先说结论

9 月下旬的云栖大会「从智能到行动：东南亚 AI 落地实践」论坛，是一场用两小时把「东南亚 AI 黄金时代」从口号拆成账本的专场。开场致辞（阿里云智能集团国际业务副总裁、ASEAN 区域总经理 Andy Lee）给出区域信号：亚太 AI 与生成式 AI 支出到 2029 年将增长五倍（经核验：IDC 2026 年 4 月新闻稿，亚太 AI/GenAI 支出 2029 年达 3700 亿美元、五年 5 倍增长）、46% 的东南亚企业在规模化 AI（高于 35% 的全球平均）、90% 的东南亚企业计划在传统工具之外试验 AI 智能体、到 2026 年底 40% 的企业应用将内置智能体（以上均为开场致辞引用口径，其中 IDC 五倍增长经外部核验）。但整场论坛真正有价值的不在这些数字，而在四组讲者各自交出的落地清单：马来西亚 AI 银行 Ryt Bank 的 CTO 说他们 40% 的客户在用对话式智能体完成账单支付、1200 万笔交易已由 AI 完成、后线客服运营成本降了 90%；马来西亚最大电子钱包 TNG Digital 的数据工程负责人用自家踩坑经验论证「新手需要最强模型，而不是最便宜的」；三家构建在阿里云上的创业公司从模型家族、反欺诈、控制层三个切口拆解了为什么「token 经济学」取代了「token 最大化」；最后的创意圆桌则指出当 AIGC 让内容生产趋近无限，瓶颈从技术转向注意力、信任与差异化。核心矛盾一句话：模型能力已经跑在前面，卡住东南亚 AI 落地的不是「有没有模型」，而是从 POC 走向生产的工程化、组织与信任基建。

一、五倍支出与四个区域优先级：开场把「为什么是现在」讲清楚了

区域信号由 Andy Lee 的开场致辞立起来。五个数字（嘉宾自述口径，未逐项核验）之外，他给出 ASEAN 各国虽路径不同但方向一致的四个优先级：AI 主权（各国要自建 AI 能力与基础设施）、采纳速度（从试验走向生产）、人才与技能、从聊天机器人走向能执行任务与改造业务流程的智能体。国别路径的划分也来自这段：新加坡定位区域 AI 枢纽、印尼追求主权全栈 AI 生态、泰国聚焦 AI 人才培养、马来西亚有「AI Nation」愿景（转写作 AI nation 2020-2030，疑为 2026-2030 之误，马来西亚官方文件为 Malaysia AI Nation Blueprint 2026-2030，待核）。阿里云的自我定位是四项承诺：规模化基础设施、以千问（Qwen，转写通篇作 Quan，按官方模型名校正）为代表的开源模型、完整的数据主权与本地化大模型、成本效率与价格优势；并称 Gartner 2026 年双魔力象限（云 AI 基础设施与生成式 AI 模型服务）将阿里云列入领导者、千问模型在 Code Arena 等基准名列前茅（均为致辞引用，未逐项核验）。生态侧数字同样来自开场：250 家区域与本地伙伴、30 多家行业协会合作、每年培训超 10 万 AI 人才、每年 100 多场区域活动。客户名单横跨四国：印尼电子钱包 Dana 用 Model Studio 与千问 3.8 驱动智能体与端到端办公自动化；新加坡凯德（Capitaland，转写作 Capital Land）部署了覆盖模型编排、AI 辅助编程、自动设计与视频生成的企业 AI 栈；泰国 SCG、JWD、SCGC 用千问做智能招聘、视觉估算与深度业务分析；马来西亚与 MyDigital Corporation 推进全民 AI 素养（转写作 My Digital Corporation，按马来西亚官方机构 MyDIGITAL 校正）。

这段开场的高明之处在于把「生态投入」讲成了获客逻辑：当区域 90% 的企业都想上智能体但多数缺少工程能力时，伙伴网络、人才培训与本地化模型就不是品牌动作，而是需求漏斗。机制链一：AI 支出五年五倍增长 × 90% 企业有智能体部署意愿 → 东南亚出现「需求洪峰 × 工程能力稀缺」的剪刀差，云厂商的竞争重心从卖算力转向卖「模型家族+工具链+本地生态」的组合 → 二阶影响：伙伴数量与人才培训量成为平台在新兴市场的先导指标，主权与本地化（本地数据驻留、本地语种模型）成为准入门槛而非加分项 → 读者启发：判断一个区域市场的 AI 落地窗口，别只看支出预测，要看「监管主权要求 × 本地人才密度 × 平台生态投入」三个变量的乘积。（区域数字为致辞引用；IDC 五倍增长经外部核验）

二、千问家族圆桌：三家完全不同的公司，同一个「从工具到生产」的答案

第一场炉边谈话（主持人：阿里云新加坡教育与企业高级客户经理 Adeline Toh；嘉宾：Razer AI 业务发展与伙伴关系经理 Anna Kuzmenko、CBN 商务总监 Dedy Handoko、Ryt Bank CTO Nic Ngoo）的题目叫「千问家族，落地生花」，但三个故事真正可比的是各自把 AI 放进了组织机体的哪一层。

Razer 的 Anna 描述的是「全面渗透中的探索期」：游戏生态横跨玩家、创作者、开发者与硬件软件服务，AI 已经在内容创作、游戏开发、QA、个性化、客服与沉浸式角色项目等多个环节创造价值，Razer 正在做 QA Companion AI（帮开发团队测试游戏）和 Raza Ava（转写作 Razer Ava，全息形态的人类数字伴侣愿景）。她最强调的方法论是贴近游戏社区——「我们不把 AI 看成一个具体产品或一次优化，而是能支撑游戏旅程多个环节的东西」。她的落地判断克制：当前最大价值是与千问合作理解游戏行业特化的 AI 能力（视频生成、图像生成、本地化、沉浸式体验），看什么对用户最自然。

CBN 的 Dedy Handoko 代表的是「存量客户的新增值」逻辑。CBN 是一家做了 30 年连接与数字服务的印尼公司（经核验：CBN 为印尼老牌 ISP，隶属 PT Cyberindo Aditama 体系，cbn.net.id 域名已存在约 29 年，与其 30 年自述吻合），约 9000 家 B2B 客户（金融、银行等分群）加约 70 万零售客户。他的框架很直白：AI 不是独立产品，而是给存量客户的新增值服务——「这不是单独的服务，这是给我们客户的又一项增值服务，让他们愿意长期跟我们在一起」。CBN 接下来要发布三个产品：数字员工（Digital Worker，企业无需自行配置编程智能体，开箱即用覆盖采购、HR、财务）、面向 9000 家 B2B 客户的 token 工厂（他称 GonnaToken，统一入口购买千问系模型与算力，企业付费）与企业 AI 套件（垂直行业运营的智能体构建）。他顺带给出了一个印尼市场的微观洞察：当地员工「玩得狠干得也狠」，没精力自己折腾编程工具，所以要把 AI 助手做成分发到手的服务。

Ryt Bank 的 Nic Ngoo 交出了全场最硬的数字。这家银行自述为「全球首家 AI 驱动的银行」、马来西亚五张数字银行牌照持有者之一、上线约一年（经核验：Ryt Bank 由马来西亚 YTL 集团与新加坡 Sea Limited 合资，2025 年 8 月 25 日开业，自称全球首家 AI 银行；马来西亚央行 2022 年发放五张数字银行牌照属实；开业一周年时客户数 150 万，Bernama/The Star 2026 年 8 月 20 日报道）。Nic 的数字（均为论坛自述）：银行从第一天起全部构建在阿里云上；150 万客户中 40% 在用他们的对话式智能体——传统银行 App 转账、分账、缴账单要多次点击翻页，他们的做法是拍下水电费账单照片、说一句「把这笔账单付了」，智能体完成 OCR、意图校验与支付；已有超过 1200 万笔交易由 AI 完成；后线客服运营成本下降 90%；70% 的代码由 AI 生成；300 多名员工配发千问编程智能体（Qwen Coder，转写作 Quan coder），约 50 人活跃使用，做了 30 年信贷的老信贷员「现在离不开 Coder」，用它生成信贷报告、汇总客户申请；安全侧用千问分析 SIEM 日志、降低漏报率。他的前瞻判断是「fully autonomous banking（完全自主银行）」：客户用自己的 AI 智能体通过 MCP 或智能体对智能体协议直接完成银行业务，加上自愈基础设施。被问「规模化 AI 最关键的一条」时，他的回答是全场金句：「有一条通向生产的路径（a path to production）。AI 是一种技术，就像任何技术一样需要集成与调试上线。与其卡在 POC 循环里，不如……我们去年真的看到大模型能力的增长和 harness 的创新，Dr. Feifei 主题演讲讲的三角形——harness、context、model——harness 已经到了可以自主的智能体时代。对关键决策者来说，有生产路径才能实现业务结果，而不是只做 POC。」

三个故事叠起来看，同一条分界线浮现：Razer 在探索、CBN 在给存量做增值、Ryt Bank 已经把 AI 写进产品定义与成本结构——区别不在模型选型，而在 AI 是否已经进入「生产定义」。机制链二：对话式智能体把多步操作压缩成一次意图表达（拍照+一句话）→ 交互摩擦的下降直接转化为渗透率（40% 客户使用）与运营成本结构（客服降 90%）的重写 → 二阶影响：当「AI 原生」成为产品定义层的变量，后来者的差异化窗口从功能清单转向「AI 优先的业务流程再造」；反过来，AI 渗透率（多少客户在用 AI 功能）成为衡量数字原生企业的新运营指标 → 读者启发：Nic 的「生产路径」测试值得抄——每个 AI 项目立项时先回答「POC 之后 6 个月它在生产环境的哪条流水线上」，答不上来的项目就该砍；同时把「AI 功能渗透率」和「AI 完成交易占比」放进运营仪表盘，它们比「部署了多少模型」更接近价值。（Ryt Bank 全部数字为嘉宾自述；牌照、股东与 150 万客户数经外部核验）

三、TNG Digital 的三支柱与一个昂贵教训：新手需要最强模型

马来西亚最大电子钱包公司 TNG Digital（运营 Touch ’n Go eWallet；Ang Kai Loong 自述马来西亚 3300 万人口、2700 万验证用户，TNG 官方口径用户超 2000 万——外部来源为 TNG 官网「more than 20 million users」表述，2700 万为论坛自述）的数据工程负责人 Ang Kai Loong 做了全场方法论密度最高的主题演讲。他的开场立论是 AI 素养：「20 年前，组织停止招聘不会用电脑的经理；很快，对 AI 也会一样。技术可以买到，但素养必须自建。」TNG 的 AI 采纳三阶段模型简洁有力：阶段一，AI 是工具（人人有副驾驶，人干活 AI 辅助）——多数公司在这里；阶段二，流程围绕 AI 设计（AI 干例行工作、人检查结果，比如 AI 建数据管道、工程师上线前审核）——TNG 一半业务在这里；阶段三，AI 即团队（把复杂端到端任务委托给智能体，比如问「上月客户流失为什么上升」让智能体自主分析出结论）——这是 TNG 想去的地方。

两个用例都刻意「不体面」。QA 用例：软件测试总需要小工具，以前要么求开发团队排期、要么 QA 自己挤时间做、多数时候干脆手工绕过；现在 QA 用千问编程智能体（转写作 Code/Code Work，按 Qwen Coder 产品线校正）把问题口述给 AI，当天拿到可用工具。初级 QA 用一句话生成「50 个用户分三组、10 个 KYC 过期」的测试数据直灌沙箱。数据仓库 AI 分析智能体用例：从 ChatGPT 时代的「复制表结构→让 AI 写 SQL→贴回去跑→再复制回来分析」的粘贴循环，进化到「告诉 AI 想分析什么（如分区域客户流失），它自己写查询、自己跑、自己迭代分析，人只审结果」。他的原话点题：「这些例子没有一个是 impressive engineering——而这正是重点。需要工具的人，现在就是能造工具的人。」

方法论核心是三支柱：让 AI 可见（工作坊+AI 展示日，含阿里云进场带真实案例演练）、让 AI 容易（三级支持体系：每个部门设数据与 AI 大使/steward→团队做内部咨询、业务自己建→复杂项目由前向部署工程师驻场共建）、让 AI 安全（AI 委员会定方向与规则，成员来自数据与 AI、安全与风险，各方视角在房间里，才能又快又安全）。而全场最值钱的段落是他主动交代的失败：成本管理方向是对的，但在素养形成之前就从严控制成本是错的。「我们让所有人用更弱、更便宜的模型做简单任务，从第一天起就设了很紧的人均预算——然后预算设错了，给少了。非技术用户（他们是多数）分不清什么是简单任务、什么是复杂任务，再加上预算限制，他们就选更便宜更弱的模型。结果 AI 完不成大多数任务，他们得出结论：AI 不管用。预算还在周期中段就烧完了，采纳放缓了一段时间。」教训被他说成一句可迁移的原则：「初学者需要最好的模型，而不是最便宜的。专家能凑合用弱模型，初学者不能——而多数人是初学者。所以限制应该来在熟练之后（if budget allows）。」

机制链三：企业 AI 采纳的真实曲线是「素养先行」而非「工具先行」→ 过早的成本管控会与学习曲线互相绞杀——弱模型完成任务失败→用户归因「AI 不行」→采纳停滞，形成负向飞轮；而「最强模型+可见性+三级支持」制造正向飞轮 → 二阶影响：AI 预算从「人均定额」转向「按熟练度分层+按使用追踪」的动态配置；AI 委员会（数据、安全、风险同室）成为受监管企业采纳速度与安全性的平衡器 → 读者启发：给团队配 AI 别从省钱开始——先用最强模型建立成功体验，等用户能自己分辨任务复杂度后再引入模型分级与预算；判断组织 AI 成熟度别数工具数量，看「流程围绕 AI 重设计」的比例（TNG 的阶段二）。（观点与案例均为演讲者口述；TNG 用户规模外部口径为超 2000 万，2700 万验证用户为论坛自述）

四、从先行者到规模化：语言、反欺诈与控制层三个缺口的创业答案

第二场圆桌（主持人：阿里云印尼解决方案架构负责人 Ananda Budi Prasetyo；嘉宾：Lapis AI 创始人兼 CEO Galih Permadi、Ren3 联合创始人兼 CRO Dennis Sze、Advance AI CEO Dong Shou——转写将三人与公司名分别误听为 Pagali/Bagali、Rentry/Mr. Denise/Reentry、Shadong/Chaudhary/Shodung 等，均按官方议程校正）回答的是「off-the-shelf 为什么不够」。

Galih 的答案锚在模型家族的宽度。Lapis AI 从系统集成商转型 SaaS，在 Model Studio 上叠加自研层 Relay 做客户定制。选千问的理由是「家族」：文生图、参考图生图、图生视频、参考视频生视频等专用模型齐全，按场景挑模型、分别微调，比用一个大一统模型更优。「如果你用前沿模型，你会得到很高的输出 token，什么都能做；但如果我们把任务拆开，用零头价格就能拿到不牺牲质量的输出，因为这些模型就是为特定任务微调的。」他的典型用法是组合千问 VL（视觉语言）与 YOLO 做能「和 CCTV 对话」的模型，以及知识库场景用千问专用 embedding 模型+检索用 Flash、分析推理用 Max 的分层组合。

Dong Shou 讲的是反欺诈的军备竞赛。Advance AI（Advance Intelligence Group 旗下，总部新加坡，聚焦信贷与身份风险）面对的对手是「非常乐意采用最新技术」的诈骗者——用大模型与视频模型造假证件、假生物特征、深度伪造绕过开户流程或洗钱。他的护城河论证：反欺诈是客户的成本中心（Allo Bank 想做大业务、Bukalapak 想做大 GMV，都不想自建 KYC）；服务超过 500 家客户积累的行业级数据（「Allo Bank 被攻击时，我们能认出这大概是哪个诈骗团伙的手法」——这种数据只有服务大量外部客户才能积累，自建者只有自家数据）；以及自研模型需要的「K Pax 级投资」（转写原词，疑指千卡级 GPU 集群投资，存疑）由多客户分摊。主持人补充的数字：约 75 万 Allo Bank 客户经其验证、Bukalapak 75% 的验证任务被自动化（经核验：ADVANCE.AI 官网与阿里云伙伴页均载 Allo Bank 一次性活动 75 万客户即时 eKYC 验证，与论坛口径吻合；75% 任务自动化与「500 家客户」为论坛/案例页自述）。主权问题的回答干脆：从业务第一天起就用阿里云印尼本地基础设施，因为客户在意数据主权。

Dennis Sze 的 Ren3 是「控制层」的生意：面向监管客户、政府与金融银行业的主权智能体编排平台，核心理念是把控制从后置检查变成平台内建——谁在用、用来做什么、能访问什么数据源、跑在哪里（数据主权与数据控制）、智能体执行了什么、以及「我们愿意为此付多少钱」。他引用 Gartner 的对偶预测：40% 的企业软件将运行在智能体上，同时 40% 的智能体项目会失败（经核验：Gartner 2025 年 6 月 25 日新闻稿预测到 2027 年底超 40% 的 Agentic AI 项目将被取消，归因于管理问题而非模型能力——与 Dennis 的引用口径一致）。他的判断是「token 最大化（token maximis）的时代结束了，人人都在谈 token 经济学」：用混合模型、按任务路由模型来降低单位 AI 成本，与客户一起持续测量成本、时长、延迟；迁到千问后成本降约 40%、质量提升约 30%（阿里巴巴云案例口径，嘉宾自述）。他还给出一个区域特有论点：千问「在这个区域工作得特别好，因为它的训练方式」，对本地数据的出活质量优于未在本地数据上训练的模型。

机制链四：模型家族化+微调可得 → 「一个大模型干所有事」的单一前沿模型范式在成本与定制上被拆解——任务路由（简单任务走 Flash、复杂走 Max、检索走 embedding）成为新常态，token 经济学取代 token 最大化 → 二阶影响：平台切换的决策标准从「模型榜单排名」转向「区域语种训练+专用模型矩阵+本地基础设施」的组合；反欺诈这类行业级数据生意出现「共享护城河」结构（客户分摊模型投资、平台积累跨客户欺诈模式库） → 读者启发：选模型别只跑通用基准，用 Galih 的分层法（embedding/Flash/Max 各司其职）先测算自己场景的 token 经济学；做平台生意的人留意 Dennis 的控制点清单（访问、数据、运行位置、成本），它们正在成为受监管行业采购智能体平台的默认评分卡。（成本降 40%/质量升 30% 为嘉宾引案例自述；Gartner 40% 取消率、Allo Bank 75 万验证经外部核验）

五、AIGC 创意圆桌：当生产趋近无限，稀缺的是注意力、信任与差异

最后一场圆桌（主持人：阿里云马来西亚解决方案架构总监 Ngoi SeKeng/SeKin；嘉宾：Videofly 联合创始人兼 CEO Arsifa Deliyana、Loomi Entertainment Group CTO Ivan Tan、Fizzdragon 创始人兼 CEO Pax Chen、T&B Media Global 项目商业化负责人 Tao Santimakorn——转写人名分别误作 Miss Daly/Miss Delhi、Lumit/Lumis/Lumia、Fish Dragon/Face Dragon、Tom/Tao，公司名 WaveLines/Lumit 亦误，均按议程校正）讨论的是内容产业的重构。主持人的开场自嘲很有信息量：「我问过 AI 主持人该做什么，AI 说两件事：把问题问完，以及假装我一个人知道答案。」

聚合商一侧。Videofly 的 Arsifa 讲了冷启动教训：发布第一个 B2B2C 平台后用户 7 天内大量流失，原因是印尼用户要的是「做好的内容」而不是「一堆工具」——「这个模型适合视频、那个适合图像，用户要拼多个工具才能出一条片」。他们学到的做法是先问用户要什么（AI UGC 风格的酒店测评视频？品牌微短剧？）、再为流程定制功能，并称已把 Wan 3.0（转写作 one three point oh/one three，按通义万相 Wan 系列模型名校正，存疑）等新模型集成进应用。她的合规姿势值得记录：平台用 AI 生成数字人形象前先做概念设计（鼻子、眼睛、脸型），再反向在互联网上检索是否与真人撞脸，不撞才公开使用；银行与品牌客户最常问「AI 人类出镜广告安全吗」，他们的标准反问是「你们有没有品牌大使或网红可以授权做成 AI 数字人」。Loomi 的 Ivan 讲的是长视频的工程问题：微短剧可以做 30-40 分钟、60 集，难点在资产管理（角色、道具、场景的一致性）与精确镜头控制——他们的解法是 3D 辅助工作流：AI 把图像转成 3D 模型，像玩游戏一样调镜头，再导出为视频参考喂给万相系模型，「这样你能对输出有非常精确的控制」。安全机制三层：依赖阿里云底层的内容安全护栏、平台用户多为专业制片方自带 KYB（企业实名）、后台敏感内容扫描，最终成片多经平台分发故可控。

制作公司一侧。Tao 的 T&B Media Global 是泰国 2008 年起步的老牌 IP 公司，从单一 IP 扩到主题公园、地产、零售与金融授权。他对 AIGC 价值的判断跳出生产力框架：真正的收益不是「更快」，而是试验成本——「制作行业从来没有 MVP：电影上映后你不能把crew 全部召回重拍。但现在我们可以把测试内容投到市场看反馈，测试病毒式传播的可能性。」饱和市场的三大挑战他总结为注意力（「AI 让生产无限，但人类获取注意力的能力有限」）、差异化（用 AI 的人越多，相似内容越多）与信任（假新闻式误导）。未来判断：微短剧（micro drama）将成为未来一两年最重要的内容形态，OPC（一人公司）化不可避免，制作公司要么改商业模式把 IP 桥接到其他行业、要么专注内部人才再培训。Pax Chen 的 Fizzdragon 代表新物种：2024 年（当时 AI 质量还不行时）就联合全球 130 多位创作者共创了「全球首部 AIGC 电影」并卖进影院（经核验：Fizzdragon 为新加坡 2024 年成立的 AIGC 影视公司，TechDirectory 收录；其 AIGC 长片《郑一嫂：海盗女王》公开资料有首映记录，论坛「首部/130 位创作者」表述未逐项独立核验），现在运营三个 OPC 基地并与全球 OPC 共创 IP；战略是做传统影视「永远不会做」的东西——社区定制内容（如为 3 万会员的挪威老年俱乐部做专属内容）、与文旅景点合作的互动电影游戏（「互动内容是全新品类，人们不会拿它跟过去比」）。他对 6-12 个月的判断：生产端去中心化是确定的，给创业者的建议是「做传统影视工业做不出的东西——他们不够快，也不专注社区内容」。

机制链五：AIGC 把内容边际生产成本推向零 → 内容供给趋近无限而人类注意力有限，竞争的稀缺资源从「生产能力」迁移到「注意力获取+信任背书+风格差异化」；Tao 的「试验成本」论进一步把 AIGC 变成内容行业的 MVP 基建——上线前可测病毒式传播概率，这是传统制片流程结构性做不到的 → 二阶影响：微短剧+OPC 组合改变产业组织形态（个人创作者以 IP 分成而非接单模式参与），小语种市场（如马来西亚）原本「做电影不划算」的生意重新成立；数字人合规（撞脸检索、真人授权转数字人）成为广告主采购前置条件 → 读者启发：内容团队别把 AIGC 只当提速工具，把它当「低成本试错基建」——用测试内容验证受众反应再决定重投入；个人创作者的卡位策略是 Pax 式的「做传统工业做不出的品类」（社区内容、互动内容）而非在传统品类里拼质量。（嘉宾观点与案例均为口述自述；Fizzdragon 公司背景经外部核验，影片「全球首部」表述待核）

结语

把四组讲者串起来，这场论坛的真正主线是「从智能到行动」这个名字本身：智能（模型能力）已经不是瓶颈，行动（生产化）才是。开场致辞的区域数字给出需求侧的洪峰，四场分享分别交出了供给侧的四种答案——Ryt Bank 的答案是产品定义层重写（对话即银行），TNG Digital 的答案是组织素养层建设（三支柱+最强模型先行），三家创业公司的答案是经济与信任层重构（token 经济学+控制内建），创意圆桌的答案是产业组织层演化（微短剧+OPC）。值得盯的观察指标：Ryt Bank 的 AI 功能渗透率（40%）与 AI 交易占比能否随规模保持，以及「智能体对智能体银行」（MCP 化的银行接口）何时从探索变成产品；TNG 式「素养先行、成本后置」的方法论在多大企业里能复制——它的前提是预算允许，这对现金流紧张的公司是真实约束；千问系模型在东南亚本地语种上的实际出活质量（Dennis 称优于非本地训练模型，嘉宾自述）是否有第三方基准佐证；以及 AIGC 内容的信任机制（撞脸检索、KYB、内容扫描）会不会从平台自律演变为区域监管要求。反方风险同样清楚：整场论坛由阿里云主办、讲者多为阿里云客户或伙伴，数字与叙事天然偏向「生态繁荣」的一面；Ryt Bank 的 90% 客服成本下降、1200 万笔 AI 交易、70% AI 代码生成均为自报口径，未经审计；「全球首家 AI 银行」是营销定位而非监管认证。对这些数字，恰当的态度是把它当作「AI 原生企业自述的上限样本」而非行业中位数——真正的检验是下一批模仿者能否复现。

转写与核验说明：本文基于 61 段、0—7220 秒转写全文覆盖（开头 0-360 秒为暖场倒计时播报已略；另有 3 个空段），讲者与议程时间对位校正。ASR 疑似错误已按议程与上下文校正：Quan→千问/Qwen、Right Bank→Ryt Bank、Nick Ng→Nic Ngoo、Annie/Fat Daddy/Daddy→Anna/Dedy（口误）、Capital Land→凯德（CapitaLand）、My Digital Corporation→MyDIGITAL、Dana（保留，印尼电子钱包）、Rentry/Reentry/Mr. Denise→Ren3/Dennis Sze、Pagali/Bagali/Pak Gali→Galih Permadi、Shadong/Shodung/Mr. Shotung/Dong Shou（议程名 Dong Shou，转写 Chaudhary 误）→Advance AI、WaveLines→Videofly、Miss Daly/Miss Delhi/Miss Lily→Arsifa Deliyana（现场自称 Daly）、Lumit/Lumis/Lumia→Loomi Entertainment Group、Fish Dragon/Face Dragon→Fizzdragon、Pex Chance/Paxa/Paxer→Pax Chen、Tax Chan→Pax Chen（口误）、Tom→Tao Santimakorn、TMB Media→T&B Media Global、Kailong→Ang Kai Loong、Anna Ling（主持人误称）→Adeline Toh、Code/Code Work/Coder→千问编程智能体 Qwen Coder、Code Arena（保留，基准名）、Pasanggo eWallet→Touch ’n Go eWallet（自述口径 27M 用户）、one three point oh/one three→疑指通义万相 Wan 3.0（存疑）、Happy Horse/Happy Oyster→疑为通义万相 Wan 系列模型代号误听（阿里云侧主持人原话，无法确认对应正式产品名，保留原文标注）、WonderClip→疑为阿里云系 AI 视频创作工具名（存疑）、K Pax→疑指千卡级 GPU 投资（存疑）、GonnaToken→CBN 自报产品名（存疑，疑为 Token Factory 类产品）、frosters→fraudsters、Beijing time 无（无此段）、AI nation 2020-2030→疑为 Malaysia AI Nation Blueprint 2026-2030 之误（待核）、Lapis AI Relay（自报产品名保留）、Atomi（保留，Advance Intelligence Group 旗下 Atome 相关，存疑）。经外部核验的关键主张：IDC 亚太 AI/GenAI 支出 2029 年 3700 亿美元、五年 5 倍——IDC 官网新闻稿（2026-04）；Ryt Bank 为马来西亚数字银行、YTL 与 Sea 合资、2025-08-25 开业、自称全球首家 AI 驱动银行、五张数字银行牌照、一周年 150 万客户——PR Newswire（2025-08-25）、Bernama/The Star（2026-08-20）、rytbank.my；Razer 为新加坡-美国双总部游戏硬件与金融科技集团——维基百科/公开资料；TNG eWallet 用户超 2000 万——TNG 官网；CBN 为印尼老牌 ISP（PT Cyberindo Aditama 体系）——cbn.net.id 域名史与公开资料（30 年自述吻合，70 万零售与 9000 B2B 为自报）；ADVANCE.AI 与 Allo Bank 合作、一次性活动 75 万客户 eKYC 验证——ADVANCE.AI 官网博客与阿里云伙伴页（75% 任务自动化与 500 家客户为案例页自述）；Gartner 预测 2027 年底前超 40% Agentic AI 项目被取消、归因管理而非模型——Gartner 新闻稿（2025-06-25）；迪士尼设立首任 CTO（Karandeep Anand，2026-09-18 宣布）——迪士尼官方新闻稿与 TechCrunch（2026-09-18）；Fizzdragon 为新加坡 2024 年成立的 AIGC 影视公司（51-200 人）——TechDirectory。待核项：开场其余数字（46%/35%/90%/40% 内置智能体/新加坡 SME 三倍/Gartner 双象限/千问 Code Arena 排名/250 伙伴/30 协会/10 万人才/100 场活动/凯德、SCG、JWD、SCGC、Dana 案例）；Ryt Bank 40% 渗透率、1200 万笔、90% 客服成本降、70% AI 代码、50 活跃用户；TNG 2700 万验证用户、三支柱成效；Ren3 成本降 40%/质量升 30%；Videofly 模型集成与流失率细节；Fizzdragon「全球首部 AIGC 电影、130 位创作者、影院上映」逐项；PDPLO→疑为印尼 PDPA（个人数据保护法）之误（存疑）；Wan 3.0/Happy Horse/Happy Oyster 对应正式产品名；马来西亚 AI Nation 蓝图年份。以上未核项均为论坛/嘉宾自述口径，正文已按「论坛称/嘉宾自述」标注。