完整经历 AI 四小龙与 RPA 浪潮后，他觉得 24 年会迎来 2B AI 应用的爆发 | 对谈澜码创始人周健

2024 年 2 月，澜码科技创始人周健在播客里说了一句话：我的竞争者不是太多了，是太少了。一年多以后回看，这句话有了另一层重量。澜码在 2025 年初传出欠薪消息，而周健当时判断的「24 年会迎来 2B AI 应用爆发」，并没有以他预期的方式到来。

这期 42 章经的对话录制于 2024 年 3 月。主持人曲凯和周健聊了 44 分钟，话题从 AI 四小龙的旧账，一路聊到 RPA 的天花板、大模型在央国企里的真实处境、AI Agent 为什么推不动。周健的经历横跨了国内 AI 和 2B 产业的几个周期：ACM 竞赛亚洲区首个冠军团队成员，谷歌中国负责中文搜索质量调优，阿里云创始团队负责底层存储，依图十号员工待了六七年，弘玑 RPA 的 CTO，2023 年初出来做 AI Agent 方向的 2B 创业。

他的回答里有很多不客气的判断：RPA 加 AI 不是好结合，Agent 缺一个精确的世界模型，大模型公司之间的竞争最终会变成生态链竞争。这些判断放在今天看，有的被验证，有的被现实修正。把他的话原样摊开，比急着下结论更有价值。

大模型和 AI 四小龙，像在哪、不像在哪 2:25

曲凯开场就把问题摆上桌：现在的大模型公司，和当年的 AI 四小龙有可比性吗？市场上有人拿四小龙的故事唱衰大模型，说融了那么多钱，最后商业回报未必好看。

周健的回答从技术属性切进去。AI 1.0 时代主要是计算机视觉，证明了一件事：可以用不那么传统的方式去解人脸识别、OCR、产线质检这类题。但 CV 有个根本问题，它不是通用性技术，在企业内部基本是点状的，很难拿到一个面状的东西。依图算是找到了 PMF，在安防行业扎下根，技术每演进一次就能解锁新场景，作为技术领先方可以要求高毛利。可机会只存在于安防这一个行业，商业模式上没有变化的可能性。技术摸到天花板之后，后继乏力。

大模型不一样。它突破的是自然语言理解，而文字在各行各业、各个职能上都会用到。周健说澜码想做的事，是把大模型变成一种生产力，或者说变成「专家时间」。适用面打开了，商业模式改变的可能性也跟着打开，因为技术还在持续演进，两件事同时发生。

另一个区别在价值链位置。当年 CV 四小龙要自己端到端把场景打通，今天的大模型公司明显还偏底层技术，上面需要应用方和中间层帮忙接到各行各业。周健提到智谱，说很多行业头部企业找上门，它根本没有能力把所有客户都服务好。这里就留出了生态位。大模型公司之间的竞争，很可能要以生态链为核心来展开。

曲凯追问了一层：四小龙当年好歹有实打实的商业订单和收入，现在这几家大模型公司收入很少，除了智谱，其他几家更少。周健承认现状，拆开来看：2B 里真正跑出 PMF 的是代码相关模型，GitHub Copilot 这类产品的价值账算得过来，智谱也有代码生成模型。其余的知识问答、指标查询、任务完成、流程提醒这四类场景，是澜码对客户总结出来的，有价值，但跟现在要付出的代价比起来，账算不平。所以更多是政策在引导企业积极拥抱，还没到商业价值超出成本的阶段。

曲凯提到商汤当年的策略：把钱都拿了，把好人都招过来，再慢慢发展。周健顺着讲了一篇他刚读的文章，说过去很多年整个市场面向的不是用户，是资本，是一种垄断资本式的发展路径。钱在少数机构手里，机构会站队，给了 A 就不给 B。四小龙当年有这个情况，现在几家大模型公司也有这个风气，先把最多的钱拿了，再慢慢发展。

RPA 是爬虫的高级版，天花板已经封住了 7:30

周健在弘玑做过两年 CTO，曲凯让他用几句话解释 RPA。他的说法很朴素：RPA 是用技术模拟人对系统的操作。用户鼠标点了屏幕上某个应用的按钮，RPA 靠一系列技术，让下一次只要屏幕上有这个应用，机器还能找到并点进去。底层用了操作系统自带的 accessibility 技术，本来是给视障人士点击用的。

曲凯听下来觉得这不像多 AI、多技术突破的事。周健认可这个判断，说 RPA 更多是经验性的：不同行业的 IT 系统框架不一样，必须一个个啃过去，做过的行业多了，效率就比别人高。这是工程活，靠的是积累，谈不上深度技术。

话题转到移动端。曲凯提到 OpenAI 在做的手机端操作模拟，难度比桌面端更高。周健说他们试过，iOS 封闭性强，操作模仿很困难，但业界有解法，用服务器虚机模拟出手机，权限问题就能绕开。OpenAI、腾讯、阿里都在试，还有一家创业公司 Adapt.ai 专做这个，已经拿了三十亿美金，先发优势明显，创始人是 OpenAI 的工程副总裁。周健对此不确信：如果这件事做成，OpenAI 就不需要跟各个商家谈合作、接 API 了，用户说点外卖，它直接打开外卖 App 帮你点完。

曲凯补了一个观察：过去一年国内大厂没有互相打通，携程、滴滴、美团之间明明可以连起来，出差场景里机票、酒店、出租车、餐厅、地图一次性安排好，但没人做。周健觉得是资源和利益问题，打通这么多资源方工程量不小，还需要商业上的连接。大家都觉得这场仗要打，但谁也不想先挑起来。他拿移动互联网做类比：2007 年 iPhone 出来，滴滴和快滴背后的阿里腾讯一直等到 2013、2014 年才开打，需要时间。

然后曲凯抛出关键一问：过去一年很多人说 RPA 加 AI 是特别好的结合，你怎么看？周健的回答干脆：我觉得并不对。RPA 偏重跟系统之间的连接，最大的问题是它处理的数据它并不理解。大模型最擅长处理文本，现在的落点更多在文档处理、知识问答、指标查询上。市面上看到的 RPA 加 AI，基本只用在 RPA 实施流程内部的提效，跟外部的人关系不大。

他把 RPA 的定位讲得更透：RPA 解决的是任务自动化，人知道该怎么做，只是不想一步步手动干。弘玑当年也讲过要做增强自动化，把专家知识给业务员工，但过去太复杂做不好。大模型来了，专家可以很容易把知识灌输进去。流程比任务多出来的部分是人与人之间的协作，不理解语言就没法代表人去协调对话。所以 RPA 大家慢慢就不谈了，已经不重要了。

人应该更多去说的是问题以及解决的思路，而不是怎么去执行这个事情。

他顺带判断了低代码：不是会消失，是天花板被封住了。Java、Python、JavaScript 这些代码不该由大量的人去写，应该出现类似数据库时代 SQL 那样的声明式语言，人描述问题和步骤，怎么实现交给机器决定，用 RPA 还是 BI 还是大模型的 prompt，都由机器选。核心问题是 AI 还没到那一步。所以 C 端应用套个 AI 的壳逻辑可能成立，B 端不是这样：现有技术已经达到了，缺的是开发厂商的思路转化和探索，技术没到位是假象，探索没到位是真的。

依图与弘玑留下的两堂课 15:00

曲凯请周健讲讲过去两段经历里能复用到这次创业的教训。周健讲了两个。

第一个关于竞争的维度。依图是技术驱动型公司，内部有点自嗨，很享受自己的成长，带着科研的感觉。2018 年人脸识别在演唱会场景里铺到很多城市，周健认为那算达到了 PMF，全年状态兴奋，年终奖也发得好。春节前，老板拿来几个国家标准，发现海康威视已经在这个领域制定了国家标准。依图原本准备后面做很多事，被海康用自己的办法框住了。

这件事给周健的印象极深：人家根本不跟你在你的战场上玩，人家挑一个自己擅长的，作为大公司，能动用的手段和社会资源比你大得多。到了某个体量，拼的就不只是技术，是综合的商业竞争。依图当年最大的竞争者不是四小龙里的其他家，是海康这样的公司。他由此推想这一波：最后冒出来的最大竞争者，可能是浪潮这类角色。

曲凯接了一句自己的观察：一级市场里中早期的投资人、经验不多的创业者，往往比较单纯、比较理想主义，觉得有好技术解决需求就行，越往后走越发现世界比想象中复杂。

第二个教训关于组织。周健是依图第十号员工，公司最高到过两千人，他离开时一千多人。他亲眼看到组织一开始很有活力，CEO 跟一线员工距离很近，也看到 CEO 用了很多手段去解决增长带来的问题。但创业要成功一般不少于七年十年，早期一起打天下的老兄弟有弱点，会跟不上公司发展，于是引入职业经理人。这些人的问题是双重的：没有零到一的经验，拿的是成熟体系里的经验，像坐电梯上楼的人，误以为做俯卧撑让电梯升了上去；身份上又像雇佣军，是来赚钱的。

顺境时都没问题，逆境时职业经理人容易走掉，压舱石得靠老兄弟。处理不好，老兄弟先走，组织的基石就动摇。所有企业一开始都是高速增长，从高速增长转入平缓、踩刹车的那一刻，是最难过的关。周健说这次重新创业，现在头疼的是怎么让公司飞起来，但很快，飞起来之后的问题就是怎么平缓收住、怎么做到现金流为正，这是必经路径。

曲凯把话题引向节奏感：融资节奏、招人节奏的把控。周健说创业有意思的地方在于看似有类似性，难的恰恰是判断新的变化。创业是在高度不确定下求高速增长，你得赌对一些非共识的事，还得判断这件事的尺度，会给客户、社会、技术、产品带来什么变化。他这是第三回经历 AI 浪潮，深度学习、RPA，现在是大模型，但第三回的感受跟前两回不同。比如品牌，他去年花了至少百分之二三十的时间在这上面，按过去的经验这不对，投下去效果不会那么好。结果是很多央国企通过邮件主动找上门，说明赌对了：趋势大到全社会都对这件事感兴趣。

他提到「慢变量」这个概念：社会本身的反应、技术成长的速度、行业的未知水平、甲方自己变化的速度，每一次速率都不同。感知温度、提前预判、做出准备，是挑战也是乐趣。

客户先买了算力，压力反而到了客户那边 21:25

曲凯对比三个阶段的体感：依图时期市场好、有热点，但做的事像拿榔头找钉子；弘玑时期市场也好，偏工程实施，肯定能做成，剩下的是商业化拓展、收入、毛利率；现在 AI 热点更高，也有点拿榔头找钉子，而且榔头好像不太好用。

周健说这次的区别是所有人都特别热情，都想参与。RPA 时代没有这种场面。他 2023 年上半年刚创业，通过关系很容易就见到了十几个上市公司的 CEO，对方特别关心。曲凯说去年是他认识上市公司 CEO 最多的一年。

热情的另一面是转化难。曲凯说大家动起来，坐下来聊，聊半天不一定聊出能做啥。周健说这里要去分辨：哪些其实只是我在给他做培训、提高认知、免费培训，哪些是对方真的动了心思、下了决心。2B 行业早期，很容易做成咨询加项目，有些时候不可避免。

这一轮有个不一样的地方：客户会先投算力。投完之后，压力反而到了客户那边。他给领导汇报花了三千万，领导问做了啥，答企业知识问答，没法交代。所以对厂商来说，算力本来应该是价值的一部分，现在却成了驱动因素。正常的逻辑是应用要用十张卡，得向客户证明这十张卡的价值能包进来；现在的逻辑反过来，客户已经有十张卡，谁能把利用率提高百分之十，谁就能从中分钱。周健说这个逻辑很怪异，可能只有现阶段的市场才有这种需求，估计一年后就没有了。

澜码现在的客户以 2B 为主，2G 很少，主要是央国企。曲凯提到一类人：做了很久 2B 之后就不想再做 2B，太累太麻烦。国内 to B 过去几年经历了几轮波峰波谷，2021 年最夸张时 SaaS 项目估值能给到五六十倍 PS，现在五六倍都算合理。他问周健，为什么仍然坚定选国内 to B。

周健给了两层理由。第一层是结构性不平衡。C 端阿里腾讯跟谷歌、Facebook 是可比的，差个三五倍；2B 这头，Salesforce、ServiceNow、SAP 能做到百亿美金甚至千亿美金规模、百亿人民币以上收入，国内有个巨大的 gap。他不认为中国的管理水平不需要好软件，过去最大的原因是 ROI 太高，经济发展很多时候不需要向管理要效率。现在地缘政治压力倒逼企业提高管理，提高管理很多时候要靠数字化软件。国内 to B 存在结构性机会。

第二层是 2B 慢，但做进去了不容易死，守住一个客户就能一直解决他的问题。

大小 B 的选择上，周健的判断很实际。国内机构一听做中小 B 基本就否掉，因为 IT 预算的分布就在央国企。今天 AI 的生产力还不是通用性的，比如招聘场景只能针对招三到五年工程师的岗位，只有单个岗位有大量重复招聘的公司才用得上，那就只有大公司。中小 B 虽然都有财务岗、会计岗，但每家公司有自己的特殊性，个性化定制成本太高，今天做不到。

大 B 绕不开私有化和定制，但周健看到其中的好处：创业公司没有资本买一千张显卡，大 B 可能已经买了，产品在一千张显卡的平台上锤炼过，就比友商有领先优势。个性化服务换来的是产品更高的 enterprise quality，至少现在不亏。从生意角度要变成高毛利，那是以后要探讨的事，现在更多是在占领根据地。

三类场景，和一个被低估的刚需 27:31

曲凯问澜码做了什么。周健说大家看到的场景是类似的：知识问答、指标分析、自动完成一些任务，三大类。澜码主要做控制合成类，不做营销这类生产类，聚焦企业内部后台办公和职能场景，比如财务、HR。这类事做大模型应用，个性化定制的开发成本会比较多。

他重点讲了一个他认为被低估的刚需：企业级算力管理。大趋势是以 CPU 为核心的价值链会牵引到以 GPU 为核心。他举了一家银行两百五十亿 IT 预算的例子，现在基本都买 CPU，GPU 很少，未来五年内整体预算的百分之三十应该会切换到算力、模型、应用这条链上。

切换过程中有一堆麻烦事：那么多开源模型、付费模型、显卡，应用跟模型怎么匹配，单应用单模型、单应用多模型、多应用单模型、多应用多模型，组合方式就够复杂。应用本身的 QPS 波动也要调度，财务应用月底用得多，HR 应用春招校招时用得多。再加上 low-code 编排，都是难点。

这些事甲方自己做不了，大模型公司也做不了，因为大模型公司有自己的模型绑定。周健说这恰恰是甲方特别看重的：各个业务部门、分行、总部都在提需求，接触了各种厂商，如果没有统一的管理，后面怎么办。新质生产力、新的劳动对象，它的治理、运营、培训怎么建设，都是典型问题。如果只花三十万一百万，可以不用考虑；投了一个亿两个亿的单位，一定会想这件事。他了解到四大行、股份制银行投在亿级别的不少，大模型采购的标基本都在千万以上。

曲凯问，先做内部知识库，是不是因为幻觉问题，内部场景更容易推进。周健说是。企业里大量问题其实很琐碎：差旅政策变了，去攀枝花算几级城市，住宿标准多少钱，这些浪费大家时间；保险产品的推荐、条款的回答，也是大模型能发挥的地方。

曲凯提到去年很多公司想做这条路径，结果和收入跟澜码差距很大，问澜码做对了什么。周健归因于时机：2023 年 2 月出来，当月就跟金山办公达成合作，公司只有三个人的时候，就和金山办公 Excel 团队几十号人一起做实施，用 GPT-3 重做 Excel 插件。这是真实场景，对方带着上线的目的做。好处是很快拿到 IDG 的投资，更重要的是对模型边界、什么能做什么不能做，比市场上其他团队领先。到五六月，心里已经清楚现在的模型能做什么，唯一的不确定性是开源模型，Llama 2 还没出来，不知道什么时候能用。三四季度的工作就是把不同开源模型应用到企业内部场景，七八九月做了大量 POC，零售、电网、政府、银行、保险、券商都摸了一遍，看各行各业对这件事的感知。现在可以收回来，在银行里认真做，在央国企里做跟财务业务相关的事。一步快，步步快。

曲凯问接客户时会不会跟智谱或云厂商竞争。周健说大模型公司几乎不竞争，跟大厂会有。大 B 的价值链特别长，各种 BD、资源因素都在。他提到商业化团队的作用：没有主动线索时，并不知道哪个客户处在什么状态；等客户主动找上门，就知道他到了哪个阶段，这时再发动资源，效率更高。这背后用到了他在依图、弘玑积累的认知、资源和人才。曲凯补了一句：过去几年最有资源的可能就是四小龙。

Agent 缺的不是模型，是精确的世界模型 35:53

曲凯提到澜码对外讲的核心技术是 AI Agent，用 Agent 技术做业务流程自主化，替代过去的 RPA。他顺势追问：AutoGPT 出来之后 Agent 特别火，一堆人说要作，投资人也去看，最后实际能用的非常少，问题出在哪？

周健从预训练的局限讲起。现在的模型都是预训练，只能学习原始语料里的经验知识。只通过文本和视频是学不会游泳的。Agent 非常强调对世界模型的理解，要自主感知环境，自己决定怎么处理各种事情，这在今天的架构下是缺失的。所以澜码做业务流程自动化，要给 Agent 一些能力：做实验，主动观测，比如客户问一个问题，看对方什么反馈，从而把自己对世界的理解适配到当前更精确的状态。

他提到最近读到一篇文章，说 AI Agent 的竞争、业务流程自主化，还缺一个精确的世界模型。他举了个例子说明大模型是「文科生」：武汉地区加班工程师的薪酬区间是多少，怎么 propose 一个薪资，这不是现有大模型能解决的。企业内部有大量数据，数值类的经验知识要跟语言模型结合。

所以做 Agent 有两个必需环节：一是感知环境，知道上下文；二是跟传统的大数据、数值类经验知识结合。澜码在这两个方向上构建模块。另一个挑战是模型变得太快，不像数据库时代出了 MongoDB 就一直用它，现在新模型不断出现，中间层要不断适应。

曲凯问 Agent 的成本。周健说还比较早期。大模型自己在优化成本，不同部署方式的差距也很大：在 SaaS 端用 GPT-4，一块钱人民币大概处理一万个汉字；私有化部署用 6B 或 13B 的模型，一块钱能处理两百万汉字。单应用场景下有优化算法，多应用怎么调度不同算力，还没有实践经验，需要再三到六个月。

曲凯问政策有矛盾怎么办。周健说那就列出来，告诉用户 A 是这样、B 是那样，你自己看着办。因为不是对外部客户的直接交付，问题还好。

24 年会爆发，以及一个被现实修正的判断 38:55

曲凯问整体判断。周健说 2024 年应该会爆发，特别是 2B 应用。理由是今天不缺什么，技术不需要新的更大的模型出现，已经能做出很多百花齐放的应用。他试了一年多，发现用户需求都在，而且越来越多，很多人手里有预算想做事。国家在投算力，VC 在投大模型，甲方有需求，开发者也在，中间没有产品把这些应用做出来、把路打通。打通了，水就灌过去了。

曲凯确认：底层技术对 2B 已经够用。周健说够用。

曲凯请他对这一波 AI 创业者给建议。周健说今天最缺的是好的 AI 原生产品经理。过去做产品更像两维的，现在多了一个维度：数据集。模型能力不够的时候，怎么把端到端的应用准确率做到能上生产，难点在于怎么定义数据集。他跟不少在 AI 公司的师兄师弟交流，发现他们还是带着一些错误的假设认知，这一轮革命是完全不一样的范式。

今天我的友商不是太多了，而是太少了。

他希望更多人一起把市场做大。仅凭一家之力，就得不断培训客户；更多人以对的方式做出来，市场明了，对大家都好。他拿四小龙早期做类比：一开始大家并不觉得是在竞争，互相帮衬，把资本市场和客户带起来，这很重要。

曲凯最后把话题拉向更远的地方。周健是上海交大 CS 出身，ACM 竞赛首届冠军团队成员。曲凯问他信不信 AGI，Sora 是不是通向世界模型的快路径。周健说 transformer 可能不是。他同意杨立昆关于世界模型的说法。对 AGI 本身，他持不可知论：AGI 本质上是人类能不能造出比自己更聪明的东西，计算机术语叫递归，如果可以，理论上这件事就没有底了。他一直在思考，人类的方式和机器的方式有巨大区别，从无生命到有生命到人类有自我意识，有进化论的东西在里面；今天强化学习解决进化问题，遗传算法也在，但 Sora 并没有把它们整合在一起。人类能在小样本上学习，机器基本是大样本。

他更倾向于人机协同、人机融合、人机共生：各有优缺点，最后很可能是人类把大脑 offloading 到某个载体上，放大人类智能。这件事他基本认为一定会发生。至于机器最终会不会有自我意识、接管人类社会，他偏向不太可能。

这期节目录完一年多，回看周健的判断，有几条站住了：RPA 加 AI 不是好结合，Agent 缺世界模型和数值类知识的结合，企业级算力管理是刚需，AI 原生产品经理稀缺。有一条被现实修正得最明显：他预期的 2024 年 2B 应用爆发没有如期而至，澜码自己也在 2025 年初陷入困境。

对今天做 AI 2B 的人来说，这期内容的价值不在结论，在方法。周健分辨「免费培训」和「真下决心」的眼光，判断客户先买算力会把压力转移到客户侧的观察，以及把技术边界摸清楚再收窄行业的打法，都是可以借用的。市场、客户、钱、技术是否 ready，最终要靠产品一单一单去验证，而不是靠一句乐观的判断。周健说竞争者太少，希望更多人进来把路打通。这句话在今天依然成立，只是打通的方式，比 2024 年初想象的更难。