梦飞：19分46秒，我把AI落地的“百万级”秘密留在了大会现场

梦飞：19分46秒，我把AI落地的“百万级”秘密留在了大会现场 梦飞：19分46秒，我把AI落地的“百万级”秘密留在了大会现场 Modified February 11 No access 13415195557365889 00:00 用户不仅可以拍出原本需要在专业影棚中的风格大片，还可以拍出文旅景区、节日氛围的打卡照片。 我们没有做很多事情，只是在原有的拍照基础上，增加了AI 模型的加持，就让单一的大头贴机器焕发了生机，用户不再是简单的与背景板合影，而是能够生产更高质量、更好视觉效果的艺术照。 这一转变，使得这台机器不再是一个“拍照机”，而是一个“无限风格体验站”。 我们没有换硬件，只是加了 AI，复购率和客单价就有了显著提升。 看完了以上案例，我们会发现，都有一个共性。 我们从未凭空创造一个业务，也从未创造一个虚假的需求。 我们做的所有事情，都是在原有成熟的 SOP 之上，寻找那个最合适的“支点”。 这听起来很简单，但在实际落地中，我们往往会被“全能 AI”的幻象所迷惑，总想着一步登天，做一个无所不能的超级系统。以上的客户如果不是我拉着盘点完，一开始也都是准备直接AI重构整个系统的。好多老板上来就是要建立一个AI nativate的业务。 为了避免这种“宏大叙事的陷阱”，我把这套心法总结为“落地三部曲”，送给各位： 第一步：拆解—— 把业务“原子化”。 不要看业务的整体，要看它的输入和输出。 比如刚刚讲的钻石画，我们没有把它看作“艺术创作”，而是拆解成了原子步骤： 第一步： • 输入： 用户的一张照片； • 输出： 一张带色号的像素底图。 第二步： • 输入：像素点图 • 输出：对应的钻号图 搞清楚 输入和 输出，我们才能看清这个过程到底是什么，AI到底能干什么，需要干什么。 第二步：诊断，寻找“阻力最大的点”。 哪个环节是上下游的“主要卡点”？哪个环节消耗的人力最多？哪个环节限制了你无法从 1 做到 100？ 那个阻力最大的地方，就是你要找的“支点”。 当然在一套业务中，这样的“点”有很多。把这些都记下来。任何人都无法帮助你，只有自己切身去找。 第三步，替换： 用AI的擅长点定向替换这个环节。 这时候，我们需要一个冷静的判断： 现在的 AI 模型（无论是推理、生图还是工具调用），它的能力边界能不能 Cover 这个原子环节？成本是不是低于人工？ 如果答案：是，那不要犹豫，把这个环节用 AI 替换掉。 并且，在考虑是否能够覆盖这个原子场景的时候，也要想到：我们是自己造轮子，还是直接用现成的顶级服务？ 比如，如果你发现这个环节需要大量的外部知识（比如做行业调研、做竞品分析），千万别自己去爬数据。 直接调用百度的搜索 API，或者接入深度研究 Agent。 把“获取信息”和“逻辑推演”这种重活儿，交给最擅长的大厂基建； 把精力集中在你们最核心的业务逻辑上。 就像我们用 AI 替换了蒂彩的设计师修图（用了视觉模型），用百度搜索和深度研究替换了房产经纪人的机械背书和报告撰写。 先单点突破，再上下游延伸。这就是撬动业务的正确姿势。 最后，我想说： 1、 SOP 优先，Agent 在后。 如果你的业务流程连人工都跑不通，千万别指望 AI 能救你，先用人工最快、最低成本的验证。但如果你的 SOP 已经成熟，那么 AI 就是那个能让你从“线性增长”变成“指数级爆发”的关键变量。 2、与 AI 做朋友，只造船，不挖池。 过去一年里，我见到很多企业的老板们都想自己去做一个所谓的内部专用模型，要本地化，要独立化，要用巨高的成本搞工程化的开发，达到超越模型能力的效果。 但其实我们基本上预期到这种情况，都会尽量劝导或者引导客户，直接用云模型。 为什么？ 因为这样做，就等同于外边有汪洋大海，但是你非要给自己挖一个“蓄水池”。池子再大，也是死水，不仅维护成本高，而且很容易干涸。 在 2026 年，我们要转换思维，与AI做朋友，本质上是顺应AI的发展趋势，顺应厂商的技术路径，不要在模型的道路上，去试图超越模型的能力。 否则一旦模型更新，我们辛苦做的“基建”瞬间就会被覆盖，沦为技术演进路上的牺牲品。 我们要搭建的是业务的“船体”和“风帆”，把底层能力的进化交给大厂，把业务场景的深耕留给自己。 在这个生态里，模型基础能力是“水”，而我们的业务架构是“船”。 水位上涨时，我们要做自然浮起，而不是被淹没的那个。 业务之船越坚固，当模型能力上涨之时，我们建立在上面的业务之船，就会自然而然地被托举到新的高度。 模型越强你越强。 2026 年，希望在座的每一位，都能找到属于自己业务的那个“小切口”，找到那个最精准的“支点”。撬动企业的大未来。 2026，希望各位都能建造好自己的船，借助大模型的“滔滔江水”，去探索更广阔的商业大海。 我是梦飞，很开心能在 AI 的大航海时代，与各位同行！谢谢大家！ 以上就是分享的全文了。 此外，这场大会上还有一个挺亮眼的发布，刚好可以印证我演讲里说的“只造船，不挖池”。 百度把自家生态里的核心能力——AI 搜索、百度地图、百度网盘、OCR、语音识别等， 全部通过百度千帆 MCP Server 和 Skills 的形式开放了 。 No access 13415195557365889 00:00 No access 13415195557365889 00:00 用户不仅可以拍出原本需要在专业影棚中的风格大片，还可以拍出文旅景区、节日氛围的打卡照片。 我们没有做很多事情，只是在原有的拍照基础上，增加了AI 模型的加持，就让单一的大头贴机器焕发了生机，用户不再是简单的与背景板合影，而是能够生产更高质量、更好视觉效果的艺术照。 这一转变，使得这台机器不再是一个“拍照机”，而是一个“无限风格体验站”。 我们没有换硬件，只是加了 AI，复购率和客单价就有了显著提升。 看完了以上案例，我们会发现，都有一个共性。 我们从未凭空创造一个业务，也从未创造一个虚假的需求。 我们做的所有事情，都是在原有成熟的 SOP 之上，寻找那个最合适的“支点”。 这听起来很简单，但在实际落地中，我们往往会被“全能 AI”的幻象所迷惑，总想着一步登天，做一个无所不能的超级系统。以上的客户如果不是我拉着盘点完，一开始也都是准备直接AI重构整个系统的。好多老板上来就是要建立一个AI nativate的业务。 为了避免这种“宏大叙事的陷阱”，我把这套心法总结为“落地三部曲”，送给各位： 第一步：拆解—— 把业务“原子化”。 不要看业务的整体，要看它的输入和输出。 比如刚刚讲的钻石画，我们没有把它看作“艺术创作”，而是拆解成了原子步骤： 第一步： • 输入： 用户的一张照片； • 输出： 一张带色号的像素底图。 第二步： • 输入：像素点图 • 输出：对应的钻号图 搞清楚 输入和 输出，我们才能看清这个过程到底是什么，AI到底能干什么，需要干什么。 第二步：诊断，寻找“阻力最大的点”。 哪个环节是上下游的“主要卡点”？哪个环节消耗的人力最多？哪个环节限制了你无法从 1 做到 100？ 那个阻力最大的地方，就是你要找的“支点”。 当然在一套业务中，这样的“点”有很多。把这些都记下来。任何人都无法帮助你，只有自己切身去找。 第三步，替换： 用AI的擅长点定向替换这个环节。 这时候，我们需要一个冷静的判断： 现在的 AI 模型（无论是推理、生图还是工具调用），它的能力边界能不能 Cover 这个原子环节？成本是不是低于人工？ 如果答案：是，那不要犹豫，把这个环节用 AI 替换掉。 并且，在考虑是否能够覆盖这个原子场景的时候，也要想到：我们是自己造轮子，还是直接用现成的顶级服务？ 比如，如果你发现这个环节需要大量的外部知识（比如做行业调研、做竞品分析），千万别自己去爬数据。 直接调用百度的搜索 API，或者接入深度研究 Agent。 把“获取信息”和“逻辑推演”这种重活儿，交给最擅长的大厂基建； 把精力集中在你们最核心的业务逻辑上。 就像我们用 AI 替换了蒂彩的设计师修图（用了视觉模型），用百度搜索和深度研究替换了房产经纪人的机械背书和报告撰写。 先单点突破，再上下游延伸。这就是撬动业务的正确姿势。 最后，我想说： 1、 SOP 优先，Agent 在后。 如果你的业务流程连人工都跑不通，千万别指望 AI 能救你，先用人工最快、最低成本的验证。但如果你的 SOP 已经成熟，那么 AI 就是那个能让你从“线性增长”变成“指数级爆发”的关键变量。 2、与 AI 做朋友，只造船，不挖池。 过去一年里，我见到很多企业的老板们都想自己去做一个所谓的内部专用模型，要本地化，要独立化，要用巨高的成本搞工程化的开发，达到超越模型能力的效果。 但其实我们基本上预期到这种情况，都会尽量劝导或者引导客户，直接用云模型。 为什么？ 因为这样做，就等同于外边有汪洋大海，但是你非要给自己挖一个“蓄水池”。池子再大，也是死水，不仅维护成本高，而且很容易干涸。 在 2026 年，我们要转换思维，与AI做朋友，本质上是顺应AI的发展趋势，顺应厂商的技术路径，不要在模型的道路上，去试图超越模型的能力。 否则一旦模型更新，我们辛苦做的“基建”瞬间就会被覆盖，沦为技术演进路上的牺牲品。 我们要搭建的是业务的“船体”和“风帆”，把底层能力的进化交给大厂，把业务场景的深耕留给自己。 在这个生态里，模型基础能力是“水”，而我们的业务架构是“船”。 水位上涨时，我们要做自然浮起，而不是被淹没的那个。 业务之船越坚固，当模型能力上涨之时，我们建立在上面的业务之船，就会自然而然地被托举到新的高度。 模型越强你越强。 2026 年，希望在座的每一位，都能找到属于自己业务的那个“小切口”，找到那个最精准的“支点”。撬动企业的大未来。 2026，希望各位都能建造好自己的船，借助大模型的“滔滔江水”，去探索更广阔的商业大海。 我是梦飞，很开心能在 AI 的大航海时代，与各位同行！谢谢大家！ 以上就是分享的全文了。 此外，这场大会上还有一个挺亮眼的发布，刚好可以印证我演讲里说的“只造船，不挖池”。 百度把自家生态里的核心能力——AI 搜索、百度地图、百度网盘、OCR、语音识别等， 全部通过百度千帆 MCP Server 和 Skills 的形式开放了 。 玩 OpenClaw 的老玩家看到这儿估计手都痒了。OpenClaw 的扩展性本就源于它的 Skills 生态，以前我们要费劲心思去封装工具，现在大厂把这些“武器”直接喂到了嘴边。 这正是我想说的：大厂在拼命“供水”，我们只需要专注造好我们的“业务之船”。 而且这两天百度云也出了一键部署，我让小伙伴先试了下： 小伙伴的反馈是，0代码，5分钟完事。 有一定基础的，可以去自己试试，入口👉： https://cloud.baidu.com/product/BCC/moltbot.html 不过，为了照顾超级小白，虽然操作已经很简化了，但我这两天还是会出一篇手把手级的部署教程，带大家把这套“大厂外挂”装进自己的系统里。 感兴趣的伙伴，记得星标公众号。 我是梦飞，下次见。 「陪先行者，用AI把生意重做一遍」 🔗 原文链接： https://mp.weixin.qq.com/s/2lWJ3f4Z... https://mp.weixin.qq.com/s/2lWJ3f4Z... 原创 张梦飞i 张梦飞i 梦飞 AI2026年2月10日 18:14 河南 这是前几天我在百度智能云Agent大会北京站分享的全文文稿。视频发出后，好多伙伴私信要 PPT，我索性把文稿也完整整理出来，方便大家查看。 整理时我发现一个有趣的细节：从我上台到下台， 19 分 46 秒。 刚好 20 分钟。 在 2026 年这个节点，我想讲的真的好多，20分钟能讲的太少，我挑了一个我认为，无论是对企业主还是超级个体最管用、最能直接拿去复刻的点。 如果你能抓到这里的“精髓”，哪怕你只有一个人的团队，一年达成一百万的成绩应该不成问题。 以下视频+原文： 大家好，我是梦飞，词元映射的创始人，我们是一家专注于为客户提供全案智能体定制的公司。过去这两年，我和我的团队只做了一件事：帮助那些各行各业的“先行者”们，把 AI 真正融入进他们的业务中。 在陪陪伴他们用AI重塑业务的过程中，我们有一些实践经验，与大家分享。 在开始前，我想引用一句名言。 两千多年前，阿基米德说：“给我一个支点，我可以撬动整个地球。” 放到在 2026 年的今天，在AI落地的场景下，我想说： 庞大沉重的企业业务，就是那个“地球”；而 AI，就是那根“杠杆”。 很多 AI 项目之所以失败，不是因为杠杆（AI）不够硬，而是因为找不到那个支点。毕竟，如果把杠杆架在空气里，杠杆再硬也是空转。 只有精准的找到业务流程里的“支点”时，才能利用AI真正“撬动”巨大的商业价值。 今天这 20 分钟，我不讲大道理，我只讲三个真实的落地案例，聊聊，我们是如何寻找这三个“支点”的。 这三个案例分别代表了： 制造业的生产重构、服务业的交互变革、以及传统硬件的存量新生 。最后我们再聊一聊，落地的方法论。 第一个案例，来自于一家垂域的全球冠军： 蒂彩工艺。 大家可能不熟悉这个名字，但在“钻石画”这个垂直领域，论产值、规模及品牌影响力上，蒂彩是这个领域中当之无愧的全球龙头，其产品大量销往欧美、东南亚、中东等地区。 先科普一下什么是钻石画。 简单说，就是用钻石拼在一起，完成一幅用钻石组成的画。用左边这种一颗颗的钻石，拼在一起，屏幕上的这些，就是一些用户的钻石画案例： 看起来就是把对应颜色的钻石贴在原本的照片上，好像很简单。 但实际上，这简直是劳动密集型的地狱。 从一张用户发来的照片，到变成工厂能生产的工艺单。中间需要：转像素、修杂色、匹配钻号、匹配数量、切割刀线、做白墨图层、做刮胶雕线、生产排版。 这一长串工序，而其中最耗时的就是，把图片转成像素画。这一过程，全靠设计师在电脑前，一个像素点一个像素点地修。 需要在电脑前一个像素点一个像素点的手动画出来，然后再根据钻号做对应。这是一个非常消耗时间的过程。人与产量是正比关系，想要产量大，就得人手多。旺季订单来了，设计师把鼠标点烂了也做不完，这直接锁死了业务的上限。 因此，定制钻石画业务即使很受欢迎，但也迟迟无法量产。 大家可以看一下其他的竞品，类似于拼豆画，定制款的发货时间是20 30天。 于是蒂彩就找到了我们，在与他们聊完了一整条业务逻辑之后，我们和蒂彩一起，找到了那个人工耗时长、定制成本高、业务效率瓶颈点。 这就是我们要找的“小切口”：钻石画底图生产自动化。 在第一阶段，我们没有给蒂彩做什么庞大的 ERP，没有构建多么繁杂的工程，我们只做了一个 Agent 节点： 利用 AI 的图像参考能力，结合视觉算法脚本，完成了“从原图到工程底图”的转换。 结果是：以前设计师耗时 3 小时 的工作，现在 AI 只需要 30 秒。 而且，AI 可以自动处理好色差、自动匹配库存里的钻号。 No access 0bc35uaciaaa3mandaekdvuvb3odetwqajaa.f10002 00:00 No access 0bc35uaciaaa3mandaekdvuvb3odetwqajaa.f10002 00:00 原本需要专业设计师画的图，现在任何用户都可以自己DIY。 这就是我说的：切口极小，但赋能极深。 这一个环节打通，直接摆脱了量产制约。 生成稳定后，我们又一并完成了整条流程的打通：转像素、修杂色、匹配钻号、匹配数量、切割刀线、做白墨图层、做刮胶雕线、生产排版。 完成了全流程自动化。 以前需要十几人设计团队来支撑的定制产能，现在只需要一个运营加一个设计师复核。 现在，蒂彩的定制业务已经能在小红书上通过“Doo crafts旗舰店”直接体验，感兴趣的可以去体验一下： 讲完了这个，我们再看下一个案例： 第二个案例， 来自房产行业的“西南王” 。 这是一家拥有万名员工、8000 名经纪人的直营巨头。是本地最大的直营房产经纪品牌，极具影响力，其直营门店数量和人员规模在本土企业中遥遥领先。 这家企业早在24年底已经开始了初步的尝试，在25年初已经开展了深度合作，他们是当之无愧的先行者。 房产经纪行业有一个最大的痛点：“人找房”太难了。 有过租房、买房经历的朋友都清楚，我们在线上找房时，APP上只能点选一些固定的筛选项，比如：价格、面积、几室几厅。 但是，那些十分重要的决策因素，比如房屋政策、窗外视野、装修风格等，是隐形的，无法量化筛选的内容。 这些只能自己一个一个查看。 我们作为用户是如此，其实房产的经纪人也是同样如此，每一个经纪人对房产的了解也都是自己周边的一亩三分地。，每次都是需要点选一批筛选房源，然后一个一个的查看哪些更符合客户的喜好。 这个步骤，是整个环节中使用频率最高，耗时最长，但是无效执行最多的环节。 于是，我们就从此入手：把“搜索框”变成“对话框”，并注入“深度思考”能力。 我们通过构建一套统一的向量语言，用户只需要自然语言的表达需求，经过AI的引导后，得到更加明确的用户的需求，Agent就可以自动在数十万套真实房源中根据用户的需求进行推理和查找符合用户需求的房源。 就像，我让他帮我在观音桥附近找一个面积150平方左右，三室的二手房房子，旁边最好有商圈和学校，帮我找出最具有性价比的房子。 No access 0b2exiayaaab7yahke4lcnuvdowdqc5adaaa.f10002 00:00 No access 0b2exiayaaab7yahke4lcnuvdowdqc5adaaa.f10002 00:00 意图拆解： 150平、三室、二手、商圈、学校、具有性价比 深度检索： 在数十万套房源中，利用向量检索 + 图谱 + 深度推理。 决策输出： 最终给出 5 套最优房源，并附带推荐理由。 我们还支持了深度思考的查询功能，深度思考状态下，会同时在更大范围、更多维度下进行对比，处理高达数百套房源的各个维度信息，进而给出综合建议。 模型还承接了并支持了政策、学区、金融、新盘等全套业务的咨询工作。 大家不要小看咨询工作，这真的是非常考验业务能力的一环，因为一个小区周边的信息，其实信息并不存在于互联网上，甚至互联网上的更新是非常慢的，不信你去查一下你们家附近某个小学发布的招生简章、学校性质，招生政策有没有是什么时候更新的了。 甚至大家问都习惯用简称，那就更难了。 比如有问：巴南巴蜀还是属于私立民办还是公办？ 买二手房能不能开全款购房发票？ 彩云湖小学B校区有哪些小区可以读？ 很多信息不在我们的数据库里，而在瞬息万变的互联网上。这时候，Agent 如果不能联网，就是个“断网的超级大脑”，没用。 所以，在这个环节，我们引入了 引入来自百度千帆的AI搜索 、深度研究（Deep Research）API 作为 Agent 的“眼睛”和“耳朵”。 0bc3zaa4qaab6uad3b4lw5uvdsgdzdeadsaa.f10002 0bc3zaa4qaab6uad3b4lw5uvdsgdzdeadsaa.f10002 因为房产交易需要极高的权威性和时效性。 通过百度搜索强大的索引，Agent 能实时抓取最新的房产新政、学区公告，甚至该小区的最新讨论。 此外，卖房者发送的市场报告是异步的，也就是在有波动的时候才会发，所以，在这里我们引入了，深度研究（Deep Research）API，更深入的探查市场信息给出更丰富的报告内容呈现给用户。这些内容都是打通经纪人与客户沟通的桥梁。 承接了这些事项，这无论是对用户还是经纪人本身，都会省掉大量的时间。 这还没完。此处成熟后，我们一举打通了上下游环节。 No access 0bc3sibuoaadxqalfo4j6buvhewdi6jagrya.f10002 00:00 No access 0bc3sibuoaadxqalfo4j6buvhewdi6jagrya.f10002 00:00 向上：当 AI 帮用户选好房后，它会自动把“用户画像”和“推荐报告”推送给最合适的经纪人。 向下，AI 还会作为经纪人的助理，定期帮用户关注新房源、会自动的询问、跟进、发送当前房源的市场报告供用户参考。以提高成交的效率。 由此，我们通过一个核心点，打通前后端业务后，形成了一整套的自动化能力。原本由8000人分管的用户，现在能够由总部的几个AI账号全盘统筹自动处理，再进行分发。 这就是深赋能： 它把“人找房”变成了“房找人”，让经纪人从“找房机器”变成了真正的“服务专家”。 第三个案例，就在我们身边—— 商场里的大头贴机器 。 不知道大家对商场里、景区里的这个“大头贴”机器看起来是不是非常熟悉： 这种机器，痛点很明显：体验单一。 不管你在哪拍，背景就是那块布，除了加个贴纸，什么都改不了。 对于商家来说，这只是一次性的生意，很难有复购，但是一个位置的流量一共就是哪些，怎么办？ 于是，我们：给旧硬件装上 AI 的大脑。 我们在云端部署了一套生图工作流。现在，当用户拍完一张普通的照片后，不再是直接完成照片，而是在AI加持下，AI 可以立刻进行“影楼级”的二次创作。 现在，仅凭一张拍完的图片，就可以生成和优化出数十套原本在摄影馆要花大几百才能产出的照片效果。这是“影楼级”的生产力下放。