# 4D 世界模型，对话即游戏 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：行业大讲堂 - **Persona**：行业创新者 - **时间信息**：6月23日 | 14:10 - 14:35 - **标题**：4D 世界模型，对话即游戏 - **PDF 资料**：有 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：14:10 - 14:35 - **会议类型**：行业大讲堂 - **面向 Persona**：行业创新者 ### 亚马逊云科技演讲人 - **肖培庆**：资深解决方案架构师 ### 客户 / 合作伙伴演讲人 - **王诗沐**（全灵（深圳）网络有限公司）：创始人兼 CEO ## 二、会议资料 PDF 转录内容 --- Page 1 --- 2026年6月23日-24日 上海·世博中心 --- Page 2 --- # 5 1 4D 世界模型，对话即游戏 Seele 如何基于亚马逊云科技构建企业级 Agentic System、自研模型能力与行业解决方案 王诗沐 肖培庆 Seele 创始人兼 CEO 亚马逊云科技初创资深解决方案架构师 --- Page 3 --- 生成式 AI 正在从内容生产工具，走向产业基础设施 1. 行业范式迁移 • 工具 → 基建：生成式 AI 不再只生成贴图、台词、关卡，开始承载玩法本身。 • 内容 → 世界：要的不再是图或视频，而是可持续存在、可交互、可演化的虚拟世界。 • AI Native -> 从 AI Native 的组织到 AI Native Game Infrastructure 2. 亚马逊云科技在这场变化里的位置 • 胜负不在模型本身，而在能否把训练、数据、推理、全球化串起来 • 把 GPU 算力、Bedrock 模型平台（仅海外使用）、全球 Region 数据底座向同一个方向收，支撑客户从造内容到造世界 3. 从云计算的视角到客户实践 • 能不能跑通这件事，不是亚马逊云科技说了算，是客户跑出来的。 --- Page 4 --- 亚马逊云科技 2026 上海峰会 · Seele × 亚马逊云科技 · KEYNOTE Building Enterprise AI Productivity and Model Capability on 亚马逊云科技 Seele 如何基于 亚马逊云科技 构建企业级 Agentic System、自 研模型能力与行业解决方案 Enterprise AI Productivity Agentic System 3DLMM / PEGA Industry Solutions AI-native enterprises require a new infrastructure for productivity, models and growth. --- Page 5 --- PART 1 · THE PROOF Seele:33 人团队，跑通从模型到商业化的完整 AI-native 闭环 33 数据 模型训练 推理工程 DATA MODEL TRAINING INFERENCE 采集· 清洗· 标注· 结构化· 反馈沉淀 3DLMM · 多模态游戏大模型· PEGA 模型服务· 推理优化· 编排· 成本控制 PEOPLE Agent 产品 推广增长 商业化 一支全栈 AI 公司：从数据、模型到推理、 AGENT PRODUCT GROWTH COMMERCIALIZATION Agent、增长与商业化 AI 办公系统· GameWorkspace · API 内容生产· 渠道测试· 投放迭代 C 端收入· B 端 API · 行业项目 --- Page 6 --- PART 1 · RESULTS 5 个月 USD 5M 增长，多模态游戏大模型发 布，PEGA 世界模型即将面世 USD 5M+ 成果演示 5 个月海外收入增长 Seele 成果& 产品演示 Seele 3DLMM · Released 增长曲线· 3DLMM · GameWorkspace · PEGA teaser 上海静安发布· 多模态游戏大模型 上海静安· 新品发布现场 PEGA · Coming Soon 世界模型即将面世 主题发布 产品演示 登陆陆家嘴 --- Page 7 --- PART 1 · ENTERPRISE PAIN 01 市场上不缺 Agent 工具，但企业仍缺真正产生 业务价值的 AI 系统 面向个人 但进入真实业务后，企业反复遇到 写文档 总结 生成 PPT 查资料 翻译 好看但浅 停留在文档、会议、项目管理等外围场景，触不到核心业务 可演示难落地 面向团队 demo 很顺，进入真实组织后大量依赖人工补救 项目管理 会议纪要 知识库问答 协作助手 能回答不能负责 能给建议，却不能持续推进、对业务结果负责 成本涨、收益不清 面向企业 token / 调用/ 订阅费用上涨，ROI 难以衡量 流程自动化 智能客服 销售助手 BI 问答 难进核心业务 读不懂企业独特流程、数据结构、权限与决策逻辑 --- Page 8 --- PART 1 · ENTERPRISE PAIN 02 企业的核心业务是独特的，通用 Agent 很难进 入生产系统 企 业 墙 Data Workflow Permission Core Value Generic Agent 真正的经营价值，在墙内 理解语言、生成内容 Domain Logic Accountability 01 02 03 04 高度个性化 深度依赖内部知识 跨部门跨系统 需要责任与审计 产品、客户、流程、术语、决策方式各不 合同、客户记录、文档、指标、代码与实 一个真实任务横跨销售、产品、技术、 关键操作需权限、安全、评估、日志与 相同 验都在内部 运营、财务 人工兜底 --- Page 9 --- PART 1 · WHY IT WORKS Seele 实现 AI 自动化生产力的核心实践论 战略 STRATEGY 经营结果 Business Outcome 组织 系统 ORGANIZATION AUTOMATION --- Page 10 --- PART 1 · THE OFFER Seele 企业级 Agentic 方案：从战略到系统落地的 AI 生产力升级 01 02 03 04 05 战略咨询 业务抽象 组织升级 AI 自动化系统 FDE 技术支持 STRATEGY ABSTRACTION ORGANIZATION AGENTIC SYSTEM FORWARD DEPLOYED 判断 AI 进入哪些链路 业务对象与任务链 重定义人/ Agent 职责 知识库· workflow · 权限 深入客户业务现场 识别能带来 ROI 的改造 可调用的数据与工具 模型与数据如何反馈 任务编排· 多模型接入 业务语言→系统需求 区分锦上添花与杠杆 可评估、可复盘指标 管理决策与风险兜底 业务集成与成本控制 调试、上线与迭代 --- Page 11 --- PART 2 · OPERATING SYSTEM 组织操作系统：人、Agent、模型、数据、系统 如何协同 People manage judgment · Agents manage workflow · Models expand capability · Data closes the loop 人管判断，其余协同支撑 Agent 模型 AGENT MODEL 人 任务拆解· 流程推进· 复盘 内容/ 代码/ 多模态/ 3D PEOPLE 判断· 决策· 责任 数据 系统 DATA SYSTEM 反馈· 行为· 实验· 转化 权限· 安全· 评估· 成本 --- Page 12 --- PART 2 · CASE STUDY 01 · R&D 案例一：用 Agentic Workflow 加速研发与模型迭代 人定义目标、约束与验收，AI 自动完成计划、执行、验证与反馈闭环 人负责定义任务边界 Task 注册 AI 负责自动执行闭环 ↺自动闭环 Idea 讨论 提出方向、对齐边界 Goal Plan 拆解任务、制定执行计划 - Constraint Goal 任务要达成什么目标 Exec 实现代码、搭实验、生成文档/ 配置 - Validation Constraint 技术/ 资源/ 时间/ 质量边界 Validate 运行测试、检查指标、确认产物 = 可执行 Task Validation 什么结果算完成 Reflect 根据结果反馈，迭代或闭合任务 Thoth TUI — agentic workflow monitor HOURS / DAY HOURS / TASK 90-128 20-40 ↑ 越高越好 ↓ 越低越好 真实系统截图位· 待替换· 用于观察任务/ 运行状态/ 验证结果/ 系统状态 ≈ 4-5 个 Agent 全天候工作量 注册→ 验证完成的平均耗时 传统人工研发≈ 70 hours / 周 → AI 自动化研发500+ Agent Hours / 周 --- Page 13 --- PART 2 · CASE STUDY 02 · GROWTH 案例二：用 Agentic Workflow 重构增长与内容生产 Agent 追踪市场 → 生成多版本素材 → 自动测试复盘 → 人定品牌与预算 传统增长链路 人工串行· 反馈慢 USD 5M+ 观察市场/ 竞品 › 总结用户痛点 › 产出内容素材 › 人工投放测试 › 复盘转化数据 5 个月海外业务收入增长· Agentic Workflow 驱动 串行链路、反馈周期长· 单轮测试密度受人力限制· 复盘与下一轮创意之间存在断点 600+ active ad units ▼ 重构为 AI-native 增长闭环 扩量目标下在线投放承载规模（约 70 万美金/ 月） AI-native 增长闭环 Agent 高频驱动 1000-1500 / month Agent 追踪 Agent 生成 模型生成 数据分析 人定边界 月新增测试素材/ 广告单元需求量 市场·竞品·趋势 策略·假设·文案 图·视频·落地页 Agent 复盘迭代 品牌·创意·预算 330-500 创意方向/ 月 80-120 视频变体/ 月 --- Page 14 --- PART 3 · MODEL CAPABILITY Seele 模型能力：从多模态游戏理解到可交互 PEGA 世界模型 Seele 3DLMM PEGA 世界模型 3D LARGE MULTIMODAL MODEL PHYSICS EMBEDDED GENERATIVE ARCHITECTURE 文本、图像、视频、3D、空间结构的理解与对齐 面向可交互虚拟世界的生成式架构 游戏资产、场景、角色、玩法语义的生成与组织 关注空间状态、时间连续性与物理一致性 面向 GameWorkspace、API 与行业解决方案 支撑交互反馈与世界状态演化· 即将面世 Seele 3DLMM PEGA Agentic Workflow Game / Ads / Enterprise --- Page 15 --- PART 3 · MODEL · 3DLMM Seele 3DLMM：面向游戏与 3D 世界的多模态基 础模型 MODEL Seele 3DLMM CAPABILITY 多模态游戏理解 · 3D 语义对齐 · 资产 / 场景生成 PRODUCT Seele 3DLMM 能力演示视频 GameWorkspace · API · 行业解决方案 MULTIMODAL · 3D SEMANTIC · ASSET GENERATION BUSINESS VALUE 降低游戏内容生产门槛，加速原型与资产生产 --- Page 16 --- PART 3 · MODEL · 3DLMM PEGA World Model:Physics Embedded Generative Architecture COMING SOON PEGA Physics Embedded Generative Architecture DIRECTION 面向 AI-native 游戏与可交互虚拟世界 FOCUS PEGA 世界模型 teaser / demo（即将面世） 空间状态· 时间连续性· 物理· 交互· 世界演化 WORLD STATE · PHYSICS · INTERACTION STATUS 即将面世· upcoming / in development --- Page 17 --- PART 4 · INDUSTRY · GAMING 游戏行业：用模型 + Agent + 工具链重构游戏生 产力 Seele 方案:3DLMM + PEGA + GameWorkspace + Agent 游戏团队的真实困境 01 原型开发周期长，创意验证慢 AI 游戏原型生成 3D / 空间语义生成 02 3D / 场景/ 角色/ 玩法资产成本高 玩法逻辑生成 世界模型能力 03 多轮编辑与世界一致性难保持 04 小团队难承担完整内容生产链路 内容生产提效 API / 工具链服务 --- Page 18 --- PART 4 · INDUSTRY · ADVERTISING 广告行业：用模型 + Agent 重构素材生产与投放 迭代 Seele 方案：自研模型 + Agentic System + 增长闭环 增长团队的真实困境 01 素材生产成本高、多平台适配慢 广告素材生成 投放策略生成 02 创意测试周期长 多平台内容自动化 创意测试 03 投放数据与下一轮创意割裂 04 优秀增长经验难以沉淀 转化数据分析 素材迭代闭环 --- Page 19 --- PART 4 · DELIVERY · FDE FDE：把模型能力与 Agentic System 带进客户业 务现场 FDE Customer Domain Seele Platform Forward Deployed Engineer 真实业务流程、隐性规则、内部系 Model · Agent · Workflow · 亚 统、权限与数据 把业务语言翻译成系统需求、workflow 与数据接口 马逊云科技企业级底座 01 02 03 04 05 06 07 Discovery Abstraction Workflow Integration Pilot Rollout Optimization --- Page 20 --- PART 5 · Amazon FOUNDATION 亚马逊云科技 支撑 Seele 从训练、推理、Agent 服 务到全球化交付 训练层 数据与检索层 推理与交付层 TRAINING DATA & RETRIEVAL INFERENCE & DELIVERY Amazon S3 Amazon OpenSearch Amazon EKS 多模态 CardInfoLink、空间语义与实验产物 向量检索、知识库与语义搜索 模型、Agent 与业务服务弹性调度 Amazon EC2 GPU Amazon RDS Amazon EC2 GPU 3DLMM、PEGA 与行业模型训练 用户、项目、组织、权限与业务状态 模型推理、生成任务与高并发负载 Amazon ElastiCache Amazon CloudFront 多轮 Agent 上下文与高频数据缓存 全球内容分发与低延迟访问 Amazon Bedrock 方向（仅海外使用）：自然语言入口· Agent reasoning · 知识增强· 安全治理；Seele 自研模型承担游戏/ 3D / 世界模型等垂直能力 亚马逊云科技的价值不只是算力，而是把模型、Agent 和行业方案变成可训练、可交付、可分发的企业级服务。 --- Page 21 --- PART 5 · ECOSYSTEM 从云基础设施到生态分发：Seele 正在进入亚马逊 云科技企业客户生态 Seele API 已加入亚马逊云科技全球合作伙伴体系 APN,API 上架 Marketplace 也正在进程中 ——进入亚马逊云科技面向企业客户的分发体系 产品可获得性 企业级交付 生态协同 AVAILABILITY ENTERPRISE DELIVERY ECOSYSTEM SYNERGY 企业客户可通过亚马逊云科技生态更便捷地 Seele 能力以 API / Cloud-native Service 进入 Seele 不只是算力使用方，更是亚马逊云科技科 发现、采购与接入 Seele API 企业采购与部署路径 技生成式 AI 生态中的行业方案提供方 Seele 官方展台 现场可深入了解：企业级 AI 办公系统· Agentic System · API · 3DLMM / PEGA · GameWorkspace 峰会现场· 演讲后交流 以及游戏、广告等行业解决方案与 FDE 交付方式（S-S-20） --- Page 22 --- CLOSING · SEELE AI × 亚马逊云科技 AI-native enterprises require a new infrastructure for productivity, models and growth AI 时代的企业竞争力，将来自战略、组织、数据、模型、Agent、workflow、FDE、云基础设施与商业化反馈共同构成的新型增长基础设施。 生产力系统 行业模型能力 方案 + FDE 亚马逊云科技全球底座 33 人跑通完整 AI 公司闭环 3DLMM 与 PEGA 世界模型 战略/ 抽象/ 升级/ 系统/ 落地 训练、推理、交付与生态分发 Seele × 亚马逊云科技 Enterprise AI-native Transformation 的早期范本· 欢迎莅临 Seele 官方展台交流 --- Page 23 --- 率先体验 Seele LMM+Seele Agent 技术团队专门配合 送 Token! 欢迎莅临 S-S-20 Seele 官方展台 交流 --- Page 24 --- 反馈二维码 您的反馈信息对我们非常重要 请您扫描“调查问卷”二维码，填写问卷 --- Page 25 --- Thank you ## 三、会议回放视频转录内容 各位好，我是亚马逊云科技的解决方案架构师肖培庆 我会花两分钟时间抛砖引玉一下 讲一讲亚马逊云科技在游戏行业里面怎么去观察 我后面会把大部分的时间给到全灵科技 他们去分享一下他们怎么去做这个世界模型 以及他们有一套特别厉害的就是怎么去做一个 AI native 的一个组织架构 以及这些公司，因为我看到现在有非常多的公司希望是把 AI 的能力 从个人变成了一个组织方式的一种变化 然后待会全灵的这个企业会分享更多的这个事情 然后我先简单分享一下亚马逊云科技看到的在游戏行业里面的一些变化 然后第一个点的就是我们看到生成式 AI 是从工具变成了一个基建 比较明显的就是我们原来看到就是大家会用 AI 工具去做生图 生素材，然后特别在游戏行业里面可能会生一些素材做一些关卡 但是现在慢慢的变化成 AI 它已经会变到游戏的一部分了 因为比方说我们看到有这个 AI 的 Agent 在游戏里面扮演一定的角色 有 AI NPC，然后 AI 已经在游戏的这个内容的一部分了 然后这是第一个观察，然后第二个观察就是它已经从这个内容变成了一个世界 就是原来 AI 是一个生产力工具 但是我们可能会把它拿来做素材，这是最基本的用法 但是现在包括待会全灵科技也会去分享一下 就是现在已经是成为一个世界模型 所以我们的游戏的内容它可能是非常动态的 以后的游戏可能我猜想就是可能每个人玩的游戏它都不一样 然后每一帧每一个画面每一个关卡可能都是根据你之前的这个 profile 来生成的 所以是一种更加好的游戏体验 然后第三的话呢就是我们的观察是说 游戏的这个传统游戏公司并不是简单的加上 AI 就好了 那我们看到有一些 AI 非常原生的公司 他们已经把整个 AI 已经用到他们整个产品整个组织架构里面了 那么这个事情对于整个公司去训练模型推理模型 然后去把整个模型推广到全世界不同的用户 其实是非常的难非常关键的 这是第一部分 然后第二部分呢像我刚刚讲到的这个整个 AI native 游戏的不同的部分 因为亚马逊云科技主要是这个基础设施的提供方 那么我们除了有这个 Bedrock 上面有非常多的大模型之外 我们还有非常多的 GPU 我们也有数据处理的这个管道 然后我们也有全球覆盖的这样的基础设施 其实这些都能帮到很多很多的客户把他的 AI 原生的游戏 给到全球的不同的这个用户 然后最后呢就是因为前面讲到的所有事情 对于亚马逊云科技来讲其实都不是我们说了算 大部分是客户说了算 客户要在我们的基础上去做他们非常伟大的产品 所以呢后面呢我会有请这个全灵科技的 CEO 然后来分享一下他们怎么去做这个世界模型 以及怎么样在亚马逊云科技的产品之上 把他们整个 AI native 的产品 他们的世界模型的产品给做的现在这个程度的 下面有请 大家好那个我是王诗沐 然后是 Seele 全灵的创始人和 CEO 我之前是网易云音乐的创始人 然后（履历待核实）负责内部的孵化业务 我们是在22年底的时候出来创业瞄准 AI 生成游戏这个行业的 那么今天想跟大家分享的就是 我们如何去从 AI native 整个的组织来构建 然后去实现一个模型的自研能力 以及发布出来 Agent 的并且完成海外的这个商业化变现 然后首先是我们公司其实目前的正式员工是33个人 然后我们整个团队都是基于一个从数据到模型的训练 到 Agent 到推理增长和商业化整个链路上面都跑在一个 AI 全自动的一个生产力系统上 那其实很难想象就一家人数如此之少的公司可以做这么多事 那能够做到这个核心的点就是 我们整个系统体系都 build 在一个 AI native 的系统上面 那么我们大概是去年10月份的时候在海外发布了我们的多模态的游戏大模型 并且在今年的1月份开始收费 然后差不多5个月时间我们跑出了500万美金的 ARR 的增长 然后并且在刚刚6月初的时候我们在上海静安办了一场 多模态游戏大模型的发布会 并且也登陆陆家嘴 那所有的这些事情其实都是在一个 企业化的这个 AI 办公的体系上去完成的 那么请现场导播老师播放第一个视频 我们可以看一下我们公司做的东西 他把物理规律，对象状态和动作反馈，切入到生成过程里。 所以你看到的不只是道路、建筑和机器人，而是一个会响应、会变化、会延续的空间。 这个因为那个视频环境比较大，所以现场放出来的视频有个压缩，所以它的画面会显得有一点糊。 从生成游戏画面，到生成真正会运转的世界，PEGA 正在打开新的可能。 OK，那上面这个是我们正在去训练的世界模型的一个预览，他们即将会在今年的下一个季度，就是 Q3 的时候会发布。 那么我们为什么会去自己做整个一个企业级的 AI 办公系统？ 因为市场上其实有很多 Agent 的工具，包括个人使用的，然后面向企业的，面向团队的。 但是归根结底就是说，如果要真正实现所有的团队里面，所有人都在这个 AI 体系上面进行自动化的 AI 的办公，那么其实有几个关键的问题要去解决。 第一个比如说现在很多个人也好，企业也好，Agent 它只是停留在文档上，比如说帮我写一个 PRD，帮我写一个分析的文档，但是后面真正产生业务价值的这些事情还是人在做。 如果我们想要去实现一个 AI 自动去把一些工作真正的完成，那这些方法是不够用的。 那再就是说，AI 可以去生成一些比较好的 demo，但是它无法去真正嵌入到你的真实的一些生产环境，那这也是一个痛点。 然后再就是 AI 经常会，大家去个人使用 AI 的时候，经常会遇到一个问题，就是 AI 可以帮你出主意，你说 A 方案它也觉得对，你说 B 方案它也觉得对，它一直在出主意， 但是它无法帮你去真正负责这件事情，那我们在企业内部去做这个系统的时候就要去解决，AI 自己是能够承担 KPI 的，它会为了这个 KPI 越做越好，它还自己去努力。 然后再一个就是很多企业，在去用 AI 的时候成本会很高，就像前两个星期，像 Uber 等等这些公司的 CEO 就会说他们企业内部用了很多 AI native 的 agents, 但是很多程序员都用了 agents，但是成本一直在升高，但是公司的收入和增长并没有相应的升高，反而是成本一直在升高，那这也是一个很大的问题。 最后就是说，如果想要一个 AI 的系统真正在一个企业里面扎根落地，我们内部判断就是一个一号位工程， 就它一定是一个企业的最高的负责人，他能够去推动，他想要去推动 AI native 的整个组织的转变，因为要把公司最核心的业务指标归纳出来，然后让 AI 来去做，而不是停留在公司所有的员工都用上这个 AI，大家可能每天用 AI 聊天，写文档，写代码，但是真正转到收益的部分就断链条。 因此我们想要去做一件事情，我们在自己内部做一件事情就是把自己的企业里面的整个的业务链条全部抽象出来，我们公司在做哪些事情，最简单来讲全灵公司它一共有三个 KPI，第一个 KPI 就是把我们的多模态大模型训练并且部署上线，第二个是我们去训练最前沿的世界模型， 为了下一代游戏，再下一代游戏的生成做准备，第三个就是我们已经上线的业务在海外挣钱，一共有三个 T0 的 KPI, 传统的公司的做法可能是说，比如说我有五个下属，七个下属，每个下属去承担这些 T0 的 KPI，然后这些下属再把这些 T0 的 KPI 分拆成几个，比如说做收入增长的，那可能是你要有新用户引流进来， 同时有一部分人把产品和模型能力做好，转化率变好，再一部分人做定价收入变现，再一部分人做召回，retention 等等， 然后模型训练的，包括你要做数据，购买显卡，要去做训练，要评测，要推理等等，就是科层制的这样拆解下来， 那这样的话，其实按照我们这种如此复杂的 KPI，一家公司起码要上百人，两三百人才能完成，那最终我们是靠三十三个人就完成了， 核心原因就是说，我们再去把这些业务的 KPI 抽象出来之后，然后去通过把科层制，中间的科层制全部打碎， 让最一线的员工和最资深的员工一起都面向这个 T0 的 KPI 来去做事，而且不是他们做，是他们想清楚边界在哪里，大概应该怎么做，然后交由 AI 自动化来做， 因为 AI 的效率比人要高得多，AI 可以7×24小时，不睡觉，一直在干活，但人不可能，那我们就应该把人从加班，还有做很多螺丝钉的这个活里面解放出来， 让人去想更 high-level 的事情，去想更多能够真正去解决业务痛点，实现业务增长的事情，然后所有的执行的工作都交给 AI，这是我们整套的解法。 那抽象下来我们的一个核心的方法论，其实非常的普适，非常的直白，就是想要去做好真正的企业级的 AI 自动化的生产力， 想要把这个生产力真正的用好，一定要从战略组织和 AI 系统上面，三个地方同时入手，就是如果没有，不把自己的战略抽象出来， 适配 AI 生产力，你去加再多的 agent，加再多的 token 都没有用，你会增加很多成本，你会写出非常多的代码，但是你最终会发现自己企业的收入用户量并没有太多增长，它不是一个完全匹配的效果。 那同时组织也很重要，把战略目标 KPI 拆完之后，如果组织还是像原来的非常的科层制，一线员工只负责层层拆解下来的任务，他不关心公司的 KPI 到底是什么，然后高级的员工管理层只关心公司的 KPI 以及拆解完，他不动手，他不具体干脏活，中间还是有如此多的层级的话，那么整个 AI 系统也是无效的， 因为人在过程中就会成为非常多的阻碍，就是优秀的 agent 应该是一个任务交给他之后，他能够整个长程运行十几个小时，最终闭环，交付一个结果，人负责验收 AI 你交的结果对不对，我让你完成这个100万的收入，结果你只完成了10万，为什么，去逼着 AI 这样去做，那如果是传统的科层制，就变成了领导说我们要完成100万 KPI，然后员工去操作 AI，员工在那里，就变成了一百万 KPI，然后员工去操作 AI，然后员工 这个时候交了1万，然后再给领导汇报，领导问员工为什么你只有1万，然后员工再问 AI 为什么你只有1万，中间加了非常多的这个控制会导致 AI 能力就起不来，对吧，因为领导要睡觉，员工也要睡觉，所以相应的组织也要变化，那么最终这个系统是围绕着新的抽象出来的战略目标，以及新的围绕人和 AI 共存的这个组织来去构建的， 他们才能够更好有机的结合在一起，这样才能实现真正的人可以去指挥 AI 干活，而不是人干完活之后再层层往上汇报，最终关于企业很 critical 的关键的业务决策，还是几个人类在一起开会，然后大家用 AI 来去总结一下会议纪要，那这些其实都是表演性质的，它不是真正的能够去解决企业增长的核心问题的， OK，那因此我们公司内部自己去跑通了这样一套 AI-Native 办公的方案，我们能够实现33个人去完成这么多的事情，实现真实的业务增长，我们内部已经成型出来的一套方法论和工具，那我们就可以把这套方法论和工具提供给外部的更多的企业，那整个来讲我们要做这件事情一共会有这么多步骤，首先第一步是战略咨询，就是我本人啦，因为我本人很懂 AI，我也了解大部分的互联网的业务， 所以我能够去帮助企业站在他的角度上去，来去想你的业务应该怎么样去抽象出来，你有那么多的 KPI 到底哪些 KPI 才是核心关键的，去掉那些中间层级的，只保留最根本的 KPI，并且这些 KPI 是能够通过 AI 自动化办公实现的，那我就做这个工作，就像我在我们自己公司做的事情一样，完了之后呢我们根据这个 T0 的 KPI 来做业务抽象， 那也就是端到端的你的企业从生产环节到最终交付和销售环节，中间原来有那么多的链条，这些链条里面哪些可以不用了，在现在的时候哪些可以不用了，尽量缩短，对吧，因为大家知道就是大语言模型，就是我们目前我们所有的 AI Agent， AI Agent 这个核心能力上构建起来的这个生产力系统，它本质上是预测下一个 token，也就是说如果你中间的环节越多，AI 累计产生的这个幻觉就越大，对吧，即便你大模型能力再强，你的下一个 token 的幻觉这个误差率，就是减小到了万分之一， 但是你十个环节就是万分之一的十次方累积起来，你其实整个的幻觉仍然就会很大，那跑在真实的业务上面的话，这个累积的误差就很大了，所以在业务抽象环节上，我们一定要减小中间的环节，拿我们公司自己的例子就是，我们把比如说像模型训练，原来是人提出 idea，然后呢一部分员工专门去用 AI 来去做数据收集，再来进行训练，那后面我们整个都让 AI 自己去做， 那把它从 idea 到数据准备，到第一个小规模的训练实验整个的周期，从一两个月变成了只要一周，那这样的时候，人就可以同时去跑好多个 idea，并且很快就拿到结论，就减小了中间的环节。 业务抽象完之后，来开始做组织升级，就像刚才讲的，就是 AI native 的能力形成了，开始形成之后，组织不能再像传统的科层制很多很多的这种汇报线，很多很多的开会来去做，这样的话反而会拖慢 AI，人反而会成为瓶颈，所以组织也应该相应的变化，要变成更加灵活的，直接面向这些 T0 KPI 的，灵活的阿米巴组织，像我们公司内部就会分好几个阿米巴，人是很流动，很灵活的，那就是我们公司内部会分好几个阿米巴组织， 大家都为了这个最终的这个 KPI 来去做事，那最终我们可以去围绕上面这些已经得到的结论，去构建一套自动化办公系统，那市面上其实有非常多的 Agent 的工具可以用，不管是开源的 OpenHands，还是 Hermes，还是闭源的一些，其实都有办法，在他们技术上去做企业化的自定义的改造，让这个东西更适配自己，那同时像 FDE 的技术支持也是需要的， 因为到时候具体在落地的时候需要有懂 AI 的人去一点一点去解决很多的问题，这是我们自己的一个体会，就是当你把一个 AI 的自动化办公系统建立起来之后，这只是10% 的工作，我们从3月份开始做自动化办公改造，4月份的时候大概的这个系统就已经建完了，但是直到今天我们仍然在公司里面投入大量的研发，人力去做治理，就是 AI 的办公系统是需要持续治理的， 因为它会不停地去累积更多的误差，然后累积更多的 Bad case，以及累积更多有用的价值的资产，这些都需要治理，它不是一个你放在那里就可以不管的，但是人去管它不是说把它的手脚捆住，而是去帮它把垃圾清扫掉，把真正保护的东西保留下来，持续治理会让这个系统能够持续的变好。 OK，这就是我刚才所讲的一个整个人 agent 模型数据系统，它的一个协作模式，人以后就负责判断决策以及承担责任，就是真正的把每一个从老板到打工人，其实都要解放出来，就是很多的员工以后不再只是螺丝钉，我之前一直在公司内外都有一个比喻，我之前说每个人都有自己的想象力和创造力， 我曾经受到过挑战，说那我看到的不是，对吧，我现在行业里面很多三、四十岁的人其实已经没什么想象力创造力了，然后我就有一个理由反驳他，我说我从来没有见过一个三岁的小孩子，他是没有想象力的，我相信没有人能够反驳这句话，我见过的所有的三岁的小孩子，哪怕他长大以后是一个笨蛋，他在三岁的时候都仍然非常有想象力，很有脑洞，他做的事情是超越成年人很多这个 固定的思维框架的，之所以我们到了三、四十岁，大家很多人在公司里面，职场里面成为了一个螺丝钉，是因为我们从小到大，从读书工作开始，一直受这样的训练，对吧，我们小时候要考试，要考一百分，为什么要考一百分，这个题为什么一定要这样答，他有标准答案，我们一直受这样的训练，到了工作的时候，领导让你做这个东西，你不能太多问为什么，问太多为什么，可能领导会烦你，你问那么多干嘛，事情还没做完，你问那么多问题， 你就每天去写更多的代码，写更多的代码到底意味着什么，其实我们很多人一直被这样训练，所以到了现在那大人当然，你问他，我们公司应该怎么发展，他肯定答不出来，但是每个人小时候都是有想象力和创造力的，人会变成这样，是因为过去十几年、二十几年一直在被这样螺丝钉的规训，那么 AI 生产力真正来的时候我们要做什么，AI 生产力来的时候，我们不是让程序员去写更多的代码，那这样有什么意义，对吧， 我原来 AI 没来之前，一天写一万行代码，现在 AI 来了，我一天写十万行代码，就是我这辈子就是被，我这个人的价值就定义为你能写多少行代码，对吧，所以很多人会职场焦虑，就是那我要失业怎么办，因为他已经把自己定义成一个写代码的机器了，这是不对的，对吧，人应该是人，写代码只是你的能力之一，你这辈子出生不是为了写代码的，所以我们应该把人提高到他原有应该的位置， 人应该做什么，应该思考，做判断，做决策，承担责任，而这个事情是可以做到的，不是说 CEO 是天生的，对吧，我出生的时候并没有想到我四十岁的时候会成为一个 CEO，不是这样的，对吧，没有人说你出生的时候就应该是 CEO，你出生的时候就是程序员，AI 来了之后我们其实真的有机会去改变这个事情， 所以我们会把人放在这中间，很多可能其他的方案里面会把 AI 放在中间，人在给 AI 打工，但我们不是这么想，人应该放在中间，因为人应该回归他本来的价值，OK，这是我们几个案例，第一个案例就是用 Agentic 的 Workflow 去加速研发与模型迭代，像我们目前线上跑的多模态游戏大模型，包括我们正在研究的世界模型，其实全都是 AI 在去做工作， 这里面从人甚至会发现跟 AI 交流的时候，他提出的一些训练的点子，AI 可以跟他讨论，AI 还能激发他的火花，这里面的工作如果你真的把 AI 调教得很好是很有帮助的，像我们的公司的公众号上面已经发布了我们在做 Auto-Research，就是做自动化模型训练研究的一个开源的一个工具，这个是大家如果感兴趣， 对模型训练感兴趣的话可以关注我们的公众号来去找这个开源的工具，这个工具就非常好用，现在我们团队里面的模型的研究员他只负责提出想法，提出 idea，然后和 AI 讨论，然后约束一个 AI 应该怎么去训练完成这个目标，然后很快的去来验收那个收敛这个结果，那这是另外一个例子就是我们公司整个的这个付费收入的增长，其实都是跑在， AI 自动化的这个体系上面，我们公司大概只有两三个人做这种付费广告的投放，然后做免费的 organic 的增长也只有两三个人，那么人数其实并不多，但是我们取得了很大的一个收入增长，他核心点就是说整个增长体系都跑在这个 AI 的这个工作流上面，我们内部叫 AI growth，就是 auto growth，完全自动化的增长， 那他不只是 AI 帮你生成素材，我们不做这种单点任务，更多的是，把从目标比如说我希望我们在 Google 上面投放广告，然后收入 ROI 达到多少，然后每天的预算多少，然后我投哪些人群，把这些大致的目标框定，然后中间的所有链条环节，包括数据回收分析，迭代策略等等，所有的策略环节全部都有 AI 自动化来去做，人在其中就是我去判断， 对吧，你 AI 投的素材的品位格调，和品牌调性是不是相符，以及你那个回收数据回来之后，你的 ROI 是不是能够保证，然后我每天应该放多少预算给你，然后来去做这些工作，那这块我们内部已经完全跑通了，ok，那接下来就是除了我们的 AI 整个自动化办公系统之外呢，可以给大家分享一下我们的全灵的一些模型能力， 首先是我们一个多模态的游戏大模型，这个是我们应该算是全球首创的一个 MoE 的架构，我们相当于两个 Transformer，一个 Transformer 是用来做生成，一个 Transformer 用来做理解，它是把3D 文本图像，视频这些模态放到一个预训练模型里面去训练，然后它能够做到在原生游戏生成上面更好的效果，然后另外一个是我们正在做的这个 PEGA 世界模型，这个是我们专门为面向游戏行业的， 来去推出的一款世界模型，就是世界模型上面游戏和具身智能，就虚拟世界和物理现实世界是很不一样的，现在有很多公司说在做世界模型，但是这两类世界模型是很不一样的，因为游戏世界里面的对于物理和几何的误差忍受度比较高，最简单例子比如说一个射击游戏里面，这个子弹是不是命中敌人差个10 厘米，不重要对吧，有可能玩家甚至希望你的误差范围更大， 我能够击杀敌人，但是在物理世界里面，一个杯子如果你拿起来差1 毫米，这个杯子可能就掉地上了，所以它的一个工业级和一个消费级的模拟是完全不一样的，那我们是面向游戏行业的这个世界模型，然后请导播播放一下那个，这是我们网站来去生成游戏的一个演示， 这是一段简单的 Prompt，然后这个 agent 再继续长程的思考和执行任务，调用我们自己模型的能力，那最终它会做出来一个游戏，然后游戏做出来之后就可以在这个网页产品上面实时就可以开始体验游玩，这是用户做了一个赛车游戏，好导播可以停，然后这个是我们那个世界模型的一个演示视频，请导播放下第三个视频，我们在这个物理一致性和那个时空表征上面会取得很好的效果， 像 Genie 3 它之前发布的时候只能支撑一分钟，然后我们内部去评测的时候，我们这个模型可以支撑一个小时以上，自研多模态、PEGA 世界模型与 agent 的系统，从生成内容走向可玩的游戏世界。 Seele 3D LMM，实现原生文生 3D 与空间语义对齐，从创意到可玩 demo，场景、角色、资产与玩法协同生成，持续迭代。 面向企业客户 Seele 支持 API 接入，定制 agent 工作流与生态合作，让 AI 原生游戏能力接入真实业务场景。 从3D 多模态大模型到 PEGA 世界模型，agent workspace 与企业 API, Seele 正在快速演进为完整的 AI 原生游戏基础设施。 与全球创作者、工作室与生态伙伴，携手共创下一代游戏世界。 我们在训练层面，把物理知识放到 video base 的 model 里面去做训练。 世界模型将于下季度发行，面向游戏行业，用模型与 agent 加上工具链，重塑整个游戏的生产力。 包括游戏的生产端、发行端和商业化的部分，都可以用这些模型与 agent 来赋能。 同时在广告行业也一样，因为现在有很多广告已经不只是简单的图片和视频广告，而是3D 互动的广告。 最常见的在游戏行业里面，有很多这种小游戏的3D 互动广告，相当于一个正式游戏的简版。 这个用我们的整个模型能力也可以很好的生成。 举个例子，我们大概四轮和 AI 的对话生成，就能够做出来一个比如说消除的游戏，品质很好。 整个的成本不到10 美金，相比传统用一个外包团队来做，花上几千上万块钱，成本都会相差非常大。 同时我们也是一样的，可以把模型能力和整个 agent 的 system 带给客户业务的现场。 我们其实在内部去研发这些模型，构建自己的企业生产力的时候，沉淀了大量的 know-how. 这些 know-how 我相信是可以帮助到很多相关行业的企业的。 最后就是，整个全灵再去构建这些模型训练和 agent，以及商业化方案过程中，我们在海外的部分，全部都是在亚马逊云科技上面去构建的。 包括在模型训练层，我们用了 Amazon S3 的多模态训练的数据和存储的方案，包括 Amazon EC2 的 GPU 的方案。 在数据和检索层，包括 Amazon 的 OpenSearch，还有 RDS，还有它的缓存方案。 在推理和交付层，包括 ECS, EC2 GPU 和 CloudFront，这些都是构建在亚马逊上。 整个我们从自然语言的用户交互的入口到 agent 的 reasoning，知识增强，安全治理，这些都是构建在亚马逊的 Bedrock 上面。 然后我们自己的自研的游戏的模型，世界模型的能力，是我们自己来训练。 然后另外一个，除了技术之外，我们在整个市场行业上面也有更深入的合作。 Seele 正在进入亚马逊云科技的企业客户生态，像我们的 Seele 的 API，已经加入了亚马逊云科技全球合作伙伴体系的 APN. 所有的企业都可以只用一句话的命令调用，用 CLI 调用了我们 API 的一句话的命令，就可以完全实现 Seele 的所有的 AI 生成能力都能够用上。 不管是生成游戏，还是生成其中的游戏的素材，然后试玩广告等等这些都可以。 然后再就是我们 API 也马上会上架亚马逊的 marketplace，然后我们在这个 S-S-20，那边有一个 Seele 的一个展台，大家感兴趣可以去看。 那最后呢是，大家如果感兴趣可以扫描这个二维码，然后率先体验我们的多模态大模型以及 agent 体系，然后未来世界模型出来的时候也会优先来体验。 然后我们会有专门的技术团队去配合，帮助大家 landing. 我们的展台是在 S-S-20，那边有一个 Seele 的官方展台，欢迎大家来交流。 应该是我同事的联系方式。 我们有专门的 partner 来去负责整个商业合作。 OK，我今天的分享就到这里，谢谢大家。