Good day, and welcome to the Cheetah Mobile Third Quarter 2024 Earnings Conference Call. All participants will be in listen-only mode. Should you need assistance, please signal a conference specialist by pressing the star key followed by 0. After today's presentation, there will be an opportunity to ask questions. To ask a question, you may press star then 1 on your telephone keypad, and to withdraw your question, please press star then 2. Please note today's event is being recorded. I would now like to turn the conference over to Helen Jing Zhu, IR for Cheetah Mobile. Please go ahead. Thank you, Operator. Welcome to Cheetah Mobile Third Quarter 2024 Earnings Conference Call. With us today are our company's Chairman and CEO, Mr. Fu Sheng, and our Director and CFO, Mr. Thomas Ren. Following management's prepared remarks, we will conduct a Q&A session. Please note that the CEO's script will be presented by an AI agent. Before we begin, I refer you to the safe harbor statement in our earnings release, which also applies to our earnings conference call today, as well as make forward-looking statements. At this time, I will now turn the call over to our CEO, Mr. Fu Sheng. Please go ahead, Fu Dong. Hello, everyone. Thank you for joining us today. Cheetah Mobile once again achieved accelerated revenue growth in Q3, driven by our service robotics and internet businesses. This consistent growth results from our strategies to expand the use cases of our wheeled service robotics and expand into overseas markets, as well as the resilience of our legacy internet business. Industry demand for service robots continues to rise, especially in the overseas markets and in restaurants, hotels, factories, and offices. Business owners are using robots more often to help their staff and improve efficiency. In the past weeks, I visited many customers and partners in Europe and associations in Asia. In fact, I am still in Europe today meeting with our local partners to further strengthen our presence. Building a strong local distribution network is very important for our global expansion, as it will set us apart from our peers. That's why I have spent significant effort on this initiative. During my conversations with local partners, I learned that our robots are helping them solve labor shortages. Some customers in Europe shared that using Cheetah's robots have reduced employee absences and turnover. Meanwhile, some Japanese customers told us our robots are much more reliable than other players' offerings and are switching to our products. In September, we launched a new robot for factory and fulfillment center use. This robot can autonomously deliver goods to move low-payload items from transit warehouses to assembly lines. We are currently optimizing the product to better meet the needs of customers in overseas markets. This highlights the importance of receiving feedback and inputs from local partners. We believe this product will become an important part of our service robotics business in 2025. While the robotics industry is still in its early stages, it will be a trillion-dollar market. Robots are becoming essential helpers for humans, and it will happen in the developed markets first. LLMs will speed up this growth by enabling robots to do more tasks and making them easier to deploy than ever before. Through our conversations with investors, we've noticed a lot of interest in how LLMs are making our robots smarter and driving steady revenue growth. Today, I will share what we've achieved so far with LLMs in our products and what's coming next. First, we are using LLMs to improve the way our service robots interact through voice. Thanks to our strong far-field voice recognition, our robots already hear users well. Now, with LLMs, they understand users' questions more clearly and respond better, making the overall experience much smoother. For instance, in restaurants, our robots don't just deliver food during busy hours. They can also help attract customers, boosting the return on investment for restaurant owners by taking on more roles. Because LLMs break down language barriers, we are expanding these voice-enabled robots to international markets. We are also working on AgentOS, a system that lets customers set up tasks for robots using voice prompts. For example, you can tell a robot to check each table at 2:00 PM to see if anyone wants to order more food before the kitchen closes at 2:30 PM. The robot will go to each table, skip the ones without customers, and even allow people to place orders if the ordering system is linked. Without LLMs, this kind of functionality would be nearly impossible or would require writing a lot of complicated code. Secondly, we are using multimodal models to improve our robots' indoor autonomous driving. One area that we are working on is to enable our robots to map out the large factory as they move and look around. Once the map is ready, our operations team can mark key locations, and the robots can then navigate the factory on their own to deliver goods. If factory owners want to change these key locations, they can easily update the map whenever needed. Based on our initial testing, thanks to LLMs, the time it takes to set up our robots can dramatically reduce from about two days to just two hours. We are already using vision-based autonomous driving technology in some cases and plan to expand it further. For instance, our robots use vision-based autonomous driving technology to avoid people and obstacles and understand their surroundings. Over time, we aim to achieve an end-to-end navigation system. This will allow our robots to handle more complex environments entirely on their own. Third, we're adding robotic arms to our robots to help them do specific jobs. Some of these arms can press buttons, which is useful for delivering things between floors, in particular in the overseas markets, where business owners are reluctant to adjust their elevator access control systems due to security concerns. Others can pick up and sort items, which is great for use in factories. These arms are powered by on-device multimodal models, making it easier to automate routine tasks. When it comes to LLMs, we use advanced models through API calls to support some of the features we have discussed. At the same time, we are also developing our own models. In November, we launched an 8 by 7 billion mixture of experts model, covering many languages, including Chinese, English, Korean, and Japanese. We've made it open source and use it to power our robots, especially the AgentOS features. Additionally, we have trained smaller on-device models to support indoor autonomous driving and control robotic arms, turning to LLM-based applications. We recently introduced AirDS, an AI-based data service platform, assisting enterprises in data and building prompts for their LLM-based applications. AirDS was built on top of our insights into developing LLMs and LLM-based apps. So far, we have received positive customer feedback on our LLM-based applications, and we will continue to enrich our portfolio. Our goal is to offer relatively standardized SaaS products, allowing businesses to use LLMs to gain efficiency. Before handing the call over to Thomas for the financial highlights, I want to stress this: Cheetah Mobile is in a good position to tap into the growing markets for service robots and LLM-based apps, given years of experience from the PC and mobile phone eras, as well as expanding into international markets. We have strong LLM expertise. We've already made solid progress in growing our revenue and cutting losses. This is just the beginning of Cheetah Mobile's turnaround. Thank you, Fu Sheng. Hello, everyone on the call. Please note that, unless stated otherwise, all money amounts are in RMB terms. In Q3 2024, our financial results demonstrated solid execution on two strategic objectives. Number one, accelerating revenue growth driven by both the sales of robots and the legacy internet businesses. Number two, enhancing our operational efficiency to reduce our operating losses sequentially. In the third quarter of 2024, our total revenues increased 16.6% year over year, marking the second consecutive quarter of accelerating revenue growth, compared to 11.6% in Q1 and 12.3% in Q2. Our wheel-based service robots continue to be a key driver of growth. Additionally, our legacy internet business remained resilient, achieving solid revenue growth and margin expansion. On profitability, we made further progress. Non-GAAP gross profit rose 14% year over year and 7% quarter over quarter to ¥131 million, with non-GAAP gross margin expanding to 68% in the third quarter, from 65% in Q2 and 63% in Q1. Non-GAAP operating loss was ¥61 million in the quarter, reduced from ¥63 million in Q2 and ¥66 million in Q1. We continue to focus on managing costs and expenses. Notably, we consolidated the teams of Cheetah and Beijing Orion Star, streamlining staff and services with overlapping functions. For example, in Q3, we reduced invoice costs and cloud costs, professional and legal service fees, and certain labor costs related to G&A and operations. We are also decisively investing in AI, using AI to enhance our service robotics business. For example, our non-GAAP R&D expenses increased 25% quarter over quarter in Q3, and now about 60% of our revenues are invested in R&D. As Fu Sheng has said in the past, while we focus on developing products that generate immediate revenue and profits, we remain attentive to the latest technological advancements. Another highlight is the continued strength of our legacy internet business, which grew 26% year over year and 18% quarter over quarter. Operating margin, excluding share-based compensation expense, for this segment improved to 10% from 6% last year. As of September 30, 2024, we maintain a strong balance sheet with cash and cash equivalents of ¥1.831 billion, or $218 million. Long-term investments of about ¥886 million, or $126 million. In closing, we are making solid progress in expanding revenues and narrowing losses. We are confident in our investments in AI because we see the significant market potential of integrating our LMs into our service robotics business. At the same time, we remain disciplined in reducing losses and driving efficiency in our AI operations. Thank you. This concludes our prepared remarks. Operator, we are now ready for the Q&A session. Thank you. We will now begin the question-and-answer session. To ask a question, you may press star then 1 on your telephone keypad. If you are using a speakerphone, please pick up your handset before pressing the keys. If at any time your question has been addressed and you would like to withdraw your question, please press star then 2. At this time, we will pause momentarily to assemble our roster. Everyone, for today's call, Management will answer questions in Chinese, and then AI Agent will translate Management's comments into English in another language. Please note that the translation is for convenience purposes only. In the case of any discrepancy, Management's statement in Chinese will prevail. If you are unable to hear the Chinese translation, I think a transcript in English will be available on our IR website as soon as we can. Operator, we are now ready to take questions. Thank you so much. Thank you. Moving the first question up. And it's from Thomas Chong at Jefferies. Please go ahead. 晚上好，谢谢管理层接受我的提问。我的问题是关于猎豹的机器人业务的。请问如果是我们看2025年，机器人在出货量、收入增长以及在收入占比方面，我们设定了哪些具体的目标？ Thanks, management, for taking my question and a good evening. My question is about Cheetah Mobile business. In 2025, what are our goals in terms of volume, revenue growth, and revenue contribution from the robots business? Thank you. 好的，谢谢。这个问题我来回答。就是2025年我们一些具体的增长目标应该说还在制定过程中。我最近也在海外去看了很多渠道。我觉得整体大方向可以这么定一下。第一就是我们机器人收入在明年，就2025年一定会增长，然后在猎豹整个收入规模当中占比应该也会有所增加。具体的一些应该说我们会结合这一波，就是到Q4我们总结了很多这种海外市场的一些经验，这个再做出一定的具体的一些假设，叫做具体的一些目标的设定。然后我们想法是说，因为机器人这个行业今天在资本市场是很热的，但事实上它的增长就是在短期内的增长，我认为不会像当年的互联网那样的那种高爆发增长。这个我也得想告诉一下大家，它应该是一个持续稳健，然后逐步加速的过程。因为今天机器人在软件硬件结合，然后实体落地，然后还有渠道建设方面，比互联网上面要投入是要大得多的，就当年的那种指数级增长大得多的。所以我觉得我们对机器人这个事情更多会看一个长远的目标。我们可能会比如说三年之内能够让机器人收入占整个公司占比达到一半以上，然后包括我们能够在全球能够作为前几名，至少前三名的这样的服务机器人的一个提供商。这是我们一个大目标。然后细节目标我们还需要一些讨论和认真的推演。好，谢谢。 Thank you. Operator, can we move to the next question, please? Yes. Our next question comes from Vicky Wei at Citi. Please go ahead. 谢谢管理层接受我的提问。我的问题是关于猎豹的互联网业务的。我们看到本季度表现比较不错，收入和利润率都比较稳健。请问我们应该如何看待2025年互联网业务的收入和利润率的趋势？我们是比如说呈现逐步增长的态势，还是说会有逐步放缓的下滑？谢谢。 好的，我来回答。感谢您的提问。从整个大局上来说，互联网今天已经不是个高增长的行业了，已经变成一个基础行业了。所以就刚才我说的，当年那种指数级增长是很难的。但是第二就猎豹移动，从大家都知道的前几年我们遇到下架事件的影响当中也在逐步走出来。我们在国内的一些互联网的新的产品，包括PC上的产品，包括这一轮由于大模型的出现，AI PC，PC的整个的市场也在回暖，所以带来了我们整体的一些增长。 如果说明年的预期，我认为是这样，互联网技术人员成为一个基础行业了。它就是一个和很多传统行业一样，我们已经在新的这种环境下找到了自己的增长路径。那么我们觉得应该会保持逐步的稳定的增长，应该不再会下滑。这只是我一个猜测，因为今天这个世界发生什么，我们谁都不知道。在没有大的黑天鹅的情况下，按照现在这样，我们对明年互联网业务的增长是有信心的。但是应该是一个比较稳定的，然后也不会那么快的一个增长。 我们公司内部对互联网业务的考核也完全是从这个，不能叫完全，最终的考核点是在收入和利润率。我们互联网今天已经，我们在内部的思想就是说它是现金流业务，也是个稳健的业务。我们既然获得了一块根据地，我们就慢慢的不断的去让它更好的去给集团贡献利润。好的，谢谢。 Thank you. Thank you. Please move to the next question, please. Thank you. Our next question comes from Yanglong Chen with CITIC Securities. Please go ahead. 谢谢公司管理层接受我的提问。我想就机器人训练提几个问题。在机器人训练的过程中，我们如何去克服这种数据稀缺的难题，以及大模型在训练数据上能发挥哪些作用？然后实际上我了解到猎豹机器人在全球范围内已经部署了很多台机器人了。那么在未来我们是否有可能通过一些数据驱动的方式去持续训练我们的机器人，从而去提升它的智能化水平？然后此外我还想再提一个问题，在机器人的训练方法上，我们距离这种机器人通过观看人类执行任务的视频去学习的目标还有多远的一个距离，以及我们国内这个行业层面去相比海外领先的机器人公司这个差距又有多大呢？ 好的，我来回答一下。第一个就是你问的是一个挺复杂的技术问题。我试图用我的理解和我们公司一些理解，简单的帮你做一些分拆解。就机器人的所谓的训练里的数据稀缺，它分几个方面。 一个方面就是我们把机器人变成几个部件，一个部件叫导航，就是它相当于室内的一个小型的无人驾驶。这件事在由于它的环境是比较相对有限的，在一个室内，所以在这之前没有通过大语言模型或Transformer为底层，通过一些SLAM的工程化的技术已经基本解决这个问题了。但是由于有了Transformer这样的底层数据，使得室内导航会做得更，怎么说呢，就是说它的实施的成本会变得更低，它对传感器的依赖会变得更小。这件事我们已经在做了。 我们最近在做的一件事情就是让我们的机器人的室内导航纯视觉化这件事一直在推进。我们下一代机器人也会换算进更高的芯片，就是纯粹利用视觉去实现室内导航这件事在逐步推进。就你也可以类比一下像今天新能源车，最后还是特斯拉的纯视觉的FSD取得了重大进展，而且加激光雷达，加各种雷达，多模态那个，其实反而现在看起来不如FSD。很重要一个原因就是因为Transformer的出现，大语言模型这种机制，这种机制的作为底层，实现端到端就能处理很多事情了。所以这是一方面。 这一方面的数据就因为就像你说的，我们部署了很多机器人，我们机器人在各种场地跑，其实也能实现不少的数据。而且坦率讲，它的路况也没有公路那么复杂，速度要求那么高。所以这部分我们觉得还好，数据不算一个有什么太多稀缺性，尤其对我们这种已经有不少机器人落地，每天都在服务的这种公司来说，这个我们觉得就在室内导航这部分我们是蛮有信心的。 第二个就是可能你提的是一个就现在比较火的一个具身智能的概念。这个概念我觉得它目前还更多是一个概念，就是具身智能到底是怎么一个清晰定义，其实也没有一个特别明确的定义，对吧？有人说是人形的，有人说是轮式的，是双臂的。这方面的数据的确是相对稀缺的，因为以前所有的，包括你看的工厂上的机械臂，这些都不构建在以这个数据驱动为核心，它是以自动化，就是代码驱动为核心的。 这一点上我们觉得我们的思路就是逐步的一步一步来。我在很多场合不断表达一个观点，就是我认为人形机器人它的真正落地成为商业化产品有很长的路要走，对吧？这个没有五年十年，我觉得不太可能真正的实现商业化。虽然你看它的很多演示效果都不错，但事实上真的变成一个商业化的产品应该有很长的路要走。 所以我们更多是务实的方式，就我们会结合我们的场景，然后比如说我们在一些机械臂和现实的世界的交互上，完成一些简单任务开始。具体的这个我就不讲了，因为这个和我们技术路线有关。就我们的思路不是那种上来做一个完美的产品，什么都可以做到，然后所有的问题通用性解决。我们的思路反而是因为我们今天有场景落地，我们更多的结合场景本身去完成对这个数据的不断的收集和训练。这个我们觉得需要一些时间，它进展可能不会像我们今天投资界那么乐观，但是我觉得会一步一步的一个场景一个场景的去完成一些。 所以你也可以看到在国外有些初创公司，他们在所谓具身智能上完成的任务也是非常简单的，但我觉得这种方式才是容易落地的。上来就炒菜做饭这种基本上是个实验室产品，就是它的太多的性能上的制约使它很难落地。 所以第二个问题就认为在机器人的训练方法上，通过看人类执行视频完成这个目标有多远，这个还是挺远的。现在看到的大多数都是演示视频。我也可以举个例子，比如那时候刷遍朋友圈的Aloha，它的你在后面操作，它做个什么事，然后好像它就会学会。实际上它的成功率是非常低的，它们自己发的论文70%还是多少，但它会进步。而且这个70%还是在特定的，比如说桌面，它并不是整个桌面，必须划定块区域。所以这离实用还挺远的。 我们一定要记住，自动驾驶从2016年、2017年就有很多团队在做，现在已经过去8年了。在一个二维的路面的这种情况下，今天没有一家自动驾驶公司能够说到了L4级的自动驾驶。而当初大家都很乐观，觉得能够识别了就能自动驾驶。到今天特斯拉也是发布2026年它会有机器落地，而会有这样的汽车落地。我觉得在机器人观看人类执行任务去进行自我学习这个目标，这个时间不会比这个自动驾驶更乐观，因为它是更多是一个三维的机械臂，还有更多机械结构的参与。这是我们对一个大的技术趋势的判断。 相对于海外领先的机器人公司，国内的差距有多大？我坦率地讲，这个其实没有太大。因为今天它大语言模型，包括你看大语言模型做出来以后，国内跟进也非常快。因为底层的算法就是可以这么讲，就是在AI层面，算法本身一旦取得突破，它让大家学习的难度并不高。真正难度高的是这个算法如何去把它工程化，如何让更多的数据去训练，如何把它更高效地训练起来。其实中国团队国内的这个其实是有优势的，至少不会有差距在这种大规模的数据工程这些方面。 所以今天我不认为有多大的差距，就是在这个已经有的方法的这种训练方面，包括大家去用一下国内的一些大语言模型的APP，其实产品化各方面其实也都不错了。可能真正如果说有差距，就在一些新的路径上，比如说又有一种新的方法的出现上，我觉得这个国内会有一些差距，很难去提出一些特别有独创性的方法。但是一旦出现某种方法，国内跟进的速度非常快，没有多大差距。这是我的看法，我个人看法。 好，谢谢。 Operator, please move to the next question, please. Thank you. Our next question comes from Yan ni Su with Hua Tai Securities. Please go ahead. 感谢管理层。我们看到今年年初以来，公司每个季度都在不断减亏。想问一下我们后续对于减亏的节奏和具体规划有没有一些展望？另外是否有明确的可以实现盈利的时间表？谢谢。 好的。我也来回答这个问题。减亏肯定是我们重中之重。今天所有的企业都在高喊着降本增效，对我们来说也是。我们今年肯定实现了一定规模减亏。但是我想说这个减亏，由于我们参与了大语言模型的一些研发和训练，所以使我们这个节奏还放慢了一点点。但这一轮我们发完MOE以后，我们会把我们更多的力量放在Agent的开发和这个机器人的Agent相关的落地上。这样的研发成本会比过去训练大语言模型要减低不少。我们内部肯定是有一定减亏的，反正是专门制定了减亏计划和包括盈利的时间表。但是我觉得因为市场不断在变化，技术也在变化，我们可能这个不会作为一个特别对外去讲的一个非常清晰的时间表。因为现在我认为这一波，刚才那个朋友提问的说机器人训练方面的一些进展，因为我们现在看到了一些商业的机会。我们也看到服务机器人由于大语言模型的加持，无论是它的底层的规划能力、任务决策能力，包括它的交互能力，我们认为都会有不错的一个提升，然后会扩大它的在各个市场的这种满意度，会扩大这个市场。所以我们也是要保持一定的灵活性。如果一旦有这样的机会，可能我们在研发上还会再有一些这样的投入。当然整体来说，我们肯定会要把公司变得盈利，然后为股东创造价值，这个大目标是毫无疑问的。好吧，谢谢。 好嘞，谢谢。有没有其他问题了？ Operator, please move to the next question, please. Thank you. Our next question comes from Chuanlu Yin with Sealand Securities. Please go ahead. 感谢管理层给我提问的机会。我这边有一个问题，主要是想问一下您如何看待AI Agent以及这块的技术难易程度如何？比如我们最近看到智谱的AI Agent已经可以帮助用户去在百度地图，还有像美团上面查询和下单之类的功能。然后想问一下AI Agent后续能否加速大模型在C端的落地，我们应该如何去思考这其中的价值分配？谢谢。 好的，谢谢你的提问。这个提问也挺专业的。我觉得Agent这个词的火爆就是在最近特别火爆。其实Agent本质上它更趋向于传统的一些以前叫什么RPA那种软件基因，其实它就是由于Agent的出现，本质上是由于模型能力没有达到那种就是见啥就能干啥的基础。然后我们要用人的一部分的思维链和人的一部分规划去指导大模型。就我写好1、2、3、4、5，你去这么弄，弄完以后这个效果，包括你看到智谱那个所谓的这些。我觉得这肯定是ToC软件上的一个范式的改变。就以前我们要去写个ToC软件，必须完全靠大量的代码和逻辑去完成，而今天很多的代码和逻辑由大语言模型来做了。那么对C端的这种软件的研发的成本的降低，还有它的用户体验的满意度的增高，的确是很大的机会。这个我得说，就我们自己也有，就看到我们互联网业务也在有一些这方面的尝试。但是我想说Agent这件事，就是能够去完成这些查询也好，下单也好，这个它要达到传统那种系统的那种高度的稳定性和满意度。什么意思呢？就比如我给它一个指令，它是不是一定能做到我想查的东西？这是大语言模型今天在C端也好，B端落地的一个很关键的点，这一点不是太容易被业内的提及，但我们自己在做的时候发现这个问题。比如你用传统代码去实现，你选中一个点去下一个单，因为人都是非常精准操作，基本上你的操作是100%的有效性的，对吧？这个Agent它有的时候会失效，它有的时候会不如你的预期，有时候可能会给你查错。而大语言模型叫不知道自己不知道，它有幻觉。所以这个点是Agent能够真正的落地，在这方面要非常非常投入很多精力的。当然回到你最后那个问题，就是说对C端落地能加速大模型应用在C端落地吗？那一定可以的，尤其在很多C端的APP上，今天已经开始有一些APP开始改用Agent去，比如说我举几个例子，像翻译类的，像一些教育类的，这个明显已经开始了。对，价值分配我觉得还是会带来一波做应用的厂商的崛起的。这是我的看法。但是我个人在对C端的国内的C端Agent落地，就是作为创业公司，我不是特别看好，因为国内的大厂商在这方面的能力实在是太强了，而且对于他们来说做起来也会非常非常的快。所以如果在一个人家熟悉的领域，你做一个小的创新，应该很快的就会被跟上吧。谢谢。 Operator, please move to the next question. Thank you. Thank you. Our next question comes from Yi Zhu with Founder Securities. Please go ahead. 领导好，我想请教一下关于大模型在B端应用方面的几个问题。因为我们也看到公司今年在大模型应用上进行了不少探索，也涉及到了BI、培训、销售管理这些领域。所以我想请问一下，我们公司目前看到企业客户对大模型应用的付费意愿大概是到什么程度？这是第一个问题。然后第二个问题，我想请问一下，目前这些应用是不是还局限在容错率比较高的一些工作场景？未来随着技术的进步，特别是Agent的出现，是不是能够一定程度上改善大模型的幻觉，从而使得这些应用能够实现更多对人工的替代？以上，谢谢。 对，问那个。这个问题本身就已经很说明问题了。就是讲的，我觉得基本上一些点都讲到了。就是第一，就是我觉得企业客户对大模型应用的付费意愿完全取决于这个应用能够给他带来多少的投入产出比。而且有一点是需要注意，就是这个投入产出比还得高，就是要比较高才行。因为本质上意味着这个企业对它整个内部的很多流程的再造，还有包括一些岗位的重新定义，这对一个企业来说，就是如果没有足够高的价值的话，他们也没有意愿愿意去推动的。 目前看起来，我觉得这个企业客户对大模型应用付费的热度，就是怎么说呢，就是越来越趋于理性。我知道的是去年很多企业为了一个大模型的授权或私有化授权都花过不少钱。今年就明显的大家就不再去为这些去付费了，或者很少了。而更多说你能给我提供一个怎样的直接能够好用的东西。 然后你问的这个，就是目前大模型用的确是在容错率比较高的具体场景，比如说刚培训，一些销售的总结这些方面。因为它即便是稍微有一点点不准也都还好，对吧？就是你大致看到一个大概的，或者说能达到，比如培训这件事，能达到90%以上的准确率，就能大量的接受人工。但是在一些比如说数据洞察这些方面，我觉得还是在整个行业都在一起慢慢的摸索。 Agent是出现了是能够有效提升并且改善大模型的幻觉问题的。因为Agent本身就是传统的一些代码也好，任务规划也好，去把大模型的能力框在一个特别垂直的场景当中。这个时候当大模型的场景特别垂直的时候，它的这种出错概率就会降低。尤其这一波大模型现在的能力已经到这个水平了，大家都在Agent上投入的时候。所以对大模型在B端这种应用，就是一定会逐步的实现越来越多的替代。 这里正好我结合上个问题我也讲个例子，就是说今天如果我们做大模型的应用，如果它是一个泛的应用，它理论上就很难去让客户足够满意。这是我们经过这么久的摸索。我举个例子，比如说你像不知道大家买了苹果最新的手机没有，对吧？我也专门买了一个能用海外版的去尝试。你就发现它能够真正体现出来就很少，这个体验就没有那么强。然后包括微软推的Copilot，我认为这两类应用都是把它的，因为他们大公司把它定义的都过于宽泛。这一点上我觉得，但他们反正有时间，有足够的商业闭环，他就慢慢的在这个方向走。而作为像我们这样的企业，就一定得去做好非常清晰的垂直的应用。然后我们的思路是一个点打透，然后实现可复制，再到下一个点。 所以对，基本上是这么一个我的一些理解，谢谢。 明白，感谢。 Operator, please move to the next question, please. Thank you. No problem. And our next question comes from Ben sheng Wu with CS Global. Please go ahead. 感谢公司给我的提问机会，也想请教一下副总，就是最近大家讨论了很多关于Scaling Law放缓的一个问题，想问一下您的一些观点，以及就是说在整个Scaling Law放缓的背景下面，对于整个大模型应用的一些行业发展有什么影响？ Scaling放缓，这个大家还是有些争论的，但是有一点，就是Scaling Law本身这个Law放不放缓不知道，但是至少最近尤其这一两个月大家都在讲这个数据不够了，对吧？因为这个基本上互联网上面能够被用于大模型训练的好的数据，就是精准数据，大概业内这个也不一定，但是我听到就大概比如20T到30T tokens，就基本上就是差不多这么多数据。因为有些数据虽然有，但它的数据质量不高，反而会让模型变得更不好用，对吧？包括现在我们就是全行业都盯着OpenAI，就是GPT-5一直也没有发出来，对吧？你看这次12天也基本上都是原来过去的这些模型能力的产品化的增强。那意味着什么？意味着可能在某种意义上，就是今天顶级模型，就全世界范围内顶级模型能力在一段时间内是不太容易再增长了。至少4O出现已经好多个月了吧。在这之前我们看GPT-3.0到ChatGPT 3.5，然后到4.0到4O，其实每一步都挺快的，但现在已经挺长时间了。所以我们认为至少在今天这个实际看上去就是这个行业的大模型的顶端大模型的能力的增长在放缓。Scaling Law放不放缓我们不知道，但是这个是一定在放缓。但是这件事对于创业公司本身，尤其像我们这种做应用的公司本身是好事情。因为在之前在模型能力高速发展的时候，你做的很多东西就真的是当时Sam Altman说的，你就别做了，做了我新模型出来就给你覆盖了。当时的确有一些这样的项目，他做完以后模型出来，嘣，加了这个能力，就给你覆盖掉，对吧？但今天由于模型的顶端模型能力的增长放缓，大家都在想如何用Agent把这些能力更好的用出来。这就是做应用的一个大的思路。所以我们认为这个对我们是有好处的，我们也可以安安心心的，对吧，也不参与这个模型的卷的竞争了，我们就把这个Agent本身给做好。然后我们今天由于这个入局比较早，我们还是花了很多精力去做一些场景。那么这些场景对我们来说就是打磨Agent最好的方法。因为Agent的本质最后还是要跟客户跟市场结合起来，你才知道这个东西它的满意度怎么样。所以我认为对我们这样的公司是好事，对这个行业是怎么样的，我就没有太多的那么高的高度了。好，谢谢。 好的，感谢，我这边没有其他问题了。 Thank you. Operator, please move to the next question. Thank you. Our next question comes from Alex Wang with SDICS International. Please go ahead. 谢谢王总接受我的提问。我这边想请教一下关于机器人方面的问题。想请教一下副总如何看待过去几个月机器人行业趋势的一些变化，另外就是大模型对于机器人落地有哪些推动作用，还有就是您如何看待机器人行业未来的竞争格局，谢谢。 对，为了过去几个月趋势的变化，我就感觉到机器人这行业又有大模型这个概念变得越来越火了。然后由于有了特斯拉的擎天柱的加入，这个人形机器人变得极度火了。但是我还是坚持我的观点，就机器人它是一个太泛的一个词了。所以大家提起来的时候总是以人做本体做一个幻想，去做一个完美的产品，然后就能解决所有的问题。事实上我认为这个路径至少是非常难的。 我们可以回顾一下当年自动驾驶的时候，最早的时候实际上是两个路线在竞争，一个路线就是以谷歌为首的Waymo路线，他们是追求一台车打造得足够好，用更多的传感器，很贵的激光雷达，非常完美的算法去实现这个个体的相当强，然后去实现自动驾驶落地。而另一条路线是特斯拉为当时的那条路线，就是我没有想到我一定能做到，那么我就先用视觉传感器，不断加传感器，最后发现视觉可以，然后用更多机器在各地跑的数据进行端到端的训练。到今天我们基本上可以说，对吧？第二条就是随着对场景的深入和数据的不断的摸索，实现了这个技术的演化，比当初的完美的设想，最高质量的工程师，最牛的传感器这条路线，目前看起来肯定是这里走得要好得多。 所以我觉得机器人也应该是这样的，它不太会出现一个跟人一样什么都去完成。那个其实我们自己想想，人也不行，人最后还得去开个叉车去干什么，推个小车去干什么，去用一些工具的辅助才能实现更多落地。所以今天我认为这段时间机器人特别火，巨声智能概念特别火，但事实上和落地还是有挺大差距的。 大语言模型大家都提到幻觉问题，其实它双词风格它本身就做一个基础算法，它就有这样的问题。在语言上有的时候回答差不多你也觉得可以，但真正在比如说实现一些动作的操作上，一些跟物体的接触上，它是不能有这样的错误的。而这个错误要一旦出现，就会导致这个机器落地非常难，对吧？我举个例子，比如我们在餐厅在一些场景的接待，你就发现你要在没有人去监管它的情况下，一天跑个十几个小时，跑几十上百趟，然后一年这样在几千个场景都不能出错。出一点点错对你的客户的信心，还有客户能否觉得好用都是巨大的担心。 所以我认为大模型对机器人的大方向是一定有帮助的，但是真正落地的时候应该是结合场景一点点推进。所以这也是为什么我不太看好人形机器人的一个核心原因。我觉得机器人未来的格局这个问题特别大，就是我相信最终可能会像当时我举了个例子，就是更多的务实的机器人厂商的不断出现，在一个场景里面去打磨，里面出来的最后的竞争者会胜出。我不太看好今天提出一个很大的概念，然后就去朝着登月行动去做，这么去。这个能够胜出吧。 因为其中还有一个基础的逻辑是什么，就是说机器人它是一个硬件和软件高度结合的这么一个产业，而里面的硬件体系又很复杂，它还不像汽车，它更多是轮子结构什么的，它有很多的机械结构在里面。而机械结构的硬件体系的进步，它是不是靠摩尔定律支撑的，软件你可以18个月什么成本降一半，性能好一倍，硬件它就得一点点磨。汽车到今天都100年了，100多年了，对吧？才有这次智能车的变革。 所以我觉得未来应该还是，反正我们是坚定我们自己这条路的，就是不断地跟场景的结合，在这个以轮式为基础的，然后再加一些机械臂和一些在一些刚需痛点的场景加机械臂去完成一些高质量的高可靠性的动作，去实现更大的扩展。好，谢谢。 好的，谢谢，没有更多问题。 Thank you. Please move to the next question, please. Thank you. Our next question today comes from Yunp eng Diao with Guotai Junan Securities. Please go ahead. Hi, management. Thanks for taking my question. We have noticed that you have a large amount of net cash on your balance sheet. Do you have any plan of dividend distribution or share repurchase in the future? Thank you. 谢谢管理层接受我的提问。我的问题就是公司账上现金比较多，未来是否有回购或者分红的计划？谢谢。 好，我来回答这个问题。我是公司CFO Thomas。谢谢您的提问。首先猎豹对股东回报一直是比较开放的态度，我们管理层也是非常重视股东回报的。在历史上我们可以看到我们曾经派过两次的股息，也曾做过多次的回购的计划。两次派息也是基于我们有重要的投资项目获得了退出，取得了现金的回报，然后回馈给了我们的股东。但是未来是不是会分红或者其他的手段，我们其实还有很多的因素要去考量。比如我们之前副总也提到过，我们其实在技术上还有一些投入要做，包括我们的业务也是从PoC向PoB在转型。发展AI大模型和机器人业务也需要一定的投入。同时我们也觉得在目前其实整体的经济环境不是很确定，对于我们来讲保持比较充足的现金储备和业务的发展也是比较重要的。所以我们未来会继续保持一个比较谨慎的财务策略，确保公司在面对市场波动的时候有足够的灵活性和抗风险的能力。如果未来我们董事会有批准像回购或分红的计划，我们会在第一时间向市场做公告。谢谢。 好的，谢谢，很清楚。我没有别的问题了。 谢谢。Operator, please move to the next question. Thank you. Our next question comes from Gigi Zhao with GF Securities. Please go ahead. 谢谢管理层给我提问的机会，然后我想问一下就是怎么看目前国内大模型的一个发展的一个状况和竞争吧。就比如说就是您在实际的这个操作中，对各家大模型之间从性能和效率的角度来看是否有显著的差异，或者说就是说目前大模型的竞争是否已经超越了模型能力本身，未来可能更多是向产品化和生态方面的一个建设。对，以上是我的问题，谢谢。 好的，感谢你的问题。你也知道国内的生态它比较复杂，我就不好去评价哪一家的模型产品好用，大家自己用用其实会有体感的。我是几个都经常来回用，但是的确得说这个体验上还是有些差异的。我觉得今天你的这个问题也问得很好，就我觉得大模型的竞争其实从最开始就超越了模型能力本身。因为模型能力这件事，就我们最近推了一个叫AI数据宝的这个功能，就是你会发现今天模型本身的能力它就取决于数据。而今天这个数据因为在互联网上大家也都比较公开，你在标注这些方面，这个数据的高质量化，多花点精力，多做一些工程方面的事情，你的模型能力就会还不错。你像我们真正在我们训了两个模型，一个是140亿参数的，一个是7×80亿的，70亿乘8的MOE的，其实出来榜单成绩也都不错。因为我们在这，所以今天其实大模型竞争就更多的还是来自于你对这件事情的重视程度，还有数据投入度这些。而我觉得到了这个阶段的确就是今天的竞争一定是走向产品化和生态建设了。就谁能够去真正通过产品的体验的改善去完成对用户的满意度的增加，谁就能有机会胜出。底层模型的一点指标的差距，我觉得已经不影响这件事情了。你看榜单上今天这个上，明天那个上，一会儿又来个这个上，其实我觉得这件事可能已经pass了，就产品化和生态建设。连萨默特曼在前不久有一次访谈我看了，他都说人家问你OpenAI最欠缺什么，他说欠缺是产品，对吧？所以这个大模型这次AI的进展，我觉得它的速度很快，所以现在已经从最初的技术狂热或者技术比拼到产品化比拼和生态比拼了。这是一个非常明显的阶段。我看最近有一些国内的专家或者创业者也在提明年会是生态爆发年，应用爆发年。从原则上我是认可这一点的，因为模型的能力到了一个比较高的水准了，就大家各家都差不太多。然后再想高也不太容易了，就刚才讲过数据的这个问题，除非出现某种特殊的新的范式，然后现在大家精力都会往产品和生态上去做。然后由于到了一定的水平，大家又在这方面投入，那就会在用户的体验点上更加重视。所以明年我觉得应该在产品和生态方面会是一个很大的一个进展。好，谢谢。 Thank you. Operator, please move to the next question. Thank you. Our next question comes from Joanna Ma with CMBI. Please go ahead. 谢谢管理层接受我的提问。然后我也是想接着刚才您说的，就请教一下关于大模型训练的技术方面的问题。现在中国企业在大模型训练的强化学习的新范式之下，就是技术能力是如何的？因为我们也了解到像强化学习的新范式特点，就是缺乏现成的开源模型和学术论文作为一个直接的参考，谢谢。 你这个问的真的特别学术化了。第一，我觉得在强化学习的范式下，中国企业的技术能力其实并不差的。强化学习这个事情也不是今天才有的，已经很久了，对吧？这一波我觉得主要就是因为OpenAI的O1的推出，大家又发现强化学习可能到语言模型这里也得搞强化学习。你就可以看过往，以前AlphaGo下围棋以后，中国有的大公司也好，团队也好，做下围棋，其实水平也不差，对吧？也在基本上就像我刚才总结，可能差在一些具体的评测指标差那么几个点，一两个点。我觉得这个其实不太影响最后的产品化落地，包括你说我们的语音识别，以前的视觉识别，对吧？在很多点上都能追得上国外的企业。所以这个技术能力上，中国其实是通过过去的很长的时间在互联网、在大数据方面积累的，还有工程化方面，软件工程化方面积累了大量的人才储备。我觉得这点上是提供足够保证的。然后缺乏现成的开源模型。强化学习，我的理解的话，它并没有那么，它也一样，它的逻辑并没有那么难，更多是靠不断的实践吧。学术论文可能会稍微弱一点，但是这个因为我在学术也没那么强，所以我对这个现在还没有特别清晰直接的认知。但是从大趋势上来看，我不认为这个会是中国企业的一个很短的板。应该来说和过去的好几次范式的更新会差不多，我们不会有太大的差距。这是我的观点，谢谢。 好的，谢谢您，两位老师。 谢谢。 Operator, please move to the next question, please. Thank you. Our next question comes from Chengru Li with Guoyuan Securities. Please go ahead. 感谢管理层接受我的提问。我想问一下，我们现在在国内能看到越来越多的商家在使用服务型机器人，然后看到最多的地方是像餐厅和酒店。我想请教一下，我们公司目前在这两个场景中的市场份额情况，以及如果从大盘来看的话，机器人在餐厅和酒店市场的渗透率渗透程度是怎样子的？未来还有多大增长空间呢？猎豹的机器人在未来三年能否在这两个细分领域能够实现多大市场份额？谢谢。 好的，市场份额的排名情况，因为这个行业比较早，有些报告什么的也都比较初级。当然我们得说餐厅和酒店我们做的是相对晚的，因为我们最早做的是接待服务的那个。我觉得应该我们在前几名吧，应该是大概这么一个份额情况。大盘上来看，在餐厅和酒店的整体渗透现在也是处在早期吧。我觉得即便是国内可能能有5%到，酒店可能多一点，因为它酒店的不如餐厅多，还是处在早期。未来的增长在国外我觉得就更多，就更早期了。这次我在欧洲访谈了我们不少客户，对吧？这个就觉得这方面的市场空间还是非常巨大的。就是你可以把像这种国外的市场想象成我们3到5年前的市场。今天其实我们在国内的有一些市场的这个都不完全取决机器人市场本身了，对吧？比如说我们都知道餐厅现在这个也是降本增效，也有一些这个，所以他们采购能力在下降，这个也是事实了。所以，但长期我是非常看好在这两个场景，包括由此延伸的一些场景。就是我们做的机器人也不仅仅是递送，现在我们在做语音，用大语言模型在增强语音方面的这种能力。这个到了一定的程度的时候，我们相信它会极大地扩展它在餐厅和酒店的工作范畴。未来三年能在这两个细分市场的份额的话，我们目标当然是要拿到最大了，对吧？如果三年时间都拿不到最大，那这个市场就说明我们没做好。我们有这个信心，但是你说能不能做到，取决于我们自己这个团队的执行力。当然我这次就是这一年多，我最大的体会就是这样，就因为它本质上是一个2B的一个市场，所以在销售渠道的建设、销售管理、销售队伍的搭建上，实际上是要花很大精力的。这也是为什么我现在经常会在无论是海外还是有国内，都是去拜访很多客户。因为我觉得我们的技术能力上在这个行业肯定是排在很前面的。就是我们要进什么场景，要做出这个产品，然后在质量、在各个方面客户满意度，我们都能做到不错。那么这里面其实真正的难度反而不是技术和产品，对我们来说更多的是销售渠道的搭建，你整个销售网络。就这一波中国企业出海，我昨天还跟一个朋友聊，就是我觉得和上一波猎豹移动用APP出海最大的不同，就是一定要深入本地，做本地化的一些渠道建设，以及包括对本地市场的了解，能够制定出相应的打法。如果这个能做出来的话，我相信我们那个护城河会比上一波猎豹移动通过网络投放把APP打爆这样的方式会深得多。但是坦率讲，这个所需要花的精力和难度也会相对大。这是我们的观点，但我对三年内拿到市场第一的这个还是有信心的。好的，谢谢。 谢谢。或者我们有其他问题了。 Thank you. Operator, if we have no further questions, we can just come through the Q&A section. We have no further questions, ma'am. Okay. And so thank you so much for joining Cheetah Mobile's Third Quarter 2024 Earnings Conference Call. If you have any further questions, please do not hesitate to reach out to our team. Thank you so much. Bye-bye. Thank you. Bye-bye. This concludes today's conference call. We thank you all for attending today's presentation. You may now disconnect your lines and have a wonderful day.