五位AI企業負責人直面核心矛盾。
在AI加速滲透各行各業的今天，AI Agent已從炙手可熱的概念，邁向價值驗證的關鍵十字路口。它究竟是企業降本增效的利器，還是驅動增長的新引擎？在落地過程中，又面臨哪些信任、成本與習慣的深層阻力？
12月3日下午，在2025甲子引力年終盛典中，甲子光年智庫院長宋濤作為主持人，對話卓世科技創始合伙人&COO李偉偉、紅熊AICEO溫德亮、深度原理COO張露陽、螞蟻數科AI原生科技總經理王磊、零一萬物企業解決方案技術負責人王猛，圍繞《智能體社會：人與AI共創的產業秩序》這一主題展開了深入探討。
在這場對話中，零一萬物王猛直言，智能體經濟時代，Al Agent是推動企業轉型的關鍵執行者，正在重塑以結果為導向的新質生產力：從降本到核心應用增效。同時，AI必須深入核心業務場景，才能成為驅動實際增長的關鍵引擎；螞蟻數科王磊則強調金融場景的“風險可控下的價值創造”，嚴守嚴謹、專業、遵從的底線；深度原理張露陽從科學研發視角出發，強調AI的長期價值在于提升“創新斜率”，而不僅是優化效率；紅熊AI溫德亮分享了在客服與營銷場景中實現商業化閉環的實戰經驗，其關鍵在于通過“記憶”機制解決個性化與準確率難題；卓世科技李偉偉則點明Agent落地需跨越“信任、習慣、費用”三重障礙。
這些觀點共同揭示了一個趨勢：AI Agent的價值正從技術能力轉向真實的商業產出——它必須深入業務，解決問題，并交出可衡量的價值答卷。
以下為本場圓桌的文字實錄，經「甲子光年」編輯，在不改變原意的基礎上略有刪改。
宋濤（主持人）：感謝各位嘉賓的到來，先請各位嘉賓簡單的用一句話做自我介紹，介紹一下個人和你們的公司。
王猛（零一萬物企業解決方案技術負責人）：我在大模型獨角獸公司零一萬物在負責打造萬智企業大模型一站式平臺，這是一款端到端的平臺型產品，覆蓋從模型訓練、工具鏈構建到應用開發的全鏈條。核心目標是推動大模型深入企業核心生產場景，在核心業務系統中創造真正價值。
王磊（螞蟻數科AI原生科技總經理）：大家好我是王磊，來自螞蟻數科，螞蟻集團科技商業化的獨立載體，去年四月開始獨立運營。我們會把螞蟻集團多年沉淀的科技產品及解決方案（包括底層的智算調度以及金融大模型、金融智能體、金融知識工程等）面向產業進行輸出。
金融領域是我們的錨點，而非終點。我們也將這些能力拓展至其他注重嚴謹性的行業，比如能源、電力、工業制造、出行與交通等，與各行業共同打造解決方案，共享數字化與AI智能化帶來的紅利。
張露陽（深度原理?COO）：我是張露陽，來自深度原理，我們是2024年成立于杭州的AI For Science公司，主要運用AI模型和智能體去解鎖新材料和科學發現。
溫德亮（紅熊AICEO） ：大家好，我是紅熊AI的創始人兼CEO溫德亮，我們這家公司是通過AI+原生應用的方式，通過Agent重構客服、營銷、教育整個商業板塊。
李偉偉（卓世科技創始合伙人&COO）：我是卓世科技的創始合伙人李偉偉，卓世科技一共做三件事：
第一件事，在做行業垂類模型。
第二件事，給學校或者有能力搭Agent的企業，提供Agent和MaaS工具。
第三件事，在工業、企業，包括大健康方向，會提供人工智能的應用超市，他們沒有辦法自己做技術，我們會提供應用。
1.AI Agent的價值共識與落地之困
宋濤（主持人）：第一個問題，Agent在服務企業的時候，到底給企業解決什么問題，幫助他們降本增效、提高人力的生產效率、還是解決怎樣樣的實際問題？
李偉偉：“降本增效”四個字涵蓋廣泛，但它背后其實藏著很多元素：
第一，涉及人員崗位的調整。在Agent應用過程中，部分崗位可能被替代，比如助理、法務崗等等；
第二，推動流程優化。尤其在國資、央企包括政府機構中，存在非常繁瑣的工作流程。人工智能的介入可以有效優化這些流程。比如要出差，就這一件事背后，會藏著你要去哪里、天氣怎樣、酒店訂什么、機場在哪里、審批報告是什么、預算多少等等，Agent會幫你做所有要做的事。
第三，時間會被優化，大大提升工作效率。所以總結了看似四個字，其實背后藏了1萬件事。
溫德亮：因為我見過董事長級別的人比較多，大概問過他們很多降本增效最關注什么問題，統一的反饋結論是不太喜歡降本，只喜歡增效，只有公司不行的情況下，才會考慮降本這件事。
因此，在總結“增效”的過程中，我們也總結了一套方法論：
第一，原有的業務流程AI化，AI重構整個業務流程，這并不是每一家企業都能做到的。
第二個邏輯，是強化AI的集成能力，以往的AI+軟件、軟件+AI的概念是不一樣的。但是怎么通過現有的數字化系統，與AI更好地融合、提升原本的業務效率，比如經營效率、決策效率。
第三個邏輯，激活企業的核心數據資產。每家企業在經營中都會沉淀獨特的資質與數據，這是很好的數字資產。
所以我們在整個過程當中，其實按照三段式的方法論，來跟客戶做完整的交付，從而量變出來整個AI營銷和AI客服等產品。
張露陽：我們行業有兩個關鍵點：
第一，客戶既想讓我們實現降本增效，解決原來人力做起來比較繁瑣、效率較低的工作，但是長期來看，更希望我們能解決的是，解決一些原來解決不了的問題。
第二，如果說的抽象一點，客戶長期需要在戰略層面看到AI能夠提升創新斜率，而不僅僅是提升效率。效率是從A到B點速度更快，斜率更多是加速創新進度。
王磊：降本增效是人類發展史中科技進步的代名詞，也不是只有AI時代才出現。AI本身也并不是新詞。在過去十幾年，深度學習發展比較快速，簡單來說有三個階段：
第一階段是2012年，AlexNet在競賽中憑借卷積神經網絡大幅領先，極大提升了圖像識別的速度與準確率，并由此引發了一系列產業變革。如今各類攝像頭技術及以視頻為核心的科技公司（如海康威視）的興起，都源于該技術帶來的降本增效，但影響還不是很大。
第二階段是2016年、2017年左右，那個時候大家一定聽到一個詞叫Alphago下圍棋，人類的競技是棋類競技的掌上明珠，也被AI攻克了。這說明了AI的決策模型已經比人更精準、更有效。此類決策模型隨后被廣泛應用于風控、營銷等領域。螞蟻集團的互聯網金融產品，比如余額寶、花唄、借唄、網商貸等，之所以能服務這么多用戶，不是靠人來服務，正是依靠這些決策模型進行授信決策。
自那2016年場對弈后，人類已不再尋求與機器進行棋類競賽，這本身也是一種效率的躍升。
當前ChatGPT所代表的大模型階段，它降本增效的意義在于極大降低了交互門檻。從計算機領域的GUI、API，到如今的LUI（基于語言的交互界面），每一次交互門檻的大幅降低都引發了巨大的產業革命。比如大家都經歷過像鼠標、iphone，這些東西的出現，讓一些科技巨頭倒下，又誕生一批新的科技巨頭，所以大模型帶來的交互變革已不再是量變，而是質變的過程。
王猛：相信大部分中國企業和CEO最關注的始終是兩件事：省錢和賺錢。在我們與企業客戶的實際溝通中，降本增效往往得到認可，但真正令客戶興奮的，是實現規模化增長與營收提升——說到底，企業渴望的是真金白銀的收益。
2025年，隨著推理AI Agent元年的到來，能夠自主規劃與智能決策的AI Agent正成為企業的真實生產力。為此，零一萬物正式推出萬智企業Agent——“超級員工”，讓Agent進入客戶的核心業務系統，其重點從單純的“降本”轉向更根本的“增效”，幫助企業真正邁向價值增長。
海外的情況也是如此，我們在海外服務的一些大型企業客戶中，推動增效尤其具有吸引力。
例如，我們合作的一家全球前三的礦業公司，通過引入強化學習技術，我們能夠對其開采流程、設備調度與資源分配進行動態優化與自主決策，從而在確保安全的前提下大幅提升產能與資源利用率。
因此，無論境內還是海外，從“節約成本”到“創造增長”，AI Agent 正成為驅動企業核心生產力的關鍵。而“超級員工”的使命，正是深入業務場景，將智能轉化為每一分真實的收益。
宋濤（主持人）：在日常觀察中，我們注意到一個現象：許多企業認可數字化轉型的價值，但為什么他們不愿意數字化轉型？同樣，在人工智能領域，很多企業都認可人工智能帶來的好處，為什么很多企業他們在實際落地的時候還是不太愿意去用，他們不用的原因是什么？我們來聽聽各位嘉賓的分享。
李偉偉：我的理解用幾個關鍵詞來總結一下：
第一，信任。企業主在考慮要不要上人工智能應用時，他其實會考慮我們是不是信任這個應用體、智能體，它是不是真的可以幫我解決我想要解決的繁瑣的流程、工作、智能化，所以我覺得它背后藏的是數據和數據安全性。
第二，習慣。企業經營者通常依賴固有的安全慣性推進公司發展。當具有一定規模的企業面臨變革甚至革命時，需要投入大量精力去推動、培訓與說服，讓大家來跟著一起看，但能干成嗎？不知道。
第三，費用。因為新的改革一定是有新的投入，無論企業規模大小，決策者需要有明確的意識與預算批準，才能形成推動變革的完整閉環。
所以有障礙還是需要去清除的，但是好在DeepSeek已經橫掃了一批，無論是G端還是B端的領導們，他的意識已經被洗的七七八八了，不用再告訴他什么是應用場景、什么是Agent、什么是基模，他已經很清楚了，只是說他剛才那三個方面是不是做好了準備，做好了準備先行先試，我吃好了第一口蛋糕后面就會有發展。
溫德亮：因為我最早在集團里面做CTO，大部分的采購預算是經過我手的，這個我可以直截了當代表一個主流群體的觀念，這個觀念是什么樣的呢？
第一，過往的數字化投入已經花了很多錢，花了2000、3000萬，但主要成果更多依賴人力運營和業務方的推動，技術實際處于相對弱勢和從屬地位，企業內仍以業務方為主導。
在實際應用的時候你怎么在數字化基礎之上結合AI產生新的效果，你需要跟業務和技術同時證明一件事，這個事是可行的、可做的。
特別是今年，現在的軟件應用包括Agent應用出現的時候，還要通過運營、看老板用的好不好、看這個事做的明不明白、底層的數據清不清楚。這個事對于老板來講，會引發他不好的聯想，又回到了當年數字化時代的事，我要先把信息化搞定才能搞數字化，是不是同樣的道理？所以對于老板來講，他怎么會強調一件事？就是你怎么能通過AI能重構我的生產力，直接給我交付結果，這個是我在整個市場上面臨最大的一個需求來源。
從結論上來講，我覺得數字化其實已經構成了對現在AI智能有一定的阻礙，不是升級它，也不是幫助它，是阻礙的。同時中國一窩蜂的數字化、互聯網化、各種化，對于老板來講，你給我結論和結果就好了。
張露陽：在我們這個行業中，主要問題在于客戶對產品的期望值存在差異：購買者（如管理者）與使用者（如工程師）的目標往往不同。使用者更關注解決具體工程化問題，而購買者則期望實現突破性成果（例如研發超導材料）。這是我們需要明確定義AI產品與每個階段對于客戶之間的關系。
其次，在從事這個行業之前，我長期從事自動駕駛與AI安全研究，發現各方對“安全可信”的要求不一樣：監管機構側重對工程化實踐的安全能力證明，政府部門需要實際路測結果，而最終用戶更重視人機交互的透明、可控與可預測性，對于背后可審計、可驗證的冷計算過程反而關注有限。這一差異構成了現實挑戰，需要行業對安全可信建立共識性標準。
第三，大模型應用于科學發現是比較嚴肅的一件事，拋開它的可解釋性以外，我們是希望不斷地逼近物理世界的真相。大模型有的時候有討好型的人格，你不停地給它加壓，說你算的不對，你再算一下，它可能就屈服了，這時候就讓一些決策者認為它是否能夠給出啟發式的Idea，或者是給出反共識的Insight，我朝著那個方向做下去，因為現在實際上的使用體驗是它有可能屈服。
王磊：面向AI的方向，中國乃至全球已形成戰略共識，一定會去做，我覺得不會有人懷疑我們在這個方向是不是值得投資，或者是不是要做一些取舍。作為一個企業主更多是考量兩件事情：
第一，成本。 企業投入AI的實際成本往往難以估量，許多決策者對此缺乏清晰感知。過去幾年，不少企業（包括大型國央企和銀行）選擇通過預訓練構建自有行業大模型，但這條路徑成本高昂、迭代緩慢（模型更新周期長達3-6個月），且成效有限。這種高投入、慢回報的模式實際上制約了一把手對AI的認知與決心。
今年這一局面因DeepSeek等開源模型的成熟而發生轉折。企業發現，基于開源模型（如螞蟻開源的百靈模型）進行后續精調，效果已超過自研訓練多年的模型，且成本大幅降低。這意味著行業已經從大模型的戰爭收斂到更上層應用的戰爭，關鍵在于后訓練投入與業務價值產出是否匹配。
第二，價值。 企業需要判斷AI是否值得作為未來十年的戰略方向進行投入。當前，由于開源模型顯著降低了基礎成本，企業能夠更聚焦于應用層，以可承受的投入實現業務價值閉環。這也解釋了為什么今年成為Agent爆發的元年——成本結構的優化使得價值創造具備了現實可行性，企業能夠在可控投入下獲得可衡量的業務回報。
王猛：我回應一下零一萬物獨具特色的“一把手工程”，這一直是我們向公眾積極傳達的理念：企業AI數智化轉型必須是一把手驅動的 “一把手工程”。事實上，大模型已經進入到技術拐點，已經變得更加可用、有用、好用，但當前大模型在企業中的滲透率不高，這在很大程度上受限于各行各業企業家的認知與決心。
我們一直想要去推動的是讓大模型在企業的核心業務里產生作用，一旦真正產生了作用，大家的體感會馬上就不一樣，而不再是說大模型只能幫我們做個PPT，這個大家永遠感覺不到滲透的。
所以我們的核心目標是怎么建立一把手工程的信任？這個要求是挺高的，需要企業真正有決心把自己的業務流程打開。現在有個問題是企業不懂模型，大模型公司不懂企業自身的核心業務流，所以兩方要合作共創。
合作就要求大模型公司提供無論是咨詢還是整套的方案，在這個基礎上是企業要把自己所有的數據和流程都跟我們分享，這其實是一個比較大的信任門檻。但一旦企業從上到下決定擁抱AI，以“一把手工程”戰略驅動，和我們一起定戰略、找場景、調模型、搭應用，雙方共創重塑價值生產鏈條，讓企業找到增長的新引擎，創造的價值無疑也會是非常可觀的。
總之，“一把手工程”是AI公司與傳統企業共創新質生產力的最佳路徑。
2.嘉賓拆解：AI Agent如何真正“用起來”？
宋濤（主持人）：零一萬物是在大模型領域的明星企業，你們如何平衡通用大模型能力與企業具體業務場景中專用Agent的落地需求？在推動企業落地過程中，您提到“一把手工程”的重要性。其中通常存在哪些實際卡點或堵點？針對這些挑戰，零一萬物有哪些可行的解決方案或實踐可供分享？
王猛：我們實際上接觸了非常多客戶，發現難以總結出普適規律，將模型應用到企業核心業務系統的過程可分解為多個步驟，但其中具體挑戰因客戶差異極大。
在這一探索過程中，我們深刻認識到：要真正解決客戶問題，必須構建一個完整、全棧的技術系統。
如果缺乏數據處理能力，很多客戶需求將難以落地；如果沒有模型訓練支持，應用效果便無法精準達標；而若不具備Agent架構設計，則既不能充分發揮模型潛力，也容易使本可簡化的流程變得復雜；包括強化學習在內的多項技術，都必須扎實覆蓋。
因此，我們的核心經驗是：唯有構建一個全面的全棧解決方案，才能從容、靈活地響應各類客戶需求。
事實上，行業也在朝這一方向演進。OpenAI推出了AgentKit，零一萬物同樣布局于此。基于對行業趨勢的共識，我們也開源了自己的解決方案——Open AgentKit（簡稱OAK），與業界同行并肩探索。
我們堅信，只有這樣的系統級方案，才能持續創造深度價值。
從戰略面上看，零一萬物 “一橫多縱”戰略布局也正是我們探索出的現階段解法：
一橫是指萬智平臺： 打造以萬智2.0為核心的企業級AI操作系統，將Agent研發門檻降至“零代碼”，構筑技術護城河。
多縱是指穿透多個垂直領域的政企客戶： 聚焦金融、政務、工業（電力/制造）、辦公、銷售等重點行業群，與燈塔客戶共建場景化解決方案，沉淀行業Know-how。
“一橫”代表平臺和模型的通用能力，“多縱”則是政務、金融、工業、能源、醫療等領域的行業解法。與此同時，零一萬物的戰略目標也十分明確，那就是讓AI能力可復制、可規模化部署，實現企業級“AI交付閉環”。
宋濤（主持人）：接下來這個問題想問問我們螞蟻數科的王磊總，螞蟻數科其實一直是在業內首推金融Agent的明星企業。在你看來，金融Agent的第一性原理是什么？這和傳統的數字化的產品，或者說是辦公助手、AI助手有哪些本質性的區別？
王磊：螞蟻集團本質上是一家擁有核心業務的公司，而非純粹的科技輸出方。我們的核心扎根于金融行業，因此我們對AI的關注首先聚焦于在自身金融場景中的應用與實踐。這背后的第一性原理是“風險可控下的價值創造”。
這意味著，對我們而言，AI絕非僅是輔助工具，它必須能夠創造實際、可衡量的業務收益。同時，風險可控是金融行業不可逾越的底線，我們必須極度重視安全、合規與系統性風險的防范。這一原則構成了我們技術體系的基石，也是我們將內部驗證過的技術、產品與方法論向更廣泛的嚴謹產業進行輸出的根本依據。
基于這一原理，我們在金融領域應用AI時，重點關注價值創造與AI的實時性、事實性、金融價值觀及合規安全等底層要求。我們將金融行業對AI的核心訴求抽象為三大特性：嚴謹性、專業性與遵從性。
金融業常被認為與大模型“天生不對付”，因為他們對幻覺與數據準確性的容忍度極低。但我們所強調的嚴謹性，并不是要求大模型絕不犯錯（這如同要求人永不犯錯一樣不現實），而是指通過后訓練、強化學習等技術手段，系統性地壓制幻覺，將其控制在業務可接受的范圍內。需要指出，模型的幻覺在某種程度上是其智力水平的雙刃劍——例如，從千問切換到DeepSeek時，幻覺率可能從5%升至15%，但這并不意味智力下降，有時甚至成正比。因此，嚴謹性的核心是管理而非消除幻覺。
專業性則要求大模型與垂直領域的專家判斷及專業語言對齊。比如，評估一只過去一年回撤18%的基金表現，金融專業人士與非專業人士的結論可能截然不同。專業分析需結合三年期表現（如累計上漲90%）、市場大盤等因素進行綜合判斷。這類深度專業知識與數據往往無法完全通過預訓練注入模型，必須依靠專業知識庫來補足。
遵從性超越了一般的技術性“指令遵循”，特指對監管規則與合規紅線的嚴格遵守。這在金融領域是絕對不可觸碰的底線。
基于以上三大特性的考量，我們認為，構建一個真正的金融智能體，僅有一個強大的模型“大腦”是遠遠不夠的。一個智能體應如同一個完整的“人”：它不僅需要“大腦”（模型），還需要掌握高辨識度的數據、專業的領域知識與經驗，并配備實用的“工具”來真正解決問題，而非僅僅進行對話或情感陪伴。比如，在金融場景中，智能體應能協助生成資產配置報告，完成實質性工作。
只有當智能體融合了“大腦”、知識經驗（高辨識數據）與工具（執行力），它才能成為一個真正可用的“數字員工”。這也正是我們認為今年將成為智能體爆發元年的關鍵原因——智能體真正從原來的助理Copilot，變成數字員工的躍遷之年。
宋濤（主持人）：下面想問深度原理的張總，你們有化學材料研發的專用Agent，這里面客戶愿意付費的原因是什么？核心動機是什么？你們幫助客戶解決了哪些化學材料研發方面的業務難題？
張露陽：作為一家To B企業，最重要的還是長期陪伴客戶成長，并針對客戶短期、中期與長期的不同需求提供持續價值。
短期價值體現在通過智能體幫助客戶解決那些長期存在、繁瑣復雜且短期內難以攻克的問題。例如，利用算法與智能體能力，在數月內協助客戶完成材料改進、預測新配方關鍵性質，并實現實驗驗證閉環。短期合作重點關注：能否切實解決復雜問題、是否顯著縮短研發周期，以及是否提高單個項目的人效比。其核心在于，以更高效、更智能的方式為客戶創造即時、可感知的價值。
中期價值則擴展到多個項目乃至整體管線中。
關鍵在于評估智能體方案能否持續提升每個研發或決策流程的成功率，以及是否具備足夠的魯棒性以抵御突發風險、減少潛在損失。中期階段需要算“整體賬”，衡量智能體帶來的成功概率提升與風險控制能力，是否為企業產生了明確的凈正向收益。
長期價值著眼于根本性的創新效能提升。通過從短期試點到中期擴展，再到全面深化的合作，最終目標是幫助客戶提升研發創新的“斜率”——即加速創新效率、改變價值增長曲線，實現可持續的、跨越式的能力進階。
宋濤（主持人）：下面想問紅熊AI的溫總，你們服務了很多B端企業，在哪些業務場景中實現了商業化的閉環？你們如何平衡企業在通用場景和專業能力方面的需求？
溫德亮：在服務B端商業化場景中，主要涉及客服和營銷兩個方面。以客服為例，客服本身并非標準化產品，因為每家企業擁有各自的知識體系和業務流程。比如，在處理投訴時，不同企業的關注重點和低滿意度處理方式都不一樣。
所以，在提升業務準確率和正確率的過程中，我們嘗試了多種解決方案，包括參數調優、外掛知識庫、業務流程優化以及工作流控制等，但發現準確率、業務精準率以及幻覺率仍難以有效控制。為此，我們研發并開源了名為“記憶科學”的產品，即“記憶熊”。
這款產品的主要目的就是讓Agent和模型擁有人一樣的記憶能力，通過這種方式，在服務場景個性化能力上來講，追逐于每一個人的數據記憶，用這種方式處理。
在處理整套方案的時候，我們今年的業務營收，一是AI自助解決率大幅度躍升，現在是98.4%左右，應該算是行業里面指標比較靠前的；二是幻覺率，通用的是0.2%，如果是垂直環境下的幻覺率，基本可以壓縮在零或者無限接近零的手段，所以從商業化進程來講還是比較可觀的。
宋濤（主持人）：李總，今天的主題是構建一個智能體的社會，那么我們要想真正實現人與智能體的共創，未來還有多長的路？還有哪些難題需要解決？
李偉偉：有幾個關鍵詞便于大家的溝通和理解。
第一，懂人。智能體需與人交互，在交互過程中理解人所發出的指令，才能進行回答。懂人這一點十分重要，無論在中小微企業還是央資國資，都存在大量應用場景和垂類領域，如工業、大健康、康養、醫療等。在每個特定場景中，都需要實現人與機器的交互。
第二，懂事。要在行業或應用場景中不斷理解其中的Know-How，需要對行業具備充分認知。擁有這些認知、數據和語料庫，才能持續完善智能體。
此外還需具備三種能力：
1.自我學習能力，形成類似肌肉記憶的機制。通過ToB、ToC或ToB與ToC結合的方式，持續借助數據循環、問答循環實現能力再造，鞏固自身記憶與反應。
2.邏輯推理能力。當被提問時，智能體需經過一系列邏輯推理得出結果。這一過程需要充分理解人、事、數據以及整個應用場景，才能有邏輯地進行數據運算，最終輸出合理結果，避免無根據的推斷。
3.多模態能力。能夠接收音頻、視頻、文字、圖片等多種形式輸入并進行處理，同時也可輸出這些模態的內容，因此多模態能力也十分重要。
宋濤（主持人）：今天幾位嘉賓的分享，從不同的層面給大家去做了解析。
第一，解析Agent能夠幫助企業解決什么樣的問題。
第二，幫助大家簡單分析了企業在解決問題的過程中遇到了哪些困難。每位嘉賓也結合企業的特點，給大家簡單的分享了一下，企業在做解決方案落地的成功經驗，一些實踐的好方法，希望我們今天的探討，能夠對行業的發展有一定的幫助。
今天的圓桌論壇到這里結束，再次感謝五位嘉賓的精彩分享，謝謝大家！
（封面圖及文中配圖來源：2025甲子引力年終盛典）
END.
