$猎豹移动(CMCM)$ 业绩会回放：猎豹移动2024Q1业绩电话会
问题 1：
Nancy Liu, J.P. Morgan： 24 年对于公司的计划和目标是什么？打算主要在哪几个方向发力？是客户量？技术还是产品？
傅盛：我们的目标还是要把我们战略转型彻底贯彻下去，也就是说猎豹移动经过几年的时间，已经从一家 2C 的公司转变成一家 2B 为核心业务和能力的公司。而 ToB 的主要抓手就是大模型、 人工智能的技术浪潮。我们真正要发力的就是把人工智能的应用给做好这一件事。这个方向是我们整个公司的核心战略。 我们自己新定了一个公司的 slogan： 我们要成为人工智能时代下新质生产力工具的提供商。 这个生产力工具这一次我们主要是ToB 这个行业。
那这里具体我们真正的你问这几个点，我们觉得还是产品吧。因为今天人工智能虽然非常的火热，但是真正的能够落地的产品并不太多。可能大模型的技术决策非常的厉害，但是真正哪个企业用户能用的比较好的，现在案例还不是太多，我们觉得现在就是扎扎实实做好企业用户的这个应用，人工智能帮它提效。
此外就是我们把我们的大模型赋能我们的服务机器人，让我们的服务机器人能够有更好的交互能力，更好的自主决策力，但在更多的场景中被我们的企业客户所使用。我觉得24 年能把这件事做好就非常非常就可以了，谢谢。
问题 2：
Thomas Chong， Jefferies：猎豹移动是一家 2C 为核心的企业，现在企业要转型 2B，做大模型私有化部署、 做机器人。企业的信心来自于哪里？ 2B 业务不同于 2C 业务，可能需要花很多的时间去维护客户， 客情关系。请问企业是如何布局的？谢谢。
傅盛：嗯，好的，谢谢你的提问。我觉得信心来自于实践。 去年年底， 我们收购了猎户星空。猎户星空最初也是猎豹投资的。 我也花了不少精力去协助猎户星空。 因为猎户星空一出来就是做 ToB。 所以在这个过程中他们有队伍，然后我们也参与了一些。 我们在猎户星空的收购过程中也学到了很多经验。我们也花了很长时间去学习，包括你说的花很多精力去维护客户和客情关系。我觉得最重要的第一个还是要打造一个适合 2B 的组织能力。我们这半年也花了很多时间。 还有一点我想说的是，除了收购猎户星空以外，其实在几年前， 整个猎豹也做了不少 2B 的工作，包括我们有一个叫做聚云的业务， 给企业提供亚马逊和谷歌的云服务。 我们也是亚马逊，谷歌在中国的这个相当于是金牌，不叫金牌，叫做这个顶级的合作伙伴吧。
所以， 我们其实在那个时候就已经开始不断的摸索如何去和 2B 。如何与 2B 客户做交流。 我们的组织如何去适应 2B 的这么一个市场。应该来说，的确 2C 转 2B 是有很大转型痛苦的。但是包括我在那个的我们管理层都花了很多精力，不仅去学习，也去实践。
你说这个维护客情和客户关系，这个的确做 2B 是要花时间的。当然了，我们现在由于组织已经建设了，有这个类似于华为铁三角，我们有专门的这个 AR、 FR 这样的职位去服务我们的客户。我自己花时间去维护，不是这个客情关系，而是更多的跟客户交流，去获取他们的需求，因为只有作为一把手去了解客户的需求，才能把 2B 的业务做好，这也是这几年我们学到的。
至于说布局，我觉得今天我们的想法就是， 首先我们要打好这个标杆客户，我们现在有几个这个行业的，相当于是顶级客户正在交付。这个交付对我们来说至关重要，虽然我们是这个做 2B 了，但是 2C 这种重视用户体验这一点还是我们的命脉，一定会让我们的客户对我们给他提供服务和产品足够满意。打好标杆客户以后，刚才我也说过，我们能够把一些标准件出来， 就可以做复制。
其次，由于我们 2B 的组织建设，所以我们很多的客户关系可以借用在大模型应用上，也可以用在机器人的这种应用上，这里已经出现了很多交叉的案例，都是大模型和机型的这个客户共同采购的。所以我觉得现在我们应该说猎豹移动重新处在一个创业期，不能说有什么特别大的布局，更重要就是选好人工智能这条战线，然后把这个客户给服务好。在这个人工智能大潮下真正的踏踏实实的做应用，让客户觉得满意。
问题3:
谢谢接受我的提问。我想请教一下管理层，我们Vicky Wei，CITl:管理层，晚上好，看到公司的应收账款、Prepayment、应付账款金额比较大。可否决解释一下这是什么业务导致的吗?公司将如何管理应收和应付?谢谢。
Thomas Ren:Vicky，谢谢你的问题。这几个科目金额比较大的都是和我们的一项广告代理业务相关的。我们猎豹的广告代理业务是帮助众多的中国的广告主从几个比较大的海外在线广告平台购买广告。由于我们确认收入的金额只是广告的代理费，所以客户采购广告和我们应付广告平台的金额的全额都是分别记录到你刚才讲的 repayment,payable 的两个科目。这个业务其实也是一项 2B 的业务,而且我们运营了将近一年,在这个十年间，我们形成了非常严格的机制来评价广告主的信用表现，并且去管理我们的应收应付的账期。我们对这个业务的现金管理还是很有信心的。
问题4:
孔蓉，天风证券:管理层，晚上好，非常感谢今天有这样一个机会。猎户的事情市场比较关注，猎户也是咱俩猎豹体内比较有成长性，比较有发展空间的一个资产，刚才傅总也提到了咱们猎户的大模型业务、机器人业务。我想问一下，后续从猎豹股东的层面，如何去规划猎户的单独上市?因为这块也是市场最关注的咱们猎豹的一个资产，谢谢
Thomas Ren:谢谢您的提问。那个您讲到猎户，其实我们收购了之后，重点猎户的业务重点，就是我们集团大部分 28 的业务都是放在猎户这家主体里面。但是作为猎豹移动这家上市公司，我们始终是致力于为股东猎豹移动股东创造最大的价值。
针对猎户的规划，我们会全面的评估各种资本运作的机会，包括可能的这个让子公司去单独上市或者进行独立的融资。那我们的目标是通过有效的方式去提升猎户的业户表现和市场价值，从而进一步提升整个公司的股东价值。在每一个决策过程中，我们都会充分的考虑市场环境、公司战略以及猎豹移动股东的长期利益，确保我们每一步操作都能为股东最大的回报。
问题5:
MirandaZhuang，BOFA：晚上好，感谢管理层接受我的提问，我这个问题是想请教一下，如果我们看过去的话，很多云厂商在前几年做一些项目制的产品，其实效果也不太好，也看到最近在收缩中。所以，特别想了解一下我们公司在大模型私有化的部署上有哪些创新?公司做的这个项目的收入和利润率大概是一个什么样的水平?可以再帮我们更好的理解一下?在大模型的时代，为什么我们会觉得企业级应用是需要私有化部署?毕竟这几天我们也看到越来越多的厂商提供更标准化的模型，调整工具，也在做各种降价的联动，甚至都做到免费了。在这样一个新时代，这样一个竞争格局下，为什么企业还是要做私有化部署?什么特征的企业更适合做私有化部署，谢谢。
傅盛：好，这些问题还挺多，我简单回答一下。
第一个是云厂商项目制。我没有那么了解，据我知道的一些云厂商的项目，他是做特别大型的、巨大的云的私有化，那个其实和我们今天讲的这个私有化其实概念是不太一样的，但事实上云厂商给他的客户提供足够好的部署服务这件事他是一直在做的。比如说像亚马逊这样的大公司，他们的人员成本已经很高情况，他就让合作伙伴来完成，就像我们聚云就承接了很多这样的项目，而且由于这样的合作伙伴的成本更低，所以也是有不少的这个利润的。
今天我们做的项目的收入和利润率,我们今天坦率讲我们做这个真正的帮助企业私有化部署这件事还是在做标杆的这个时候。我们现在对这个利润率的考量并不是太多。但是,我们现在推出这种模式更多的是这个能够去跟合作伙伴去一起，这个相当于revenueshare 的模式吧。这个等到我们真正有一个特别明确的时候再来讲一件事情。
然后大模型的企业应用为什么要私有化部署?因为，嗯，越是大的企业，它对数据安全的考虑就会越多。而今天你大模型的这个真正你用公有大模型，你真正传给他的很多都是企业的内部的文档，尤其是一些敏感类的文档，其实绝大部分企业都是对这一点上是非常有顾虑的,因为大模型本身的内生能力来自于数据,在数据互联网的数据抓完以后,那其实企业内部的数据也是一个非常重要的数据源。所以这个我们看到的至少客户这一层面是有相当大的顾虑,而且基本上了一定规模的公司都是要求大模型的私有化部署的。
我们和云厂商有什么不同呢?就是我们在做私有化,第一就大模型的私有化部署本身的成本并不高，它不是一个复杂的部署体系，它其实今天大模型基本上引用一些服务器,部两台服务器，这个大模型就可以私有化部署进去，所以它这个本身部署的成本是非常低的。
第二个就是说在做项目制的时候，因为今天我们是做的是 A! 落地，我们部署进去大模型,就大模型有一个和以前的这些应用不同的能力,他自己的推理和理解力是比较强的。所以这让我们去接触别的行业客户，比以前那个时代，包括以前那个时代不仅云，还有SaaS。其实我们是跨领域的能力比以前的大幅度增强，也就是说以前我如果不够足够了解这个行业，其实我很难去进行部署。但是因为大模型可以自己了解。我不知道说这里理解不理解。大模型会自己了解很多专业知识,所以我们的部署的工作量,不叫部署,叫做帮他去做应用的工作量会比以前要少很多。而且它一旦形成了这种中台以后，它的那个就是可复制性也会强很多。
举个例子，我们当时讲，我们之前讲了一个这个为一个政务化的项目做这个公积金，老百姓去做公积金，它可以直接问问题，这个我们开始做了挺长时间，但是等到第二个客户来的时候，我们的部署可能也就花了这个两三周的时间就完成了
第三个就是你问的这个云厂商的大模型推理成本在不断降价，甚至免费。现在免费的大部分开源模型，而开源模型真正在使用的时候，我们遇到的客户绝大部分都是要求自己私有化部署的。当然，私有化部署分两方面，一方面叫做内网的私有化部署，这对于安全级别要高的。还有一种叫云端的私有化部署，也就是我在云端布一个模型，但是模型只给我用，就不能给别人用，数据不能交叉。这种部署也是用私有化部署，所以你刚问的那个其实主要还是数据安全的考量。当然，其实如果你的大模型用的多的话，你部一台机器的成本比你不断的去，当然现在 token 也在降价，这个其实还是会有些优势的。
第三个就是那个什么样的企业适合?我们觉得越大规模的企业越需要数据安全,所以反过来这就是一个对我们来说也是个好事情。我们更多的企业需求来自于这个支付能力很强的大企业，谢谢。
Q6:
Jonos Lu，华泰:管理层是如何思考机器人业务和大模型之间的关系?以及说我们今天公司 allin 了大模型企业级应用，这个对机器人业务有哪些促进作用?
傅盛：因为我们做的机器人不是这种工业产品的机器人，那种自动化机器。我们做就是服务业的机器人，我们本身的客户群就是企业用户。我们收购猎户星空以后，他们更多是代理体系。他们的代理商也不仅仅做这个机器人业务，也做很多企业的信息化，信息化实施和信息化部署业务。所以仅从渠道上来说，它很大一部分就是可以去复的。
第二个从技术点上来说，这个大模型就是机器人的大脑。以前，机器人这个产业，除了工业机器人之外，其他机器人其实一直都发展的不够好，很重要一点就是这个机器人的大脑能力没起来。现在这个为什么具身智能这么火呢?其实就大语言模型带来的决策力和判断力的增强以后,现在大家都认为这个服务机器人这个产业,或叫人形机器人也好或者叫类人型机器人也好，就大家都认为它的未来会很好，就是因为大模型的突破。
那么，我们这个关系是什么呢?一方面，我们刚讲了客情关系是可以复用的，很大一部分都可以复用的啊。就是 2B 的这种企业客户，你一旦建立连接，你发现卖机器人的，他还会对你的大模型感兴趣，跟你大模型谈这个，他会觉得，机器人你也能去帮他提很多岗位。
第二个更重要的是如果我们不把大模型能力锻造好的话,我们的机器人长久来说就会失去竞争力，对吧?因为我们做机器人不是做一个硬件产业，而是真正的做自主决策力。我们现在通过对大语言模型训练，包括微调应用等等，这些我们对大语言模型的能力如何用在机器人上有了更清楚的认知。我们内部现在已经开始做了一些具身智能方面的训练，已经不再是单纯做大语言模型的训练了，也就是说我们机器人上结合具身智能和大语言模型，它的能力会不断的延展。
现阶段能看到的就是，以前我们做了很多年语音交互机器人，也就是接待讲解这个，一直成长性不够好。是因为用户体验一直上不来，那个问题问出范畴他就回答不了。现在有了大语言模型，基本上交流的顺畅度、满意度都大幅度提升，对吧?我们对市场也披露过一个数据，我们当时帮客户做这个，相当于这个企业问答，用户问答，我们准确能到做到 97% 左右。这个数据就使得你想一个机器人能够给你在讲解的时候能回答那么高的准确率，它的实用性就相当于人了。而且这个准确率提升还不是靠以前这个大量的人工的去这个做问答，而是只要把一些文档输给机器人对这里的了解，对吧?就能够去做到一个很高的程度。所以，现阶段已经明显可以看到在讲解、介绍这个场景下，用户需求在增加，尤其大语音模型本身又是多语言化的。
以前我们在海外的机器人更多只有递送，因为跨越语言对我们来说工作量都很大，但现在一个大语言模型，它天然就是一个多语言的，所以我们下一步也会在海外推出这个语言交互的这种机器人，当然长远来说我们也在做一些机械臂的训练，让机械能够去做些这个工作，当然这还需要一些时间，谢谢。
Q7
Boris Van，Bernstein:我们在大模型部署在这个场景，竟争是其实蛮大的，很多大的公司也在里面。请问我们有什么竞争优势吗?在AI人才方面，你们对AI人才的趋势怎么看?你们还需要相关的人才吗?
傅盛:这个问题还是挺好的，就是我先想强调一下，我们收购的猎户星空其实在 17、16 年就创办，当时就已经开始做人工智能了，而17 年的时候，猎豹移动就喊出过 allinAl 这种口号，也和猎户星空进行了很多这个 A| 方面的协同。
所以，应该说我们的经验不是从去年开始的。虽然大语言模型和之前的模型有一些特点的不一样，但它的本质的底层神经网络 Transformer，我们在最早的 TTS 上就已经使用过。语音模型上就有一部分用过 Transformer 的一些构架，所以我们整个队伍对这个transformer 整个理解是经过长期沉淀的。
微调这件事你说竞争优势，我觉得更多的是来自于颗粒度，就是能做得足够细。因为微调本身它是大概十几万条语料的准备。还有就是根据场景去做好数据方面的精修。这里面其实要花很多的心思，和认真的细节管理，还有和用户需求的沟通。这里我觉得如果讲竞争优势，或者说谁有什么竞争优势，我觉得在这么一个激烈的市场下面，很难有家公司说他自己在技术上有什么独到的、不可逾越的优势。我觉得我们更多的优势是来自于跟客户、跟市场的结合。就是我们真正主打的，微调这件事儿，这个主打的是一个快速的，迭代的过程，而不是某一个点你做了，人家做不了。所以，我们不断的强调用户口碑，还有对于一些项目落地的重要性。
然后你讲私有化部署本身，大模型私有化部署本身其实根本就不难。我们真正做的不是说大模型私有化部署这件事，而是把它部署到用户的网络里以后，去根据用户的业务特点，及业务需求去做相应的应用套件。这件事的难度在哪呢?在于说今天模型的能力并没有达到一个通用，就 AGI的这个地步。今天大语言模型的能力有一定的推理力，但是它离企业场景的需求是有一个可能是挺大的 gap。这里需要做应用，这个做应用这件事儿拼的竞争优势就是你对客户需求的洞察。和在这个需求里面，去真正用一整套技术手段，去帮他提供一个解决方案。因为客户只关心对我来说满意不满意，而不是关心究竟是模型解决的，还是应用这个套件里的其他技术解决的。
我们经过实践发现，即便是像 ChatGPTopenAl 这样的模型，你真正用在很多企业里面，只是做一个专业知识问答，它的满意度，客户都是不能满意。这是我们自己经过了实践。所以要经过客户的需求去定制一些套件，这些套件去协同大模型工作。这个协同工作以后才能让用户真正达到所谓的数字员工的角色。
这个其实现在看起来市场上缺乏这样真正的能够给客户提供满意的解决方案。这个是我们对市场的一个理解。所以你问的这个竞争优势，其实我们就是和客户的需求去探寻，然后把细节做好。
至于说相关人才这一点上，第一我们的这个领头人的，因为涉及到，我们就不讲，但是也是发过论文的，也有足够的学术和产业的前瞻性。在具体的实施的人员和算法工程师上，其实中国的人才储备是相当多的，在这一点上就是市场上招这样的人不是太困难。
而且我们并不准备去在大模型的大参数量和极致能力上去进行竞争。所以，我们对所谓的特别顶级人才的需求，没有那么高。我们更多的是结合现在我们认为已经供给过剩的大模型的能力去给用户，给我们的企业客户，提供一套解决方案。这件事情上是我们的发力点。谢谢。
Q8:
Ritchie Sun，HSBC:管理层，晚上好，谢谢你们的时间。我可能问一个问题，就是关于私有化部署。我们怎么看,因为其实这些模型一直会持续迭代。在我们提供的产品,我们如何去看这种迭代?对我们的提供的一个产品方面，我们怎么去看这种迭代对于我们的成本的影响?我们怎么去保持迭代效率?还有就是当我们对基于企业场景为客户做选择了一款大模型，做完一些微调部署、应用。企业也用了起来了，但其实迭代模型迭代速度非常快,当模型迭代之后,是不是就会完全覆盖了我们为企业微调的大模型的能力?谢谢。
傅盛：非常感谢你的问题。说这里面有几个概念，我先讲一下。就是微调还有应用。这两个是不同的概念。其实在大部分企业的场景下是不需要单独为企业去做大规模的微调。因为现在模型的基础能力,在百亿参数以上。现在我们认为 300 亿参数的模型的基础能力,在大部分企业应用的框架下，基本可以满足。而且一般的企业，很少会有那么多的数据提供出来，能够微调到大模型产生更多的变化。
我们现在更多的做法是，通过做应用套件的方式，让模型和企业的需求结合起来。这个东西就是当模型迭代的时候，应用套件并不会过时，因为应用套件更多的是结合企业内部的一些系统，比如说去调用它。你问大模型一个问题，比如说我今天拿一个证件怎么去办?他就说你要提供什么什么证件，对吧?你告诉你身份证号，然后你告诉了以后，他就把身份证号去查那个接口，这是我这是应用的一部分，这种应用的接口写完以后只要你的模型在迭代，对它是没有什么影响啊。
这是第一个，第二个其实模型能力增强以后，对应用的顺畅度、准确率各种方面用户体验会提高，这个我觉得一点不冲突，但是现在看起来模型的能力再提高，也不可能知道每个企业的需求，就是你深入进去看企业的各种需求那是不一样的。今天的模型都是基于互联网的数据训练的。比如猎豹移动，他完全不知道猎豹移动的行政的需求是什么，它的内部文档是什么?还有人工的需求是什么?这些都是需要应用去解决的。现在看起来这个模型的升级，最近也有几个开源大模型升级，我们都特别欢迎，因为这样的话，我们的应用可以更好的坐在上面。
这和以前的有一些东西还不一样，就是因为模型升级第一个 AP!的接口，它不会怎么动。第二个我们更多是通过提示词去跟它做交互，模型升级以后，这些都不会受影响。模型和应用套件就是一个配合的关系。目前看来这个在很长的时间内，或者我几乎都认为在相当长的时间里，不太可能一个模型往上一部署，用户就能用。这里其实企业级的应用还是有挺多的机会的，也是有很大的需求的，对吧?
我们也可以看,即便像 OpenA! 这样的公司,它也是开放了 GPTS,开放了更多的 AP接口，让更多的这个企业去真正的实际去做应用开发，所以我觉得这种担忧我们目前是没有的，谢谢。
Q9:
WeiFang，Mizuho:我想问一个关于芯片的问题，就是现在我们知道国内的高端芯片还是受限，对吧?那首先我想问猎豹，你自己会持续的训练自己大模型吗?另外，你们在给客户端，在这些企业客户帮他们做这个模型的微调以迭代的时候,怎么解决算力问题?
傅盛：第一个我们自己训的大模型，我们的参数量刚刚已经说，我们训的是 100 多亿参规模的模型。我们现在还在训一个 MOE 的,但参数量也不会大很多的模型。因为我们更多是考虑企业的实施成本，因为这样的一个参数量的模型，如果真的用起来，大概它只需要一个高端一点的服务器，就能使用了，所以这也是结合用户需求来的。这第一个点。所以,我们对芯片的需求没有那么大。比起很多做千亿参数或者更大参数的大模型公司，芯片需求没有那么大。
第二，我们觉得就是今天的大模型的训练，的确是非常卷。我们也没有必要在这上面去做重复的大规模建设。我们其实很早之前就认为开源的社区会非常繁荣，越来越多的性能足够好的开源模型会涌现出来。今天看起来情况也是如此。而且这就使得我们在选择模型的时候，不仅有我们自己的模型，还有很多开源模型直接可以和客户来提供的。所以，我们对芯片的问题没有那么担心。
我们现在更多的会把我们自己的一些训练，除了你刚问的这个大语言模型这件事，我们可能会更多的往具身智能和机器人协同上去做。因为我认为语言模型的供给已经足够满足市场需求，我们也是在上面去做更多的应用。我们不是在卷语言模型本身的能力。所以我们对芯片这个事没有那么担心。
精彩评论