當生成式 AI 的熱度從實驗室走向應用前線，問題也變得更加具體：AI 在傳統行業到底怎么落地？門檻是否太高？它會不會只是一個 " 看上去很美 " 的概念？
上月底，GenAI Assembling 聯合阿里云，在硅谷 Menlo Park 舉辦了一場主題為「AI is Nothing Without Non-tech People」的線下對談。三位深耕 AI 與傳統行業融合的明星創業公司 CEO，以及來自阿里云北美的資深架構師，從客戶案例、產品設計到行業趨勢，帶來了一場既接地氣又信息密度極高的分享。
在對話中你可以看到：
- 阿里云如何通過 Qwen 和全棧支持布局全球開源生態，推動 AI 工具真正為人所用；
- Zilliz 如何將向量數據庫從科技公司帶進法律、教育、制藥等行業，成為底層關鍵基礎設施；
- Collov AI 如何幫助不懂 AI 的房產經紀人和設計師，在 15 秒內完成過去要幾千美元、幾天時間才能完成的家居布置；
- 以及何為「Agentic RAG」，為什么它可能是下一波 AI 應用的核心方向……
這些思考不僅來自于技術視角，更扎根于他們與客戶之間的日常一線對話。AI 不該是工程師的專屬工具，只有當它走進傳統行業、被非技術背景的人理解并使用，才能真正實現商業化，產生實際的影響力。
參與嘉賓 ：
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
以下為完整對談實錄，歡迎閱讀。
Zhaoyang Wang: 開場的時候我看到很多人都對 "AI 和傳統行業怎么結合 " 這個話題特別感興趣。我也看了大家報名時留下的問題，其中一個高頻問題是：AI 跟傳統行業到底怎么融合？比如跟上一波 AI 熱潮（像 CV 計算機視覺）相比，現在的變化是什么？AI 到底融入得有多深？那我們就從 Charles 開始吧。
Charles Xie: 在我回答之前，我想先問個問題——你們怎么定義 " 傳統行業 "？比如說電商已經存在二十多年了，它算不算傳統？那通訊行業呢？
Zhaoyang Wang: 在大模型時代，好像誰都能被歸到 " 傳統 " 那一類了。你怎么看？
Charles Xie: 你說得沒錯。每個人對 " 傳統 " 都有自己的理解。但在我看來，問題不在于行業存在多久，而在于它是不是一個 " 高技術驅動 " 或者 " 非技術驅動 " 的公司。高技術公司有很多工程師，自然更容易擁抱 AI，比如訓練自己的模型。但很多非技術公司就沒那么多資源。所以我覺得 AI 真正的意義就在于 " 技術民主化 " ——讓每家公司、每個人都能用上 AI。不再是少數人的專屬。這也是 "Agentic AI"（代理型 AI）這個概念的意義：AI 可以像助手一樣，替專業人士完成工作。你不需要會編程，也能從 AI 中獲益。過去三年我們看到很多行業都在動起來了，比如法律、房地產、教育，很多公司已經開始用 AI 做合同管理、AI 教學、AI 電商等等。這些趨勢還在加速。
Zhaoyang Wang: 所以你覺得這個加速的原因是生成式 AI 現在變得更易用了，對吧？
Charles Xie: 完全正確。回顧十年前，能接觸到深度學習模型的人非常少。那時整個 AI 領域幾乎都集中在 DeepMind 等研究實驗室，大家討論的是 RNN、CNN，但就算在技術公司，真正能用上這些技術的開發者也不到 1%。但現在情況變了。產品經理、設計師——哪怕沒有技術背景——現在也都可以使用 AI 工具。我估計現代 AI 的可達性在過去五年增長了上千倍。
Zhaoyang Wang: 所以回到我最開始的問題，你的意思是行業邊界正在消失，每家公司都會成為 AI 公司，也就不存在 " 傳統行業 " 這個說法了。那我們來聽聽 Xiao 的觀點吧。
Xiao Zhang: 相比剛才的討論，我的客戶就真的算 " 傳統行業 " 了。我們服務的對象主要是房地產經紀人、室內設計師、家具品牌方等等。他們對 AI 工具——尤其是生成式 AI ——并不熟悉，甚至很多人連 ChatGPT 和 OpenAI 都沒聽說過。我們的用戶年齡大多在 40 到 60 歲之間，這就是我們的典型用戶畫像。這當然帶來很多挑戰，也有一些機會。挑戰是，我們必須從零開始教育市場，不能假設用戶知道什么是 prompt、怎么和 AI 互動。產品方面的挑戰更大：我們得把工具打磨得足夠好、足夠 " 順手 "，幾乎不需要學習成本，才能讓他們愿意用。這些用戶不會去研究怎么寫 prompt，也不想折騰不同的 AI 用法。他們要的是：" 我拍一張照片，你就給我一個專業結果。" 簡單、高效、無門檻，這才是他們的需求。而我們能不能滿足這種 " 極致易用 " 的體驗，直接決定了產品能不能落地。好處是，一旦我們做到這個程度，別人也很難輕易取代我們。比如哪天 OpenAI 出個新功能，我們也不至于立刻被 " 滅掉 "。
我可以分享一個關于 " 產品市場契合度 " 的例子。我們和很多 AI 創始人交流，其中 Cursor 這個 AI 編程工具給我印象特別深。他們最開始增長較穩定，但后來專注打磨了一個關鍵功能——用戶寫一行函數代碼，按一下 Tab 鍵，系統就能自動、準確地補全整行代碼。這個功能成熟之后，他們的增長速度一下子就上來了。
我們也有類似經歷。最初我們用開源模型加 API，再做一些微調，但生成出來的圖像問題很多——房間結構不穩定、物體不夠真實，根本沒法用在真正的房地產展示或設計場景里。后來我們不斷改進生成效果，直到能保持房間結構穩定、圖像足夠真實，才真正跨過了 " 用戶滿意度的門檻 "。一旦過了這道坎，使用率和訂閱量就迅速提升。所以說，這既是挑戰，也是一個巨大的機會。
Zhaoyang Wang: 挺有意思的，聽起來你們在做市場教育的時候，客戶甚至不是從 ChatGPT 起步的——很多人可能根本不知道，也不關心這些技術名詞。
Xiao Zhang: 對，雖然我們也有一部分用戶知道 ChatGPT，但整體來說，大家對 AI 工具并不熟悉，這對我們來說既是障礙，也是機會。
Zhaoyang Wang: Nishant，阿里云的客戶類型非常廣泛，你這邊看到的整體情況是怎樣的？
Nishant Agrawal: 我想先回應一下 Charles 提到的 " 什么是傳統行業 "。我理解可能有點不太一樣。在商學院我們學到，一個公司不只是產品或 Logo，而是由人、文化、歷史共同組成的。可能像 ExxonMobil 那樣存在了上百年，也可能是今天剛成立的初創項目。但區別在于它們積累了不同的基礎設施、數據系統和決策邏輯。所以我認為 " 傳統 " 的關鍵并不是公司成立多久，而是它適應變化的速度有多快——能不能快速推出新產品、快速迭代現有流程。如果你有龐大的員工體系和客戶群，那改變就不是一鍵切換這么簡單，而是需要時間、組織協調和文化層面的轉變。比如幾周前，阿里剛宣布和 BMW 的合作。特斯拉的出現改變了消費者對汽車的預期——更簡約、更智能、以軟件為核心。而像 BMW 這樣的老牌車企，也在試圖趕上這股趨勢，比如開發 AI Copilot。但他們面臨的挑戰不僅是技術，而是如何讓一家全球化的傳統制造企業 " 轉身 "，又不失去自己原有的品牌認知。作為阿里云，我們的定位是 " 生態構建者 " ——除了提供基礎設施和開發工具，我們還會把監管部門、行業伙伴、客戶都聚合起來。例如阿里內部的斑馬網絡團隊就和中國的監管機構一起，參與制定自動駕駛的標準。造車不是靠一個模型就能搞定的，而是一個涉及上千家供應商的復雜系統，我們做的是讓這些系統真正運轉起來。
技術之外，用戶才是真正的 " 產品經理 "
Zhaoyang Wang: 其實傳統行業和 AI 之間的連接，本質上有兩個部分：一個是技術公司怎么構建工具，另一個是傳統公司怎么接住這個 " 球 " 并真正用起來。我注意到，一旦你把工具交到用戶手上，使用方式就不再是你能控制的了。他們有自己的行業知識和流程，很可能會開發出你完全沒想到的新用法。你有沒有遇到過用戶在 " 你沒參與的地方 " 用出一些你沒想到的用法？
Nishant Agrawal: 這問題非常呼應我們今天的主題：當你不是技術背景出身時，如何與 AI 工具協作？我最近正好在幫一家媒體客戶做方案。我們在開源社區也很活躍，像 Qwen 這個模型在多個排行榜上都是排在 Top 的——有時領先 DeepSeek，有時稍落后一點。我們最近還準備上線一個量化版本，很有望再奪回第一。這個客戶主要是做視頻內容的。拍一條視頻投入很大，演員、攝影、制作團隊都要花很多錢。客戶希望能把老視頻重新剪輯成更短的版本，或做成適合社交媒體傳播的短片，Qwen 就能在這方面提供幫助。我做了一個 demo，拿給客戶的視頻團隊看。他們說：" 好是好，但還差點什么。" 意思是，雖然技術提升了效率，但 AI 捕捉不到人的情感、節奏、故事張力——這些才是一個導演或創作者真正的價值。所以我覺得，我們不是在 " 替代 " 人類，而是在 " 增強 " 他們的能力。如果你把人完全從創作中移除，最終的作品可能就少了靈魂和感染力。
Xiao Zhang: 對我們來說，其實沒出現太多完全 " 出乎意料 " 的使用場景，可能因為我們是技術驅動型團隊，經常是先有工具，再去找適合的場景，有點像 " 拿著錘子找釘子 "。但用戶反饋依然非常關鍵。我們在 2023 年剛上線 AI 設計工具時，生成效果并不理想——房間結構經常被打亂，圖像也不夠逼真。不管怎么宣傳，用戶訂閱率就是上不去。我們后來說服自己要停下來認真聽聽用戶的反饋，大家都提了兩個關鍵需求：房間結構要保留，圖片要夠真實。這讓我們徹底重構了原有思路。我們一開始的做法是結合開源模型和一些規則邏輯，比如床邊要放兩個床頭柜、窗邊要掛畫之類的，但這種 " 預設規則 " 根本應對不了千差萬別的房型和用戶喜好。后來我們和 Tesla 自動駕駛團隊的一位技術成員聊了一次，受到很大啟發。他們也曾花了近十年構建基于規則的系統，但始終無法覆蓋復雜駕駛場景。最終他們切換到端到端的模型訓練方式，讓 AI 通過大量數據自主學習路線規劃，效果提升明顯。受此啟發，我們也轉向了端到端架構，用大量真實房間照片和戶型圖訓練模型，讓 AI 自己去學 " 什么樣的房間應該生成什么樣的設計 "。等我們做到生成結果穩定、結構保留、視覺真實后，用戶的使用率和付費率就大幅提升了。所以說，雖然我們一開始是從技術出發，但真正打磨產品、形成壁壘的，還是來自用戶的反饋。
Zhaoyang Wang: Charles，你這邊有沒有遇到過讓你意想不到的使用場景？
Charles Xie: 有，而且非常典型。有一次我們發現制藥行業的客戶開始用我們的系統來做新藥研發——這我們當初完全沒想到。他們會分析分子或蛋白質的三維結構，用我們的系統進行虛擬藥物篩選，能大大提升效率。我們本質上是一家數據庫公司，作為基礎數據平臺的提供者，我們的目標是打造一個 " 通用 " 的系統，不是只服務某個垂類行業。但這也帶來挑戰：創業公司資源有限，不可能深入了解每一個行業。所以我們的策略是，從第一天起就把系統開源，把每一行代碼都公開。這樣我們就能從社區獲得源源不斷的反饋。每天都有來自各行各業的用戶告訴我們，他們在哪遇到了問題、還缺了什么功能，甚至是一些我們完全沒想到的新用法。正是這些反饋，幫我們歸納出跨行業的共性需求，從而構建出一個更強大、更靈活的底層平臺。
Zhaoyang Wang: 接下來我們進入第二部分，一人一題。先從 Charles 開始——你剛才已經提到了一些使用場景。現場有個小問題：有多少人知道什么是向量數據庫（vector database）？哇，比我預期的多啊。如果是去年辦這場 panel，舉手的人肯定少很多。所以，Charles，這個領域最近發展得怎么樣？
Charles Xie: 增長非常快。我大概八年前開始做這個方向，那時候幾乎沒人知道向量數據庫是什么。我去跟投資人講，他們知道我是 Oracle Cloud 數據庫系統的創始工程師之一，有人就直接說："Charles，如果你是要做關系型數據庫，我立馬給你開支票。" 但我說我想做 AI 數據庫時，他們都覺得我瘋了。到了 2019 或 2020 年，全球開發者中真正知道 " 向量數據庫 " 的可能不到 1%。現在，我估計這個比例已經漲到了 30% 左右，還在快速提升。從商業角度看，我們公司過去連續兩年營收翻三倍，今年也有望再翻一倍。更讓我興奮的是，這項技術已經廣泛應用在三個主要領域： 1. 生成式 AI 創業公司——向量數據庫幾乎是它們構建應用的核心模塊； 2. 高科技公司——像互聯網、電商、出行、外賣平臺等，都開始集成這項技術，打造更智能的用戶體驗； 3. 傳統行業——比如法律公司用它做合同管理、文檔摘要和起草，教育行業拿它做個性化輔導、語言訓練，零售商和商業銀行也用來分析用戶行為、提升營收。而這還只是開始。我相信未來 10 到 20 年，所有公司都會被 AI 賦能。就像過去幾十年里，電腦和鍵盤變成了標配一樣，現在我們站在另一個類似的拐點上。
Zhaoyang Wang: Zilliz 的故事其實是典型的硅谷創業路徑。新概念層出不窮，如果你選了一個還沒被主流接受的方向，確實一開始會更難拿到投資，但相對也贏得了更多時間去打磨產品，等競爭到來時你已經有壁壘了。Xiao，我知道你之前是學物理出身的，現在卻做起了面向房產行業的創業項目。這也是一個 " 硅谷范兒 " 很濃的故事——技術人跨界顛覆一個本來沒人覺得需要被技術改變的行業。你是怎么從物理轉向房地產的？
Xiao Zhang: 我在讀應用物理博士期間，其實就已經在用 AI 解決物理問題。當時我研究的方向是讓模型具備空間理解和路徑規劃的能力，比如幫助我們在三維空間里控制粒子的軌跡。博士畢業后，我覺得物理研究離真實生活太遠了。我想把自己學到的東西應用在現實世界中解決一些實際問題，慢慢我就注意到房產和家裝這個領域效率太低、流程太長，市場又很大，非常適合用 AI 優化。舉個例子：房地產經紀人為了做虛擬樣板房展示，要花好幾千美金請專業公司搬家具、拍照；家具公司也要花幾周時間設計方案、做提案。效率低、成本高——我覺得這正是我在空間 AI 模型方面的優勢可以發揮作用的地方。后來我們也開始探索 AI 在生成式電商領域的應用。
Zhaoyang Wang: 聽起來很合理。你之前也提到，用戶反饋對你們很重要。那你是怎么真正去了解房地產行業的需求的？
Xiao Zhang: 從物理和 AI 轉型做房地產，中間的學習曲線真的很陡。我覺得最重要的一件事就是——去聽用戶說話。我們團隊每天都會跟 5 到 10 位用戶溝通，了解他們在用產品時遇到的問題，然后不斷迭代。我們還請了一位行業顧問，他曾是 Engel & V lkers（全球最大房地產公司之一）的區域總裁。他幫我們從行業視角重新思考產品定位、市場策略，給了很多有用的建議。總結來說，愿意傾聽用戶、從行業里的人身上學習，是我們能把產品做起來的關鍵。
Zhaoyang Wang: Nishant，剛才 Charles 提到了 Zilliz 的開源背景，你也講到了 Qwen。Qwen 其實現在是最熱門的開源模型之一，連 Stanford 的李飛飛教授都是它的粉絲。那 Qwen 在 Alibaba Cloud 整個產品體系里扮演著什么樣的角色呢？你們面向企業客戶的產品非常多，Qwen 如何融入進來的？
Nishant Agrawal: 我是在 2016 年加入阿里巴巴的，那時候 Jack Ma 就已經在講類似的想法了，雖然當時大家還沒怎么談生成式 AI。我們的研究團隊是在 2017 年組建的，起初專于產業級解決方案，比如怎么用技術提升農業效率，主要服務中國市場。直到 COVID 之后，大家才開始真正重視 AI 的力量。過去五年里，我們的核心戰略之一就是打造一個 AI 生態。但中美之間的云計算市場差異很大，正如 Charles 說的，技術采納的節奏完全不同。而在中國推動 AI 生態建設最有效的方法之一就是——開源。Qwen 正是在這樣的背景下誕生的。團隊做得非常出色，公司高層也非常支持，愿意投入數十億美金去訓練模型、并堅定地把它開源。因為在中國，想真正把 AI 生態做起來，必須靠合作、規模和算力的開放，開源能加速這一切的發生。同時，在中國其實還沒有像 Hugging Face 這樣的社區平臺，所以我們自己創建了 ModelScope，用來托管和共享模型。這其實也是我們構建 AI 社區的關鍵一步。這也呼應了中國工程師在開源社區中的一個 " 文化優勢 " ——你去看像 KubeCon 這種大會，講技術的人、貢獻者很多都是來自中國。所以說，對我們來說，開源不僅是戰略，更是一種天然的創新方式。
Zhaoyang Wang: Alibaba Cloud 很有意思，一方面你們有像 Qwen 這樣的強大技術產品，在技術體系里影響力很大；但另一方面，你們也經常扮演技術與用戶之間的 " 橋梁 "。畢竟很多客戶其實并不了解 AI 的各種新概念，那你們怎么幫助他們？他們有必要懂這些 " 新詞 " 嗎，還是只需要關注自己要解決的問題？
Nishant Agrawal: 這是個好問題。我想分享一個我們內部 kickoff 上 Jack Ma 最近說的話，他說：AI 不是來取代人類的，它是個工具。而我們作為工程師的職責，是讓 AI 去理解 " 人 "，去完成那些人類做不到的事。比如說，一個農民每天要干 12 小時，如果 AI 能幫他 8 小時就干完，那這就是有價值的工具。另外我想特別提一下 Zilliz 的博客內容，寫得非常好。他們能把復雜的技術概念拆解得特別清楚、好懂，我經常推薦客戶去看他們關于向量搜索和 AI 基礎設施的文章。所以回到問題，我覺得客戶并不需要理解每一個新詞匯。他們是各自領域里的專家，我們的工作就是把他們的需求翻譯成合適的工具，而不是教他們每一個模型怎么運作。當然，隨著工具變得越來越成熟，希望有一天連 " 翻譯 " 這一步都不需要了—— AI 自然就能按照他們的工作方式去運作。
AI 下一站：Agentic RAG、AI 個體創業者與生態布局
Zhaoyang Wang: 我們最后來聊聊對未來的展望。Charles, Zilliz 的故事其實就是圍繞一個新概念建立的。你也提到最近一個值得關注的趨勢是 "Agentic RAG"，而向量數據庫正好是它的核心基礎設施之一。能解釋一下嗎？
Charles Xie：簡單來說，Agentic AI 是更強大、更自主的 AI 系統。過去，我們問一個問題，AI 從知識庫里調取一次資料，生成答案——這是 " 單輪交互 "。而現在，Agentic RAG 的做法是，把一個復雜任務拆解成多個子任務，然后每個子任務都可以多次檢索和優化。這就像是一個 AI 研究員在工作，不斷規劃、檢索、評估、再迭代。這對我們來說是很振奮的變化。因為每個子任務都可能觸發多次向量檢索，意味著對數據庫的查詢頻次和知識庫容量的需求都會顯著上升。當然，現在的 Agent 系統離 " 真正聰明 " 還有距離。目前它們可以處理中等復雜度的多步驟任務，但還做不到支持一個長期目標。比如，你想做一個 AI 導師，從孩子上小學一路指導到上大學——這還很難。但未來突破的方向，就在于從 " 完成任務 " 邁向 " 實現目標 "。
Zhaoyang Wang: 那 Xiao，你覺得 Collov 未來會怎樣改變房產行業？
Xiao Zhang: 不論是 Collov，還是其他公司，趨勢已經很明確了：AI 一定會大幅提升房產行業的效率和成本結構。
以房產經紀人為例，現在他們得雇人做實景布置、租家具、拍照片——一套下來幾千刀，還得花好幾天。而我們現在用 AI 做虛擬布置，生成一張高清、擬真的圖片只要 10 到 20 美分，十幾秒就能搞定。同樣的變化也發生在家具廠商身上。過去請室內設計師做方案要花上幾周，還得來來回回改。現在用 AI，一次就能生成多個風格方案，時間和成本都大大縮減。還有一個明顯趨勢是：個體能力在提升。以前一個室內設計師需要帶個五到十人的團隊，房產經紀人也需要協調布景、拍攝、設計多個角色。但未來，一個人 + 一套 AI 工具，就可以完成以前一個團隊才能做的事。從布置圖、PPT 到展示網頁，AI 都能幫忙自動完成。所以說，我們正走向一個更高效、成本更低、個體更有能力的房產行業。
Zhaoyang Wang: 最后，Nishant，聽說阿里巴巴接下來會加大在北美的市場投入。你能跟我們分享一些你現在正在做的事嗎？
Nishant Agrawal: 當然。在美國我們已經有幾個云區域在運營，也在支持不少美國企業，特別是那些想進入中國市場的。因為像 OpenAI 的產品無法在中國使用，我們常常作為連接中美之間的 " 橋梁 "。現在的重中之重，是繼續打造世界級的大模型，Qwen 是我們的核心項目。我們的工程師和開源社區的合作伙伴，都在一起努力打磨這個模型。除此之外，我們也鼓勵更多的用戶嘗試不同的工具。技術的落地不光是看能力和基礎設施，還取決于文化、人才和時機。正因如此，我們需要一個多樣化的生態系統。現在，中美兩邊都在以各自不同的方式推動 AI 發展。比如說最近中國出的 Kling 模型（雖然不是阿里做的），在視頻生成方面非常驚艷。讓大家都能接觸到這些工具，其實對開發者和最終用戶來說都是好事——多試，多選，才知道哪個最適合自己。
Zhaoyang Wang: 太好了，今天的內容就到這里，謝謝幾位的精彩分享！
