欢迎收听现场对话原文👆
如果有一天，你脑子里的专业经验可以 24 小时在云端替你工作，你还会像现在这样赶路讲课、连轴开会、按小时卖时间吗？
在2025北京非凡大赏的一场圆桌现场，StudyX 创始人 & CEO 李令，把学生和老师的学习难题交给 AI；孚知流科技创始人 & CEO 白双，试图把专家脑子里的隐性经验，变成可以交易的 Agent 资产；世纪天鸿 AI 产品负责人张民松，这位做了 30 年教辅的老兵，正在为老师打造一套 AI 备课外脑；ChatExcel 创始人 & CEO 逄大嵬，用聊天的方式帮职场人搞定 Excel 和数据库背后的数据世界；必优科技创始人 & CEO 周泽安，则盯上了上班族的“PPT 噩梦”，想让文档回到“表达结果”本身。
主持人是，非凡产研内容合伙人薛倩。她开场的第一个要求就很不“专家”：“请用最不专家的方式介绍你们自己，你们到底在帮谁解决什么问题？你们撬动的，又是哪一种专业能力？”
这一刻，其实已经把今天这场对话的主题抽出来了：在 AI 时代，专家的价值，正在从“我懂的比你多”，悄悄变成“我能把这套知识复制给多少人、用多少种方式交付出去”。
而坐在台上的这几位，大概就是五种不同的杠杆：有人用它去撬动学生的学习曲线，有人用它去撬动老师的备课效率，有人用它撬动职场人的数据能力和表达能力，还有人干脆把“专家本人”拆解成一套可运行的 Agent 系统。
一、从“专家介绍自己”，看懂五种专业杠杆
如果你把头衔抹掉，只看他们用“最不专家”的方式介绍自己，其实特别有意思。
李令的 StudyX，干的事情很直白：帮学生学得更好，帮老师教得更好。
对学生，是给他一条效率更高的“知识获取通道”；对老师，是帮他把教研内容、自己的专业积累，转化为真正被学生吸收的“结果”。
这里的杠杆，是学习方法论与教研能力。
白双的孚知流，则是干一件很多专家嘴上说厉害、但从没系统做过的事：把你脑子里那些“说不太清，却一直在用”的隐性经验，变成一种可以交易、可复制、可持续运转的专家 Agent 资产。
你以前靠时间收费，现在可以靠“专家 Agent”替你持续工作。
这里撬动的是专家的隐性知识和决策流程，也就是我们所说的Know-how。
张民松背后的世纪天鸿，是很多人童年阴影的来源——教辅《优化设计》
30 年做教辅，本质上做的是一件事：就是服务好教师，AI产品的切入点是备课场景，备课是一个兼具教师较大工作量和创造力需求的工作，本质是教师对教学内容进行获取、组织加工和创作的过程，现在做的“小鸿助教是通过模型与教育资源库的整合，实现备课资源「个性化定制+动态生成」的创新模式。
杠杆的是学科内容的个性化和知识整合能力。
逄大嵬的 ChatExcel，听起来最“务实”：就是帮普通人，用聊天的方式搞定 Excel 和各种表格、数据库里的数据处理。清洗、透视、报表、看板——过去你要么去学函数，要么找同事帮忙。现在，一个数据智能体帮你把数据从“看不懂的表”，变成“能直接用于决策的结构化信息”。
这里的杠杆，是数据理解、建模与分析能力。
周泽安的必优科技，则把手伸进了上班族的“精神内耗三大件”之一，PPT。
他们做了 ChatPPT，有 1500 万注册用户，还是不少大厂背后的“文档引擎”。
但他们真正想做的，不是“帮你多几页好看的 PPT”，而是：你要讲的这场路演、这次复盘、这份报告，有没有被准确、有效地表达出来？
换句话说，他们试图把“内容产出”从“我会不会用工具”，变成“我能不能把这件事讲清楚、传达出去”。
这五种路径背后，其实是在回答同一个问题：
专业人士的价值，能不能从“卖时间”变成“卖系统”、“卖结果”？
AI 就是那根杠杆，但真正决定你撬多高的，是你掌握的那部分 “不可替代的专业链路”。
二、严肃场景里，AI 凭什么让人“敢托付”？
聊到这儿，问题就来了：这些场景都不轻，一旦错一次，用户可能就永远不用你了。
小数点差一位，财务报表直接报废；教辅内容有问题，是学生真正在试卷上栽跟头；PPT 讲错一页，可能是一个项目黄掉。
在这些“容错率接近于零”的场景里，AI 凭什么让人信任？
1. ChatExcel：数据世界里，“差一位小数”等于死亡
逄大嵬说得很直白：“在 Excel 这种场景里，小数点差一位，你基本就不会再用第二次了。”
所以他们从四个层面，把“准确性”拉到几乎变态的程度。他没有用特别技术化的语言去炫耀，而是讲了几个特别具体的做法：
处理链路要严谨——Agent 每一步做什么，不能“随缘发挥”；
做自己的专有解析模型，专盯数据集这种“细活”；
把处理过程可视化——100 行数据，人眼还能扫一下，100 万行你只能看规则，把思维链（CoT）摊给用户看，让用户能“拆箱”“封箱”；
不同行业的数据模型不一样：物流、电商、医药……背后都是专门的知识模型。
你会发现，他们其实做了一件事：
把“模型可能犯的错”，尽量暴露在用户能理解、能验证的层面，而不是“端给你一个黑盒结果，让你自己去赌”。
2. ChatPPT：文档场景不是“不需要可信”，而是“隐性可信更高”
很多人以为 PPT 不需要那么严肃，反正好看就行。
但周泽安的判断刚好反过来：“Excel 是客观可信，PPT 是演讲者内在的可信。”
一份路演稿、年度总结、战略汇报，AI 写的内容如果和你心里的真实想法不一致，即便逻辑顺一点、排版好一点，你在台上都会觉得“别扭”。
所以他们也做了四件事：
天然聊天化：2023 年 3 月就上线 ChatPPT，让用户通过来回 Chat，把自己的观点、语气、细节一点点“喂”进去；
鼓励用户用自己的原始内容：飞书、钉钉日报、旧文档……通通丢进来，AI 做的是“结构化、重组和表达”；
做“溯源”：每一个观点、每一个关键词，都能点回原文，甚至连数学推导过程都能看到；
区分身份与场景：老师的课件、互联网人的周会汇报、销售的客户方案，本质完全不同，系统会主动判断，走不同的逻辑。
这背后其实是一个简单但经常被忽视的原则：越是“看起来不那么严肃”的场景，越藏着对信任的苛刻要求。
3. 世纪天鸿：当学科内容遇上幻觉，先承认“模型不够格”
学科教育可能是对 AI 最严苛的场景之一。
你可以接受娱乐内容“有点飘”，但一道题、一个概念错了，影响的是一批学生的认知。
张民松的判断非常冷静：“以目前原生模型的状态，还完全达不到学科教育对可信度的要求。”
于是他们的选择是：不把希望全部压在“模型再聪明一点”上，而是用工程手段把模型“框”在可信的轨道里，外挂知识库、外挂工具库、外挂教研团队，寻求适配的解决方案。
教案、课件、习题看上去是“AI 生成”，但背后有一整套内容体系、审查逻辑在托底。
他们做的是一件更难，但更稳的事：让 AI 变成内容团队的“放大器”，而不是“替代者”。
4. 孚知流：真正风险在“规划”，不是“执行”
白双从 Agent 的两步——规划与执行——切入，这个角度很有意思。
执行环节，错就错在工具调用不当、模型 over-react，其实可以通过模型评测、工具治理、生态建设逐步完善。
但规划环节，才是决定“这套 Agent 到底是不是专家水准”的关键。
他举了个对比：大模型通过 DeepSeek R1 之类能力给出的思维链，看上去很完整，但那是“模型觉得合理的路径”；而真正的行业专家，心里那套链路，往往和模型不一样，甚至完全不在一个维度。
所以他们干脆摒弃了画布式拖拽，把规划这一步拉回自然语言：让专家用自己习惯的语言，说明“我是怎么一步步做判断的”；实在写不出来，就用“知识萃取 Agent”跟你聊天，把你的输入输出、例子、思考过程一点点扒出来。
最后沉淀成一条条可以复用的思维链，变成专家的 Agent 资产。
这就是为什么一个做紫微斗数的老师，在他们平台上把“看命盘”的思路梳理成 Workflow 之后，他的 Agent 在圈子里直接“自来水”一样传播。
你会发现，你会发现AI ” “ 在这里扮演的角色，是成为你的身外化身，按照你的专家标准去对“ 外提供生产力，并且这种生产力是无限大的。
5. StudyX：学生与老师，两重“可信”标准
StudyX 一开始是做学生解题，后来走到老师教研。
在学生端，他们用的是我们耳熟能详的一套：RAG、知识库、针对不同学科和题型的解题链路。
但当他们开始服务老师，就发现一个新问题：“对老师来说，‘专业可信’不等于‘模型给的答案是对的’，而是‘这是不是我认可的教法、讲法和标准’。”
于是他们做了一件看起来“不 AI”的事：让内容回到老师手里，接受二次校准。
在特定学科、特定地区的教研场景下，让 AI 输出不只是技术正确，而是符合这群专业人士、这条教育体系的共同理解。
这也是一个重要的转折点：当你从“技术视角”转到“场景视角”，你会发现“可信度”其实有很多层。有的是数学意义上的对错，有的是专业社群内部达成的共识，还有的是演讲者内心的确信感。
三、当大模型和巨头挤进来，专家型产品怎么不被“顺手做掉”？
所有做 AI 应用的人，都绕不开两个压力：
大模型越来越强；
大厂越来越爱“顺手”做应用。
那这些围绕专家场景的小而精产品，凭什么不被一波带走？
1. “问题感”比“技术感”更重要
周泽安说了一句很扎心的话：“如果你只是简单复用技术，而不深度思考用户场景，那确实很危险。”
文档生成这件事，大厂当然可以做，甚至还可以做得更快、更通用。
但当你认真去拆用户场景：
路演的人要的，是拿到钱；
销售要的，是客户点头；
老板要的，是团队真正理解战略；
你就会发现，真正难的是“从结果往回推”，看这份 PPT、这篇文档，怎么才能在复杂的人际场景里发挥作用。
所以他们才会往下延展出 AI 路演页、AI 语音克隆、AI 回答观众提问，甚至和 AR 眼镜结合做提词器。
PPT 不再是一个“文件”，而是一整套“说服系统”的入口。
逄大嵬也有类似的判断：AI 出现之后，需求不是变少，而是变多。
数据更复杂、来源更多、结构更乱。真正有场景感的团队，会在这些“麻烦事”里看见新的机会。
2. 把“重的东西”当成壁垒
做教辅内容，是一件“重而累”的事。但在 AI 时代，这种“重”，反而变成壁垒。
张民松说：内容公司很苦，但一旦你有一整套教研体系、内容资产、审核机制，AI 就能帮你把这套价值释放得更快、更广。你越是能沉下心做“重内容”，大模型的迭代反而对你越友好。
这句话，反过来也可以理解成提醒：如果你只做“轻包装”，是最容易被大厂顺手做掉的那一块。
3. 重新定义自己的“物种”：不是工具，是生态节点
白双给自己下的定位，是 Uber 而不是车厂：“我不做通用 Agent，也不做垂直 Agent，我做的是让专家的 Know-how 得以沉淀、以 Agent 形态去服务终端用户的平台。”
这背后是一个更大的判断：AI 时代，单点工具会越来越多；真正稀缺的，是能够把专家、工具、需求方、培训、IP、投资方串成完整链条的“专家智能体经济”生态位。
他们提的“Value-as-a-service”（价值即服务），本质就是一句话：别再按接口、按 Token、按时长收费了，让用户只为有价值的结果付费。
当你的商业模式本身，已经围绕“价值”而不是“功能”，你就已经从工具出发，走向了生态角色。
4. 在“效率”之外，守住“成长”与“身份认同”
李令从学习场景的视角，提了一个很关键的补充：通用大模型更多关注“效率”和“替代人”，但在学习场景里，我们真正关心的是：这个学生有没有变得更好？
这意味着，产品必须对学生的成长路径、知识图谱、情绪状态负责，而不是只对“一道题有没有解出来”负责。
这和白双提到的品牌理念，有异曲同工：“我们希望让 AI 代替生产力，让人去做更有创造力的事。”
品牌如果只是“一个工具名字”，很难在今天的世界活得长。
真正有生命力的品牌，往往带着一种生活方式的期待，你用它，不只是为了省两小时，而是为了变成一个“更好的自己”。
四、专家的下一步：从“讲课的人”变成“运行在云端的系统”
如果要用一句话总结这场对话给我的感觉，是这样的：
过去，专家是“讲课的人”、“写方案的人”、“改报表的人”；
未来，专家更像是“运行在云端的一套系统的作者”。
StudyX、孚知流、世纪天鸿、ChatExcel、必优科技这几条路，其实已经画出了一条清晰的路径：
先承认：大模型本身是不够的。
再找到：你真正独特的那部分，学科体系、行业 know-how、隐性经验、内容资产、问题分解方式。
然后用 AI，把这些东西变成：面向学生的学习路径；面向老师的教研外脑；面向职场人的数据智能体与文档生成系统；面向专家本人的 Agent 资产与被动收入来源。
在这条路上，“去专家化”并不是要抹掉专家，而是：
用更日常的语言，讲清楚你到底在帮谁解决什么问题；
把你那些过去只存在于脑子、习惯、直觉里的东西，一点点拆出来、写下来、固化下来；
让 AI 和系统，去替你重复那些“可复用”的部分，把你腾出来做更有创造力的决策。
真正的危险，不是 AI 把专家干掉。
而是专家仍然把自己困在“按小时卖时间”的旧模式里，看着一代又一代的工具，从 Word、Excel、PPT，一路进化到大模型与 Agent，却从未认真问过自己：
如果有一天，我的经验不再只能通过“我亲自出场”来交付，我想让它以什么形式，长久地留在这个世界上？
更多对话细节
第一部分：嘉宾自我介绍与“去专家化”解读
薛倩：大家好，我是非凡产研的薛倩。今天的主题我觉得跟我们在座的每一个人都密切相关。大家现场在座的可能都是专家，拥有非常多的专业知识。那我们怎么用 AI 去杠杆化我们自己的专业知识呢？今天在座的五位是“手握五把杠杆”的嘉宾，我们就来好好聊一下他们各自在做的事情。
先请各位嘉宾做一个自我介绍。我有个小要求，请大家用“最不专家”的方式来介绍一下：你们的产品或服务是帮谁解决什么问题？以及你们其实是在撬动哪一种专业能力？先从 StudyX 李总开始。
李令：大家好，我是 StudyX 的创始人李令。如果在座的各位“不专家”地说，我们是帮助学生学得更好，帮助老师教得更好。
从学生的角度，我们试图用 AI 的能力帮助学生更好地去学习知识，或者说给他更好的知识获取方式；对老师来说，我们想帮助老师把他的专业知识更好地教给学生，甚至说 AI 能帮他直接提高专业知识对学生的交付质量。
白双：大家好，我是白双，大家可以叫我双双。我们的公司叫孚知流科技（Fuzflo），核心产品叫 Leapility。
用一个简单的方式介绍：如果在座各位是各个领域的专家，你们一定有一些“隐性知识经验”，这是在网上搜不到的。我们要做的，就是把你们脑子里的隐性专家知识经验，通过产品和商业模式变成可交易的专家 Agent 资产。这样既能为你带来被动式收入，又能把你从劳动力中解放出来。这就是我们在做的事情。
张民松：大家好，我是世纪天鸿的 AI 负责人张民松。我算是一位教育行业的创业老兵，我们公司做了30年，是老牌的教辅出版公司。我们的核心产品《优化设计》目前累计发行量已经达到数亿册，相信在座的各位上学时可能都经历过被我们产品“折磨”的过程。
虽然教辅是一个特殊的行业，使用者是学生，但从业务架构来说，教师是我们服务的第一用户。如何服务好教师，是我们一直在思考的事。所以在2023年左右，我们推出了 AI 产品，主要是解决教师备课相关的问题。
备课对于老师来说是一个兼具较大工作量和创造性的工作，本质上是老师对资源的获取、加工、处理和创作的过程。之前老师受限于环境，而在 AI 出来之后，比如个性化资源获取、跨学科知识融合等方面，跟我们现在的备课产品是密切契合的。我们推出的助教产品——“小鸿助教”，主要解决教师备课的“四大件”：教案生成、课件生成、习题生成，以及导学案的生成。谢谢。
逄大嵬：大家好，我是来自 ChatExcel 的逄大嵬。我们的产品跟名字一样，ChatExcel，就是用聊天的方式帮助大家解决日常办公中的 Excel 问题。并且除了支持 Excel，我们也能支持数据库处理。
我们的定位很简单，就是帮助普通人快速应用所有的 Excel 和表格数据，帮你实现数据处理、清洗、报表分析、图表生成、数据看板等等。围绕数据链路，给普通人提供整个数据智能体，帮助大家更好地使用数据。谢谢。
周泽安：大家好，我是必优科技的周泽安。我们的产品其实很简单，就是帮助大家写文档。我们有好几款产品，比如大家熟知的 ChatPPT，现在有1500万的注册用户，也是很多大厂背后的支柱，不管是金山还是360，背后的很多 API 都是我们提供的。在文档生成领域，我们应该算是国内的隐形冠军。
对我们自己来讲，我们要解决的事情很简单：希望大家能回到创作文档的本身，而不是工具本身。像上一代工具，无论是 WPS 还是微软，我们会沉溺于“怎么做”本身。我们更希望的是：你写这份 PPT 如果是需要路演，我让你快速写出来，并且按照你的意愿触达到投资人；你写的这份报告能让你的客户理解你，这更重要。所以我们交付的更多是以文档内容结果为导向的产品。
薛倩：我用“最不专家”的方式再总结一下：StudyX 是解决个人学习需求；孚知流是帮助每个人提取自己的专家知识并规模化，创造更大价值；世纪天鸿可以理解为教师的“AI 外脑”；ChatExcel 是让用 Excel 变得简单；必优科技就是解决上班族的三大噩梦之一——PPT，帮我们做好 PPT。
第二部分：严肃场景下的“幻觉”与准确性控制
薛倩：讲起来听起来很轻松，但其实各位都在处理比较严肃的场景。我们对产品结果的容错率非常低，可能用一次觉得结果是错的，就不再相信这个产品了。这就是专家产品面临的严格要求。
我想问一下各位：面对大模型不可避免的“幻觉”风险，在追求专业知识精准度的同时，各位从产品设计或技术方面是怎么样解决这个问题的？先从容错度风险最高的 ChatExcel 庞总开始。
逄大嵬：这是个好问题。因为我们做 ChatExcel，定义成处理数据，天然就跟准确率百分之百挂钩。处理数据的产品容忍度几乎为零。
我经常举个例子：在 Excel 场景下，小数点差一位，你基本就不会用了。而且在数据场景下，所谓的“不会用”不是这次不用，是永远都不会再用了。因为你不会相信这个产品能把你的财务报表做准。
所以我们在几个维度去处理这个问题：
第一，从处理的链路（Flow）上，Agent 的处理链路要严谨；
第二，做自己的专有模型，包括解析模型，专门做数据集的处理；
第三，从用户交互维度，让处理过程可视化。比如你处理100行数据，人眼能扫出来，但处理100万行数据时你验证不了。怎么办？我们把处理规则（CoT，思维链）放出来，让用户看到规则，支持“拆箱封箱”的介入方式。
第四，匹配行业知识模型。物流、电商、医药的数据模型和知识完全不一样，这些都需要多维度来解决损失问题。
薛倩：能不能分享一个您的用户用 ChatExcel 处理的最复杂的案例？
逄大嵬：最复杂的其实是财务场景。我们有审计公司，比如“四大”实务中的审计公司，用来做月底的财务报表处理、对账。这种场景比较复杂，第一是对准确度要求极高；第二是表结构特殊，利润表、损益表各种结构不同；第三是服务不同客户（如物流、电商）的模型和知识也不一样。
周泽安：大家可能天然以为 PPT 是不是不用追求可信？“说得好不如 PPT 写得好”，感觉好像用 AI 生成得更好看就行。其实不是的。
PPT 场景是一种“隐性的可信”，要求更高。Excel 的小数点是客观的可信问题，而 PPT 是演讲者内在的可信。比如我要讲必优科技，AI 生成的信息必须高度跟我内在无法用口语表达的信息一致。市面上很多竞品搞 AI 生成 PPT，请想象一下，生成的 PPT 代表你出去路演，如果只有三个词，这三个词能否代表你的观点？
我们做了四层处理：
交互侧： PPT 天然融入演讲者的理解，一句话搞不定，需要来回 Chat。我们在2023年3月4日就上线了 ChatPPT，比微软 Copilot 还早。我们坚信用户需要通过对话不断反馈和补充信息。
内容来源： 我们崇尚用户把自己原本的内容（如飞书/钉钉日报）投喂过来，基于你的内容生成。
溯源（Traceability）： 我们目前做到了业内领先的“溯源”功能。生成的每一个观点、每一个关键词，都可以找到出处。比如你投喂了100MB的文章，点击观点进入溯源视图，它会告诉你这句话来自第5篇文章第2段，甚至数学计算的逻辑也能展示。
专业化版本（Persona）： 针对不同行业做差异化。比如老师的课件内容和职场商业分析完全不同，模型会主动判断你的身份，从相应角度生成，并调用权威信息。
薛倩：谢谢周总。张总（世纪天鸿），您是怎么控制正确与准确率的？
张民松：我们做学科教育，对数据可信度的严谨度基本上是“零容忍”。从我的认知来看，目前原生模型的可信度完全达不到学科教育属性的要求。
要解决这个问题无非两种模式：一是从模型本身，二是从模型之外。经过两年的摸索，我们选择了后者——通过产品能力和工程能力去解决模型已知的问题。比如我们要出一份教案、课件或习题，目前模型本身做不到可信，我们就通过外挂 RAG（检索增强生成）、外挂知识库去解决。我的意思是，不要非盯着单向的能力，要综合地去解决问题。
白双：我尽量从第一性原理来讲。我们做 Agent（智能体），大家都知道 Agent 主要分两步：规划（Planning）和执行（Execution）。
人类专家和实习生的区别主要在“规划”的专业性上。如果你用 DeepSeek R1 出来的思维链，那是大模型认为的正确，但真正在企业或专业维度，专家的思维链跟 AI 是不一样的。所以我们要做的是把专家的思维方式沉淀下来，变成 Agent 资产。
市面上有像 Coze、Dify 这种画布式（Canvas）拖拉拽的产品，我认为它们天然排除了真正有业务 Know-how 的专家，因为业务专家往往不是技术背景，用不起来。
所以在规划这一步，我们摒弃了画布，回归自然语言。我们的产品 Leapility 强调让用户用自然语言把思维链沉淀下来，而不是拖拉拽。
在执行这一步，底层模型能力很重要。我们评测了国内外很多模型，非常遗憾，国内现在很难有一款模型能支撑 Agent 系统科学地调用工具（Tool use ），往往会 Over-react（过度反应）。海外模型，如GPT，Gemini , Claude等已经能很好地支撑了。
此外是工具的丰富性。如果专家规划了流程要调5个工具，其中2个不可用，结果就无法执行。所以我们认为 Agent 是柔性系统，但也需要“刚性系统”（即第三方工具集成）来做支撑。这是一个生态的事情。
薛倩：我想追问一下白总，有没有专家使用孚知流的实际案例？
白双：虽然我们从画布变成了自然语言，但有些专家还是“不知道自己知道”，无法在空白文档上书写。所以我们做了一个“知识萃取 Agent”，模拟人和你对话，研究你的输入输出和思维链，用户只需在80%的基础上调整。
举个案例：大家有信玄学的吗？我们在专家社区里出现了一位做紫微斗数的专家。他把他看紫微命盘的方式变成了工作流（Workflow）。这个 Agent 在我们还没正式上线前就在圈子里传开了，爆发性很好。
这位专家满足了几个点：一是有上手能力；二是能把方法论讲清楚；三是这事儿本身以交付结果为主（算命结果），且准确率高。这完全实现了专家 Agent 替他工作。
未来我们面向的专家画像是：事情本身被市场需要、不是靠灵感而是靠科学方法论、且 Agent 形态能很好交付结果。
李令：StudyX 面向海外学生群体。在解题场景下，对于可信度的处理，我们也用了 RAG、知识库，甚至针对不同学科、题型有对应的解题流（Flow）和技术实现。
现在我们开始服务老师，帮助老师把教研内容做得更好。这时我们不仅仅是做工程化，而是结合传统教育场景，让内容经过人（专家）的二次确认或校准。我们非常关注垂直细分场景下，老师教研的具体场域和标准，希望方案能符合他们的理解，这样他们才会觉得可信。
第三部分：面对大模型进化与巨头的压力
薛倩：大模型进步速度非常快，巨头也在发力。我们如何面对这种双重风险或压力？如何确保差异化？
周泽安：压力肯定有，但如果你只是简单复用技术，而不深度思考用户场景，那确实很危险。不管技术如何迭代，永远要回归到：你解决的是什么人群的什么问题？
比如文档，以前是工具，现在 AI 可以生成了。如果你只是做一个“AI 版 PPT 生成器”，意义不大，因为大厂也能做。但回到场景：用户写 PPT 是为了路演打动投资人、为了让客户理解。这需要深度的场景挖掘，比如我们的“溯源”功能，这是大模型本身不解决的。
其次，要善于利用技术延伸场景。PPT 的留存率天然很低，因为它是短频快的东西。但我们发现 PPT 后端的场景是演讲。所以我们延伸了场景：
AI 路演： 生成演讲稿后，一键发布为路演页面，克隆你的声音自动演讲，甚至 AI 可以代替你回答观众提问，获取线索。
AI 眼镜结合： 我们跟雷鸟合作，把演讲稿投射到 AR 眼镜里，带有提词器功能，自动翻页。这才是彻底解决人群痛点。如果没有 AI，我们只能盯着“写”这个过程。所以技术迭代让我们能做更多事情，而不是恐慌。
逄大嵬：我非常认同。
第一，回到用户需求，AI 出现后需求场景是不断增长的，做垂类可做的东西非常多。
第二，技术上要深耕。比如我们支持更多数据源（PDF、网页、数据库），把所有非结构化数据变成结构化数据，这件事情本身壁垒很高，不可能有一家大厂把所有事情做完。
第三，拥抱生态。做 AI 应用一定要开放，跟大厂合作，跟三方应用合作。我不相信未来会有一个模型覆盖所有人，生态多样化是自然规律。
张民松：这其实是一个认知问题。世纪天鸿做了30年，本质是内容公司。虽然大家觉得做内容又累又重，但这正是壁垒。AI 对我们来说是利好，能提升生产效率。做好自己擅长的事，多拥抱变量。
白双：AI 时代最大的竞争力是认知。认知决定了你的生态位。
第一，我看待知识像一座冰山。冰山水面之上是公域知识，被大模型训练了；我们要做的，是冰山水面之下的隐性知识。
第二，关于通用还是垂直。投资人问我做通用 Agent 还是垂直？我说我都不是。我不做“造车厂商”（垂直 Agent），我也不做通用，我要做 Uber（平台）。也就是提供平台，让专家的 Know-how 沉淀，通过专家 Agent 服务终端用户。
我们的商业模式是“Value-as-a-service”（价值即服务）。用户只为有价值的结果付费。
除了产品，我们构建的是生态。围绕我们生态有做培训的、做 IP 的、做投资的。我们希望构建“专家智能体经济”，让供应链各方获益。
最后是品牌。AI 时代产品要做成一种“生活方式”。我们主张：让 AI 代替生产力，让人去做更有创造力的事。我们的品牌名 Leapility 来自 "Leap your ability"，给用户一种身份认同。
李令：我们看到，美国有些教育公司因为大模型市值跌了很多，但也有像duolingo这样收入和市值上涨的。
通用大模型关注“效率”或“替代人”，但在学习场景下，我们关注“学习者能否变得更好”。我们会关注学生的成长路径、知识图谱，甚至学生的情绪激励。这些是通用大模型不会持续去做的。这就好比微信解决了大部分问题，但依然需要钉钉和飞书这样的垂直产品。
薛倩：非常感谢各位嘉宾的精彩分享。虽然还有问题想交流，但时间到了。谢谢大家！
