微致观点 | DeepSeek之后，AI Native应用该怎么做？

编者按：

近来，DeepSeek R1 的开源发布在软件行业引发了广泛热议。本文由微致资本提供，将从 AI 应用的视角探讨 DS 带来的变革，以及 AI Native 的应用维度，并对其未来演化路径进行展望。

希望通过本文，为读者提供独特的解读，与行业同仁共享视角，共同挖掘 AI 时代的新机遇。

引言

近期软件行业最大的热点事件便是DeepSeek R1的开源发布，惊起了国内外AI圈的一阵海啸般的巨浪，这股热潮也迅速从AI圈蔓延到应用软件圈，相信大家这段时间在被各种《XXXX软件已接入DeepSeek》的标题信息所刷屏。

近日，QwQ-32B的开源，性能在评测中直追DeepSeek-R1 671B，更是让关注AI的人感叹“AI一天，人间一年”。

不论是顶级性能大模型的开源平权，还是Agent的进化迭代，软件领域的新一轮巨变将至，已有的软件类别接入DeepSeek是否就意味着已经完成了AI的拥抱与进化？我们从AI应用的视角去聊聊AI带来的变化以及什么是我们所理解的AI原生应用（AI Native应用）。

AI应用的视角怎么看DeepSeek？

对AI应用公司而言，DeepSeek诸多技术与工程化方面的底层革新（MoE、RL、奖励机制等）固然重要，DS的开放性与使用DS推理使用的极致性价比更为显著，对其影响深远。

1、模型性能卓越。不管是大语言模型DeepSeek V3还是推理模型DeepSeek R1，在全球各类大模型基准测试中成绩均为Top级别。

2、使用成本颠覆性降低。DeepSeek V3与R1发布时，调用DeepSeek官方（或其他云厂商）的API接口价格为OpenAI的1/30左右，极大的降低了应用软件厂商接入大模型的成本。

3、积极拥抱开源。DeepSeek的开源诚意获得开发者与学术研究者的普遍认可，开源协议采用了对使用者极为友好的MIT协议，支持用户基于开源产品修改、部署以及商业化（仅需声明即可）。

4、私有化部署友好。基于开源以及低算力需求（同样算力下的并发高），并且在国产显卡厂商的支持下，也已完成推理场景下的适配。

以结果来说，DeepSeek让大家使用全球顶级LLM的门槛变得触手可及。AI Native应用的技术门槛已基本被抹平。整个生态在极短的时间里，也迅速繁荣起来。（市场上出现了大量支持DeepSeek各参数量规模的一体机）

DeepSeek加速AI应用的发展

软件产业繁荣需要形成一个良好的正向循环，技术发展促进客户使用，客户需求的普及又反过来促进厂商/创业公司不断加入，特别是对于企业应用软件（ToB软件）而言：

 1、技术成熟度的提高，带来使用门槛（成本、难度）的降低；

 2、使用门槛的降低，带来（尝试性）需求的不断迸发；

 3、厂商/创业公司不断加入行业尝试需求；

 4、需求的验证与普及，带来市场的增大，带来大量从业人员的加入；

 5、市场的增大，带动技术投入的增加，从而让新技术不断发展。

AI大模型第一波动力来源是技术革新，ChatGPT的出现让所有人意识到了大模型可以达到的智能程度，打开了人们对AI的想象，AGI仿佛已经不太遥远。

很快大厂、头部大模型创业公司便进入了“军备竞赛”，大家都在疯狂的扩大算力规模，来实现更大参数、更好效果的模型。（Nvidia也因此一飞冲天，成为了世界上最重要的商业公司）。

未来应用大模型的趋势已然确定。“大量的已有的应用软件值得用AI重做一遍”这一观点正在逐步成为一种共识。

然而，大模型的落地场景以及具体的落地方式虽有各大语言模型厂商在积极推进，但是就目前的状况而言，其进展与技术迭代的迅猛态势存在着较大的差距。

「技术」这一飞轮正高速旋转，而「应用」却处于缓缓未动之态。

软件应用厂商多数处于观望状态，又或者仅仅进行简单的接入 API 操作以开展部分功能试验。从客户的角度来说，国内大部分客户在面临高达数百万的软硬件投入时，且应用场景与价值还不明确的情况下，往往浅尝辄止。

整个AI应用的生态的循环进展缓慢。

DeepSeek的出现，极强的推理能力、极致性价比的使用成本，正在为这个循环带来一个巨大的动力。

技术平权正在加速AI应用渗透，产业链重心从硬件军备竞赛转向算法效率与商业化落地能力。

在 DeepSeek 广受好评并取得巨大关注之后，客户对其接受程度颇高。大模型的教育成本处于相对较低的水平，众多软件厂商积极参与其中，对各类应用场景展开尝试。应用落地的阻力正逐步得以消除，大模型一体机、AI Agent 搭建工具以及 RAG 均已具备一定程度的成熟度。

AI 应用软件行业的拐点将至，生态的正循环正在加速。

各软件厂商纷纷发布“xxxx软件已接入DeepSeek”，各类客户发表声明“已将DeepSeek应用在xxxx场景，实现xx%的工作效率提升”，市场上充斥着各类“效果卓越”的宣传文，软件厂商群体也展开了“SaaS+AI”的讨论，我们在与多家致力于AI智能体或AI原生（AI Native）应用厂商交流后，给出几个AI Native 应用的观察角度。

AI Native应用的四个维度

数据组织方式的重塑

软件的数据组织方式服务于功能模块，通常来说按照一个应用，下分多个模块，模块调用下发的一个或多个数据库，模块之间存在交叉调用的情况，整体按照应用形成一个完整的数据库；多个应用之间，采用标准（API）接口的方式调用。

如果应用大数据或BI，按照数据使用的主题向上抽取所需要的数据，组织在数仓中供数据分析/展示来使用。无论是ETL或是ELT，都避免不了数据转换的步骤，而如何转换是以使用目标来决定。

简而言之，软件对数据的使用需求，是以应用场景/功能来组织数据使用。

但，基于大模型的AI Native应用对于数据的使用方式产生了极大的变化，以外挂式的RAG为例：

从数据类型方面：大模型对非结构化数据的提炼能力大大增强。

从数据范围的角度：每个软件使用的数据范围是明确的局部范围；AI原生应用则是先尽量完整的将数据涵盖（并“关联”），再由应用来挖掘使用范围。

从数据流程方面：软件是先确定需求，再确定数据类型；AI原生应用则是先尽量接入数据，在考虑应用场景的挖掘。

数据质量基础仍然是发挥大模型，数据的提取难度正在大幅度降低，大模型的自然语义理解、多模态以及模糊匹配能力同样在数据提取时发挥作用。

这对基础设施-数据库也带来不小影响，OpenAI在2024年6月以5亿美金收购Rockset，便是看中其向量搜索（vector search）和多维索引（converged Index）等核心能力。

功能构建方式的变化

在AI Agent技术与产品不断成熟之后，对AI原生应用的功能构建与组织方式也产生了影响：从软件的「函数-功能-模块-软件」的积木式的层级组合搭建；变成了构建一个个小的单独功能点，无需进行组合成模块与软件，全部装入AI智能体的“工具箱”，由AI智能体来随取随用（function call）。

对于每个功能点的设计，也会产生变化，更侧重类似“独立工具”的设计逻辑。

每个业务场景可以由智能体（或智能体组合）来实现，解决方案的主要工作重心在于不断的积累Workflow以及其需要的“工具包”。

算法/适配性能力积累的换道

许多企业应用软件在不断的版本迭代中会不断加入对各类用户各种场景的算法与适配，不断打磨积累，形成一定的软件壁垒。这种积累方式正在被AI大模型所打破，准确来说是，AI大模型加持的AI Native应用，开辟了一条新的积累方式。

功能的抽象化能力、算法的积累以及经历大量客户场景打磨出来的产品适配性，这正是AI大模型所擅长的特点，加上不断迭代的大模型能力，AI Native应用将随之“水涨船高”，大模型能力+场景入口+数据验证，会形成新的迭代方式，适配性也从研发+交付，简化成Workflow或Prompt工程。

用户越多，使用越多，就会“越用越好用”，将成为AI Native应用的一个明显特征，虽然大模型还不能实现即时学习成长，但对于AI Native应用来说，可以建立反馈机制，改进AI智能体。

交互方式的变化

大模型带来最显著的变化便是交互方式，自然语言的Chatbot交互极大的拉低了交互门槛，但Chatbot并非“万金油”，开放式的对话，不利于用户准确有效的得到AI智能体带来的优势。

许多产品自此开启交互方式的重新设计进程。在企业软件的情境之中，AI 智能体的交互方式转变为数字员工。对于每一位用户来说，都拥有一个与自身工作岗位相契合的数字员工助理。作为 AI 数字员工，并非处于那种仅在被询问时才作答的“被动模式”，更为出色的交互应是根据使用者的角色，提供主动、引导式的交互设计。

在具备企业内部数据的情况下，现在AI大模型的推理能力已经具备实现这种交互方式的基础，不过这是对 AI Native 软件产品经理以及解决方案团队的一次考验。

猜想：已有场景的AI Native应用演化路径

对于已有的应用软件或者SaaS产品，以AI Native的方式去考虑，会出现以下两个阶段的变化（猜想）：

企业构建AI智能体，由AI智能体调用软件的功能接口，来实现从“用户交互（场景）-功能-数据”的过程；

未来AI智能体直接对数据或文档进行存取操作形成了“用户（自然语言）交互-数据”的最短链路，成为「真*AI原生软件」。

再进一步猜想，AI Native时代的应用场景划分方式将产生变化，以更符合业务习惯的方式来划分，而不是当前由业务+软件工程的角度来归纳划分。「XXX助理」或「XXX智能体」的交叉层级组合便是未来新的软件形态。

微致观点｜AI Native应用的“机会”将至

DeepSeek的技术突破与开源生态，为AI应用的发展添了一把大火，正在打开AI Native应用的“潘多拉魔盒”。对于所有应用软件厂商来说，都将面临一个思考：这款产品所针对的用户场景，是可以“软件+AI”还是必须完全打散重构。

软件厂商与用户均应重新去思考，摒弃已有软件的“包袱”与思维惯性，去判断业务场景如何通过AI大模型，来实现更好的使用体验。

相较AI大模型基础设施与PaaS工具而言，AI Native应用的市场空间更为巨大，思考AI Native应用的特点，把握那些需要“打散重构”的场景，便是潜在的创业机会与投资机会。

关于微致资本

微致资本由微盟集团、一村资本及微致资本核心团队共同出资设立。专注于AI/大数据/云计算技术驱动的新一代软件信息技术行业投资。

微致资本专注于三大驱动力下的数字化投资方向：新一代信息技术驱动的数字科技、国产替代和信创驱动的基础软件和工业软件、产业升级改造驱动的行业数智化和产业互联网，核心团队累计基金管理规模近40亿元。