重构 AI 时代产品法则！全球 40+ 行业领袖齐聚，2026 奇点智能产品大会破局“护城河”之争

作为大会开场嘉宾，奇点智能研究院院长、CSDN 高级副总裁李建忠发表了题为《Agent 产品创新的十个命题》的主题演讲。面对 AI 技术快速演进，他从底层逻辑、产品价值、设计范式、交互方式、商业模式以及技术边界等多个维度，拆解 AI 时代产品创新正在发生的范式变化，并提出重塑产品认知的十个核心命题：

1. 核心逻辑：从连接到计算。

2. 产品价值：从提供工具到交付结果。

3. 产品设计：从“流程体验设计”到“驾驭任务设计”。

4. 人机交互：Agent 占据人机交互第一入口。

5. 形态演进：Agent 时代，传统软件/App 不会消失，而是演进为即时软件与柔性软件。

6. 指标体系：从用户时长到任务完成。

7. 产品护城河：从网络效应到能力飞轮。

8. 商业模式：从广告/许可到结果/订阅付费。

9. 能力上限：Agentic Scaling（智能体扩展）的杠杆效应远未见顶。

10. 智能本质：Agent 正在从模式匹配走向真实的逻辑推理。

李建忠认为，理解 AI 时代产品创新，首先要认识底层逻辑的变化。传统互联网时代围绕“连接”展开，核心是解决信息与服务匹配问题；而 AI 时代则进入“计算”范式，核心是智能供给。过去是机器提供数据辅助人类决策，而如今则是人类提供上下文，让机器完成任务。

这一变化也重新定义了产品价值。传统软件时代，产品主要提供工具供用户操作，而 AI 产品开始直接交付结果。以 IDE、Office、Photoshop、CRM 等为代表的软件，本质上是能力工具；而 AI Coding、AI Office、AI CRM 则开始直接承担代码编写、文档生成、销售执行等任务。对此，李建忠表示，“AI 时代的产品经理，我认为他是智能劳动系统的设计师。” 相比设计功能和用户流程，更重要的是设计 Agent 如何理解任务、调用能力，并最终完成结果交付。

谈及产品设计的新范式，李建忠指出，AI 产品已经从 Prompt Engineering（提示词工程）、Context Engineering（上下文工程），演进到 Harness Engineering（驾驭工程），并开始迈向 Loop Engineering（循环工程）。他强调，这并非只是工程师的工作，而是产品团队与工程团队共同参与的系统设计。未来产品经理需要围绕 Agent 的完整任务链展开设计，包括上下文、记忆、技能、工具、沙箱以及评估机制，让 Agent 能够完成“知道、行动、反馈”的闭环。

在人机交互方面，李建忠强调，Agent 正在成为新的交互入口。用户通过自然语言提出需求，Agent 自主调用软件完成任务，软件也将从“Design for Human”转向“Design for Agent”。未来应用会进一步服务化、App 不再孤立，我们也无需结构化 UI。同时，传统依赖菜单、表单等结构化界面的交互方式将逐步演进为生成式 UI，根据用户需求动态生成更加个性化的交互体验。

针对“Agent 时代 App 是否会消失”的热门讨论，李建忠给出了否定答案。在他看来，软件基于确定性计算，Agent 基于概率性计算，两者将在未来长期共存。在这一过程中，软件形态也将发生变化，除了传统应用，还会出现“即时软件（Instant Software）”和“柔性软件（Elastic Software）”等新范式，通过 Agent 按需生成更加个性化的应用能力。他认为，这类软件虽然仍存在争议，但正如短视频曾颠覆传统影视行业一样，边缘创新往往孕育着下一代产品机会。

此外，李建忠指出，互联网时代围绕 PV、DAU、用户时长等流量指标建立的方法论，已难以衡量 Agent 产品价值。相比追求用户停留时间，Agent 更强调“用完即走”，真正重要的是任务完成率、单任务价值以及 Token 等计算指标。在他看来，AI 产品的护城河也正在发生变化。互联网时代依赖的是双边市场形成的网络效应，而 Agent 产品更依赖“能力飞轮”，随着记忆、技能、工具和反馈闭环不断积累，Agent 会越用越智能、任务完成率越来越高。他认为，“AI 没有双边网络效应，它真正的护城河是能力飞轮。” 其中，长期记忆将成为决定 Agent 能力跃迁的关键，也是未来竞争的重要方向。

商业模式同样会随着 AI 时代到来发生变化。李建忠表示，AI 正在改变互联网时代“流量变现”的逻辑。过去互联网依靠广告、许可授权和交易佣金等模式实现商业化，但 Agent 时代，用户使用 AI 的核心诉求是解决问题，而不是接受额外推荐。因此，未来 Agent 的商业模式将从流量驱动转向结果驱动，围绕结果付费、订阅服务（Token）和交易佣金等方式实现价值变现。

对于 Agent 的未来上限，李建忠认为，当前 Agent 仍处于早期阶段，能力提升空间巨大。他提出，未来 Agent 的核心突破将来自“Agentic Scaling”，包括协作数量、运行时长和迭代深度三个方向。他表示，当前 Agent 仍处于“婴儿时期”，未来几年 AI 能力演进远未见顶。

针对“Agent 是否具备真正推理能力”的争议，李建忠表示，业界目前仍存在两种观点：一方认为 AI 只是基于数据的模式匹配，另一方则认为其已经具备类似人类的推理能力。他更倾向于后者，并认为模式匹配与逻辑推理并非二元对立，而是存在连续关系。他引用 Anthropic 关于 J-space 的研究指出，大模型的能力并不只是简单预测下一个 Token。在长期语言训练过程中，模型逐渐学习到了语言背后的抽象概念和语义关联，并形成跨语言的概念表示体系。这与人类通过抽象建立认知的过程存在一定相似性。他认为，随着模型能力持续发展，AI 的推理能力仍将不断演进。

最后，李建忠在大会现场正式发布 AI 全媒体平台“奇点折射”。他表示，“奇点”代表 AI 迈向超越人类智能的关键临界点，“折射”则寓意如同光的折射一般，通过多元视角解构 AI 技术与产品范式，洞察产业创新。未来，“奇点折射”将汇聚行业专家的深度观点，以“跨越 AI 奇点，折射产业未来”为理念，通过全媒体传播持续输出高质量内容，为产业发展带来更多启发与思考。

吴甘沙：从自动驾驶到物理AI：从万人出发到孤独的长跑

以《从自动驾驶到物理 AI：从万人出发到孤独的长跑》为题，驭势科技董事长兼 CEO 吴甘沙结合驭势科技近十年的创业历程，分享了自己对于物理 AI 产品、技术演进和商业模式的思考。

他表示，2016 年自动驾驶创业潮兴起时，行业曾有数百家企业同时出发，而十年后的今天，坚持下来的企业已经屈指可数。如今，自动驾驶被赋予了新的名字——物理 AI（Physical AI），但其本质仍然是一场需要长期投入、持续迭代的“孤独长跑”。

吴甘沙认为，与数字世界相比，物理 AI 产品面临着完全不同的挑战：在数字产品中，“99 分”往往已经足够优秀；但对于自动驾驶而言，99 分意味着仍可能发生事故，因此等同于 0 分。

基于十年的创业实践，他提出，物理 AI 的竞争首先要回答一个问题：这究竟是一场速决战还是持久战？他的判断是，自动驾驶和物理 AI 本质上属于长期竞争赛道。行业中的大多数企业都能将产品做到“99 分”，但最后的 1% 往往需要投入 99% 的时间和资源，这也给创业公司留下了持续成长的窗口。

围绕竞争策略，吴甘沙借用了《孙子兵法》和《隆中对》的思想进行分析：

• 时间维度上，创业的前 15-20 年更像一场马拉松，是企业不断积累能力的“竞”；后 5 年则进入商业竞争阶段，是一场真正决定胜负的“争”。企业应遵循“先为不可胜，以待敌之可胜”的原则，将更多精力放在自身能力建设，而不是盲目追逐竞争对手。
• 空间维度上，他将乘用车市场比作竞争激烈的“荆州”，商用车则是能够建立根据地的“益州”。创业公司应短期以“益州”安身立命，同时兼顾“荆州”积累数据优势。

找到“益州”之后，该如何致胜？吴甘沙分享了 PMF（产品市场匹配）的寻找过程——“黄金铲子挖富矿”。市场端要满足人又缺又贵、法规允许、社会支持三重条件；产品端则要看技术是否接近 100 分、成本是否算得过来、事故后果是否可控。

吴甘沙表示，驭势科技找到的“富矿”是机场场景：目前，驭势科技已在国内前 20 大机场中的 15 家，以及全球前 10 大机场中的 3 家实现无人驾驶规模化运营，占据国内机场无人驾驶市场超过九成份额。他强调，真正的产品价值不仅是实现车辆自动驾驶，而是完成挂接、装卸、充电等全流程无人化闭环，真正解决客户问题，才算实现产品与市场的匹配。

那么，完成“益州”深耕后，又要如何谋略“中原”？驭势科技的做法是打造 U-Drive 全场景通用自动驾驶操作系统，覆盖巴士、重卡、环卫车、巡逻车等多车型，用平台化将巨大的固定成本分摊到多个场景。谈及商业模式，他提出，未来物理 AI 不应停留在一次性卖车，而应转向“AI 司机订阅模式”——为车辆持续提供 AI 驾驶能力，并采用按使用时长、运行里程付费的订阅模式，为客户提供长期服务。如吴甘沙所说：“未来卖的不是软件，而是信任。”

在技术演进方面，他认为，近年来具身智能的发展让自动驾驶迎来了新的窗口期。从早期感知算法，到端到端架构，再到融合视觉语言模型（VLM）、视觉语言动作模型（VLA）、强化学习和世界模型。自动驾驶技术路线正在逐渐收敛，也越来越接近人类学习驾驶的过程：预训练相当于积累社会认知，驾校训练类似监督微调（SFT），新手上路则对应强化学习，而熟练驾驶则依赖世界模型与长期经验的积累。

因此，面向未来，吴甘沙分享了驭势科技推进 AI Native 的实践：提出 AI First 理念，在产品研发、企业运营、知识管理等环节全面引入 AI，并自主开发了多 Agent 工程系统“造父”，希望借助 AI 实现从需求定义、任务拆解到持续交付的端到端闭环，进一步提升研发效率和组织杠杆。

“物理世界的 AI 是一场孤独的长跑。”在演讲最后，吴甘沙总结道，长跑者不能追风口，也不能怕孤独，专注于把每一步踩实。当所有人都在谈论奇点，真正改变世界的，是看到奇点前面需要什么样的桥梁，并把它造好。

白鸦（朱宁）：让非技术人员完成自己的产品演示和研发

在 AI 浪潮不断深入产业的当下，AI 应用究竟会走向何方？有赞创始人兼 CEO 白鸦（朱宁）在本次大会上发表《让非技术人员完成自己的产品演示和研发》主题演讲，分享了他对 AI 应用演进趋势以及产业落地方向的观察。

白鸦认为，未来几年 AI 应用大致可以划分为以下几个层级：

• 最底层、用户规模最大的将是 AI 问答类产品，其日活用户规模可能达到数亿甚至十亿级别。另一类则是类似微信 AI 的超级入口型应用，但这类产品更多承担信息获取、辅助沟通等功能，用户使用深度相对有限。
• 在 AI 问答之上，是 AI Copilot 和 AI 办事类应用，再进一步则是 AI Agent。用户可以通过 AI 完成更加复杂的任务，例如整理资料、处理工作流程，甚至完成部分此前需要人工执行的工作。白鸦表示，这一阶段依然会延续互联网时代的竞争规律，即高频应用会不断挤压低频应用的空间。“当你的 AI 原生入口级产品已经被别人占领之后，后来者再想进入会非常困难。”
• 而真正接近 AI Native 的竞争，将出现在 AI 创作、AI 管理型应用等领域。比如利用 AI 完成影视级内容创作、生成完整产品，或者打造面向具体行业的智能应用，这些场景对技术能力、产品设计和行业理解提出了更高要求。
• 在白鸦看来，更高阶段的 AI 应用将走向“AI 上岗”。他以有赞 AI 客服实践为例表示，过去行业普遍认为 AI 客服的主要价值在于降低成本、提升效率，但实际落地后发现，AI 带来的价值远不止于此。“因为它没有情绪，所以不怕被骂，被骂了依然可以保持好的服务态度。”白鸦介绍，在实际业务中，AI 客服不仅降低了退货率，还能够通过分析用户需求发现潜在销售机会，让客服从传统成本部门转变为创造收入的业务环节。

基于这些判断，有赞也开始探索更高阶的 AI Agent 和 AI 创作方向，并推出了一个对非技术人极其友好的对话编程平台 superun。白鸦回顾，这款产品最初的方向是利用 AI 直接生成设计界面，但经过两年的探索后发现，这条路并不容易走通。“模型今天根本没有 UI 相关的数据，所以没有办法训练出真正好的界面。”

相比之下，大模型在代码生成领域已经积累了大量数据，因此团队最终调整方向，从“AI 设计”转向“AI Coding”，通过自然语言生成代码，再进一步渲染出真实可用的产品界面。这一转变也让白鸦看到了 AI 编程的新机会。

在过去，产品经理、运营人员或者企业管理者提出需求后，需要依赖设计师和程序员完成产品原型，但很多 Demo 只是视觉展示，并不是真正的业务模拟。而 AI Coding 生成的产品，不仅能够还原界面，还可以生成真实的数据、流程和交互效果。“以前设计师做出来的 Demo，除了好看，剩下全是假的。但 AI 今天生成的界面，可以把商品图片、名称、价格都真实呈现出来。”白鸦表示，这让业务人员能够快速验证自己的想法。

在他看来，superun 的核心价值并不是帮助程序员提高效率，而是让过去被技术限制的非技术人员拥有创造软件的能力。“过去几十年的职业生涯，很多业务人员其实一直在被技术绑架。”白鸦说。许多企业管理者和行业专家拥有丰富的业务经验，但由于不会编程，无法直接将自己的想法转化为产品，只能依赖技术团队实现。

为了让非技术人员真正使用 AI 开发产品，superun 进行了大量产品优化，包括引入专业 UI 设计经验、模拟高级产品经理思考方式，并将软件开发流程拆解为“构想、Demo、Coding、上线”等阶段，让用户能够逐步完善自己的作品。

白鸦认为，未来软件行业的主导者可能不再只是程序员，而是那些深度理解业务、能够总结行业规律的人。未来大量固定流程但存在个性化需求的软件，例如企业内部管理、人事、采购、财务等系统，都可能通过 AI 由业务人员自主完成。“外包的软件开发，未来可能会越来越少，因为业务人员自己就可以完成软件重构。”

徐欣：模型之外：AI 与业务结合实践分享

围绕《模型之外：AI 与业务结合实践分享》这一主题，快手用户体验部负责人徐欣分享了快手在推动 AI 与业务融合过程中踩过的“坑”，并直面了一个更本质的问题：当 AI 进入真实业务场景，最难的不是模型本身，而是模型之外的团队协作、组织管理和个人认知。

徐欣表示，自 ChatGPT 发布后，快手用户体验部很早便开始探索 AI 在业务中的应用。他们将 AI 的价值划分为三个层次：首先是赋能个人，帮助员工提升工作效率；其次是赋能团队，将流程化、重复性的事务交给 AI 自动完成；最终则是赋能业务，推动企业实现降本增效和业务目标。

然而，对于当时的团队而言，他们面临着一个现实困境：没钱、没卡、没资源，行业普遍在自研大模型时，这条路显然走不通。于是他们反过来盘点了自己真正拥有的东西：上千名一线客服同学、每天数十万条真实咨询数据、完整的研发测试交付闭环。这些资产指向一个结论：不做模型，做调优；不拼算法，拼落地效率和数据闭环。只要有开源模型可用，就能基于业务数据快速迭代。

场景选择上，团队做得非常细致：对于规则明确的问题继续采用传统 NLP，只有上下文模糊、传统方式识别困难的场景才上大模型，把钱花在“刀刃”上。同时严格验证 ROI，按财务口径计算真实节省的人力与时间，并计入产研人力成本，经得起检验——正如徐欣所说：“只有财务口径能够算得过来，项目才具备持续推进的价值。”

在组织协同方面，徐欣分享了一个典型案例。AI 团队与客服团队共同推进项目初期，双方一度陷入互相抱怨：AI 团队认为业务团队没有提供结构化需求，而业务团队则认为 AI 团队不了解真实业务，提出的方案无法落地。问题的根源在于，双方都希望由对方承担跨领域的理解成本。

对此，快手用户体验部重新明确了双方职责：AI 团队必须深入理解业务，而业务团队也不能只做需求提出方，而要主动学习 AI，培养判断哪些工作适合 AI、哪些仍需人工完成的能力。双方共同目标只有一个：拿到 AI 提效的实际结果，用节降数据验收。徐欣透露，这套机制跑通后，截至 2025 年底，快手 AI 客服按严格财务口径累计节降超 1 亿元。

随着 AI 能力不断增强，徐欣认为，企业正迎来新的挑战。一方面，AI 正在模糊各岗位之间的边界，越来越多没有技术背景的业务人员借助 AI 工具，也能独立完成产品原型甚至上线 MVP，这将逐步打破原有的分工合作模式；另一方面，组织内部又面临“个人成长”与“组织效率”之间的新矛盾。

他举例称，在快手用户体验部，一个业务团队希望自主开发 Agent 及相应的开发框架，以积累 AI 能力；而 AI 平台团队则建议直接复用已有框架，避免重复建设。表面上看，这是资源复用的问题，实际上反映的是团队成员希望通过实践提升能力，而组织更强调复用和避免重复建设导向之间的矛盾。

为此，快手用户体验部重新划定了“重复建设”的边界：鼓励各团队围绕不同业务场景自主探索 Agent 和开发工具，但生成后的 Agent、Skill 以及相关能力规范则统一治理，实现可发现、可维护、可复用，既保障创新，又避免重复投入。

除此之外，徐欣还分享了 AI 项目实施中的一些常见误区，包括模型选型“大炮打蚊子”、解决方案偷懒、多个项目重复调用等问题。他表示，一个优秀的 Prompt 与普通 Prompt，成本甚至可能相差 90% 以上，因此模型治理和工程优化同样重要。

在演讲最后，徐欣总结道：企业推进 AI 落地，真正困难的往往不是模型本身，而是模型之外的组织管理、团队协作、人才成长以及业务理解——只有解决这些问题，AI 才能真正转化为推动业务发展的生产力。

张帆：从 AI 模型第一性视角，重构产品设计方法论

从技术视角来看，AI 时代的产品设计的第一性是什么？元理智能创始人、前智谱 COO 张帆围绕《从AI模型第一性视角，重构产品设计方法论》这一主题，分享了他对于 AI 产品设计范式变化的思考。

张帆表示，AI 时代的产品设计与过去的软件产品已经发生了根本变化。过去的软件产品本质上类似一个“有限状态机”，产品经理需要提前设想用户需求，尽可能穷举各种功能和流程，并通过明确规则实现交互，整个过程具有较强的确定性。而 AI 产品不同，其底层逻辑来自概率分布。很多 AI 产品看似只有一个输入框，却能够承载远超传统界面的能力。因此，理解 AI 产品的关键，不再是沿用过去确定性的设计方法，而是思考如何影响和塑造模型输出的概率分布。

在张帆看来，产品的本质并非简单的交互界面，而是人与机器之间沟通的方式。过去几十年的产品演进，实际上都围绕两个核心问题展开：人如何更准确地表达意图，以及机器如何更准确地理解和执行。从早期的打孔机、命令行，到图形界面、移动端触控，再到如今的自然语言和多模态交互，技术不断降低人与机器之间的沟通成本，提高信息传递效率。

当前随着大模型出现，人机交互进一步演变为自然语言甚至多模态交互。张帆认为，人机交互的发展始终围绕两个核心因素：一是通信带宽，二是理解效率。正因为如此，AI 时代产品设计的重点正在发生变化。过去，产品更多关注如何帮助用户生产内容，而未来更重要的问题，是如何帮助用户验证内容。

他以内容生产为例指出，如今 AI 生成文章、图片甚至代码已经变得越来越容易，但判断这些结果是否真正有效，反而成为新的挑战。因此，AI 产品的价值不再只是降低用户输入成本，而是帮助用户判断 AI 输出是否符合目标，并通过产品设计提升结果的可靠性。

张帆认为，过去产品设计更像是在绘制一张确定性的地图，通过设计流程和规则覆盖用户需求；而 AI 时代，产品设计的核心则变成了“雕塑概率分布”。产品价值不再来自简单的界面设计，而在于能否通过模型、Agent、业务流程等组合方式，形成区别于通用模型的独特能力。他指出，当前很多 AI 产品的问题在于，将“使用 AI 做出一个产品”本身视为价值。但如果用户通过一句话就能获得同样结果，那么价值实际上属于模型，而不是产品。真正具备竞争力的产品，需要通过数据、流程、反馈机制等方式改变模型输出结果的概率分布，形成自身的业务优势。

进一步来看，AI 产品设计最大的挑战，是如何在无法穷举所有场景的情况下，让模型持续产生可靠结果。这也是近年来 Evals Engineer（评测工程师）受到关注的原因。相比过去关注如何优化 Prompt，如今更重要的是建立有效的评价机制，通过持续反馈发现问题、优化模型表现。

张帆表示，模型自我进化能力的核心来自“生产”和“验证”的不对称。创造一个优秀结果往往需要大量探索，但判断结果好坏通常更加容易，而验证过程产生的反馈，能够反向推动生产能力提升。这一逻辑已经在 AlphaGo 等系统中得到验证：通过自我探索和自我验证，模型能够突破对人类经验的依赖，实现持续优化。

不过，他也指出，这套方法目前还没有大规模应用到商业场景。而核心原因在于，围棋和真实商业环境存在巨大差异。围棋有明确胜负，代码有测试结果，但营销、销售等复杂业务场景往往涉及多维目标和长期反馈。因此，未来 AI 产品的重要能力，不只是调用通用模型，而是在具体领域中构建有效的“验证器”，让 AI 能够围绕业务目标持续优化。

“AI 时代产品经理的角色也将重新定义”，张帆说道。机器更擅长探索和搜索，而人的价值在于设定方向和边界。“人的作用不是告诉机器每一步怎么做，而是给它设定围栏和指南针。”他表示，过度细化的 Prompt 会限制模型探索空间，而完全开放的环境又可能导致低效探索，优秀的产品设计需要在目标约束和探索能力之间找到平衡。

最终，AI 时代的产品设计，本质上是在模型、Agent、业务流程和交互方式多个层面共同塑造概率分布，让 AI 从一个通用能力变成真正服务具体场景的产品能力。