12月21日，亚马逊云科技中国区行业集群总经理李剑做客由华尔街见闻和中欧国际工商学院联合主办的「Alpha峰会」，深度解析了生成式AI如何助力中国企业出海应对新挑战。

他指出，中国企业出海已经进入新的阶段，企业需要加速海外市场布局，同时积极融入海外生态，实现“共赢”发展。 李剑认为，生成式AI将成为中国企业出海的新引擎，帮助企业应对产品适配、高效扩张、融入海外生态以及安全合规四大挑战。

李剑以安克创新、海尔智家、沐瞳科技和WPS等优秀出海企业为例，展示了生成式AI技术如何帮助企业在产品创新、效率提升和市场拓展等方面取得显著成果。

他还强调，企业需要转变思维，将生成式AI融入企业文化，培养员工的AI应用能力，并建立有效的风险评估体系，才能在AI时代赢得先机。

华尔街见闻总结了本场演讲的精彩观点：

中国企业出海进入新阶段，竞争加剧，速度和效能成为关键，同时企业也需积极融入海外生态，实现“共赢”发展。
北美仍是中国企业出海的首选市场，但欧洲市场重要性日益上升，中东、东南亚、非洲和南美等新兴市场也蕴藏着巨大潜力，为企业提供了多元化的选择。
生成式 AI 正在成为中国企业出海的新利器，可以帮助企业解决多语言交互、市场分析、产品创新、客户服务等多方面挑战。
企业在AI时代需要转变人力资源策略，将AI“精简”重复性工作岗位后节省下来的人力资源，投入到更有价值的工作中，例如业务拓展、产品创新等，并利用AI提升整体工作效率。
企业实施生成式 AI 战略需要多方面努力，包括获得高层支持，组建多元化专业团队，将AI 融入企业文化，反复测试，找到最佳平衡点，从低风险的用例开始进行试验和学习，实施防护措施，构建负责任的生成式AI项目。

以下为演讲实录全文内容：

大家好，我是李剑。最近我参加了很多分享会，发现有两个特别突出的主题：一个是出海，一个是生成式AI。作为亚马逊云计算的从业者，这两个话题与我们的业务高度相关。

现在，越来越多的人开始关注生成式AI如何助力跨境业务发展，而这正是我的专业领域。在亚马逊云科技，我主要负责游戏和零售电商两个行业，这与当下的AI和出海主题密切相关。

今天，我想基于我接触的各行业客户在出海过程中遇到的新挑战、新问题，以及生成式AI为出海带来的新机遇和创新可能性，和大家来做一些分享。

2024年，出海竞争较往年更加激烈。无论是新能源、电动车、游戏、快时尚还是餐饮国内各行各业竞争都在加剧。正因如此，企业更加重视出海速度，希望在海外市场获得更大收益。出海已成为中国对世界经济发展的重要推动力，我们观察到80%的中国出海客户选择在亚马逊云上开展业务。

从最早的TikTok、电商的Shein、Temu，到现在已经扩展到更多领域。比如医疗行业，创新药在国内利润收窄的情况下，恒瑞、百济和君实的产品获批“肿瘤抑制类药物”之后,也开始了出海。

再比如游戏和泛娱行业，今年备受关注的《黑神话：悟空》在Steam上全球销量突破2300万份，突破性的拿下了2024年TGA的最佳动作游戏大奖。还有我的客户点点互动的《无尽寒冬》《Whiteout Survival》连续登顶出海手游收入榜。以及在美国iOS娱乐排行榜排名第一的短视频应用 ReelShort。这些出海成功案例与中国上市公司密切相关，例如世纪华通，其最大业务亮点就来自《无尽寒冬》；而中文在线今年股价大幅上涨，最重要的原因来自于出海业务的扩张，也就是ReelShort。

除了传统的游戏和媒体APP出海，智能制造、电动车、化妆品以及视频直播等各行各业都开始走向海外市场，出海范围不断扩大。

作为中欧EMBA在读学员，我的研究课题恰好聚焦于如何运用AI助力企业出海，对这一领域有着深入的研究和切身体会。那么，当前出海机会究竟在哪里？

从市场来看，北美仍是最重要的出海目的地。这主要得益于美国强劲的消费能力，其GDP中70%来自消费拉动。因此，无论是快时尚、智能制造、智能设备还是游戏产业，都将北美视为重点市场。

与此同时，欧洲市场的重要性与日俱增。欧洲已成为中美两国都在积极开拓的市场。许多中国电动车企业选择欧洲作为出海首站，其他行业也纷纷进军欧洲。当然，在欧洲市场，GDPR合规是一个不可忽视的重要挑战。

业界有一个有趣的说法：美国的创新体现在科技上，中国的创新体现在市场研究上，而欧洲的创新体现在合规监管上。回顾历史，这种说法也不无道理：通常是美国首创新技术，中国在市场应用上进行创新和推广，最后欧洲通过法规引导行业规范化发展。这体现了三大市场的比较大的区别。

另外值得关注的是中东市场。中东地区不仅有雄厚的经济实力。同时，中东也在做数字化的转型，推动经济从传统的石油、石化产业转型。沙特和阿联酋政府都在大力推动这一转变。例如，携程最近在中东举办合作伙伴大会，阿联酋也在积极吸引上海的游戏公司在当地设立工作室。中东市场的数字化转型为中国企业出海提供了重要机遇。

还有一个是东南亚市场。东南亚市场具有两大显著特点：一是庞大的人口基数，特别是印度和印度尼西亚（双印市场）一直是跨境电商的重要阵地；二是年轻的人口结构，非常多年轻人。加上消费习惯与中国相近，使其成为中国企业出海的重要目的地。

除此之外，还有两个值得关注的新兴市场：

一个是非洲市场：不仅有传音手机的成功案例，非洲的互联网发展速度惊人，人口结构比东南亚更年轻。而且，非洲直接跨越PC时代，进入移动互联网时代，发展潜力巨大。

另一个是南美市场：正受到越来越多电商和游戏企业的青睐，已成为重要的战略布局地。

从亚马逊云科技的角度来看，云服务基础设施的布局往往预示着经济发展前景。正如马化腾所说，云计算使用量可以反映经济发展水平。从全球视角来看，确实如此——经济发展态势良好、数字化转型需求旺盛的地区，往往会吸引云计算巨头投资布局。

基于亚马逊云在中国服务众多出海客户的经验，我们观察到当前出海浪潮面临几个主要挑战：

1. 产品适配：如何开发更好的产品满足目标市场需求

2. 高效扩张：在当前时代背景下，如何通过领先技术助力业务快速的全球化扩张

3. 融入海外生态：单一爆品难以主导市场，需要更好地融入海外商业生态系统

4. 海外合规：如何融入东道国法律体系，如何规避数据跨境传输的合规风险

在我们服务的客户中，许多企业在市场洞察和产品创新方面都取得了显著成效。以安克创新为例，该公司从2016年的湖南海翼发展至今，产品线已从最初的充电器、充电宝等配件，扩展到智能摄像头和储能产品。在海外市场，安克已经建立起高端品牌形象，产品不再依赖低价策略。他们充分利用云计算和AI技术分析客户数据和市场数据，这种方式远比简单地依靠亚马逊跨境电商平台的数据要深入得多，真正用技术进行了深入分析。

海尔智家则是另一个范例。他们每年需要评估8万种家电设计方案，这种规模的筛选和数据分析极具挑战性。通过生成式AI技术，他们将分析周期从数月缩短到数天，大大提升了产品设计和渲染效率。这些都展示了如何通过云计算和AI技术实现产品创新和市场洞察。

在快速发展方面，游戏行业提供了很好的案例。以沐瞳公司的手游《决胜巅峰》（MLBB）为例，他们在开拓东南亚市场时面临小语种本地化的挑战。传统的机器学习翻译方案主要针对中文、日文、英文、德文等主流语言，对小语种的支持较弱，且受限于训练数据不足。但通过生成式AI技术，在输入行业专有数据和小语种数据后，他们开发出了更好的解决方案。比如一些游戏玩家常用词缩写，如"一起冲"或者“挂机”的简称，在不同语言中可能有独特的表达方式，传统翻译软件难以准确转换，而生成式AI则可以很好地解决这个问题，大大降低了市场进入门槛。

还有一个客户是WPS，WPS的海外发展令人印象深刻。在最近参观珠海金山办公时，我对WPS的成就感到惊讶。他们直接从传统办公软件迈入移动时代，在海外积累了超过1亿用户。特别是他们在生成式AI方面的应用让人印象深刻。

举例来说，在写月报时，WPS的AI助手能根据上下文智能推荐用语，甚至能自动计算环比增长等数据，这种深度集成的办公助手极大提升了工作效率。可以预见，未来每个与办公相关的场景都将配备AI助手，这将是提升工作效率最显著的应用领域之一。

另一个例子是智能硬件和汽车。比如，当中国的智能家居产品进入海外家庭时，需要与现有的智能家居生态系统实现互联互通。这就需要通过各种认证、安全协议和标准化对接。这些过程如果企业独立完成会非常困难，但通过云服务平台可以大大简化这一过程。再比如上汽，国内的汽车可以集成腾讯音乐或QQ音乐，但在海外则需要与Prime Music合作，语音助手也需要与Alexa对接，这都是生态的合作。

这两年，越来越多的To B SaaS产品也在选择出海，包括ERP系统、数据库产品（如PingCAP的TiDB、蚂蚁金服的OceanDB）等。这些To B软件出海的时候，需要更多的拥抱海外生态。与To C产品通过App Store或Google Play买量来去推广获客的模式不同，To B产品的海外拓展需要一套完全不同的方法论，更需要深度融入当地商业生态系统。

现在，合规问题已成为中国企业出海首要考虑的因素。与8-10年前相比，企业已从"先违规后整改"转变为"先合规后运营"的思维模式。特别是考虑到2024年1月特朗普上台，可能带来的政治变化，合规问题将更加重要。

在数据合规和安全方面，特别是在医疗等涉及个人隐私的领域，要求极其严格。亚马逊将安全视为的首要原则"Security is Drop Zero"（安全零容忍）。与中国市场相比，海外市场对个人隐私保护的要求更为严格。在中国，用户可能已经习惯了基于个人行为的精准推送，但在海外市场，这种做法可能导致用户投诉甚至产品下架。因此，对于出海企业来说，选择像亚马逊云这样的成熟云服务平台能够更好地应对这些安全合规挑战。

全球新技术应用周期加速，出海企业急需应对之策

技术的快速迭代也加剧了企业间的竞争，这一点在出海企业中表现得尤为明显。无论是上证50、上证300，还是美国标普500指数成分股的更替速度可能会远超过去十年。英伟达股票的显著涨幅以及AI相关产品的快速增长都印证了这一点。在这个时代，对于出海企业而言，关键在于如何拥抱科技，特别是生成式AI，将其从概念层面转化为切实的业务价值。自两年前大语言模型横空出世以来，各类模型不断涌现，这不仅标志着AI时代的到来，也为企业发展带来了新的机遇和挑战。

虽然普通大众主要了解ChatGPT，但实际上现在已有十种以上的大语言模型，每个都在各自领域具有独特优势。在过去两年中，我和团队以及亚马逊云科技团队通过与大量中国出海客户的深入沟通，总结出一条从业务构想转化为业务价值的发展路径：学习、构建、确定、引领行动、再起航。让我详细展开每个环节。

在过去两年里，企业将约70%的时间用于尝试和探索，30%的时间用于收获这些尝试带来的价值，并且愿意进行更多尝试。我们总结出六个主要应用场景，其中几个对出海企业特别重要：

1.多语言交互：这是许多企业，特别是中小企业进入海外市场的主要障碍（blocker）。与腾讯、网易等拥有大量算法人才、客服团队和多语种人才的巨头不同，中小企业往往因语言限制只能专注于英语市场。大模型的出现从根本上改变了这一现状。

2. 其次当我们进入一个新的市场，往往面临诸多未知,生成式AI可以挖掘和分析海量的市场数据。基于历史数据和模型,它可以模拟并评估不同决策方案在未来可能产生的影响，为企业制定市场战略提供准确决策依据。

3.洞察与决策：当我们进入一个新的市场，往往面临诸多未知,生成式AI可以挖掘和分析海量的市场数据。基于历史数据和模型,它可以模拟并评估不同决策方案在未来可能产生的影响，为企业制定市场战略提供准确决策依据。

4.客服与营销分析：从日常使用各类APP的体验来看，客服的重要性不言而喻。现在越来越多的企业将客服数据视为核心分析对象。无论是客户的评论、投诉率、产品缺陷原因，还是客户提出的建议，这些都可以通过大模型进行快速分析，帮助企业及时发现问题和机会。

5. 企业内部知识库建设：对于企业内部知识库建设，比如在亚马逊，我们特别注重文档编写，所有计划都需要写文档。以前用英文写作是非常痛苦的事情，但现在有了大模型的帮助，这个过程变得容易很多。

我认为未来中国可能也会允许在某些场景使用AI。这意味着下一代甚至我们这一代都需要掌握这项技能。我们的精力应该投入到更有价值的地方，而不是死记硬背。如果现在要拥抱AI，第一步就是学习——观察别人的成功经验，然后付诸实践。

各行各业都在积极尝试AI应用。上周我在美国参加亚马逊的re:Invent大会，亚马逊CEO Andy Jassy发布了公司自己的Nova大模型。值得一提的是，亚马逊已经在电商领域的多个场景应用了大模型，比如客户评论分析和购物助手。举个例子，如果你想了解在跑步机上和绿道上跑步时鞋子的区别，只需向亚马逊提问，系统就会解释差异并推荐合适的产品。这与传统的百度搜索不同，传统搜索需要用户自己判断信息的准确性，然后还要单独去挑选品牌下单，而AI购物场景让这个过程变得更加流畅。

在生成式AI技术层面，过去几年我们经历了多个层次的发展：

最底层是基础设施，这也是英伟达股价大涨的原因，因为所有AI应用都需要这样的基础设施。但对大多数用户和客户来说，不需要深入到这个层面。
中间层是基于各种大模型构建的工具，这是企业最可能用到的层面，可以利用不同大模型的能力来满足出海或其他业务需求。
最上层是应用程序，比如我们个人使用的豆包、Kimi等产品。

在构建层面，我们有开源模型、闭源模型、ChatGPT、Google等多种选择。在大模型领域，几乎每天都有新的突破和排名变化，市场格局日新月异。就像去年国内的"百模大战"，但最终能存活下来的可能不超过十个，未来可能就剩三四个，这与电动车行业的发展轨迹类似。

对于普通企业来说，在选择模型或构建基于生成式AI的应用时，需要在三个关键因素之间取得平衡：准确度、性能和成本。

让我用具体例子来解释：

1. 准确度：比如在翻译场景中，99%和95%的准确率差异，用户的接受度会有所不同。

2. 性能：不同场景对响应速度的要求差异很大。例如，在购物场景中与客服对话，一秒的响应时间是可以接受的。但在游戏场景中，特别是在对战或组队时，如果"冲"这个指令延迟一秒才被理解，玩家可能已经被击败了。

3. 成本：这在To B业务中尤其重要。在实际应用中，如果花费10美元实现98%的准确率，或花费1美元实现97%的准确率，大多数企业会选择后者。

这也解释了为什么并非所有To B企业都必须使用ChatGPT——它可能是最贵的选择，而市场上有很多其他模型可能效果相当或更好，但成本更低。

对企业来说，最重要的是认识到：不需要投入大量精力去研发专属大模型，这并不适合所有企业，关键任务是充分利用现有数据，同时改变各业务部门对数据的认知视角，以及相应的管理机制和安全监控机制。

在大模型时代，数据开放可能比严格限制更有价值，这需要一个思维转变。这并非忽视安全性，而是为了提供更多数据来提高模型的准确率，减少"幻觉"现象。关键是要在数据使用端建立有效的安全控制机制，确保信息只展示给适当的人员。因此，在确定原则时，数据相关的处理机制尤为重要。

企业变革的速度正在加快，无论是人员招聘构成还是企业文化建设，都与pre-AI时代有很大差异。我们需要将生成式AI深度融入企业文化。

对普通企业来说，在员工赋能方面需要：1.培养员工熟练掌握提示词（Prompt）的能力；2.培养批判性思维，识别pre-AI时代的局限；3.提升每个员工对生成式AI的认知水平。

举个例子，亚马逊云科技中国区要求所有员工都必须通过生成式AI认证，包括运营、市场、前台、助理、文职人员等所有岗位。

在当前时代，我建议企业采取多种方式推动员工接触和使用AI：一是引进高端人才，虽然成本较高但能快速提升能力；二是系统性地进行内部培养；三是引入新的应用场景让员工实践。无论采用哪种方式，最终目标都是要将生成式AI深度融入企业DNA。提升技能的具体方法很多，比如制定系统化的培训计划，让员工在实际工作中体验AI带来的便利和效率提升。

一些企业采用了很好的实践方式，如在公司内部举办黑客马拉松。让来自不同部门的员工提出创意想法，然后运用生成式AI技术将这些想法实现出来，最后进行PK评比。这种竞赛式的学习方式不仅能激发员工的创造力，也能让他们更深刻地体会AI技术的实际应用价值。

这里要特别强调一个重要概念：负责任地构建生成式AI应用。我经常做一个实验：同时向两个国内不同的AI对话机器人问同一个问题，经常会得到不同的答案。最后通过亲自搜索验证，才能确定哪个答案准确。

这种"幻觉"现象在主流的AI APP中仍然普遍存在。举个具体例子，我在上个月（11月）询问"2024年TGA游戏大展获奖名单"，一个APP直接编造并列出了获奖名单，而另一个APP则很不错，如实回答大展要到12月12日才举行，但可以提供已公布的提名名单。

对企业而言，特别是To B企业或涉及实际业务和资金往来的企业，这种错误是绝对不能容忍的。因为这可能直接影响业务决策和客户信任，带来实际的经济损失和信誉损害。

在业务风险评估方面，我们建立了三级风险评估体系，用于评估不同场景如营销推广、财务报告、运营合同起草、预测分析等的风险等级。企业在开始AI应用时，应该优先从风险最低的场景着手，逐步扩展到更复杂的应用场景。

当然，这个风险评估体系需要根据企业特性进行调整。比如，To B企业可能会特别关注合同准确性的风险，因为合同错误可能直接影响商业关系；To C企业则可能更看重个人隐私数据安全，这关系到用户信任和合规要求；而对供应链企业来说，供应链维护和预测的准确性可能是最关键的，因为这直接影响库存管理和运营效率。

每个企业都需要根据自身业务背景和行业特点，建立符合自己的风险评估标准，并从风险最可控的场景开始尝试。

基于我们过去支持众多企业，特别是出海企业的经验，成功实施生成式AI项目需要遵循六个关键步骤。

首要的是获得高管层面的认同和支持，这一点极其重要。因为这里面首先涉及到几个原因，一个原因是数据，特别是跨部门的数据。以一个游戏公司为例，相关数据通常分散在多个部门：用户增长部门掌握用户行为数据，制作人所在的游戏运营部门掌握游戏内容和运营数据，研发部门则掌握技术实现相关的数据。这些部门通常都是相对独立运作的，如果缺少任何一个部门的数据，AI应用的效果都会大打折扣。没有高层的推动，很难打破这种部门间的数据壁垒。

第二个关键步骤是组建一个多元化的跨学科团队。这个团队需要既懂业务又理解AI模型。在组建这样的团队时，企业通常面临两个选择：一是完全自建团队，招募AI专家和算法工程师，但这种方式成本很高，特别是现在市场上AI人才的薪资水平节节攀升；二是借助像亚马逊云科技这样的专业公司提供的技术支持和架构师服务。我们观察到，大多数客户倾向于选择后者，因为生成式AI项目往往始于创意验证阶段，收益还不确定，通过利用平台现有的技术能力，可以在控制成本的同时快速验证想法的可行性。这种方式能让企业在不承担过高人力成本的情况下，灵活地开展AI创新。

第三个关键步骤是实施一些防护措施，比如刚刚提到关于数据安全和风险评估的。

第四步则是将生成式AI深度融入企业文化，因为只有全方位、全员工拥抱AI，才能带来企业质的改变。

第五步，反复测试，这点特别重要。这来自于我们与客户合作的深刻经验中，即便是与腾讯、米哈游、携程、得物这样体量的客户合作开展生成式AI项目时，测试阶段通常都需要持续4-6个月。这么长的测试周期主要是为了在性能、性价比和准确率三个维度之间找到最佳平衡点。比如在准确率方面，需要反复测试不同场景下的表现；在性能方面，需要确保响应速度满足业务需求；在成本方面，则需要评估长期运营的经济性。另一个延长测试周期的原因是，在这3-4个月的测试期间，市场上往往会出现新的模型和更优惠的成本结构，团队总希望能跟上技术发展的步伐，不断尝试新的可能性。

但我要特别强调一点：模型迭代是永无止境的，我建议企业不要过分追求完美。只要确认使用生成式AI后的性价比相比原来的解决方案有显著提升，就可以投入生产使用。如果总是追求更好的新模型，反而会错失市场机会，影响业务发展。

第六步是保持一定的警惕。由于模型可能产生"幻觉"，我们需要建立相应的限制机制。现在已经有很多技术手段可以实现这一点，比如屏蔽幻觉、过滤敏感词、设置禁止出现的答案等。这些工具和软件可以帮助企业规避风险，确保AI输出的可靠性。

现在，无论是否涉及出海业务，每个CEO都在思考同一个问题：企业的生成式AI战略是什么？

如果在座的各位正在思考这个问题，或者通过今天的交流开始重新思考这个问题，这都是很好的开始。这个问题不仅关乎企业，也延伸到每个家庭。很多人问我："孩子还要学编程吗？""我的工作会被替代吗？"这些都是时代变革下的焦虑。

确实，我们看到很多企业在应用AI后确实"精简"了很多人员。因为AI最擅长处理重复性劳动，要把节省下来的人力资源转向业务拓展和产品创新等更有价值的工作，并思考如何让AI为业务拓展和产品带来更多价值？这不仅仅是简单的人员优化，而是要思考如何借助AI实现企业的整体转型和升级。

回到今天的出海主题，说实话，在当前中美关系背景下，中国企业在AI发展方面确实面临诸多挑战，无论是在算力获取还是大模型使用上都受到一定限制。但我们的出海产品必须要与欧美企业直接竞争。如果没有完善的AI战略，很可能在起跑线上就已经落后。

这就引发一个关键问题：作为出海企业，如果在AI应用的起点就处于劣势，要如何改变这种局面？这需要每个企业深入思考，不仅要考虑技术可行性，更要全面权衡商业潜力。

出海的新浪潮正在发生根本性变化。从右边来看，我们原来的出海路径是从0到1，经历数据分析、市场调研到创新，再到通过生态合作。而现在，我们可以利用生成式AI、云计算、数据驱动、安全保障和生态系统来支持出海。这与三四年前中国企业"赌一把"或"寻宝式"的出海策略完全不同——那时可能是押注一款游戏爆红，或期待某个产品在亚马逊平台上卖爆。这种靠运气的寻宝式出海模式已经不适合当前的市场环境。

现在，我们正在转向"融入共赢"的出海模式。企业可以将自己定位为一个全球化公司，而不仅仅是一个出海企业。不再是简单的出海策略，而是全面的全球化运营战略考量。

在这个转型过程中，云服务可以为企业在全球各个节点提供基础设施支持，确保业务的稳定运营，而生成式AI则能带来新的创新机会。

我希望大家能够充分利用生成式AI的优势，打造真正符合全球市场需求的产品、全面提升员工工作效率、优化企业整体运营效率、增强市场分析和洞察能力、提高客户服务的质量。

这些方方面面都可以通过生成式AI得到实质性提升。对于出海企业而言，面对当前的各种挑战，无论是数据安全、市场准入还是客户服务，都可以借助生成式AI来应对。希望通过生成式AI的助力，你们的下一个产品能够成为真正的市场爆款。

谢谢大家！

亞馬遜雲科技李劍：中國企業出海面臨五大挑戰，生成式 AI 將成中國企業出海新引擎｜Alpha 峯會