Related articles
2026 年的 CES 依旧在关注 AI，只不过，对比前两年 AI 在展示和叙事阶段，今年的 AI 正式进入到真实世界，大家更关注的是落地应用，找到精准的场景。黄仁勋的演讲更是将物理 AI 的概念推向高潮。
随着技术的跃级加上大众关注度的改变，关于 AI 原生终端的话题讨论开始多了起来。CES 2026 期间，在钛媒体 「Talk to the World Forums· 对话世界」 系列论坛上， 微光科技 CEO 戴照恩、黑芝麻智能首席市场营销官杨宇欣与钛媒体集团联合创始人、联席 CEO 刘湘明就 AI 原生终端的变革和发展进行了深入探讨。在一个小时的交流中，三人针对当前 AI 对消费电子的变革达成了共识，相信未来所有电子设备都会具备 AI 能力，从而从底层去改变各个产业终端的发展。
黑芝麻智能首席市场营销官杨宇欣 （右）
需要指出的一点是，任何新技术的爆发多数都源于找到了契合的突破口。场景，作为嫁接技术与产业的核心枢纽，正成为推动 AI 原生终端落地的关键。杨宇欣表示，自己对 AI 原生终端的定义是“ 没有 AI 就失去存在意义” 的设备。目前来看，具身智能领域很可能诞生这类终端。
戴照恩认为，早期阶段，付费意愿强的场景会更有优势。不管是 AI 相关的零部件企业、整机厂商还是算法公司，都需要消费者的支持。“ 与其追求‘everything AI’，不如聚焦单一赛道打穿，做出适配该场景的硬件+软件无感交互产品，切实解决用户的痛点，这样成功的机会更大。 ”
微光科技 CEO 戴照恩
值得一提的是，早在两年前的 CES 上，就有许多所谓的 AI 原生终端出现，但最终沦为泡沫。其实，对于过去的智能硬件和未来的 AI 原生终端，二者之间的定义存在一些模糊的边界，尤其是对于普通用户来说，很难分得清。
对此，杨宇欣给出了自己的判断，称传统智能硬件以连接、通讯为主，用户不在设备身边也能控制、查询；而 AI 原生终端具备自主计算能力，能自己解决问题，而不是依赖人来操作。
“AI 本质上是更自主的强化学习，是原来大数据处理、强化学习的升级版本，现阶段还不能从根本上改变大部分消费电子产品。” 戴照恩进一步说道，AI 眼镜、具身智能这类产品，没有 AI 就没有购买的必要。对厂商来说，最大的挑战就是要走在消费者前面，提前想到 AI 与产品的最佳结合方式，这也是我们身处行业前沿的使命。
而谈到 AI，就不能规避端侧和云端二者之间的界限，究竟哪些数据该上云，哪些该在端侧进行处理分析，不同品牌以及行业之间也存在着一些差异。戴照恩用 AI 眼镜举例，指出其最大的限制就是物理空间和重量，这直接影响续航和性能，目前主流方案是“ 云边端” 数据流。
“ 未来的解决方向是让手机运行本地小模型，处理日常简单问题。回归到一点，就是不管技术路径如何，消费者核心要的是更快、更便捷、更低成本的新技术，违背这个需求的创新，都要考虑商业上的可行性。”
至于在 AI 眼镜等原生终端打造杀手级应用，戴照恩直言目前没有，但很快就会到来，前提是开发者摒弃手机 APP 的底层逻辑，用 AI 原生思路做眼镜应用—— 不再追求“ 超级 APP”，而是聚焦单一问题。
杨宇欣对戴照恩的“ 减法” 思路表示了认同，称不用纠结操作系统，先把交互做到极致简单，让用户有一个每天都依赖的功能，且使用起来不突兀、容易上手，这样产品就会爆发。等显示技术再上一个台阶，在不增加太多成本、不改变交互习惯的前提下提升显示效果，智能眼镜又会再进阶。
以下是 《端侧智能的边界之争—— 谁会成为下一个 AI 原生终端？》 对话内容，略经编辑：
刘湘明：各位观众大家好，欢迎回到钛媒体在 CES 的 MediaStage 直播！今天我们的话题和 CES 主题高度契合，聚焦端侧智能的边界之争，探讨谁会成为下一个 AI 原生终端，接下来有请两位嘉宾先做个自我介绍。
杨宇欣：大家好，我是黑芝麻智能的杨宇欣。我们核心业务是端侧 AI 推理芯片，最早从汽车行业切入，先做自动驾驶芯片，再拓展到舱驾融合芯片。刚刚完成了一笔收购，把端侧 AI 芯片的应用领域延伸到车载机器人以及其他消费电子领域。我们希望在 AI 时代，成为各类 AI 终端的算力底座，相信未来所有电子设备都会具备 AI 算力，进而改变千行百业的格局、解决行业痛点。
戴照恩：各位大家好，我是微光科技的戴照恩。我们是一家专注于 AI 眼镜的公司，随着 AI 技术的融入，也会在更多穿戴领域持续投入。今年我们计划发布五款以上的眼镜产品，这次特意带着最新产品来美国参加 CES，向全球观众展示。目前来看，产品获得了不少关注，这让我们开发者非常振奋和开心，也期待国内用户能给予更多支持。
刘湘明：每年 CES 都有不少亮点，二位在现场转了转，看到了什么有趣的东西？各自带来的展品中，有哪些值得重点推荐给大家？
杨宇欣：黑芝麻参加 CES 很多年了，这次主要展示 AI 算力芯片及解决方案。我们带来了最新一代 AI 自动驾驶算力芯片，算力超过 560T，现在已经能完整运行 VLA 等算法。目前智能驾驶正向更高计算等级演进，今年国内和全球即将落地的 L3 级自动驾驶、Robotaxi 市场，这款芯片都能覆盖。另外，还有新收购公司的小算力芯片，已经应用在车载智能设备中，比如理想最新发布的眼镜，就用到了我们的 AI 算法。
至于现场见闻，我参加 CES 十几年，感觉每三到五年就会有一波新浪潮，前几年 CES 甚至被戏称为“ 车展”，车依然是重要板块，但很多汽车行业的技术正渗透到其他领域。今年最吸睛的无疑是机器人，我们去年 11 月也发布了机器人产品线。因为具身智能的机器人产业链和汽车产业链重叠度很高，我们不仅能复用汽车行业成熟的供应链、AI 软硬件技术，还能把汽车行业的安全技术引入机器人领域—— 毕竟机器人能力越强，潜在破坏力可能越大，目前相关安全标准缺失，车规标准能让机器人更安全可靠地运行。此外，戴总提到的眼镜也是值得探索的方向，手机功能越来越集中，未来可能会分化到更多穿戴设备上，除了手环、手表，眼镜及新形态设备都有潜力。
戴照恩：现场好玩的产品不少，但最值得推荐的还是我们微光的眼镜。我们首创了全球第一款模块化 AI 眼镜，在模块化设计上做了多种创新，既有单色屏幕版本，也有彩色屏幕版本。核心目标就是解决大家日常佩戴与 AI 功能结合的问题。除了我们自己的产品，其他一些优秀品牌的交互体验也让我印象深刻，尤其是国外品牌，他们的交互理念和国内传统工程师思维有不小差异。虽然只是短短几十秒的试用，但他们在体验设计上的巧思，非常值得我们学习。
刘湘明：硬件是 AI 落地的重要载体，但找到合适的场景是关键挑战。二位认为，哪些场景最有可能率先孕育出成熟的 AI 原生终端？
戴照恩：我觉得早期阶段，付费意愿强的场景会更有优势。不管是 AI 相关的零部件企业、整机厂商还是算法公司，都需要消费者的支持。从我们的客户基础来看，教育、医疗、旅游这些场景的付费意愿都比较高，占比也大。反观其他群体，数码极客购买 AI 激进产品的意愿强，但数量有限；普通消费者基数大，可对这类产品的购买力相对滞后。所以我的观点是，与其追求“everything AI”，不如聚焦单一赛道打穿，做出适配该场景的硬件+软件无感交互产品，切实解决用户的痛点，这样成功的机会更大。
杨宇欣：我对 AI 原生终端的定义是“ 没有 AI 就失去存在意义” 的设备。目前来看，具身智能领域很可能诞生这类终端。传统机器人多以控制、编程或遥控为主，能解决的问题有限；而具身智能是先实现智能，再根据场景重新定义终端形态，这是反向研发的思路。而且具身智能不一定是人形，可能是轮式、轮足式等，会根据智能水平和场景需求来设计硬件形态，进而解决行业问题，这是我比较看好的方向。
刘湘明：AI 迭代速度很快，很多早期探索者已经被淘汰。想请教二位，AI 原生终端和之前的智能硬件，在技术、生态、商业边界上的核心区别是什么？如何跨越这种边界？
杨宇欣：我完整经历了 2014-2015 年那波智能硬件热潮，当时的智能硬件很简单，本质就是“ 电子设备联网”。联网后核心是实现数据的保存、追溯和整理，还能实现远程控制，当时卖 WiFi 模块、蓝牙模块的企业都很火。但那波热潮后，很多厂商被淘汰，存活下来的才逐渐转型。两者最核心的区别在于连接和计算能力：传统智能硬件以连接、通讯为主，用户不在设备身边也能控制、查询；而 AI 原生终端具备自主计算能力，能自己解决问题，而不是依赖人来操作。
戴照恩：我不太纠结“ 原生” 的定义，对大部分消费者来说，他们只是想要更好用的产品。AI 本质上是更自主的强化学习，是原来大数据处理、强化学习的升级版本，现阶段还不能从根本上改变大部分消费电子产品。但有些产品确实“ 缺了 AI 就没灵魂”—— 这些产品在 AI 出现前不存在，AI 出现后才诞生，其用户体验必须围绕人与 AI 的流畅、丝滑交互设计，违背这个理念的产品，再套 AI 概念也会失败。
刘湘明：戴总深耕 AI 眼镜领域，能否具体说说 AI 能给眼镜带来哪些新想象？这款产品为何能被视为下一代移动终端的重要形态？
戴照恩：这个问题问得很好。2024 年之前，眼镜与 AI 的结合其实很薄弱：五六年前的眼镜主要用于观影，2023 年左右，以光波导技术为主的眼镜陆续出现，我们也是其中之一。我们把眼镜重量做到了 25 克 （当然“ 极致轻” 是相对概念），让它终于能像普通眼镜一样日常佩戴。眼镜处于人脸的“C 位”，是抓取数据的前沿设备—— 它能看到你看到的、听到你听到的，再通过 AI 分析思考，给你呈现修正后的建议，这种独特的位置让它有资格享受 AI 赋能。
反观智能家居，AI 更多是优化用户体验，比如让洗衣机、扫地机更好用，但这些产品本身的核心功能已经很成熟了。而 AI 眼镜、具身智能这类产品，没有 AI 就没有购买的必要。对我们厂商来说，最大的挑战就是要走在消费者前面，提前想到 AI 与产品的最佳结合方式，这也是我们身处行业前沿的使命。
刘湘明：杨总，黑芝麻从车载领域拓展到具身智能、消费电子，比如刚才提到的 AI 眼镜合作，怎么看待这种战略重心的迁徙？背后有哪些考量？
杨宇欣：首先要明确，黑芝麻现在的战略重心仍然是汽车行业。因为汽车行业的真正 AI 化才刚刚开始，从全栈技术链的成熟度、普通用户的接受度，到即将出台的政策法规，都意味着汽车 AI 化会进入加速期。我一直认为，AI 改变一个行业的重要标志，就是该行业的政策法规开始为之调整。我们拓展到具身智能，核心原因是它与汽车产业链重叠度极高：汽车行业的生产、物流、终端零售等场景，都是具身智能和机器人的重要应用场景；我们的合作伙伴、产业链、供应链也和机器人行业高度重合。
同时，云端训推芯片和技术架构已经成熟，AI 模型的进步让端侧推理的算力需求激增，而汽车是端侧推理中算力要求最高、模型最复杂的场景 （未来可能被具身智能超越），我们已经形成了完整的商业化和技术闭环。对于算力需求较低、模型较简单的场景，我们没有直接沿用现有技术，而是通过并购的方式—— 这在芯片行业很常见—— 获得新团队、行业经验、产品和技术。毕竟未来每个电子设备都需要或多或少的 AI 算力，我们原有芯片的算力覆盖几十 T 到几百 T，收购的小算力芯片覆盖 0. 几 T 到 10T，这样能形成“ 算力金字塔” 布局，覆盖更多场景，毕竟算力越小，设备出货量可能越大。另外，AI 也能让家电发生质变，比如我作为理工男，很多家电都不会用，现在已有家电厂在探索“ 一键启动” 的洗衣机、烤箱，通过 AI 识别衣物、食材，自动调节参数，这种能让生活更便利的方向，也是我们看好的。
刘湘明：云端和端侧的算力、数据分配是个很关键的话题，尤其是眼镜这类受物理限制的设备，在这方面面临的挑战更突出。二位认为，哪些算力、数据该放在云端，哪些该放在端侧？
戴照恩：眼镜最大的限制就是物理空间和重量，这直接影响续航和性能。目前主流方案是“ 云边端” 数据流：眼镜接收信息后传到手机分析，再送到云端，最后反向反馈。但消费者反馈这种模式稍显滞后。我们认为，未来的解决方向是让手机运行本地小模型，处理日常简单问题—— 比如怎么做牛排、怎么洗衣服，这些问题本身不复杂，现在却要依赖云端大模型，既消耗大量算力，对会的人来说也没必要。这就形成了一个消费者悖论：为了这些简单问题，要多花多少钱为 AI 买单？所以不管技术路径如何，消费者核心要的是更快、更便捷、更低成本的新技术，违背这个需求的创新，都要考虑商业上的可行性。
杨宇欣：AI 发展中，算力、能源已经成为重要瓶颈，尤其是端侧，芯片的能效比是关键，我们也在通过架构创新提升能效比。回到云边端分配的问题：首先，大模型运行需要极高算力，如果对实时性要求不高，数据 （尤其是公有数据） 更适合放在云端。云端可以采用训推一体的模式，动态分配算力—— 比如白天多做推理，晚上进行模型训练，毕竟模型还在持续演进。而像汽车这样的场景，一方面涉及大量私人隐私数据，另一方面对实时性要求极高，就必须放在端侧。
端侧目前短期到中期内不需要具备训练能力，算力需求也相对可控，能适配电池供电。边缘侧则介于两者之间，会根据成本、功耗等因素部署。另外，用户成本也是重要考量：云端能通过大量用户分摊成本，降低单次调用的 token 成本；端侧则要平衡硬件整体成本，不能让用户负担过重。
刘湘明：戴总，眼镜受重量、续航等限制，未来 AI 原生眼镜的创新路径，是侧重硬件模块化，还是软件、算法迭代？如何在这些限制下，确保响应速度、体验、续航的平衡，打造杀手级体验？
戴照恩：这其实是两个问题，硬件和软件创新都重要，但方向不同。硬件方面，除了大家关注的更轻、更美，核心难题是解决光学眼镜与 AI 眼镜的重叠问题—— 消费者对眼镜的“ 感觉” 很重要，光说重量多少克没用，必须实际佩戴体验才知道。这甚至涉及商业模式的创新：传统数码产品线上就能买，看宣传片、参数表就够了，但眼镜“ 吃感觉”，线上很难判断。另外，目前 AI 眼镜偏“ 理工男风”，未来在时尚设计上会有很大突破。软件方面，现在眼镜多运行安卓系统，但整体还处于初级阶段，大概只相当于手机行业十年前的水平，需要时间迭代。更关键的是交互问题：很多软件只是把手机 APP 搬到眼镜上，追求功能多，但手机能实现的效果比眼镜好得多，这种做法没有吸引力。必须从 AI 原生的角度，重构 APP 的编程架构、运行架构、菜单逻辑，做彻底的颠覆，才能贴合眼镜的使用习惯。
至于杀手级体验，目前全球所有 AI 眼镜都还没有，不然早就卖爆了。但我认为这很快会到来，前提是开发者摒弃手机 APP 的底层逻辑，用 AI 原生思路做眼镜应用—— 不再追求“ 超级 APP”，而是聚焦单一问题，甚至到最后没有明确的 APP，用户告诉眼镜需求，剩下的交给 AI 就行。短期内，眼镜很难承担太多 AI 计算，主要还是靠手机和云端支撑。
杨宇欣：我忍不住要补充一点，我从 2016-2017 年就接触国内最早一波 AR/VR 眼镜客户。眼镜有个固定认知：AI 原生硬件容易超出用户预期，因为用户没有预设；但在现有设备形态上做 AI 改造，就要达到用户的显性预期。智能眼镜首先要解决“ 好不好看、舒不舒服” 的问题—— 别人能看到外观，自己能感受到佩戴舒适度。Meta 和雷朋合作的眼镜能卖出百万级，不仅仅是因为 Meta 的智能功能，更多是雷朋的品牌基础上增加了智能属性。。
大模型的出现，首先解决了交互问题，所以我特别同意戴总的“ 减法” 思路：不用纠结操作系统，先把交互做到极致简单，让用户有一个每天都依赖的功能，且使用起来不突兀、容易上手，这样产品就会爆发。等显示技术再上一个台阶，在不增加太多成本、不改变交互习惯的前提下提升显示效果，智能眼镜又会再进阶。
刘湘明：杨总的观点很有启发，那在当前算力有限、限制较多的情况下，AI 眼镜的杀手级体验到底是什么？
戴照恩：其实杨总已经说到核心了，现在 AI 眼镜之所以没爆发，就是因为 AI 没真正解决多少实际问题—— 各家都叫 AI，但本质能做的事很有限，哪怕依赖云边端，也没解决生活中的核心痛点。这也是我们微光接下来要重点突破的。眼镜作为随身穿戴的“C 位设备”，最该处理的是个人数据：你每天见了谁、看了什么、吃了什么，你的习惯是什么、有什么待办事项，它能无感提醒，不需要的时候就安安静静做一副普通眼镜，这是我们认为的中后期终极形态，而美学是必要前提。目前来看，杀手级应用的出现，需要开发者用 AI 原生思路做眼镜应用，不再追求功能堆砌，而是精准解决单一需求，甚至无需显性 APP，让 AI 直接响应需求。
刘湘明：AI 原生终端需要全新的供应链和生态，未来硬件厂商、芯片厂商、算法公司的分工协作会是什么样的？戴总作为终端厂商，先聊聊你的看法。
戴照恩：我觉得会是“ 两头凑” 的模式。终端厂商最接近消费者，清楚用户需求，也知道产品卖得好或不好的原因；而底层的算力、AI 模型厂商，掌握核心技术。我们会主动和底层厂商沟通消费者的直接需求，但有些底层技术问题，我们暂时也无法改变。反过来，底层厂商的重大技术突破，对我们来说就是产品的重要卖点，所以我们也要积极拥抱新技术。但终端厂商很难单独改变底层厂商的技术路线，毕竟每家都有自己的发展规划；底层厂商也需要关注终端产品的痛点，只有终端卖得好，芯片厂、算力厂、模型厂才能一起受益。
杨宇欣：AI 出现后，产业链分工格局确实被重构了，尤其是芯片行业。传统芯片厂商提供相关的用户手册、文档，下游合作伙伴就可以使用该芯片；但 AI 芯片不一样，我们要承担更多基础工作，因为要应对共性需求。所以 AI 芯片公司和传统芯片公司最大的区别，就是我们有大量软件工具和模型研发人员—— 这是传统芯片公司没有的。很多传统芯片公司做不了 AI 芯片，就是因为软件储备不足。
我们现在提供的是开放平台的 AI 技术底座，包括四部分：一是 AI 芯片，直接关联算力；二是基础软件，比如操作系统，这是所有计算芯片公司都有的；三是工具链，终端厂商、算法厂商、应用厂商都需要通过工具链，充分利用底座算力，所以工具链至关重要；四是模型团队，我们不直接做模型，而是研究模型，以此赋能芯片架构创新，引导整个体系更好地适配越来越通用的模型。现在大模型让模型产业链进入新阶段，原来做模型的厂商很多，现在会越来越少，因为模型会逐渐标准化、收敛化—— 模型和算法是两层，模型就像过去的操作系统，算法就像 APP，未来算法会基于基础模型发展。而且做基础模型的门槛极高，之前和豆包的人聊过，现在全世界做基础模型，每年没有 500 亿的投入根本做不成。我们做这些基础工作，就像搭建一个舞台，舞台的大小取决于我们的技术能力，而舞台上的戏怎么唱，就靠下游产业链的合作伙伴发挥创新。
刘湘明：在 AI 硬件创新中，硬件和软件哪个更重要？能不能结合各自公司的人员架构，给大家说说实际情况？
戴照恩：我觉得不用太纠结，两者都重要，但从消费者体验来看，软件创新更关键。硬件解决的是“ 买不买” 的问题—— 大家看到一款眼镜外观漂亮、重量轻，可能就买了；但软件解决的是“ 退不退” 的问题，交互体验不好，用户还是会退货。我们公司现在软件人员比硬件多，就是因为软件直接决定了用户的长期使用意愿。
杨宇欣：首先要明确，硬件创新的难度远大于软件。我们作为芯片公司，硬件和软件人员比例大概是 1:3 到 1:4，软件人员也更多。我同意戴总的观点，软件更重要—— 现在想创造一种新的硬件形态，再搭建完整的供应链，难度极大；而软件迭代速度快，能更快优化用户体验。
刘湘明：这次 CES 上中国厂商很多，在 AI 与硬件结合的领域，中国企业的核心竞争力是什么？未来出海该如何发力？
杨宇欣：中国企业有两大核心竞争力：一是继承性优势，就是全世界最成熟、最完善的供应链，这在 AI 硬件时代是绝对优势；二是新晋优势，就是 AI 研发能力—— 开玩笑说，美国的 AI 竞争，其实是硅谷的华人和中国的华人在竞争。中国从事 AI 研发的工程师数量多，而且有丰富的市场和场景，这都是 AI 硬件时代的重要支撑。
戴照恩：杨总说的底层逻辑很全面，我补充几个出海中会遇到的实际问题。中国有顶尖的 AI 模型和强大的制造力，但产品出海和算法出海不一样：算法只要解决输入输出问题，满足用户对答案的预期就行；但产品涉及价格、外形、交互、设计等多个维度，还和当地文化、社会习惯、用户情况紧密相关。比如文字阅读方向，我们是从左到右，而有些国家是从右到左，哪怕 AI 再强，不适配当地习惯也卖不出去。
所以出海前一定要充分了解当地文化，尊重不同地区的习俗，再针对性推出产品。而且出海的运营、宣传、仓储物流成本都比国内高，虽然毛利和品牌溢价可能更高，但对团队的综合实力要求也更高。今年是我们出海的元年，我们也在积极补强这方面的能力，不盲目扩张。
刘湘明：出海会遇到技术壁垒、政策法规、使用习惯等各种问题，二位在这方面有什么经验可以分享？如何突破这些壁垒？
杨宇欣：中国企业之前在标准化设备 （比如手机） 的全球化上做得很好，因为不需要太多本地化；但互联网产品的地域文化属性极强，中国这么多年只有字节通过收购 TikTok 实现了真正的全球化。AI 产品兼具“ 软” 的属性，和数据、文化相关，所以最好的方法就是融入当地团队。以前是中国团队“ 打天下”，现在面对不同场景、不同地域，必须有熟悉当地情况的本地团队，这会催生更多“ 国际公司”，而不是单纯的“ 国际化公司”—— 国际化公司是中国团队往全球卖产品，国际公司是拥有不同文化属性的本地团队。这对企业的管理能力是巨大挑战，如何管理跨文化、跨种族的团队，是很多中国企业未来需要解决的问题。
戴照恩：我的观点和杨总差不多，再深化两点。第一是管理信任问题：海外分公司的管理，核心是双方的信任—— 你信任本地团队，更关键的是本地团队如何信任你。让不同文化、甚至文化自信很强的国家的团队，相信中国管理者能做出更聪明、更敏捷的决策，这是很大的挑战，需要管理者既有出色的管理技能，又有强大的个人魅力，才能凝聚团队。第二是产品本地化和团队协作：比较敏捷的做法是在目标国家设立本地化团队，明确分工—— 前端、售后等贴近用户的工作放在本地，中台核心工作留在中国。
但这会面临文化差异带来的协作问题，过去 15 年，很多留学生回国后，在中外团队间起到了重要的桥梁作用，但这还不够。真正有效的方式是找到当地人担任桥梁角色，才能更好地解决文化融合问题。现在 CES 上能看到两种中国厂商：一种是全中国团队参展，另一种是展台上外国人占比过半，国际化程度更高，这背后其实是管理和本地化能力的差异。
刘湘明：二位分享的都是很实在的经验！AI 不仅改变产品，也对管理带来了巨大挑战，比如现在流行的“ 一人公司”，用小团队就能完成大量工作，可能不需要像传统跨国公司那样雇佣大量当地人；而且 AI 能处理海量参数，改变了传统管理中“ 流程固化” 的逻辑，组织形态、流程复杂度都会发生变化，这对国际化来说，可能是机遇也可能是新挑战，后续我们可以再深入交流。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
