深圳参访记：AI 怎样走进真实的工作
9 月 15 日到 17 日，我去深圳参访了科大讯飞、腾讯、大疆、商汤和中兴通讯。
三天里看了不少产品，听了不少介绍，也记下了很多数字。回来后再翻笔记，最想留下的，反而是几个很具体的片段：大疆的产品演进怎样让我重新理解技术能力与市场的关系，腾讯的一场 AI 培训为什么给了我信心，以及一家企业的技术，究竟怎样才能变成客户工作中用得上的东西。
五家企业都在谈 AI，却各有自己的出发点。把它们放在一起看，我对自己正在做的工作，也有了一些新的理解。
科大讯飞：技术做深以后，还要走进行业
第一站是科大讯飞。上午先参观展厅，再听关于人工智能创新与实践的分享。
从语音识别、语音合成，到会议转写、教育、医疗，现场呈现出一条比较清晰的线索：围绕一项技术长期积累，再把能力放进不同的业务里，逐步变成产品。
我更关心的，是星火大模型怎样做生意。
按现场介绍，他们很重视国产算力、自主可控、安全可信和私有化部署。这让我想到，政企客户购买一套 AI 方案时，要解决的事情远比“哪个模型更聪明”复杂。数据放在哪里，能不能接进现有系统，谁来部署和维护，出了问题由谁负责，这些都可能影响最终选择。
因此，我对讯飞商业化路径的理解是：技术能力需要与行业知识、客户需求和交付经验结合，才能形成一门持续的生意。
但复杂也不自动意味着利润高。复杂的项目，可能同时带来更长的销售周期、更重的交付成本，以及后续维护和回款的压力。这些问题，参访当天并没有得到充分解答。
交流里还有一个有意思的细节。我们问，对方自己做研发时会用什么 AI 编程工具，得到的回答里有 Claude Code。这个回答只能代表当时交流涉及的团队，却让我觉得很自然：研发自己的模型，也可以使用外部好用的工具。把工作做好，本来就需要开放地选择技术。
声音复刻则是一个我很想亲自试的能力。输入文稿，用自己的声音做配音、讲解和视频旁白，对我来说有很直接的用途。相比记住一串模型成绩，我更愿意自己做一段小样，听听自然度、停顿，以及专业名词读得对不对。
这一站也留下了遗憾。问到“星火盒子”“政务盒子”时，接待人员没有给出明确答案。一个展厅、一次接待，能提供的信息终究有限。有机会的话，我还想直接找到相关产品和交付团队，把产品形态、实际能力和落地效果问得更具体一些。
腾讯：带回产品观，也带回一点信心
下午到了腾讯滨海大厦。
关于企业历史和产品文化的分享，我听得很有收获。现场讲到“重资产、小团队、大文化”，这里的“资产”首先指人；也反复提到产品的三个原则：实用、好用、易用。
这些词看起来简单，做起来并不容易。我们向客户介绍 AI 时，很容易从模型、参数和功能讲起。但客户真正在意的，往往是自己能不能上手，事情能不能做完，遇到问题能不能继续用。
“不需要读说明书就能上手”，其实是一个很高的要求。它意味着，开发者已经替用户处理了很多复杂性。
现场还用“大脑、手脚、骨架”解释 AI：模型提供基础能力，应用和 Agent 去完成任务，算力与基础设施支撑它们运行。这个框架很直观，也让我更容易理解腾讯的选择。就这次参访给我的印象而言，腾讯积累很深的，是产品、入口，以及连接用户和服务的生态。
不过，最出乎我意料的收获，来自那场 WorkBuddy 培训。
课件里的截图有些旧，案例主要是复刻网站、诗词游戏这类基础应用。只看那一场培训呈现出来的内容，我的感受是：我们并没有想象中落后，在一些实操环节，甚至可以做得更好。
这当然不能用来判断腾讯整体的 AI 能力。一场培训的内容，也可能与它面向的学员有关。但它确实让我放下了一点对大公司招牌的仰视。
判断自己有没有能力，可以回到具体的事情上：有没有做成过真实的业务案例，能不能把方法讲清楚，学员学完以后能不能自己完成任务。这些，比站在谁的讲台上更能说明问题。
我给自己留下了一个问题：如果让我们给同样的参访团队做培训，会拿哪个真实案例来讲？这个案例最好来自实际工作，学完能带走，也能继续用。
同一天，老员工分享产品文化时的投入，与展厅讲解稍显机械、互动不足的体验，也形成了反差。文化最终会在每一次具体的接触中被感受到。自己向客户介绍产品时，也应该记住这一点。
大疆：从产品演进，想到 AI 的“超能力”
大疆这一站，给我留下的印象最深。最大的收获，是看了它的公司发展历程，特别是一代代产品怎样演进。
在蛇口的展示场馆里，讲解员沿着历代产品往下讲：最初想解决什么问题，做出了什么产品，使用中又遇到了什么限制，下一代怎样改进。每一代产品都有来由，也自然地引出下一代。
看着这些产品，我突然有了一个想法：凭借自主研发、技术领先的无人机飞行器，大疆获得了一项属于自己的空中“超能力”。它可以从空中获取画面、远程传输信息，也能负重运输，进入地面难以到达的地方完成作业。
围绕这项能力，它不断开拓市场、寻找应用场景，把“能飞”变成客户用得上的产品和方案。现场展示的应急救援、电力巡线、森林巡防、农业喷洒等案例，让我更容易看清这条路径：一项领先的技术能力，怎样进入具体工作，创造很大的价值。
这让我联想到正在快速发展的 AI。新的能力不断涌现，它们同样像一项项“超能力”：有些让原来的工作变得更便宜、更高效，有些则让过去解决不了的问题，第一次有了解决的可能。
对我们来说，一个很重要的工作方向，就是快速追踪这些新能力，寻找本地有价值的应用场景，再根据客户的数据、流程和使用条件做适配。这样，AI 的能力才有机会变成客户日常工作中的实际价值。
有了这个理解，我再看 AI 产业，就多了一层具体的认识：每一次能力进步，都值得回到本地的工作里看看，它能改变什么。我们能否用更低的成本、更高的效率解决一个问题？能否把以前做不到的事情做成？这中间，有很多需要我们亲自发现、验证和交付的价值。
所以，与客户交流时，我想先问清楚：原来最困难、最费钱，或者需要人员冒险的环节在哪里？再去判断，眼前这项能力能不能改变它。
当然，我们与大疆的位置不同。它拥有自己的核心产品，我们更多是基于已有的 AI 能力做应用与交付。因此，更需要积累对本地行业的理解、对客户流程的熟悉，以及可以反复使用的方案。客户的事情能不能真正做成，是我们需要拿出答案的地方。
这次参访里，大疆的讲解与演示本身，也值得认真学。
讲解员语气平实，措辞准确，讲解与手上的操作配合得很顺。打开手机，连接设备，操作一下，设备马上响应。我们自己经常给客户演示，知道这种流畅很难得，背后要把设备状态、连接过程、反馈速度和讲解顺序都准备好。客户在这个过程中，同时判断产品是否成熟，以及眼前的人是否专业。
参观最后还有机器人对战和无人机试飞。我个人对这些体验兴趣一般，但它们在整个接待流程里很有意义：先听懂，再看到案例，最后自己试一下。
以后做 AI 交流，我也想多留一点时间，让客户用自己的一个小任务，亲手做出结果。做到哪一步有帮助，哪一步还有困难，他自己会有感受。
商汤：把注意力放回数据和现场
商汤是这次信息密度很高的一站。体验中心参观之后，分享和问答涉及算力、大模型、应用、数据，以及企业怎样组织这些事情。
主讲人谈到 FDE，强调深入客户工作场景、找到问题、完成定制化开发，再教会客户使用 AI。听到这里，我觉得与我们正在做的事情很接近。
我更愿意记住这种具体的工作内容。一个 AI 应用交到客户手里以后，还要接入数据、连上工具、适应流程、验证效果，并让使用它的人真正学会。这些工作需要有人持续负责。
关于数据的讨论，我也记得很深。现场用了不同企业和行业的案例，说明数据标准、质量和积累会怎样影响应用效果。那些案例里的金额、比例，我没有逐一核实；但它们提出的问题，很值得带回自己的项目里检查。
客户的数据在哪里？同一件事，不同部门的记录能不能对上？数据是否真实、完整，是否允许在这个场景使用？如果这些都还没弄清楚，单纯换一个更强的模型，未必能解决问题。
“场景跑通率”这个说法也给了我启发。以后评估项目，我想少看一些功能数量，多看一个场景能不能从头走到尾：真实数据进来，经过实际业务流程，结果有人检查，也有人愿意继续使用。
现场提到的低成本三维建模方案，则让我想到园区、景区和厂区。这个方向值得继续跟进，但拍摄条件、建模精度、更新方式和收费范围，都要用实际试点来确认。参访给了一个线索，离可交付的方案还有工作要做。
中兴通讯：AI 背后的那些基础工作
最后一站是中兴通讯总部展厅。
与前几家相比，这一站留给我的印象更偏工程：网络、芯片适配、算力设备、散热、操作系统、数据库，以及这些能力已经用在哪些客户和系统里。
展厅里有很多参数和指标。我没有条件当场验证，后来整理时，也不想把它们直接写成技术结论。但这种展示方式提醒了我，讨论 AI 时，自己的注意力常常停在应用界面和模型回答上。
在它们背后，还有一整套支撑运行的条件。算力够不够，网络稳不稳，不同硬件能否适配，系统出了故障怎样定位和恢复，都会影响一个应用能不能长期使用。
对我们做政企业务的人来说，这些事情并不遥远。一个客户愿意长期使用的 AI 应用，需要把模型、网络、数据、系统和后续服务接在一起。只把演示做出来，还没有完成全部工作。
现场谈到的通信感知、无人机配送，以及面向特定需求的网络方案，也让我联想到山区、园区和应急场景。能不能用到勐腊，还要回到当地实际条件里判断。我想先把问题找准，再去对接合适的能力。
回来以后，先做几件小事
五家企业看下来，我更清楚地感受到，AI 落地有很多不同的工作：有人长期做底层技术，有人做产品与生态，有人打磨硬件和行业方案，也有人负责基础设施。
对我自己来说，先把手上的事情做得更具体，会更有帮助。
我也想养成一个习惯：带着本地的真实问题追踪 AI 新能力。看到一项值得尝试的能力，就想一想，它能用在哪个客户、哪个具体环节，能不能先做一个小验证。
第一，选一个现有项目，重新准备一次客户演示。把“原来的问题、怎样解决、实际改变”讲清楚，也把设备、连接和故障恢复逐项准备好。
第二，挑一个真实客户场景，写清楚 AI 改变了什么，以及用什么结果来验收。客户自己的数据和工作流程，要尽早放进来。
第三，做一次客户能够亲手完成任务的交流或培训。留给他的，应该包括一份做出来的成果，以及下次能自己重复的方法。
这次参访也提醒我，要保留问题。现场听到的介绍，亲眼看到的演示，以及回来以后形成的判断，各有自己的边界。有些答案，还得找到更合适的人，或者自己动手做过，才能知道。
翻完这些笔记，我最想先找一个手上的项目，把问题说清楚，选一项合适的 AI 能力试一试。看看它能不能让客户少花一点钱、少费一些工夫，或者完成一件以前做不成的事，再把实际结果拿给客户使用和验证。