晚点聊 LateTalk

「专聊 RSI 的一期来了。」

在 171 期节目 AI 二季度季报中，我们重点聊了 RSI，递归自进化。

那之后不久的 6 月底，我采访了从去年开始就在这个方向探索的创业者之一田渊栋。他参与创立的 Recursive SuperIntelligence 的缩写也是 RSI，目前估值超 46 亿美元。

我们聊了这个不算新鲜的想法为何在今年春天“复兴”，相比十年前 Google 做 AutoML 用 AI 辅助神经网络的架构搜索，现在的 RSI 或者说 AutoResearch 已经发展到哪一步。

6 月初，Recursive SuperIntelligence 释放的第一批成果是一个具体的实力，它们在小规模上，验证了一个 AI 系统可以自动化地提升性能、提升效率和改进 Infra：

图注：图中蓝色底纹一列，为 Recursive Superintelligence 公司 6 月初取得的成果。

这期节目录制的 6 月底，还没有涵盖一些后续事件，如 OpenAI 一举解决了 10 个数学难题。Thinking Machines Lab 的联创之一翁荔重新回到 OpenAI，据报道，她将带团队探索的方向就是 RSI。

关于 RSI，一个极有诱惑力、也十分危险的假设是：率先达到这个状态的公司，会把其他人越甩越远。这也是从 Anthropic 到 OpenAI 等前沿模型公司尤为关注这个方向的原因之一。

这个推演成立吗？田渊栋认为还有另一种可能性，这取决于，你认为智能的提升是一条平滑向上的曲线，还是你 bet（押注）它会阶梯式跳跃。

本期也已发布了视频版，可前往各主要视频平台搜索「晚点聊」观看。

本期嘉宾：

田渊栋，Recursive Superintelligence 联创

本期主播：

曼祺，《晚点 LatePost》科技报道负责人

时间线跳转：

-从科幻设想走向 RSI：为什么循环开始转起来

05:53 为什么 RSI 在今年变热？

07:15 去年与 GPT-5 合写论文，从不用再招实习生到创业

13:10 coding 能力提升后，研究老手的春天又回来了

15:26 从 AutoML 到 RSI：AI 辅助研究的今夕变化

-RSI 竞赛：“它比 coding agent 大得多”

19:48 Anthropic 长文更多展示了提效，还不是递归自进化

27:14 解决 RSI 不只靠 coding 这个支点

38:07 强者愈强的变数：智能提升可能是跳跃的，而非平滑的

43:38 终极形态也许是“修仙社会”

-Recursive 公司的第一步：把研究系统跑起来

45:51 First Steps：三个 benchmark 的初步成果

54:43 现在缺什么？数据、算力与可解释性

-AI 终将成为科学

57:13 自我进化的风险

59:37 “多数人已经绝望了，但我认为AI 终将成为科学”

01:05:45 当 AI 能自己发现新知识，那我就来欣赏吧

-追求美的结构，也知道这是一种局限

01:08:13 从 Waymo 到 FAIR，从工程回到研究

01:14:11 hands on 带来的研究判断：区分难的不同程度

01:20:26 大厂为什么变慢：小团队、扁平协作与 150 人临界点

01:23:22 追求美的结构，也知道这是一种局限

01:26:09 连点成线：延伸推荐

剪辑：杨、Nick

相关链接：

Recursive：First Steps Toward Automated AI Research

Anthropic：When AI builds itself：Anthropic 对递归自我改进的研究框架与风险判断。

177 期：详解 Kimi K3：强到冲击 Anthropic 估值的模型什么样？

177 期文字版：详解 Kimi K3：强到冲击 Anthropic 估值的模型什么样？丨晚点播客

171 期：与 Henry 的「AI 季报 26Q2」：从 coding 到 RSI，强者愈强的未来？

171 期文字版：AI 季报 26Q2：从 coding 到 RSI，强者愈强的未来？

116 期：当 AI 研究者写科幻，与 Meta 田渊栋聊他的智能想象：我们终会“所思即所得”

108 期：与马毅聊智能史：“DNA 是最早的大模型”，智能的本质是减熵

附录：

Richard Socher：Recursive 联合创始人 & CEO；也是 you.com 的创始人、CEO，曾任 Salesforce 首席科学家兼执行副总裁。

Mirendil：由前 Anthropic 研究人员创立的 AI 研发公司，关注用 AI 推进科学与技术研究。

Behnam Neyshabur：Mirendil 联合创始人、CEO；此前在 Anthropic 与人共同领导 Discovery 团队，目标是构建 AI Scientist/Engineer。

Sanjeev Arora：普林斯顿大学计算机科学 Charles C. Fitzmorris 教授、Princeton Language and Intelligence 创始主任；研究涵盖机器学习、理论和自然语言处理。

马毅（Yi Ma）：香港大学数据科学研究院（HKU IDS）院长，并任香港大学人工智能讲座教授。

David Luan：Adept 联合创始人、前 CEO；曾任 Amazon 自主系统副总裁及 AGI SF Lab 负责人，2026 年初离开 Amazon。

Adept：David Luan 等人在 2022 年创办的 AI agent 公司。Amazon 在 2024 年取得其技术授权并吸纳多名核心成员，Luan 随后负责 Amazon AGI SF Lab。

FAIR（Meta Fundamental AI Research）：Meta 的基础人工智能研究组织，田渊栋曾在其中工作。

Open-ended algorithms（开放式算法）：不把搜索限定在固定目标或单一路径上，而是持续保留、组合有价值的新颖解法的算法思路。节目里它是“让研究系统不断产生下一轮可尝试方向”的技术底座之一。

Reward hacking（奖励黑客）：系统找到了能拿高分、却没有真正完成目标的“漏洞解”。例如 GPU kernel 评测中，候选方案可能利用计时或状态残留，而不是真的更快；因此需要独立验证与防作弊评测。

GPU kernel（GPU 算子内核）：在 GPU 上直接执行某个张量运算的底层小程序，例如矩阵乘、归一化或注意力的一部分。它不是操作系统“内核”；写得更快，会直接降低模型训练和推理的成本。

BPB（bits per byte）：按字节计算的验证集损失指标；数值越低，表示语言模型的预测越好。NanoChat Autoresearch 用它来判断一次训练改动是否值得保留。

NanoChat Autoresearch：Andrej Karpathy 在 2026 年 3 月公开的单 GPU 自动实验项目，建立在他 2025 年 10 月发布的 NanoChat 训练代码之上。AI agent 每次修改训练代码，运行固定 5 分钟实验，以验证 BPB 是否下降；适合测试“短反馈、可自动验收”的研究循环。

NanoGPT Speedrun：Keller Jordan 发起并维护的协作式训练效率挑战。它从 Karpathy 2024 年 5 月的 GPT-2 复现基线出发，Keller Jordan 的首个公开改进记录在 2024 年 6 月出现；目标是在 8 张 NVIDIA H100 上，尽可能快地把小 GPT 训练到 FineWeb 验证集 3.28 的损失。

SOL-ExecBench：NVIDIA 于 2026 年 3 月公开的 GPU kernel 执行评测。它包含来自 124 个模型、共 235 道 CUDA kernel 优化题，衡量实现距离硬件理论性能上限还有多远；项目公开资料未披露内部立项时间，公开论文与发布是目前可核验的起点。

小红书@曼祺_火柴Q即刻@曼祺_火柴Q

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。

这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：

「开源了权重，没开源产生权重的 “流水线”。」

本期我们邀请 RadixArk 创始成员赵晨阳和华盛顿大学博士生曾致远，从推理与算法两条线拆解 K3：它真的比肩 fable 吗？3T 开放权重、混合注意力和智能体训练环境意味着什么？以及开源模型真正开放了什么、又保留了什么？

晨阳是老朋友，他曾在 163 期节目中为我们从 Infra 角度解读了 DeepSeek-V4。在 UCLA 读博期间，晨阳成为 SGLang 核心开发者，SGLang 第一时间适配了 V4 、K3、GLM 5.2 等中国开源模型。

曾致远目前在华盛顿大学读博士二年级，研究大语言模型，师从 Hannaneh Hajishirzi 教授和 Pang Wei Koh 助理教授。

进入具体的技术报告解读前，我们也聊了 K3 如今在美国 AI 界和更广泛的投资市场所引起的巨大关注，以及与 K3 直接相关的开源大辩论。

本期节目已发布图文版，详解 Kimi K3：强到冲击 Anthropic 估值的模型什么样？丨晚点播客

下面，正式进入节目吧。

本期嘉宾：

赵晨阳，RadixArk 与 SGLang 创始成员

曾致远，华盛顿大学计算机科学博士生

本期主播：

曼祺，《晚点 LatePost》科技报道负责人

时间线跳转：

-K3 为什么成为里程碑

05:13 使用体感：长程任务、惊艳的前端能力与被吐槽的不足

11:15 K3 引发的开源、安全与估值大辩论

16:50 Transformer 的「忒修斯之船」

25:34 贵不贵、慢不慢，看单价之外的任务总成本

29:25 K3 为什么现在慢？新架构、Serving Stack 与前缀复用

34:42 权重一旦开放就收不回；真正的护城河在环境、验证和算力

-KDA（K3 采用的注意力） 和 KDA（kenerl 开发 agent），说不好哪个更伟大？

39:36 架构总览：让信息沿序列与深度更高效流动

42:42 Quantile Balancing：近千个专家如何保持负载均衡

48:38 KDA＋MLA：线性注意力与全局注意力并非二选一

54:12 线性注意力下，百万上下文如何缓解遗忘

57:27 线性注意力给推理系统带来的工程变化

01:00:54 6.3 倍解码加速来自哪里

01:03:34 Attention Residuals：让深层模型选择性读取浅层信息

-优化器、后训练与自动研究

01:10:23 Per-head Muon 与大规模训练稳定性

01:14:46 AI 能否自己发明优化器

01:20:34 MOPD：九个领域专家为什么先分后合

01:27:11 蒸馏的纯技术定义、on-policy 蒸馏与 off-policy 蒸馏的区别

-Infra 优化

01:31:08 KDA 结构下，投机采样回退机制的变化

01:39:47 Flash KDA、QAT 与训练—推理一致

-后面有什么？

01:46:50 下一个开源最强，以及开源能否超过闭源

01:48:29 持续学习、评测与模型平台期

剪辑：甜食

相关链接：

Kimi K3 官方技术博客

Kimi K3: Open Frontier Intelligence（技术报告）

Kimi Linear: An Expressive, Efficient Attention Architecture

Open Weights and American AI Leadership

163 期：详解 DeepSeek V4：Infra 巨鲸、百万上下文走进现实、极致效率优化

143 期：阿里、Kimi 都在用的 DeltaNet 是什么？｜与杨松琳聊线性注意力新改进

104 期：我给线性注意力找“金主”，字节 say No，MiniMax say Yes

103 期：用 Attention 串起大模型优化史，详解 DeepSeek、Kimi 最新注意力机制改进

详解 DeepSeek V4：Infra 巨鲸“四连击”，百万上下文走进现实

再谈注意力：阿里、Kimi 都在用的 DeltaNet 和线性注意力新改进丨晚点播客

3700 次预训练寻找“线性注意力”非共识，MiniMax-01 开发者讲述 4 年探索

大模型“注意力简史”：与两位 AI 研究者从 DeepSeek、Kimi 最新改进聊起

附录：

KDA（Kimi Delta Attention）：Kimi 提出的线性注意力机制，用固定大小的循环状态压缩历史信息，降低长上下文的计算与存储开销。

Flash KDA：KDA 的高性能 Kernel 实现，通过重叠 chunk 内计算与 chunk 间状态传输，减少计算空转。

Kernel Development Agent（KDA）：用于编写、测试和优化 GPU Kernel 的智能体；缩写同样是 KDA。

MLA（Multi-head Latent Attention）：通过低秩表示压缩 Key-Value Cache；K3 用少量 MLA 层补充对全局上下文的直接访问。

混合注意力（Hybrid Attention）：在同一模型中组合不同注意力机制；K3 采用 3 层 KDA 搭配 1 层 MLA。

NoPE（No Positional Encoding）：不显式加入位置编码，序列位置信息主要由 KDA 的递推、门控与衰减提供。

Attention Residuals（AttnRes）：让模型选择性读取较浅层的历史表示，改善信息沿深度方向的流动。
mHC（Manifold-Constrained Hyper-Connections）：DeepSeek V4 的多通路残差连接方案，与 AttnRes 都用于改善层间信息流。

MoE（Mixture of Experts）：每个 token 只激活少数专家子网络，以较低计算量承载更大的总参数规模。

Stable LatentMoE：K3 的 MoE 方案，共有 896 个路由专家，每个 token 激活其中 16 个。

负载均衡（Load Balancing）与 Quantile Balancing：负载均衡避免 token 过度集中到少数专家；K3 按路由分数的分位数分配专家。

Muon、MuonClip 与 Per-Head Muon：Muon 对更新方向做近似正交化；K2 用 MuonClip 稳定注意力，K3 则按注意力头分别优化。

知识蒸馏（Knowledge Distillation）：让教师模型把能力传递给学生模型，可用于模型压缩或多种能力合并。

Checkpoint：训练过程中保存的模型参数及相关状态快照，可用于恢复、比较或更新模型。

消融实验（Ablation Study）：移除或替换某个组件并比较效果，以判断它是否真正有贡献。

MOPD（Multi-Teacher On-Policy Distillation）：K3 先训练多个领域教师，再把它们的能力在线蒸馏进统一学生模型。

On-policy 蒸馏：学生生成轨迹，教师对这些轨迹提供监督，数据分布更贴近学生当前策略。

Off-policy 蒸馏：学生学习教师预先生成的数据，实施更方便，但可能存在分布偏移。

投机采样（Speculative Decoding）：小模型先猜一批 token，大模型再集中验证，以提高生成速度。

前缀缓存（Prefix Cache）：复用相同提示词前缀的中间计算结果，避免重复计算。

Persistent Rollout：未完成的长轨迹可暂停并在后续轮次继续，减少长尾任务对整批采样的阻塞。

Off-policy Mismatch：训练数据并非由当前模型策略生成，常来自旧 Checkpoint 或不同的推理配置。

Agent 训练环境与 Harness：环境提供工具、沙箱和奖励；Harness 组织提示词、工具、上下文、Skills 与 Memory。

QAT（Quantization-Aware Training）：训练时模拟低精度计算，让模型提前适应量化误差。

忒修斯之船（Ship of Theseus）：节目用这一比喻形容部件不断被替换、却仍沿用 Transformer 名字的模型架构。

持续学习（Continual Learning）与 RSI：持续学习指模型从新任务和反馈中继续更新；RSI 指系统递归改进自身能力。

小红书@曼祺_火柴Q即刻@曼祺_火柴Q

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。

这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：

「少帅加入、组织换血、co-design、微信 vs 混元。」

本期，我和《晚点 LatePost》主笔高洪浩一起聊他最近写过的一个主题：姚顺雨，这位去年下半年加入腾讯的 29 岁年轻 AI leader，给混元乃至腾讯带来的改变。洪浩长期跟踪腾讯和字节的发展。

相关报道见：《当一个年轻人空降改造腾讯混元的 300 天》。

相比文章，播客里洪浩分享了更多他的个人观察和主观感受，同时更多展开了这篇文章里没有详述，但重要的一个议题：微信的 WeLM（他们自己的大模型团队）和混元之间的关系？微信和腾讯的基础大模型未来可能会进一步做怎样的联动和融合？最后，我们也从腾讯延展地聊到了模型和应用力量对比的变化，以及中国大模型领域的更多竞争：第一梯队模型是否足以定义胜负，以及从 Coding 走向更广泛知识工作者时，AI 商业化的下一次拐点何时出现。

混元希望把模型与应用更紧密地连接起来；微信则出于用户规模、资源效率和隐私控制，继续推进自己的 VLM。

面对算力约束和更集中的对手，腾讯需要改变自己，更 “拧成一股绳” 吗？还是保留过去帮助它不断长出新业务的联邦结构？

本期嘉宾：高洪浩，《晚点 LatePost》主笔

本期主播：曼祺，《晚点 LatePost》科技报道负责人

时间线跳转：

-从低谷回升：混元 3 背后的节奏与争议

02:19 报道之外：组织上升期里的暗流

05:04 Kimi K3 之后，“小模型” 路线的两种声音

-姚顺雨为何选择腾讯

07:46 腾讯为什么要找一个年轻 Leader

13:09 从 AI Lab 赛马到一个 “残缺的组织”

18:41 姚顺雨的 “下半场” 判断：腾讯的 Context 为什么有吸引力

-空降改革：先换人，再重建组织

26:01 多模态并入，姚顺雨的 Scope 持续扩大

27:29 两三个月换掉关键岗位

35:04 一个不像 “纯技术 Leader” 的组织型管理者

41:45 刘炽平的支持：钱、人、算力和时间

44:17 混元 3 第一炮：目标不是登顶，而是重振士气

-模型走向应用：腾讯如何组织一场 AI 产品战

49:27 强化学习平台与模型—产品协作

52:04 把 AI 原生产品集中到 CSIG

56:15 内部强化学习平台从 WorkBuddy、元宝开始

-微信、混元与腾讯的组织惯性

57:45 混元和微信：模型之间 “没有很直接的关系”

01:07:45 为什么微信 WeLM 和混元大概率会长期并存

01:10:19 “联邦制” 腾讯需要和能拧成一股绳吗？

01:17:43 改革的第二阶段：成绩与文化兼容

-谁能留在牌桌：AI 竞争的下一轮判断

01:21:38 后来居上的标准：先拿出第一梯队模型

01:27:02 如果今年底再写 BAT AI 竞争，主题会是什么？

01:29:39 从程序员到白领，商业化爆发速度还会那么快吗？

01:33:27 泡沫何时扩散：今年下半年的转折

01:35:38 连点成线： 延伸推荐

剪辑：甜食

相关链接：

《当一个年轻人空降：改造腾讯混元的 300 天》

《字节、阿里、腾讯 AI 大战全记录：一场影响命运的战争》

《腾讯在 AI 拐点到来前的 700 天》

《大模型创业潮：狂飙 180 天》

《大厂大模型：久违的一把手工程》

姚顺雨博客：The Second Half

163 期：详解 DeepSeekV4：Infra 巨鲸、百万上下文走进现实、极致效率优化

158 期：V4 发布前的 DeepSeek：人才竞争、组织特点和独特的 AGI 目标|Solo

153 期：阿里 Qwen 人事变动：误读、近况、伏笔和未来|solo

150 期：〖年末 AI 回顾〗从模型到应用、从技术到商战，拽住洪流中的意义之线|Solo

106 期：与真格戴雨森长聊 Agent：各行业都会遭遇 “李世石时刻”，Attention is not all you need|Agent#1

93 期：字节 VS 六小龙，大模型创业生存战 | 串台「十字路口 Crossing」

小红书@曼祺_火柴Q即刻@曼祺_火柴Q

小红书@高洪浩 ALaNGo 即刻@高洪浩 ALaNGo

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。

这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：

「“我这种焦虑型性格，可能是被这个时代选中了。”」

为什么一家看起来中国最成功的 AI 应用公司，同时也可能是最危险的一家？

演语科技 Evoken，旗下有 Liblib、Lovart、LibTV 三个产品，ARR 超过 3 亿美元。在 AI 应用融资最艰难的时候，它以 20 亿美元估值，一笔融了 3 亿美元。

围绕这家公司的争议也同时达到顶峰：有人质疑它缺少原创；有人认为它靠激进定价换增长；离开的人说它不够技术、不够创新，甚至有投资人判断，它迟早会爆雷。

这种矛盾可能不只属于 Evoken——这一代 AI 应用公司都活在同一个特殊处境里：今天属于应用的价值，明天可能就被模型覆盖。

本期节目节选自我们与 Evoken 创始人陈冕的一次长采访。

和陈冕对话，最先让人注意到的是他的笑声。洪亮、密集，说到兴奋处会大笑，甚至有点结巴。他极度焦虑，觉得公司“完蛋了”时会哭，想通新的方向后，又立刻觉得一切都有可能。

焦虑、速度和侵略性，是陈冕的性格，也是 Evoken 的生存策略。他将这种策略用到了极致——过去三年，这家公司就这样活下来：一个方向出现，迅速扑进去；模型能力变化，原来的空间开始坍塌，就再寻找下一个

陈冕回应了对他和 Evoken 的争议，以及这场对话中我们最想追问的问题：在一个模型不断吞噬应用价值的时代，一家独立的 AI 应用公司，要怎样 “survive” 到应用时代真正到来的那一天？

本期节目已发布图文版，对话 Liblib 陈冕：关于活下来，以及所有接近死亡的时刻

本期嘉宾：陈冕，演语科技 Evoken 创始人

本期主播：《晚点 LatePost》记者

剪辑：甜食

时间线：

-“我有两个关于误解的神奇体验”

4:10 爆雷？投流多？补贴多？

8:21 不能自爆式打法，但不是负毛利

11:01 LibTV 3.9 折会员的由来，还在探索高 Token 消耗的生产力产品商业模式

19:26 “不侵略性强，我怎么厉害呢？我不厉害，我怎么活下来呢？”

-创业第一仗，没有上一代互联网成功的手感

21:42 只剩 4000 块的故事，其实只有 600 万的时候就慌了

28:35 创业后新体会，英雄也会改变时势

-第一个发现 PMF，和最终赢得市场差十万八千里

34:51 LibTV 的原创度争议和收购传闻的来源

42:11 关于投流的误解，可能来源于饱和式信息攻击

-完蛋了，后院起火了

49:20 管理的两个 reward model，我没有做好

54:20 联创离开

58:01 拜托创新是有成本的，应用公司没法有自由探索的创新

01:08:36 Lovart 上线前的完蛋时刻，第一次对股东哭了

01:19:32 团队出问题，从美国飞回来解决

-在模型厂商的缝隙里 “survive”

01:28:10 逐鹿中原与占领江东：没法说明白的 survive 路径

01:37:17 成功概率小，但我 bet 人类有没有价值

01:46:09 网瘾少年、金庸迷和话剧演员

01:57:37 AI 时代奖励焦虑的人

02:05:55 创业三年反思：开了一辆极快的车

相关链接：

136 期：Sora 新世界 & Lovart 4 个月复盘 | 与陈冕聊怎么做垂类 Agent

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。

这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：

「企业想用好 AI，仍逃不掉数据、流程、业务理解和组织变革。」

本期嘉宾，是 SAP 大中华地区总裁原欣。

SAP 起家于 ERP（企业资源计划）。这家总部位于德国沃尔多夫的公司，自 1972 年创立至今五十余年，已成长为全球企业级软件巨头，全球百强企业中绝大多数都是它的客户。但 2026 年以来，AI coding 能力突飞猛进，掀起大模型 To B 热潮，SAP 这类老牌企业软件公司也开始面对挑战与质疑。

他们已经在行动。近年来，SAP 与 Anthropic、Google、微软、AWS、NVIDIA 等厂商深化 AI 合作，在中国市场则与阿里云合作。今年 5 月，SAP 在蓝宝石大会上发布“自主运营企业”（Autonomous Enterprise）愿景，同步推出支撑这一愿景的 SAP 商业AI平台与SAP自主型管理套件，以及面向用户的全新交互层 Joule Work——用户只需用自然语言描述目标，Joule 会完成流程、数据与 Agent 编排。

我们的访谈直面了 AI 对企业软件形态和市场的冲击：

在复杂的企业级需求中，大模型的机会和边界是什么？

SAP 数十年积累的数据、流程和行业 know-how，哪些仍是壁垒，哪些会被 AI “颠覆”？

从 “模型即产品” 到 “自主运营企业”，从按坐席收费到按用量、按结果收费，企业软件的产品与商业模式将如何变化？

最近火热的 FDE 潮流又是否会持续？

原欣自 1998 年以来有近 30 年企业市场经验，先后在甲骨文、VMware、微软等公司工作。她也分享了多年观察企业转型得到的判断：AI 不会让数据治理、流程梳理和组织变革自动消失；技术从小圈子的狂欢外溢到更广泛的企业世界，仍然要经过漫长、具体的业务落地过程。

本期节目由 SAP 支持播出。

本期嘉宾：原欣，SAP 大中华地区总裁

本期主播：程曼祺，《晚点 LatePost》科技报道负责人

时间线：

-AI coding 冲击企业软件：什么会消失，什么仍是壁垒

02:51 从 ERP 起家的全球企业软件巨头

12:59 AI coding 来了，但业务逻辑和标准流程仍有价值

22:29 “日抛式软件” 可以满足临时需求，大企业仍需要信任和合规

-从记录系统到执行系统：SAP 的 “自主运营企业” 战略

27:18 AI 会让大公司消失吗？拆散与聚合的力量同时存在

32:30 “自主运营企业”：Agent 执行，但未来 5 到 10 年仍需 human in the loop

37:31 为什么 SAP 不自己训练通用基础模型？

42:39 “模型即产品” 在 To B 市场成立吗？

44:58 企业用 AI 的落差：老板说 “我也要”，但脏数据不会自动消失

47:30 把 “老师傅” 蒸出来：非结构化决策如何沉淀为企业记忆

-FDE 热潮：从模型到企业价值的最后一公里

49:55 FDE 和传统驻场工程师、ERP 顾问有什么不同？

55:43 一个关务案例：Agent 准确率从六七成提升到九成以上

58:40 OpenAI、Anthropic 进入 To B，会和 SAP 正面竞争吗？

-中国企业如何迎接 AI：数据、组织、出海与下一轮产业升级

01:05:21 88% 的企业尝试 AI，为什么只有 3% 认为获得了业务回报？

01:07:43 大公司有钱做实验，小公司跑得快，最挣扎的是中型企业

01:09:24 中国为什么没有长出全球 SaaS 巨头？高速增长留下的系统欠账

01:13:14 哪些行业会先采用 AI？轻资产服务业在前，制造业从市场和售后切入

01:20:34 SAP 与阿里合作：千问、阿里云、钉钉和 ERP 如何服务中国客户

01:23:20 中国企业出海：税务、合规、并购与全球流程整合

01:26:42 从本地部署、云到生成式 AI：技术周期的区别是速度，人的复杂性没有变

剪辑：甜食

相关链接：

171 期:与 Henry 的「AI 季报 26Q2」：从 coding 到 RSI，强者愈强的未来？

164 期:当 AI“杀死”SaaS，与明略吴明辉聊多 Agent 网络、软件业转型和 AI 新组织

131 期:微软怎么用 AI？与微软商用市场、广告业务管理层聊 AI 驱动的增长

98 期:李开复聊零一部分团队并入阿里：只有大厂能追逐超大模型

小红书@曼祺_火柴Q即刻@曼祺_火柴Q

☆《晚点聊 LateTalk》建立「 播客听友群」啦！☆

欢迎关注科技、商业大公司动态和创业创新的小伙伴进群交流，第一时间收听新节目。

这里有更多互动，更多话题讨论。欢迎贡献选题 & 推荐嘉宾。

请先添加「晚点」小助手的微信号，备注：“晚点聊”，我们邀请您入群。

关注公众号《晚点 LatePost》和《晚点对话》，阅读更多商业、科技文章：