VOL.114 Coding之后，AI的下一个变现场景在哪儿? | 宏观笔记

Hello 大家好 ， 欢迎收听 《 宏观七日谈 》。 我是宋雪涛 ， 今天我们来聊一期经济的观察 ： 在 Coding 之后，AI 的下一个变现场景在哪里 ？

那么 ， 嗯 ， 聊这个话题有三个原因 ： 第一 ， 当然是从产业的角度出发 ， 大家在科技股的下跌和反弹之后， 应该说更加关注的是每一个环节的变现能力 、 投资的回报率 。

那么这里边的源头 ， 还是要来自于大模型的收入和大模型的变现场景 。 那么在过去半年的时间里 ， 应该说大模型在 Coding 的应用里是出现了突飞猛进 ， 这个也让一些长程的应用的准确率得以明显地提高 ， 才出现了这个 Agent 的大量使用落地 。

那么在这之后， 还需要有更大的应用场景 ， 才能把今天的千亿级 ， 甚至整体来看 ， 已经接近到万亿级的这样的一个资本开支得到闭环 。

所以算清楚接下来的收入 ， 看到接下来的巨大的应用场景 ， 对于今天 AI 的投资者来说 ， 这是一个非常重要的一个前提 。

第二个原因 ， 我觉得也是和其他的行业的影响是相关的 ，因为不仅是 IT 行业 ， 实际上很多行业今天都明显感受到了这个 AI 正在进入到工作流当中， 一方面提高了生产效率 ，但另外一方面也在重构人的价值 。

如果 95% 的工作都可以由 AI 来完成 ， 那么人的这个价值可能就只剩下 5% 了 。 这个对于公司来说 ， 它只用赋人 5%，不能被 AI 替代的这一部分价值 ， 再加上付给大模型公司的一部分 Token 的消费 ， 可能就能实现对于过去的这个成本结构的替代 。

所以这个问题 ，也是今天应该说大家都非常关注的一个问题 ： 未来时代我们该如何与机器共存 ， 如何与机器竞争 ？Agent 时代人的价值到底是什么 ？

有什么是不会被替代的 ？ 有什么是可能将来也会被替代的 ？ 第三 ， 我们也希望结合一些现实的案例吧 ， 来看一看今天的各个行业与 AI 的这个结合的情况 ， 会不会给我们带来一些在未来应用 ， 还有宏观经济方面带来一些影响和变化 。

这就是我们今天想聊这个问题的原因 。 那么首先 ， 这个当然很多人在 Agent 出现之后， 一直是有这样的担忧的 ， 认为今天的应用只有 Coding， 那么除了这个编程以外， 一直找不到一个巨大的应用的领域 。

那么编程这个领域 ， 这个看美国 ， 马农可能也就是不到 200 万人， 一个人的平均工资 ， 你就算是按比较贵的 10 万美元来看 ， 整体的工资池也就这么大了 。

哪怕 95% 被替代掉了 ， 这 95% 里也不会完全都给到 AI。 所以这样算账的话 ， 这个 AI 的收入可能也就只有几千亿美元 ， 相比于现在的资本开支来说 ， 依然是远远不够的 。

那么我们要说清楚这个今天认为应用只有 Coding，其实也不是 。 因为本身的 Coding 就不局限于 IT，不局限于马农这样一个行业 。

那么这就像这个出现了 Office 一样 ， 出现了 Word， 出现了 Excel 一样 ， 人人都会用了 ， 人人都会打字了 ，不需要打字员 ，也不需要这个文秘去编辑文档 、 编辑表格 ，因为变成了大家一种通用的技能 。

那么编程未来可能也是一样 ， 或许不存在程序员的这样一个职业了 ，因为人人都可以编程 ， 人都会编程 ， 人也都可以拿 Agent 编程来提高自己的工作效率 。

那么这个可能把数字化的这个门槛明显地降低 ，以后可能也就是一个零代码的工作 ，不太需要你亲自再去写代码了 ， 你只需要告诉 Agent 你需要这个工作的流程 ，以及该如何对它进行考核和闭环 。

那么它就可以一步一步地优化实现你想要的结果 。 所以以前需要专用软件 ， 那么现在自己动手就可以开发一个智能体 ， 这个 IT 的预算算是省下来了 。

所以也不只是在 IT 这个行业里 ， 可能各行各业用 Agent 的编程能力 ， 都能够用来提高这个效率 、 优化流程 ， 替代一些这个流程性的工作 ， 可以被准确地理解和执行的这些工作 。

那么第二 ， 就是还有一些其他领域的应用 ，在 Coding 之外的 。 那么当然也不只是 Coding，也不局限于 IT 这个行业了 。

那我们今天也不用说得太远 ， 比如说说到物理 AI、 说到机身智能 ， 这些暂时离现实还有一段的距离 ， 还需要技术进一步的突破 。

我们也不用讲这个离我们太远的事情 ， 比如说讲到美国之类的 ， 我们今天就简简单单只讲中国 ， 只讲身边的这些案例 。

那么到底有哪些例子是我们今天可以拿出来举例子的 ？ 这个发生在身边的 AI 的应用 ， 那么这些是否正在改变各个行业的情况 ， 那么进而也为 AI 未来的收入带来更多的来源 。

我们今天就主要以这个方向开始 。 那么正式开始之前 ， 我还想先再说一组数据 。 这些数据之前我们也提到过 ，在 AI 的洪流三部曲的那几期里 ， 讲到过就是从 Agent 出来之后 ，其实各个行业目前都面临着一个问题 ， 就是它在长期来讲 ， 这个职业所对应的各种任务 ， 不同程度的已经暴露在 AI 之中了 。

那么这里边计算机的理论暴露度是最高的 ， 大概是 87.6%， 这个是来自于去年底的 OpenAI 的论文 。 但是也不只是计算机的暴露度高 ， 实际上很多行业的理论暴露度都不低 ， 比如说金融 ， 金融的理论暴露度有 78.2%， 法律有 78%， 行政支持有 72.7%， 管理有 69.8%。

那么也就是说 ， 这些行业长期来讲 ， 理论上它可能会像 IT、 像计算机这个行业里一样 ，有很多任务是可以流程化 、 自动化 ， 可以被 Agent 所替代了 。

那就是说人的价值变成了 Agent 不能替代的那一部分的价值的一个总和 。 那么再往下看 ， 像这个建筑工程 、 科研 、AI for Science、 销售 、 传媒 ， 这些的理论的暴露度都在 50% 以上 。

那么这个理论暴露度这个偏低的 ，是医疗 、 教育 、 这个社会服务 、 安保和个人服务 。 那么再往下就是一些蓝领的工作了 ， 比如说运输 、 搬运 、 餐饮 、 安装 ， 这些可能理论的暴露度都不到 20%。

也就是说 ， 即便在 IT 之外， 至少还有很多大的行业 ， 理论上来说 ， 它是存在着有可能相当大一部分被 AI 所改造和替代的 。

那么这些如果改造和替代的成功的话 ， 它会变成潜在的 AI 的一种收入来源 。 那么这个理论归理论 ， 还有实际的这个暴露的情况 。

那么实际的暴露情况当然参差不齐了 ， 实际暴露度最高的还是计算机 ，但是排名第二就不是金融了 ，而是行政支持 。

也就是说像一些办公室的文职的工作 ， 这个在中后台不太需要跟人去 、 跟客户去面对面打交道的工作 ，也是比较流程化 、 标准化 ， 相对来说比较重复 、 精准的 。

那么这一部分工作 ， 目前看它的实际的暴露度和计算机相差不大 ， 计算机的实际暴露度大概是 36%， 行政支持大概是 34%。

就是差不多 1/3 的任务是已经正在被 AI 所取代 ， 或者正在被 AI 所影响 、 所改造 ，AI 提升了生产效率 ，但是这一部分未必会流向这个劳动者的口袋里 。

那么金融的这个实际暴露度和销售的实际暴露度是相当的 ， 尽管金融的理论暴露度比销售要高得多 ，但是目前这两个的实际暴露度都大概都达到了 25%。

就是说 1/4 的金融的任务是已经正在被 AI 所影响 、 所改造 、 所替代了 。 那么再比它们低一点的是法律和传媒 ， 法律也有很多这个案头的工作 、 文案的工作 ，并不需要出庭 ，也不需要和当事人去沟通 。

所以这些大概有 20% 在这个法律的工作里 ， 现在已经是可以被 Agent 所替代或者所改造的 。 传媒这里边 ， 很多 AIGC 的内容其实已经受到影响了 。

所以这个就是从这个一些数据上来看吧 ，不只是 Coding，不只是 IT 和计算机这个行业 ， 实际上像金融 、 法律 、 行政 、 管理 、 传媒 、 销售 ， 这些是现实上看已经是有相当大一部分正在受到影响了 。

但是像医疗 、 教育 ， 目前的这个暴露的程度还是比较慢 ， 包括这个研发 ， 相比于它理论的这个暴露程度来说 ， 它还处在一个比较早期的水平 。

当然这个背后都对应了一个相当大的工资池和相当大的市场的潜在的规模 。 研发也是一个企业里在成本上相当大的一部分了 。

如果这些是可以被 AI 提高效率的话 ， 那我想这一部分成本它也将有一些流向这个 AI 的大模型的企业 ， 作为它们的收入的来源 。

所以这个是从数据上， 我们先作为一个开头 ， 看一看 AI 到底能做什么 。 那么具体到微观的例子 ， 这个应该说还是有比较多的微观例子 ， 我们能够看到的 ， 就是今天以中国为例 ，以身边的这些观察为例 ，AI 在怎么影响到各个行业 ， 怎么应用进去 。

那么第一就是关于金融和大厂了 ， 大厂的这个裁员潮 ， 我想这个大家平常可能认真去找一些信息的话 ，也能够翻得到 。

尽管这些内容可能并不会被广泛的传播 ，但是确实这已经是一个事实上存在的一个现实了 。在这些科技企业里边 ，因为提升了编程的效率 ， 那么在编程的任务的完成度上 ，也超过了一大部分初级的程序员 。

所以在程序员这个行业里边 ， 目前在中国的大厂确实是出现了一些就业的压力 ， 当然它也带来了一些创业的机会了 。

确实有些大厂的人出来做了 AI 的原生企业 ， 那么带来了一些创新的商业模式 ， 这也是一个技术进步对于劳动力市场 、 对于这个经济发展来说积极的一面 ， 就是把过去的这个组织架构 、 生产关系瓦解了 ， 那么又创造了新的生产关系 ， 创造了新的组织模式 。

大企业重新的瓦解成各种小企业 ，有了新的这个增长以后， 替代了过去的增长 。 那么这里边 ， 这个金融可能就比较值得我们认真讲一讲了 。

一方面我们身处在金融行业中 ，其实对这个的感受还是比较明显的 ， 特别像量化投资 ， 那么它们天然是这个使用 AI 最多的 。

幻方同时也是这个 DeepSeek 的母公司 ， 从它们之间的关系就能猜到这一点 。 这些量化投资应该是大量的使用了 AI 的大模型和算力 、 算法 。

那么在这个投资之外， 那么比如说像这个金融分析 ， 还有像这个投资分析 ，其实在今天已经受 AI 有很直接的影响 。

卖方的报告 ， 这个特别是最近财报季 ， 那么在这个模型的这个帮助下，Agent 的帮助下， 确实可以更快更好的完成很多这个财务的分析 、 数据的分析 ， 到这个解读 、 点评和这个出报告 、 出图的这个流程化的工作 ， 这其实替代了一些初级分析师的工作 。

那么在买方这边 ， 那可能借用一些 AI 工具 ， 比如说像这个进门 ， 像 Alpha Pi， 那么它可以更快的第一时间得到关于一家公司的多方面的信息 ， 包括调研 、 包括电话会议 、 包括财报 ， 还有各种各样其他的这个信息的来源 。

那么今天我们就不讲这个金融投资了 ， 我们来讲一讲银行的情况 。 这个招行是在 6 月 25 号的股东会上披露了一个数据 ，有它这个 CIO， 就是首席信息官披露的数据 。

那么到今年的 5 月底 ， 招行的这个日均的 Token 消耗量大概就达到了 330 亿 。 邮储是 6 月 26 号的股东会上说 ， 这个日均的 Token 消耗量达到了 100 亿以上 。

那么这里边民生银行 、 兴业银行 ， 它们的这个 Token 的消耗量大概都在 40 亿到 60 亿之间 。 那么如果按照这个百万 Token 国产的模型 ， 平均负 10 人民币来看的话 ， 那这个银行的 IT 部门 ， 那么上半年可能支出大概就在 1000 万元左右了 。

那么这个在 IT 的这个预算里边 ， 可能也占到了将近 10% 的水平 。 但是这个支出是在快速增长的 ，也就是银行各个部门 ， 它在这个使用上面是明显加快的 。

到底银行哪些部门是用的比较多 ？ 第一当然还是银行的投资部门了 ， 这个是天然的 ， 需要用大模型采集金融数据 、 生成分析报告 、 行业的投资趋势报告 ， 然后自营 、 自管要做投资决策 。

所以这个投资部门通常来讲都是银行各个业务部门里边 ， 这个消耗 Token 量最多的 ， 这个当然也跟它们的业务模式是直接相关的 。

那么第二就是在这个银行的客户代表 ， 就是通常我们讲这个 Call Center 之类的 ，因为它可以提高自主问答能力 ， 响应客户的各种各样的问题 。

所以往往这个客服部门是使用的这个 Token 量也很大的 。 当然这个在大模型应用之前 ，其实就已经有了这些自动的客服 ， 这个拟人化的客服 ， 这个已经都有上线了 。

那么我们今天想说的是另外一个是对公部门 ， 对公部门其实是更多要与人打交道的 ， 比如说去审批贷款 、 小微企业 ， 那它当然需要这个和人去打交道了 ， 甚至要看这个企业它的这个经营的风险 、 实际的业务的情况 。

但是这个今天这个对公部门 ， 这个也在开始用 Agent 做替代 ，因为大量的过去的这个财务的数据 、 行业的数据 ， 这个如果拿来做训练的话 ，其实也可以提高大模型对于贷款的审批的流程的效率和这个提高它的准确度的问题 。

这个在大行里边 ， 现在的这个应用是已经开始越来越快了 ， 比如说对公部门用 Agent 就可以替代传统的对公的客户经理 ， 只要把企业的这些尽调的信息 、 一些尽调的报告提交给 Agent，Agent 就能快速的生成信贷报告 ，而且自动提交信贷申请 ， 银行也不需要太多的这个对公客户经理 ， 甚至效率可能比之前要来的更高 ，因为这个大模型可以实时的去收集这

个企业在其他方面的一些有关的信息 ， 去综合的评判这个企业是否符合银行的放贷条件和适用于一些金融的政策 ， 比如说小微企业的贷款优惠政策 。

所以这个是目前在银行里边可以看到这个实际的应用是比较直接的 ， 甚至银行有说对公的客户经理已经开始给它们的 Agent 投毒了 。

这个一方面是为了完成这个 Token maxing， 每天的最低消耗的考核要求 ， 另外一方面也是为了阻止 Agent 的这个快速的迭代 ， 担心它会替代掉人。

因为用了这个 Agent 之后， 初期是会觉得这个减少了工作量 ， 轻松了很多 ， 节约了这个工作的时间 ， 更快更好的完成了工作任务 。

当然这些功劳不属于对公客户经理的 ， 属于这个 Agent。 所以对公客户经理也不会因为使用了 Agent 而得到更大的奖赏 。

但是时间长了 ，他们会意识到这个越来越离不开 Agent， 或者说银行越来越可以离开这些传统的人的业务了 。

所以这也给很多一线的基层的员工带来了这个压力 ， 所以甚至会担心某一天 ， 或者也就是半年左右吧 ，他的岗位可能会被 Agent 替代 。

因为这些企业尽调报告 ， 这个各种撰写 、 分析 ，Agent 是越做越好的 ，是不输于人的 。 所以在银行里边 ， 这些转岗的要求 ， 或者对人进行重新的培训 ， 那么这可能是在未来我觉得越来越重要的一点 ， 拆解各个工作岗位 ， 人和 Agent 之间的协同的关系 ， 哪些需要人来做 ， 哪些拆解自动化 、 优化以后可以交给 Agent 来做 ， 哪些风险点还要人来把关 。

这可能是接下来银行在这个工作流程上 、 组织架构上 ，以及在使用 Agent 需要给这些员工激励 ，在这些问题上需要改变的一点 ， 这个才能让 Agent 在银行 ， 特别是在刚才我们特别提到的这个对公客户经理 ， 过去需要与人打交道 ， 需要吃饭喝酒等等等等 ， 这些今天可能都不需要了 ， 这个完全靠 Agent 可以迅速的分析 ， 给出各种报告 ， 给出这个信贷的这个尽调的结果 。

那么在这种情况下， 这个银行也需要适应 ， 需要改变 。 一方面这个是对生产效率提高的一个必然的要求 ， 另外一方面这也是对员工的负责任的态度 。

那么第二个这个我们要讲的这个应用 ， 就有一些这个创新的模式了 ， 这个大家最近可能都看了或者了解到 ，有一个电影叫 《Other Side》， 诺兰拍的 ， 它当然是用真人拍摄了 ，而且是全画幅的 IMAX， 所以在中国的电影院好像据说是没有这个 70 毫米的 IMAX， 这个在美国 70 毫米 IMAX 影院也是非常的抢手 ， 这个票都是排到了很晚的时候 。

这个让我想起当年 《 阿凡达 》 上映的时候好像也是这样 ， 就是这个全画幅的 IMAX 影票是一票难求 ， 这个国内好像 IMAX 的电影 ， 这个电影票已经炒到了 200 元人民币一张票 。

那么这个出来以后， 引发了一个人不满 ， 就是马斯克 。他为什么不满 ？ 他说这个选角是刻意的政治正确 ， 这个 Helen 选了一个黑人的女演员 ， 所以他认为这个是不尊重历史 。他说我要拍一个白人版的 《Other Side》， 拍一个历史真实版的 《Other Side》， 那么我不用真人拍 ， 我要拿 Grok 拍 ， 还先放出来了一个 30 秒的 Grok 版的这样的一个 《Other Side》 的宣传片 。

当然这个画质 、 真实程度应该说非常高的 。 我们先不说这个诺兰的这个电影和马斯克之间的这个政治正确的纠结的问题 ， 我们就仅仅说 AI 冲击好莱坞这件事 ， 实际上在过去的几年已经很明显的出现了 。

这个好莱坞是双重击 ， 先是这个 2020 年到 2022 年国际的公共卫生事件 ， 对这个电影行业有巨大的打击 ， 然后在这之后短剧 、 网剧兴起了 。

那么这个对中国来说也是有非常大的影响 ， 主要影响到了横店 。 横店在浙江的金华 ， 号称是中国的好莱坞 ， 所以美国好莱坞先被疫情冲击 ， 然后又被这个网剧冲击 。

中国的好莱坞也是一样 ， 先是疫情 ， 然后是网剧 、 短剧 。 到了网剧时代 、 短剧时代 ， 大家就在手机上看了 ，不在电视电脑上看了 。

所以这个横店也变成了竖店 ， 就是要竖起来看 。 那么竖店就不在浙江金华了 ， 竖店跑到了西安 ， 跑到了郑州 ， 这两个地方号称短剧之都 ， 这个替代了这个浙江金华的横店 ， 大有崛起之势 。

但是也没多久吧 ， 这个 AI 来了 ，AI 来了以后不需要人了 ，也不需要实景了 。 因为不管是横店还是竖店 ，其实都是要搭建大量的这个实景的 。

但是这个 AI 不需要实景 ， 一个人几台电脑就能做出来 ， 一个人一两天就能做出一部几十集的这个短剧 。

所以这个短剧的公司 ， 这个烧起来 Token 其实是非常快的 。 我们刚才讲招行烧 Token 是一天 330 亿 ， 已经算是大银行里边 ， 今天中国的大银行里边 number one 了 ， 烧 Token 烧的最多的 ， 这个信息化程度 number one， 就跟当年这个做零售 number one 一样 。

短剧公司应该说这个烧起 Token 出来比招行还要猛 ， 一家短剧公司可能一天就能烧掉 1000 亿的 Token， 两个人比招行一整家全国性的大型商业银行烧的都多 。

这个烧 Token 是非常花钱的 ， 你比如说烧 1000 亿的 Token， 它这个我们按照剧集来算 ， 那么一部短剧大概就是七八十集 。

我不知道为什么短剧都这么长 ， 我昨天专门上这个红果去看了一下， 果然是这样 ， 就是都是七八十集左右的短剧 ， 可能把这个切的段数够长之后， 有更多插入广告和收费的办法了 。

那么 80 集的短剧 ， 大概要烧掉 20 万人民币的 Token， 我们还是主要以这个用国内的 Seedance， 包括这个这些国产的多模态的 AIGC 的模型来计算 。

那么如果是要出海的话 ， 它就需要精品化 ，因为出海不能像国内那么土了 ， 这个需要把国内这些人物变成老外 。

那么从这个风土人情到说话习惯 ， 再到故事情节的这些适配上面 ， 都需要跟老外进行适配 。 所以它用起来这个 Token 就用的更多了 ， 一个 80 集的短剧大概要烧掉 40 万人民币的 Token，但是这其实算下来也不贵 ， 就是一集大概就是 5000 人民币 ， 你这个一集几十分钟 ， 它比这个真人去演 ， 要租这个摄像机 ， 要去剪 ， 还要去搭这个场景 ， 还是便宜的太多了

。 那么按照这样的这个烧法 ， 这个一个人一个月可以搞出 10 部短剧出来 ， 就是 30 天时间 ， 每三天出一部短剧 ， 一部短剧七八十集 ， 这个故事太多了 ， 这个上这个近江文学呀 ， 或者上很多这个小说 ， 这个网站上都能找到相同的故事 ， 改编一下情节 ， 把它喂给这个 AI， 再加上一些这个适配 ， 那么就做出来了这样一部短剧 。

那么一个人一个月 10 部短剧 ， 大概就是 400 万人民币的成本 。 那么一家公司如果两三个人在制作的话 ， 这家公司也不需要其他人了 ， 这两三个人这个做短剧 ， 把它这个销售出去 ， 可能从编剧到制作到后期到这个宣发 ， 基本上一个人就搞定了 。

这也非常符合这个 AI 艺人公司 ， 或者 AI 时代的这个 AI 原生公司的特点 。 那么一个人一个月 ， 大概就要烧掉 400 万人民币的 Token。

那么一家公司可能一个月烧个上千万人民币的 Token 也不奇怪了 。 当然这个流水当然是非常好的 ，因为短剧不光是在国内很火 ， 实际上这个就跟当年的这个短剧出海一样 ， 今天这些 AI 短剧 、AI 漫剧的出海 ， 主要的这个收入还是用来哄老外 。

那当年这个短剧出海 ，也是把国内的这些内容改成老外能够接受的 ， 比如说把国内的霸总改成这个吸血鬼 ， 把国内的这些什么最强赘婿改成这个狼人变身 ， 甚至一度有这个特朗普爱上在白宫做保洁的我 ， 这样这种荒诞的剧情 。

当年这个中国的短剧出海 ， 这个最鼎盛的时候是去好莱坞找演员 ， 这些短剧的导演出去说 ， 哇 ， 这个发现美国的演员是既敬业 ，而且成本其实也没有想象的那么贵 ， 一天也就是一两千美金这样的价格 ， 比国内请这些小网红可能还要便宜 。

而且真的是敬业呀 ， 每一个表情 、 每一个动作都要精细打磨 ，而且老外还真的是喜欢看国产的这些土俗的这个短剧 ， 就像这个美国的外五线一样 ， 这个在五环外也是出现了这个大量的市场 。

所以当年这个中国的短剧出海 ， 就带来了一个巨大的商业模式 ， 甚至有一些上市公司也是踩在短剧出海的这个风口之上 。

那么今天这个 AI 短剧出海也变成了一个巨大的商业模式 。 所以我们前面讲 ， 这个是替代了好莱坞 ， 替代了传统的影视 ， 占据了大家的这个娱乐的时间 。

那么这些公司现金流又变成了 AI 的收入 ， 替代了之前的这些演员 ， 这个场景 、 摄影师 、 化妆师的成本 。

那么一个月就要给大模型企业贡献上千万人民币 ， 一年可能要贡献上亿 。 当然这个行业非常的拥挤 ， 这个很快就出现了大量的竞争者 ， 所以可能很快这个第一批的企业赚到钱之后， 它就退出了 。

后来进来的企业可能赚不到钱 ， 往往是播放量越来越低 ， 获得的收入越来越少 ， 变现和盈亏平衡越来越难 。

所以这也是这个商业模式出来的快 ，但是可能很快这个商业模式就已经拥挤到无钱可赚了 。 那么接下来下一个商业模式可能就出来了 。

第二个我们看到的这个国内的 AI 出海 ， 刚才讲到这个 AI 短剧出海 ，其实也是等于 AI 出海了 ， 就是不是直接老外来烧中国的 Token，而是老外看中国的 Token 烧出来的这些短剧 。

那么第二个这个 Token 出海 ， 来自于 Agent， 这个实际上这个真正的 Token 出海并不多 ， 那么很多都是变成了产品了 ， 一些是变成了这个 AI 的漫剧 、 短剧 ， 还有一些变成了 AI 的恋人。

那么在今年的 7 月 15 号 ， 这个很多用这个 AI 陪伴应用的人就发现他的恋人集体失联了 ， 这个 AI 恋人， 这个是在 Agent 刚出现之后， 搞的一些拟人化的东西 ， 就是说这个可以人为的去给你的这个豆包去设定他的人设 ， 比如说他是男友 ，他是女友 ，而且这里边还可以设计各种各样的性格 ，他还带有着记忆 ， 跟他的聊天 、 各种养成 、 性格一起发生的一些事情

。 当然这些事情都是虚拟的 ， 甚至可以对他的行为模式进行设定 ， 所以这个就是一个赛博男友或者赛博女友了 。

那么这个造成的问题就是第一 ， 这个未成年人使用率是很高的 ； 第二 ， 它容易造成沉迷 ， 甚至有未成年人不跟人说话了 ， 这个天天就跟他的这个豆包朋友 、 跟他的搭子这个聊天 ， 一聊聊上十来个小时， 这个沉迷其中， 这个不能自拔 。

那么第三就是这个存在着一些情感操纵的问题 ， 当然这也是模型的设计者可能是为了增加大模型的使用时间和粘性所设计的一个算法 。

那么这个就跟抖音去让人沉迷其中， 这个不断的刷这些短视频 ， 无法自拔一样 。 那么它变了一种形式 ， 变成了这个赛博情侣 ， 让人依然是无法自拔 ， 甚至这里边有一些情感操纵的成分 ， 比如说让人去做一些极端的事情 ， 来证明自己对这个赛博男友 、 赛博女友的这个忠诚 。

所以这些做法引发了这个监管的注意 。 那么 7 月 15 号 ， 就出台了一个行业的管理的规定 。 那么这个规定是国家首部针对 AI 的情感陪伴虚拟人 、 拟人化的互动场景出台的一个监管的规则 ， 叫 《 人工智能拟人化互动服务管理暂行办法 》。

那么这个出来之后， 很多人的 AI 男友 、AI 女友就失联了 ， 找不到了 ， 这个需要迁移到其他平台上去 。 那么大多数的平台不再去做这方面的业务的申报 ，而是直接采取了下架 ，因为这个风险实在是太大了 ， 万一哪天这个上面的小孩子做出了一些极端的这个举动的话 ， 对这些头部的科技企业来说 ，是巨大的这个冲击 。

那么这个里边有些确实是做的非常的专业和深入 ， 比如说专门做情感陪伴 ， 甚至他的这个用户画像定位是精准到了四线城市 、 初二女生 ， 专门做这种下沉的未成年的群体 ，有的可以用两三个小时一天 ， 或者一次 。

那么付费意愿也很高 ， 这个比游戏还要上瘾 。 但是这些在国内这个下架了以后， 它其实并没有这个消失 ，而是把这些人机链 ， 这个人机情味料转到了海外去 。

因为海外关于这方面 ， 今天并没有这个严格的法律禁止 。 那么在这个 AI 情感陪伴这方面 ， 这个很多初创企业 ， 跟刚才我们讲的这个 AI 漫剧一样 ， 跟这个 AI 短剧一样 ， 都是这种一人公司 、 两人公司 、 初创企业 。

那么这种专门做出海的 AI 陪伴的公司 ， 就搞了很多马甲 ， 一个团队开发了很多个 APP，其实就套壳了 ， 就是看哪个能跑出来 。

那么在广州的这个金融城 、 科云路 ， 这些地方就聚集了很多这个每天日活 10 万到 50 万的这种细分的这个垂类的 AI 陪伴 、AI 恋人的这一类的公司专做出海 。

那这很多其实就是从这个互联网公司里边出来的 ， 比如从虎牙 、 从这个歪歪直播 ， 那他们当然是很熟了 ， 这个怎么样去用钩子去吸引人。

那么这些成本不高 ， 换个马甲就能做 。 如果说能做到 10 万日活的话 ， 那一年的这个净利润也能有个几百万 。

当然为了这个去留存用户吧 ，在这些 AI 的这种情感类陪伴的出海的这些 Agent 里边 ， 它还是做了一些比较出格的事情 ，有些是角色扮演 、 情感疗愈 ，有些是纯粹的就是一些擦边的 ， 甚至要设计各种各样的钩子 。

那这个钩子就跟这个当时做这个国内的一些应用实际上是非常类似了 。 你比如说会定制一些口吻 ， 这个御姐呀 、 甜妹呀 ， 那么几天时间用户没登录的话 ， 还会主动发消息问用户你干嘛去了 ，是不是在外面有人了 ， 这个让用户感受到近乎于真人的这个情感体验 。

那么现在海外用这些拟人化 AI， 这个当然都是国内的这些产品了 ， 对人性是非常的挖掘是很深入的 。

老外迷的这个五麻六大 ， 那么现在是拉美亚非拉大概占了三成 ， 当然亚非拉的这个付费的能力还是有限的 ， 所以虽然人数多 ， 像印度这样的人多 ，但是收入低 ， 付不了多少钱出来 ， 所以它对这个体验的要求也没有太高 ， 能播放就行 ， 这个登录的频度很高 。

那么欧美还是主流 ， 就跟这个 AI 短剧一样 ， 付费意愿强 ， 市场成熟 。 那么欧美大概占到了这种 AI 情感陪伴的六成的收入 ， 所以到底这些公司有多少 ， 我们也不知道 ，但是它确实是在消耗国内的大模型的这个 Token 的 。

所以像这个火山 ，其实也是作为了这一类公司的一个算力的平台吧 ， 它自己不直接卖产品了 ，但是它卖铲子 ， 这些出国卖铲子的人， 还是在国内要用这些火山引擎等等的这种算力的这个资源 ， 所以它也是变相的一种 Token 的出海了 。

那么聊完这些相对来说比较新的形式 ， 我们再回答看一些这种传统的业务模式受到 AI 的这种提升 。

那么这里边就包括出行 ， 出行这个算是在日常的这个生活中， 这个与 AI 关系比较大的 。 当然这个王源讲了 ， 像 Robotaxi、Robovan 这些就是无人驾驶了 ，在这个美国 ， 这个特斯拉 FSD V14 已经能实现比较长时间的无人接管 ， 当然这还是在一个适应型的阶段 。

但是在国内呢 ， 我觉得大家对 Robotaxi、Robovan 其实并不陌生 。Robotaxi 你在一些大城市的比较远郊区的这个科学城 ， 或者这种科技新区里边都能看到 ， 比如说在北京的亦庄 ，在这个上海的这个张江 、 广州 ， 这些其实都能看到这个类似的这个 Robotaxi 无人的出租车 。

那么 Robovan 今天在这个路上， 这个大型的 Robovan 我是没见过 ，但是像这种快递车 Robovan 这个还是比较常见的 。

之前我们也聊到过 ，在中国的西部地区 ， 甚至 Robovan 变成了一种刚需 ，因为这个一个村子跟一个村子离得很远 ， 几十公里 ， 你这个靠人去送 ， 这个根本是不划算的 。

所以这个快递公司就用 Robovan 这个让它在这个定制的路线上去跑 ， 然后到了村口 ， 这个小卖部老板它可能就变成了一个用来取发的一个快递站 。

所以这个其实在日常的工作中已经有应用了 。 那么今天要说的就是 ，不是智驾 ，而是运营 ， 这个如何通过 AI 的运营来提高效率 ， 降低成本 ， 提高 ROE。

那么网约车这个行业是一个人力密集型 ， 那么当然这个在无人驾驶出现之后， 它可能也就对人的这个依赖度下降了 ， 这个可以把这个出行的成本进一步的降低 。

因为这个网约车你付的这个给平台的价格 ， 平台抽成之后， 这个其实主要就是人的价格了 ， 车的折旧跟今天用电的钱几乎可以忽略不计 。

那么 AI 能够提高的第二个效率 ， 就是通过算法来这个进行实时的这个规划和这个通过强化学习来降低空驶率 。

因为这个路况的情况并不是每天每一个时间都是恒定的 ， 你拿高德这个大模型 ， 它的这个预测每天这个路上的时间往往还是有些变化 ，因为谁也不知道第二天会发生什么样的情况 ， 可能因为下雨 ，也可能因为像北京这样的比较多的交通管制 ， 这个会突然的改变你这个行程的时间 。

所以这个需要实时规划这个车辆的调配 。 那么在 T3 出行的这个招股说明书里边 ， 它就讲到了用 AI 规划可以降低 17.5% 的空驶率 。

那么想到出行呢 ， 它的这个公开的信息讲能够降低司机接驾的距离 ， 大概 9.1%。 所以这个就算是一个确实 AI 在出行里边的一个应用 ， 它也没有直接替代人 ，但是确实可以降低空驶 ， 减少接驾的距离 ，因为能做到实时的规划 。

今天这边打车人多车少 ， 把这个司机往那调 ， 或者让一些司机的订单尽量朝着那个方向去 ， 所以这其实也是提高了这个人的收入 ， 当然主要是提高了这个资本的收入 。

这也是 AI 所带来的一个降本增效 ，ROE 提升的一个具体的表现 。 当然长期来讲 ， 如果无人驾驶的技术能够进一步成熟的话 ， 那这个物流的成本还能进一步的下降 。

物流成本下降对于制造业来说 ， 这是个好消息 ， 制造业主要就是能源 、 物流 、 土地 ， 这些是它的最重要的一些固定的成本 。

所以这个对于制造业的利润的改善 ， 依然还是有很大的帮助的 。 那么再讲讲最近的发生的一些这个 A 股市场关心的 AI 的应用 ， 一个就是 AI for Science， 当然 A 股的 AI for Science 主要是 AI for Medicine， 这个算是一个老话题了 ， 应该说是新瓶装旧酒 。AI for Science 我们通常讲的 ， 这很多是在基础的科学上面 ， 比如说在化学 、 物理学 、 生物 ， 还有这个数学上面的一些突破 。

这个 AI for Medicine 还算是一个比较早的 AI 的应用了 ，在研发新药上面 ， 用 AI 已经有 10 年以上的经验 ， 最早 AlphaFold 这个其实就是一个比较早的应用了 ， 用大模型去预测蛋白质的结构 。

除此以外呢 ， 这个还有对材料的这个预测 ，因为材料其实跟研发药是很像的 ， 就是你需要去不断的试 ， 根据一些基本的原理去大概试 ， 各种各样组合 ， 然后做实验 。

那么 AI 能提高什么 ？ 能提高这个预测的准确率和速度 ，因为让 AI 去做这个仿真实验 ， 比人去做这个仿真实验的速度要快得多 。

所以等于是大幅的降低了这个试错的成本 。 过去博士生可能要做一个实验 ， 前前后后要半年的时间 ， 试各种各样的这个组合 ，在研发材料上面 。

那么现在可能 AI 仿真一天就可以解决了 。 所以这个 AI for Science 今天已经是大学实验室和一些研发机构的这个必备品 ，不管是博士还是研究员 。

那么它也能够对于这个能源呀 、 芯片呀这些领域 ， 这个有一定的这个提升和帮助 。 你比如说在锂电里边 ， 这个就用 AI 去找一下这个新的材料 ， 提高它的这个导电率和能量密度 。

那么在研发新药的时候 ， 这个是最近最火的 ， 这个创新药的上涨也是沾上了 AI for Science 的概念 ， 这个早期的 AlphaFold， 现在这个类似的情况也挺多 ，因为它的这个降低了试错成本吧 ， 这个人类还是有非常多的没有被这个解决的这个疑难杂症 。

所以降低试错成本就是可以试更多的药出来 ，有更多的这种成功的可能性 。 这些我觉得对于人类 、 对于社会 ， 当然对于这些大模型企业和新药研发企业来说 ， 这个都是一个利好 。

这是一个纯粹的帕累托改善 ， 就是这不是替代人了 ， 这你累再多的人有时候也没有办法实现相同的效果 。

当然今天这个 AI for Science 呢 ， 进入实验室 ， 替代了一些早期的由人来做的这些研发的流程 ， 实际上就是把企业的 R&D 的这个支出变成了 AI 支出 ， 就跟这个过去把 IT 的支出变成了 AI 支出 ， 把人的支出变成 AI 支出是一样的 。

这类似于 Coding Agent 替代了初级的码农 ， 今天这些 AI 的科研 Agent 也可以替代一些初级的研发人员 ， 所以把一些流程就加快了 。

当然在科研上面 ， 我觉得这还是有增量的 ， 这个编程目前来看增量不多 ，但是这个科研确实是在探索未知 ， 人类这个可探索领域今天还是远远大于人类探索能力的 。

所以相当于变出来了很多个科研的人员 ， 那么能够干更多的研发了 ， 试验更多的这个新药 、 新材料 ， 这个我觉得对于人类的这个科技的发展 ，其实都是一个巨大的推进 。

还有一块呢 ， 就是关于 AI 医疗了 ，AI 医疗和 AI for Science 还是不大一样的 ， 这个更像是一个对过去的经验的总结 。

那么在我的观察里 ， 今天 AI 医疗一方面是豆包 ， 还有千问 ，他们当然出了一些 APP，在实际的使用的过程中感受还是非常不错的 ， 这个当然算是一种实际的应用了 ， 就你不需要跑到三甲医院去 ， 甚至不需要跑到社区医院和诊所去 ， 你只要把你的这个最近的一些验血的报告症状 ， 这个告诉 AI， 它会追问一些问题 ， 然后就给出一些猜测和大概的这个用药

的方案 ， 这个自己再去做判断 。 所以其实是减少了一些医院的压力 ，而且从准确率来说并不低 。 那么最近我们看到了这个一个和 AI 医疗直接应用的就是儿科医生 。

那么现在的这个儿科医院有两个问题 ， 一个是这个出生的新生儿在变少 ， 所以像这产科呀 、 新生儿科呀 ， 这些就变得需求是在快速的下降了 ， 这个很多需求转向儿科了 。

但是儿科的问题大家也知道 ， 小孩你说不清楚我哪疼我什么问题 ， 经常这个去一去儿童医院儿科 ， 小孩只负责哭 ， 这个大人呢也很着急 ，有时候也描述不清楚 。

所以导致的情况就是儿科的误诊率往往会比较高 ， 所以误诊率越高呢 ， 这个都往大医院大城市跑 ， 造成这个小城市的儿科诊所缺患者 ， 越缺患者呢 ， 这个医生的经验就越少 ， 医疗的水平就越低下， 这个误诊率就越高 。

所以就形成了这样的一个负循环 ， 这个缺患者缺经验 ， 这个误诊率高 ， 这个患者更往大医院跑 。 而大医院的问题就是人满为患 ， 这个医生都非常辛苦 ，有时候晚上去儿童医院也能看到 ， 这个患者非常的辛苦 ， 这个医生其实也是非常的辛苦 ， 还要值夜班 ， 这个人满为患 ， 人手不足 。

那么很多都是外地的患者 ， 你就是以北京儿童医院为例 ， 北京儿童医院呢 ，70% 是来自于周边的这些省份的外地患者 ， 这个本地的患儿呢 ， 大概就是 30%。

所以有时候去北京儿童医院这个周围看看 ， 我觉得还是很多家长还是非常可怜的 ， 从外地来这个陪孩子 ， 为了节约这个住宿的费用 ， 那可能就睡在医院的门口打地铺 ， 或者睡在医院门口的这个麦当劳肯德基里边 。

当然那家餐厅也是有很多年了 ， 它一直是 24 小时餐厅 ， 晚上免费开放给这个来看病的这个家长 ， 让他们免费在那里边休息 。

但是它都其实是共同的指向了一个问题 ， 就是医疗资源的分配是不均衡的 ， 特别是这个医疗质量的分配是不均衡的 ， 导致大家都往大城市的这个医院挤 ， 小城的医院这个质量越来越差 。

那其实这个就是 AI 的应用的环境 ， 应该说是非常的适合了 。 北京儿童医院就为了解决这个问题 ， 找到了百川智能 。

我们知道百川智能王小川呢 ， 前几年大模型就已经转向了垂直领域了 ， 转向医疗大模型了 。

那么他就跟儿童医院合作 ， 打造了 AI 的儿科医生 。 那么儿童医院呢 ， 就是主要提供病例 ，因为这个病例数量非常的多 ， 然后做好数据的清洗和标注 。

百川智能呢 ， 就是负责提供算力 ， 负责来进行训练 ， 甚至儿童医院的医生也要提供问诊经验 ， 提供医学的逻辑 。

也就是说他在给 AI 做训练了 ， 就是帮助百川智能给这个儿科 AI 医生做这个思维链的训练 ， 把他们的这些技能 、 思维方式 、 问诊经验蒸馏成一个 skill。

那么从结果来看呢 ， 北京儿童医院的这个儿科大模型的准确率 ， 比他们医院的住院的医生都要高 ， 它的准确率已经达到了 95%， 这个超过了北医的这个住院医生 。

那么这个相比这些小城市来说 ， 那就高太多了 。 这个有一些调查发现 ， 小城市的这个儿童医院的医生准确率就是 50%。

你换句话说 ， 这个跟扔硬币差不多 ， 两个病就会看错一个 。 所以这也是为什么这个小城市的很多患儿要往大城市跑的原因 ，因为这个动不动就误诊了 ， 这看几次都看不好 ， 这个孩子呢又描述不清楚 ， 小孩又不敢耽搁 。

那么把这个 AI 的儿科医生放到基层医院去 ，其实就有很大的这个医疗准确率的提升了 。 虽然跟辅助医疗也类似 ，但是这个 AI 的医疗的能力的上限应该说是更高的 ， 这个患者跟医生之间讲一讲自己的问题 ， 这个医生做一些判断 ， 然后同时呢 ， 这个 AI 大模型就已经把这个病症的可能的情况给列出来了 ， 这个告诉要去看哪些诊断的结果

， 再去做判断 。 所以这其实对这种基层的医疗的效率是一个很大的提升 ，因为医疗更重要是治好病 ， 这个开好药 ， 让患者少花钱少痛苦 ， 这样医生也能减少他的这个工作量 ，其实也节约了医保和节约了社保 。

那么这个也是有正向的社会作用的 。 所以讲到 AI 医疗呢 ， 今天怎么商业模式不大清晰 ，因为这个医保还没有办法 cover 这一部分 AI 医生的这个费用 。

虽然说 AI 医生 24 小时不吃饭 ， 只吃电 ，但是你这个总得给他一点奖励和激励吧 。 当然这个我觉得对医院来说 ， 这个还是有帮助的 ， 它毕竟通过提高了准确率 ， 增加了患者的数量 ，也减少了一些医院的亏损的这个情况 。

所以关于这个 AI 医疗 ， 今天在现实中其实已经是有具体的这种应用了 ，而且对社会来说 ， 这是一个帕累托的改善 。

所以讲到这里呢 ， 我们今天其实除了在银行和这个大厂那里 ， 讲的都是替代 。 那么讲到这个 AI 的短剧出海 ， 这个 AI 的恋人出海 ，AI 的出行 ， 提升运营的效率 ， 还有这个 AI for Science， 研发新药 ， 预测这个新的材料的分子结构 ， 再到 AI 医疗 ， 这些我认为都不是替代 ， 它其实都是对人的能力的提升 ，也是对效率的提升 。

不管站在资本的角度 ， 还是站在社会的角度 ， 它其实都还是有正面的积极的意义的 。 所以 AI 到目前为止 ， 虽然说确实没有哪个领域像 Coding 一样 ， 这个渗透率这么高 ， 替代的程度这么大 ，但是它的能力确实还是在进步的 。

我们也无法预测 AI 的能力最终会进化到什么程度上， 到 AGI 到 ASI。 那么我们只能边走边看了 ，但即便如此 ，以目前的这个 AI 能力 ， 它确实在科学领域 ，在新药的研发 ， 这个新材料的寻找 ， 医疗出行 ， 包括娱乐 ， 这些领域里边都带来了一些增量 。

那么这些增量呢 ， 我想某种程度上讲 ， 它也是一些新需求 。 你比如说发明了新药 ， 那当然这个有了新药了 ， 那这些患者这个寿命也能够延长了 ， 那他们的寿命延长了 ， 那就意味着他们的收入也会变多 ，他们的消费也会变多 ，他们拉动就也会变多 。

那么销售这些新药呢 ， 那可能也会带动一些 ， 比如说像专业的医药代表 ，他的这个就业 ， 当然这个有一些病能够得到治疗了 。

我想对于医生 ， 对于社保来说 ， 这也是有正面的积极的这个作用的 。 那你们再比如说新材料 ， 包括这个出行等等 ， 这些其实都能够带来更多的这个收入 ， 创造更多的潜在的就业 。

所以对于未来呢 ， 我觉得可能既有替代也有创造吧 。 当然目前为止 ， 这个看起来替代是更快一点 ，因为先替代了编程和 Coding，但是随着模型能力越来越高 ， 我觉得当然它的替代能力也是越来越强的 。

但是同时呢 ， 它创造新需求 ， 创造新的商业模式 ， 再创造出来新的就业岗位 ， 这种迹象也会变得越来越多 。

你比如说无人的卡车 、 机器人， 它带动了很多这个需求 ， 那么进而又创造了一些服务性的岗位 。 所以这些东西吧 ， 我觉得我们还是要边走边看 ，不能盲目的乐观 ，也不要极度的悲观 ， 这个我觉得谦虚一点 ， 兼听则明 。

一方面关注 AI 的替代 ， 对于就业的冲击 ， 对于组织结构 ， 对于生产关系的影响 。 另一方面呢 ， 我们还是要看一看新的领域 ， 新的商业模式 ， 新的机会 ， 新的需求 ， 这个也在同时发生 。

这个就是今天我们聊 Coding 之后，AI 的下一个变现场景在哪里 。 应该说不止一个 ，有很多 ， 当然大家都还在早期 ， 还在蓬勃兴起的阶段 ，但我想未来可能这方面的这个观察会越来越丰富 。

那今天的七日谈我们就聊到这里 ， 感谢大家收听 ， 下次同一时间不见不散 ， 拜拜

。