足不出户 走遍全世界
A | 为深耕实战化卫勤保障，规范军事训练伤疼痛标准化护理体系，持续提升官兵身心一体化康复服务质效，近日，北部战区总医院疼痛护理学组紧扣护理部年度重点工作，组织开展训练伤疼痛全周期规范化管理专项培训，全方位夯实创伤护理卫勤保障能力。 01 中医特色赋能， 精准破解筋膜损伤康复难题 同时，系统梳理训练伤预防、处置、康复全流程护理规范，补齐护理人员中医干预知识短板，推动传统中医药技术精准融入军事训练伤康复场景，为官兵常见筋膜劳损、运动损伤提供安全温和、高效规范的中医护理方案。 02 身心同治并举， 构建全周期闭环康复体系 康复医学科主管护师郑大鹏突破传统单一躯体护理思维，摒弃“重治疗、轻心理”的固有模式，从损伤机理、康复规律、官兵心理特点多角度深度剖析。围绕损伤急性期消肿止痛、恢复期功能重建、慢性期身心调适三大阶段，系统讲授体态矫正、科学功能训练、疼痛缓解技巧、负面情绪疏导等实操内容。 过去一段时间，绝大部分AI应用创业者最焦虑的问题就是：大模型会不会把应用全吃了？ 今年以来，OpenAI、Anthropic 持续推出法律、设计、办公全套垂直套件，微软依托 Office 生态捆绑 Copilot，不断向企业渗透。 越来越多人开始相信，只要底层模型持续进化，今天所有AI应用，不过都是等待被官方“内置”的功能。
B | 但就在不久前，曾打造上市安全巨头Rubrik、如今执掌70亿美金企业AI独角兽Glean的创始人Arvind Jain，做客全球头部创投播客《20VC》，给出了一个犀利的判断： OpenAI和Anthropic赢不了真正的应用层企业。 通过建立躯体康复+心理干预同步施治的全新护理模式，在修复躯体损伤的同时舒缓训练焦虑、康复压力，实现生理恢复与心理调适双向同步、双效提升，进一步完善训练伤全链条、全周期护理防控体系。原因很简单，通用模型能解决“标准化生产”，却永远无法替代应用公司对垂直业务的深度理解。 03 以训促强提质， 筑牢强军卫勤保障底线 疼痛护理学组组长吴琼表示，本次专项培训立足舒适化医疗建设需求，聚焦官兵训练伤核心痛点，融合中西医优势、贯通身心康复理念，进一步规范了训练伤疼痛综合诊疗护理流程。 疼痛护理学组将在护理部统筹安排下常态化开展分层分类专项培训，持续固化操作规范、康复流程、宣教体系与随访机制，持续优化预防—干预—康复—随访闭环护理服务。 更重要的是，前沿闭源大模型的本身也在失去吸引力。以更精细的专科能力、更专业的护理品质、更暖心的医疗服务，守护官兵身心健康，持续为部队实战化练兵备战提供坚实可靠的卫勤支撑。目前90%以上企业场景，开源模型已经能完全承接需求。 总 编 辑：檀子娜 责任编辑：杨 茜 美 编：宋晓亮 供 稿：护理部 来 源：北部战区总医院融媒体中心 微信视频号 REVIEW 近|期|发|布 【喜报】医院在2025年度军队医院综合绩效考核中荣获最高等次“A+”，全军第四！ 中国共产党北部战区总医院第二次代表大会胜利召开 40年顽疾终揭秘！诊治成果在国际期刊发表！返回，查看更多。 以下是专访的内容： / 01 / 企业开始“不信任”前沿模型了 Palantir CEO Alex Karp7月初在CNBC抛出一个判断：大型企业对前沿模型厂商的不信任度达到了前所未有的程度。 之所以出现这种情况，是因为实验室里的“能力”与企业里的“价值”，中间隔着一条很长的链条。 当前不少企业部署AI的方式非常直接：购买模型服务，再通过MCP等方式把它接入内部的文档、邮件、CRM、工单、代码库和各种业务系统。
C | 管理者的想象是，只要模型能看到足够多的数据，它就会自动理解公司，并开始创造价值。 现实并非如此。 一家大型企业内部可能有数百甚至上千套系统，同一个客户在销售部门叫“账户”，在财务部门叫“主体”，到了交付部门又可能对应若干项目。 权限、版本、业务口径和隐性规则层层叠加。模型虽然能读取这些信息，却并不知道哪一条对当前任务最重要，也不知道公司过去究竟是如何完成类似工作的。 于是，它只能用一种近似“暴力搜索”的方式拼装上下文：先检索大量材料，再尝试判断彼此关系，最后生成一个看上去像答案的答案。 这会产生两个直接后果：一是慢，大量时间耗在寻找原材料上；二是贵，大量Token消耗在无效检索和上下文拼接上。企业买到了一个聪明的大脑，却没有给它配备记忆、地图和工作手册。 所以，企业AI落地的真正瓶颈，往往不是模型能力，而是上下文工程。 这里的“上下文”也不仅是把几份文档塞进提示词。它包括企业的知识体系、数据权限、术语关系、业务流程，以及那些从未写进制度、却存在于员工经验中的隐性知识。 比如，一项工作第一次被执行时，企业或许会留下十个标准步骤。
D | 但此后几年里，员工会不断调整顺序、绕开例外、总结捷径。大量真正决定效率的经验并没有被记录，只存在于人的判断里。未来，当智能代理开始承担工作时，这些经验会逐渐沉淀到代理之中。 这也带来一个比“数据归谁”更深的问题：由AI在长期工作中积累的组织经验，究竟属于企业，还是属于提供智能代理的厂商？ 企业担心的已经不只是技术依赖，而是运营依赖。如果核心工作由外部代理执行，代理又掌握了不断复利的组织经验，那么更换供应商就不再是换一个软件，而近似于更换一套公司的“外置大脑”。 所以，企业真正需要控制的，不只是模型和数据，还包括AI在工作中形成的经验。 / 02 / 90%的企业AI场景，不需要最强模型 如果说上下文决定AI能不能用，那么成本决定AI能不能大规模使用。 Arvind Jain的访谈中最值得关注的一个判断是：如今90%甚至更多的企业应用场景，已经不需要用最强的模型。 这个数字背后的含义是，企业只会为“足够好且成本可控的结果”买单。 无论是一份内部会议纪要，还是一封销售跟进邮件，都不需要调用世界上最强的模型。只要质量达到业务要求，更便宜的模型就会自然胜出。 这意味着，大模型正在经历软件行业非常熟悉的一幕：稀缺能力变成标准供给，技术优势变成可替换的商品。
E | Glean的做法很有代表性。它并不要求客户押注某一个模型，而是根据任务自动选择合适的模型：简单任务交给成本更低的开源模型，复杂任务再调用更强的闭源模型。 在这种架构里，应用公司与模型公司的关系也发生了变化。模型厂商越卷、开源社区进步越快，应用公司的原材料就越便宜、越丰富。真正危险的不是模型继续升级，而是应用公司除了调用模型之外，没有形成其他价值。
F | 这也是为什么“套壳”是个容易被滥用的词。 调用同一个模型，不等于提供同一种产品。就像所有电商网站都运行在类似的云计算基础设施上，真正决定体验的仍是供应链、履约、推荐、客服和组织效率。企业AI的差异同样来自权限体系、上下文质量、工作流编排、结果评估和交付能力。 当然，开源替代也并非毫无阻力。 Arvind Jain提到，一些企业对中国开源模型仍有心理和合规顾虑，即使模型可以本地部署、数据不会传回模型提供方，决策者依然会担心潜在的安全风险与舆论风险。 但这更像新技术扩散中的“第一批采用者”问题。一旦头部企业开始使用并形成示范，顾虑就会逐渐从“能不能用”转向“怎样用得更安全”。 长期看，企业模型市场很可能不是一家通吃，而是多模型共存。模型层的利润会被竞争持续压缩，价值则不断向负责选择、连接和管理模型的应用层迁移。
G | / 03 / 微软的入口优势没了 模型商品化还会冲击企业软件过去最有效的一种竞争武器：捆绑销售。
H | 微软的优势从来不只是产品，而是它可以把新功能装进企业已经购买的套件里。对一家大型企业来说，免费获得一个“七十分”的Copilot，通常比重新采购一个“九十分”的独立产品更省事。后者不仅要多付一笔钱，还要经过安全审查、法务审批、供应商管理和员工培训。
I | Arvind Jain坦言，微软是比前沿模型厂商更现实的竞争者。许多客户拒绝Glean的理由是，“我们已经购买了微软”。 不过，AI的按量付费模式正在给捆绑逻辑制造一道裂缝。
J | 传统SaaS按席位收费，企业一旦购买套件，就会倾向于让员工尽量使用其中的产品；AI更接近按任务量付费，无论工具是否捆绑，实际执行一次任务都要消耗算力。企业完全可以同时开放多个工具，让员工选择最适合的一个，再为真实用量买单。 这意味着，捆绑依然拥有采购和分发优势，却未必还能锁定最终使用。未来的竞争不只是“谁进入了供应商名单”，还包括“员工真正把任务交给了谁”。
K | 这是一个细微但重要的变化：软件时代的入口优势，正在被AI时代的任务完成质量重新定价。 / 04 / AI降本是个伪命题 谈到企业AI，另一个经常被混淆的问题是投资回报。 在客服场景中，回报很好计算：一个客服过去每天处理10张工单，使用AI后处理12张，效率提升一目了然。但在研发、管理和知识工作中，计算就复杂得多。 就拿Glean来说，目前公司内部接近100%的初始代码由AI生成，没人手动写第一版代码，但产品交付速度并没有爆炸式增长。 为什么？因为写代码只是整个链条中最短的一环。代码量上去了，但代码审查、架构设计、跨团队协调、测试、部署，这些环节还是原来的速度。 当AI把写代码变得极快，瓶颈就会迁移到代码审核。若为了追求速度取消人工审核，企业又可能在几年后面对难以维护、无人真正理解的代码库。因此，Glean依然保留严格的人类审核，以短期效率换取长期可维护性。 这揭示了一个朴素的规律：AI不会自动消除流程瓶颈，它只会把瓶颈推向下一个环节。 所以，很多AI应用当下的经济账并不好看，短期内也很难实现纯粹降本。长期来看，AI降本只存在两种出路： 第一条路，等着成本降下来。 历史规律如此，科技只会越来越便宜。
L | 开源模型已经把推理价格打到闭源的十分之一了，OpenAI被迫降价只是时间问题。等Token价格降到今天的十分之一甚至更低，那个100万美金的Agent就会变成一笔极其划算的买卖。
M | 第二条路，用AI放大人均产能，而非单纯裁员。 假设两家同赛道企业，拥有同样先进的AI工具。A公司决定缩编团队，用更少人做同样的事；B公司维持团队规模，用AI拓展十倍业务量、打造更好产品。 长期来看，B公司会彻底碾压A公司。 因为企业的终极竞争力不只有成本，还有产出。
N | 企业老板对AI能力的理解分为两种：“一个人能干更多事”的能力和“一件事可以让更少人干”的能力。如果你选了后者，你的竞争对手选了前者，你会被迅速甩开。 AI不会消灭岗位，但会消灭"只做单一执行工作"的岗位。
o | 未来的岗位会全面复合化，一个懂技术的产品经理可以直接用AI生成原型；销售可以同时兼顾方案演示和商务谈判，不再需要解决方案工程师跟在后面。 基础数据分析师、招聘寻访员、报表制作这类纯执行角色会逐步消失，但跨职能的复合型人才会成为刚需。 / 05 / 进入核心工作流，才是AI应用的关键 最后回到创业者最初的焦虑：模型公司亲自下场，应用公司该怎么办？ OpenAI在推垂直套件，Anthropic也在做行业方案，从设计到法律到金融，看起来就是要一个个吃掉应用层公司的饭碗。 Arvind Jain给出的判断是不必恐慌，二者根本不在同一竞争维度。
p | 以设计行业为例，Claude出了设计辅助功能，听起来像是要抢Figma的生意。但实际上，设计师们的主力工具依然是Figma。
q | Claude只是让那些"本来就不是设计师"的人，比如产品经理、市场销售，能自己做一些简单的素材生成。 也就是说，Claude做的更像是市场扩展，让本来不用工具的人开始用工具了，但深度工作仍然留在了Figma里。 更深层的问题是，模型厂商不理解企业内部的真实运作。 通用模型对接企业系统，目前靠的是MCP这类标准化协议。
r | 简单粗暴地连进去，暴力检索所有数据，然后试图完成任务。但这种模式有两个致命问题： 一是效率极低。大量Token都消耗在"找东西"上，AI要先搞清楚这个业务需要哪些信息、信息在哪、怎么拼起来，还没开始干活，钱已经烧掉了一大半。 二是完全不懂上下文。
s | 企业内部的权限体系、历史决策逻辑、专有术语、隐性规则，通用模型一概不知。你让一个外部模型去理解"为什么这个供应商去年被标记为高风险"，它连从哪里开始查都不知道。 Glean自己的定位就是一个对照。他们花了好几年打通企业内部成百上千套系统——Salesforce、ServiceNow、Google Drive、Slack、Notion，几十个甚至上百个不同的数据源，建立了一套基于权限的组织知识图谱。 员工搜索任何信息，返回的结果都是他权限范围内最相关的那一条。这套壁垒就是靠时间和深度嵌入堆出来的。 所以，真正值得应用公司担心的，是自己的产品是否足够深入到核心流程。 如果价值只是一层聊天界面，模型升级确实可能一夜之间将其抹平，如果产品掌握了企业上下文、权限、流程和长期学习，模型升级反而会放大它的价值。 这也是Glean创始人经营思路发生变化的原因。他过去强调克制、资本效率和每一笔投入的回报，但现在也开始担心，过度保守会错过一轮难得的市场圈地期。 在他看来，企业对AI的需求已经被唤醒，今天不进入客户的核心工作流，未来再进入的成本可能高出十倍。 不过，“加速”不等于放弃商业纪律。产品仍然要收费，仍然要给客户创造可衡量的价值，营销投入仍然要形成回报。资本可以帮助公司抢时间，却不能长期掩盖产品没有价值这一事实。 这大概是企业AI市场最真实的矛盾：一方面，窗口期要求公司大胆投入；另一方面，模型成本、客户回报和商业模式又要求它保持克制。
t | 如何在两者之间找到平衡，才是这一代AI创业者真正的考题。 文/元元。
u |
Current article:http://www.zuanniangwandangliaolinechu.sbs/xp7vr/20260826/64747.ppt
Published on:21:59:47
推荐阅读
