融资数千万！北京杀出未来独角兽：搞智能体，不让10亿人当牛马

访谈 | 铅笔道 邹蔚

撰稿 | 铅笔道 吴欣晓

2022年底，大模型的浪潮才刚刚涌动，杨劲松捕捉到了一个即将爆发的未来机遇。

“全中国，真正亲手训练过大模型的人不超过100个，而能将模型应用到生产环境中的人，也不超过1000个。而未来，每个企业都需要这项技术。”杨劲松说，这个数字鸿沟，可能裂变出一个超级机会：企业智能体。

正是这份对趋势的敏锐判断，这位曾在埃森哲、亚马逊、飞书和阿里达摩院历练的专家，毅然选择跳出大厂舒适圈，投身到创业洪流。

2023年6月，他创立未来式智能，核心愿景清晰而坚定：通过智能体，让全球10亿的知识工作者可以十倍效率地工作。过去2年，未来式智能完成3轮融资，今年更是连融两轮，成长速度备受瞩目。

在铅笔道与杨劲松的本次对话中，他分享了智能体的多个超级机会，以及未来式智能如何以差异化路径破局。

1、企业级智能体（AI Agent）是普适性需求？

对，每个企业都需要。

2、哪些垂直行业是破局机会？

能源（如电网）、金融等行业需求刚性、付费能力强，且业务复杂度高，适合智能体优先落地。

3、智能体怎样解放企业生产力？

不是替代人类，而是通过"流水线"重构知识工作流程：AI处理标准化任务，人类聚焦关键决策，实现效率指数级提升。

4、用具体行业举个例子？

打造体育内容智能体，AI工作流程为：自动抓取海外赛事资讯→翻译/打标签→生成多版本标题与内容→人工审核选择。将内容生产从"数小时"缩短至"分钟级"。

5、智能体怎么赚钱？

避免掉入软件付费陷阱，应追求按效果/结果付费。

杨劲松，未来式智能创始人

声明：访谈对象已确认文章信息真实无误，铅笔道愿为其内容做信任背书。

01 2022年底：企业级智能体机会出现

铅笔道：未来式智能近期完成数千万融资，业务也发展迅速。能否和我们聊聊，是什么样的契机和判断，让你在智能体这个概念还处于萌芽阶段时，选择了这个方向？

杨劲松：我比较熟悉企业级（ToB）市场，这为我的判断提供了基础。

我毕业于北京大学元培实验班，主修计算机方向。毕业后，我没有立刻投身纯粹的技术研发，而是在埃森哲咨询公司工作了六年。

那段时间，我主要帮助一些大型企业（国家电网、中石化、中石油等）做IT战略规划和落地应用服务。

这段经历让我理解了大型企业的运作逻辑，它们的痛点，以及一项新技术要真正在复杂的业务流程中扎根，需要克服多少挑战 —— 这不是单纯的技术问题，而是 “技术 - 业务 - 组织” 的协同问题。

铅笔道：所以，你既懂技术，又懂商业和战略？

杨劲松：可以这么说，每一段经历都在完善我的能力闭环。后来，我去美国康奈尔大学读了MBA，毕业后加入了西雅图的亚马逊AWS。

当时我负责一款名为Elastic Beanstalk的aPaaS平台产品，把它做到了年收入2亿美金的规模。在亚马逊的经历，让我学会了如何构建和扩展一个复杂的、平台级的技术产品。

再后来，字节跳动在北美招人，我便回国加入了飞书团队，担任产品委员会副主席，负责AI搜索和用户增长等模块。

也正是在飞书，我开始深度接触AI的能力，尽管那还是我们所说的“小模型”时代，但我们已经在产品中集成了许多AI功能，这让我提前感知到人工智能对 “协作效率” 的颠覆性潜力 —— 这种潜力不是替代人，而是重构人的工作方式。

铅笔道：后来你又去了阿里达摩院？

杨劲松：对，因为我始终渴望更深入地推动人工智能从 “实验室技术” 走向 “产业价值”。

恰好达摩院当时在寻找一位统筹型的产品负责人，我的职责就是将实验室里那些最前沿的技术，与真实的行业场景结合，把它们封装成产品，再通过阿里云的渠道进行商业化售卖。

正是在达摩院，我真正开始接触大模型。

其实早在2021年，当时大模型远没有现在这么火热，我就在阿里云的大会上发布了国内第一个千亿规模参数的大模型，并开始用它为电商、电力、医疗等行业提供服务。

铅笔道：决定自己创业的“Aha!”时刻，是什么时候出现的？

杨劲松：那个时刻出现在2022年底到2023年初。我们看到了一个巨大的、结构性的机会。

当时我们做了一个关键判断：在2023年初那个时间点，全中国真正亲手训练过大模型的人，不超过100个。而真正把模型应用到生产环境里的人，不超过1000个。

但与此同时，我们坚信，未来每个企业都需要将大模型技术应用到自己的生产流程中去。

这个巨大的认知和能力鸿沟，就是我们的机会。

我们想做的，就是创造一个产品，能将企业使用大模型的门槛降到极低，让每个人都能轻松地把这项强大的技术用起来。

基于这个思考，我们最终定位到了“智能体”这个赛道。

铅笔道：所以，智能体是你眼中的那个大机会？

杨劲松：是的。2023年6月我们成立公司时，智能体的概念还只是一个萌芽，远没有今天的热度。但我们认准了这个方向，判断存在机会，果断投身其中，成为了国内第一批深耕Agent领域的公司。

更重要的是，凭借快人一步的技术布局，我们已深度参与工信部关于智能体平台行业标准及智能体之间通信协议标准的起草工作 —— 这不仅是先发优势的体现，更是行业对我们 “智能体落地路径” 的认可。

02 谁先需要智能体？能源、金融赛道

铅笔道：2023年，当你们作为先行者进入这个领域时，当时最大的挑战是什么？毕竟，巧妇难为无米之炊，智能体的能力很大程度上取决于底层大模型的能力。

杨劲松：你说到了问题的核心。那个时候，最大的挑战确实是底层大模型的能力不足，尤其是国产模型。

智能体要完成复杂的任务，最核心的是推理能力。

而真正具备强大推理能力的大模型，可以说直到2024年下半年，随着OpenAI的GPT-o1和DeepSeek R1的出现，才算真正具备推理的能力。

在那之前，大部分模型去做人类通用智能测试，得分只有十几分；而具备推理能力后，这个分数可以达到60分以上的及格水平。

所以，在2023年做Agent，底层模型的短板是现实存在的。

铅笔道：面对这种不完美的底层能力，你们怎么应对的？

杨劲松：我们不能坐等模型完美。

早期的策略是，聚焦在一些非常细分的垂直场景里，通过大量的工程化方法和对业务流程的理解，主动弥补模型能力的不足，让Agent在特定场景下率先可靠地工作起来。

比如在电力行业，我们不只是简单用 AI 做负荷预测，而是通过智能体重构预测 - 调度 - 反馈全流程，让 AI 不仅输出数据，更能联动业务系统生成可执行的调度建议。后来，随着国产模型能力提升，加上我们探索的上下文工程（Context Engineering），Agent的应用边界快速拓展，能切入的市场盘子也变得更大 —— 这也证明，我们的核心竞争力不是 “依赖底层模型”，而是 “用智能体重构工作流”。

后来，随着国产模型能力的快速发展，以及我们探索的新思路（通过强化学习等方式），Agent能做的事情才被大大扩展了，我们能切入的市场盘子也变得更大了。

铅笔道：很多AI公司都有一个ToC（面向消费者）的梦想，但你们从一开始就选择了ToB（面向企业）的道路，这是出于怎样的考虑？

杨劲松：这其实是一个基于“技术落地规律”的务实选择。

任何一项新技术，在早期阶段都必然伴随着不成熟和高成本。对于C端用户来说，他们通常不愿意为这种不成熟去付费，这会导致产品在很长一段时间内都无法获得好的商业回报。

而B端的逻辑不同，许多大型企业对于新技术有探索和验证的需求，它们能够接受一定程度的不成熟，也愿意为新技术下的创新方案投入资源。

所以，早期从ToB切入，能让我们快速验证商业价值，实现公司健康成长，为后续拓展奠定基础。

铅笔道：这是否意味着你们放弃了更广阔的ToC市场？

杨劲松：并不是。这只是“先夯实根基，再迈向愿景”的路径选择。

我们公司的愿景，是“让全球10亿的知识工作者10倍效工作”。这个愿景的终点，最终还是落在每一个独立的个人身上。

我们私下里有一个更感性的口号——“消除那些无聊的工作”。我们每天都在做大量的paper work，机械性地收集资料、整理信息，我们希望把这些烦人的任务都消除掉。

ToB是我们通往这个愿景的坚实桥梁，通过服务企业积累 “重构工作流” 的经验，打磨智能体平台的核心能力。

铅笔道：谈到ToB，你们最早的标杆客户之一是国家电网。在很多人看来，国央企通常比较传统，决策链条长。为什么会选择这样一个看似“难啃”的领域作为突破口？

杨劲松：外界可能对国央企有些误解：他们没有那么传统。

实际上，现在的国央企在很多技术领域都比较领先。举个例子，中国申报专利数量第一名的企业，就是国家电网，甚至遥遥领先于很多我们熟知的科技公司。这足以证明他们对新技术的开放和拥抱态度。

铅笔道：在赛道选择上，为什么优先考虑能源？

杨劲松：他们有需求，有买单能力。

从商业角度看，我研究过几乎所有AI上市公司的财报，发现它们收入占比最大的板块，无外乎是能源和金融。

我在阿里云时，18个行业里，收入体量最大的也是电力行业。简单来说，我们要去鱼最多的地方捕鱼。

另一方面，这和我之前的经历也直接相关。

在达摩院时，我曾从0到1创建了一个名为“绿色能源AI”的赛道，当时国家力推“双碳”目标，新能源的引入给电网带来了巨大的稳定性挑战。

我们当时就利用人工智能技术，去做负荷预测、新能源发电预测、电力调度优化等工作，这些技术得到了电网的高度认可，他们也愿意为此付费。

这段经历让我知道，电力行业不仅有真实且复杂的AI应用场景，更有为之买单的意愿和能力。这对于一家初创公司来说，是再理想不过的客户了。

未来式智能业务矩阵

03 AI如何解题？将手工坊变成流水线

铅笔道：你曾多次提到一个非常生动的比喻：智能体之于知识工作，就像流水线之于工业生产。能否为我们深入解读一下这个理念？

杨劲松：这个类比是我们思考的核心。

回顾工业革命，电力的发明并没有立刻带来生产力的巨大飞跃。真正的变革发生在几十年后，当工厂主们不再是简单地用电动机替换蒸汽机，而是围绕电力的特性重新设计了整个工厂的布局和生产流程，最终诞生了福特的T型车流水线，效率才实现了指数级的提升。

我们认为，大模型和智能体也是同样的逻辑。

它们是底层的、革命性的新“电力”，但要释放其全部潜能，就必须与现有的工作流进行深度整合，甚至重新设计这些流程。我们正在做的，就是为知识工作者打造这条新时代的流水线。

铅笔道：听起来，这不仅仅是工具的更替，更是工作范式的革命。能否通过一些具体的案例，让我们更直观地感受这条“流水线”是如何运作的？

杨劲松：当然。我们有一个客户是一家港股上市公司，它的核心业务之一是在APP上售卖体育赛事的竞猜分析方案——告诉你这场球该怎么买。

铅笔道：这听起来像是依赖于少数资深专家的“手艺活”。

杨劲松：完全正确。在过去，这完全是 “手工坊” 模式，依赖雇佣的行业专家，或者说“老彩迷”们一篇篇写出来。

这种供给方式有两个天然的瓶颈：第一，产能有限，专家的数量和时间是固定的；第二，不稳定，专家可能自己去看球了，内容就断供了。他们的商品就是方案，但商品供给却非常受限。

铅笔道：那么，这条“流水线”是如何改造这个“手工作坊”的？

杨劲松：我们首先解构了专家们的工作流程。一个专家写稿，通常分几步：先去ESPN这类海外体育资讯网站，把最新的新闻报道找来；然后用机器翻译一下，从中提取关键信息，比如哪位球星伤停了，有什么动态；接着基于这些信息起几个吸引人的标题。

最后，按照几种固定的写作套路或模板，把内容填充进去，审核后发布。这是一个典型的、可以被标准化的知识工作流程。

铅笔道：智能体是如何介入并重塑这个流程的？

杨劲松：我们设计了一个人机协作的新流程。

现在，只需要输入一个赛事列表，比如下周的德甲赛程。Agent会自动去各大网站抓取相关资讯，然后像流水线上的工位一样，自动完成翻译、自动给文章打上标签并存入数据库。

紧接着，它会生成10个候选标题，这时，一位人类审核老师介入，从10个标题里挑出最好的一个。

标题一经确认，Agent会立刻按照模板生成10版不同的内容，人类老师再从中选择一版，或者稍作修改，点击确认。

一经通过，这篇文章就直接推送到APP前端，变成一个可以售卖的商品了。

铅笔道：我们也是内容工作者，听起来还挺有用。

杨劲松：是的。整个过程从过去需要半天甚至更久，缩短到了分钟级别。

更重要的是，

我们可以给Agent设定不同的人设，比如一个观点保守的专家，一个特定球队的铁杆粉丝，让它批量地、不知疲倦地生产各种风格的内容。成本大幅降低的同时，更让内容供给从 “有限” 变成 “无限”，客户的商品丰富度和营收都实现了显著增长。

铅笔道：这个案例非常生动。除了内容创作，在一些更严谨、更专业的领域，比如审计，智能体也能扮演同样的角色吗？

杨劲松：能，甚至能发挥更大的价值。

我们和上市公司“青矩技术”成立了合资公司，专门针对工程管理审计领域。

传统的工程审计，比如审核鸟巢的建造成本，需要一个审计团队派驻现场好几个月。他们面对的是堆积如山的文件，从招标书、设计图纸到施工记录，只能通过人工“抽检”的方式比对数据，寻找里面的偏差和问题。

这个过程不仅耗时耗力，而且人的精力是有限的，难免会有疏漏。

铅笔道：那么，新的审计“流水线”是怎样的？

杨劲松：现在，客户只需要将一个项目所有的原始文件扫描后，打包上传到我们的工作台。

工作台背后，是由几十个甚至上百个不同分工的智能体组成的“数字审计团队”。它们首先会自动识别和分类所有文件，哪些是招标文件，哪些是设计文档。

然后，从每个文件中提取出核心的待审计字段，这些Agent自动调用代码、计算器、行业软件等各种工具，开始自动进行比对和审查。

铅笔道：这意味着，过去的人工抽检，变成了AI的全量检查。

杨劲松：正是如此。

工作一段时间后，Agent会直接生成一份“审计线索”清单，告诉你：“我发现了50个潜在问题。”这时，人类审计专家才介入，带着这份清单去和客户现场确认，看这些问题是否属实，如何整改。

所有问题处理完毕后，系统会自动生成审计底稿，并最终汇总成一份完整的审计报告。

一个原本需要6个人做一个月才能完成的百万级项目，现在只需要2个人做一周，效率指数级提升。

更重要的是，AI的全检模式，覆盖率远超人工抽检，并且每一个结论都有清晰的数据溯源和推理过程，大大增强了结果的可信度。

04 怎么赚钱？按效果付费

铅笔道：这是否意味着你们的模式是为每个行业定制解决方案？未来，你们是想成为一家顶级的“AI解决方案公司”吗？

杨劲松：这只是第一步。我们的终极目标，是构建一个平台、一个生态。

我们发现，将一个人类任务转化为一个高效的Agent，是一个非常复杂且专业的工程。我们可以深入一两个行业，把它做得很透，比如电力和审计。但世界上有成千上万个行业，有无数拥有宝贵经验的专家。我们不可能靠自己的团队去服务所有行业，因此，我们的核心方向不是 “做更多解决方案”，而是 “让更多人能做解决方案”—— 打造一个降低智能体构建门槛的平台。

铅笔道：所以，你们的思路是，从“授人以鱼”转向“授人以渔”？

杨劲松：非常准确。

我们正全力打造一个名为“灵搭”的智能体平台，它的核心目标，就是把构建智能体的过程变得极其简单。

我们希望，未来任何一个行业的专家，哪怕没有编程基础，都可以通过我们的平台，轻松地将自己的知识、经验和工作方法，“复刻”成一个智能体，一个属于他自己的“数字员工”。

铅笔道：这听起来像是一个为个人专家赋能的“App Store”。

杨劲松：这正是我们的设想。

想象一下，这个平台会形成一个双边市场。一端是企业客户，当他们有需求时，比如需要审核一份法律合同，或者进行一次税务申报，他们不再需要去寻找一个律师或会计师，而是可以直接来我们的平台，雇佣一个由顶尖专家能力复刻而来的“法律Agent”或“财税Agent”。

铅笔道：那么另一端，就是这些能力的提供者？

杨劲松：是的。另一端是无数的行业专家。

一个顶尖的公司法律师，受限于自己的时间和肉体，可能一年只能服务几十个客户。但通过我们的平台，他可以把自己的办案逻辑和专业知识变成一个数字员工，这个数字员工可以同时为成千上万的客户提供服务。

他本人或许只需要在最后对结果进行审核认证，就能将自己的专业能力大规模变现，突破个人生产力的天花板。

我们想做的，就是帮助每一个专家，把他们的技能变成一个可以自动赚钱的“数字专家”。

铅笔道：这个愿景非常宏大，但怎么赚钱是个问题。中国传统的企业软件市场，付费意愿不高，利润微薄。你们如何避免陷入“卖软件”的困境，让这种高价值的服务获得应有的回报？

杨劲松：这也是我们一直在思考的核心问题。我们必须“跳过传统软件的商业逻辑”，转向一种更本质的模式：按结果和效果付费—— 这是建立信任、实现价值闭环的关键，也是我们商业逻辑的核心创新。

我们不想卖给客户一个软件许可证，而是想卖给他一个确定的结果。比如，在审计的案例中，我们可以按你处理的文件数量收费，或者按生成一份有效的审计报告来收费。

铅笔道：这更难了，因为你们要对交付的结果负责。

杨劲松：的确如此，但这恰恰是建立信任和实现价值闭环的关键。

传统的软件行业之所以陷入怪圈，是因为甲乙双方的利益不一致。甲方压价，乙方就用外包或粗制滥造来控制成本，最终导致企业用着大量不好用的软件。

我们希望在智能体时代改变这一点。通过按结果付费，我们的利益和客户的利益就完全绑定了。只有我们提供的Agent真正为客户创造了价值，我们才能获得收入。这种模式才能支撑我们持续投入研发，形成一个“价值创造 - 收入增长 - 技术迭代” 的良性商业循环。

未来式智能——新一代企业级Agent平台“灵搭”

05 清醒看待差距，积极拥抱未来

铅笔道：你如何看待当前国内大模型与世界顶尖水平，尤其是与海外的差距？

杨劲松：我认为我们既有优势，也有非常严峻的挑战。

优势在于，中国有极其丰富的应用场景和海量的数据，这是模型迭代的沃土。同时，放眼全球，顶尖的AI研究者中，华人占比非常高，我们在底层算法和理论创新上并不落后。

但我们最大的劣势，也是短期内影响最大的，就是“算力封锁”。

铅笔道：这个影响有多大？

杨劲松：影响是决定性的。像马斯克的xAI，现在已经在使用20万张级别的GPU集群进行训练。

而在国内，能稳定运行的几万卡集群都屈指可数。当你的算力是别人的十分之一或者百分之一时，意味着别人训练一天，你需要一百天。

在技术飞速迭代的今天，这种差距只能通过算法或数据上的几倍的努力来弥补的。这需要我们有更清醒的认知和更大力度的投入。

铅笔道：回头看这两年的创业历程，有哪些遗憾的事情？

杨劲松：这是个很好的问题。如果说有什么遗憾的话，那就是我们可能“过于的现实或者脚踏实地”了。

现在市场上一些热门的产品方向，其实早期都出现在我们的内部 Demo 或 POC 中。但当时我们觉得 “要等产品更完美再推出”，就没有果断推向市场。

现在回想，或许应该学习马斯克那种“边开飞机边加油”的精神，凭借我们已验证的技术实力和商业逻辑，即使产品有迭代空间，也可以更积极地推向市场，在真实反馈中快速优化 —— 这既能让行业更早感知智能体的价值，也能更快争取资源加速成长。

做ToB业务的人容易不自觉地把自己深深地“埋在土里打磨产品”， 但未来我们会在保持产品精度的同时，更主动地发声 —— 让更多人知道，智能体不是 “锦上添花的工具”，而是 “能重构工作流、创造核心价值的生产力革命”。

铅笔道：站在当前这个节点，展望未来，你认为在技术层面，最让你兴奋、也是你们正在全力攻克的关键问题是什么？

杨劲松：有两个方向至关重要。

第一个是Agent的“记忆”。就像一个跟了你很久的助理，他了解你的所有背景、偏好和工作习惯，因此他提供的帮助总是精准而贴心。

我们正在努力让Agent拥有长期、动态的记忆能力，让它对你的上下文有深刻的理解。拥有记忆的Agent，它的好用程度将实现一次质的飞跃，从 “工具” 变成 “真正的数字伙伴”。

第二个是基于“强化学习的后训练”。我们判断，未来在许多垂直领域，都会出现一个“最强Agent”。

它最初可能只是复刻了某一个专家的能力，但通过在一个设定好的奖励机制下，不断地从真实世界的反馈中学习和优化，它会持续进化，最终超越任何人类专家。