2026年，国内企业AI正处在从概念试点迈入实效落地的关键博弈阶段。在国家“模数共振”行动、智能体规范发展相关政策的牵引下，行业明确了“数据—模型—场景应用”的良性发展路径，鼓励行业专用模型、企业智能体的研发与落地。与此同时，全球AI产业格局迎来重大调整，Anthropic、OpenAI等头部企业纷纷加码百亿级企业AI工程服务布局，行业共识正从“通用模型”转向“深度工程服务”。不过，虽然市场上大家都在强调深化企业AI实践能力，但如何做到确实不容易。滴普科技（1384.HK）创始人、执行董事、董事会主席兼CEO赵杰辉深度拆解当前企业AI落地的核心痛点中就曾指出：企业级AI落地并非通用大模型能力的简单延伸，通用模型仅凭公开语料训练的规划能力，无法适配企业复杂的深度业务场景。至于如何解决这些痛点，滴普科技的方式是通过其核心Deepexi企业大模型的“本体大模型”技术路线，为企业AI从“Demo好看”到“实效落地”提供了系统化的产品化答案。通用模型为何在企业深处失效当前资本市场与产业界普遍发现，即便通用大模型参数持续迭代、算力不断升级，其在制造、消费零售、金融、医疗等实体企业的深度业务岗位中，依旧难以实现稳定落地。这是因为公开领域与企业场景的任务结构存在本质差异，导致通用模型的核心规划（Plan）能力在B端场景失效，再强大的算力也会变成空耗。赵杰辉指出，企业级长任务与公开领域AI任务属于完全不同的工程结构，可归纳为四大核心特征，也是通用模型落地失效的底层逻辑。首先是语境动态性。企业里大量的真实业务推理是5跳、10跳、20跳的长链路。一次故障诊断从现象到根因可能要跨6个数据源，一次销售复盘从结果到行动可能要追8跳，且链路并非固定手册，而是依赖具体语境动态生成。其次是跨SOP的规则冲突。企业内成百上千份SOP、操作规程、合规手册本身可能存在冲突，当任务推理走到关键决策点时，必须依靠本体层级的优先级仲裁。第三是长上下文的经济性难题。一次复杂推理动态展开的本体子图可达数十万token量级，把任务推理过程中动态展开的本体子图全部塞进 prompt，工程上也并不经济、效果上也不可靠。模型必须依靠内化的结构知识进行“导航”，而非每次都塞入完整信息。最后是终止判断的独立性。“该停在哪”本身就是一个复杂的推理动作。停早了，结论浮于表面；停晚了，陷入无限回溯。
=*=*=*=*=*=
当前为第1/3页
下一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页