这是属于中国创投的新纪元。当下的中国创投市场，既是周期筑底的转折点，也是结构性转型的深化期。在政策主导、国资与资本高度集中的新生态下，唯有顺应趋势、灵活调整，方能在不确定性中捕捉确定性机遇。

6月11-12日，杭州良渚文化艺术中心，36氪WAVES新浪潮2025大会以「新纪元」为主题，汇聚创投领域顶级投资人、新锐企业创始人，以及深耕科技、创新、商业的科学家、创作者与学者，共同探讨AI技术革新、全球化浪潮与价值重估等前沿议题，拆解他们眼中的商业理想和未来世界，一起讨论、寻找、走向中国创投「新纪元」。

6月11日下午，在投资人会场举行了一场AI应用趋势的破界对话，参与讨论的嘉宾有戴盟（深圳）机器人创始人&首席执行官段江哗、Zadig创始人李倩、葱花投研创始人徐翀、AMD大中华区AI市场营销负责人昝仲阳、ChatExcel创始人&CEO逄大嵬以及主持人华泰创新投资总经理晋海博。

圆桌现场

以下是对话实录，经36氪整理——

晋海博：非常感谢各位的聆听，下面先由我做自我介绍，再请各位依次介绍。我们华泰创新投资是华泰证券的自有资金股权投资平台，开展科技投资已有五年。今年特别推出了华泰创星CEO全球加速营计划，邀请一批AI创业领域的CEO参与，旨在将华泰证券的资源深度赋能给创业者，助力大家在发展中收获实效。作为兼具科技投资与赋能属性的券商背景平台，我们始终以这样的定位开展工作。接下来，就请各位依次做自我介绍，先从段总开始吧。

段江哗：大家好，我是戴盟机器人的创始人兼CEO段江哗。感谢晋总的邀请，很荣幸参加今天的圆桌。戴盟Base在深圳，我们核心聚焦于人类的感官信息，如触觉，收集人类操作时候的感官信息和动作信息，并通过这些信息，训练机器人精细和灵巧的操作能力。所以我们的机器人公司聚焦在怎么样让机器人具有泛化和通用的灵巧操作能力，跟能跑能跳不太一样，我们更聚焦怎么样让它能干活。

那怎么样能实现机器人的灵巧操作，可以真正成为我们的“帮手”呢？戴盟发布了这几款核心产品来实现这个目标。

首先，我们要让机器人获得类人的感官信息（触觉信息），我们有一个非常好的基于视觉的视触觉传感器——全球首款多维高分辨率高频率视触觉传感器DM-Tac W，具备了高分辨率、高频率、散热效率高等特点，他可以集成在二指夹爪等多个执行末端。

此外，机器人还需要一个非常灵巧的操作终端，所以我们有一个含触觉传感器的灵巧手——多维触觉感知五指灵巧手DM-Hand1，在指尖上集成了我们毫米级的视触觉传感器。

我们还有含触觉信息的数据采集系统DM-EXton，就是最开始提到的把人类的感官信息、动作数据都采集起来的系统。以上是我们现在在研和在卖的这三个核心产品，实现机器人“感知-操作-学习”全链路贯通，围绕这个产品系列采集到的数据，我们希望训练出一个对于某些行业场景有用的数据采集系统，真正地被应用到各个行业中去。谢谢大家。

李倩：大家好，我是李倩，我是Zadig的创始人，我们做的领域是AI驱动的，开源云原生的DevOps平台，云原生和开源这几年一直是技术圈的热门话题，但对我们来说，更重要的是离客户的业务更近。像你平时点的奶茶、开的新能源车，甚至很多生活场景背后，其实都有 Zadig 在默默支持。现在 AI 已经走进了大家视野，我们团队也一直在关注怎么把 AI 真正落地到 DevOps 场景里。

很高兴今天有这个机会，能和大家一起聊聊这个话题。

徐翀：大家好，我是葱花投研的创始人徐翀，我先简单介绍一下，我们应该是今天AI领域里面最垂类的，因为我们是专注于新兴的REITs领域，这是目前的不动产基础设施基金，可能因为中国有REITs大概也是从2021年才开始的，新兴的金融品大家未必这么熟悉，我们也是看到传统的行业中有比较大量的不动产基础设施。它是一个非常传统的行业，我们公司是专注在这个行业的投研，应用很多AI的技术，包括说一些reg的提取等等，把传统的金融投研大量的用AI去提升它的效率，包括做一些量化。这个是我们公司目前主营的业务。

昝仲阳：徐总刚才讲他们是最垂直的，AMD作为处理器生态位应该是最上游的了，AMD是高性能与自适应计算的领导者，我们有一位很有名的华人的CEO叫苏姿丰苏博士，我们国人亲切的称她叫苏妈，在整个行业里面造就了很强的影响力。我们不仅仅是在大家熟悉的游戏领域的显卡方面有很多积累，其实我们大家可以接触到的掌机游戏机、PC，还有边缘计算的工作站，还有我们的数据中心的服务器里面的CPU和显卡都有我们对应的产品在。AMD应该是全世界很少有的能够覆盖云边端所有算力场景的计算引擎的这么一个公司。希望能站在我们处理器角度，联合上下游的生态合作伙伴一起在AI领域相互成就，共同超越谢谢大家！

逄大嵬：大家好，我是来自ChatExcel的逄大嵬，我们是来自北京大学的一个团队，我们产品就是做表格处理，通过聊天的方式可以解决Excel和数据分析问题。因为在座的各位平时工作中经常离不开办公三件套，写文档，另外一个做表格，但做表格的时候遇到最大的挑战是说记不住函数，也记不住公式，所以很多时候做起来非常麻烦。我们产品23年就上线，我们是国内第一款通过AI的方式处理Excel产品的，目前在国内的用量也是排名第一，我们算是完全原生的AI智能体产品。接下来这个月大家能看到，如果用华为手机、联想电脑上面都会接入我们的产品，所以接下来大家日常中都会看到这个产品，我们产品的名字叫ChatExcel，我们的入口也就ChatExcel.com，所以大家直接可以访问了。所以我们是一个智能体方式来处理整个的数据，所以我们会跟像那些插件类的会有很大区别。我们是通过思维链的模式来去处理整个数据，所以我们从Excel到数据库数据到外部数据的分析，我们都全部处理掉，所以说我们定位就是做数据智能体这样一个团队。

晋海博：感谢五位嘉宾的分享。大家可以看到，今天的嘉宾阵容非常多元且极具代表性 —— 从处理器研发、基础 Infra 软件，到 Agent 技术、具身智能关键零部件，各位在不同赛道的实践探索都积累了独特的行业洞察。

刚才各位在自我介绍中详细阐述了当前业务布局，接下来我们想分两步探讨：首先想了解各位在这波技术浪潮中对未来方向的判断，以及下一步的具体规划；随后也想和大家聊聊在业务推进中面临的实际困难与挑战。

我们分类一下，先请昝总从技术最底层开始分享，随后再请技术软件方向的嘉宾接力。

昝仲阳：先谈一下我现在从芯片厂商看到的，AI应用的形态和使用的人群到底需要什么样的硬件。比如说我们现在推广的AIPC，我们看到23年到24年是一个状态，24年到25年是另外一个状态，发展特别快。

简单举一个例子，24年我们自己在大中华区做了第一次AIPC的创新峰会，我们有很多应用伙伴过来，大家当时很多是WEBUI很DEMO的形式，大家仅仅过了一年，到了25年的时候，大家站在这个舞台的时候全是以成熟的应用形态展示出来，还是有比较成熟的商业模式的应用形态呈现给大家，发展特别快。还有我看到一点，也希望跟大家分享，包括ChatExcel也是我们很好的伙伴，我们处在双向奔赴的状态，我们自己的产品也在不断的优化、进化，基于我们的处理器的比如说终端侧，我们从原来跑7个B、8个B、14个B模型，到现在能跑70个B模型、235B模型，像我们在进化。应用厂商也在奔赴我们，他们在思考什么样的计算状态，AI算法能够更高效放在端侧，结合他们的应用给消费者交付一个最完整、完美的应用，我看到这么一个趋势就是大家都在双向奔赴。

李倩：技术人一直是最敢试、最早冲进去的一批，但往往也是第一波“死在沙滩上的”。大模型这波浪潮刚起来时，很多人做应用，看上去热闹非凡，但很快就发现，真正能跑通的不多。我们做的是“软件背后的软件”，也就是工程师背后的平台，这让我们对趋势感知特别敏锐。GPT-4o那次发布，我印象特别深，对我们团队来说是个分水岭，我们实现了第一个可用的产品Pilot。但更让AI推向前所未有的高度是DeepSeek大模型的推出，这一年多国内的发展变化是非常大的。更多看到的是技术人的狂热，还有甲方、投资人各自的焦虑。

但到了现在，现实是：落地仍然不容易。尤其在企业级软件领域，真正“惊艳”的应用还不多。C端、营销、制造、消费这些方向稍微好些。像我们服务的一些客户，比如霸王茶姬、极氪汽车，他们也在积极探索AI到底该怎么用。

现在大家共识是：AI确实是个好锤子，不是以前那个“看着性感但没处用”的玩具。但到底敲在哪根钉子上，需要上下游共同去试、去找场景、去验证价值。

晋海博：请两位做Agent的厂商分享。

逄大嵬：如果说发展趋势，因为我们是23年3月份就上线了，我们应该算是国内第一批做应用的产品了。因为GPT也就是22年才出现，所以我们上线之后用户量非常高，我们发展两年，完整经历从一个免费版的C端产品到去年年底开始做商业化。从在中国来做C端的AI应用，一个小团队我们其实不到10个人，我们从免费到收费，这个过程就带来了对产品的定位的思考以及需求的把握。

另外一点，我们从去年到今年还经历了从C端的应用到B端的应用，今年有大量的这种B端客户的应用，因为大家会从最开始尝鲜的这种玩法，试一试，到今天开始真正解决问题。因为让用户掏钱，我们觉得判断趋势很简单，用户是不是真付费，是不愿意掏钱，包括B端用户是不是真的来采购，这种进来之后这个趋势才是真成立了，这个时候就能判断出来说用户要的实际上是真解决问题的工具，而不是说玩一玩、乐一乐这种闲聊的东西。

所以像我们产品，因为我们产品是围绕Excel数据展开，所以用户解决问题必须100%准，但凡处理不准确用户就不会用。第二点用户要什么？处理的类型要多，从文件类型数据化到数据类型。第三点就是安全，像我们跟AMD跟这些硬件厂商就用户要解决问题点，我要解决数据安全问题，所以从我们角度看这个趋势也非常明确，用户解决问题越来越具体了，而不是像越来越泛了。第二点是要求解决得很准确，而且很安全，这个是我们看到的一个趋势，也是目前因为我们定位是数据智能体，也是我们赛道一个走的方向。

徐翀：大家好，我们是唯一最终终端到非常现实的应用场景的公司，我就简单谈谈我们行业遇到的一些问题，因为我们行业原来是一个数据量比较少的，像不动产基础设施，它可能比较多是依托资源型的，所以有形的数据，包括说因为REITs行业只有三年，它本身不存在一个数据基础。我们在这个过程当中遇到的问题是，怎么样在一个比较实体的行业中把它更加数据化，包括说更加AI化的能够去做很多的有价值的投研分析。

这个过程中，我觉得我们遇到的刚刚晋总也提到过。原来你做传统投研非常的辛苦，但是现在因为有层出不穷迭代的AI应用，我们相当于是借助外力的很多AI应用工具，我们最终端的工具相当于浮在一些AI浪潮上，不断的去更迭新的AI中间层工具。这个对我们最终端的一些应用软件来说，我觉得是一个趋势，也是一个挑战，就是怎么用好这些疯狂迭代的新的AI工具层，也是未来除了传统的普通工具应用之外，到达最终端的客户之间在垂类领域，也是需要像我们这个类型。能够解读客户的需求，但同时我们又能用好AI工具，这样的一类的公司，这个我觉得是一个难点，也是一个机会。

段江哗：机器人行业在过去一两年内非常火热，激起了大众的热情，大家非常希望能够看到人形机器人能够来到物理世界，帮大家端茶倒水，打扫家务，做饭等等。

但是经过一年多的发展，大家开始发问，机器人到底能够干吗？我们跑客户的时候，客户问机器人能不能在我们工厂里面稳定运行8小时，这是非常残酷的需要面对的问题。

整个赛道发展到今天，我们可以看到它极具前景的未来，但是它在落地的过程当中肯定会遇到非常多的问题，大家可以看到我们这一波具身智能的创业者，大家都非常年轻。（机器人与具身智能的落地）核心点在于，需要有一帮有冲劲、有学识，愿意跟产业方、投资方共同推动产业落地的人存在，才能够真正把事情干成。

作为从业者，我发现尽管这两年外界有不同的声音，但无论是市场还是技术的迭代，都是非常快速的，这让我们非常欣喜。我经常跟我们的同事交流说，要拉长时间线来看，这个行业会遭到一些质疑，但没有关系，我们已经看到可实现的路径，哪怕它会长一些或者曲折一些，但是它终究会到来。在过去两年受外界瞩目再到质疑，这些都是经历，也需要多一些耐心。

晋海博：我们刚才探讨了商业化话题，欣喜地发现AI领域确实存在不少切实可行的落地机会与场景。大家也都提到了“商业化落地”这一关键命题。不知道各位是否注意到，这波AI浪潮带来的创业节奏与上一波移动互联网时代大不相同 —— 浪潮初起时大家满怀热情，想着大干一场，但真正入局两三年后会发现，如今市场对商业化变现的期待值极高：过去移动互联网创业能容忍多年烧钱，现在若再拖两三年仍无法变现，投资人便难以接受，创业者和股东都更追求快速落地。

基于此，想请各位分享从0到1冷启动、直至拿下第一笔订单的商业化经验，包括踩过哪些坑、如何缓解商业化焦虑等。还请段总先分享。

段江哗：机器人跳舞跳得那么好，打拳打得那么好，为什么给我捡个鞋子或者打扫房子那么困难。坦白来讲，在最近一两年时间内，商业化进展确实有可喜之处。

我们可以看到有很多的应用场景的机器人在逐步落地，比如说，我们有一些合作伙伴做拣药，你们在美团上买的药很可能是机器人给你们分拣的，最后给到快递员送货。

也会有一些工业的应用场景，金属模具在打磨的过程中会产生非常多的铁屑，因此工人一进入，就要戴防尘面具。

通常愿意从事这个职业的人，只有30-50岁左右的人，这个年龄阶段的人有家庭的压力，即使会患上职业病，但因为薪资高，也愿意承担这样的工作。

这种场景也有一些已经落地了，机器人学会这些操作技能以后，它可以替代人类完成人类高危的场景，确实是在改善人类的生活。与此同时，原有做打磨的这些工人他可以在监控室里观察，遇到问题的时候，他可以去临时地处理。所以机器人只是还没有来到人类的生活中这么复杂的场景，它在一些特定的场景或者一些相对比较结构化的场景，已经有很好的落地，我们相信结构化场景完成的事情越来越多，慢慢走向通用化的场景，它的应用场景会越来越大。

刚才还有一个问题怎么变现？很明显它要真正实现人类的期待还有很长的路，但是逐步实现某些场景的需求是比较快的。比如说，在工业的应用场景里面，机器人无法把一个人上班以后一天干的活全都做完，但它可以干工人最核心的几个工作，比如说在产线上面的装配工。

又比如大家住酒店，酒店里面会有清洁工人。清洁中最占工人工作时间的可能是打扫洗手间。那么打扫洗手间的部分就可以让机器人来完成，清洁工人负责整理房间。机器人把厕所打扫完后，哪怕厕所只能打扫80%-90%的清洁程度，清洁工人最后收尾，就非常好了。所以我觉得阶段性的落地非常有应用场景，只是需要大家找到这样的场景。

我们非常欣喜看到已经有部分的同行已经落地了，场景落地能够带来营收，也能够带动技术迭代的方向和场景，这是非常可喜的事情。

李倩：我倒是有一些不同的看法，刚才大家谈到AI落地的问题，我认为，AI应用的关键不在于“凭空创造一个场景”，而在于“数据在哪，AI就在哪”。作为技术人或者软件提供者，我们该思考的是：数据在哪，我们的价值就在哪。大模型算法发展至今本身已经相当成熟，但很多人试图用AI去“冷启动”一个全新的需求场景——这是很难的。比如衣食住行这些刚需场景容易接受新技术，但企业级（To B）领域，真正的机会其实藏在已有系统和流程中。两年前我就开始关注“AI 会不会干掉程序员”这个话题。那时候，技术圈普遍焦虑，觉得工程师会被替代。但软件工程其实是一个复杂系统，它不像写一段代码那么简单，很多问题要一个环节一个环节地逐步突破。一开始我也想做 AI Coding，但很快就意识到：这类通用能力一定是大厂来做的，免费且做得好。我们作为创业者的机会在哪？后来我意识到——与其冷启动一个新场景，不如“热启动”我们现有的业务场景。自己先用起来，自己先变成一个智能体。

我们开发了 Zadig Pilot，第一期效果一般，但到 DeepSeek 出来后，微调效果提升巨大，甚至在某些场景下比我们人自己更强，服务客户时的精准度和效率显著提高。这是一个很好的起点。接下来我们做了系统梳理：现有业务中哪些环节AI 能带来真实价值？不是为了“用AI而用AI”，而是看它能不能成为一个高杠杆的工具，真正提升商业效率。比如我们一直关注的 MCP 协议，它背后的思路就是：企业怎么从原来的服务（Service）走向 Agent，再走向智能体，最终实现内外互联的智能系统。这是我们To B领域看到的一条清晰路径。商业化方面，目前确实有挑战。客户会问：“能不能帮我省几个人？”这种问题其实很难直接回答。我们更倾向于把AI作为一个引子，比如说新版本集成了 AI，客户会因此更愿意尝试。这其实是解决市场获客问题的好办法。我们也是国内首个深度集成 DeepSeek 大模型的平台之一。AI版推出后，我们的下载量提升了10倍，说明客户的兴趣非常高，但也必须承认，现在 AI 还不是客户付费的直接理由。它更多是提升信任、形成粘性的一种方式。

To B 的商业化确实需要时间，可能是半年、一年，甚至更久。如果现在有人说 “AI 一上来就能带来很高的 ROI”，我认为这并不现实。

是的，市面上确实有极少数一开始就实现盈利的 AI 公司，但那是特例。AI 的到来，不是用来解决商业模式的本质问题的。它更像是你最强有力的扳手或杠杆，用得好可以撬动效率、放大价值，但它本身不是业务本身。如果你的商业模式不成立，AI也救不了你。

最后也非常感谢华泰，参加他们的 AI 创新营让我认识了很多志同道合的朋友，拓宽了视野，也深入到了更多行业的真实场景里。AI落地不是靠空想，是要做脏活累活，真正把上下游场景打通。所以也希望我们在交流中能不断协同，把AI真正落到实处。

晋海博：我觉得徐翀同学不一定能同意你的观点，至少你说的基础模型已经足够强了，她可能不一定同意。

徐翀：对，我们的商业化比较特殊，我们没有完成产品已经商业化了，我们的路径是比较特别的，可能也简单分享一下我们这家公司做起来的历程。因为我可能是在座唯一一位不是技术背景出身的，我是做二级市场投资和一级市场投资出身的，所以我的代码是后面学的。在这个过程中，我先写了三年的比较深度的我们REITs行业的从投资人视角出发的公众号。在这个过程中我获取了大量的B端的深度投资的客户，同时因为要一边上班，一边做副业，所以我不得不用AI实现，我先完成一个DEMO，DEMO过程当中我比较欣赏这个行业，大家都没有怎么听过REITs这个行业，我想如果商业化我们应该怎么办，我们思考谁有支付能力，想到头部的保险，包括券商自营以及基金理财子，包银行理财子，我只有在B端获得溢价之后，我的东西才能商业化。

所以在这个过程中我是不得不用AI，因为我要节省效率，所以在这个过程当中我是先满足了需求，因为我觉得需求跟行业Know-How是本质的商业的底层逻辑，AI是它的工具。所以我觉得如果说大家的行业是更加垂直的，更加偏应用型的，其实行业的Know-How仍然是占据了80%，20%我们去follow住这些应用，这也是我个人觉得未来可能大家定位在AI的不同的一个知识上，商业化的考虑是基于你有满足什么样的需求，或者你有什么样的能力再去做这样一个撮合。

晋海博：请昝总分享一下，你虽然不是创业者，但在AMD也有很多观察，也和大家分享一下。

昝仲阳：谈到商业化的话题，看似我可能离得是最远的，但是我相信我和在座的其他所有人一样甚至更希望大家做商业成功，AMD希望通过AMD市场上面的资源和我们的能力，帮助整个产业链下游成功，这也是变相AMD的成功。

包括最近两年来跟创业应用伙伴在一起我们做的事情，首先，AMD在自己内部有一个共识，AI是近50年来最具变革性的技术，我们会把AI认可是公司战略级的方向，所以我们在大中华区会尽可能帮助优秀的AI应用，让他们商业成功，我们希望告诉大家的是，所有的优秀AI应用伙伴，你们不是一个人战斗，我们特别希望你们商业成功。

我们自己做了自己的应用创新联盟，我们吸纳很多优秀的行业伙伴，应用伙伴，当然不仅仅是应用伙伴，也包括像中间层推理引擎加速，或者是一些算法的优化这些偏中间层的伙伴都会在我们联盟里面。我们会希望通过结合客户的资源，为我们的应用伙伴提供这样的合作机会。还有一点，AI在中国的发展真的是太快了，而且我现在会收到我们海外的同事的应用合作需求，我们也会带着对海外业务感兴趣的应用厂商，借着AMD在海外的平台一起为大家做一些商业拓展，这些都是我们近两年经历过的事情。所以，我们希望通过AMD的生态，AMD品牌市场，各方面能做到的为大家提供舞台，提供商业的资源，让大家商业成功，最后我们也会同超越，共成就。这是我的看法。

逄大嵬：我觉得商业化真的跟商业时代不一样，商业时代都是免费，现在都说商业化。我觉得第一，挣钱不丢人，第二个是我觉得钱很难挣。赚钱永远是少数的，包括这一波里面做应用来讲，大家做商业化，不管做机器人，做芯片，你发现AI里面都在做商业化，只是说每个团队的出身不一样，背景不一样，还有团队的基因也不一样，决定了每个团队对于商业化的思考不一样。从我们角度看说，因为我是个连续创业者，一直之前做toB，现在做toC，再做toB，我觉得AI里面商业化机会非常多。今天这个时代，AI这里面根本不缺需求，菜市场的用户也能提AI的需求。但是适不适合做？不一定适合做。对我来说AI技术出现之后适合去把它商业化吗？这个还是要思考一下的。还有思考点在于说，你这个团队到底怎么定位自己，你是今天拿AI技术去做一个生意，还是做一个产品，你是做toC的还是做toB的，这个事情还是非常关键的。因为今天拿AI做项目非常多，咱们身边卖机器的，卖课程的，卖AI大模型的就装机器的，你发现都能赚到钱。但是背后逻辑商业化还是要思考清楚，如果做生意这个很好做，但做成产品类的，成为一个很好的产品公司，这个还是很有挑战的。永远面对着大模型自己做了你怎么办？大厂做，你怎么办？所以这些问题永远会存在的。特别是AI方向是更是所有的大厂必须做的一件方向，对于新团队来讲，创业团队这个问题必须每天回答出来，你的壁垒在哪里？

像刚才几位讲，我觉得壁垒从我们角度看，第一是做的很细分，第二很垂，还有一点就是拼速度，三方来讲做AI应用没别的，我觉得就拼速度，拼你的战略定力，拼你的执行力。技术没有什么壁垒，已经看到从DeepSeek到Manus已经证明这件事情了。拼的就是速度，对应商业化过程里一定要做商业化，是因为还要看自己团队的背景，你不做商业化，资本环境不好你怎么活下去？因为我觉得创业者很重要的一点，回答的问题是不是能活下去，是不是能走下去。跑得快一点重要，但是跑得更长还是更重要的。所以我们的观点就是像我们从C做到B，其实我们拿的都是真需求，用用户付费的需求来验证这个需求是不是真实的。

所以我觉得商业化很简单，跟用户走得近一点。像我每天就是我们公司一号客服，今天用户找到我们公司加客户微信加在我身上，我就是一号客服，我就是每天接触到我们客户，跟我们B端客户来交流，所以我拿的是真实需求，所以说你怎么商业化？很简单，真实需求在哪里？你是不是把它转化出来，如果转不出来，这件事情可能就要思考一下是不是适合做这件事情了。所以我觉得商业化是必须做的。而且这件事情对今天这个时代是个好时代，因为需求无限多，你只是在做选择题，你只是把选择题做对了，所以这个事情我觉得是个很好的时代了。

晋海博：最后还有一点时间，我们来做个简短调研。请四位创业者用一句话说说，在这波AI创业浪潮中，目前最需要的外部支持是什么？无论是产业投资、孵化服务还是生态资源，我们想听各位谈谈当下最迫切的需求。请每位用一句话分享，谢谢！

逄大嵬：创业团队要钱，要人，要粮，要增长。

晋海博：太直接。

徐翀：我们可能需要更多的泛化或是能深入到更后端的应用支持，可能因为我们是更终端的，所以我们可能希望有包装得更好一点的中间层工具，这是我们目前最需要的。

晋海博：我以为你会说需要我们多开发点场景给到你们。

徐翀：肯定是需要的，需要有这样的见识能力和资本能力的机构，谢谢。

李倩：我们其实特别需要复杂但低成本的 ToB 场景。为什么强调“低成本”？因为像我们这样的创业团队，真的经不起长周期、高投入的验证。举个例子，比如像华泰这样愿意开放场景、愿意和我们一起打磨产品的机构，就特别重要。国内很多大厂也想做，但对于他们来说，“让你进厂试”可能成本不高；可对我们创业者来说，光“等”这个流程就已经耗不起。

所以我们会倾向于选择那种两三周内就能快速决策、听得懂这个逻辑、也愿意为这个逻辑买单的合作方。比如新消费品牌，它们反应快、组织灵活，是非常适合试点的合作对象。而一旦进入金融、能源、制造、央国企这些传统领域，它们虽然体量大，但决策周期长、验证成本高，即使你在互联网巨头那里跑通了，也不一定能快速复制到这些单位。这对初创团队来说太难了。当然，我们不是说不要合作，而是说如果要验证，就要给相应的资源——包括人力配合、数据开放，甚至一定的费用支持。最怕的就是“白嫖式试点”，对初创公司打击很大。所以我一直觉得，我们最需要的是有真需求、有配合度、成本可控的试验田。AI 的落地不是拍脑袋想出来的，而是需要一个又一个真实场景去碰撞、去打磨。在这个过程中，我们才能真正创造出有价值的产品、智能体，甚至是下一代的用户体验。

晋海博：你属于被上一波toB创业的大客户给伤过。

李倩：是的，所以当前AI和出海这两个新的思路我们也都在做，也希望更多有想法的伙伴一起探索一线的AI场景。

段江哗：现在这个赛道，从我的角度讲，是天时地利人和，我觉得人和非常重要。现在AI在这个技术的浪潮中是已经占据了天时，地利，国家非常支持，像在杭州、深圳、北京、上海等多个城市都非常支持。现阶段人是很紧缺的状态，尤其是AI人才，前段时间有人发表言论说，中国核心的大模型人才不到1000人，这是非常让人震惊的，所以我觉得当下最重要的还是人。

晋海博：今天正好时间也到了，我们今天的分享就到这，非常感谢各位的精彩分享，谢谢。