang: 所以回到我最开始的问题，你的意思是行业边界正在消失，每家公司都会成为AI公司，也就不存在“传统行业”这个说法了。那我们来听听Xiao的观点吧。
Xiao Zhang: 相比刚才的讨论，我的客户就真的算“传统行业”了。我们服务的对象主要是房地产经纪人、室内设计师、家具品牌方等等。他们对AI工具——尤其是生成式AI——并不熟悉，甚至很多人连ChatGPT和OpenAI都没听说过。我们的用户年龄大多在40到60岁之间，这就是我们的典型用户画像。这当然带来很多挑战，也有一些机会。挑战是，我们必须从零开始教育市场，不能假设用户知道什么是prompt、怎么和AI互动。产品方面的挑战更大：我们得把工具打磨得足够好、足够“顺手”，几乎不需要学习成本，才能让他们愿意用。这些用户不会去研究怎么写prompt，也不想折腾不同的AI用法。他们要的是：“我拍一张照片，你就给我一个专业结果。”简单、高效、无门槛，这才是他们的需求。而我们能不能满足这种“极致易用”的体验，直接决定了产品能不能落地。好处是，一旦我们做到这个程度，别人也很难轻易取代我们。比如哪天OpenAI出个新功能，我们也不至于立刻被“灭掉”。
我可以分享一个关于“产品市场契合度”的例子。我们和很多AI创始人交流，其中Cursor这个AI编程工具给我印象特别深。他们最开始增长较稳定，但后来专注打磨了一个关键功能——用户写一行函数代码，按一下Tab键，系统就能自动、准确地补全整行代码。这个功能成熟之后，他们的增长速度一下子就上来了。
我们也有类似经历。最初我们用开源模型加API，再做一些微调，但生成出来的图像问题很多——房间结构不稳定、物体不够真实，根本没法用在真正的房地产展示或设计场景里。后来我们不断改进生成效果，直到能保持房间结构稳定、图像足够真实，才真正跨过了“用户满意度的门槛”。一旦过了这道坎，使用率和订阅量就迅速提升。所以说，这既是挑战，也是一个巨大的机会。
Zhaoyang Wang: 挺有意思的，听起来你们在做市场教育的时候，客户甚至不是从ChatGPT起步的——很多人可能根本不知道，也不关心这些技术名词。
Xiao Zhang: 对，虽然我们也有一部分用户知道ChatGPT，但整体来说，大家对AI工具并不熟悉，这对我们来说既是障碍，也是机会。
Zhaoyang Wang: Nishant，阿里云的客户类型非常广泛，你这边看到的整体情况是怎样的？
Nishant Agrawal: 我想先回应一下Charles提到的“什么是传统行业”。我理解可能有点不太一样。在商学院我们学到，一个公司不只是产品或Logo，而是由人、文化、历史共同组成的。可能像ExxonMobil那样存在了上百年，也可能是今天刚成立的初创项目。但区别在于它们积累了不同的基础设施、数据系统和决策逻辑。所以我认为“传统”的关键并不是公司成立多久，而是它适应变化的速度有多快——能不能快速推出新产品、快速迭代现有流程。如果你有庞大的员工体系和客户群，那改变就不是一键切换这么简单，而是需要时间、组织协调和文化层面的转变。比如几周前，阿里刚宣布和BMW的合作。特斯拉的出现改变了消费者对汽车的预期——更简约、更智能、以软件为核心。而像BMW这样的老牌车企，也在试图赶上这股趋势，比如开发AI Copilot。但他们面临的挑战不仅是技术，而是如何让一家全球化的传统制造企业“转身”，又不失去自己原有的品牌认知。作为阿里云，我们的定位是“生态构建者”——除了提供基础设施和开发工具，我们还会把监管部门、行业伙伴、客户都聚合起来。例如阿里内部的斑马网络团队就和中国的监管机构一起，参与制定自动驾驶的标准。造车不是靠一个模型就能搞定的，而是一个涉及上千家供应商的复杂系统，我们做的是让这些系统真正运转起来。
技术之外，用户才是真正的“产品经理”
Zhaoyang Wang: 其实传统行业和AI之间的连接，本质上有两个部分：一个是技术公司怎么构建工具，另一个是传统公司怎么接住这个“球”并真正用起来。我注意到，一旦你把工具交到用户手上，使用方式就不再是你能控制的了。他们有自己的行业知识和流程，很可能会开发出你完全没想到的新用法。你有没有遇到过用户在“你没参与的地方”用出一些你没想到的用法？
Nishant Agrawal: 这问题非常呼应我们今天的主题：当你不是技术背景出身时，如何与AI工具协作？我最近正好在帮一家媒体客户做方案。我们在开源社区也很活跃，像Qwen这个模型在多个排行榜上都是排在Top的——有时领先DeepSeek，有时稍落后一点。我们最近还准备上线一个量化版本，很有望再夺回第一。这个客户主要是做视频内容的。拍一条视频投入很大，演员、摄影、制作团队都要花很多钱。客户希望能把老视频重新剪辑成更短的版本，或做成适合社交媒体传播的短片，Qwen就能在这方面提供帮助。我做了一个demo，拿给客户的视频团队看。他们说：“好是好，但还差点什么。”意思是，虽然技术提升了效率，但AI捕捉不到人的情感、节奏、故事张力——这些才是一个导演或创作者真正的价值。所以我觉得，我们不是在“替代”人类，而是在“增强”他们的能力。如果你把人完全从创作中移除，最终的作品可能就少了灵魂和感染力。
Xiao Zhang: 对我们来说，其实没出现太多完全“出乎意料”的使用场景，可能因为我们是技术驱动型团队，经常是先有工具，再去找适合的场景，有点像“拿着锤子找钉子”。但用户反馈依然非常关键。我们在2023年刚上线AI设计工具时，生成效果并不理想——房间结构经常被打乱，图像也不够逼真。不管怎么宣传，用户订阅率就是上不去。我们后来说服自己要停下来认真听听用户的反馈，大家都提了两个关键需求：房间结构要保留，图片要够真实。这让我们彻底重构了原有思路。我们一开始的做法是结合开源模型和一些规则逻辑，比如床边要放两个床头柜、窗边要挂画之类的，但这种“预设规则”根本应对不了千差万别的房型和用户喜好。后来我们和Tesla自动驾驶团队的一位技术成员聊了一次，受到很大启发。他们也曾花了近十年构建基于规则的系统，但始终无法覆盖复杂驾驶场景。最终他们切换到端到端的模型训练方式，让AI通过大量数据自主学习路线规划，效果提升明显。受此启发，我们也转向了端到端架构，用大量真实房间照片和户型图训练模型，让AI自己去学“什么样的房间应该生成什么样的设计”。等我们做到生成结果稳定、结构保留、视觉真实后，用户的使用率和付费率就大幅提升了。所以说，虽然我们一开始是从技术出发，但真正打磨产品、形成壁垒的，还是来自用户的反馈。
Zhaoyang Wang: Charles，你这边有没有遇到过让你意想不到的使用场景？
Charles Xie: 有，而且非常典型。有一次我们发现制药行业的客户开始用我们的系统来做新药研发——这我们当初完全没想到。他们会分析分子或蛋白质的三维结构，用我们的系统进行虚拟药物筛选，能大大提升效率。我们本质上是一家数据库公司，作为基础数据平台的提供者，我们的目标是打造一个“通用”的系统，不是只服务某个垂类行业。但这也带来挑战：创业公司资源有限，不可能深入了解每一个行业。所以我们的策略是，从第一天起就把系统开源，把每一行代码都公开。这样我们就能从社区获得源源不断的反馈。每天都有来自各行各业的用户告诉我们，他们在哪遇到了问题、还缺了什么功能，甚至是一些我们完全没想到的新用法。正是这些反馈，帮我们归纳出跨行业的共性需求，从而构建出一个更强大、更灵活的底层平台。
Zhaoyang Wang: 接下来我们进入第二部分，一人一题。先从Charles开始——你刚才已经提到了一些使用场景。现场有个小问题：有多少人知道什么是向量数据库（vector database）？哇，比我预期的多啊。如果是去年办这场panel，举手的人肯定少很多。所以，Charles，这个领域最近发展得怎么样？
Charles Xie: 增长非常快。我大概八年前开始做这个方向，那时候几乎没人知道向量数据库是什么。我去跟投资人讲，他们知道我是Oracle Cloud数据库系统的创始工程师之一，有人就直接说：“Charles，如果你是要做关系型数据库，我立马给你开支票。”但我说我想做AI数据库时，他们都觉得我疯了。到了2019或2020年，全球开发者中真正知道“向量数据库”的可能不到1%。现在，我估计这个比例已经涨到了30%左右，还在快速提升。从商业角度看，我们公司过去连续两年营收翻三倍，今年也有望再翻一倍。更让我兴奋的是，这项技术已经广泛应用在三个主要领域： 1. 生成式AI创业公司——向量数据库几乎是它们构建应用的核心模块； 2. 高科技公司——像互联网、电商、出行、外卖平台等，都开始集成这项技术，打造更智能的用户体验； 3. 传统行业——比如法律公司用它做合同管理、文档摘要和起草，教育行业拿它做个性化辅导、语言训练，零售商和商业银行也用来分析用户行为、提升营收。而这还只是开始。我相信未来10到20年，所有公司都会被AI赋能。就像过去几十年里，电脑和键盘变成了标配一样，现在我们站在另一个类似的拐点上。
Zhaoyang Wang: Zilliz的故事其实是典型的硅谷创业路径。新概念层出不穷，如果你选了一个还没被主流接受的方向，确实一开始会更难拿到投资，但相对也赢得了更多时间去打磨产品，等竞争到来时你已经有壁垒了。Xiao，我知道你之前是学物理出身的，现在却做起了面向房产行业的创业项目。这也是一个“硅谷范儿”很浓的故事——技术人跨界颠覆一个本来没人觉得需要被技术改变的行业。你是怎么从物理转向房地产的？
Xiao Zhang: 我在读应用物理博士期间，其实就已经在用AI解决物理问题。当时我研究的方向是让模型具备空间理解和路径规划的能力，比如帮助我们在三维空间里控制粒子的轨迹。博士毕业后，我觉得物理研究离真实生活太远了。我想把自己学到的东西应用在现实世界中解决一些实际问题，慢慢我就注意到房产和家装这个领域效率太低、流程太长，市场又很大，非常适合用AI优化。举个例子：房地产经纪人为了做虚拟样板房展示，要花好几千美金请专业公司搬家具、拍照；家具公司也要花几周时间设计方案、做提案。效率低、成本高——我觉得这正是我在空间AI模型方面的优势可以发挥作用的地方。后来我们也开始探索AI在生成式电商领域的应用。
Zhaoyang Wang: 听起来很合理。你之前也提到，用户反馈对你们很重要。那你是怎么真正去了解房地产行业的需求的？
Xiao Zhang: 从物理和AI转型做房地产，中间的学习曲线真的很陡。我觉得最重要的一件事就是——去听用户说话。我们团队每天都会跟5到10位用户沟通，了解他们在用产品时遇到的问题，然后不断迭代。我们还请了一位行业顾问，他曾是Engel & Völkers（全球最大房地产公司之一）的区域总裁。他帮我们从行业视角重新思考产品定位、市场策略，给了很多有用的建议。总结来说，愿意倾听用户、从行业里的人身上学习，是我们能把产品做起来的关键。
Zhaoyang Wang: Nishant，刚才Charles提到了Zilliz的开源背景，你也讲到了Qwen。Qwen其实现在是最热门的开源模型之一，连Stanford的李飞飞教授都是它的粉丝。那Qwen在Alibaba Cloud整个产品体系里扮演着什么样的角色呢？你们面向企业客户的产品非常多，Qwen如何融入进来的？
Nishant Agrawal: 我是在2016年加入阿里巴巴的，那时候Jack Ma就已经在讲类似的想法了，虽然当时大家还没怎么谈生成式AI。我们的研究团队是在2017年组建的，起初专注于产业级解决方案，比如怎么用技术提升农业效率，主要服务中国市场。直到COVID之后，大家才开始真正重视AI的力量。过去五年里，我们的核心战略之一就是打造一个AI生态。但中美之间的云计算市场差异很大，正如Charles说的，技术采纳的节奏完全不同。而在中国推动AI生态建设最有效的方法之一就是——开源。Qwen正是在这样的背景下诞生的。团队做得非常出色，公司高层也非常支持，愿意投入数十亿美金去训练模型、并坚定地把它开源。因为在中国，想真正把AI生态做起来，必须靠合作、规模和算力的开放，开源能加速这一切的发生。同时，在中国其实还没有像Hugging Face这样的社区平台，所以我们自己创建了ModelScope，用来托管和共享模型。这其实也是我们构建AI社区的关键一步。这也呼应了中国工程师在开源社区中的一个“文化优势”——你去看像KubeCon这种大会，讲技术的人、贡献者很多都是来自中国。所以说，对我们来说，开源不仅是战略，更是一种天然的创新方式。
Zhaoyang Wang: Alibaba Cloud很有意思，一方面你们有像Qwen这样的强大技术产品，在技术体系里影响力很大；但另一方面，你们也经常扮演技术与用户之间的“桥梁”。毕竟很多客户其实并不了解AI的各种新概念，那你们怎么帮助他们？他们有必要懂这些“新词”吗，还是只需要关注自己要解决的问题？
Nishant Agrawal: 这是个好问题。我想分享一个我们内部kickoff上Jack Ma最近说的话，他说：AI不是来取代人类的，它是个工具。而我们作为工程师的职责，是让AI去理解“人”，去完成那些人类做不到的事。比如说，一个农民每天要干12小时，如果AI能帮他8小时就干完，那这就是有价值的工具。另外我想特别提一下Zilliz的博客内容，写得非常好。他们能把复杂的技术概念拆解得特别清楚、好懂，我经常推荐客户去看他们关于向量搜索和AI基础设施的文章。所以回到问题，我觉得客户并不需要理解每一个新词汇。他们是各自领域里的专家，我们的工作就是把他们的需求翻译成合适的工具，而不是教他们每一个模型怎么运作。当然，随着工具变得越来越成熟，希望有一天连“翻译”这一步都不需要了——AI自然就能按照他们的工作方式去运作。
AI下一站：Agentic RAG、AI个体创业者与生态布局
Zhaoyang Wang: 我们最后来聊聊对未来的展望。Charles, Zilliz的故事其实就是围绕一个新概念建立的。你也提到最近一个值得关注的趋势是“Agentic RAG”，而向量数据库正好是它的核心基础设施之一。能解释一下吗？
Charles Xie：简单来说，Agentic AI是更强大、更自主的AI系统。过去，我们问一个问题，AI从知识库里调取一次资料，生成答案——这是“单轮交互”。而现在，Agentic RAG的做法是，把一个复杂任务拆解成多个子任务，然后每个子任务都可以多次检索和优化。这就像是一个AI研究员在工作，不断规划、检索、评估、再迭代。这对我们来说是很振奋的变化。因为每个子任务都可能触发多次向量检索，意味着对数据库的查询频次和知识库容量的需求都会显著上升。当然，现在的Agent系统离“真正聪明”还有距离。目前它们可以处理中等复杂度的多步骤任务，但还做不到支持一个长期目标。比如，你想做一个AI导师，从孩子上小学一路指导到上大学——这还很难。但未来突破的方向，就在于从“完成任务”迈向“实现目标”。
Zhaoyang Wang: 那Xiao，你觉得Collov未来会怎样改变房产行业？
Xiao Zhang: 不论是Collov，还是其他公司，趋势已经很明确了：AI一定会大幅提升房产行业的效率和成本结构。
以房产经纪人为例，现在他们得雇人做实景布置、租家具、拍照片——一套下来几千刀，还得花好几天。而我们现在用AI做虚拟布置，生成一张高清、拟真的图片只要10到20美分，十几秒就能搞定。同样的变化也发生在家具厂商身上。过去请室内设计师做方案要花上几周，还得来来回回改。现在用AI，一次就能生成多个风格方案，时间和成本都大大缩减。还有一个明显趋势是：个体能力在提升。以前一个室内设计师需要带个五到十人的团队，房产经纪人也需要协调布景、拍摄、设计多个角色。但未来，一个人+一套AI工具，就可以完成以前一个团队才能做的事。从布置图、PPT到展示网页，AI都能帮忙自动完成。所以说，我们正走向一个更高效、成本更低、个体更有能力的房产行业。
Zhaoyang Wang: 最后，Nishant，听说阿里巴巴接下来会加大在北美的市场投入。你能跟我们分享一些你现在正在做的事吗？
Nishant Agrawal: 当然。在美国我们已经有几个云区域在运营，也在支持不少美国企业，特别是那些想进入中国市场的。因为像OpenAI的产品无法在中国使用，我们常常作为连接中美之间的“桥梁”。现在的重中之重，是继续打造世界级的大模型，Qwen是我们的核心项目。我们的工程师和开源社区的合作伙伴，都在一起努力打磨这个模型。除此之外，我们也鼓励更多的用户尝试不同的工具。技术的落地不光是看能力和基础设施，还取决于文化、人才和时机。正因如此，我们需要一个多样化的生态系统。现在，中美两边都在以各自不同的方式推动AI发展。比如说最近中国出的Kling模型（虽然不是阿里做的），在视频生成方面非常惊艳。让大家都能接触到这些工具，其实对开发者和最终用户来说都是好事——多试，多选，才知道哪个最适合自己。
Zhaoyang Wang: 太好了，今天的内容就到这里，谢谢几位的精彩分享！
（文：硅星人Pro）