AI的规模化部署，卡在哪里？当AI全面融入核心业务，我们又该如何真正地信任它？

面对如火如荼的AI浪潮，这两个问题几乎成为横亘在全球所有企业的技术理想与商业现实之间的难题。它们关乎信任，关乎效率，更关乎AI能否从实验室落地，走进每一条生产线。

作为曾任职于高盛、软银与 Bessemer Venture Partners 的科技投资人，李佳咏是少数长期参与 AI 技术评估、投资决策与产业落地的从业者之一。在长期从事 AI 投资与产业研究的过程中，李佳咏以对 AI 可规模化与可信性问题的系统性判断，在业内形成了鲜明的个人方法论。她的判断正在影响企业如何构建 AI 时代的基础设施，本次对谈集中呈现了她对 AI 产业未来结构性变化的核心判断。

李佳咏职业生涯的前半段，是一条典型的顶尖投资人成长路径：从高盛、软银，再到Bessemer Venture Partners （简称“BVP”）。软银是全球最重要、也是规模最大的AI投资机构之一。而BVP则是硅谷历史最悠久的风投机构之一。这段横跨金融、战略投资与深度科技的履历，加上她独特的“硅谷-亚洲”双重视角，让她既能看到技术的星辰大海，也深谙规模化落地的复杂暗礁。

现在，她选择开启职业生涯的下一程——加入AI基础设施创业公司DataHub，担任首席参谋官（Chief of Staff，简称“CofS”）。这家公司并不训练眩目的大模型，而是专注于AI时代的元数据管理，致力于解决数据的一致性、可追溯性与系统协同问题。她的转型使其成为业内瞩目的一个代表性人物——少数能够同时理解资本、技术与企业级系统复杂性的从业者，开始直接参与 AI 基础设施建设。

李佳咏认为：“今天的模型已经具备很强的推理能力，但它们并不真正‘理解’现实世界。”她相信，只有当AI具备持续、可靠的上下文（Context）支撑时，技术才能沉淀出长期价值。她正从一个资本的审视者，变为这块关键“地基”的建设者。

以下是福布斯中国与李佳咏的主要对话内容（经整理）：

01

AI是持续演进的技术路径

Q：在顶级投资机构的经历为你沉淀了哪些核心能力？这些能力如何影响你对 AI 产业的判断？

李佳咏：高盛是我进入投资领域的第一站。这段经历为我打下了非常扎实的基础——如何理解商业模式、企业增长和盈利的权衡。它让我建立起一种从宏观结构和长期回报角度看技术与企业的思维方式。

我真正系统性进入 AI 领域，是从软银开始的。当时虽然大模型尚未全面落地，但投委会在评估每一个项目时，都会非常严格地审视其“AI angle”——是否已经在使用上一代技术，例如机器学习和深度学习，去实质性地优化业务流程和决策效率。这让我意识到，AI 并不是一个突然出现的概念，而是一条持续演进、逐步落地的技术路径。

相比之下，BVP处在更早期的投资阶段。除了商业模式判断之外，还需要对技术本身的可行性，以及团队是否具备长期进化能力，有更直觉和全面的理解。我在BVP的那段经历，恰逢大模型技术快速发展的阶段，也让我观察到许多软件公司在这一轮技术变革中所经历的结构性变化。

从偏晚期、以规模和结果为导向的机构，到更早期、以技术与团队为核心的风投机构，这样的转换帮助我逐步沉淀了对AI行业的系统性认知，也让我更清楚地理解一家科技公司在不同发展阶段，所面临的核心挑战和关键决策是如何变化的。

Q：为什么从投资人转向AI 基础设施领域？哪些行业趋势最早引起了你的关注？

李佳咏：多年从事一线投资，“募、投、管、退”我都有涉猎，参与过很多公司的投后支持环节。我意识到投后管理的学问很深，每月一次的常规沟通会议，远不足以真正理解一家创业公司在快速成长中面对的真实挑战。我希望自己的价值贡献不止停留在判断和建议层面，而是可以在合适的阶段，深度参与业务的增长和运营。

在BVP的时候，我们自己也投了AI基础设施公司。看到无论是开源还是闭源模型，它们的能力范围一直在收窄。随着AI从研究阶段逐步走向生产环境，系统复杂度显著上升。其实很多关键问题并不出现在模型层，而是集中在数据的一致性、可追溯性、上下游依赖关系以及跨系统协作上。

正是在这一阶段，我开始持续关注像DataHub这样专注于数据与 AI上下文基础设施的公司。它们所解决的，正是企业在真实生产环境中，如何让数据、模型和业务决策之间形成可解释、可治理、可持续演进的系统。从投资研究和长期行业观察的角度来看，这类基础设施能力，往往决定了AI能否真正从“可用”，走向“可信”和“可规模化”。

02

从可用，走向可信和可规模化

Q：什么是上下文基础设施？

李佳咏：企业引入AI，常常是从试点开始的。初期的Demo项目通常表现亮眼，但这类 AI 系统存在明显局限：它们依赖人工筛选、清洗后的标准化数据，问题范围相对有限，背后还有工程师随时介入修正。

而真实的业务环境中，数据往往来自多个系统，同一指标在不同部门有不同的口径，数据更新频率和上下游依赖更加复杂。这时，模型给出的答案在逻辑上看似合理，在业务层面上却是错误的。更关键的是，企业往往无法快速追溯，这个结论到底依赖了哪一份数据、哪一层定义。

所以当企业试图将AI从试点阶段，升级为支撑全公司业务决策的核心工具时，就非常需要构建上下文体系。企业需要清晰定义每一项数据资产的归属模块、所有权主体和实时状态。唯有建立起这样的上下文，AI智能体才能真正接入企业的业务系统，做出有依据的决策。

此时，AI的每一次判断，都不再是数据孤岛中的随机输出，而是基于企业完整业务上下文的逻辑推理。这时候在企业内去推行AI智能体帮忙优化业务流程、驱动决策升级，就变得更加可靠了。

Q：你的“硅谷-亚洲”视角非常独特，你认为硅谷和亚洲市场在AI基础设施上有什么差异？

李佳咏：硅谷与亚洲市场的技术能力都是非常强的。我觉得差异更多体现在系统建设的优先级和演进路径上。

在硅谷，AI与数据基础设施的建设，往往从一开始就服务于高度复杂、长期运行的企业系统。许多企业在引入AI之前，就已经拥有相对成熟的数据治理体系、权限管理、审计流程和跨系统协作机制。AI 能否落地，往往取决于它是否能够被安全地嵌入这些既有系统中，而不是单点效果是否足够惊艳。这也是为什么在硅谷，AI 基础设施更多围绕“可解释性、可追溯性、长期可维护性”展开，而不是只追求短期效率提升。

相比之下，在亚洲市场，AI 的落地往往更强调应用效率和场景驱动。在一些2C或2G场景中，需求相对集中、决策链条更短，AI 可以更快进入实际使用。例如在政务、金融或行业垂直应用中，AI 常常被直接嵌入具体流程，用来解决明确的问题，而不是先搭建一整套复杂的底层体系。这使得亚洲市场在落地速度和场景多样性上具有明显优势。

但是，随着AI开始进入更核心、更高风险的业务环节，这两种路径正在逐渐收敛。在亚洲市场，越来越多企业开始意识到，如果缺乏数据治理、上下文管理和系统化基础设施，AI 很难在规模扩大后保持稳定和可信；而在硅谷，随着 AI 能力不断增强，开始倒逼企业重新思考如何加快决策和应用层创新，不仅仅是完善底层架构。

Q：在硅谷的AI生态中，你的跨文化背景能发挥出哪些核心价值？

李佳咏：我认为这种背景的核心价值，在于理解哪些AI的know-how可以跨市场迁移、哪些不能被简单复制。

像我刚才介绍的，硅谷在围绕AI的产品设计、技术路径、组织协作和企业级落地，积累了大量成熟的方法论；亚洲市场在商业化推进、场景落地和规模执行上，有非常多值得借鉴的成功经验。

长期接触两边的项目，让我能够建立一套相对清晰的benchmark，能够判断出哪些经验是可以复用的，哪些则必须结合本地市场条件重新设计。

我即将就任的首席参谋官，是硅谷科技公司的常见角色，它更像是一个组织能力的放大器。在硅谷科技公司中，这一角色通常只由具备深厚行业判断力与战略能力的资深从业者担任。对于AI创业公司来说，很多关键问题——无论是工程上和产品上的，还是市场上和销售上——其实都不会真正隶属于一个职能部门。所以首席参谋官通常承担跨部门和跨职能的系统性协调职能，要保证CEO最在意的一些关键事项和KPI能持续地被跟进。尤其是在他们自己本身非常忙的时候，你等于是成为了 CEO的眼睛、耳朵和手。

这个岗位比较青睐有风投或咨询背景的人，因为他们会希望你有这种multi-task的能力，帮忙做一些沟通和落地的动作。

03

竞争的焦点，将从模型层转向上下文层

Q：你在哥伦比亚大学主修计算机科学、辅修金融经济学，这样的背景在你研究和判断AI与数据方向时发挥了怎样的作用？

李佳咏：计算机科学的训练为我打下了扎实的技术基础，让我在很早阶段就进入到 AI 与工程研究高度活跃的学术与产业圈层中。

在哥伦比亚大学求学期间，我与许多计算机系背景的同学保持了长期、紧密的交流。后来，他们中的不少人进入了前沿的AI研究机构，科技公司以及顶级高校，例如Anthropic，英伟达和特斯拉，从事研究或产业化相关工作。

正是这种长期、持续的技术交流网络，让我能够更早接触并理解 AI 技术从研究走向产业化过程中所面临的真实问题。这些交流经验，使我在后续接触高技术项目时，能够更快判断一个系统在技术路径上是否合理，是否具备持续演进的可能性，而不是停留在概念展示或短期效果层面。

与此同时，金融与经济学的训练，让我在分析技术问题时，始终能够将其放回到真实商业环境中思考，包括单位经济性、规模化路径，以及技术价值如何在复杂组织和业务流程中被持续放大。

这两种背景的结合，使我在后来的投资研究、项目sourcing 以及 AI 与数据相关方向的判断中，能够同时兼顾技术深度、产业可行性与长期商业可持续性。

Q：那么你认为AI公司应该怎么构筑长期价值，怎么制定有效战略？基于你长期的投资与产业经验，你如何判断未来 3–5 年 AI 产业最关键的结构性变化？

李佳咏：从长期来看，真正决定 AI 公司价值的，并不是模型调用次数或短期收入增速，而是公司是否在构建不可替代的用户关系和系统位置。

包括：产品是否成为用户核心流程的一部分；用户在系统中沉淀的上下文、数据和行为，是否随着时间不断累积并反向增强产品价值；以及，当模型能力持续提升时，这些资产是否会让产品变得更强，而不是被削弱。

从这个角度看，相比短期 ARR ，AI时代真正值得被关注的指标往往是：用户留存是否随着时间提升、产品在用户工作流中的不可替代程度、以及系统是否具备“越用越有价值”的正反馈结构。

这不仅是 AI 应用公司的战略问题，也应该成为每一家 AI 相关公司，在早期就需要认真思考的核心问题。

未来3–5 年，AI 产业的竞争焦点将从“谁的模型更强”，转向谁能够构建并掌控上下文层。随着模型能力逐渐标准化、应用层高度碎片化，Context将不是一个附加功能，而是 AI 时代的新基础设施层，是让AI能够被组织长期安全使用的基础能力。

声明：品牌之声相关资讯来自于被采访对象，非福布斯编辑内容。

精彩内容