Do wszystkich odkrywców i pragmatyków, którzy wytrwale dążą do celu w fali przedsiębiorczości opartej na AI:
Jeśli kiedykolwiek pociągała was zwięzła siła „pierwszych zasad” i próbowaliście użyć jej do przekształcenia branży, to przez ostatnie dwa lata z pewnością byliście świadkami lub osobiście doświadczyliście tego poczucia porażki, gdy schodzi się z wysokich ideałów na grunt rzeczywistości.
Problem może nie leżeć w duchu dążenia do istoty, lecz w tym, czy błędnie odczytaliśmy istotę „złożonych systemów”.
Kiedy nieredukowalna sieć interakcji świata biznesu spotyka model myślenia, który próbuje sprowadzić wszystko do podstawowych jednostek; kiedy zależność i zamknięcie ścieżek technologicznych spotykają idealny plan „obliczania od zera” — luka między nimi jest właśnie otchłanią, w którą wpadło wielu idealistów.
Czym są „pierwsze zasady”?
Kiedy myślenie Muska o Marsie spotyka złożoną glebę chińskiego biznesu, dlaczego ta sama metodologia ryczy w dziedzinie sprzętu, ale milczy w ekosystemie oprogramowania? Czy błędnie odczytaliśmy prawdziwego ducha „pierwszych zasad”?
Tak zwane „pierwsze zasady” zostały po raz pierwszy wyniesione na piedestał przez Muska i stały się frazesem niezliczonych przedsiębiorców i innowatorów. Ich główny urok polega na czystości przypominającej fizykę: odłożenie na bok wszystkich istniejących i konwencjonalnych praktyk, powrót do najbardziej podstawowych warunków rzeczy, rozłożenie jej na najbardziej fundamentalne elementy, a następnie rekonstrukcja i innowacja od źródła.
W dziedzinach rakiet i pojazdów elektrycznych zwycięstwo tego inżynierskiego myślenia jest oszałamiające — bezpośrednio konfrontuje się z prawami fizyki i kosztami produkcji i rzeczywiście osiągnęło przełomy. Jednak gdy to myślenie jest bez zmian czczone jako złota reguła świata biznesu, zwłaszcza gdy stosuje się je do przedsiębiorczości w złożonych systemach, takich jak AI, zaczyna się niebezpieczne uproszczenie.
Problem pojawia się najpierw z fundamentalnej różnicy wymiarów.
Świat fizyczny jest w dużym stopniu redukowalny, jego zmienne są stosunkowo ograniczone, a związki przyczynowe bardziej bezpośrednie.
Możesz obliczyć ciąg rakiety i wytrzymałość materiału, możesz rozłożyć skład chemiczny i koszt baterii.
Ale ekosystem biznesowy, zwłaszcza nowoczesny ekosystem biznesowy napędzany technologią cyfrową, jest typowym złożonym systemem.
Jest pełen nieredukowalnych właściwości „emergentnych”: interakcje niezliczonych jednostek (użytkowników, deweloperów, konkurentów, regulatorów) wytwarzają makrowzorce, których nie można przewidzieć na podstawie zachowania żadnej pojedynczej jednostki.
Nie ma tu jednej „fundamentalnej cząstki”; jest dynamiczna, splątana sieć. Stosowanie myślenia używanego do redukowalnych systemów fizycznych bezpośrednio do nieredukowalnego systemu biznesowo-społecznego jest równoznaczne z używaniem mechaniki newtonowskiej do wyjaśnienia paniki na rynku finansowym — jego jednostronność i ryzyko są nieodłączne.
Tak więc widzimy powszechne błędne odczytanie: wielu przedsiębiorców zamienia metodologię „pierwszych zasad” w slogan, traktując ją jako „kartę wyjścia z więzienia”, która może obejść całą złożoność. Wierzą, że mogą ignorować istniejący krajobraz przemysłowy, nawyki użytkowników i sieci współpracy, i za pomocą lepszego rozwiązania technicznego lub bardziej „istotnej” koncepcji obalić wszystko od zera.
Za tym kryje się nadmierna pewność siebie w „racjonalny projekt”, ignorująca potężną samoorganizację i zależność od ścieżki samego systemu.
To myślenie jest szczególnie widoczne w boomie przedsiębiorczości AI i szczególnie podatne na porażkę.
AI nie działa w laboratoryjnej próżni; musi być osadzone w istniejącym systemie społeczno-ekonomiczno-technologicznym, aby tworzyć wartość. Typowym dylematem jest „zależność od ścieżki technologicznej i zamknięcie ekosystemu”.
Na przykład, nawet jeśli twój algorytm jest bardziej elegancki i wydajny z perspektywy „pierwszych zasad”, jeśli jest niekompatybilny z obecnymi głównymi frameworkami rozwojowymi, nie może wykorzystać istniejącej masowej infrastruktury obliczeniowej lub jest trudny do podłączenia do ekosystemu danych zmonopolizowanego przez gigantów, to jego perspektywy komercyjne natychmiast bledną.
Sama ścieżka rozwoju OpenAI jest doskonałym kontrprzykładem: nie obaliła Google od początku za pomocą doskonałego planu „pierwszych zasad”, ale przeszła przez złożony proces od non-profit do capped-profit, od otwartego do częściowo zamkniętego, oraz ciągłe próby i błędy i ewolucję w ścieżkach technologicznych (na przykład od uczenia ze wzmocnieniem do brutalnych dużych modeli). To historia ciągłej interakcji, adaptacji i gry ze złożonym ekosystemem, a nie plan zaprojektowany czysto od zera.
Na rynku chińskim ta złożoność jest dodatkowo pogłębiana przez unikalną warstwę „ukrytych ograniczeń”.
Silne otoczenie regulacyjne sprawia, że polityka jest kluczową zmienną, którą należy zinternalizować w modelu biznesowym, a nie zewnętrznym zakłóceniem. Unikalne nawyki użytkowników (takie jak poleganie na superaplikacjach i różnice w kompromisach między prywatnością a wygodą) kształtują całkowicie odmienne formy popytu na produkty.
Głęboko zakorzenione sieci łańcucha dostaw i klastry przemysłowe sprawiają, że innowacje sprzętowe muszą uwzględniać sprzężenie z istniejącym systemem produkcyjnym, a nie prostą wymianę. Nie są to tła, które można łatwo „rozłożyć” i „zrekonstruować”; są to sztywne struktury, które kształtują przestrzeń możliwości przedsiębiorczych. Tutaj myślenie „od zera”, ignorujące ekosystem, częściej trafia na niewidzialne ściany.
Dlatego błąd kultu „pierwszych zasad” nie leży w duchu dążenia do istoty, lecz w jego uproszczonym zastosowaniu bez szacunku dla „złożonych systemów”.
Próbuje używać narzędzi myślowych zaprojektowanych dla ograniczonej liczby zmiennych i liniowej przyczynowości do radzenia sobie z rzeczywistym światem nieskończonych zmiennych i nieliniowych interakcji. Kiedy przedsiębiorczość AI wpada w tę pułapkę kultu fizyki, wynikiem często nie jest przełomowe zwycięstwo, lecz tragiczna porażka bycia nie na miejscu w rzeczywistym ekosystemie biznesowym.
Prawdziwe wyzwanie polega na tym, jak połączyć myślenie dążące do istoty z mądrością obejmującą złożoność.
Zasadnicza granica między sprzętem a oprogramowaniem
Sukces Muska został nadmiernie uproszczony.
Ludzie widzą, jak obniża koszty baterii i restrukturyzuje produkcję rakiet, i zakładają, że „pierwsze zasady” to uniwersalny klucz, który może otworzyć wszystkie problemy biznesowe. Ale to myślenie ma poważnie pomijaną granicę stosowalności: sprzęt i oprogramowanie podlegają dwóm fundamentalnie różnym logikom bazowym.
Możemy rozumieć dziedziny zdominowane przez sprzęt jako „system konwergentny”.
Czy to pojazdy elektryczne, czy rakiety wielokrotnego użytku, kluczowe wyzwania ostatecznie koncentrują się na szeregu jasno definiowalnych praw fizyki i problemów inżynieryjnych: gęstość energii, wytrzymałość materiałów, aerodynamika, koszt produkcji. Chociaż te zmienne stanowią ogromne wyzwania, ich natura i wzajemne relacje są w znacznym stopniu znane i mierzalne.
Sukces Tesli jest zasadniczo ostateczną optymalizacją i integracją systemową znanych zmiennych w ramach zestawu rygorystycznych ograniczeń fizycznych i kosztowych. Tutaj prawa fizyki są niepodważalne, wyznaczając stosunkowo jasny i obliczalny tor dla innowacji. Grasz ze stalą, chemią i mechaniką newtonowską; reguły przeciwnika są stałe.
Jednak gdy wkraczasz w dziedziny skoncentrowane na oprogramowaniu i ekosystemach, zwłaszcza w komercyjne zastosowania sztucznej inteligencji, reguły gry ulegają fundamentalnej zmianie. To nie jest już „system konwergentny”, lecz „system dywergentny”.
Twoimi przeciwnikami nie są już ciche prawa fizyki, lecz „ludzie” pełni niepewności—zmienne preferencje użytkowników, skłonności społeczności deweloperów, dynamiczne reakcje konkurentów, zmieniające się postrzeganie regulatorów.
Główną cechą tego systemu nie jest już optymalizacja znanego, lecz reagowanie na „emergencję”.
Efekty sieciowe tworzą bariery monopolistyczne z niczego, nawyki użytkowników tworzą lepkość trudną do migracji, a zwycięstwo ścieżki technologicznej często wynika z małej przypadkowej przewagi na wczesnym etapie, która następnie jest gwałtownie wzmacniana przez system.
Tutaj optymalne rozwiązanie techniczne często przegrywa z produktem, który przypadkowo zajmuje lepszą niszę ekologiczną, ale jest technicznie suboptymalny. Nie możesz precyzyjnie obliczyć ostatecznej formy wzorca interakcji użytkownika ani koła zamachowego danych, tak jak nie możesz obliczyć gęstości energii baterii.
Na unikalnym chińskim rynku AI złożoność tego „systemu dywergentnego” przejawia się również jako rozdwojenie „dwutorowe”.
Jeden tor to wyścig laboratoryjny dążący do przełomów technologicznych na światowym poziomie, porównujący się z najnowszymi globalnymi publikacjami; drugi tor to przemysłowa mozolna podróż poszukująca komercyjnego wdrożenia, szukająca scenariuszy zastosowań w warsztatach fabrycznych, salach rządowych i szczelinach superaplikacji.
Między nimi często istnieje ogromna przepaść.
Technologia może przyciągać wiele uwagi na globalnych konferencjach akademickich, a jednocześnie być całkowicie niezdolna do integracji z istniejącymi chińskimi łańcuchami przemysłowymi, regułami zarządzania danymi czy gotowością konsumentów do płacenia. Ta luka jest dokładnie tym, co „pierwsze zasady” czysto sprzętowego myślenia najtrudniej zrozumieć i przezwyciężyć. Nie jest w stanie włączyć „ograniczeń nietechnicznych”, takich jak trendy polityczne, lokalny protekcjonizm i silosy danych, jako podstawowych zmiennych do swojego początkowego modelu obliczeniowego.
To przynosi ogromne ryzyko przy transplantacji między kontekstami.
Narracja „przełomowych innowacji” wywodząca się z Doliny Krzemowej często przechodzi głębokie mutacje na chińskim rynku.
Czysty technologiczny idealizm musi tu często łączyć się z głębokim „realizmem ekologicznym”. Obserwując rozwój ByteDance czy Tencent, odkryjesz mądrość bardzo odmienną od deklaracji w stylu Muska — mądrość ewolucyjną opartą na próbach i błędach, informacji zwrotnej i szybkiej iteracji.
Rzadko twierdzą, że odbudują przemysł od fizycznych pierwszych zasad; zamiast tego bystro dostrzegają luki i depresje ruchu w istniejącym ekosystemie, szybko dostosowują się i wtapiają jak organizmy, a następnie z kolei przekształcają środowisko. Douyin nie wynalazł krótkich filmów z „pierwszych zasad”; raczej znalazł punkt wybuchu na przecięciu unikalnej chińskiej infrastruktury mobilnego internetu, ekosystemu twórców treści i potrzeb rozrywkowych użytkowników, i pielęgnował go poprzez precyzyjne operacje algorytmiczne.
WeChat Tencenta jest jeszcze bardziej superorganizmem, który naturalnie rósł i nieustannie „wyłaniał” nowe funkcje wśród złożonych relacji społecznych i potrzeb komunikacyjnych.
Rdzeń tej mądrości polega na uznaniu, że w „systemie rozbieżnym” oprogramowania i ekosystemów nie można zaprojektować ostatecznej formy pierwszego dnia. Sukces pochodzi z budowania adaptacyjnej organizacji zdolnej do ciągłego odczuwania środowiska, wchłaniania informacji zwrotnej i dostosowywania własnej struktury.
Wtedy nie jest to już podbój fizyki, lecz symbioza biologii.
Kiedy technologiczny idealizm spotyka realizm ekologiczny, zwycięzcą często nie jest inżynier z najdoskonalszym planem, lecz gatunek o największej zdolności adaptacji środowiskowej.
W rozległej i unikalnej chińskiej dżungli cyfrowej zrozumienie tego jest ważniejsze niż oddawanie czci jakiemukolwiek pojedynczemu modelowi mentalnemu.
Ramy startupu AI w myśleniu o złożonych systemach
Czy zatem powinniśmy całkowicie porzucić dążenie do istoty? Niezupełnie.
Prawdziwy problem leży w podstawowych modelach mentalnych, na których się opieramy.
Potrzebujemy już nie „fizycznej pierwszej zasady” dostosowanej do stabilnego, redukowalnego świata, lecz „biologicznej pierwszej zasady” zdolnej sprostać dynamicznej złożoności. Nie jest to negacja pierwszych zasad, lecz głęboka aktualizacja paradygmatu: od redukcjonizmu do myślenia o złożonych systemach adaptacyjnych.
Jego rdzeń leży w trzech kluczowych skokach poznawczych.
Po pierwsze, jest to przesunięcie od dążenia do tworzenia doskonałych rozwiązań w idealnej próżni do poszukiwania w rzeczywistości „niszy”, w której można przetrwać i się rozwijać. Musisz najpierw odpowiedzieć: w istniejącym krajobrazie technologicznym, sojuszach przemysłowych i ramach regulacyjnych, gdzie jest luka pozwalająca ci wykiełkować, zdobyć początkowe zasoby i zbudować obronę? Przedsiębiorczość nie polega na budowaniu utopii od zera, lecz na znalezieniu swojej kombinacji gleby, światła słonecznego i wody w istniejącym lesie deszczowym.
Po drugie, musisz zrozumieć siłę „koewolucji” i porzucić romantyczną fantazję o „jednokierunkowym przełomie”. Twój produkt i technologia będą koewoluować z nawykami użytkowników, konkurentami, dostawcami komplementarnymi, a nawet regułami regulacyjnymi. Twój sukces nie zależy od twojej jednostronnej „siły przełomowej”, lecz od tego, czy możesz zainicjować i pokierować wielostronnym, wzajemnie korzystnym procesem ewolucyjnym, jak symbiotyczna relacja między koralowcami a algami.
Po trzecie, musisz zaakceptować logikę „emergentnej adaptacji”, zamiast trzymać się poczucia kontroli „totalnego projektowania”. Nie możesz z góry ustalić wszystkich szczegółów i ostatecznej formy pierwszego dnia. Właściwym podejściem jest zbudowanie początkowego systemu o podstawowych zdolnościach adaptacyjnych, ustalenie jasnych reguł ewolucyjnych i mechanizmów informacji zwrotnej, a następnie, poprzez ciągłą interakcję z rzeczywistym środowiskiem, pozwolenie, by lepsze strategie, formy i modele „wyłoniły się” same. Projektujesz reguły ewolucji, a nie wyniki ewolucji.
Na tej podstawie wyłania się nowa architektura decyzyjna, zawierająca co najmniej cztery warstwy, które muszą być stale monitorowane i wchodzić w interakcje. Najbardziej
zewnętrzną warstwą jest „wyczuwanie warstwy środowiskowej”. W dziedzinie AI oznacza to zwłaszcza, że musisz modelować unikalny chiński cykl polityki AI jako zmienną rdzeniową.
Wahania polityki nie są szumem, lecz zmianą klimatu, która definiuje krajobraz gry.
Jednocześnie rytm przepływów kapitału i wahania w strukturze talentów wspólnie tworzą makroskopowe warunki hydrologiczne, którym przedsiębiorczość musi się podporządkować. Przechodząc do wewnątrz, kolejna warstwa to „analiza warstwy ekosystemu”.
Musisz zeskanować, niczym ekolog, istniejące frameworki open-source, platformy usług chmurowych, łańcuchy dostaw sprzętu i interfejsy API głównych graczy — jaki rodzaj „technologicznego lasu deszczowego” tworzą? Czy twoja innowacja wymusza inwazję jako gatunek zakłócający, czy możesz znaleźć punkt wejścia dla „pasożytnictwa” lub „symbiozy”, najpierw zdobywając prawo do przetrwania, a następnie dążąc do rozwoju? To determinuje, czy na wczesnym etapie narobisz sobie wrogów na wszystkich frontach, czy będziesz mógł wykorzystać impet do ruchu naprzód.
Tylko na podstawie powyższego zrozumienia możesz przeprowadzić „projektowanie warstwy ścieżki”.
Kluczem jest tutaj zbudowanie „minimalnej zdolnej do życia jednostki ekosystemu” (MVE). To nie tylko MVP do testowania funkcji produktu, ale test tego, czy twoje rozwiązanie może zakończyć minimalną pętlę zamkniętą w rzeczywistym ekosystemie — czy może przyciągnąć początkowych użytkowników, czy może ustanowić wymianę danych lub wartości z co najmniej jednym kluczowym partnerem oraz czy może uformować zrównoważony strumień wartości w mikroskopijnym scenariuszu. To jest wiarygodny punkt wyjścia twojego procesu ewolucyjnego.
Wreszcie, chodzi o ustanowienie przez całą organizację „mechanizmu warstwy adaptacji”.
Oznacza to, że architektura decyzyjna musi być zwinna i oparta na informacji zwrotnej, zdolna do szybkiego przekształcania ogromnych sygnałów z otoczenia, ekosystemu i praktyki ścieżki w korekty strategiczne i taktyczne. Twój plan nie jest blueprintem do ścisłego wykonania, lecz zestawem hipotez wymagających ciągłej rewizji.
Aby praktykować tę ramę w Chinach, trzeba także umiejętnie wykorzystywać zestaw unikalnych „zmiennych narzędzi”.
Pierwszym jest zrozumienie i wykorzystanie logiki dwunapędowej „rząd–rynek”. Szanse często pojawiają się na przecięciu torów przemysłowych wyznaczanych przez strategię narodową i spontanicznie kształtowanego popytu rynkowego, takich jak konkretne scenariusze w ramach „inteligentnej produkcji” lub „inteligentnych miast”.
Po drugie, bądź dobry w wykorzystywaniu silnego efektu „klastra łańcucha przemysłowego” w Chinach.
Twoja przewaga w algorytmach AI musi być głęboko zintegrowana z łańcuchem dostaw elektroniki użytkowej w delcie Jangcy, zdolnościami szybkiego prototypowania sprzętu w delcie Rzeki Perłowej lub klastrami przemysłu usług danych w regionie Pekin–Tianjin–Hebei, aby mogła zostać dramatycznie wzmocniona i przekształcona w trudne do powtórzenia przewagi kosztowe i szybkościowe w dostarczaniu.
Oczywiście musisz także dogłębnie zrozumieć „półotwarty charakter chińskiego ekosystemu danych”.
W granicach bezpieczeństwa i ochrony prywatności, jak znaleźć zgodne kanały przepływu wartości między przedsiębiorstwami, platformami branżowymi i danymi publicznymi, jest samo w sobie kluczową zdolnością przedsiębiorczą.
Praktyczne ścieżki przedsiębiorczości AI w Chinach
Opierając się na myśleniu ewolucyjnym, możemy z grubsza zidentyfikować kilka praktycznych ścieżek przedsiębiorczości AI w Chinach. Pierwszym zadaniem jest jasne rozpoznanie i unikanie zlokalizowanego wariantu „dylematu innowatora”.
Istota tego dylematu polega na ślepym dążeniu do czołowej konfrontacji technologicznej na poziomie ogólnym lub po stronie konsumenckiej w obliczu internetowych gigantów z ogromnymi danymi, kapitałem i bramami ruchu.
Bardziej pragmatyczną ścieżką jest przeprowadzenie gruntownej strategii zróżnicowanej niszy.
Oznacza to, że przedsiębiorcy muszą porzucić wielką narrację „kogo zastąpić” i zamiast tego głęboko zastanowić się, „jaką niezaspokojoną lukę mogę wypełnić, na którą giganci nie mogą szybko zareagować”.
Patrząc wstecz na drogi wczesnych firm AI, takich jak SenseTime i Megvii, ich wybory ścieżek zasługują na ponowne zbadanie. Nie próbowały od początku zbudować zupełnie nowego cyfrowego świata, lecz w pionowych dziedzinach, takich jak bezpieczeństwo i finanse, gdzie istnieje sztywny popyt na technologię, a tradycyjni internetowi giganci nie przeniknęli głęboko, najpierw stały się niezbędnymi „komponentami” istniejącego ekosystemu przemysłowego, dostarczając kluczowe zdolności rozpoznawania wizualnego. Istotą tej strategii jest znalezienie mikrośrodowiska o stosunkowo niezależnym świetle słonecznym, wodzie i składnikach odżywczych w cieniu gigantów oraz zapuszczenie tam korzeni i wzrost.
Aby zrealizować tę ścieżkę, trzeba mocno uchwycić trzy pragmatyczne priorytety strategiczne dla ewolucji.
Po pierwsze, „głębokość osadzenia scenariusza” musi być stawiana ponad „czystością teorii technologicznej”. Niezależnie od tego, ile masz parametrów modelu i jak imponujące są twoje publikacje, nie jest to tak dobre jak poprawa dokładności wykrywania o 0,5% na konkretnej linii produkcyjnej i umożliwienie zarówno pracownikom, jak i menedżerom fabryki bezproblemowego korzystania z tego. Głębokie osadzenie oznacza zrozumienie wszystkich nietechnicznych ograniczeń scenariusza: przepływu pracy, systemów zaopatrzenia i kompetencji personelu.
Po drugie, dążenie do „szybkości zgodności ekosystemu” powinno mieć priorytet nad dążeniem do „stopnia przełomowości funkcjonalnej”.
Czy twoje rozwiązanie może szybko połączyć się z głównymi platformami chmurowymi? Czy może być kompatybilne z powszechnymi protokołami przemysłowymi? Czy istniejący programiści mogą zacząć pracę przy jak najmniejszym szkoleniu? Osiągnięcie „plug-and-play” w ekosystemie często ma znacznie większą wartość komercyjną niż „przełomowa funkcja”, która wymaga wywrócenia wszystkiego i edukowania rynku.
Po trzecie, „gęstość informacji zwrotnej z iteracji” musi zastąpić obsesję na punkcie „kompletności projektu najwyższego poziomu”.
Nie spędzaj miesięcy na projektowaniu bezbłędnej, ostatecznej architektury produktu. Zamiast tego umieść nawet zgrubny minimalny produkt zdolny do działania (MVP) w rzeczywistych scenariuszach tak szybko, jak to możliwe, i ustanów pętlę informacji zwrotnej o wysokiej częstotliwości i krótkim cyklu. Prawdziwe skargi i potrzeby uzyskane od użytkowników pierwszej linii i partnerów mogą znacznie lepiej wskazać właściwy kierunek ewolucji niż doskonały plan w sali konferencyjnej.
Patrząc w przyszłość na następne dwa do trzech lat, krajobraz przedsiębiorczości AI w Chinach będzie wykazywał kilka wyraźnych trendów ewolucyjnych.
Pod względem zwrotu komercyjnego „małe modele domenowe” będą tworzyć zamknięte pętle znacznie szybciej niż „ogólne duże modele”. W dziedzinach zawodowych, takich jak opieka zdrowotna, prawo i przemysłowa kontrola jakości, wymagania dotyczące prywatności danych, wiedzy dziedzinowej i niezawodności są niezwykle wysokie, a modele ogólne często są niewystarczające. Małe modele zoptymalizowane pod kątem konkretnych scenariuszy, o kontrolowanych kosztach i możliwości bezpośredniego osadzenia w przepływach pracy, jako pierwsze osiągną przychody na dużą skalę.
Konkurencyjny nacisk aplikacji natywnych dla AI przesunie się z porównywania, czy funkcje są fajne, na mierzenie „powinowactwa ekosystemu”. Oznacza to, że to, czy aplikacja może sprawnie zintegrować się z superbramami, takimi jak WeChat i DingTalk, oraz czy może efektywnie współpracować z lokalnymi ekosystemami chipów i frameworków, takimi jak Huawei i Baidu, będzie ważniejsze niż przełomy w pojedynczej funkcji.
Z drugiej strony przypuszczamy, że zróżnicowanie regionalne będzie się nasilać. Delta Rzeki Jangcy i Wielki Obszar Zatoki, opierając się na swoich głębokich fundamentach w produkcji i usługach komercyjnych, wyewoluują odpowiednio dwie charakterystyczne ścieżki: „AI + produkcja” i „AI + usługi”. Pierwsza wchodzi głęboko do fabryk, koncentrując się na optymalizacji procesów i inteligencji łańcucha dostaw; druga łączy merchantów, rekonstruując marketing, obsługę klienta i handel transgraniczny.
Czy zatem pojawiła się potencjalnie ogromna „druga krzywa wzrostu”?
Na przykład kompleksowa cyfrowa i inteligentna modernizacja przedsiębiorstw państwowych.
To nie są zakupy IT w konwencjonalnym sensie, lecz głęboki popyt obejmujący reorganizację procesów zarządzania, zarządzanie danymi i współpracę przemysłową.
Rozwiązania AI, które potrafią zrozumieć logikę operacyjną przedsiębiorstw państwowych, spełnić wymagania bezpieczeństwa i zaufania oraz przełożyć wartość technologiczną na poprawę efektywności zarządzania, wejdą na trwały i ogromny rynek.
Te trendy razem prowadzą do jednego wniosku — w Chinach sukces AI będzie coraz bardziej zależał od zdolności do precyzyjnego osadzenia się w złożonych ekosystemach biznesowych i współewolucji z nimi, a nie od izolowanych szczytów technologicznych.
Złota era AI w Chinach należy do ludzi czynu, a jeszcze bardziej do myślicieli, którzy dobrze wykorzystują narzędzia.
Teraz zacznij od wyjaśnienia ekosystemu, w którym się znajdujesz.
Ten artykuł pochodzi z publicznego konta WeChat „Dongzhen Shanglue”, autor: Dongzhen Shanglue
