2022 年底，大模型的浪潮才剛剛涌動，楊勁松捕捉到了一個即將爆發的未來機遇。

" 全中國，真正親手訓練過大模型的人不超過 100 個，而能將模型應用到生產環境中的人，也不超過 1000 個。而未來，每個企業都需要這項技術。" 楊勁松說，這個數字鴻溝，可能裂變出一個超級機會：企業智能體。

正是這份對趨勢的敏銳判斷，這位曾在埃森哲、亞馬遜、飛書和阿里達摩院歷練的專家，毅然選擇跳出大廠舒適圈，投身到創業洪流。

2023 年 6 月，他創立未來式智能，核心愿景清晰而堅定：通過智能體，讓全球 10 億的知識工作者可以十倍效率地工作。過去 2 年，未來式智能完成 3 輪融資，今年更是連融兩輪，成長速度備受矚目。

在鉛筆道與楊勁松的本次對話中，他分享了智能體的多個超級機會，以及未來式智能如何以差異化路徑破局。

1、企業級智能體（AI Agent）是普適性需求？

對，每個企業都需要。

2、哪些垂直行業是破局機會？

能源（如電網）、金融等行業需求剛性、付費能力強，且業務復雜度高，適合智能體優先落地。

3、智能體怎樣解放企業生產力？

不是替代人類，而是通過 " 流水線 " 重構知識工作流程：AI 處理標準化任務，人類聚焦關鍵決策，實現效率指數級提升。

4、用具體行業舉個例子？

打造體育內容智能體，AI 工作流程為：自動抓取海外賽事資訊→翻譯 / 打標簽→生成多版本標題與內容→人工審核選擇。將內容生產從 " 數小時 " 縮短至 " 分鐘級 "。

5、智能體怎么賺錢？

避免掉入軟件付費陷阱，應追求按效果 / 結果付費。

楊勁松，未來式智能創始人

聲明：訪談對象已確認文章信息真實無誤，鉛筆道愿為其內容做信任背書。

01 2022 年底：企業級智能體機會出現

鉛筆道：未來式智能近期完成數千萬融資，業務也發展迅速。能否和我們聊聊，是什么樣的契機和判斷，讓你在智能體這個概念還處于萌芽階段時，選擇了這個方向？

楊勁松：我比較熟悉企業級（ToB）市場，這為我的判斷提供了基礎。

我畢業于北京大學元培實驗班，主修計算機方向。畢業后，我沒有立刻投身純粹的技術研發，而是在埃森哲咨詢公司工作了六年。

那段時間，我主要幫助一些大型企業（國家電網、中石化、中石油等）做 IT 戰略規劃和落地應用服務。

這段經歷讓我理解了大型企業的運作邏輯，它們的痛點，以及一項新技術要真正在復雜的業務流程中扎根，需要克服多少挑戰 —— 這不是單純的技術問題，而是 " 技術 - 業務 - 組織 " 的協同問題。

鉛筆道：所以，你既懂技術，又懂商業和戰略？

楊勁松：可以這么說，每一段經歷都在完善我的能力閉環。后來，我去美國康奈爾大學讀了 MBA，畢業后加入了西雅圖的亞馬遜 AWS。

當時我負責一款名為 Elastic Beanstalk 的 aPaaS 平臺產品，把它做到了年收入 2 億美金的規模。在亞馬遜的經歷，讓我學會了如何構建和擴展一個復雜的、平臺級的技術產品。

再后來，字節跳動在北美招人，我便回國加入了飛書團隊，擔任產品委員會副主席，負責 AI 搜索和用戶增長等模塊。

也正是在飛書，我開始深度接觸 AI 的能力，盡管那還是我們所說的 " 小模型 " 時代，但我們已經在產品中集成了許多 AI 功能，這讓我提前感知到人工智能對 " 協作效率 " 的顛覆性潛力 —— 這種潛力不是替代人，而是重構人的工作方式。

鉛筆道：后來你又去了阿里達摩院？

楊勁松：對，因為我始終渴望更深入地推動人工智能從 " 實驗室技術 " 走向 " 產業價值 "。

恰好達摩院當時在尋找一位統籌型的產品負責人，我的職責就是將實驗室里那些最前沿的技術，與真實的行業場景結合，把它們封裝成產品，再通過阿里云的渠道進行商業化售賣。

正是在達摩院，我真正開始接觸大模型。

其實早在 2021 年，當時大模型遠沒有現在這么火熱，我就在阿里云的大會上發布了國內第一個千億規模參數的大模型，并開始用它為電商、電力、醫療等行業提供服務。

鉛筆道：決定自己創業的 "Aha!" 時刻，是什么時候出現的？

楊勁松：那個時刻出現在 2022 年底到 2023 年初。我們看到了一個巨大的、結構性的機會。

當時我們做了一個關鍵判斷：在 2023 年初那個時間點，全中國真正親手訓練過大模型的人，不超過 100 個。而真正把模型應用到生產環境里的人，不超過 1000 個。

但與此同時，我們堅信，未來每個企業都需要將大模型技術應用到自己的生產流程中去。

這個巨大的認知和能力鴻溝，就是我們的機會。

我們想做的，就是創造一個產品，能將企業使用大模型的門檻降到極低，讓每個人都能輕松地把這項強大的技術用起來。

基于這個思考，我們最終定位到了 " 智能體 " 這個賽道。

鉛筆道：所以，智能體是你眼中的那個大機會？

楊勁松：是的。2023 年 6 月我們成立公司時，智能體的概念還只是一個萌芽，遠沒有今天的熱度。但我們認準了這個方向，判斷存在機會，果斷投身其中，成為了國內第一批深耕 Agent 領域的公司。

更重要的是，憑借快人一步的技術布局，我們已深度參與工信部關于智能體平臺行業標準及智能體之間通信協議標準的起草工作 —— 這不僅是先發優勢的體現，更是行業對我們 " 智能體落地路徑 " 的認可。

02 誰先需要智能體？能源、金融賽道

鉛筆道：2023 年，當你們作為先行者進入這個領域時，當時最大的挑戰是什么？畢竟，巧婦難為無米之炊，智能體的能力很大程度上取決于底層大模型的能力。

楊勁松：你說到了問題的核心。那個時候，最大的挑戰確實是底層大模型的能力不足，尤其是國產模型。

智能體要完成復雜的任務，最核心的是推理能力。

而真正具備強大推理能力的大模型，可以說直到 2024 年下半年，隨著 OpenAI 的 GPT-o1 和 DeepSeek R1 的出現，才算真正具備推理的能力。

在那之前，大部分模型去做人類通用智能測試，得分只有十幾分；而具備推理能力后，這個分數可以達到 60 分以上的及格水平。

所以，在 2023 年做 Agent，底層模型的短板是現實存在的。

鉛筆道：面對這種不完美的底層能力，你們怎么應對的？

楊勁松：我們不能坐等模型完美。

早期的策略是，聚焦在一些非常細分的垂直場景里，通過大量的工程化方法和對業務流程的理解，主動彌補模型能力的不足，讓 Agent 在特定場景下率先可靠地工作起來。

比如在電力行業，我們不只是簡單用 AI 做負荷預測，而是通過智能體重構預測 - 調度 - 反饋全流程，讓 AI 不僅輸出數據，更能聯動業務系統生成可執行的調度建議。后來，隨著國產模型能力提升，加上我們探索的上下文工程（Context Engineering），Agent 的應用邊界快速拓展，能切入的市場盤子也變得更大 —— 這也證明，我們的核心競爭力不是 " 依賴底層模型 "，而是 " 用智能體重構工作流 "。

后來，隨著國產模型能力的快速發展，以及我們探索的新思路（通過強化學習等方式），Agent 能做的事情才被大大擴展了，我們能切入的市場盤子也變得更大了。

鉛筆道：很多 AI 公司都有一個 ToC（面向消費者）的夢想，但你們從一開始就選擇了 ToB（面向企業）的道路，這是出于怎樣的考慮？

楊勁松：這其實是一個基于 " 技術落地規律 " 的務實選擇。

任何一項新技術，在早期階段都必然伴隨著不成熟和高成本。對于 C 端用戶來說，他們通常不愿意為這種不成熟去付費，這會導致產品在很長一段時間內都無法獲得好的商業回報。

而 B 端的邏輯不同，許多大型企業對于新技術有探索和驗證的需求，它們能夠接受一定程度的不成熟，也愿意為新技術下的創新方案投入資源。

所以，早期從 ToB 切入，能讓我們快速驗證商業價值，實現公司健康成長，為后續拓展奠定基礎。

鉛筆道：這是否意味著你們放棄了更廣闊的 ToC 市場？

楊勁松：并不是。這只是 " 先夯實根基，再邁向愿景 " 的路徑選擇。

我們公司的愿景，是 " 讓全球 10 億的知識工作者 10 倍效工作 "。這個愿景的終點，最終還是落在每一個獨立的個人身上。

我們私下里有一個更感性的口號—— " 消除那些無聊的工作 "。我們每天都在做大量的 paper work，機械性地收集資料、整理信息，我們希望把這些煩人的任務都消除掉。

ToB 是我們通往這個愿景的堅實橋梁，通過服務企業積累 " 重構工作流 " 的經驗，打磨智能體平臺的核心能力。

鉛筆道：談到 ToB，你們最早的標桿客戶之一是國家電網。在很多人看來，國央企通常比較傳統，決策鏈條長。為什么會選擇這樣一個看似 " 難啃 " 的領域作為突破口？

楊勁松：外界可能對國央企有些誤解：他們沒有那么傳統。

實際上，現在的國央企在很多技術領域都比較領先。舉個例子，中國申報專利數量第一名的企業，就是國家電網，甚至遙遙領先于很多我們熟知的科技公司。這足以證明他們對新技術的開放和擁抱態度。

鉛筆道：在賽道選擇上，為什么優先考慮能源？

楊勁松：他們有需求，有買單能力。

從商業角度看，我研究過幾乎所有 AI 上市公司的財報，發現它們收入占比最大的板塊，無外乎是能源和金融。

我在阿里云時，18 個行業里，收入體量最大的也是電力行業。簡單來說，我們要去魚最多的地方捕魚。

另一方面，這和我之前的經歷也直接相關。

在達摩院時，我曾從 0 到 1 創建了一個名為 " 綠色能源 AI" 的賽道，當時國家力推 " 雙碳 " 目標，新能源的引入給電網帶來了巨大的穩定性挑戰。

我們當時就利用人工智能技術，去做負荷預測、新能源發電預測、電力調度優化等工作，這些技術得到了電網的高度認可，他們也愿意為此付費。

這段經歷讓我知道，電力行業不僅有真實且復雜的 AI 應用場景，更有為之買單的意愿和能力。這對于一家初創公司來說，是再理想不過的客戶了。

未來式智能業務矩陣

03 AI 如何解題？將手工坊變成流水線

鉛筆道：你曾多次提到一個非常生動的比喻：智能體之于知識工作，就像流水線之于工業生產。能否為我們深入解讀一下這個理念？

楊勁松：這個類比是我們思考的核心。

回顧工業革命，電力的發明并沒有立刻帶來生產力的巨大飛躍。真正的變革發生在幾十年后，當工廠主們不再是簡單地用電動機替換蒸汽機，而是圍繞電力的特性重新設計了整個工廠的布局和生產流程，最終誕生了福特的 T 型車流水線，效率才實現了指數級的提升。

我們認為，大模型和智能體也是同樣的邏輯。

它們是底層的、革命性的新 " 電力 "，但要釋放其全部潛能，就必須與現有的工作流進行深度整合，甚至重新設計這些流程。我們正在做的，就是為知識工作者打造這條新時代的流水線。

鉛筆道：聽起來，這不僅僅是工具的更替，更是工作范式的革命。能否通過一些具體的案例，讓我們更直觀地感受這條 " 流水線 " 是如何運作的？

楊勁松：當然。我們有一個客戶是一家港股上市公司，它的核心業務之一是在 APP 上售賣體育賽事的競猜分析方案——告訴你這場球該怎么買。

鉛筆道：這聽起來像是依賴于少數資深專家的 " 手藝活 "。

楊勁松：完全正確。在過去，這完全是 " 手工坊 " 模式，依賴雇傭的行業專家，或者說 " 老彩迷 " 們一篇篇寫出來。

這種供給方式有兩個天然的瓶頸：第一，產能有限，專家的數量和時間是固定的；第二，不穩定，專家可能自己去看球了，內容就斷供了。他們的商品就是方案，但商品供給卻非常受限。

鉛筆道：那么，這條 " 流水線 " 是如何改造這個 " 手工作坊 " 的？

楊勁松：我們首先解構了專家們的工作流程。一個專家寫稿，通常分幾步：先去 ESPN 這類海外體育資訊網站，把最新的新聞報道找來；然后用機器翻譯一下，從中提取關鍵信息，比如哪位球星傷停了，有什么動態；接著基于這些信息起幾個吸引人的標題。

最后，按照幾種固定的寫作套路或模板，把內容填充進去，審核后發布。這是一個典型的、可以被標準化的知識工作流程。

鉛筆道：智能體是如何介入并重塑這個流程的？

楊勁松：我們設計了一個人機協作的新流程。

現在，只需要輸入一個賽事列表，比如下周的德甲賽程。Agent 會自動去各大網站抓取相關資訊，然后像流水線上的工位一樣，自動完成翻譯、自動給文章打上標簽并存入數據庫。

緊接著，它會生成 10 個候選標題，這時，一位人類審核老師介入，從 10 個標題里挑出最好的一個。

標題一經確認，Agent 會立刻按照模板生成 10 版不同的內容，人類老師再從中選擇一版，或者稍作修改，點擊確認。

一經通過，這篇文章就直接推送到 APP 前端，變成一個可以售賣的商品了。

鉛筆道：我們也是內容工作者，聽起來還挺有用。

楊勁松：是的。整個過程從過去需要半天甚至更久，縮短到了分鐘級別。

更重要的是，

我們可以給 Agent 設定不同的人設，比如一個觀點保守的專家，一個特定球隊的鐵桿粉絲，讓它批量地、不知疲倦地生產各種風格的內容。成本大幅降低的同時，更讓內容供給從 " 有限 " 變成 " 無限 "，客戶的商品豐富度和營收都實現了顯著增長。

鉛筆道：這個案例非常生動。除了內容創作，在一些更嚴謹、更專業的領域，比如審計，智能體也能扮演同樣的角色嗎？

楊勁松：能，甚至能發揮更大的價值。

我們和上市公司 " 青矩技術 " 成立了合資公司，專門針對工程管理審計領域。

傳統的工程審計，比如審核鳥巢的建造成本，需要一個審計團隊派駐現場好幾個月。他們面對的是堆積如山的文件，從招標書、設計圖紙到施工記錄，只能通過人工 " 抽檢 " 的方式比對數據，尋找里面的偏差和問題。

這個過程不僅耗時耗力，而且人的精力是有限的，難免會有疏漏。

鉛筆道：那么，新的審計 " 流水線 " 是怎樣的？

楊勁松：現在，客戶只需要將一個項目所有的原始文件掃描后，打包上傳到我們的工作臺。

工作臺背后，是由幾十個甚至上百個不同分工的智能體組成的 " 數字審計團隊 "。它們首先會自動識別和分類所有文件，哪些是招標文件，哪些是設計文檔。

然后，從每個文件中提取出核心的待審計字段，這些 Agent 自動調用代碼、計算器、行業軟件等各種工具，開始自動進行比對和審查。

鉛筆道：這意味著，過去的人工抽檢，變成了 AI 的全量檢查。

楊勁松：正是如此。

工作一段時間后，Agent 會直接生成一份 " 審計線索 " 清單，告訴你：" 我發現了 50 個潛在問題。" 這時，人類審計專家才介入，帶著這份清單去和客戶現場確認，看這些問題是否屬實，如何整改。

所有問題處理完畢后，系統會自動生成審計底稿，并最終匯總成一份完整的審計報告。

一個原本需要 6 個人做一個月才能完成的百萬級項目，現在只需要 2 個人做一周，效率指數級提升。

更重要的是，AI 的全檢模式，覆蓋率遠超人工抽檢，并且每一個結論都有清晰的數據溯源和推理過程，大大增強了結果的可信度。

04 怎么賺錢？按效果付費

鉛筆道：這是否意味著你們的模式是為每個行業定制解決方案？未來，你們是想成為一家頂級的 "AI 解決方案公司 " 嗎？

楊勁松：這只是第一步。我們的終極目標，是構建一個平臺、一個生態。

我們發現，將一個人類任務轉化為一個高效的 Agent，是一個非常復雜且專業的工程。我們可以深入一兩個行業，把它做得很透，比如電力和審計。但世界上有成千上萬個行業，有無數擁有寶貴經驗的專家。我們不可能靠自己的團隊去服務所有行業，因此，我們的核心方向不是 " 做更多解決方案 "，而是 " 讓更多人能做解決方案 " —— 打造一個降低智能體構建門檻的平臺。

鉛筆道：所以，你們的思路是，從 " 授人以魚 " 轉向 " 授人以漁 "？

楊勁松：非常準確。

我們正全力打造一個名為 " 靈搭 " 的智能體平臺，它的核心目標，就是把構建智能體的過程變得極其簡單。

我們希望，未來任何一個行業的專家，哪怕沒有編程基礎，都可以通過我們的平臺，輕松地將自己的知識、經驗和工作方法，" 復刻 " 成一個智能體，一個屬于他自己的 " 數字員工 "。

鉛筆道：這聽起來像是一個為個人專家賦能的 "App Store"。

楊勁松：這正是我們的設想。

想象一下，這個平臺會形成一個雙邊市場。一端是企業客戶，當他們有需求時，比如需要審核一份法律合同，或者進行一次稅務申報，他們不再需要去尋找一個律師或會計師，而是可以直接來我們的平臺，雇傭一個由頂尖專家能力復刻而來的 " 法律 Agent" 或 " 財稅 Agent"。

鉛筆道：那么另一端，就是這些能力的提供者？

楊勁松：是的。另一端是無數的行業專家。

一個頂尖的公司法律師，受限于自己的時間和肉體，可能一年只能服務幾十個客戶。但通過我們的平臺，他可以把自己的辦案邏輯和專業知識變成一個數字員工，這個數字員工可以同時為成千上萬的客戶提供服務。

他本人或許只需要在最后對結果進行審核認證，就能將自己的專業能力大規模變現，突破個人生產力的天花板。

我們想做的，就是幫助每一個專家，把他們的技能變成一個可以自動賺錢的 " 數字專家 "。

鉛筆道：這個愿景非常宏大，但怎么賺錢是個問題。中國傳統的企業軟件市場，付費意愿不高，利潤微薄。你們如何避免陷入 " 賣軟件 " 的困境，讓這種高價值的服務獲得應有的回報？

楊勁松：這也是我們一直在思考的核心問題。我們必須 " 跳過傳統軟件的商業邏輯 "，轉向一種更本質的模式：按結果和效果付費—— 這是建立信任、實現價值閉環的關鍵，也是我們商業邏輯的核心創新。

我們不想賣給客戶一個軟件許可證，而是想賣給他一個確定的結果。比如，在審計的案例中，我們可以按你處理的文件數量收費，或者按生成一份有效的審計報告來收費。

鉛筆道：這更難了，因為你們要對交付的結果負責。

楊勁松：的確如此，但這恰恰是建立信任和實現價值閉環的關鍵。

傳統的軟件行業之所以陷入怪圈，是因為甲乙雙方的利益不一致。甲方壓價，乙方就用外包或粗制濫造來控制成本，最終導致企業用著大量不好用的軟件。

我們希望在智能體時代改變這一點。通過按結果付費，我們的利益和客戶的利益就完全綁定了。只有我們提供的 Agent 真正為客戶創造了價值，我們才能獲得收入。這種模式才能支撐我們持續投入研發，形成一個 " 價值創造 - 收入增長 - 技術迭代 " 的良性商業循環。

未來式智能——新一代企業級 Agent 平臺 " 靈搭 "

05 清醒看待差距，積極擁抱未來

鉛筆道：你如何看待當前國內大模型與世界頂尖水平，尤其是與海外的差距？

楊勁松：我認為我們既有優勢，也有非常嚴峻的挑戰。

優勢在于，中國有極其豐富的應用場景和海量的數據，這是模型迭代的沃土。同時，放眼全球，頂尖的 AI 研究者中，華人占比非常高，我們在底層算法和理論創新上并不落后。

但我們最大的劣勢，也是短期內影響最大的，就是 " 算力封鎖 "。

鉛筆道：這個影響有多大？

楊勁松：影響是決定性的。像馬斯克的 xAI，現在已經在使用 20 萬張級別的 GPU 集群進行訓練。

而在國內，能穩定運行的幾萬卡集群都屈指可數。當你的算力是別人的十分之一或者百分之一時，意味著別人訓練一天，你需要一百天。

在技術飛速迭代的今天，這種差距只能通過算法或數據上的幾倍的努力來彌補的。這需要我們有更清醒的認知和更大力度的投入。

鉛筆道：回頭看這兩年的創業歷程，有哪些遺憾的事情？

楊勁松：這是個很好的問題。如果說有什么遺憾的話，那就是我們可能 " 過于的現實或者腳踏實地 " 了。

現在市場上一些熱門的產品方向，其實早期都出現在我們的內部 Demo 或 POC 中。但當時我們覺得 " 要等產品更完美再推出 "，就沒有果斷推向市場。

現在回想，或許應該學習馬斯克那種 " 邊開飛機邊加油 " 的精神，憑借我們已驗證的技術實力和商業邏輯，即使產品有迭代空間，也可以更積極地推向市場，在真實反饋中快速優化 —— 這既能讓行業更早感知智能體的價值，也能更快爭取資源加速成長。

做 ToB 業務的人容易不自覺地把自己深深地 " 埋在土里打磨產品 "， 但未來我們會在保持產品精度的同時，更主動地發聲 —— 讓更多人知道，智能體不是 " 錦上添花的工具 "，而是 " 能重構工作流、創造核心價值的生產力革命 "。

鉛筆道：站在當前這個節點，展望未來，你認為在技術層面，最讓你興奮、也是你們正在全力攻克的關鍵問題是什么？

楊勁松：有兩個方向至關重要。

第一個是 Agent 的 " 記憶 "。就像一個跟了你很久的助理，他了解你的所有背景、偏好和工作習慣，因此他提供的幫助總是精準而貼心。

我們正在努力讓 Agent 擁有長期、動態的記憶能力，讓它對你的上下文有深刻的理解。擁有記憶的 Agent，它的好用程度將實現一次質的飛躍，從 " 工具 " 變成 " 真正的數字伙伴 "。

第二個是基于 " 強化學習的后訓練 "。我們判斷，未來在許多垂直領域，都會出現一個 " 最強 Agent"。

它最初可能只是復刻了某一個專家的能力，但通過在一個設定好的獎勵機制下，不斷地從真實世界的反饋中學習和優化，它會持續進化，最終超越任何人類專家。

來源：鉛筆道