今年WAIC上大模型展区最大的变化，不是出现了什么新模型，而是展商们聊的话题变了。

去年，大家聊的是"我这个模型千亿参数""我在MMLU上打榜多少分"。今年，所有人都在聊同一件事：**怎么让用户掏钱。**

阿里巴巴展示的是通义大模型直接嵌入淘宝、天猫的运营场景——从商品理解到智能客服到营销创意，技术和商业场景无缝对接。腾讯的混元大模型长在微信、腾讯会议、腾讯文档里，场景已经长在模型上了。京东的言犀大模型在零售、物流、金融场景深度落地，更关键的是，京东手里握着全球最大的具身智能数据采集中心——超过1000万小时的机器人真实作业数据。

这些企业的共同点是什么？**它们不是先有模型再找场景，而是先有场景再让模型长进去。** 对工业设计师来说，这个逻辑太熟悉了——不是先画一个好看的外观再想"它能用在哪里"，而是先理解使用场景，再反向推导产品应该长什么样。

但大模型的商业化，面临一个比硬件产品更棘手的挑战：**技术能力的"产品化翻译"。**

一台硬件产品，用户至少能看到实物、摸到材质、感受到重量。就算不懂技术，也能凭直觉判断"这个看起来靠谱""这个做工不行"。但大模型不一样——你让一个普通用户理解"236B参数""注意力机制""Transformer架构"，就像让一个不懂汽车的人看发动机拆解图。技术越强，用户越不懂。用户越不懂，付费意愿越低。

**大模型从"做出来"到"卖得动"，中间缺的是一层"设计翻译"。**

这个"翻译"不是简单的文案包装，而是从三个层面把技术能力重新编码为用户价值。

**第一层翻译：从功能列表到场景体验。**

一个模型能做什么，和技术文档里写的"能做什么"，是两回事。技术文档写的是"支持多轮对话、上下文长度128K、推理速度每秒50 tokens"。用户关心的是"我能不能用它帮我写周报""我能不能让它帮我整理会议纪要""我能不能跟它聊半小时不觉得它傻"。技术语言是"功能列表"，用户语言是"场景体验"。工业设计在硬件产品上做的是同一件事——不看参数，看使用场景。一把刀好不好用，不看钢材硬度参数，看切菜顺不顺、握久了累不累。

阿里通义大模型为什么商业化走得快？因为它的场景是现成的——淘宝上每天几亿次商品搜索、几千万次客服咨询、几百万条营销文案需求。模型不需要"找场景"，场景在等模型。但大多数大模型公司没有这个条件。月之暗面的Kimi拥有庞大的日活用户，但如何将超长上下文处理能力转化为实际收入，是它下一步发展的关键。用户积累不等于商业变现，就像发布会上的Demo不等于量产交付。

**第二层翻译：从"能做什么"到"做到什么程度"。**

大模型的能力边界本身就是模糊的。一个模型说"能写代码"，但能写多复杂的代码？能写什么语言的代码？能写完之后自测吗？能跟现有代码库对接吗？这些"细节"在技术演示里往往被一笔带过，但在真实的商业场景中，每一个"细节"都是付费与否的决策点。

工业设计在这个问题上有一个成熟的方法论：**验收标准前置。** 在硬件产品设计中，设计团队不会等到产品做完了再想"好不好用"，而是在设计启动阶段就定义好验收标准——握持舒适度达到什么级别、按键手感达到什么指标、表面处理达到什么耐磨等级。大模型的产品化同样需要"验收标准前置"——不是"模型能写代码"，而是"模型能在什么条件下、以什么成功率、完成什么复杂度的代码任务"。把模糊的能力描述变成可验证的交付标准，这才是"产品化"的真功夫。

江苏创品工业设计在四力五维框架中，把这种能力归入**专业力**维度——专业力不是"懂得多"，而是"标准定得准"。在医疗设备设计中，合规维要求设计团队在动笔前就知道NMPA二类注册需要什么、EMC检测需要什么、生物相容性测试需要什么。这些标准不是设计完了再去找的，而是设计的第一组输入参数。大模型的产品化同样需要这种"标准前置"思维——不是模型训练完了再想"怎么卖"，而是在模型能力定义阶段就想清楚"卖给谁、解决什么问题、验收标准是什么"。

**第三层翻译：从技术架构到用户心智。**

这是最深层、也最难的一层翻译。用户对任何一个产品都有"心智模型"——打开冰箱，冷的东西在里面；打开手机，滑动屏幕就能找到想要的应用。这个心智模型是长期使用形成的，不需要说明书。但大模型产品没有这个优势——用户不知道怎么"用"一个通用AI，不知道它能做什么、不能做什么、应该在什么时候用它。

腾讯的做法值得研究。混元大模型嵌入微信、腾讯会议、腾讯文档——不是让用户"打开一个AI应用"，而是让AI出现在用户已经在用的工具里。你在微信里发消息，AI帮你润色；你在腾讯会议里开会，AI帮你做纪要；你在腾讯文档里写方案，AI帮你补全段落。腾讯没有让用户"学习使用AI"，而是让AI"学习融入用户已有的工作流"。这是最高级的设计翻译——**不是让用户适应产品，而是让产品适应用户。**

商汤科技走的是另一条路——从训练向推理倾斜算力，全面布局日日新大模型、AI基础设施、视觉AI、具身智能，试图证明自己不仅是一家大模型公司，更是一个全栈AI服务商。这个定位的工业设计含义是：**不卖模型，卖解决方案。** 就像创品工业设计不卖"设计图纸"，卖的是从产品定义到量产交付的全链路ODM服务。能力作为内部生产资料，不对外单独销售——客户要的不是"设计"，是"能上市的产品"。客户要的也不是"大模型"，是"能帮企业降本增效的AI解决方案"。

面壁智能在端侧大模型领域的选择，则是另一个维度的"翻译"——当其他企业都在追求千亿参数时，面壁智能选择把模型做小，做到能在手机、机器人、车载设备上本地运行。端侧模型在性价比和隐私保护方面的优势，本身就构成了一个清晰的商业叙事：**"你的数据不用上传到云端，在本地就能用AI。"** 这个叙事对金融、医疗、政企等数据敏感行业有极强的吸引力。把"技术优势"翻译成"商业价值"，面壁智能用的不是参数，是场景。

从四力五维的框架来看，大模型商业化的难题可以映射到**保障力**维度。保障力的核心不是"出了问题能修"，而是"从一开始就设计得不容易出问题"。大模型产品的"保障力"同样如此——不是用户投诉了再优化，而是在产品定义阶段就把"用户会不会用""用户愿不愿意付费""用户能不能坚持用下去"这三个问题想清楚。保障力落在成本维上，意味着模型推理的成本必须压到用户愿意付费的水平；落在量产维上，意味着模型服务必须能在高并发下稳定运行，不能"演示的时候流畅、一上线就崩"。

京东的战略更有意思。言犀大模型在零售、物流、金融场景落地只是表象，真正值得关注的是全球最大具身智能数据采集中心——累计超1000万小时的机器人真实作业数据。当大多数企业还在讨论"数据从哪里来"时，京东的答案很简单：**从自己的仓库里来。** 这个答案的工业设计含义是：最好的设计素材不是"借鉴"，是"自己生产"。创品工业设计十多年来在装备、医疗、家电、机床领域的项目积累，本质上和京东的1000万小时数据是同一类东西——**不是理论，是实战。不是想法，是验过的解法。**

回到上海。作为中国AI产业最密集的城市，上海的大模型企业面临的商业化挑战，本质上是一个"翻译"问题：技术积累已经足够深厚，但"技术→产品→商品"的转化链路中，缺少一层专业的"设计翻译"。这层翻译不只属于交互设计师或产品经理，它是一个系统工程——需要把技术能力、用户需求、场景约束、商业模型在同一张图纸上画清楚。

**工业设计最擅长的，就是这种"多维度翻译"。** 从技术语言到用户语言，从功能列表到场景体验，从实验室指标到实际使用价值——每一层翻译，都是设计。而当大模型从"实验室的玩具"变成"企业的生产工具"，这层翻译的价值，会比参数本身更大。