嘉賓 | 陳亮、張云波
主持人 | 薛彥澤
撰稿 | 李美涵
在AI創業的浪潮里，最迷人的地方莫過于人人都知道這里是風口，卻仍然能夠各自找到屬于自己的機會點。
在眾多試圖乘上AI風口的創業者中，亨寶科技的CEO張云波和AI創智坊的主理人陳亮無疑是特別的存在。
張云波早年投身于鴻蒙生態，今年年初就敏銳捕捉到DeepSeek大模型興起的契機，迅速將注意力投向AI領域的應用開發。
他認為：“模型的強大，已經顯著降低了開發的難度，因此開發本身不再是主要的挑戰，重點是結合對特定行業的深入理解，才能開發出真正有競爭力的產品。”他所帶領的團隊，落地了一系列企業智能應用，通過可以克隆聲音的數字人，探索了個人IP打造、數字人虛擬交互等前沿領域。
而陳亮則是一位因為AI大膽轉行的“跨界者”，從互聯網產品經理轉型扎根于傳統制造業，憑借對AI技術的敏銳嗅覺迅速完成身份轉變。圍繞AI在制造業的落地應用，他協助許多制造業中小企業實現AI商業化落地，清晰梳理出DeepSeek能夠服務的業務場景與實際需求。
他指出：“AI圈的很多開發者都習慣‘炫技’，用非常復雜的智能體探索AI極限；然而，在商業落地中，往往是簡單的、短鏈路的智能體更合適、更可控。”對行業需求與技術邊界的深刻洞察，讓陳亮的AI探索始終貼近企業的實際需求，他分享的智能聲控燈、醫療模型案例能給人帶來很多現實的啟迪。
兩人因一次線下會議而相識，共同撰寫了《DeepSeek企業級AI應用實踐》一書，試圖通過更深入、更務實的方式，讓AI真正落地到千行百業。
在4月23日51CTO獨家技術訪談欄目《AI創客說》中，我們邀請到張云波和陳亮兩位嘉賓，從模型部署、AI智能體的落地挑戰，到AI產品設計與實際場景匹配，深度探討AI時代下技術落地的實踐與方法論。
以下是訪談的具體內容整理，供各位朋友參考和閱讀。
1.智能體構建有哪些誤區?
陳亮: 今天我們在聊一些偏商業化落地的一些話題，那我就重點說說這個領域的誤區：
首先，AI圈的很多開發者都習慣“炫技”，用非常復雜的智能體探索AI極限；然而，在商業落地中，往往是簡單的、短鏈路的智能體更合適、更可控。一旦智能體采用了復雜的模型拼接和長鏈路，出錯的風險就會不斷增加、成本失控，最終效果不佳。
其次，企業在應用智能體時，不能“拿著錘子找釘子”，應該先明確自身商業問題和需求。例如，對于一些中小企業，如果對自身商業模式的理解不夠清晰，或者業務場景不適合智能體的應用，導致智能體構建的非常雞肋，其使用頻率自然提不上去。
最后，智能體構建要有一個清晰的認知，第一點是要了解各個模型的上下限，第二點是要了解各個平臺智能體搭建的流程和效果。如果企業對自身數據化理解不足，知識庫內容未經清洗和質量保證，那么智能體的輸出結果也難以達到預期。此外，本地化部署并不適合所有企業，尤其是中小企業。公開平臺的智能體服務已經能夠滿足大部分需求，企業應根據自身實際情況選擇合適的方案。
張云波：陳亮老師剛剛聊到的觀點我也很認可。由于智能體目前仍存在較高的錯誤率，企業在嘗試將智能體引入業務流程時，應該謹慎選擇強交付場景和核心業務場景，更推薦從邊緣業務入手。舉個例子，我們之前做一個項目，是語音控制的智能燈具，可以通過自然語言交互。當用戶說“太暗了”，模型可能不是每次都能理解意圖是要將燈調亮，有時反而會關掉燈——如果這是應用在手術室的，那么一點錯誤都是不可接受的。
其次，DeepSeek爆火后有些媒體浮夸的吹捧，非常影響中小企業的判斷，使他們認為智能體無所不能，夸大了其對業務上的助力。但實際上，智能體在承載能力和穩定性方面還存在明顯不足，可能承載百人的體量就會出現崩潰，沒有到達可依賴的程度。
但是我認為它是可以做一些初步的工作，比如為產品經理跑個demo；做些創意設計、UI 設計的草稿，智能體是可以勝任部分任務的。
2.DeepSeek也能編輯圖像?多模態推理還有多遠?
陳亮：DeepSeek 多模態能力比較局限，因為它最開始設計時，就是基于多個專家模型加上一個小的微調模型，可能更聚焦在數學和代碼方向。
隨著技術發展，其他模型已經逐漸跟上并超越了它，比如GPT-4o ，它才是真正意義上的多模態大模型，無論是圖像生成、語音對話，還是對文字和視頻的理解，都做得非常出色。這其實也給其他模型帶來了很大壓力，未來多模態肯定是大模型的必經之路，所有模型都無法繞過這個方向。
目前來說， DeepSeek 的圖像功能還是簡單的一個 OCR技術，只能對圖片中的文字進行識別，然后用大模型進行分析，這種應用相對有限。在生圖方面，只能作為一個 Prompt 生成工具，輔助其他制圖工具使用。所以從多模態角度來看，DeepSeek 確實比較弱。
張云波：其實 DeepSeek目前也有圖像功能，但多模態功能還不夠成熟，和其他的AI工具相比有一定差距。不過，AI 領域發展速度非常快，產品幾乎每個月都在更新迭代，競爭非常激烈。作為技術人員或用戶，其實沒必要死盯著某一個模塊，而是應該靈活選擇當前最先進的工具來滿足需求。比如最近很火的 GPT-4o 吉普利風格的圖像生成工具，它就能快速生成高質量的電商帶貨圖片。
我覺得多模態推理在未來肯定會和其他先進工具結合得更好。雖然 DeepSeek 的第一個版本還比較粗糙，但我相信它很快會推出更強大的多模態功能，至少不會比 GPT 差。
3.用DeepSeek進行產品設計，如何滿足用戶需求?
陳亮：回歸到產品本身來說，AI產品在開發流程上與傳統應用并無太大區別，關鍵在于如何發揮AI的能力，挖掘更具創意的產品方向。更重要的一點，我認為是AI產品更注重垂類性，即在一個小方向上做到極致，形成內容壁壘。未來可能會出現很多小而美的錘煉型公司，團隊規模雖小，但能服務大量用戶。
我關注到杭州的一家AI公司，最開始是做AI植物識別的應用。從現在來看，實現這樣一個功能，從技術角度看并不太難，但核心在于大量植物數據的積累，可能成為他們的核心競爭力。
在未來選擇AI創業的方向上，很多開發者需要對自己有重新的認識，更多地去做帶有創意性的東西，為用戶帶來情感和功能上的價值，無論是軟件還是硬件都是如此。我覺得也不該局限于是否是所謂的“套殼”應用，用戶關注的是產品是否真正解決了需求，而非形式。大模型是實現功能的底座，開發者應將關注點放得更長遠。
張云波：剛才陳亮老師講的，更多地是把AI當做工具，實現自動化的一些功能，確實與傳統的設計區別不大，但現在用大模型去解決問題就非常高效，甚至連代碼都不用寫。比如我剛才提到的公廁中的智能聲控燈，現在我把燈接一個 wifi 模塊接到這個華為云或者小米云之類的物聯網平臺上，再給大模型發個指令，就完成了產品的搭建，幾乎是0成本的。
再比如數字人的應用，這就是挖掘了電商行業長期的痛點，極大地降低了雇傭主播的成本。現在通過大模型，用戶可以輕松克隆自己的聲音和口型，并且相似度越來越高。這種技術可以應用于短視頻工具或直播領域，幫助用戶快速生成個性化內容，甚至形成新的商業模式。
4.聊一聊常用的DeepSeek集成開發工具
陳亮：首先談談部署工具吧，從我的觀察出發，企業應該明確自身的需求和場景，而不是盲目追求本地化部署或技術上的微調。我覺得對大部分的中小公司是本地化部署必要的。更多的是在工具選擇時，去看有沒有一些成熟的平臺可以幫助我們搭建AI能力，從而真正賦能自己的業務場景。
目前API已經成為了一個主流的選擇，甚至是像字節扣子這種，平臺級的智能體，本身就集成了多家主流大模型，直接融合好了給用戶使用。
如果一定要進行本地化部署，推薦使用Ollama 來去結合本地化的模型，再配合一些開源的工具。
本地化部署的需求主要集中在兩類企業：一類是擁有敏感數據的公司，它們通常已經具備強大的技術壁壘，會自行搭建專業團隊來完成本地化部署；另一類是像醫藥行業這樣擁有龐大知識庫的企業，它們需要基于自身封閉且高效的知識體系進行研發，因此可能會考慮本地化部署。但對于一般企業來說，如果沒有明確的需求和收益預期，本地化部署往往是不必要的。
在微調模型方面，企業需要考慮是否有足夠全面且獨特的數據集作為核心壁壘。如果企業只是擁有少量數據，那么使用知識庫或向量庫可能就足夠了，無需進行復雜的微調。此外，政府機構等對數據安全要求極高的機構，可能會因數據敏感性而選擇本地化部署，但這也需要謹慎評估成本與收益。
張云波：其實工具很多，如果專門聊智能體開發，可能常用的就那么幾個：國內的扣子、Dify、FastGPT，國外也有幾個類似產品，功能大同小異。如果企業需要在線服務，扣子是一個不錯的選擇，但其缺點是無法進行本地化部署。對于需要本地化部署的企業來說，像 Dify 這樣的開源平臺可能更適合，雖然其插件不如扣子豐富，但完全可以滿足企業的基本需求。如果企業有更進一步的定制需求，可能需要與開源方合作開發，這是他們做開源的盈利方式。
我再補充一下，大家可以發現這些工具正在被大模型逐步地替代。例如，在Sora出現之前，大家可能會使用像ComfyUI這樣的設計工具，但這些工具本身較為復雜，對用戶不夠友好。這種趨勢同樣出現在編程領域。我認為模型的強大，已經顯著降低了開發的難度，因此開發本身不再是主要的挑戰，重點是結合對特定行業的深入理解，才能開發出真正有競爭力的產品。
5.企業部署AI模型環境有哪些注意點?
張云波：簡單項目可以用Ollama，復雜項目可以用VLM，這類工具各有優勢，比如n8靈活性強，而國內常用的Dify 、FastGPT等開源工具也足夠應對常見功能需求。DeepSeek在本地化集成、知識庫和工作流等方面都有支持，這些并不是最難的部分。
在我看來，最難的部分其實是對業務的深刻理解，以及如何讓技術真正助力業務。很多情況下，我遇到很多類似的情況，與客戶溝通花得時間非常長，客戶甚至都不知道自己究竟要用DeepSeek做什么。這就需要我們通過案例、知識和想象力去幫助他們梳理業務流程，明確需求。
另外一個難點其實是數據。例如醫療大模型，有些醫院聲稱使用AI技術能以95%的準確率識別X光片，但實際效果可能并不理想。其中很大的問題出在數據上，一個數據集里可能包含1000條Q&A，很多可能是無效數據，而經常有些外包公司會忽略數據清洗這方面的工作，最后得到的結果一定很差。在開發過程中，不僅要關注技術實現，更要確保技術與業務需求的緊密結合，避免出現“為部署而部署”的情況。
陳亮：如果企業決定進行本地化部署，我認為有幾個關鍵問題需要重點關注。首先，實際應用場景的吞吐量是核心考量之一，直接關系到算力的采購和模型選型，同時還要考慮現有數據庫的質量，以及數據安全和合規性。這些因素都會直接影響本地化部署的落地效果。例如，算力成本很高，如果企業沒有準確評估吞吐量，可能會采購過多算力，造成浪費。
其次，數據安全是本地化部署中必須解決的問題。企業需要確保敏感數據的隔離，防止用戶通過prompt等方式獲取核心數據。這包括設置不同部門的數據分割、權限訪問控制以及加密傳輸等措施。此外，數據的持續迭代和版本管理也值得關注。隨著新數據的產生，企業需要不斷微調模型以提高效率，同時還要建立有效的回滾機制，以應對訓練失敗或出現問題的情況。這些其實都是真正在部署過程中很細節的問題，但都非常重要。
6.大模型應用開發目前有哪些挑戰?
陳亮：我提一個比較特別但是必不可缺的一點，現在真正精通 AI和垂直領域知識的符合型人才非常少見，對于推動行業發展至關重要。隨著AI技術的廣泛應用，跨行業知識成為必備技能。我們需要對自己用AI深耕什么方向有明確的認識。
我自己就是從互聯網轉到的制造業，我發現有兩個問題需要克服：首先是不同行業從業者認知的差異，其次是工作模式會有不同。互聯網行業信息相對透明、信息壁壘較低，但傳統行業如制造業的信息差很大，企業之間可能合作多年也無法深入了解對方的核心需求。因此，開發者需要花費更多時間和精力去調研和理解這些行業，才能更好地將AI技術與實際需求相結合。
7.AI創新項目如何獲取靈感?
張云波：我的經驗是盡可能多跟業內專業人士接觸，積極參加相關會議，甚至是跨行業的活動。相比在網上搜索，線下的面對面交流往往更有效。網上的案例可能比較淺顯，甚至有些真實性存疑，比如抖音上那些看似輕松賺錢的案例，我對其真實性就深感懷疑。我和陳老師就是線下參會認識的，和人交流不僅能接觸到前沿的技術和工具，還能了解到不同行業對AI的真實需求和應用場景。
最近我參加了上海和北京的一些行業會議，甚至去微軟在上海的智能體平臺中心參觀學習。我發現每家公司都有獨特的工具和技術，有他們自己的奇思妙想，但它們的核心都是圍繞需求展開的。
陳亮：我會發現很多的需求和靈感來自于對AI工具能力的深刻認知以及與具體場景需求的巧妙結合。這個需求就是行業人員交流他們的具體痛點，你去考慮怎樣用現有技術去解決。
前面一段時間很火的小貓補光燈就是一個很好的案例，他的技術實現并不復雜，甚至他上手的時候可能沒有代碼能力。但因為挖掘到了女生拍照的補光需求，這個APP當時在榜單上的成績很好。
雖然未來AI的應用場景會越來越多，但是開發者必須得是一個好學者，讓AI成為提升個人能力的工具，比如通過與AI的對話和學習，它可以將你的能力從level 2提升到level 4，甚至更高，這是一個正向循環。但同時也需要警惕，如果過度依賴AI，不再自己思考，可能會陷入被動，就像現在很多人沉迷于抖音的推薦算法一樣，我覺得那是很可怕的事情。
我還是希望大家在 AI 時代里盡量多多學習，然后能在自己感興趣的領域扎深一些，走出自己的路。
