数据正直接影响大模型的性能边界，也是 AI 能否真正在企业侧落地应用的关键。今年 6 月，Meta 以 148 亿美元收购人工智能初创公司 Scale AI 49% 股权，让数据标注与 AI 训练服务赛道一跃成为大众焦点。
在钛媒体 2025 ITValue Summit 前瞻之 AI 落地指南系列直播中，钛媒体集团联合创始人、钛媒体研究院院长万宁与星尘数据创始人、CEO 章磊，以及水木清华校友种子基金管理合伙人丁昳婷围绕数据对于企业落地 AI 的重要性，以及企业如何更好地落地 AI 应用等话题展开了讨论。
从对话中，章磊表示，AI 演进路径具有明确阶段特征：从 CV（计算机视觉）、NLP（自然语言处理） 等简单模型落地，到自动驾驶依赖大量感知型数据标注解决常识问题，再到认知型问题阶段，当前已进入专家型知识学习、交互型知识学习及具身智能与环境数据交互的新阶段。
而伴随这一演进趋势，数据价值显著提升，“ 从单条几毛、几块钱，升至几十、几百甚至几千元，且需求‘ 无穷无尽’”。章磊进一步指出，“ 因 AI 依赖人类标注数据持续学习，未来几十年内仍需人类提供数据，而 AI 将不断突破数学、物理、DNA 等领域的知识高峰，这正是星尘数据的核心价值所在。”
无独有偶，丁昳婷也表示，AI 发展过程中，“ 数据基座” 至关重要，“ 无论 CV、自动驾驶还是大模型阶段，优质数据获取都是行业应用 AI 的前提。” 丁昳婷强调道。
同时，丁昳婷与章磊均认为，AI 技术并不是“ 护城河”，数据才是。数据“ 护城河” 有两种形式：一是拥有独特，且能持续变现的数据；二是构建数据“ 越滚越大” 的业务模式，“ 企业 AI 能力的本质是数据规模与质量的迭代，而非模型本身。” 章磊如是说。
而当前企业级 AI 应用落地也面临着很多挑战，这其中大模型的“ 幻觉” 问题是当前 AI 应用面临的灾难性后果之一。特别是在医疗诊断、法律咨询、金融分析等对准确性要求极高的场景，一次微小的幻觉都可能导致严重的经济损失甚至生命危险。章磊强调，企业 AI 落地的“ 幻觉” 问题 （模型生成错误信息） 根源并非技术或架构，而是数据质量 （噪音、重复、矛盾等“ 脏数据”）。
针对此，章磊指出，解决幻觉问题并非单纯依赖模型架构的优化，更需要从源头数据的纯净度、准确性以及覆盖全面性上发力。通过构建高质量、低噪声的数据集，并辅以严谨的数据校验与清洗流程，我们才能有效“ 驯服” 大模型，使其在复杂应用中保持严谨性和可信度。
章磊也给出了星尘数据针对大模型“ 幻觉” 问题的解决之道—— 高质量训练数据的编排，他介绍称，星尘数据通过 MorningStar 平台整理企业业务思维链，形成“ 教科书” 式训练数据，提升模型在特定场景的推理能力。
附上本期直播时间轴，帮你快速跳转感兴趣的部分
00：03：39 AI 发展的几个阶段
00：10：04 资本如何看待 AI 公司的发展前景？
00：15：55 AI 对于企业的意义和价值
00：24：18 企业在训练模型的过程中，还有哪些问题？
00：34：25 资本对 AI 赛道和对企业有什么判断？
以下为对话实录，经笔者整理：
万宁：星尘数据在数据标注领域进入的传统业务有哪些？
章磊：星尘数据是国内最早一批专注于 AI 数据的创业公司，经历了每一波 AI 创业浪潮和 AI 技术的颠覆，并且深入与每个时代处于“ 风口浪尖” 的公司进行了合作，帮助他们创造了更大的价值。从最初 NLP 应用，到 2018 年前后的自动驾驶，我们为几家车企从 0 到 1 解决了他们首款量产 （自动驾驶） 车辆的算法问题。在大模型问世之后，我们也与头部的大模型公司进行深入的合作，共研创新技术，解决大模型发展中遇见包括幻觉、指令跟随等在内的各种问题。
我们观察到 AI 的演进路径是：从最初的 CV、NLP 等一些简单的模型算法的落地，到自动驾驶，需要通过大量感知型数据标注来解决常识性的问题，再到认知型的问题，再到现在，随着大模型学习互联网知识已经告一段落，就进入了专家型知识学习和交互型知识学习的阶段，还有就是像具身智能等与环境进行数据交互的阶段。
此外，数据也从低价值阶段向着高价值转变，原先一条数据可能几块钱、几毛钱，但是现在一条数据可能几十块钱、几百块钱，甚至几千块钱。
在此基础上，未来到底还需要多少数据呢？—— 这是目前大家经常问的问题。我认为答案是：无穷无尽。因为我们需要依赖一套底层技术—— 机器学习，学习的内容就是我们标注好的知识，或者一些交互型的知识，学习的过程是无穷无尽的。如果机器能够达到自我学习了，那么人类的意义又在哪里？但这一天离我们还很遥远，至少在未来的几十年内，AI 还需要不断通过人类提供的数据进行学习和演进，同时学习的方式和内部机制也在不断演进。接下来的几年，我们仍然可以看到，AI 会不断攻破一个又一个人类认为不可企及的知识高峰。这里面包括了数学竞赛的问题、前沿物理学，以及 DNA 基因等方面。这是我认为星尘数据存在最大的意义。
从数据标注行业角度出发，我们也从由互联网、科技公司领投的企业，到自动驾驶、车厂领投的方向，再到接下来我们已经做了很多央国企，比如能源、交通、法律、金融保险等领域，现在各行业都有我们的应用案例。这是因为模型的门槛已经下降到各行各业都能够应用的阶段。在这个阶段，星尘数据不仅提供数据标注，还提供了数据平台、模型搭建的解决方案、顾问等服务，帮助各行业企业真正通过 AI 实现赋能。
万宁：请介绍一下水木清华基金，以及从投资人角度出发，如何看待诸如星尘数据这样的 AI 创业企业的未来？
丁昳婷：水木清华校友种子基金主要专注于投资清华校友相关的初创企业。我们成立于 2014 年前后，陆续进行到了第五期基金。在 AI 方面，从之前的 CV，逐渐到大模型相关的 AI 技术，清华校友圈从事 AI 行业的人很多。所以我们也比较早开始在 AI 方面的投资，从上一代 AI 开始，到大模型，再到具身智能等方向与相关产业都投了很多项目。比如星尘数据这样的企业，还有一些 AI 安全相关的企业。我们创立的初衷就是致力于成为清华校友创业第一站，给予校友在早期创业的科技项目提供一些帮助。
关于 AI 应用方面，我认为数据基座是非常关键的，近段时间也能感受到大家对数据的关注度很高，包括硅谷投资热点也在向数据相关领域转移。
从我们的观点出发，无论是之前的自动驾驶，还是模型数据，甚至是 CV 技术的阶段，大量优质数据的获取一直都是各行业能够应用 AI 技术的前提。我们认为星尘数据所做的事情，就是在 AI 的“ 掘金” 时代“ 卖铲子”，为 AI 提供了核心要素，提供了标注能力，以及对整个世界理解的能力。这点在国际上也是，比如一些与星尘数据类似的美国企业，在美国也得到了资本界的认可，估值也很高，这也体现了资本市场对于这个环节价值的认可度。
基于此，我们认为，不管 AI 发展到了什么时代，数据一定是基础，就像刚刚章总所说的，随着 AI 向各行各业渗透，大家在希望更好地拥抱 AI 的过程中，数据这个环节的价值会越来越大，越来越受重视。
万宁：回溯技术的演进，AI 在企业的意义和价值是什么样的？
章磊：我相信当下，绝大部分企业都会购买 DeepSeek 的一体机，但当部署了之后，DeepSeek 是否真正解决了公司业务当中的问题？我相信很多公司的答案都是：没有。
为什么？因为 DeepSeek 学的是互联网知识，通用知识。但在企业内部业务环节，每家企业的业务知识都不一样，怎么样能让一个通用大模型去解决私有化业务场景中的问题呢？我认为，最好的办法就是：通过企业私有化的数据，训练出一个私有化的大模型和私有化的 AI 技术，这是现在大多数企业所面临和忽略的一个问题。
同时，我认为一些简单的推理问题、信息检索的问题，可以通过 RAG 解决，但企业最核心的业务的问题，仍然需要私有化大模型去解决。而且，很多企业都存在信息墙—— 内部信息是不能通过外部通用大模型使用的，而这个时候，就更需要一个私有化的大模型。
在这个过程中，企业会面临很多问题。首先是“ 幻觉” 问题。幻觉问题不是技术问题，也不是架构问题，而是数据质量、数据分布、数据重复、数据矛盾等问题，有噪音，以及“ 脏” 数据，都会导致幻觉问题。这个问题就需要通过高质量编排的训练数据解决。
星尘数据通过 MorningStar 这样一个以数据为中心的数据平台解决这些问题。同时，还需要区分业务逻辑和知识之间的关系。很多时候问一个带着业务逻辑的问题，不仅是一个通过知识+通用落地就能回答的问题，而是需要有业务逻辑关系来解决的。我们通过 MorningStar 平台将客户的业务思维链整理出来，让其具备特定业务场景下的推理能力，再结合业务中的数据，梳理好一本精心编排的“ 教科书”，让模型进行学习。
另一个挑战是：正在被逐步解决的多模态的问题。如何将业务中 Word、PPT 这样的文件，转化为一条条的训练数据，需要一个转化过程，这个过程可能是半自动化的，也可能是全自动化的。当然，在这个过程中，我们也碰见过数据量不够的问题。一些企业当中，真正了解业务的人往往是企业高管，这些高管的时间十分宝贵，可能一周都安排不出一小时与我们进行沟通建设思路之类的问题。所以，在这方面，我认为多模态业务数据，再加上核心业务人员的时间投入是必要的，这样才能将一些类似于工业内部智能制造的数据，结合到企业真正业务过程中，真正落地好 AI 应用。
综合来看，要解决企业内部问题，不仅需要一个锤子 （工具），还需要企业有“ 能工巧匠”，同时还要有时间的投入和耐心，以及公司内部达成落地 AI 应用的共识和决心，才能真正解决 AI 落地的问题。
万宁：除了业务人员时间投入不足之外，企业在训练模型的过程中，还有哪些问题？
章磊：第一点，企业一定要有耐心。就好像人们对自己的子女有很大的耐心，能够反复地传授他们知识、培养能力，一点点地成长。AI 的学习能力比人要强很多，但这个学习的过程也需要人们给予更多的耐心。
第二点，在应用 AI 方面要有决心，因为 AI 已经是一个不可逆的趋势。我们发现很多企业的业务人员内心还存在侥幸，他们觉得，AI 不好用，就不用了，公司就不推广 AI 应用了。这是不可能的，公司肯定会推广 AI 应用，只不过是快慢的问题。
第三点，管理层要制定好机制。让中层、一线员工，有足够的时间使用 AI、迭代 AI、磨合 AI。同时还要推行良好的管理机制、竞争机制、分享机制，将资源分配到 AI 应用上，才能做好 AI 落地。
第四点，企业不要“ 单打独斗”，要通过生态解决问题，而不要内部自己研究。像星尘数据这样的，具备充足行业解决方案经验的公司有很多，即便企业所处行业有一些独特的问题，也能通过其他行业的一些经验，加速企业在行业内落地 AI 应用的进程。
万宁：在 AI 落地，以及智能体落地的过程中，星尘数据会给客户怎样的建议？
章磊：我觉得要在有耐心的前提下，做到“ 小步快跑”。一个项目需要从前期咨询/沟通、数据策略、模型架构策略、设计，到小规模验证，然后再到大量数据合成、标注，准备好数据，再到模型训练、部署、应用、集成，最后再到数据迭代、模型迭代，是一个很长的链路。这个过程中，也会出现刚刚提到的幻觉、思维链不对等问题，这些问题就需要一点点去解决。没有一个企业的业务问题是可以通过通用大模型一下就解决的。
举个例子，比如法务行业，客户需要撰写某一个专业领域的法务合同。这个过程中就会遇见很多问题，比如，无法通过 RAG 进行多份合同的冲突分析、证据链构建，法律原则适用度判断，这些都无法通过信息检索来解决。就需要通过先学习法律基础知识，内化法律语义和推理，然后构建复杂的证据链，沉淀专家经验，再将专家策略逻辑写成代码，转化为可以训练的内容，这些都需要一点点迭代完成。
再比如制造业。需要多模态的能力，而 RAG 很难通过图像特征、工艺参数深度关联，进行参数溯源，复杂因果推理，工艺优化建议等能力，这时候模型就需要学习制造工艺材料学等一些知识，并在多模态数据上进行溯源归因，将专家经验沉淀下来，这个过程也是漫长的。
像 RAG、Agent、Workflow 都属于工程类，是人类逻辑能够快速理解的，我相信企业业务人员肯定会有比较聪明的人，能够快速地掌握这些工具链去解决问题。但真正要解决数据的问题，才能在这些工具链上解决问题。我们认为，Agent、Workflow 是一个短暂过渡的产物，当 GPT5、GPT6 出来之后，你会发现，其实不需要这些工具流，因为它是一个人的逻辑链，而真实的问题复杂度非常高。
就像自动驾驶，原先在 L2 的时候，车企为了赶交付周期，写了上万条规则，但后来特斯拉就使用端到端，将规则全部内化成深度的信息。我相信大模型也是一样，通过 Workflow 会发现，补丁加了很多，规则加了很多，最后很难网签执行，因为它只能解决一个具体的小问题。但如果它是一个公司的业务大脑，最后公司的业务形态也会转变，原来是以人为中心，计算机辅助，现在是以模型为中心，人不断“ 喂养” 这个模型，这样模型才能越来越好用，真正解决企业的问题。
万宁：作为投资人，在 AI 落地方面，对赛道和对企业有什么判断？
丁昳婷：AI 已经从原先的提升某个环节的效率，走向大家更期待 AI 能够直接交付一个结果，或者说是深度理解业务流，然后帮助企业在某些业务中，交付更好的结果。
我们看到在很多行业，或者说业务方向上，AI 更容易落地。比如在 AI 营销，或者客服 （售前），通过学习大量数据，与顾客进行沟通，或者售后方面的一些预沟通。这些相对容易落地的方向，已经有越来越多的团队涉足这些领域。
如果要更深入到整个企业的流程中，就需要与业务深度绑定。以制造业企业为例，制造业涉及了生产过程管理、产线管理，就需要 AI 理解一整套系统，需要有人理解整个业务流程是什么样的，然后让 AI 学会整个业务流程。然后再将 AI 的能力逐步深入渗透到业务的各个环节。
在这个过程中，也有很多困难需要解决。比如在多 Agent 协同减少人力成本的过程中，就可能面临几个问题。一个是标准化，可规模化复制的能力。比如一个龙头客户将某个场景下的 AI 能力迭代了一遍，这个能力能否具备向同行业，甚至跨行业客户迁移 （复用） 的能力。投资机构在评估的时候，也会考虑这些因素。
在我看来，当下是一个传统行业+AI 的机会，传统行业本身具有了丰富的行业 Know-How，能将 AI 的能力在应用过程中，进一步提升。而对于创业公司来说，他们可能缺乏行业深度业务流程的理解能力。
但从另一个维度上看，越来越多的创业公司将标准化的能力抽象出来，主要解决一个方面问题，就有可能在更多的行业 （场景） 中复用。这就需要整体生态的支撑，不同的团队，侧重不同的方面，比如有的团队就通过大量行业专有数据，打造好垂类的行业大模型。
在某些行业 AI 对生产力的提升已经很明显了。比如在编程领域，国内外有大量公司布局这个方面的业务，通过 LLM 语言模型，在编程方面能够替代大量的人工。同时，AI 编程也可以帮助一些原来不会编程的人，通过轻量化的方式，构建个人网站。现在已经有一些公司具备了这样的能力，能够帮助用户快速地构建一个相对标准化的产品。
总结来看，无论在企业侧，还是个人侧，AI 都在越来越多地替代我们身边的角色，这个过程中，有很多多样化的需求，有一些容易用 AI 实现的功能，已经有很多初创公司推出了“ 百花齐放” 的产品。但从另一个角度来说，离真正的解决专业性极强的行业场景还有比较远的距离。这就需要构建完善的生态，通过行业专有数据，进行结合。
我们也看到了一些现象—— 现在很多大企业都非常迫切地寻找一个强力的 AI 团队，他们认为有了这个团队，就能解决公司的问题。在这个过程中也有一些难题。比如，虽然老板的决心很强，但在专业性方面，对流程并不是很理解的情况下，很难评估工作量、协同资源、计算投入。所以究竟什么样的人员构成，以及什么样的业态才能更好地帮助传统行业进一步实现 AI 转型，也是目前行业内在讨论的一个热议话题。
万宁：在 AI 已经是必选项的背景下，很多企业希望通过多 Agent 协同来落地 AI 应用，但大多数企业的费效比并不是很好，您如何看待这个问题？
章磊：我觉得核心的问题是管理的方式还有待提高。我们内部管理层开会的时候，也说要倡导员工拥抱 AI。其实我们自己也需要拥抱 AI，因为不是每个星尘的员工都是算法工程师，都懂 AI，我们也有大量业务人员。这种情况下，首先我们就有一些体系上、制度上、财务上的支持。比如，给员工报课，每周进行分享，然后在评级的时候，将使用 AI 算在评级内。招聘的时候，我们要求应聘者对 AI 有强烈的兴趣。
第二点，要有机制。比如我们帮助客户打造了业务问答助手，也会告诉客户打造完不是终点，而是起点。因为这个助手现在将将够用，但企业若想要将它打造成内部业务助理，就需要与员工进行大量的交互，并且企业需要专门安排一个员工实时监测问答效果好不好，不好的数据需要剔除。比如星尘的 MorningStar 平台就有这么一个功能：将不好的答案自动挖掘出来，自动收录起来，生成新的数据，再进行训练，形成一个迭代的思维。
在管理层上，需要管理者将员工拥抱 AI 的热情慢慢调动起来；在数据层面、模型层面，需要不断对模型进行迭代、优化。
这个过程中，相对于 ChatGPT 这样的几百 B 参数的通用模型来说，企业需要的是真正能解决业务问题的小模型，可能 20B、30B 参数的模型就够了。关键是要将企业内部数据存下来，整理清楚。所以，模型架构不是阻碍 AI 落地的关键，阻碍 AI 在业务上落地的主要瓶颈是数据、机制、企业文化和管理迭代的过程。
企业需要设计一个机制，让数据能够迭代起来，就像今年红杉 AI 大会上，有的合伙人就说：我们投 AI 公司最大的逻辑是看这个公司有没有数据护城河，因为 AI 技术本身没有护城河，只有数据才有护城河。
所谓数据护城河，一种是，你的数据是不是别的企业没有的数据？并且你还能持续地通过这些数据赚钱；另一种是，打造一种业务模式，可以让数据在这种模式下，越滚越大。
对于企业而言，走到最后企业的核心竞争力就是：企业能不能通过 AI 提升业务能力，AI 能力越滚越大的背后，不是模型越来越强，而是数据越滚越大。
万宁：在行业 Know-How 等数据越来越重要的背景下，创业企业的机会还多吗？
丁昳婷：这不是一个很好回答的问题，我结合自己的理解来解答一下。
首先，我很赞同章总的观点—— 数据肯定是最重要的护城河，尤其是一些垂直行业落地应用的过程。而什么样的数据才能形成一个高效的解决方案，对于整个团队来说是一个非常大的挑战。有些传统行业企业，虽然有丰富的数据，但对于 AI 没有深度的理解，并不清楚 AI 的工作流是如何进行的，并且在数据结合模型的时候，通过什么样的方式，能够将这些行业 Know-How 更好地“ 喂” 给 AI。这些过程都具有很强的专业性。但从另一个维度上看，这个过程中本身还是依赖于数据。
这两个方面缺一不可：一方面，企业需要拥有大量的原始的、高质量的数据，另一方面，企业需要知道如何将这些组织在一起。
很多时候，行业模型并不是垂直大模型，加一些行业数据的微调就能解决的。而是需要在模型架构上，进行针对性的设计，核心要求是：最适合业务场景的模型，这就需要很多 Know-How。
所以，我认为初创企业与传统企业的协同缺一不可。一方面，传统企业有大量原始数据，但是仅凭这些原始数据也不足以支撑在 AI 落地方面走得更快；另一方面，初创企业对于如何利用好这些数据，有着更充分的理解，结合在一起才能走得更好。
包括在企业组织架构问题方面，我也觉得是一个非常关键的问题。因为人具有一定的多样性，允许在业务中存在模糊空间，但 AI 需要有一个非常精准的定位。所以，原先一个人的工作，需要拆分成几个不同的业务流，专门干某一项工作。然后再用比较高效的方式，将这些工作流组织起来。这就需要企业管理层对业务流程有着清晰的认知，并不是有一个 AI 应用，就能将原先的员工取代了。从这个维度上看，就需要企业创新组织形式，适应 AI 的能力。
我们也观察到，有一些行业，行业的组织方式在 AI 的影响下，正在发生变化。比如医疗行业。AI 加入到医疗行业中，与原先的医生、医护是一个什么样的协同方式，甚至是收费方式，可能都需要进行一些调整。从这个角度出发，有一些业态需要改变，并不是基于原来的模式，能实现 AI 的原位替代。
从组织形式上讲，我认为传统行业的行业 Know-How 与对 AI 有深度理解的团队人员都是必要的。只有这两种员工组合在一起，才能在 AI 落地这件事上，走的比较快。
章磊：我补充一下。在硅谷有一家专门卖“ 专家” 的公司发展得非常快。他们拥有医疗、法务、制造、工程等在内的多个行业的专家，然后同时还具备一个特点—— 这些专家又同时懂一些基础算法知识。这些专家知道如何能将业务知识转化为可训练的数据，进而在企业内部打造 AI 能力。
基于此，我觉得，未来，无论是星尘，还是企业侧，AI 的发展需要“ 双料冠军”，这种人才既非常懂业务，又知道如何将行业 Know-How 转化成 AI 能吸收的知识和数据。星尘数据也已经开始搭建专家人才网络，其中不乏一些行业资深的专家。
因为我们看到，越来越多的客户，核心业务人员十分忙碌，在这个过程中，我们如何能够快速地通过我们自己的专家了解到企业业务方向，并且能快速地将这个方向翻译成 AI 的训练数据，就相当于我们给客户搭建了一个专家团队，快速地抽取出企业业务知识，转化为搭建 AI 模型需要的。这个过程就能看到数据公司在其中的价值。
当然，光有懂算法的老师傅还不够，企业还需要工具链，以及一套完整的工具流，推动 AI 应用落地。这也是我们搭建 MorningStar 平台的原因，也是我们面向未来 AI 和 AI 数据机遇的一个布局。
万宁：企业在落地 AI 应用过程中，最值得关注的问题有哪些？（面向企业 CIO 管理层）
章磊：第一个是，企业管理层真的准备好了么？真的搭建了一个 AI First 的企业文化了么？如果只是嘴上喊口号说“ 我们要用 AI”，那永远不会成功。AI First 的企业文化意味着，企业的保障制度、激励措施、资源分配，还有基础设施等方面的准备都需要到位。
第二个是，企业是否愿意为了“AI 信仰一跃”。这句话的意思是：之前在互联网时代 （或者说在 AI 之前的所有时代），人类的商业行为依赖于计划、执行，然后验收。但在 AI 时代，企业不知道需要投入多少，但是得在基础设施、人才、数据、训练成本等方面进行投入，成本是不可忽视的一部分。企业的 AI 落地就像 ChatGPT 时代一样，在看不见确定性成果的前提下，企业愿不愿意为了信仰而不断前行。如果企业就抱着“ 我先花几十万试试” 的态度，那是一种玩法；另外一种是—— 企业就抱着“ 背水一战” 的态度，一定要将 AI 落地，那又是一种玩法。
万宁：丁总，如果您作为提问者，在面向数字化领导者 （CIO） 提问的时候，关于 AI 落地过程中，需要注意的方面，您会提出哪些问题？
丁昳婷：我可能更多的从对数据认知的角度进行提问。这其中有一个实际的挑战是：像星尘数据这样的涉及 AI 业务的公司，在出海的过程中，面临着数据规范、数据安全的挑战。
这就引出了一个实操的问题，比如一些大型互联网公司出海的过程中，在当地的数据，用什么的方式能够比较合理地被一家中国的互联网公司纳入到模型体系中，然后再为当地的客户进行服务。越是像医疗、金融这种比较核心的层面的企业越会遇见类似的问题。
比如，企业将来希望具备全球化复制的能力，在国内已经将模型初步打磨好，在海外就需要注意如何能够更好的完成模型、Know-How 的跨境，需要注意的点，这是出海企业面临的共性问题。
万宁：对，AI 伦理和合规的话题，已经不是选择题，而是必答题。未来，所有企业都希望成为全球化的企业，在这个层面，就需要企业在一开始底层业务逻辑上就需要考虑这个话题。而在这个方面做好相关战略的规划，已经是企业当下需要考虑的问题。
评！加入创新场景 50 榜单评选
2025 年度 「创新场景 TOP 50」 榜单评选征集启动
申报日期：即日起~8 月 22 日止
公开投票及专家评审：2025 年 8 月 23 日起~8 月 31 日止
申报链接：https://m.tmtpost.com/post/cj50（请使用 PC 端申报，暂不支持手机端）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
