产业落地，通用大模型并非最优解。 |
DeepSeek的爆火，让不少人认为，大模型的普惠迎来了真正的拐点。
这一颇高的评价，背后是一组组漂亮的企业用户数据。爱分析统计数据显示，截至2025年2月21日，已有45%的央企完成了DeepSeek模型的部署；同一时间，多家工业软件厂商也纷纷接入DeepSeek的API。
只是，漂亮的数据，就是产业落地的真相吗？
“接入大模型API”，不等于真正的“产业落地”。不同行业、场景的业务逻辑相差巨大，强大如DeepSeek的通用大模型，未经行业专业知识的强化训练，无法如预期般直观、快速地解决不同行业的需求。
大模型席卷产业两年以来，愈来愈多人意识到，帮助企业跑完最后一公里的可能不是顶尖的AI研究院和实验室，而是已经陪跑产业几十年的AIoT厂商。
在产业界，“大华股份”之名并不令人感到陌生。这位AIoT行业的“老大哥”，已经将10000多个以视觉技术为核心的智能产品、500多个解决方案，应用到了8000多个细分场景。
在大模型时代，如何让曲高和寡的“Transformer”“MoE”“Agent”，从实验室和论文中走出，真正落地到产业界的旷野，是大华一以贯之的命题。
2025年3月10日，大华股份发布了星汉大模型2.0。用大华先进技术研究院院长殷俊的话来说：AI真正成为“行动派”了。
视频加载失败，请刷新页面再试
Refresh 
在产业，AI不是一组算法，而是一套体系
2023年10月24日，星汉大模型1.0刚刚发布的时候，正逢通用大模型风头一时无两，大华却选择了一条专业化、垂直化的道路。ChatGPT等通用大模型的出现，迅速拔高了行业对通用大模型的预期。殷俊发现，近两年来，市面上不少大模型产品，都围绕着“通用”为基础。
彼时，聚焦行业的垂直模型，在探索AGI的宏大命题和狂堆参数的技术竞速面前，是并不性感的故事。不少人面对行业模型，也会发出一个疑问：不用通用模型做落地，是否显得不合时宜？
得出结论前，先看产业落地的真相。
入行多年来，殷俊深知B端业务的不易：B端业务不仅复杂，流程和场景又极其碎片化。以安全事故多发的能源行业为例，大模型能够在产线巡检、安全预警等方面发挥作用，已是不争的事实。然而，安全管控既要涉及监测、分析等多个环节，又要精准识别、理解复杂的生产环境。
这意味着，单一算法训练的模型，不仅很难端到端覆盖所有流程，对实际场景的认知力也不足。这一弱点在通用大模型的实际应用中也可见一斑。
另一个掣肘通用大模型落地的关键因素，则是ROI（投入产出比）。通用，往往也意味着笨重、昂贵。“市面上客户可接受的成本在5万-200万之间。”一名从业者曾告诉过36氪。但动辄大几百万的通用大模型部署价格，往往轻易就能突破用户的心理基线。
凡此种种，都通往一个结论：产业落地，通用大模型并非最优解。
入局大模型赛道以来，深谙产业落地之道的大华，就不走寻常路，确定了行业模型的路线。“我们在做大模型之初，就想清楚了一件事：未来大模型要产业化落地，就一定是业务驱动、贴着垂直行业去做的。”殷俊告诉36氪，“所以一方面，我们把大模型做小，做到模型算力可控；另一方面，不断地降低整体应用的算力开销，让落地规模快速扩增。”
这一认知，也决定了2025年3月升级后的星汉大模型2.0，不仅仅是一套算法，而是一套体系。
比如，不少企业的专业知识和场景数据，散落在曾经的系统和传统AI模型中。以星汉大模型2.0为核心的解决方案，既涵盖了大模型和企业传统系统的协同，也囊括了不同体量的细分场景模型之间的合作——大华实践的经验表明，只有将技术形成一套业务体系，才能够让AI从抽象的技术概念，真正在业务场景中运行起来。
在与36氪的交流中，殷俊几乎在每句话中都会提到：贴着用户需求。这也代表了从模型体系的建设到产品化过程，大华的态度——不要“拿着锤子找钉子”，让客户去迁就技术，而是要让技术贴着产业的痛点走。
一个典型的案例是，星汉大模型2.0三个系列的诞生，都与客户需求有关：
擅长多模态能力的V系列视觉大模型，落地于城市治理、生产制造等行业高频的超小目标检测、复杂场景识别等任务；作为“大脑中枢”的M系列多模态大模型，源于不少客户在实际业务中文搜图、图搜图的需求；在实际业务中扮演“指挥家”角色的L系列语言大模型，殷俊表示，是为了满足不少客户对语言和文本这一人机交互模型的需求。
大模型系列的研发，解决的是技术基建这一“上层建筑”的问题。具体到产品化，如何让模型能力有效地融入企业的工作流中，并不简单。
在长期与客户需求打交道的过程中，殷俊发现，不少企业的工作流中，不同层级的子系统往往盘根错节，这些子系统又接入了不同工具和数据库的API——系统的繁杂和碎片化，让大模型在落地的过程中，很难充分利用分散其中的知识和工具。
因此，“大模型落地的本质，就是将这些繁杂的系统、工具和数据接口，按照企业的业务串联起来。”殷俊对36氪表示。
大华研发的行业智能体和工作流引擎，总结起来，将模型落地的过程分为“拆解、调用、编排”三步：将企业现有的复杂业务流程，拆解为可编排的原子化算子库；根据具体业务和场景的需求，智能体能够快速调用工作流引擎；最后，通过引擎对算法和工作流的动态组合，实现技术能力与业务需求的高效适配。
这样一组“原子化”拆解、编排工作流的方案，已经应用到了各行各业，润物细无声地改变了人们的生活。以城市应急指挥调度场景为例，一旦火灾发生，智能体就能迅速调取周边监控，根据单兵设备分配救援任务，同时还能通过融合通信系统发起音视频会商，启动应急预案。
在未来，从以人为核心的“经验驱动”，到以AI为核心的“认知智能驱动”的行业故事，会越来越多。
产业落地，大华用30多年交了答卷
成立30多年以来，大华在物联感知、计算机视觉等技术领域的深耕，目的是解决业务过程中有关“看见”的痛点。
一个颇有草蛇灰线意味的呼应是：在技术浪潮中，大华也更早“看见”了企业客户的需求。
“会看”，是一个高频、基础，却往往被技术提供商忽视的需求。比如，在电力巡检场景，不少变电站都在深山老林，人力巡检难度极大，要实现无人值守，先要解决的，也是把电表“读准确”的问题。
产业对“看”的刚需，也成了大华在大模型时代躬身入局，最为水到渠成的理由。殷俊告诉36氪，大华是做视觉理解起家的，“包括深度学习模型，大华90%以上的技术，都是围绕视频为核心做的。”
发现需求是业务的基点，技术水平则是立足行业的硬实力。一个出乎意料的事实是：2019年，距离ChatGPT引发风暴还有近4年的时间，大华股份就敏锐地将Transformer引入到公司内部，用ViT（基于Transformer架构的视觉模型）技术做半自动化标注方案。等到2020年初，大华已经成功研发出了自动化标注模型。
在大模型赛道，让入局者深有体会的是，技术研发不仅需要持之以恒的投入，也仰赖于实力强劲的团队。
先看投入。多年来，大华的研发投入占比，都维持在10%以上的水平，还呈现出逐年上涨的趋势。财报显示，2024年，大华的研发投入达到了42.1亿元，占到了总营收的13.09%。殷俊告诉36氪，十多年来，大华的算法团队、算力规模，都随着业务的范围，在不断扩展。
再看团队。随着DeepSeek背后的团队曝光在世人面前，年轻人才渐渐走到企业人才招徕的中心。大华聚焦AI技术十多年以来，对年轻人才的培养，已经是团队建设的核心模式。
据殷俊介绍，大华的算法团队，每年招的都是应届生，硕博学生的比例高达98%，“我们会逐步培养应届生，让他们不断往前走，成长为我们的核心骨干”。
值得一提的是，区别于“两耳不闻窗外事”、埋头于科研的理念，大华不仅要求年轻人才懂算法，还鼓励他们走出实验室，体验实际业务的落地过程。比如，每个进入算法团队的应届生，都被要求在实习期内完成一个项目的现场落地交付。“在现场看到过、摸到过自己的产品，听到过用户的一些想法，哪怕是用户的吐槽也好，”殷俊表示，“他才会真正感受到自己做的技术和产品，如何去提升。”
一代又一代人才，不断走向业务落地的田野，最终构成了大华30年来扎实的业务积累和行业认知。在大模型热潮翻涌的2023年，大华构筑的“1+2”人工智能能力体系——一套架构体系，加科研能力及工程能力，已经将AI技术，嵌入到了8000多个细分场景。
“我们懂业务，也有经验，以及我们也知道如何服务客户，让客户更好地将这套系统运转起来。”殷俊细数技术落地的本质，“数字化也好，智能化也好，背后都是一套数字系统。如何让数字系统更符合客户的需求，在客户的业务流上发挥它的功效，是我们所擅长的。”
在大模型赛道，入局者众多，打法也各异——有人勇攀AGI的高峰，有人意在潮头打浪，也有人追求务实的落地。浪潮既是机遇，相对的，稍有懈怠就会被大浪淘沙。
从数字化时代走到智能化时代，凭借扎实的技术实力，以及大量的业务经验，大华在大模型领域中，为自己开辟出了独特的位置。
做好产业化落地，大模型就不是泡沫
在一座深达千米的矿井，面对井下复杂的作业环境，如何精准排查交通工具、设备、堆煤潜藏的安全隐患？面对每年数十起的高频事故，如何管控几十名工人的作业规范，防患于未然？
在数字化时代之前，这一连串的问题，一直是煤矿行业的显性之痛。殷俊记得，最初，视觉技术只能解决人员管控的问题，帮助企业确认安全帽等防护道具的佩戴情况，以及作业是否在安全区域进行。
后来，随着大模型技术的发展，大华帮助企业“看到”的范围，从人员管控，延伸到了对交通工具、传送带、堆煤等各道工序的管理，几乎覆盖了事前管控、井下作业、物流运输的全流程。
技术型企业的价值感，不仅来自于技术能力的提升，也源于自身技术能力提升后，随之拓展的落地空间。对于大模型的落地，殷俊有一种务实的“贪心”：“切入一个行业后，随着你对业务的不断深入，你会希望帮客户做更多，把整个业务都做一遍，形成端到端的提效。随着技术的发展，我们能够利用新的技术，再做一次产业的升级，这也是我们努力的方向。”
从一个个场景，覆盖到一整个行业，是大华在大模型时代的野心。为了加速达成这一目标，如何选择切入的主要场景，大华有自己的考量。
一方面，是找到“难而正确”的场景。在殷俊看来，这些复杂的业务场景，往往是企业需求旺盛，但多年来技术无法解决的事。一旦技术模式能够成功落地，就可以复制到产业界，产生数以倍计的价值。
大华在其中用到的巧劲儿，是与矿业的头部企业进行合作。殷俊告诉36氪，切入煤矿行业之初，大华就与国内头部的煤矿企业深入交流了合作的可能性，“我们希望一起做一些行业标杆，或者说被行业认可的事。”如今，这套模型解决方案，在煤矿行业落地的效果是显而易见的——例如，在传送带大块物体检测、跑偏监测等核心功能上，准确率从80%提升至93%，且在矿下高温、光照差等恶劣环境中，正确报警率（即真实警报的识别率）仍稳定维持在85%以上。
另一方面，则是要找到需求量持续增长的场景。背后的原因，是为了更好的发挥大模型的优势——大场景，与大模型的强性能、高算力更为适配，还能通过规模效应，降低大模型落地的成本。
一旦找准刚需场景，衡量大模型落地企业的ROI，便不再是难事。此前，AI带来的某些核心价值，比如决策质量的改善、客户满意度的提升，往往无法精确地量化。
但在殷俊看来，刚需，往往意味着ROI衡量方式已经经过检验的场景。比如，对能源行业而言，降低事故率就是刚需，“AI把安全事故率降低了，企业对AI的投资就是非常划算的事。”
大模型行业，如今已经走到了一个分水岭。两年来，高楼起、高楼塌的故事屡见不鲜；曾经万众瞩目的企业，实际交付的技术答卷也不尽如人意。这也让不少人悲观地认为：大模型的泡沫已经开始破灭了。
然而，殷俊却持有不同的观点：“任何一个技术兴起后，有泡沫是好事。”2019年，大华研发大模型之初，行业还远不像现在这般火热。客户教育成本太高，成了实打实的难点。彼时，殷俊跟客户解释什么是大模型，但理解的人并不多。
在殷俊看来，泡沫，意味着免费的用户教育。经过两年的普及，如今，大模型对客户而言，已经不像两年前那样陌生。行业认知的提高、模型落地效果的凸显，都让企业更乐于接受新技术。
但客户认知的提高，也对位于上游的解决方案提供方，提出了更高的要求。殷俊用“多快好省”，概括了大华不断自省的方向：第一，准确率能不能达到客户预期；第二，客户提出的新想法能不能快速被满足；第三，能否低成本地解决这些问题。“这是我们追求的永恒命题。”他提到。
毫无疑问，大模型已经走到了落地的黄金年代。“随着大模型产业化的程度越来越深，AI成为日常的一部分，这时大模型就不再是泡沫，”殷俊总结，“这个路径一旦被证明，或者说更多地被证明，大家就不会再彷徨。”
深度、敏锐、前瞻，为1%的人捕捉商业先机
36氪旗下精选公众号
👇 真诚推荐你来关注 👇 ]article_adlist-->
]article_adlist-->
海量资讯、精准解读，尽在新浪财经APP
尚竞配资-股票配资炒股-配资选股-在线炒股配资必选提示：文章来自网络，不代表本站观点。
