摘要：在 AI 赋能加之日益复杂的全球化趋势下， “出海”作为似乎成为企业的必经之路。那么，在出海过程中，数据跨境流动限制、目标市场的本地化需求等种种痛点应该如何解决？全球 AGI 的发展提速，对中国 AI 应用出海有哪些特别的帮助呢？

在 AI 赋能加之日益复杂的全球化趋势下， “出海”作为似乎成为企业的必经之路。那么，在出海过程中，数据跨境流动限制、目标市场的本地化需求等种种痛点应该如何解决？全球 AGI 的发展提速，对中国 AI 应用出海有哪些特别的帮助呢？

近日 InfoQ《极客有约》X AICon 直播栏目特别邀请了 白鲸开源 CEO 郭炜 担任主持人，和 Kong Inc 中国区总裁戴冠兰 、 GMI Cloud China VP 蒋剑彪 一起，在 AICon 全球人工智能开发与应用大会 2025 上海站 即将召开之际，共同探讨中国技术出海如何实现破局及增长。

部分精彩观点如下：

企业必须先判断国内经验能否低成本、高效率地迁移海外；若无法平移，应在起步阶段即选择全球化路线。

先在欧美跑通模型，再将经验与资源“反哺”回国内，往往比直接在国内起步更稳妥、更高效。

先在开源社区滚出可用的“核心雪球”，再通过与大型云厂商深度整合，实现市场渗透与商业变现，两步并行可大幅提高出海成功率。

创业初期别为省成本而犹豫，大胆采用成熟 SaaS ，才能更快聚焦产品价值并驶入增长快车道。

谁能最快将 AI 转化为可规模化的本地化服务，谁就能在全球市场建立新的竞争壁垒。

以下内容基于直播速记整理，经 InfoQ 删减。

郭炜：出海很火，从各位了解来看，有没有觉得哪家的出海做的非常好的？为什么？

戴冠兰： 这个周末我去参观了一些新能源车企，中国新能源汽车在欧洲和南美等市场的表现相当亮眼——虽然美国市场渗透依旧困难，但整体海外成绩可圈可点。以南京领锐为例，这家公司专注于汽车核心零部件与整车制造。

在国内新能源“卷”得极为激烈的背景下，他们选择将竞争重心放在海外，并取得了不俗的业绩。公司通过多种灵活策降低关税，例如先以零部件形式出口，再由当地公司组装，充分体现了企业家的智慧。

此外，我最近还关注到一款名为 Manus 的软件。它刚刚获得 Benchmark 领投的融资，估值达到 5 亿美元。该团队从一开始就面向全球市场，早期 Demo 只提供英文版本，虽然曾因此被国内用户吐槽，但如今的融资与估值足以证明其战略的成功。

蒋剑彪： 我们主要聚焦海外云服务，因此对“AI 应用出海”格外关注。如今，“AI Native”企业已成为显著趋势。根据我们的观察，当前出海表现最突出的赛道集中在：视频与图片生成／编辑；拟人式对话；AI Agent。像视频与图像生成／编辑类应用几乎约占所有出海 AI 应用数量的 50%。

以万兴科技为例，公司布局了多款 AI 视频与图像编辑产品，凭借产品矩阵切入海外市场，他们对各国文化与消费习惯了如指掌，再叠加新一轮 AI 技术，堪称“如虎添翼”。

另一家比较典型企业是昆仑万维，这是目前海外收入最高的中国 AI 公司之一。多年深耕海外市场后，近几年其在语言、视频、音乐模型等领域投入巨大。过去一年，公司在 AI 商业化上实现了实质性突破——从技术积累转向稳定的收入贡献。

这两家公司都具备深厚的海外运营经验和对用户需求的洞察，再借助 AI 技术实现快速变现，是 TMT 领域出海的最佳范例，他们的财报表现也印证了这一点。

郭炜： 真正能在海外取得成功的中国企业主要有两类。第一类是做面向 C 端的应用的企业，尤其采用 “China to Global（C2G）” 模式的互联网产品——例如短剧、短视频等。凭借国内成熟的运营经验和创新思维，这些产品在海外市场快速站稳脚跟。

第二类是 AI 领域的企业。华人在算法和数学方面拥有深厚的人才网络，再加上中国团队的勤奋投入，使得这一赛道表现格外突出。

郭炜：技术公司出海时，“先本土后海外”和“直接全球化”两种策略，如何根据自身产品特点做选择？

蒋剑彪： 决定企业采取“先深耕本土、再布局海外”还是“直接全球化”的关键，在于国内宏观经济形势以及产品所处的发展阶段与特性。“先本土后海外”模式更适合本地化需求强、路径依赖明显的行业。例如过去十年，电商和金融企业先在国内构筑规模与壁垒，再凭借成本和经验优势出海。

相比之下，新生代 AI 创业者往往一开始就定位为 Global Native，直接面向全球，以规避国内的激烈竞争。他们的标准化技术产品（如 SaaS、AI 模型等）易于复制，适合快速进入国际市场。

产品复杂度也影响出海节奏。高复杂度的工业软件需先在本土完成深入验证和迭代；而低复杂度、用户需求普遍的协作工具，由于用户体验差异小，可以更快推广到海外市场。

同时，C 端与 B 端策略也应当区分。面向 C 端、依赖付费订阅的产品，建议直接布局北美和欧洲，这些市场付费意识强，价格接受度高；而在国内，“免费”的竞争导致“变现困难”。而面向 B 端的产品则可先进入价格敏感度较高的东南亚，以成本优势迅速建立市场基础。

戴冠兰： 决定是否先深耕本土，关键在于评估本土优势（语言、团队等）能否形成可迁移的积累效应。国内的成功模式能否复制到海外？若存在可利用的路径依赖，并可通过“降维”在海外取得优势，这一路径才值得考虑。

除 C 端与 B 端外，还存在面向开发者的 “D 端” 市场。由于开发场景高度标准化，全球开发者普遍使用 VS Code、Linux、Python、Java 等统一技术栈，此类产品应自始即采取全球化策略，因为本土经验几乎可以直接平移到海外。

郭炜：两位的公司在全球和国内采用的战略有哪些差别？

蒋剑彪 ：对 GMI Cloud 而言，并不存在必须优先选择“全球”或“国内”市场的问题。作为 AI Native Cloud 提供商，我们始终跟随客户的市场布局——客户走到哪儿，我们就服务到哪儿。即便产品面向全球用户，核心市场依旧集中在北美、欧洲以及东南亚、亚太等地区。与此同时，国内企业因竞争激烈，更倾向于出海获取利润。

我们的角色是为这类客户提供一站式 AI Native Cloud 解决方案，基于英伟达高端芯片，从裸金属到 GPU 云，从训练到推理，从北美到亚太，结点覆盖全球，为全球 AI 企业提供稳定安全、高效经济的 AI 云服务解决方案。

郭炜： 可以理解为：客户主要在国内，而你们帮助他们全球化？

蒋剑彪： 没错。我认为对中国新一代企业而言，真正“只做本土”的公司几乎不存在，除非是极少数依赖原始资源的创业项目。对于 AI 企业而言，走向全球、实现产品标准化，才是获取可持续利润的唯一出路。

戴冠兰： 硅谷初创公司通常先在美国做大，营收达到 2,000–5,000 万美元后，再将已验证的打法复制到欧洲。我们也以客户所在市场为导向，从创立伊始便同步布局欧美市场，这与我们的产品形态密切相关——作为开源基础设施软件，必须先在社区建立生态，再推进商业化，因此需要同时深耕欧美。

国内客户主要分两类：一是计划出海的本土企业；二是希望在中国落地的大型跨国公司。出海企业需采用国际通用技术栈，跨国公司进入中国则更关注合规与本地化。软件成熟需要时间，不能等到“果子完全成熟”才行动。我们有责任持续打磨产品、培养国内生态。欧美市场的收入可提供资金支持，但仍应深耕中国，以免错失长期机会。

郭炜： 真正落地时，初创企业面临资源与注意力双重限制，往往只能在目标市场之间“二选一”。创始团队需分头作战，先评估手中资金能否支撑一个市场跑出规模，再衡量产品市场匹配度（PMF）及各地 SEO、媒体、公关和营销生态的差异化本地化需求。

我倾向让新一代 AI 与基础设施类项目先布局美国，因其利润率更高、付费能力更强。中国市场则呈现“僧多粥少”局面：技术团队实力普遍强，但付费客户有限，竞争异常激烈。

如果企业尚未启动全球营销，先切入美国或许更具性价比。当然，若公司已在国内具备一定基础，也可把中国视作“根据地”。就像当年红军占领井冈山——资源虽有限，却能借此打磨产品、积累经验，再“农村包围城市”，逐步向更大市场扩张。

郭炜：在海外市场（如东南亚 / 欧美）验证产品市场匹配度（PMF）时，哪些技术指标比商业数据更关键？

蒋剑彪： 用户留存是首要指标，直接反映产品是否真正解决了用户痛点。AI 工具类产品通常“即用即走”，使用时长短，因此留存尤为关键。若次月留存率能达到 15% 左右，通常意味着产品已满足持续运营的基本条件。

其次是交互的本地化程度。不同地区的用户行为差异显著，App 界面都各具特色。工具型 AI 在交互设计上更需贴合当地习惯——完成同一任务所需的点击次数、操作深度，都会影响用户体验，必须依据各区域数据持续优化。

第三是稳定性与实时性。面向全球市场的 AI 产品竞争激烈，仅“AI Coding”一项就有 130 多个竞品。用户对服务中断或延迟的容忍度极低，因此需在全球部署推理节点，并能随用户增速及时扩容，确保访问稳定。

戴冠兰： 剑彪刚才提到的 AI Coding 赛道很有意思：市面上竟有一百多家竞品。大家有没有想过，为什么用户不直接使用 OpenAI 或 Claude 的 API？我大胆推测：Cursor 和 Windsurf 这些平台本质上在“批发” API——以更低价格打包出售 OpenAI 的算力和会员服务，因此能在留存和营收数据上表现不错，却可能一直处于疯狂烧钱状态。

在当前 AI 创业环境中，许多团队并不着眼于稳定的 Burn Rate（现金消耗率），而是先砸钱扩大用户规模、放大泡沫，让投资人看到其成为行业龙头的潜力。如今的 AI 行业或许类似 90 年代的互联网泡沫：三四年后泡沫破裂，九成以上公司会倒下，目标应是在泡沫散去后仍能生存。

至于 PMF，我认为无需过度纠结指标。当产品真正找到 PMF，团队会有明显体感——客户追着付费、主动要求服务。指标更像投资人评估基金的历史数据和财务指标：参考价值有，但很难给出直接的经营决策。例如，留存率下降后究竟该降价还是优化功能？数据本身并不提供答案，只能作为辅助判断。

蒋剑彪： 我刚才列举的那些指标，多半是投资人或产品经理关心的 KPI。回到第一性原理，真正重要的是——你的产品能否切实解决用户痛点。如果这一点成立，团队无需过度执着于 PMF 曲线，解决核心需求才是根本。

郭炜： 我们海外第一家大型用户是 J.P. Morgan Chase。与他们深入交流后，我发现他们关心的并非极致性能——数据量不如国内大，也不需超高吞吐；他们真正看重的是连接器丰富度、跨云兼容性以及对非结构化数据的支持。因此，PMF 的关键在于让核心用户推动功能演进，聆听他们的需求，比盲目追逐性能或其他单一指标更具普适价值。

郭炜：怎么判断自己做好了“出海准备”？主要需要本地化哪些问题？出海前有哪些必做功课？

蒋剑彪： 还是要回到产品本身。首先，在本土市场，你是否已验证其商业模式？用户留存、付费转化等核心指标是否稳定？若连国内 PMF 尚未明确，贸然出海往往得不偿失。

第二步是评估海外需求。是否做过小规模用户调研？是否通过竞调，确认目标市场是否仍存在未被满足的需求或差异化机会？

第三，人才本土化至关重要。核心团队成员是否熟悉目标市场文化与商业规则？在欧美做生意，“财、法、税”必须同步，最好随时有律师把关。

第四，必须预留充足资金与合规预算。至少准备 12 个月的本地运营资金，覆盖法务、合规及营销试错成本，以免现金流断裂导致被迫撤退。当地数据隐私法规和行业准入政策也应提前由专业机构评估。

第五，适配供应链与基础设施。AI 类 SaaS 产品出海时，应在目标市场部署服务器节点，降低延迟并保证算力充足。

最后，务必重新审视竞争格局。如果当地已有三家以上企业占据 70% 以上市场份额，而你的技术、成本或模式又缺乏显著差异化，就应重新评估这一市场的进入优先级，或转向其他更具潜力的地区。

戴冠兰： 我想先下结论：真正决定能否出海的，不是准备细节，而是决心。创始人若能长期驻扎海外，甚至举家迁往目标国家，就已跨过最大门槛。外语能力并非关键，聪明的创业者总能找到解决路径。

但合规是出海必踩的“硬坑”，欧美市场的法规远比国内繁复，就算国内有国密、信创等要求，其复杂度仍无法与欧美合规相比。至于东南亚，它并非一个统一市场，而是由多国、各自碎片化的法规组成。

例如越南有独立的信息安全法，条款细致而严苛。出海软件或 ToD 产品若把东南亚设为第一站，往往顾此失彼，我更推荐先进入体量较大的欧美市场。

文化差异同样重要。比如在中东，客户并不在意性价比或性能，而更看重你与王室的关系和连接，忽视和王室王储交往的礼节，合作就可能无疾而终。

蒋剑彪： 当真正发现需求，就应立即行动，不必过度推演，创业永远“这也缺、那也缺”。唯一必须提前投入的是合规，合规是出海的生命线，一旦触犯当地法律，赔偿代价巨大。

郭炜 ：总结来说：先搭好全球化公司架构，再去验证 PMF 等运营指标——剩下的都取决于团队的决心。

郭炜：资源有限时，如何判断某个海外市场是否具备战略杠杆价值？从全球化角度，中国软件市场值不值得做？这么多国际软件企业退出中国，为什么你们要做中国？

戴冠兰： 短期（两三年）可能艰难，但随着国运提升和人力成本持续上升，软件规范化与付费意愿终将增强。回顾印度的经验：30 年前他们也缺乏付费意识，但通过强化软件 IP 保护和与全球外包产业深度结合，市场逐渐成熟。中国工程师实力不逊色，许多全球软件项目背后已有中国团队参与。在 AI 浪潮下，这一优势会进一步释放。根据资源、客户与价值分布灵活选择市场，从长远看，中国软件市场仍大有可为。

蒋剑彪： 在资源有限的前提下，AI 应用的首站应优先考虑欧美市场：一方面，全球范围内对 AI 软件的刚性缺口最为明显；另一方面，从增长趋势看，欧美更适合用作产品验证，回报与利润空间也更具吸引力。欧美市场的本地化竞争格局相对宽松，差异化更易凸显；而国内竞争已极度内卷，难以拉开明显距离。此外，北美在算力资源、技术团队与生态迁移方面优势明显——推理场景正从 H200 向 B200 迭代，单位性能成本不断下降。先在欧美跑通模型，再将经验与资源“反哺”回国内，往往比直接在国内起步更稳妥、更高效。

郭炜： 在评估进入某个市场的战略价值前，必须先明确公司此阶段的核心诉求——是追求收入、融资，还是产品迭代。我们初期深耕国内并非为了直接商业化，而是为了聚焦中国开发者生态。当前全球最“卷”的开发者社区就在中国，利用开源模式让国内开发者共同打磨产品，可极大提升技术成熟度，随后再通过全球化实现商业收益。

市场选择应服务于阶段目标。就商业价值而言，中国软件市场目前体量有限，单以“中国收入”在融资端说服力不足；然而，从技术和产品迭代角度看，中国拥有庞大且高水平的开发者群体，对开源项目具备巨大战略价值。这也是为何众多新兴开源 AI 项目源自中国：本地开发者数量与水平足以跻身全球前列。先在国内“卷”出成熟产品，再按战略节奏进入其他市场，才能最大化资源与市场的匹配度。

戴冠兰： 国内 ToD 社区规模庞大，既能持续贡献代码，又能快速反馈需求。这正是我们在上海设立研发中心的原因：直接从社区吸纳优秀工程师，形成“社区 → 反馈 → 招募 → 产品迭代”的正向循环。

国内基础设施实力强，得益于极高的流量压力——单个电商平台在大促期间的流量往往超越美国“黑五”全网。这样的实战环境为工程师提供了独特优势，也让中国市场成为打磨产品和培养研发团队的理想土壤。

郭炜：进入一个全新的市场时，技术和产品的本地化适配往往是第一步，但与此同时，构建本地技术生态也是非常重要的。能否分享一下，在实际操作中，是如何看待本地化适配和技术生态共建之间的关系的？

戴冠兰： 针对 ToD 类的标准化产品，早期通常无需投入大量本地化工作。我们的做法是开放社区通道，让开发者自行贡献本地化内容，大多数语言版本都因此自然完善。唯一例外是日本市场——由于当地开发者高度保守，不愿阅读英文文档，我们才专门提供完整的日文本地化。因此，除非面对类似日本这样极具特殊性的市场，否则无需将本地化作为初期重点。

蒋剑彪： 本地化适配首先要解决“能不能用”的问题——支付方式、语言界面、数据存储等合规体验是进入市场的最低门槛。扎根之后，才是生态共建，通过与本地开发者、社区、供应链等伙伴构建资源网络，形成长期竞争壁垒。

在本地化与生态搭建的过程中，“协同”是核心：一方面要选对技术架构与算力节点，保障扩容能力与供应链稳定，并持续在软件层面迭代优化；另一方面要借助政府、渠道和行业伙伴，加速落地与反馈，降低试错成本，更快赢得本地用户信任。

真正的本地化不是简单出海，而是升级为“生态共建者”——与本地伙伴共享技术与利益，例如通过开源协作推动行业标准制定，让自身业务需求在生态中获得持续反哺。

郭炜： 从技术生态角度看，进入新市场的最佳方式是“滚雪球”。以开源项目为例，先专注完成最常用的技术集成，例如 Apache SeaTunnel 适配 Databricks、Snowflake 等数据平台的 Connector。当最初的“雪团”成型后，海外开源社区会自发贡献更多连接器，推动产品功能快速扩展。

商业化阶段，中国科技企业应学会“抱大腿”。白鲸开源与 AWS 深度合作，填补其在 ETL／CDC 领域缺乏高效数据导入工具的空白。在 AWS 生态中，我们的产品性能是国外同类的两倍、价格仅一半，并与 Redshift 等服务无缝整合。AWS 的解决方案架构师和客户因此主动推荐我们的方案，为我们持续带来订单。

郭炜： 创业公司在海外的资源与渠道难以与巨头匹敌，唯有深度整合才能弥补这一差距。

蒋剑彪： 时间是最稀缺的资产，这正是选择合作而非单打独斗的核心原因。

戴冠兰： 在与大厂对接前，至少要配备一支精干的本地团队——哪怕只有一人——否则容易在谈判中被动甚至走偏。拥有最小规模的本地力量后，再“抱大腿”才更稳妥。

郭炜：技术架构如何快速响应目标市场的本地化需求（如支付、语言、监管政策）？有哪些技术或流程可加速适配过程？

戴冠兰： 针对地域性数据留存要求，我们可以在回源时依据各地区政策智能分流，并提供端到端加密与服务网格方案，满足最严格的监管标准。支付合规同理，国内可以接入 Airwallex 这类跨境方案，海外可直接用 Stripe 等平台——大胆采用成熟的 SaaS 服务，别把宝贵的早期精力耗在自建合规系统上。先快速接好 payment 与 API 管理，把时间都用来打磨核心价值。等业务规模做大，再考虑自研或替换。欧美 SaaS 生态之所以繁荣，正因为大家乐于依赖这些现成服务。

我们公司内部使用的一百多项 SaaS 服务涵盖数据分析、计费、支付、期权管理、HR 等所有环节——譬如 Metronome 负责精准计费，让我们清楚每一笔资源用量用于计费。

即便 ARR 已达到一两亿美元，我们仍在沿用这些 SaaS 工具。结论很简单：创业初期别为省成本而犹豫，大胆采用成熟 SaaS ，才能更快聚焦产品价值并驶入增长快车道。

蒋剑彪： 从基础设施层面看，快速响应本地化需求的关键在于资源布局与弹性调度。采用区域化集群部署，比如在东北亚、东南亚等目标市场建设本地数据中心，既满足当地数据合规，也显著降低网络时延。其次，按区域隔离异构资源池，实现定制化资源配置。服务层则通过模块化接口和本地化适配引擎，将核心 API 全球统一管理，再以插件机制动态加载各地区合规逻辑，并提供符合本地开发环境的 SDK 工具。

以 GMI Cloud 举例，凭借高稳定性的技术架构、强大且高端的 GPU 供应链，结点覆盖全球，确保 AI 企业在高度数据安全与计算效能的基础上，能够高效低本地完成 AI 落地，同时 GMI Cloud 还通过自研 “Cluster Engine”、“Inference Engine”两大平台，完成从算力原子化供给到业务级智算服务的全栈跃迁，为 AI 企业提供了一个坚实的智能算力基座。

郭炜： 如果将每个市场都视为一种本地化，那么软件企业有一条相对简便的捷径：充分利用各大公有云及其出海平台。我们的做法是将订阅产品上架 AWS、Microsoft 等云端 Marketplace，客户下单后，系统自动将服务部署到其 VPC 内部网络。

这样做有两大优势：合规成本低，数据托管由客户自身环境完成，避免了多国合规与认证的繁琐流程；网络适配简单，服务直接运行在客户网络内，无需额外打通链路，快速落地。

初创阶段，在资金有限的时候，切忌一开始就自建覆盖多云的大型 SaaS 基础设施，尤其是 Infra 类产品。先通过云 Marketplace 验证产品价值、累积海外用户，并利用云厂商现成的合规与运维体系，才能避免在合规与运维成本上“自陷泥淖”。待业务规模扩大后，再逐步搭建自主 Infra，以提升收入占比与控制力。

蒋剑彪： 创业伊始，应选择最轻量、合规成本最低的方案——充分借助本地合规算力网络，把产品快速推向市场。当业务规模和数据量达到一定水平，再考虑自建 Infra，此时公司已有足够财力承担投入。同时在与本地用户的持续互动中，逐步且快速地迭代产品。

郭炜：什么部分应用开源？什么地方不应该开源，是否有战略性的思考？开源生态如何成为全球化“杠杆”？是否存在被竞品复制的风险？

戴冠兰： 哪些部分应当开源、哪些应闭源，很难有一刀切的标准，但可遵循一条经验：凡是专为世界 500 强或超大型客户提供的合规、加密、治理等高阶功能，可以选择闭源；其余面向大众开发者或生态建设的基础能力，则可开放代码。

在决定开源范围前，首先要明确目的——是为了打造生态、提升知名度，还是作为市场营销利器。开源确实是一把“推广神器”：DeepSeek 便借此从名不见经传一跃成为行业热议对象，连曾经轻视它的某些大厂也开始采纳其引擎。

关键在于：开源力度要让用户感到“值”，愿意投入并形成社区，而闭源部分则保留差异化壁垒。至于被竞品复制的风险，我并不担忧——模仿者难以超越领先者，只要我们保持快速迭代和强执行力，就能持续领先。

蒋剑彪： 开源已成为技术发展的必然趋势，开源本质在于以公共技术资产换取全球生态话语权。企业通常遵循“基础开源建生态，核心闭源保盈利，区域定制破壁垒”的基本原则。

该开源的部分选择具有网络效应、需要全球协作的技术，通过开源降低市场进入成本，绑定开发者和合作伙伴；而涉及数据敏感性或技术壁垒的环节应保留闭源，以确保商业闭环。

为了兼顾风险与市场需求，企业需确保开源版本具备足够功能，同时使商业版本在性能或服务上具有明显差异。通过技术分层、专利保护、生态锁定，将竞品复制的影响从 “技术替代” 转化为 “生态共建”，最终实现 “以开源为杠杆，撬动全球化市场” 的战略目标。

当前主要的开源商业化模式包括，在成熟市场中，以免费开源版本吸引中小开发者和初创企业，随后通过社区和用户规模的增长反哺商业产品。

在核心市场（如东南亚、拉美）优先推广开源版本，培养用户习惯，待市场成熟后再推出商业化套餐。此外，企业还可与云服务商合作，将开源项目深度集成至 Marketplace，借助全球节点实现快速市场渗透。

郭炜： “一流企业制定标准，二流企业开发产品，三流企业提供服务。”开源的核心在于对标准的掌控。

蒋剑彪： 占领标准意味着在开源端吸引更多用户，持续迭代技术栈，从而让所有开发者围绕这一生态展开协作。随着技术栈的普及，上游的芯片和硬件厂商也会调整研发策略，以适配这一模式。

过去国内在开源投入上相对滞后，主要是依靠开源红利推动云服务厂商的发展。如今，国内企业已主动开展开源工作，通过大量品牌推广，将开源视为最有效的全球化利器，从而实现了从“吃红利”到“创造红利”的转变。

郭炜： 开源在制定行业标准方面具有深远影响。以海豚调度（DolphinScheduler）为例，该项目被认为是全球领先的数据调度解决方案，在东南亚和中国市场占有率超过 90%。

虽然存在大量基于该项目进行深度定制和商业化的集成商，未直接向商业版本付费，但它们在推广标准化技术方面发挥了重要作用，并成为推动生态共建的合作伙伴。

当前，在中国，90% 的大数据平台都依赖 DolphinScheduler 进行调度，无论是运营商集成的开源版本，还是基于我们商业版本的部署。标准一旦确立，随之而来的商业转化便非常直接：不断迭代开源产品即可。作为开源项目的原厂，白鲸开源每月发布新版本，不断增强功能。

运营商若不愿意自行维护团队与我们同步迭代，就会选择与我们合作，逐步成为我们的生态伙伴。在中国，这种“迭代竞赛”模式极为有效。但在海外市场，也需警惕“竞合”关系：当项目规模足够大时，云厂商可能会自行发布兼容版本，展开直接竞争。

对于希望快速占领中国市场的软件而言，开源是最佳捷径——将代码完全开源、持续迭代，以卓越的产品力碾压竞争对手。同时，商业版本与开源版本相互促进，最终推动整个生态的不断优化。

郭炜：出海后的“开源产品”商业化的核心竞争力是什么？如何做差异化？开源产品如何盈利？

戴冠兰： 开源商业模式可分三种：第一种是提供服务。尽管服务并非最“下等”的方式，但难以标准化、难以规模化，目前成功案例仅有红帽等少数几家；若服务做得不专业，企业可能沦为外包商而被拖垮——这是开源商业化的第一种“死法”。第二种是“Open Core”模式，即将核心功能开源，企业版提供增值功能。

但其风险在于开源版本可能蚕食企业版市场：开源做得足够好能够打败所有竞品，却又可能压垮自己的商业版。第三种是提供更高级别的服务，即“云”模式或订阅服务。

在此模式下，收费不再基于授权许可，而是按使用量、计费周期或席位数收费。目前，多数开源上市公司已将此作为主营模式。

蒋剑彪： 关键在于实现开源产品与商业化产品的差异化，应聚焦于垂直行业的定制化解决方案，因为没有实际的应用场景，就难以实现商业化价值。另一种思路是软硬一体化——通过优化软件释放硬件性能，并在基础设施选型时优先与具备软件能力的厂商合作。

与此同时，还可通过开发者社区活动吸引更多贡献者来巩固技术品牌的影响力。这些营销与生态建设措施，都是支撑商业化落地的重要手段。

郭炜：AI 大模型是否正在颠覆传统技术公司的出海逻辑？现有产品该如何适配 AI 浪潮？如何发挥现有的优势？

蒋剑彪 ：AI 大模型正在将企业出海的逻辑，从资源密集型转向以智能驱动为核心。过去，企业主要依靠廉价劳动力和成本优势；而如今，必须以技术开放和生态协同为基础，通过数据闭环和场景深耕，以模式创新实现转型。

以科大讯飞为例，它就是通过 iFLYTEK AIMarX 智能营销平台，将 AI 驱动的红人筛选、广告投放、数据分析等全链路整合，形成“AI 即服务”的生态输出模式。未来，谁能最快将 AI 转化为可规模化的本地化服务，谁就能在全球市场建立新的竞争壁垒。

戴冠兰： 面对 AI，我们不应盲目追求“全员 AI”或宣称公司转型为 AI 企业，而要明确 AI 的边界，选择最适合团队的应用场景。过度将 AI 与绩效挂钩容易偏离本质，管理者应评估团队特点，明确 AI 在组织中的作用范围，借助合适的 AI 应用提升效率和积极性。

郭炜： 从技术架构的角度看，我认为 AI 将深刻影响整个软件生态。系统的设计是以人作为最终消费者的决策支持逻辑为中心，然而，随着 AI 时代来临，最终的“消费者”更可能是 agent，对数据仓库和复杂 ETL 链路的将被重新设计，甚至消失。

蒋剑彪： 我们要思考 AI 大模型在生产环境中的应用边界在哪里？例如，文档自动生成已取代了原有的写作岗位。随着底层逻辑的重构，原有的多岗位支撑环节不再必要吗，从设计、研发到运营的繁琐流程，将因用户接收信息方式的演进而被简化。

关键环节消失后，我们需要重新审视——AI 时代，用户更青睐“无感知”与智能化体验，这一趋势要求我们在产品开发之初就融入更高效的交互方式。

欧美市场对 AGI（通用人工智能）的追求，正是希望彻底改变人与工具的交互模式——不再是“启动一个 APP”或“打开工作客户端”，而是让 AI Agent 成为用户的天然界面。

面对这种变革，我们在全球化出海时必须要提前布局，只有思考如何将 AI 紧密嵌入产品中，顺应用户习惯的深刻变化，才能在未来竞争中占得先机。

戴冠兰： 我举个身边的例子：一位做基础软件的朋友发现，用户论坛里很多人反映同样的错误。深入排查后，他才意识到是 ChatGPT 生成的代码有问题。于是，下一个版本中，他将这部分逻辑改为自研实现。

这说明，AI 正在改变我们的工作方式。在下一代网关研发中，我们也会优先考虑如何选择合适的编程语言和架构，减少机器生成代码的错误率。

AI 时代将引发 API 使用的爆发式增长，调用主体不再局限于人类终端用户，而是各种 agent。基于此，我们的产品迭代方向是深入适配大语言模型和代理场景，提升对海量 API 请求的管理和调度能力。

团队在落地 AI 时，应结合自身实际，因地制宜地制定方案，既要积极拥抱 AI 带来的效率提升，也要保持理性，不盲目迷信技术。

郭炜： AI 永远是辅助者，决策的指挥棒仍然在人的手中。

戴冠兰： 现在没错，不过也许到年底就会改变，到那时你可能会按照 AI 的指令来做出决策。

郭炜： 我们在 Apache 的开源项目 SeaTunnel 中曾开发过一个专为 AI 适配 API 的版本。过去为开发者做的 API，主要考虑到人的理解和架构优美，但是因接口过多、大模型难以理解而出错，于是我们编写了几个针对大模型的 SaaS 的 Connector API。未来，当模型作为生成器或智能 Agent 运行时，就能按既定流程自动执行任务。

这种方式虽然高效，却也带来新的挑战。在从事 ETL 与数据摄取的过程中，我注意到 SeaTunnel 社区里已出现绕过数据仓库，基于 Agent 与 MCP Server 交互的新数据获取方法，并迅速得到不少用户采用。这让我很震惊，数据仓库将来会不会消失？ETL/ 数据整合行业会不会消失？

打败你的，永远不是你现在眼中看到的所谓的“竞争对手”。讲个故事，小时候，我熟悉两个自行车品牌——永久和凤凰。它们曾在“加速轴”技术上竞争，看谁能跑得更快。

然而，真正颠覆自行车市场的，却是一家外卖公司推出的共享单车，彻底改变了整个行业格局。因此，我感到焦虑：随着 AI 的到来，许多曾被视为核心的产品路线可能会失去意义。我们必须正视这一变革，重新审视产品策略。

郭炜：未来 3 年，中国技术公司出海的最大机会在哪里？哪些技术趋势可能改变游戏规则？

蒋剑彪： 我们需要关注国家重点发展的板块。首先，新能源汽车及车联网、智能网联领域依托我国制造业优势，已处于领先地位。其次，近年来低空经济备受关注，例如上海车展上展示的大量汽车与无人机结合的产品。此外，智能制造领域（如具身智能等方向）成为投资热点。

随着人工智能的叠加，出海应用趋于多样化，其中 AIGC 应用占到了五至六成。同时，AI 游戏领域也在崛起，很多 AI 游戏初创团队已获得大量融资。在应用创新层面，中国 AI 出海企业能够快速孕育创意并迅速落地，而且许多初创团队从一开始就面向全球，其全球化渗透速度将更为惊人。

戴冠兰 ：硬件领域依托国家“国运”板块优势依然明显。硅谷那些所谓的 AI 具身机器人创业公司，很多只是将中国厂商生产的机器人贴牌后去融资，这恰恰说明我国在硬件制造上拥有巨大机遇。

软件部分领域亦具备竞争优势——不仅在音视频技术方面领先，更因版权成本相对低廉，用户基数巨大，为大规模模型训练提供了丰富的数据。在有先进的基础模型加持的前提下，AI 时代最重要的是训练数据的数量和质量，这个正是我们在 AI 赛道上弯道超车的关键。

来源：商财洞察君