特稿

杨燕青：2026年以来，人工智能领域发生了重大进展。一方面，从Anthropic到OpenAI的最新模型，出现了AI训练AI的重要进展，这在LLM问世以来属首次；同时在1月底，Open Claw问世，人工智能从被动对话正式进化到自主执行复杂任务的新阶段。整个AI商业环境和市场架构，从底层芯片到上层应用、生态、软件等各个方面，都在发生巨大的变化。Open Claw的源头在欧洲，最强大模型的起点在硅谷，但在此轮AI自主完成任务这一新的突破方向上，最大最快的商业反应，实际上发生在中国。可以看到，国内各大厂都在迅速跟进。部分大厂正基于这些趋势进行全新的战略布局，其中阿里的战略重组站位最高、动作最大。

在此大背景下，我们将共同探讨智能体（Agent）时代企业整体战略布局、商业生态的新变化，包括未来AI真正进入B端并拓展C端的商业图景。首先，请钉钉商业总裁杨猛致开幕词。

杨猛：春节后，想必大家都被“小龙虾”相关内容刷屏了，很多人在朋友圈晒自己“养”的“龙虾”，连高盛的分析师都感慨中国人对AI的拥抱热情令人震惊。我们也真切体会到，一直强调的“AI即生产力”，已从实验室、专家以及少数极客受众手中，真正走进了大众视野，这是件非常好的事。

从服务2300万用户的钉钉视角而言，个人使用AI呈现出一片火热的态势，AI可以协助个人用户处理报表等事务，便捷又高效。然而，企业在应用AI时却极为谨慎，需要考虑诸多方面的问题。比如，AI是否会对产业及生态上下游产生不利影响？在组织权限设置、安全管控措施，以及与业务融合的过程中，能否构建起安全的生产关系并充分释放生产力？在我看来，唯有企业实现体系化运用AI，才能真正彰显AI作为生产力的价值。

最近，阿里巴巴集团面向全球正式发布了ToB端的旗舰应用——悟空。这也是继大家熟悉的千问APP之后，阿里在ToB领域的重磅AI原生平台投入。悟空并非全新的概念、词汇或事业部，实际上它是由钉钉团队打造、面向ToB的原生AI工作平台。这个平台有三个关键词：安全、好用、企业即生产力。

我认为，AI真正的爆发一定发生在组织端。至少在中国，企业组织所具备的体系化生产力，是当下社会最基础的生产力支撑。若我们能将超级助理转化为企业员工，使其融入组织架构之中，让原有员工成长为能够调用众多智能体的超级个体，就像悟空还能调用其他智能体那样，打通所有基础业务场景，这将成为企业在当前布局下的主要优势。

基于以上背景，我对企业运用AI有三点看法：

第一，AI不是IT部门的事，它是一项需要一把手主导的工程。就像我们做数字化，绝非买一个软件那么简单，而是需要重新审视业务，重新定义人才标准，从顶层设计组织与AI的协同方式。

第二，先找场景再谈技术。即先明确具体的应用痛点场景，再用AI解决。制造业和消费业的场景痛点截然不同，但逻辑相通。我们要让AI解决实际问题，而非缓解企业因要用AI而产生的焦虑。

第三，将企业经验转化为AI能力的护城河。在客户体系中，企业可以将自身积累的行业知识、业务流程、最佳实践封装成专属的模型。这些专属模型是企业独有的竞争壁垒，不可复制。当众多竞争对手还在用通用模型解决通用问题时，我们通过部署专属模型，就能将企业独有的知识经验沉淀为AI可调用的资源。

钉钉已经走过11个年头，服务了中国最广泛的企业群体。我们深知技术的价值不在于有多酷，而在于能帮助多少人解决多少问题。今天全民“养虾”的热情，让我们看到中国人对AI的接受度、学习力和创造力在全球领先。如果这股能量能从个人引入组织，从“玩具”升级为生产力，中国企业将迎来一场前所未有的效率革命。

杨燕青：我们一直在积极拥抱AI。如今，随着Open Claw开启新的生态，大家的理解和思路也在不断进化。

姚劲波：我坚信AI会对任何有人参与的公司，以及每个人的工作方式产生巨大影响。我们公司较早就开始在各个环节鼓励使用AI，甚至在内部以每个业务、每个人消耗的Token数量作为考核指标。有人担心消耗多会导致成本高，我却认为，在达到某个量级之前，不妨把Token消耗当作企业的一项固定成本。

我们公司内部很早就开始使用Open Claw，在我的带动下，很多非技术背景的员工也都主动使用起来。其实，不管处于什么岗位，大家都担心被时代落下。最近，公司员工一键部署了3000个Open Claw，目前已有10% - 20%的用户开通，并出现了很多有趣的玩法。例如，公司鼓励大家给自己写的模型定价，并且会根据模型的使用人数和用户评价给予补贴，从而形成一套内部激励机制。

在Open Claw这个平台上，大家结合各自优势都在进行创新。我认为，只要有密集的投入和市场化的跟进，就会有大量新事物涌现，这对整个生态发展以及大模型能力在企业层面的释放都有加速作用。目前，绝大多数人对AI的理解还停留在个人效率层面的提升，其实，要想真正加速AI时代的到来，更需要提高企业效率的创新。

那么，Open Claw本质上做了些什么呢？

过去，不管是OA、内部协作系统、CRM还是ERP，大部分系统的计费模式都是按人头收费，系统界面也是为每个人设计的，主要呈现在台式机或手机桌面上。未来，这种界面和计费模式可能会改变，或许会按照使用量、Token消耗数量或其他方式计费。相比之下，Open Claw走了捷径，它利用了以往技术的基础设施和沉淀流程得以迅速发展。如今，Open Claw在中国比在美国更火，原因很简单，一是中国的Token价格比国外低一个数量级；二是中国工程师数量众多，对安全的顾虑相对较少。综合这些因素，中国社区充斥着很多讨论Open Claw的声音，我认为这是一件大事。

杨燕青：最早，Peter Steinberger完全按照本地环境开发Open Claw，安全并非首要考量，毕竟在本地环境中很难做到安全。他的思路十分简单：当把一个任务交给AI，若未完成，就让AI自行想办法解决，自己去寻找模型、工具，直至解决问题再返回结果。他希望项目开源且简洁，这种逻辑带有鲜明的欧洲风格。

然而，当Open Claw来到中国后，它开始进入一个新的时代。例如，阿里直接将Open Claw搬上云端，它瞬间蜕变成一个全新的企业级大型商业产品和商业环境，进而可以形成生态。那么，如何来理解和预判Open Claw所带来的新的商业方向，这会成为AI时代的操作系统（OS）吗？在这个新的方向上，该如何推进AI的下一步应用？

邱达：在我看来，Open Claw爆火的背后，有三个核心原因值得我们深入挖掘。

一是第一性的产品思考。这一思考最直接的体现是，Open Claw的原点是希望实现“休假期间也能高效工作”——即我们在休假或通勤途中，能有一个合格的agent在处理工作，改变“我不动AI就不动”的被动状态。事实上，从其文件命名中，我们也能看到这种第一性思考的痕迹！

二是memory。Open Claw的记忆分为不同层次，这与人脑的记忆机制有相似之处，它将带有日期的记忆设为短期记忆，将memory.MD设为长期记忆，它已开始尝试向更贴近人类记忆的方向探索。

三是情绪价值。这点是容易被行业忽略的部分。安装好“龙虾”后，它会有心跳的主动检查用户的任务，并读取此前的交互记录，表现得如同一位无微不至、主动协助工作的员工，这种体验极大地满足了用户的情绪需求。因此，我认为优秀的AI产品，不应忽视情绪价值的提供，即便用简单的逻辑，也能实现这一重要功能。

未来要想真正企业级“龙虾”落地，我认为有三个关键点：

首先，要解决0和1问题。对于企业而言，在确定性损失和不确定性收益之间，往往会优先选择规避确定性损失，这既是企业的理性选择，也是人性的体现。因此，安全问题是绕不开的核心，而目前“龙虾”尚未形成完善的安全架构。

我们的“悟空”产品采用了两种简洁有效的方式来解决安全问题：第一是身份映射，我们为人类用户和AI建立了身份对应关系，我们称之为DNA。如果AI不具备对应的人类DNA，就无法在数字世界中拥有与人类同等的操作权限。第二，我们设计了沙箱机制，这是一种传统但可靠的技术方案。相当于给“龙虾”设置一个“龙虾笼”，使其在固定范围内开展工作，这种方案的安全性非常有保障。

其次，在性能方面，我们也有自己的考量：中国所有掌握大量算力、工程师资源和各类资源的互联网公司，如果不朝着逼近操作系统的方向努力——我所说的“逼近”，是指做一些坚实的底层工作，而仅仅停留在应用层面，其实是对现有资源和行业地位的浪费。

因此，我们的“悟空”在未来的企业级AI办公平台建设中，将重点推进两件事：其一，将钉钉和阿里巴巴的所有技能拆解为CLI（命令行界面），这对AI友好，效率高，而且幻觉低。其二，在文档领域，AI能够读取文档内容，我们会将AI遇到的错误、人类干预的交互过程全部记录到文档中，我们称之为real doc。AI遇到错误时如何回滚、人类如何指导AI下一步操作、如何调整参数，这些都是极具价值的内容。在以往的人类与AI交互中，人类只关注文档的最终呈现效果，甚至会删除批注和操作过程，但这些内容对于AI的优化迭代而言，是巨大的损失。AI看待文档更注重过程，而人类更注重最终呈现，两者的思考逻辑存在差异。我们打造的real doc，以及刚才提到的CLI，在钉钉和“悟空”的设计中，完全是为AI服务、供AI使用的。

最后，是性价比问题。目前行业内存在一种风潮，以Token消耗多为代表、甚至为荣，我认为这种观点并不完全正确。人脑从未有过类似的逻辑——比如“今天我脑力不够了，多吃十个馒头，就会更聪明”。对于解决性价比问题，我认为可以参考——人类大脑作为智能领域最伟大的负墒奇迹，仅需20瓦的功耗，而GGPC集群约为2000GW，两者相差千万倍。这个负墒奇迹中最值得借鉴的，是如何让多智能体多任务高效工作。目前，钉钉和“悟空”正尝试在规模确定性方面进行探索，包括确定哪些内容可以封装成一个低功耗电路，例如我们刚才提到的CLI和real doc，都在我们的探索范围内。

杨燕青：邱达总提及了OS的两个关键要点：屏蔽硬件和应用。

硬件对操作系统至关重要，观察英伟达近期的大会，基于Token经济学，在高吞吐和低延迟两个方向上对硬件架构、系统和战略组合做了新的调整，以应对智能体模式的快速响应和低延迟。要做到屏蔽硬件，反而需要更强的硬件适配和组合。

在应用层面，钉钉将阿里内部众多过往的软件及AI能力进行了有效集成，借助命令行模式，让这些能力得以协同发力。此外，我还想提到开源生态的重要性。Open Claw和悟空整体上构建了一个开源生态系统的概念，在这个生态中，既有Open Claw、悟空，未来还会涌现出众多产品。尽管对于OS我们应心怀敬畏，但这些产品有可能就是OS前身。众多应用汇聚成一个开源生态，就会形成一个类似Unix这样的操作系统，AI应用在其上蓬勃发展。

Open Claw的出现，以及在此基础上升级的悟空，或许共同开启了一个AI应用的新时代。然而，AI应用最终还是要回归到企业层面。那么，大家的企业目前如何应用 AI，是否采用了类似Open Claw的模式？在应用过程中遇到的最大困难是什么？企业和AI组织在进化过程中又有哪些经验、挑战和困惑？

高曈：简单来说，牧原是一家养猪企业，规模比较大。中国每年消费7亿头生猪，其中超过7000万头来自牧原。也就是说，大家每吃十头猪，就有一头是牧原提供的。

作为一家大型养殖企业，我们对AI的发展和应用非常关注。养猪在中国是个古老行业，过去是庭院经济、庭院农业的代表，现在正快速走向规模化、工业化。在转型过程中，我们遇到了一个核心难题：猪场里老师傅和优秀场长的宝贵经验，很难被固化和复制。

这种经验传承的难度，远超过许多行业。因为养猪要面对的问题极其复杂，核心是猪的健康管理——猪什么时候生病、生什么病、该怎么治，这些判断高度依赖个人经验，很难标准化。

目前，我们正在尝试用AI解决这个问题。比如，在猪舍里部署声音监控设备，采集猪的咳嗽、喷嚏等声音，来分析是呼吸道疾病还是肺部疾病；同时，结合猪的采食、饮水、体温以及本场的抗原抗体检测数据，进行疾病预测。这相当于给饲养员配备了一位“AI兽医”，帮助他们提前发现问题。

但我们自己研发AI，最大的挑战在于过程数据的标准化。一次疾病从发生、发展到结束，中间有哪些状态、会造成什么影响，这些动态信息很难被系统、完整地记录和归纳。说到底，我们最优的养殖经验，目前还难以被完全标准化和固化，这是我们面临的最大困难。

杨燕青：将猪的物理体征、视觉信息，以及猪群之间的集体性语义交流数据整合，并进行预测和分析，在当前的前沿AI研究中是可行的。如果有一个技术实力雄厚的AI团队帮你完成这种多模态数据的整合与分析，那么你刚才提到的经验标准化问题，在理论和技术路径上是有可能被解决的，当然实际操作起来可能会比较复杂。

高曈：难度也比较大，有可能猪在生不同疾病的时候，表现是类似的，比如都会咳嗽。

杨燕青：从看似相同的表象中，通过多模态高维数据分析，找到背后不同的致病相关性和特征模式——这也许正是人工智能最擅长的领域。

高曈：是的，但我们必须回归到病原学的底层逻辑。AI识别出模式只是第一步，关键在于要弄清楚它究竟是什么病原体，因为我们的最终目标是治疗和免疫，这才是我们面临的最大挑战。这要求我们在兽医专业研究以及配套智能硬件上，都必须进行巨大投入。我们不能凭空捏造猪群可能出现的疾病，必须搞清楚病原的来源、治疗方法和免疫策略。

这正是牧原作为全球最大养猪企业所面临的核心难题，但同时也是我们最大的优势所在。由于我们在底层基础研究上的投入，其未来的回报和产业乘数效应将是巨大的。没有其他公司像我们一样拥有如此庞大的育肥猪群，我们可以解决这一问题并最终孵化出能够服务整个行业的养猪产业大模型。未来，我们完全可以跳出自繁自养的圈子，给行业输出非常有价值的服务和产品。

当前，我们正与钉钉在合作探索一个非常有意思的需求：我们希望打造一个强大的“数字员工”，并将其角色定义为“副场长”，这个“副场长”能主动发现猪场可能存在的问题、识别需要帮助的员工。这个角色的能力越强，就越能减少对个别优秀场长或封闭式管理者的依赖，从而让每一个养殖场都能达到相近的高水平，采用相近的管理标准与制度。

杨燕青：以当下AI的发展能力与速度来看，结合牧原对AI的整体应用情况，五年之后，牧原会发展成什么样子？

高曈：我们公司在设定目标时一直比较大胆。前几天网上有一篇很火的文章，是一位离职员工家属写的，里面提到：“想结婚，来牧原；想离婚，也来牧原。”

“想结婚来牧原”，是因为在这里养猪收入确实比较高，对家庭的经济支撑很大；“想离婚来牧原”，则是因为员工和场长一旦进入猪场，往往需要很长的工作时间——养一批猪最长要120天，整整四个月。如果未来数字员工系统足够强大，我们的员工就能清楚地知道自己的时间和精力应该聚焦在哪里，会用更轻松的方式工作。大家也会消除“想离婚，也来牧原”的这种想法，工作状态会更幸福、更平衡。

李杰：目前Open Claw已得到广泛应用，我们能明显感受到一个变化，如今嘉宾在会议上分享内容的丰富度、表达逻辑性以及话题趣味性，都较过去有了显著提升，而这一切，很大得益于AI的助力，用AI完成这类工作，效率非常高。

同时，AI的优势在于，你并不能清晰分辨出内容是否由它协助准备。一些分享者并非企业一把手，但他们对于行业洞察、未来发展趋势，以及企业应对变革所采取的关键措施，都阐述得十分到位。大家会发现，在技术平权得以实现、信息壁垒被打破之后，企业一把手及高管所面临的压力会愈发巨大——每一位员工都能接触到全量的技术平台和信息，在这种情况下，如何领导一支被AI武装起来的团队，是所有企业高管都需要深入思考的问题。

我认为，我们的工作范式必须做出改变。过去，我们习惯于从简单的信息罗列中筛选信息、做出简单决策，而未来，我们需要转向思考更为复杂的问题，核心高管团队尤其需要做出这样的调整。

作为管理层，在思考AI应用时，应当认识到它是一个循序渐进的过程。我们不必过度纠结于它在生产力技术层面的提升，更应关注大家是否真正在使用AI——使用的过程本身，就能够带来效率的提升。

就我个人而言，我用Open Claw创建了11个智能体，每个智能体都专注于某一专业领域的特定任务或能力，将它们整合在一起时，会发现它们就像是自己在各个专业领域的“化身”。这与大模型中的MoE架构——混合专家模型架构，有着高度的相似性。而且，当你给不同的智能体设定不同的人设和要求时，它们会成长出完全不同的能力。

我还有一个核心观点想分享：我们无需贩卖焦虑。从PC时代、智能手机时代、移动互联网时代，到后来的大数据、云计算、元宇宙，我们会发现，世界上所有的新概念，在中国都会经历一段“各领风骚数月或数年”的阶段。但我们无需过度关注这些概念，无论是在个人应用端，还是企业应用的提效增质方面，不必苛求AI在短时间内带来显著的实际变化和成果。

就像智能手机发展到今天，我们无需担心有人不会使用；当企业经营达到一定的信任度时，也没有任何一家企业能够脱离AI时代。在过去每一个新时代，没有人能够置身事外，就连我们曾认为最难被数字化的老年人，也被时代裹挟着一同前进。未来，工作范式的变革、新岗位的出现、新行业的兴起，都会解决我们当下因焦虑而产生的诸多问题。所以，放下焦虑，快乐拥抱AI，才是我们当下应有的态度。

回到居然之家的实践，我还有一个核心认知：找到企业的核心应用场景发力，不必盲目地去做所有AI能做的事情。以我们行业为例，设计就是一个非常好的切入点。我们自有一个AI设计平台，在智能体浪潮来临之前，这个平台更多是为服务者提升效率——比如帮助设计师运用AI设计能力，快速输出方案、解读客户需求、调整方案，这仅仅是简单的效率提升。

而随着智能体实现工具集成、能力集成，以及应用端全链路的打通，我们在用户界面设计上实现了质的飞跃。我们向普通消费者开放了这项AI设计能力，让他们能够运用原本专业的AI工具，设计属于自己的装修方案。我认为，“人人都是设计师”的时代即将到来。消费者只需通过简单的自然语言对话，就能描述出自己对生活方式、居住方式的需求，而且实现成本非常低。

因此，我在现阶段仍然认为，AI在解决标准化问题上的能力相对较强，而人类在处理个性化问题上更具优势——因为装修方案最终仍需要设计师进行一些微调。当然，AI的核心能力终究是提升效率，但对于我们这样的消费行业而言，如何用AI传递温度，是我至今仍在思考的问题。

最后，我想谈谈我们当下应用AI面临的一个重要问题——安全性。除了邱总提到的DNA、沙箱机制之外，未来钉钉生态中还有一个值得重点关注的方向，那就是skill生态的建设。如今，有部分人利用skill的漏洞，植入非法应用和能力。对于企业而言，自建所有能力的成本极高，因此，未来在开放的skill生态中，如何建立完善的防护机制，对企业来说至关重要。

朱建广：山东港口是全球最大的港口集团，2025年，我们的货物吞吐量达到19亿吨，集装箱吞吐量达4700万标箱。

港口的人工智能应用场景十分丰富，2025年，山东港口青岛港获批建设全国人工智能应用中试基地。我们系统梳理了港口人工智能应用场景图谱，将其划分为八大类、60多个应用场景，我重点分享其中三个在实际工作中应用效果最为显著的场景。

第一个场景是提升港口生产效率。港口作为国际物流大通道的核心枢纽，承担着全球90%的货物贸易运输任务，其运营效率直接影响全球贸易的整体效能。其中，码头智能调度是关键环节，该环节涉及100多套规则及上千个设备资源的动态分配，复杂度极高。人工智能技术擅长对这类参数规模大、工艺流程复杂的系统进行优化，因此我们在该领域的应用成效显著。通过建立智能调度算法模型，并持续开展训练与学习，不断优化参数配置及规则逻辑，有效提升了整体装卸效率，这也是目前我们应用效果最佳的场景。

第二个场景是安全生产管控。港口生产作业包含登高、动火、有限空间用电等各类高风险作业场景，而人工智能技术可快速、准确识别现场视频及图像中的环境不安全因素和人员不安全行为，及时发现违规操作，从而防范安全隐患。目前，山东港口日均生产作业达5000次，3万名员工实行倒班作业，所有作业环节均采用基于钉钉开发的致损系统——该系统前身为图片作业法，通过拍摄生产作业全流程画面，借助AI技术进行识别核查。例如，系统可自动识别作业人员是否佩戴安全帽、穿着工作服、具备相应资格证，作业现场是否按规范落锁、挂钩、观察，作业人员进出数量，以及动火作业现场20分钟后是否存在隐火等。这些看似繁琐的操作，因AI技术的介入，减少了人为干预环节，保证了每一步作业的稳定、可靠、安全。该场景是我们在港口应用范围最广的场景，3万名员工已取消作业票，全面采用该系统开展作业。

第三个场景是知识管理。港口知识管理涵盖内容广泛，我举两个典型例子。一是港机设备管理，港口属于重资产单位，港机设备种类多、数量大、参数复杂，每台设备的管、用、养、修均有严格规范的作业标准，借助人工智能技术，可实现港机设备管理的便捷化、规范化。二是危化品管理，山东港口每年作业的危化品种类达1500种。每种危化品的物理、化学属性各不相同，其装卸、存储、运输及应急处置均有严格要求，任何人员都难以在应急场景下快速获取准确的操作规范。而通过人工智能技术，可帮助相关人员及时、准确获取所需的知识与规范，该领域也是人工智能应用的重要场景。

在介绍完上述应用场景后，我也想说明一下我们目前面临的两大难题。第一个难题，人工智能的普及需要提升全民AI素养，这是一个循序渐进的过程。山东港口共有6万名员工，员工的AI素养参差不齐，部分员工具备一定的AI知识，但更多员工仍需时间学习掌握。此外，部分应用场景的真实需求尚未被充分挖掘，这就需要既懂AI技术、又熟悉业务场景的专业人才，深入挖掘场景需求，这一过程仍需持续推进。第二个难题是数据质量。没有高质量的数据集，人工智能相关工作便难以顺利开展，而高质量数据集的构建并非一蹴而就。举一个例子，在理货环节，我们可通过视频获取货物的数量、质量及残损信息，但这要求视频图像质量达标、拍摄位置规范、标准统一。然而，过去建设视频系统时，所采用的产品各不相同，拍摄角度也不一致，这些问题都需要整改完善。

杨燕青：请大家给钉钉提出一个极具想象力的业务需求。这个需求无需受到任何限制，只要是从长远来看AI有能力实现，但目前尚未涉足的领域，都可以提出来。

李杰：我先提一个当下即可落地的需求：将消息已读状态改为可编辑的设置。目前，我们所有钉钉群的消息已读状态均为默认开启，发送方可以看到接收方是否已读。其实我们当下探讨智能代理、探讨OpenClaw，未来的发展方向不应是让我们更内卷——正如OpenClaw创始人所分享的，希望让“度假式工作”从理想变为现实。此外，五年后，我希望更多Agent介入我们的工作后，不会让我们的管理半径进一步扩大、工作更加内卷。过去交通很慢的年代，人们的生活反而更具幸福感。

朱建广：我希望钉钉能为AI启蒙事业贡献力量。

邱达：我们会将这些需求带回团队研究。关于“已读状态可编辑”这一需求，我们此前已进行过相关调研，这涉及用户人性及心理层面的分析。对于钉钉这样的公共产品而言，更快速地响应市场及业务端的反馈，让用户获得更直观的体验，是我们必须做好的事情。我们会带着这些建议，持续迭代优化产品。

杨猛：我认为在未来，群的业态与形态必然会发生巨大变革。在智能化时代，群所具备的可被赋予的组织形式、定义以及功能，都将迎来全方位的改变。甚至有可能，未来我们无需再以传统的群形式进行交流互动。因为那时，云对话交互将成为主流，智能系统能够精准理解我们的意图，无论是听觉层面的理解，还是后端智能体的快速反应，都将让沟通变得无比幸福、简易且高效。到了这种形态，很多现有的群相关问题或许会自然迎刃而解。

另外，对于钉钉而言，目前面临的最大挑战在于能力与用户需求之间的匹配鸿沟。这个鸿沟体现在两个方面，一是我们拥有哪些能力，二是我们这些能力能够做什么，以及如何与用户需求在最优、最关键的节点上实现及时对接与解决。这始终是我们不断努力的方向。