详细的AI对软件各行业影响背景请见我们之前的文章《AI如何颠覆软件：你能为AI打工吗？》。

我们正在每隔一周举办AI对软件行业的研讨会，详细的讨论会信息和报名链接请见文末，下一期我们将讨论AI工具对设计流程的影响。

工业软件是对工业研发设计、生产制造、经营管理、服务等全生命周期环节规律的模型化、代码化、工具化，是工业知识、技术积累和经验体 系的载体，是实现工业数字化、网络化、智能化的核心。--摘自CSDN

• 结构化：把人的经验通过分析，挖掘的更深更多，并且存储下来，如大数据分析，可视化等

• 模型化：变成机器能够操作理解和自动操作的，如ML等

• 工具化：用更巧妙的的UI，更高的算力

• 数据、结果：用更多、更准确的手段去收集，比如说更多的sensor

• 反馈：更快的传输，5G，新的IOT协议等

• 场景：更多的场景的细分，包括去融合更多具有行业特色和环节特色的东西，比如说从一般的机械设计用的CAD分化出芯片设计专用的EDA等

工业软件各领域市场规模及前景

整个工业行业可以根据生产产品及流程的特点分成两类，即离散工业和流程工业。

离散工业指的是：

• 机器( 机床) 对工件外形的加工，再将不同的工件组装成具有某种功能的产品。由于机器和工件都是分立的，故称之为离散型生产方式。

• 生产过程中基本上没有发生物质改变，只是物料的形状和组合发生改变，即最终产品是由各种物料装配而成，并且产品与所需物料之间有确定的数量比例，如一个产品有多少个部件，一个部件有多少个零件，这些物料不能多也不能少。

• 离散行业的典型细分有机械制造业、汽车制造业、家电制造业等等。

而对应的流程工业指的是：

• 通过一系列的加工装置使原材料进行规定的化学反应或物理变化，最终得到满意的产品。

• 由于生产过程是24 小时连续不断的，故称此类生产类型为流程型或连续型。流程型行业的特点是管道式物料输送，生产连续性强，流程比较规范，工艺柔性比较小，产品比较单一，原料比较稳定。

• 流程行业的典型细分有医药、石化、电力、钢铁等领域。

Aspen Tech 成立于1981年，总部位于美国马萨诸塞州的贝德福德（Bedford）， 是一家重点在流程工业，提供系统级工业软件的公司。从流程工艺仿真和模拟为开始，逐渐覆盖整体流程工业各个环节的软件公司。年收入为7.3亿美金（FY2022), 员工人数~3600人。

从Aspen Tech的发展来看，我们认为可以分成4个阶段，总结来看是起源->专注于流程仿真阶段，提供点状软件->进入MES领域，提供流程优化->形成系统级软件方案阶段->扩展到资产管理和维护阶段

1977年美国为了应对20世纪70年代的能源危机（即OPEC对“赎罪日”战争支持国家的石油禁运），更高效的使用有限的化石能源。即想通过一个更牛逼的仿真软件预先模拟出ROI更高的工艺路径，然后再进行生产。

于是启动ASPEN（Advanced System for Process Engineering）。该项目由美国能源部Department of Energy (DOE) 和美国、欧洲和亚洲超过65家流程工业公司出资，耗资600万美元。该项目由Lawrence B. Evans教授领导，有31名访问工程师、项目教师和专业人员，以及7名博士后和135名学生（毕业生和本科生）参与。

这个项目具体解决两个问题：

• 开发一个技术上和经济上都高效和一致的系统来评估拟议的合成工艺。

• 开发一个 "下一代 "模拟器，以推进最先进的工艺，具有处理任何流程工业场景的能力。

ASPEN项目解决的最大问题是对于复杂的化合物和反应机理的数学描述。在此之前，大多模拟器只能做单阶段气-液反应的仿真。而且得是简单的化合物。而大多数炼油和化工过程涉及固相、气相和液相，也是个多阶段，涉及复杂化合物（比如说煤）的反应过程。ASPEN项目攻坚了这个部分。项目共产生6篇博士论文，23篇硕士论文，以及其他27篇公开发表的文章。至今项目成果仍然是Aspen Tech最核心的竞争能力。目前Aspen Tech得数据库已拥有37,000种成分、127个属性包和5百万以上数据点和相互作用参数的数据库。在这个行业里面保持了领先。

到了1981年，项目的主要目的基本达到，根据美国的相关法律，相关知识产权无偿转移给了MIT。为了更好的实现这些知识产权的商业化。1981年8月，拉里-埃文斯和ASPEN项目的七名成员（乔-波士顿、赫伯特-布里特、保罗-加利尔、周-陈、弗雷德-齐格勒、霍华德-赫尔佐格、安迪-雷）在MIT的帮助下成立了AspenTech公司。

从公司层面上，Aspen Tech凭借着机理模型的优势，成功地挑战了当时市场上的知名产品，如Chemshare和SimSci(主打产品Pro-II），并在美国、欧洲和亚洲建立了市场地位。

Chemshare和SimSci当时在炼油市场的仿真在当时有着比较明显的优势。所以Aspen Tech起初GTM刻意避开了炼油市场，避开这两家当时颇具实力的仿真软件公司，而是选择了化工市场，然后在化工市场立足之后，开始反攻炼油市场。

1982年发布了市场上第一个化工流程仿真软件Aspen Plus。陶氏化学（Dow）是 最早使用 AspenTech 过程模拟软件的客户（合作从ASPEN项目时代就开始了）。陶氏最初使用 AspenTech 的软件来分析和优化位于德克萨斯自由港的新环氧乙烷/乙二醇工厂的设计。化工行业一直以来是Aspen的优势行业。

1984年发布了针对炼油厂（Downstream）仿真的软件 Aspen PIMS（Process Industry Modeling System）开始向炼油行业进军。同市场上其他竞争对手不同的是，Aspen Tech并不是单纯注重于单个反应装置/流程的仿真和优化。而是推出了市场上第一个plant级别的仿真。因为Aspen Tech对物质性质和反应机理研究的透彻，所以它可以在整个物质流转的全流程实现建模和仿真。利用这个优势逐渐将炼油行业也变成了优势行业。

1985年开始，AspenTech开始以大幅折扣向教学和研究中使用此类产品的大学授权其软件产品，以便在学生进入工作场所后满足未来的需求。至2003年，Aspen Tech向全球680所大学提供其软件，累计9万名化工系毕业生用过Aspen Plus软件。到今天每年全球70%的化工系学生需要学习和使用Aspen的软件。这为Aspen的普及奠定了很好的基础。

清华大学2022级本科生教学手册（化学工程系）

1988年，Aspen 发布了能够在386 PC机（80386是英特尔于1985年发布的产品）上使用的Aspen Plus ，极大的拓宽了用户基数

1994年，AspenTech成为一家上市公司，在纳斯达克上市。

但这个阶段Aspen的产品体系还是以点状仿真产品为主的。比如说在材料物理特性、蒸馏塔的仿真、电解工艺、高分子模型方面有比较明显的优势。但是整体还是偏向于稳态的建模和仿真，产品能够进入较多的垂直的流程行业，除了大宗化学品化工（Bulk Chemistry）、能源下游（炼厂）、工程&采购&建筑等，还涉及了包装消费品、食品与饮料、制药、发电和造纸。但除了化工、能源和工程&采购&建筑之外的行业多数是以少数几个标杆客户为主，很难说取得了行业优势。

通过一系列并购进行模块和能力补足（~10家以上并购）

• 动态优化：1991年并购了SPEEDUP，将优化拓展到动态优化，更符合流程工业的特点。比如说对中间停、关机的影响，外部的价格的扰动、中间换料的影响等等；1995年并购ISI，开始将采数频率和仿真细粒度到10秒级，将整个优化推进到实时优化；1996年并购SETPOINT和DMC，进一步加强和APC的数据打通和整合。

• 围绕生产整体环节进行产品的补充：1998年并购Chesapeake Decision，将业务范围扩展到供应量（SCM）的管理、优化和服务。

至这个阶段结束，公司已经形成了三个维度上的方案：围绕工艺和生产的Aspen Engineering Suite，围绕供销的Aspen Supply Chain Suite和围绕工厂设计和运营的 Aspen Manufacturing Suite。 

2005年，Aspen Tech发布Aspen One，开始进行系统级的整合。并且将付费模式改成订阅制。自此之后产品迭代明显加快，几乎每年会有一个新的AspenOne的版本出现，目前已经迭代到V14。

AspenOne标志着Aspen Tech的软件从局部最优走向系统级优化。是市场上第一个技术整合级的产品。

Aspen Tech在该领域的布局也是以一系列的并购开始的，从16年开始，先后并购了Fidelis（2016年6月）、Mtell（2016年10月）、RtTech（2017年12月）、Sabisu（2019年6月）、Mnubo（2019年7月）、Camo Analytics（2020年11月）、Inmation（2022年10月），并于2017年开始发布相关产品，形成了IOT数据分析（AIOT）和资产绩效优化（APM）两个产品线。这两个线之间是紧密耦合的。从产品架构上来看，经过多年的并购和自研结合已经形成较为完整的能力栈。

Aspen Tech的核心竞争力是关于反应机理的理解所形成的数据库及相关专业人才。

机理模型的原理与优势：

• 机理模型（白箱）：根据对象、生产过程的内部机制或者物质流的传递机理建立起来的精确数学模型。它是基于质量平衡方程、能量平衡方程、动量平衡方程、相平衡方程以及某些物性方程、化学反应定律、电路基本定律等而获得对象或过程的数学模型。机理模型的优点是参数具有非常明确的物理意义。这类模型存在在各行各业，需要充分的输入条件，通过模型得到输出，可以模拟整个过程。

• 非机理模型（黑箱或灰箱、统计模型）：人工智能，以神经网络为代表，当然也有决策树、遗传算法以及支持向量机等等。这类模型输入不全，通过海量的数据，将数据进行组织形成信息，之后对相关的信息进行整合和提炼，在数据的基础上经过训练和拟合，形成的决策模型。

• 举个简单例子，对于这个反应方程式，从机理角度上是能解释得很清楚的，无论是从分子原子作用力，从能量的角度都有一系列的解释。可以说这个反映的机理是清楚的。

• 另外一种情况是，做了100万次实验，发现两分子氢气和一分子氧气在点燃情况下生成两分子的水，这个统计结果符合大数定律。我可以认定两分子氢气和一分子氧气在点燃情况下和两分子水具有统计学上的相关性。这是一个pattern，这个pattern就是统计模型。

机理模型与统计模型的比较

拿金庸的武学理论举例。机理模型，比较像传统武学，讲究内功+心法+招式，研究机理核心是研究招式和招式与内功、心法的匹配过程。难度就在于搞清楚其中的因果和来龙去脉。这好像在练龙象般若功。此功一共分为十三层，每一招都有千斤之力。武学奇才金轮法王都只练到第十层（说明机理模型太难搞懂），就已经可以和五绝，周伯通等高手正面较量（搞懂了就很厉害）。

而统计模型更像小无相神功，主要研究内功+心法（算力、算法），不研究招式（机理）。然后无论什么招式（入门简单，毕竟统计的基础并不是因果），都能够运用的出来（只讲究数学上有pattern，不一定因果上有意义）。但毕竟不知道招式和其中的因果，还是有很多缺陷（我只能打出我见过的招式，没法突破和演化）。

还有一点在于统计模型因为更多是pattern而不是必然的因果，而且很多模型的可解释性比较低（比如说Deeplearning这种），跑出来的结果如果不能够让相关管理/控制人员搞清楚为什么要这样做，是比较难进行落地的（担心可能会造成潜在的安全问题）。所以目前来看，机理模型在相关行业里面还是有很大的优势。

Aspen Tech在机理模型上面有好的积累，当然也看到统计模型所带来的优势，所以在2020年推出了机理模型和机器学习模型结合的混合模型（Hybrid Model）。在帮助客户快速落地、形成系统工程级的仿真和优化系统有比较大的好处。

落地出来会有三种形态：

• First Principles-driven Hybrid Models: 通过该模型，现有的机理模型通过一些算法和来自运营的数据得到增强。机器学习被用来寻找可能的未知值及其关系，后续通过机理模型进行确认，从而对模型进行校准。这种方法是机理模型的自然延伸。优点是快速和容易采用，并大大增加了模型的准确性。

• Reduced Order Hybrid Models: 机器学习被用来创建一个基于大量模拟运行数据的经验模型，并辅以约束条件（如质量平衡）和专家知识。机器学习建立了一个适合目的的、高保真的、高性能的模型，该模型在它所处的范围内是准确的。有了Reduced Order Hybrid Models，可以将建模的规模从Unit扩展到整个工厂，并在设计、运营和维护中同步模型。

• AI-driven Hybrid Models: 适用于经验不足的用户（工艺情况及产生结果数据积累比较少），机器学习被用来创建一个经验模型基于工厂或实验数据，并辅以第一原理 (如雷诺数)、约束条件(如质量平衡)和专家知识来创建一个经验模型。能够迅速产生一个全新的、更准确的预测性模型。

相比很多SaaS动辄20-30%的annual attrition rate, Aspen Tech在这一比率上还是相对比较低的。这在于Aspen Tech软件在客户中所能创造出的比较高的价值。

主要有两个原因：

• 该类软件有非常高的投资回报：平均花费在200-400万RMB/年，而使用Aspen Tech的软件平均产生价值在2,500万美金/年。客户除了较为特别的原因，比如说停产、合并等基本上会持续付费。 公司举的例子，比如说在一个炼油厂，对烯烃装置的优化，仅是对规划模型的更新(运用了Hybrid Model)。将关键Unit的更精确的描述、快速运行的减序、非线性混合模型嵌入用于规划的LP模型。就为一个典型的20万桶原油炼量的炼油厂每年创造超过1,000万美元的收益。在APM方面，通过数字孪生，在污垢监测用例就可以为一个换热器每年创造数百万美元的价值。反应器结垢和催化剂监测可以为每个催化剂反应器装置每年创造500-1000万美元的价值。

• 数据迁移成本较高。同一公司自己的不同软件之间是相互打通的。但各个公司软件有所差别，在一家公司的套件上形成的完整流程，迁移到另一家公司上需要比较大的工作量。

系统工程是什么：

• 一般来说企业的价值漏损或者说优化的方向存在在五个层面。通过目前大多数工业软件可以做到装置层面的优化（即从下向上数的第三层），那么优化的成果是通过无数个局部优化的累计。

• 但这不保证能够获得比较大的优化结果。因为绿色小方块级的优化需要无数个小点的积累，另外还有两层的优化空间是无法获取的。

• 于是有了系统工程这样的角度从整体去实现优化效果的最大化。即在每个层面上不一定取得最大的优化效果，但是作为一个整体可以获得最大的优化效果。

实现系统工程级的优化需要两个维度的基础：

• 空间维度，在Molecular-Phase-Process 层面要有足够多的抓手，即足够多的单点，才有机会通过对单点的连接实现对于 Plant-Production System整体的认知

• 时间维度：需要从生命周期的角度去动态考虑。流程工业是个不中断的系统，也有时间段内进行优化的空间

Aspen Tech 在整个产品lifecycle 上的布局

DCS、SCADA和PLC和传感器绑定较深，Aspen Tech主要完成了取数的对接，没有亲自做硬件。但是2021年Emerson和Aspen Tech之间的反向收购在产品体系上也帮Aspen Tech更好的补全了一这块产品。

个人认为这是一件有巨大价值的事情：如果说SAP是以物料+财务作为贯穿企业的核心脉搏并形成标准从而进行泛化和渗透的话，SAP其实是通过软件提供了一整套企业对于物料+财务的管理方法。而Aspen Tech所做的是以物质+反应+财务作为贯穿企业核心脉络，未来非常有可能形成标准的一件事情。而SAP的目前核心壁垒是管理的标准+代码量（对于管理动作在软件的细节刻画）。Aspen Tech除了能够形成这两点之外，还有是对于相关反应的知识积累，这是深入到目标客户企业的优势。

广义的APM（Asset Performance Management）是包含两部分的：

• 一个是狭义的APM（Asset Performance Management），主要关注有什么资产，这些资产处于什么状态。

• 另一个是PHM（Performance Health Management）是通过实时监控来帮助跟踪、诊断和预防关键资产故障。这是一种通过避免计划外停机、减少运营支出、提高资产利用率并最终优化资产生命周期成本来提高资产性能的方法。

• 对于PHM，关注我们上一篇文章C3.AI的读者们会非常熟悉，这就是C3目前业务的核心领域。

如何进行故障得预测和诊断呢？主要两个方式：

• 方式1：统计，从已知推未知：a.从自己的过去推：历史上在某些运行状况下设备/装置出现问题，那么记录下来，下次遇到类似的运行状况推断大概率会发生这种问题。b. 从自己的同类推：一个厂商的买了同类设备，比如说100台，有几台在某些运行状况下用到的比较久。那么研究这几台的工况和维护方法，剩下的90多台机器效仿类似的策略。c. 从别人推自己：同一个厂商的设备，在不同客户那边，有的客户用的比较久，研究这个客户这几台的工况和维护方法，然后告诉其他客户也这么使用和维护。

• 方式2：仿真，设备和其运行都是一系列物理原理和化学原理的组成。那么按照这些原理，抽象成数学模型。看模型的机器什么时候坏。就能做一定的推断。比如说我一个罐子装的是腐蚀性液体，那么腐蚀性液体是怎么腐蚀罐子导致故障的。那么我可以模拟腐蚀这个化学过程，从而测算出到什么时候罐子就会坏了

• 方法1是现在市场主要使用的方式。最核心是有这类数据。从方法来看，掌握核心数据的是设备厂商和一些大规模的客户。方法2，非常牛逼，但是这个核心机理非常难搞清楚。目前在这个领域的机理模型尚未形成（腐蚀有API标准，但是还未普及）。大型机组磨损等等这些的理化原理尚未刻画深刻。所以大家都在用统计的方式去解决这个问题。

• 巨大的市场空间：仅以制造业来看，因为故障停机，每年造成的损失总计约为~10,000亿美元, 占全球GDP的1%。 假设投入10%的资金，来避免90%的损失，那么市场天花板在1,000亿美金，是一个非常可观的市场。而且产品对于流程工业和离散工业的差异没有其他环节差异性大，存在一定的通用性。

• 厂商侧收入和增速较快：实际市场来看，在21年大概30亿美金左右，至30年，达到~250亿美金的规模，CAGR在~30%。

整个APM的历史，其实是可以追溯到上个实际80年代。但是为什么在近些年，关注度才逐渐上升。主要原因是：

• 用于APM的IT Infra进化较多：简单来说，这块的信息化肯定不像DCS、MES这种这么刚。所以为这种系统额外花费成本（比如说搭建网络，部署sensor，建立数据分析平台）在基础系统没有那么digital的情况下是一件“奢侈”的事情。随着IOT传输技术、数据平台的普及，现在成本有了比较显著的降低。以sensor来说，单个sensor 成本10年内降低了至少70%。这意味着单位数据采集成本越来越低。

• 客户的认知度上升：长达20-30年的宣传和洗脑，客户对相关概念的理解和价值认可度在上升（白话说就是其他的信息化也推进了挺多了，该轮到这个领域了） 。

APM市场竞合情况：

• 下面也看一下主要的公司情况：TOP10公司目前市场份额在55%，仍是一个非常分散的市场。整个市场里面存在着两类公司，一类是工业设备/软件公司，比如说IBM、日立、SAP、GE和施耐德。他们的优势是对客户工业系统的了解，是有相关数据（甚至他们就是客户工业设备的提供方，比如说日立、GE和施耐德）进行相关故障运维模块的交叉销售。

• 还有一类是该垂直方向的专门厂商，他们更多是胜在掌握比较强的数据分析能力和算法能力，并将这种能力用于预防性故障维护。典型的公司是C3.ai, Uptake, Cloudfm。

后续Aspen在这个领域的机会值得持续观察，主要在于：

• 行业还存在很大空间（1,000亿美金的TAM），可能有加速增长（CAGR 30%+），且格局未定（TOP10占比55%）

• Aspen本身在反应机理模型方面存在优势，通过并购补充了统计分析相关的能力，是行业中比较有机会实现两种方式结合形成更好方案的玩家：比如说在故障诊断中，跟腐蚀相关的问题，非常偏向于化学反应，这是Aspen Tech可能在机理模型上可以突破的领域。此外，Aspen Tech目前主打Hybrid Model，即用基于机理的拟合曲线和ML的经验模型共同决策。理论上可解决，仅基于机理模型，需要专家经验，需要较长时间参透机理和形成拟合曲线的问题。而仅基于统计模型对于数据质&量要求高，无法突破历史pattern和很多高级模型难以解释的问题。

• Aspen+Emerson，存在大量存量客户: 客户信任度是在的，相比很多创业公司，品牌背书，客户对品牌的认知门槛低，容易形成新的信任。且有成熟的销售体系，便于快速推广，也可以进行交叉销售，这对在这个领域的拓展有较大好处

但是公司在该领域仍然存在风险：

• 行业里面在该垂直领域，有更为强大的头部厂商，比如说IBM，施耐德的Aveva等，以及一些新锐以统计模型为主的厂商如C3.ai、Uptake等发展也非常快，整体行业扩展时，获利机会更高。

• Hybrid模型的效果仍然需要更多客户和收入方面的数字进行验证。相比行业内更偏向统计模型的C3.ai这类公司来看，规模和增速还仍然相差较多。这与Aspen Tech Hybrid Model推出较晚（2020年9月），整体面向客户偏大，land速度比较慢有关。

如果Aspen机会把握得当，经过10年-20年，再次获得20%以上的市场份额，将会给公司带来很大的估值增长。

非常遗憾，公司没有公开信息表明已经做了和大模型结合的产品功能。在上个财报上公司有表明"It is early days, but we have identified many use cases where this capability can help improve the workflow and time-to-value for our customers," Pietri said. "We will provide more details on this exciting area in future calls."

这方面动作比较慢可能有以下几个原因：

• 这个公司的核心价值不是在卖交互。曾经在15年左右学过一段时间Aspen PIMS，被软件界面和操作所透露出的深深的上世纪风所折服。印象深刻，甚至看到大模型对交互能力的改善，第一时间就想到能不能把Aspen的交互给提升一下。但是换个角度想，一个上实际风的软件在本世纪仍然被广泛的使用，那再落后一个世纪又何妨呢。

• 这个公司的客户是市场里面的“老钱”，在C3.AI里面也提过，这些客户其实是软件市场里面最保守的一群客户。而AI的影响又是对业务形态的直接影响，使用AI也存在着对业务很大的风险（比如说大模型有幻觉的问题）。所以在Aspen没有一个从产品->POC->部署实施的稳妥方案之前，估计不太会有什么客户去大规模的替换原有的产品。

但是Aspen Tech有没有机会拥抱这波大模型的机会呢？ 还是有的。

• 从训练业务的大模型来说，因为有独特业务数据，在诊断、检测、专家库这些类型的工具上有机会形成垂直的模型。

• 交互角度，繁琐的优化模型参数设定和修改，相关的经济指标的更新，原本是需要在不同的function中点开修改的地方，现在可以以脚本任务的形式交给大模型，调用对应的调整动作（更智能化的RPA）。

至于非大模型以外得统计和机器学习模型，Aspen Tech目前正在积极结合，我们可以看到，在算法和一些产品功能方面已经进行积极的拥抱了。通过这些统计学+AI模型的基础上能够更快得发现一些pattern，一方面促进机理的研究，另一方面在优化模型的运行过程中，通过这些算法增加的限制，可以让模型更加精准和运算收敛的更快。有了长期的数据的优势+AI，这是在基础能力上可能要比C3、Palantir等统计起家公司的优势的地方。另一个方面，则是因为这些统计起家的公司看家本领是客户数据整合，之后才能形成一个相当大的数据池子，在其中有所发现。这是目前Aspen Tech需要加强的地方。

【讨论会】

我们已举办六次“AI颠覆软件讨论会”，邀请了行业里面最资深的从业者、创业者朋友。

第一期纪要请见《EP01：AI如何颠覆数据库讨论纪要》。

第二期纪要请见《EP02：AI如何颠覆游戏讨论纪要》。

第三期纪要请见《EP03：生成式广告讨论纪要》。

第四期纪要请见《EP04：AI如何颠覆办公与CRM讨论纪要》。

第五期纪要请见《EP05：AI时代对产品经理的新要求讨论纪要》。

第六期纪要请见《EP06：AI如何颠覆网络安全讨论纪要》。

第七期我们即将举办“AI设计工具如何颠覆设计流程”讨论会，时间是本周六（7.29）晚上20点。第七期讨论会仍将以小范围展开。

邀请到的嘉宾包括：

张晨老师，Canva设计总监，前LinkedIn中国创始团队。

徐作彪老师，Nolibox计算美学创始人，旗下「画宇宙」和「图宇宙」两款AI产品为个人用户和企业用户提供全链路 AIGC 和人工智能设计服务。

黄祯老师，AI Vanguard联合发起人，港中大GenAI创业者，会带来AIx服装设计的专题分享。

另外还有资深的头部互联网公司设计负责人作为甲方/使用者代表。

希望所有报名的朋友仔细准备一个有深度思考的“问题”或者“观点”，我们会根据质量筛选报名参与者，请报名的同学务必慎重填写此选项。

如果有兴趣，请点击阅读原文的腾讯会议报名链接。

【AI如何颠覆软件：你能为AI打工吗】