企业官网建设流程全解析

明天就要进场了。如果你这两天才开始刷大会日程，大概率会有一个感觉：今年的“吵”法和往年完全不一样。往年大家吵的是谁家跑分高、谁家Demo长，吵来吵去还在同一条赛道上；今年连赛道本身都在吵——大模型还有没有前途、开源是不是被高估、智能体是不是又一轮PPT、安全对齐到底在保护谁。这种“路线之争”式的热闹，比单纯拼肌肉更需要听力。

这篇不是一份普通的日程帖，而是一张“带着问题找答案”的现场攻略：我会先把今年AI圈反复出现的争论主题拆开，再告诉大家明天在演讲、圆桌、展台和茶歇里分别怎么听、怎么问、怎么记。适合即将入场的开发者、产品经理、投资人和媒体朋友；如果你进不了现场，这份清单也能让你在刷直播和行业群时，快速搞懂大家在吵什么。

1. 今年AI圈的“吵”法变了：从秀肌肉变成路线之争

1.1 以前比排名，今年比路线

过去两三年，AI大会的主旋律是“秀肌肉”：参数规模、榜单名次、演示效果，有一个大致统一的标尺，观众只要记住谁第一谁第二就行。今年不一样了，技术路线开始分叉。有人坚持继续把预训练的规模堆下去，相信“大力出奇迹”；有人把宝押在推理阶段，让模型在回答之前多想几步、多验证几次；有人转向端侧小模型和垂直场景，觉得通用底座已经够用，关键是把它塞进手机和本地设备；还有人干脆认为下一个战场在机器人身上。标尺不一致，“吵”自然就来了。

打个比方：以前是几家车企比谁的马力大、谁加速快，指标统一，吵的是高下；今年是有人押电动车、有人押氢能、有人押混合动力，连“什么才算一辆好车”都吵不拢。你明天听到的很多针锋相对的观点，本质上不是正误之争，而是各说各话的路线主张。理解了这一点，你就不会再把所有分歧都当成“有一方在撒谎”。

1.2 立场不同，听法就不同

路线之争不是背景噪音，它直接关系到你接下来12个月的钱包和时间怎么安排。做技术选型的人，会上听到一句“我们不做参数崇拜”，背后是一整套架构取舍；做投资和业务规划的人，判断哪条路线会滚雪球，决定了预算和岗位流向。同样是“开源很有价值”这句话，从闭源产品团队嘴里说出来和从开源社区贡献者嘴里说出来，分量完全不一样。

所以明天进会场，我的建议是：在笔记本第一页写下一行字——“这是事实，还是立场？”把它们分开记。事实是大部分人能复现、有公共证据的东西；立场是某人基于利益和判断给出的主张。两者都要听，但不要混着用。散场后你会发现，这个简单的分类动作比多记十个参数都管用。

2. 六大焦点：会场里反复听到的“吵架议题”拆解

今年大会上的争论很多，但翻来覆去绕不开下面六个话题。我先用一张表把它们的核心分歧和现场追踪方向列出来，再逐个拆开讲。

2.1 Scaling Law：大模型还能不能“大力出奇迹”

这一轮AI的根基，过去几年是同一个公式：模型越大、数据越多、算力越狠，能力越强。圈内叫Scaling Law，通俗说就是“大力出奇迹”。今年这个根基开始被认真质疑。最直接的压力来自几个现实问题：高质量文本数据快被用完了，训练成本涨到只有少数团队才玩得起，而性能提升肉眼可见地变慢，很多人开始怀疑边际收益是不是已经到了拐点。

于是有了两派。一派认为，Scaling Law没有失效，只是需要换燃料：合成数据、多模态数据、更强的并行训练方法，都能把规模继续推下去。另一派觉得，盲目堆预训练规模的性价比已经太低，不如把算力花在“推理阶段”——让模型在回答问题之前多思考、多验证、多调用工具。这条路线被不少人称为“慢思考”，本质是用推理时的计算换能力提升，代表了一种完全不同的资源分配策略。

现场怎么追踪：留意演讲人提到“预训练”和“推理”两个词的频率。前者出现得多，说明他押的是规模路线；后者出现得多，说明他押的是推理路线。对关心落地的人来说，更实在的问题只有一个：单次调用的成本和延迟是多少？如果对方开始讲概念而不给数字，说明商业化火候还差不少。这类问题在展台问比在论坛问更有效。

2.2 开源与闭源：谁在把AI带向更快，还是更坏？

开源权重与闭源服务的路线之争，今年几乎每场圆桌都会碰到。闭源阵营强调开箱即用、安全可控、合规省心，核心话术是“你不需要理解它，只需要调用它”；开源阵营强调模型权重可私有化部署、社区可二次开发、能力底座不能被少数团队垄断，核心话术是“你自己才能对自己的数据负责”。

两边的互相指控也很有意思。闭源说开源喂大了大量“套壳应用”和滥用风险；开源说闭源把公共能力关进黑盒，以后用什么都得看别人脸色。如果你在站队之前先跳出来看，会发现这对企业用户来说从来不是道德问题，而是选型问题：你的数据能不能出厂？你的合规要求允不允许走外部接口？你的团队有没有能力维护一套自建系统？这些问题的答案不同，站队自然就不同。

现场怎么追踪：听开源发布时，别只盯着参数和榜单，重点问授权协议边界在哪里、商用有哪些限制、社区提交的代码能不能被回馈合并。听闭源发布时，重点问价格策略、限流条件，以及有没有公开的第三方评测。对方越是绕开授权和价格去聊情怀，你越要把话题拉回来。记住，任何技术理想，最终都要落到“谁付费、付多少、怎么持续”这三个俗问题上。

2.3 智能体：真生产力，还是新式PPT？

今年的展台和主论坛上，智能体大概是最热的关键词。所谓智能体，通俗说就是让模型不只会聊天，而是能自己拆解任务、调用工具、一步步把事情办完。这个概念很性感，落地很骨感。争论的焦点是：这玩意到底能不能承担真实工作，还是只是把单轮问答包装成了多轮脚本？

支持者会说，人类做事的本质本来就是“规划—执行—检查—调整”，让模型具备这个闭环是顺理成章的事。怀疑者会指出评估上的巨大漏洞：Demo看着聪明，换个环境、换个条件就抓瞎，成功率数字往往是精心挑出来的。更麻烦的是，目前行业里缺少一套大家都认可的多步骤任务评测基准。没有统一标尺，每个人都觉得自己“遥遥领先”，这才是智能体领域最值得警惕的地方。

现场怎么追踪：参加智能体演示时，一定问一句：任务中途出错，它能不能自己恢复？这是Demo最不爱展示的场景。再追问一句：你们公开的成功率是在哪个任务集上跑的？有没有第三方复现过？如果对方顾左右而言他，基本可以判断还处在概念展示阶段。别被屏幕上流畅的操作唬住，问问边界，你就知道它离“替你干活”还有多远。

2.4 多模态与端侧：补课还是开新战场？

文本之外，图像、视频、音频、3D、机器人控制全都在被卷进来，多模态从“加分项”变成了“默认项”。这里的吵架点不在“要不要做”，而在“怎么做”。一派主张打造统一底座，让所有模态共享一套模型内核，这样跨模态理解会产生质变；另一派主张在各自模态上精调，再通过工程手段拼接，成本低、见效快，先把场景做出来再说。这两条路线的开发周期和人才需求完全不同。

端侧小模型是另一个火药桶。支持者觉得，隐私敏感场景、离线场景、低成本场景只有端侧能接得住，这是云侧算力成本居高不下的必然出路。反对者则认为，现在很多端侧方案是“能跑但不好用”，体验明显打折，本质上还在补课，称不上新赛道。这种争论直接关系到设备厂商和芯片厂商的布局，也关系到普通消费者什么时候能在手机上用上像样的离线助手。

现场怎么追踪：逛多模态展台时，问一句：跨模态的对齐层是怎么做的？如果对方答不出具体机制，多半是把单模态模型做了拼接。谈端侧方案时，问功耗、延迟和内存占用三个数字，商业化的成色会瞬间现形。数字亮眼的方案值得多聊几分钟，只会说“我们支持端侧”的，基本可以过。

2.5 安全对齐：刹车还是缰绳？

AI越强，安全讨论越尖锐，但会场上两拨人经常吵不到一块，因为双方说的“安全”根本不是同一个东西。有人说的是数据安全和隐私保护，有人说的是内容合规和滥用防范，有人说的是模型被越狱后的失控风险，还有人说的是长期安全。这四个议题的解法完全不同，却总被塞进一个词里，导致讨论起来像两列火车在各自的轨道上并行，永远碰不到一起。

更直接的利益冲突在“对齐成本”上。安全对齐通常意味着要牺牲一部分模型能力、增加一部分部署成本，于是有产品团队抱怨“对齐税”太重，也有研究团队反驳说对齐本来就是模型能力的一部分。这个矛盾在产品化越深入的企业里越明显。你明天听到的关于安全的争论，绝大部分都是在“安全”定义和“对齐代价”这两个地方卡住的。

现场怎么追踪：下次再听到“安全”两个字，先问一句：你指的是哪个层面的安全？对方如果能把定义说清楚，说明是认真在做；如果只会抛大词，基本是在念稿。这个提问在圆桌环节特别好用，往往能逼出真正的分歧。你也可以顺着问一句“对齐过程里牺牲了什么”，所有承认有取舍的人，都比宣称“安全免费”的人更值得信任。

2.6 应用层PMF：谁真赚到了钱？

模型能力卷到一定阶段，大家开始比应用层的真金白银。今年被反复点名的是几个方向：AI编程工具、办公助手、企业知识库问答、陪伴类产品。争议不在“有没有需求”，而在“需求能不能变成可持续的生意”。一个产品让用户惊呼“酷”很容易，让用户每周打开十次很难，让用户掏钱续费更难。

争论点很具体：免费尝鲜用户一大把，付费转化率能不能撑住？靠功能新鲜感带来的留存，还是靠使用习惯垒出来的壁垒？有人说AI产品的北极星指标和传统软件没有本质区别，有人说AI产品应该看“任务完成率”而不是使用时长。不同口径算出来的故事，差得不是一点半点。同样一个“月活百万”的数据，在不同产品语境里的价值可能差着数量级。

现场怎么追踪：听到“日活”“留存”“付费率”这些词时，把具体数字和统计口径一起记下来。口径不同，数字不可比。亲耳听到的运营细节，往往比PPT上的增长曲线值得信。如果你自己就是做产品的，可以多问一句“什么类型的用户流失最快”，这个问题的答案，经常比对方精心准备的案例更接近真相。

3. 明天进场怎么听：从主旨演讲到圆桌的“辩手识别法”

3.1 先判断说话的人坐在哪一边

会议上的每个人都带着立场，立场本身不是坏事，但你要知道它在哪儿，才能正确解码一句话。我把常见的发言者分成了四类，你可以快速对照。

同一句“我们的模型非常强大”，从不同人嘴里说出来是完全不同的信息。研发派可能指榜单上的新高位，产品派可能指客户续费率，投资派可能指想象空间。你不必喜欢任何立场，但听懂立场之后，你就能从同一句话里多取一层信息。现场信息量很大，这个鉴别动作能帮你省出大量时间，也能避免你把市场话术当成技术事实记下来。

3.2 圆桌会议上，三个信息密度最高的时刻

圆桌是最容易走神、也最值得听的部分。三个时刻信息密度最高。第一个是主持人抛出的第一个问题。这个问题通常是主办方和嘉宾反复确认过的引战话题，等于主办方替你把最值得听的争议点指了出来，务必把问题原话记下来，后面所有嘉宾的回答都是围绕它展开的。

第二个时刻是嘉宾的“修正性发言”。“我不太同意”“准确地说”“我补充一下”，这些话语出现的地方，就是真实分歧所在，值得展开记录。你可能会看到几个嘉宾在原地转圈，说着相似的话，那本身也是一种信号：他们在回避真正的冲突。第三个时刻是自由提问环节。除非时间被严重压缩，否则这往往是全场唯一没人背稿的时刻，嘉宾的临场反应比背稿值钱得多。

3.3 给自己的手机备一张“问题清单”

进场前把想搞清楚的问题列好，存在手机备忘录里，不要贪多。围绕你真正关心的领域列六到八个就够了。我常用的模板是这样的：

• 这次发布最大的技术变化是什么？动机是什么？
• 相比上一版或同类方案，提升靠什么？数据、架构、算力，还是评测口径？
• 如果规模扩大十倍，瓶颈会在哪里？
• 这套方案最可能失败的环节是什么？
• 安全和对齐做了哪些处理？这些处理有没有影响效果？
• 如果我把这套方案用在自己的业务里，第一个月会遇到什么麻烦？

这些问题有一个共同特点：全都在问“边界”和“取舍”，而不是问“是什么”。展台和演讲嘉宾每天被“你们是做什么的”问几百遍，但你问出边界问题，对方很难再用宣传稿应付你。被问到边界问题时，很多人会下意识停顿一下，那个停顿本身就是信息。

3.4 录了音，更要有一句“自己的话”

现在大家都会录音，也会疯狂拍PPT，但散场后真正能调用的记忆往往没多少。我的习惯是：每个演讲或展位结束后的30秒内，用一句话写下“这场内容想让我相信什么”，再补一句“他没说或不敢说的是什么”。这两个问题逼着自己把对方的话翻译成判断，而不是收藏进文件夹。

当天晚上整理时，这两句话比一堆PPT截图有用得多。截图是别人的表达，这两句话是你自己的判断，判断才可复盘。录音可以留，但别指望回去重听，真实情况是会后能重听录音的人少之又少。该做的判断，最好当时就做掉。

4. 逛展台实操：三分钟问清一个技术方案的底细

4.1 第一问：你们解决了谁的什么问题

展位工作人员的开场白通常是“你好，我们做AI解决方案，可以帮你……”——这种话信息量约等于零。我会直接追问一句：“你们主要服务哪类用户？解决他们哪个具体场景的什么问题？”如果对方能准确说出一个垂直场景，比如“给电商客服做质检评分”，说明产品有真实定位；如果支支吾吾只能重复“我们是平台型产品”，那基本可以判断还在布展阶段。

别小看这个开场。一个展位如果连核心用户画像都说不清楚，后面聊得再热闹，大概率是花架子。把时间留给那些能被一句话讲清楚“解决谁的问题”的展位，效率会高出几倍。真正做产品的团队，被问到这一类问题时会很兴奋，因为他们太久没遇到听懂的人了。

4.2 三连问：数据、评估、失败案例

确认产品定位后，接下来用三个问题把宣传外壳剥掉：

• 数据从哪来：训练数据的来源、知识库的更新频率、私有数据能不能安全接入？数据决定这个方案的真实水平，也是很多产品不敢细聊的地方。
• 效果怎么评估：有公开评测、可复现的第三方评测，还是只有一张自己画的曲线？评估方式和口径比漂亮数字重要得多。
• 什么情况下会答错：请对方举两个真实失败的例子。能脱口而出两三个具体失败场景的团队，多半是在真实使用中迭代过的；只会说“我们的准确率很高”，几乎可以认定是话术。

这三个问题的顺序不要乱。先问数据，再问评估，最后问失败案例，是一层层把宣传外壳剥掉，让对方从“讲解模式”切到“工程模式”。切进去之后，你听到的内容含金量完全不同。

4.3 销售和工程师的“信息差”，是你的宝藏

展台上一般有市场人员和工程师。市场人员练过话术，任何问题都能给你很漂亮的回答；工程师往往更耿直，开口就是边界和限制。我的做法是：先在市场人员面前做一轮常规沟通，得到宣传口径；再在旁边观察工程师怎么回答别人的硬问题，或者挑一个技术细节直接问他。

把两边的回答对照，信息差立刻出现。比如市场人员说“支持私有化部署”，工程师可能会补一句“但集群规模小于十台时性能会打折”。这个差值就是你在现场挖到的真实情报。很多参展团队也不介意你这么做，他们自己心里清楚宣传和工程之间的缝隙，只是平时没人问到那么细。

4.4 Demo里的三种障眼法

Demo是展会最热闹的部分，也是最容易让人误判的部分。常见的障眼法有三种，直接看表：

我每次进场前会在备忘录里存一个自己的“脏测试用例”：一句有歧义的业务指令、一个超出常见范围的输入。到了展台直接请对方跑一遍，观察反应。十次里有八次能看出Demo的真实水平。这个动作比看十份宣传册都管用，而且对方一旦发现你是有备而来，后续交流的坦诚度也会明显提升。

5. 散场之后：把“吵架”沉淀成自己的决策

5.1 当晚整理：共识、分歧、待验证三类卡片

散场当晚，趁记忆还热，把笔记整理成三类卡片。共识卡片：所有场次和展台都在讲、且口径一致的东西，可信度最高，可以直接用于决策参考。分歧卡片：同一个问题各方说法相反的内容，记录时要标注各方的立场和利益关系，别把不同立场的观点混成一团。待验证卡片：听到的新名词、新趋势、新数字，标上来源，并注明打算用什么方法验证。

手动建三个备忘录或者卡片盒都可以。关键是分类这个动作本身，它会逼你重新审视白天的记忆。不做这一步，你第二天就会发现自己好像去逛了个热闹。整理这件事，最好当晚做，拖到第三天，热情就没了。

5.2 加联系方式，就着一句具体的问题

茶歇和晚场是整场信息密度被低估的地方。想认识讲者或工程师，别干巴巴地说“留个联系方式吧”，最自然的方式是接着刚才的问题继续：“刚才您提到的评测方法我想再请教一下，方便留个联系方式吗？”

加了之后，当天晚上发一条简短消息，附上你白天的笔记里和他观点相关的一两句话，让对方知道你不是来铺广告的。这一个小小的动作，会显著提高后续对方回你消息的概率。线下社交的保质期很短，告诉对方“我认真听了你的内容”，是成本最低的破冰方式。别小看这条消息，它决定你拿到的是一个名字，还是一个后续能请教的人。

5.3 回工位后，安排一周的验证时间

会后第一周是最好的验证窗口，超过一周，新鲜信息会迅速淹没干扰，你也会失去验证的动力。参考节奏是：第1到2天，把待验证卡里能找到公开资料的项查清楚，尤其是评测基准、授权协议和价格。第3到4天，挑一个对你最重要的分歧点做最小验证：自己搭个开源方案跑一个小实验，或者调一下API对比效果。第5到7天，翻回现场笔记，把“我猜的”和“我确认的”分开标注。

一周后你手里留下的，才是真正能变成决策的东西。现场的一切喧闹，在七天后会被时间滤掉九成，留下的只有你自己验证过的几个人、几个数字和几条判断。那几条判断，就是这张门票真正买到的东西。

5.4 把会场上的“吵架议题”带回团队月度复盘

很多参会者忽略了这个用法。与其让现场争论听过就散，不如把几个焦点问题整理成团队每月的固定议题，比如：“我们现在依赖的方案，是站在规模路线这一边，还是站在推理路线这一边？”“我们的Agent方案，最可能在什么场景下崩掉？”“我们的数据策略，在开源和闭源之间偏向哪头？”

这不是务虚，而是让技术选型不依赖惯性。团队集体讨论过一次的路线分歧，比个人冲动决定的选型靠谱得多。一次会议带回来的最大价值，不是你记住了什么结论，而是你把什么新问题种进了团队日常。

最后讲一点个人体会。我参加过不少次AI大会，最大的感受是：所谓“现场找答案”，找到的从来不是标准答案，而是更精确的问题。带着问题进场的人，离场时脑子里装的是方向感；没带问题的人，离场时手里只有一兜子名片和会场手提袋。

还有个小技巧分享一下：我每次会后复盘，翻到后面几页才发觉，最有价值的几句话往往不在主论坛的金句里，而在茶歇时和某个陌生同行交换的三言两语。所以明天进场，别只顾着追热点场次，把手机备忘录里的问题清单准备好，留一点时间在走廊和展台边缘跟人聊。挑两三个你最关心的焦点深挖，比全场每个展位都扫一遍划算得多。祝你明天带走的不是纪念品，而是答案。