如果你是一名正在投身AI浪潮的创业者，或者一个正在思考，如何利用AI改造现有业务的从业者，那么G7易流CEO翟学魂的经历，或许能给你带来一些重要的启示。
他为观察这场AI如何重塑业务、组织、人才、行业格局的变革提供了一个独特的视角。
G7 易流是中国最大的公路货运行业IoT SaaS服务提供商。大模型浪潮一开始，他们就投身其中，试图开发行业垂直大模型。但不到半年，就果断放弃了。
翟学魂当时意识到：大模型就像「操作系统」，作为垂直应用公司，不应该去「修补」这个操作系统。因为这并不能直接解决客户的痛点，应等待它成熟，或只利用成熟的部分。
于是，他们是另辟蹊径，押注「感知」——研发边缘AI硬件。
回过头看，翟学魂表示，「这一步无比正确」。这个选择的背后，是一个对AI落地更深刻的理解：要让大模型这个「大脑」发挥作用，必须先强化它对物理世界的感知能力。
他们投入重金研发的边缘AI硬件，能将司机行为、货物和车辆状态联系起来，实现「看到更多」 。例如，它能结合视频、云端算法和历史数据，判断出「未遂事故」 ，并立即采取措施纠正司机的行为，从而避免真正的事故发生。
为此，他们的组织结构也发生了变革。传统的层级分明的部门结构被打破，取而代之的是由懂模型、懂算法、懂硬件、懂场景的复合型人才组成的「特种作战小组」 。
前不久，极客公园创始人 & 总裁张鹏与翟学魂在极客公园的直播栏目《今夜科技谈》中探讨了其AI在To B领域落地的心得和方法论。问题涵盖了：
访谈中部分精彩观点：
-
要使智能体表现出色，大模型发挥作用，前提是必须增强对物理世界的感知能力。再智能的「人」也需要能够感知物理世界。
-
AI 的核心价值在于解决传统 IT 技术无法覆盖的「长尾」和「复杂」问题，将过去仅能提供管理工具的 SaaS 模式，转变为直接交付确定性结果的服务模式。 这种能够交付确定性结果的服务，将能改变客户的付费习惯，缩小中美之间的付费差距。
-
过去的 IT 技术划分了行业中大公司和小公司的边界。未来 AI 技术将进一步重塑这一结构。未来那些有重资产、能对客户做出重要承诺的中小企业，会因为 AI 技术从「小而苦」变成「小而美」，而那些只做轻资产管理和赚取差价的中间层将会被挤压，甚至被淘汰。
-
与上一代AI技术旨在「替代人类」不同，大模型技术的核心作用在于「赋能人类」，通过智能体（agent）帮助人们更高效地完成任务，尤其是在沟通和决策方面，而非完全取代他们。
-
AI 应用的最大瓶颈是人才，尤其是同时理解行业场景和模型技术的复合型人才。
-
作为 To B 服务公司、SaaS 公司，与客户的连接和数据永远是最重要的核心资产。而且在 AI 时代，这两件事会得到加强。
以下为直播访谈精华，经极客公园编辑整理：
To B垂直领域，该如何摆正与大模型的之间的关系？
张鹏： 这些年，我们几乎是同步开始重点关注 AI 的，说说你这几年的心路历程。
翟学魂： 首先，我是一个坚定的 AI 信仰者，用实际行动践行着我的信念 。我的一个特点是，每次投入一项行动，至少会坚持三年，不达目的不罢休 。在 AI 方面，我们已取得一些成果，例如，2018 年我们孵化了卡车自动驾驶项目，经过五年的坚持，大概有接近 3000 台重型卡车在中国高速公路上运行。在实际运行的 L3 级别自动驾驶卡车方面，其他公司的规模大概是我们的十分之一，最多一两百台。
张鹏： 结合你们的业务看，你是什么时候形成了对 AI 的信仰？
翟学魂： 我们目前为 30 万台车辆提供 7×24 小时安全服务。每天夜间，我们至少会唤醒 800 人次即将疲劳驾驶的司机。对我个人而言，这是 AI 对物流行业最重要的价值体现之一。我们从 2015 年左右开始这项工作，快十年了。主要用的是所谓的「小模型」专业AI算法。
张鹏： 那时主要还是机器视觉技术，属于上一代 AI。
翟学魂： 是的，我的信念基本上从那时开始形成。我当时意识到，如果要处理大范围、高度动态且长尾场景的问题，AI算法技术会远远优于其他技术和人力投入。这也是我们启动卡车自动驾驶项目、并在大模型问世后第一时间积极行动的原因。
张鹏：刚才提到的数字很让人震惊，一晚上可能要提醒八百多人次司机避免疲劳驾驶。在几十万辆卡车（及其背后的无数车队）的运行中，如果没有用AI，尽管并非每次都会发生事故，但风险概率将非常高。ChatGPT 出现后，你首次尝试将大模型带来的变革与现有业务结合的实践或实验是什么？结果如何？
翟学魂： 我们的首次尝试很快就放弃了。坦率讲，当时我们看到大模型，便立即着手开发行业垂直大模型。
张鹏： 这是相当普遍的想法。
翟学魂： 不到半年，我们便果断放弃了。
张鹏： 为什么放弃？
翟学魂： 从实际角度而言，我们构建行业大模型并不能直接解决客户的问题。它似乎是为了行业打造基础设施，但结果却未能直接触及客户痛点。
大模型如同「操作系统」，我们作为垂直应用公司，不应去修补这一操作系统。如果它不够完善，我们可以选择暂不使用，等成熟后再用，或仅利用其成熟的部分。没有必要动用大量资源去「修补」大模型，将其变成所谓的行业大模型。
后来，我看到有人继续尝试行业大模型，都劝告他们停止，毫无意义。果然，这些「修补」后来逐渐被大模型自身的发展覆盖了。
大模型想发挥作用，「边缘AI硬件」为何无比重要？
张鹏： 在已有操作系统上自行开发定制补丁版的操作系统，意义不大。外行人可能会认为，数据即石油，你们在行业内拥有海量车辆和历史积累数据。理论上，利用这些数据对模型进行相应调整，应该能在该领域取得更可靠的成果。首先，这一逻辑是否正确？
翟学魂： 这个结论是正确的。我们目前真正取得进展的工作，最终还是以大模型作为操作系统 ，在此操作系统上，结合我们积累的行业能力和数据，为客户开发能直接解决特定场景痛点的智能体（Agent）和应用。这条路径是我们坚定不移地走的。
刚才提到，第一步测试后我们认为「修补」大模型并不是我们应做的工作。然后，我们选择了几个关键场景，例如安全、车辆货物、冷链货物温度等，研究如何以大模型为基础，结合我们的数据积累和行业知识（know-how），更好地解决客户问题。
去年，我们实际上开始做坚定投入。我们投入的重点并非直接在大模型上开展工作，而是开发了边缘 AI 盒子，即边缘 AI 硬件。
为什么要开发边缘 AI 硬件？
因为我们发现，要使智能体表现出色，大模型发挥作用，前提是必须增强对物理世界的感知能力。我们可以假设模型会变得越来越智能，但再智能的「人」也需要能够感知物理世界。
因此，我们选择首先强化感知能力。当时，边缘计算芯片取得了重大进展，具备数 T 算力的芯片变得非常廉价，且整个工具链也相当完善。所以，从去年开始，我们启动研发边缘 AI 硬件。
现在看，这一步绝对是正确的。
物流现场过去看不清楚的，现在能看清楚了；原来看不见的，现在能看见了。举个例子，我们现在不仅能识别事故，还能辨别「未遂事故」。比如，当司机正在打电话，旁边有人经过，司机突然踩刹车，差点没刹住，这就是未遂事故。这对司机的安全至关重要，因为识别出疑似事故后，我们会立即采取措施纠正司机行为，否则若再发生三次，可能就会演变为真正的事故。
再比如，以前设备无法识别车旁有人，而那个人可能正试图盗窃货物。现在，边缘计算硬件能够将司机行为、货物和车辆状态联系起来，使我们能够判断所有我们希望了解的情况。
我认为，这是我们对 AI 应用最重要的一个洞察：必须先为大模型的「大脑」提供他人所不具备的、更优的物理世界洞察能力。换言之，即是对环境和意图的识别与洞察，之后大模型才能发挥其强项。大模型的强项就像一位博览群书的博士生，你提出任何问题，它都能解决。若你提供的是无用信息，它返回的也将是无用信息。
因此，我们目前开发的这种能够识别万物的 AI 边缘硬件，旨在整合过去的所有数据，包括哪些路口存在风险等信息，从而实现上述作用。
张鹏： 边缘 AI 硬件为何对判断潜在偷窃行为或未遂事故如此重要？
翟学魂： 要判断何为未遂事故，可能的情况是：车辆正经过一个事故多发路口。这个路口是危险路口，可能是因为村口常有老年人直接横穿马路，这些数据是我们多年积累所得，几乎涵盖了中国所有货车的风险路口记录。
此外，如果司机已连续驾驶 3 小时，他们可能已感到疲劳。这属于行业知识（know-how）。再加上司机突然踩刹车，以及前方视频中有人影闪过，所有这些信息综合起来形成一个上下文。
然后，结合边缘 AI 盒子的视频和云端算法，我们就能判断出这是未遂事故。这就像经验丰富的驾驶员坐在车上，看到你的驾驶方式就能知道对不对。这种判断是综合性的，结合了过去的经验与实时观察到的情况。
有时仅凭小模型便可解决，有时则需小模型与大模型结合，才能获得最精准的判断，且最好能在 2 秒钟内完成。在具备上下文的情况下，智能体（agent）便能发挥作用，例如，它必须改变司机当时的状态，为其拨打电话。
有了上下文，了解现实世界的情况，这通电话对司机行为产生影响的概率便会非常高。
从我们的角度来看，更重要的是上下文中的信息、数据和判断的来源。这个前提条件是我们的贡献，而非大模型的贡献。大模型已经研读了人类历史上所有书籍，对所有逻辑推理都非常熟悉。你只需告知其上下文，让它协助拨打电话并说明目的，它便能很好地完成任务。
张鹏： 你们公司找到了与大模型之间的关系，即必须为其提供增量信息，使其能够看到过去无法察觉的事物。有了这些，再结合大模型的能力，便有可能从「看到更多」进阶到「看懂更多」 。
为了实现「看到更多」，需要一套新的系统，这套系统甚至包含硬件和传感设备。这与大模型并不冲突，反而相辅相成。为大模型提供信息，它便能给予更有意义的反馈。最终，智能体（agent）在最后一步发挥作用，进行干预并采取更有效的行动。
翟学魂： 智能体对我们具有巨大作用。过去，我们所有的硬件和平台最终只能输出一个结果——报警，供谁查看呢？供坐在电脑前的管理员，或是我们称之为「安全监控员」的工作人员查看。当她们认为必须进行人工沟通时，便会拿起电话联系司机 。
我们原有的系统仅能实现报警和信息发送。但现在已完全不同，我们不仅可以报警，还能让智能体（agent）完成有效沟通。过去没有大模型时，系统无法与人进行有效沟通。
我后来思考，首先，除了搬运和驾驶人员之外，绝大多数人的工作内容是什么？他们主要通过沟通来完成任务。
然而，许多情况无法提前预知，当人们发现问题并进行沟通时，可能为时已晚。其次，没有人愿意每天重复进行这些无限的沟通工作。因此，我认为大模型的作用在于赋能人们，使那些具备运营目标的人能够在需要沟通时与司机进行有效沟通。
此外，如果你管理着 5000 到 10000 名员工，您会发现有些员工难以教导。你认为重要的事情，他们却不重视。例如，客户可能非常挑剔，要求从后门进入，但他却每次都不注意，还不轻拿轻放。但如果在他即将抵达时，给他打电话说：「十分钟后你就要到了，务必穿上马甲、戴上安全帽，从后门进入。」
这种时候他便不会犯错，这就是在帮助人。
因此，我后来有一个重要体会：上一轮技术旨在替代人类，例如自动驾驶便是替代司机。而大模型本身的技术具备「大脑」，它应该用于帮助人类更好、更高效地完成任务。我认为，对于物流行业的智能体（agent）而言，本轮技术主要目标是辅助人类。
To B 领域，AI 落地的最佳时机如何把握？
张鹏：在 To B 领域，有一种观点认为，前两年许多大型企业的管理者对应用 AI 的决心很强，因为担心不应用就会落后。但后来许多在 To B 领域实际交付过项目的人士表示，这两年大部分给管理者交付的只是情绪价值。
简而言之，AI 并未真正解决业务上的根本问题，只是在业务边缘有所应用。最终汇报时会声称「公司拥抱 AI，有几个项目已在发挥作用，确实很厉害」。然而，公司的原有业务模式和能解决的问题并未发生实质性变化。这是我们过去在 To B 领域观察到的情况，令人感到整体较为悲观。你身边的情况是怎样的？
翟学魂： 首先，我认为物流行业从业者更为务实，因为他们只关注成本、效率和安全，你必须清晰阐述这个技术对成本、效率和安全的影响。
物流行业的「新能源化」，其实与 AI 有些相似，它们都是新的生产工具，我对它们对公司的影响有着深刻体会。
起初，五年前有一批人一次性采购了 800 台新能源车，结果却以失败告终。原因在于当时车辆技术不成熟，社会环境不具备，电池性能也欠佳。因此，那些初期冲劲十足的人很快便被淘汰了。但这样的人非常少，属于极度狂热或机会主义类型。
随后，在前两年，许多人购买了 30 台新能源车，目的是什么呢？试运行一下。因为他们的应用场景恰好与新能源较为契合，所以便进行了试点。三年前、两年前，许多人都采取了这种做法。
后来，你知道去年和今年发生了什么吗？去年和今年，如果物流公司老板手中仍有大量燃油城配车辆，他们将被淘汰出局。
生产工具的发展正是如此：初期增长缓慢，但一旦达到某个临界点，由于新工具在效率和成本上占据优势，便会立刻出现反转，迅速淘汰旧工具。
换言之，对于新生事物，不应等到它完全成熟。一旦其成熟，原有的传统事物将立即处于竞争劣势，迅速被淘汰。
因此，现在在新疆，如果你拥有一辆燃气车而非电动车来运输煤炭，你将毫无机会，无法获得任何合同。因为其他人的成本比你低 10% 仍能盈利，而您却已亏损。所以你的车辆必定只能闲置，因此必须提前布局。
那些成功提前布局的人是怎样的呢？他们是三年前开始购买 30 台车辆的人。
我的意思是，这实际上有两个大的阶段。第一个阶段是狂热者被淘汰；第二个阶段，是那些看准机会进行小范围试点的人，因为他们意识到这件事开始有价值了，所以先尝试采购 30 台车辆。
在第二阶段，当新生产工具淘汰旧生产工具时，便会出现行业洗牌。此时，转化率和渗透率的速度将超出所有人的想象，因为新生事物会反过来「内卷」你。那么，现在 AI 在物流行业处于什么阶段呢？大概就是两三年前新能源车的阶段。
然而，大模型技术的应用与新能源车的最大区别在于：你购买的车辆，它仅仅是一辆车，与你没有深度的关联。但你使用的智能体（agent）则不同。智能体中包含的数据和专业知识（know-how）是你自己的。你输入什么，它输出的结果就与你相关。因此，如果前期没有积累，届时便会遇到问题。
现在是早期阶段，尽管目前的投入成本可能高于即将获得的回报，但它已具备价值，许多地方实际上已在使用。我刚才提到的这些案例，都是我们与客户共同实现的。
例如，对于一家从事危险品运输的公司，他们对安全极度重视。他们不允许货车司机单手抓扶上车，而必须要求司机「三点式上车」，即双手抓扶，身体有三点支撑，以此方式上车。以前曾因未能做到这一点，有人摔伤。而且不仅是人员摔伤，由于运输的是危险品，一旦触碰到阀门等部件，后果将十分危险。
坦白说，若不借助当前的多模态大模型，依靠编写算法来开发一个「三点上车」的识别模型，那将耗费巨大精力。而且类似场景繁多，非常多元化，属于长尾场景，这正是多模态大模型当前的独特贡献。
但你会问，这能改变企业的管理模式吗？能改变组织结构吗？能立刻创造竞争力吗？目前还不能。它现在只是有效，解决了某个场景问题。因此，我认为现在正处于这个阶段，并且还会持续一段时间。
张鹏： 所以创业者的最佳状态是「既有好奇心又带点不自信」。有好奇心意味着对新生事物应勇于尝试。不自信则表示，尝试后发现效果不错，但也不能立即全盘否定原有模式，仍需逐步观察和推进。如果好奇心与极度自信相结合，后果将十分可怕。好奇心必须伴随些许不自信，这样的「配方」可能才是正确的。
AI 如何改变 To B业务商业模式？
张鹏： 简单来说，企业管理者切勿好奇心十足却又极度自信，这极易导致错误。物流行业老板的情况，我也能理解，非常务实，每一笔业务都需清晰核算其合理性。这是一个快速可见的循环，容不得所谓的情绪价值或面子工程。
你们在推进这事时，是与客户共同探索的。在开始之前，你们是如何沟通的？是你主动寻找客户，还是客户主动联系你们？怎么分工？
翟学魂： 我们服务 4 万个客户，经常能听到许多抱怨。然而，这些不满意并非源于我们员工的不努力，而是因为技术存在瓶颈。
运用原有技术模式解决客户问题时，有时确实无法突破。比如，我刚才提到的对货物的长尾判断，依靠原有算法技术和硬件技术就是无法解决的。
因为原有硬件技术在边缘侧缺乏足够的计算能力，只有非常有限的计算能力，要么只能识别人脸，要么只能检测入侵，其他功能都无法实现，更不能形成综合判断。
因此，我们过去有大量这类问题无法有效解决。包括客户会说：「你看我这些海鲜，如此贵重的大闸蟹、帝王蟹都已装入车厢，车厢也安装了摄像头，为什么螃蟹爬出来你却无法告知我？」结果等到达目的地时，螃蟹已经死了很多。
张鹏： 还得专门为螃蟹训练一个模型。
翟学魂： 我说要给螃蟹训练个模型，半年都过去了。而现在真的不用了。
张鹏： 现在如何解决？现在如何识别螃蟹？
翟学魂： 以前需要 1 万张照片，投入大量算法人员，耗费至少三个月；现在可能 100 张照片，一周就能完成。
原有的 SaaS 产品无法直接面向最终结果，因为总是需要人工先查看，查看完毕后在系统内记录，然后才开始处理。所以，过去的 SaaS 仅是一个管理工具，无法交付最终结果。
但现在有了更丰富的技术，确实可以交付结果了。所以，我们首先关注原有的安全服务中客户不满意之处，以及货物服务中客户不满意之处。我认为这件事并不困难。后来，我们专门抽调团队，拜访客户，收集所有不满意的问题，然后共同分析这些问题是否适合用今天的新技术来解决。这是第一步，非常重要。这是我们主动发起的。
此外，还有一些情况，少数客户的管理者有「情绪价值」需求，规定「你们今年给我做 10 个 AI 项目」 。
张鹏： 这样的情况也有，是吗？
翟学魂： 是的，客户会说：「老翟，我们老板说要做 AI 项目，明年要考核我的投资回报，所以我们得找一个既有用又是 AI 的项目。」 这通常是大客户。我认为这两种互动方式比较典型。
我觉得最不可行的是重新发明一个场景。坦白说，在垂直行业里，客户与我们打交道这么多年，如果你连他们提出的问题都解决不好，再去创造一个新问题，成功的几率非常小。所以，从我的角度来看，我们做 To B 的 AI 服务，并非要创造新问题 。
要审视过去存在的老问题中，哪些是我们的解决思路不当、解决效果不佳的。这么多年来，大家的管理并没有出现新问题，只是老问题未能有效解决，这是我的观点。
张鹏： 这一点我非常认同。最近我与老翟经常探讨，To C 和 To B 两个领域都在围绕 AI 寻找新机会。我同时接触到两类创业者：一类像您这样，拥有历史积累、场景、用户和客户；另一类是新创业者，从零开始就要创造新事物。我聊了一年，接触了几百人，最终感觉与您刚才的观点有些相似。
如今在 To C 领域，创业者真正的机会可能在于寻找需求的延长线，即创造一些合理的新场景，因为原有场景已被巨头占据。
试想一下，如果说「我在原有场景中比巨头效率更高、体验更好」，巨头是不会放过你的。那是他们的核心阵地，你领先三个月，他们就会反应过来。
但有些事物，可能是在用户原有功能价值上延伸出的场景。例如，最近我们看到的一些硬件产品，以及情绪价值类产品，突然发现这条线是在用户原有功能价值上延伸出来的，这便有可能带来机会。若巨头真的分兵来做这件事，反而可能是其薄弱环节，甚至未必比你有天赋。他们可能资源更多，但未必能胜过你。
因此，To C 领域往往要在需求的延长线上寻找机会，而 To B 则是将「虚线填成实线」。
最初两点之间甚至没有连线，你的 SaaS 产品帮助将其虚拟连接起来，看起来好了许多，有条线确实走起来更顺畅。像你刚刚提到的，如果老问题未能得到完整解决，此时首先要做的不是创造延长线，而是将虚线连接成实线。这样一对比，应用 AI 有两种方式：一种是在延长线上寻找场景，另一种则切勿寻找新场景，而应在原有场景中将虚线划实，交付端到端的价值，确定性地解决问题，就是巨大的价值。
在To B 领域，过去 SaaS 模式在中国其实相当艰，而如果你能够将虚线连接成实线、交付确定结果时，商业模式是否会有进步和突破？
翟学魂： 举两个例子，你就会明白了。物流行业有两个特征，第一个特征是物理上的搬运。这其实就是我刚才提到的自动驾驶能够通过技术解决的问题。但这只是物流行业的一个关键特征，甚至我认为并非最根本的。最根本的关键特征是「货运代理」。
什么是货运代理？
就是你有货物需要运送，但无暇、无时间或无精力处理。你委托我作为货运代理，协助解决各种安全、温度等问题，并按照要求准时送达客户手中。这便是货运代理，实际上是物流行业服务的根本特征，而搬运仅仅是物理层面的特征。
全世界的大型物流公司都起源于货运代理，而非搬运业务。因此，「货运代理」这个名称意味着什么呢？它代表物流过程具有诸多复杂性，是一个漫长的链条，需要专业人员全程关注，确保万无一失，出现问题也能妥善解决。所以，货运代理作为一种服务，是物流行业第一性原理层面最根本的特征。
既然需要代理，这说明事情链条长且容易出现问题。如果链条很长，如果是一票快递，实际步骤数至少有几十个，印象是47个左右。
张鹏： 也就是从快递寄出到收件人签收，需要 47 个步骤。
翟学魂： 对，假设每个步骤，且大部分步骤都是人与人之间的交接。如果每个步骤的成功率是 95%，到第五个步骤时，成功率就只剩下 70% 多了，便会出现大量问题。但为何现在仍然存在这么多问题呢？因为这个过程太长，链条中的细节和个性化过于丰富。
物流行业最重要的一个特征就是场景丰富，代码无法完全覆盖。如果代码能够完全编写，早就变成工厂模式了。
还有一个特征是什么呢？车上安装摄像头非常便宜，仓库安装摄像头也极其廉价，因此实时数据极为丰富。
张鹏： 就是物流行业的数字化其实已经完成得比较好了。
翟学魂：是的，到处都是摄像头。
张鹏：但问题在于未能将数字化、直接转化为如同工厂流水线般的确定性。从数字化到真正的生产力整体提升、确定性提升，中间其实留下了巨大的空间。
翟学魂： 我想强调的是，当前的物流行业是由信息技术（IT）而非 AI 和数字技术定义的。信息技术依赖流程驱动，依赖一段段代码驱动，但代码是无法穷尽的。
因此，物流这个长链条存在诸多问题，例如安全和效率等方面。那么，如果引入 AI 会怎样呢？实际上，AI 能够针对每一段流程之间那 5% 的漏洞。
当你为其提供足够的数据，它便能辅助人们解决这部分问题，使流程的完整性从 5% 提升到 99%，甚至接近 100%，从而使效率提升 10 倍以上。
因此，以 AI 技术为基础重新定义物流行业，能够使效率和安全性提升 10 倍。因为原有的 IT 技术无法解决中间的这些问题。一方面是代码无法完全编写，另一方面，即使代码编写出来，人们也未必能完全按照代码执行。
原有物流行业的运行模式是：通过 IT 技术搭建关键流程节点，然后利用这些节点的结果制定 KPI 进行考核。而未来以 AI 为基础的物流行业，则是通过数据赋能 AI，帮助人们在无需编写程序的情况下，将事情做对，并且效率极高。
从我们目前在关键高价值场景中对 AI 的初步应用来看，客户具备付费意愿。
比如，我们有一家饲料客户，是全国最大的饲料公司。他们雇佣了一批人 24 小时监控，但仍然无法完全看管住，饲料依然会丢失。如果我们的智能代理（agent）能够帮助他们看管好，解决了实际问题，他们支付的费用将远低于原有的损失。
而且，如果一单收取一块钱，对他们而言很容易商议，因为原来这些价值并未被挖掘出来。
因此，我认为，从 IT 技术主导的物流行业到 AI 技术赋能的物流行业，将发生巨大变化。在这一变化中，技术人员有机会，客户也愿意付费。
张鹏： 过去在 SaaS 阶段，中国和美国的公司归根结底都在销售工具、销售「虚线」（指未实际落地的价值）。但美国的付费环境更好，中国的 SaaS 公司与美国同类型公司相比，尽管存在产品等方面的问题，但整体环境存在差距。
然而，未来当我们把「虚线」变为「实线」，交付实际价值——这里的「实线」既是实体流程线，又是可实现的价值——这种情况下，中国客户过去那种不好的付费习惯有机会改变吗？换句话说，当大家能够计算增量收益，看到问题确实得到解决时，中美之间的付费差距会缩小吗？有没有希望？
翟学魂：非常有希望。或者这样说，目前我们与美国同类型 SaaS 服务的收费差距很大，他们收取 1 美元，我们收取 1 人民币。但智能体（agent）的费用几乎接近，因为解决问题的价值相近。
为什么中国客户对 SaaS 付费意愿较低？因为我们的人力成本较低，而且他们对管理工具的价值认可与对结果的认可不同。
未来真正面向结果的服务，收费情况将有所不同。
AI时代的组织，更偏爱「战斗小组」
张鹏： 你们公司原有团队是信息化、数字化时代的团队，现在需要将大模型、AI 能力融入其中——这背后需要团队有新人、新认知。最近大模型和 AI 领域如此热门，你们公司能招到合适的人才吗？这件事是否痛苦？
翟学魂： 说到痛处了，确实很痛苦。
现在对于行业应用者来说，仍处于 AI 的早期应用阶段。但对于我们这样的服务公司而言，应该进入重投入阶段了。
因为我们看得很清楚：第一，必须软硬一体，边缘侧必须具备实时数据和识别能力。必须利用大模型作为智能代理（agent），将原有工具转化为最终服务。
这条技术路线有三个关键词：第一，需要具备硬件、软件、模型、数据方面的人才；第二，需要对场景有极度理解的人；第三，需要对大模型有极度理解的人。这三类人共同协作才能取得良好结果。
我们原来有两类人是足够的：从事硬件、算法和数据研发的人员，以及拥有近 20 年物流经验、对场景理解较深的人员。
但从比例上来说，既懂一点场景又懂大模型的人非常稀少，懂模型且有 To B 经验的人更少。
因此，如果要同时开展 10 个场景的项目，就会捉襟见肘，根本不可能。
不过现在模型能力已经可以了，许多地方都能应用，多模态稍差，但语言模型绝对够用。语言交互的反馈速度稍慢，但推理能力没有问题。所以目前的能力在物流行业可以覆盖许多场景。
目前 AI 应用的成本可以忽略不计，客户和我们都能承担。所以真正的瓶颈在于能否组建完整的团队，将场景、数据、算法、硬件和大模型整合起来。有多少这样的团队，就能创造多少成果。
所以，对 To B 领域大模型应用、AI 应用感兴趣的年轻人，欢迎推荐给我。
张鹏：过去，懂模型的人可能选择去大厂、创业公司，或者自主开发产品、成为独立开发者，并未过多考虑在物流这样的场景中如何发挥价值。
翟学魂： 首先说一下软硬一体最终实现的结果：
第一是「理解现实」，即看到情况后能明白发生了什么——是事故还是未遂事故？是否异常停车？异常停车的原因是暴雨还是其他？这主要通过视觉模型和多模态模型来实现。
第二是「有效沟通」。理解现实后，必须打电话与人沟通，把该问的问清楚，该传达的传达出去，达成共识并促使对方行动。我们向客户交付的结果就是这两点：理解现实、有效沟通。
我们现在的工作方式几乎不按部门划分，而是按项目组成跨专业背景的小组，共同推进产品项目。每个项目小组必须有懂模型、懂 AI（尤其是大模型）的产品经理，有懂大模型与数据、知识库结合及调优的研发人员，还有硬件工程师。基本上任何一个项目都需要五六个角色协作才能取得成果。
我估计两三年内，懂模型的产品经理在我们团队中的比例会达到四分之一到三分之一，现在还远远没有达到。
张鹏： 你刚才说的是一个个战斗小组，是多模型（MoE）模式，不是要求通才，而是需要战斗小组。
翟学魂： 一个人不可能特别精通这三件事。肯定要擅长一个部分，在这个部分深耕，同时能理解另外两部分，能和别人沟通就不错了，当然还得具备一定的沟通能力。
张鹏：这有点像人类军队改革，核心是小型化、集成化，变成一个个作战小组。特种作战小组就能解决大问题，配备最好的装备、训练和人才，也能获得更大价值。原来长链路里的人都是螺丝钉，现在逐渐变成特种作战小组，解决大问题并获得大价值。
翟学魂： 总结得太好了。特别是去年和今年，我们在推进 AI 项目和产品时，重构了产品、技术结构。以前是以功能性组织结构为核心，你完成一件事后提出需求，我拿到需求后再做另一件事，软件、硬件、算法平台层层推进。
自开始开发 AI 产品后，原有的功能结构肯定行不通了。因为信息传递缓慢，而且许多问题需要大家共同商议才能解决。所以现在最重要的是形成能够实现软硬一体、数据与模型配合、软件与硬件配合的作战小组。
原来依靠部门经理管理，现在依靠作战小组。
所有小组有一个共同的平台和机制：第一，立项时评估投资回报率（ROI）；第二，立项后评估方案可行性。原来分层分功能的组织架构，在未来的产品迭代中肯定行不通。
张鹏：我经常阅读战争史和军队相关内容，军队是最务实的，输赢代价太大，所以他们的思维演进在人类社会中比较靠前。既接近技术（先进技术优先用于军队），又是管理人群的组织。如何让组织发挥最佳效能赢得战争，军队战斗体系的不断进化具有重要的指引意义。
例如，苏联时代的大纵深理论，依靠集团军作战，展开纵列穿插数百公里，每个士兵都是小兵。而这些年提及最多的是旅级战斗群，中国的重装合成旅比师级还小，与集团军相差好几个级别。
这表明军队正在向更少的人员、更强的装备、更灵活地解决问题发展，具备复合资源和能力，从空中到地面都有覆盖。这提示未来商业领域的公司，大概率会解构长链路的组织和管理。
探索时采用特种作战小组模式，成功后则扩大为旅级战斗群、重装合成旅。
你刚才提及的实践，某种程度上印证了这一点，人类世界的道理是相通的。关注最具挑战性领域的变革，便能为我们指明方向。未来组织层面将有诸多创新，年轻人在更小的体系中能更闪耀，发挥更大价值。
翟学魂： 对，很简单，一个产品成功了，所有人都能看到，不像原来层层递进，很久都不知道谁行谁不行。
张鹏： 最近几年招募的年轻人中，有没有让您感到骄傲、欣慰的例子？
翟学魂： 我认为最重要的并非经验多少，也不是学历高低。过去我们可能要求清华、北大、科大的毕业生，但在大模型和 AI 时代，我总结的是：首先，最好是 90 后甚至 95 后；其次，对新技术和模型的边界有理解，具备深入学习的好奇心；最后，对解决客户问题充满热情。
这样的人才很快就能取得成绩，展现闪光点。并非一定要寻找所谓的「大牛」，我不相信有天生的大牛，也不相信依靠长时间资历就一定能培养出大牛。
AI时代，企业的核心竞争力如何变化？
张鹏： 作为公司创始人、CEO，你看到智能体和 AI 在行业中已产生确定性作用，有没有思考过企业未来的核心竞争力？甚至使命有没有变化？
翟学魂： 有一件事没有改变：作为 To B 服务公司、SaaS 公司，与客户的连接和数据永远是最重要的核心资产。而且在 AI 时代，这两件事会得到加强——它们高度相关。
什么是「与客户的连接」？
具体而言：客户的车辆与你相连，司机的微信、电话与你相连，上游货主的 ERP 接口与你相连，还有三年的合同——这些都是连接。这是 AI 发挥更大作用的基础，因为最终要解决问题：比如一票货物出了问题，你得能够打电话给司机，司机也愿意接听；要在线与调度沟通，你得有其账号。这些上下游连接，重新创建的代价极高。
其次，就是我们反复提及的「数据」——并非历史垃圾数据，而是此时此刻物理世界发生事件所产生的数据。这种独特的数据获取能力，加上与客户的连接，永远是创造下一代产品的基础。
我思考得很清楚：今天我们能够开发新的 AI 产品，正是因为拥有这些核心资产。不变的是这些资产，但最终产品发生了变化，因此组织结构、人才结构必须调整。
例如，要能够创造有竞争力的智能体，团队机制、人才构成必须改变——原来可能只有两三种人，现在需要四种人才能运作，而且运作机制与原有的科层制完全不同。这种竞争力的转变需要循序渐进，不能像法国大革命那样「断头台式」颠覆，而要像「君主立宪的光荣革命」——一边继续提供传统服务，一边创造新机制。
人员结构不一定需要完全更替，但工作方式和产出物必须调整，以创造新的飞轮 。这个飞轮并非产品本身，而是团队的成长飞轮，这才是最重要的竞争力 。
IT 技术塑造了公司边界，AI将洗牌行业格局
张鹏：当前 AI 领域热衷于探讨「数据飞轮」，却忽视了「人的成长」这一核心要素 。只要公司并非单打独斗，便必然面临组织问题。
翟学魂先生是我刚入行时的引路人 。我毕业时，他已是业界举足轻重的人物 。我第一篇在业界产生影响力的文章，便是在他指导下撰写的关于「保供物流」的内容 。
今天非常荣幸能与他交流 。我刚入行时他便是如此，如今看来容貌未曾有显著变化（或许那时显得老成，现在反而更显年轻），并且依然活跃于前沿领域探索，令人由衷钦佩 。
你在物流行业已推动变革逾二十载，说说你对未来物流行业的展望？
翟学魂：前段时间我曾专门思考此问题 。当前的物流行业结构实际上是由 IT 技术塑造的 。凡是能实现核心流程 IT 化并量化为关键绩效指标（KPI）的领域，均发展成为大型企业 。
例如快递、电商配送等均是如此 。当前的大型公司，其行业结构皆由 IT 技术塑造 。此外，甚至货运领域的许多高管都源自同一家公司，你知道是哪家吗？是德邦 。
为何高管多出自德邦？
因为德邦最早在货运、快运行业普及 KPI 。因此，德邦的干部在数据驱动管理方面尤为精通。如今，你会发现顺丰、京东、菜鸟等大型公司的许多干部都来自德邦，因为德邦的管理理念与 IT 技术高度契合。
反之，凡是难以量化 KPI、存在诸多小场景的业务，则由中小公司承接 。实际上，大型公司与小型公司的边界是由技术划分的 。那么我们需思考的问题是：当 IT 技术升级为 AI 技术后，行业结构必然会发生重大变化 。
我认为有几点是确定的 。在这个行业中，拥有 50、100、200 乃至 500 台车辆的重资产中小企业，其生存状况将非常良好 。原因在于重资产本身即是一种承诺，需要企业负责人亲自承担责任，需有人承诺「我已投入 50 台车辆为您提供服务」，这是一种人为承诺，而非 AI 能够解决的问题 。
其次，在有了这份承诺之后，对于车辆管理、货运安全、服务等方面，小型公司曾难以通过 IT 技术实现 KPI 量化，老板也缺乏相应的 KPI 管理能力，但 AI 技术可以赋予他们这种能力 。
因此，我认为那些原有重资产、能对客户做出重要承诺的中小企业，将因 AI 技术而从「小而苦」转变为「小而美」 。它们过去虽然规模小、经营艰辛，但因客户需求而得以生存，未来则会变得更具优势 。
第二点，那些对客户缺乏重要承诺、仅从事轻资产管理且规模较小的公司，我认为在 AI 时代其业务前景可能堪忧 。原因在于大型公司能够运用 AI 技术将此类业务 KPI 化，从而覆盖原本无法涉足的领域。
大型公司的业务边界将通过 AI 技术扩展至这些轻资产的小场景 。更重要的是，货主会认为「你对我的承诺不多，仅协助管理流程，我自己也能处理」，因此许多货主会选择自行接管这些业务，共同挤压了原有轻资产小型公司的生存空间 。
实际上，所谓的轻资产，即是指中间层 。我们之前所说的中间层，就是通过赚取差价，在不进行实质性运输操作的情况下获取利润 。在物流行业中，许多人仅从事轻资产管理或长链条管理，这部分群体将逐渐减少 。
因此，从产业格局和结构来看，将发生非常显著的变化 。
然而，最终形成的新生态系统，其效率必然远高于原有模式 。原来存在的中间层将逐渐消失；原先经营不善、处境艰难的重资产中小企业，其效率、安全性和服务水平都将大幅提升 。我认为这种变化最显著的时期大约在两三年后，当前的工作成果也将在两三年后显现 。
我刚才提及的新能源汽车替代情况，大致也是如此 。
张鹏： 我认为你所阐述的这一点，可能不仅限于物流行业，许多行业都可能出现类似情况 。其本质仍回到我们刚才的论点：未来在相当长一段时间内，人工智能无法替代人类所承担的「承诺兜底」的价值和意义 。
这也印证了「家有一老，如有一宝」的说法，年龄仍有其价值。今天与您交流，字字珠玑。
翟学魂：我确实非常真诚地希望，大家能考虑加入 G7易流，共同开发真正有用、能落地的 AI 应用 。
登录
