開年以來，國產大模型DeepSeek的爆火出圈，讓越來越多企業意識到AI在商業中的巨大應用潛力。深入理解AI如何塑造未來商業，成為每一個企業和管理者必須面對的關鍵課題。
2025年2月22日，在嘉賓派北京站訪學中，校友們一同走進企業級人工智能領軍企業第四范式。第四范式聯合創始人、首席科學家陳雨強為大家帶來《行業大模型場景落地》的主題授課，從技術演進的角度講述了AI的發展邏輯和未來趨勢，并通過實際案例闡釋了行業大模型的具體應用。
以下為授課內容精編版，Enjoy~

1、人工智能的發展歷程與現狀

歡迎各位嘉賓商學的企業家校友前來第四范式訪學，我代公司創始人戴文淵向大家問好。我是第四范式的聯合創始人兼CTO陳雨強，創業前曾在百度和字節跳動任職。

當下，行業最火的莫過于DeepSeek。這些天來，全球同行們都在研究，DeepSeek是如何出現在被美國技術封鎖的中國的？從深層次看，這一現象反映了人工智能技術發展中的周期性變化和不同階段的表現特征。

公眾最早接觸到的人工智能，是1995年的深藍（Deep Blue）。這一年，由IBM研發的深藍擊敗了國際象棋大師卡斯帕羅夫，使人們首次認識到計算機的強大智能。在當時，深藍一度成為人工智能的代名詞，并在往后相當長的一段時間內影響著整個領域。

深藍的智能，可以說是一種推理性的智能。縱觀人工智能的發展過程，其實是一場“推理”與“訓練”不斷交替主導的周期性過程。下面是涉及到的這兩個核心概念的解釋：

• 推理：類似于“素質教育”，在考試中臨場計算和分析。當面對無法提前記住或接觸到的題目時，只能依靠現場思考，進行即時推演。例如，很多學生時代的“大神”，學習不靠死記硬背，而是在考場上靈活推導公式。

• 訓練：相當于“題海戰術”，通過反復練習、背題來提高應試能力。在機器學習領域，也有一類派別主要依賴于大量數據訓練模型。

當年，在和卡斯帕羅夫的比賽中，深藍就是依靠出色的推理能力贏得比賽。它能預見22步走法，而最頂尖的國際象棋大師一般只能預見18步，多出來的3步正是其勝利的關鍵。當然，這一切的實現離不開強大的算力支持。在下棋過程中，前臺由人操作擺棋，背后則由IBM龐大的計算集群支持計算，以在超時前算出最佳方案。

公眾對人工智能的第二個認知節點，是IBM的沃森（Watson）。沃森的誕生可以追溯到1995年深藍擊敗國際象棋大師之后，IBM當時希望再次打敗人類，并進一步探索多種方向。最初是試圖挑戰圍棋，但圍棋的復雜度是遠超象棋的量級，傳統推理方法還難以勝任。

此后，在商業化領域，人工智能發展取得的成績是更加巨大的，而公眾對此的了解和感知有限，比如在推薦算法、風控、安防等領域的應用。如Google在搜索和廣告系統中，大量應用了訓練相關的智能技術，其擁有互聯網海量信息和豐富的用戶行為數據，可據此預測用戶下一步的需求，從而優化服務。后來Facebook和字節跳動的內容推薦算法機制，原理亦是如此。

最初，人工智能訓練僅依靠幾萬條數據，而如今數據量已增至上千億條，相當于增長了1億倍。這一飛躍不僅讓模型的“容量”大大提升，也使得智能系統在面對復雜問題時具備了更強的能力。

當數據量達到一定上限時，僅靠增加數據已難以進一步提升模型性能。圍棋問題就是一個典型例子：由于棋盤狀態極為龐大，僅靠歷史棋譜中幾十萬甚至幾百萬盤數據，遠遠不足以支撐模型的訓練。這時，就必須引入更高級的算法和推理方法，正是這種思路催生了Google的AlphaGo。而后，移動互聯網的普及和數據的進一步激增，又促成了ChatGPT等大語言模型的誕生。

到今天，DeepSeek走出了一條全新的道路，這與當前的技術形態密切相關。開頭我們發問，為什么DeepSeek會出現在今天的中國？原因也就在于，訓練與推理這兩條人工智能技術路線的周期性變化。

回顧ChatGPT的發展歷程，大家會發現，在2023年及以前，其技術發展速度非常快，但近兩年的發展開始趨緩。這并不是因為OpenAI的科學家水平下降，而是因為互聯網中可用的開放數據總量已趨于見頂，新產生的數據相比歷史數據所占比例非常低。在這種情況下，OpenAI已經無法再單純依靠增加數據量來提升模型性能。同時，數據對性能的提升呈現出指數級的需求，增加10倍數據僅能提升1倍左右的性能。

此外，我國的算力資源也受到一定限制，無法像國外那樣動用同等規模的計算資源來推動技術進步。回到上面提到的考試的比喻，如果無法提前記住所有公式和數據，那就只能在考場上依靠臨場推理。所以我們可以看到，DeepSeek在回答問題時，會有很長的思維鏈，其思維鏈條比之前的模型都更長，展現了實時思考和推理的過程，最終輸出答案。

總體來說，這反映了一個周期性的發展過程：當數據紅利趨于見頂、訓練算力帶來的性能提升漸趨緩慢時，基于推理的技術優勢就會逐步凸顯，并逐漸占據上風。因為基礎模型能力已足夠，當進一步加入深度思考后，整體回答質量和交互體驗將獲得顯著提升。

因而，推理系的人工智能技術路線現在又開始抬頭。DeepSeek引領的這條技術路線，使得中國大模型在算力上面臨掣肘的發展壓力得到緩解。今后，可能不再需要依賴極其龐大的算力，便能打造出優秀的人工智能。

除此之外的第二個重大變化，在于人工智能由過去隱藏在后臺代碼中、默默支持銀行、零售等行業的角色，轉變為具備對話能力的前端技術。在這種背景下，人工智能企業逐漸由B端向C端拓展，極大提升了AI的普及性和應用場景。AI寫作、AI視頻、AI繪畫、AI設計、AI編程等，AI技術公司的業務形態進一步變化。

過去，人工智能作為后臺技術存在，這些技術的應用場景通常不被用戶直接感知。如今，借助OpenAI推出的對話式技術，用戶可以通過交互界面直接與AI進行對話，這使得人工智能更易于被普通大眾接受和使用。與此同時，不僅僅是OpenAI，越來越多的電子消費品和日常設備也將嵌入人工智能終端，例如未來每個玩具娃娃、耳機、音箱等設備都可能具備對話和智能交互功能，從而為用戶帶來全新的體驗。

從人工智能行業的人才供應來看，雖然中國的出生人口和工作人口呈下降趨勢，但受過高等教育的人才卻在井噴。十幾年前，招聘到人工智能專家非常困難。2014年，第四范式剛成立時，科學家團隊十分稀缺，甚至工牌上會畫熊貓以示珍稀。如今，人工智能人才充裕，許多崗位都有大量應聘者，這為行業發展提供了堅實的人才支撐。

在中國，這兩年關于“百模大戰”的討論非常熱烈，正是因為涌現出上百甚至上千個團隊，以一種你追我趕的態勢參與人工智能研發，這種規模在其他國家較為罕見。中國的人才紅利達到頂峰，這不僅惠及國內，也對美國等國家的AI進展產生了影響，比如OpenAI的核心團隊中，就能發現不少華人的身影。從某種意義上來說，“百模大戰”不是問題，而是一種“幸福的煩惱”。

嘉賓派學員在授課現場

2、企業如何利用AI提升核心競爭力

在人工智能爆發式發展的同時，其對很多領域的賦能能力也在持續提升。

2024年，AI迎來諾獎時刻。這一年的諾貝爾獎，授予給了三位應用人工智能的科學家。雖然人工智能賦能科學研究早已有之，而且更早就賦能了營銷、零售、風控、供應鏈等商業領域，但現在我們看到，科學家將AI應用到數學、物理這樣的基礎學科，且獲得了學術界最高榮譽的認可，這是一件具有標志性意義的事情。

第四范式公司的命名由來，其實也與此有一定淵源。第四范式，原是計算機領域的學界泰斗、數據庫領域的傳奇科學家吉姆·格雷提出的概念。他認為，在經驗證據、理論科學和計算科學之后，數據科學已成為人類科技發展的第四個階段。未來，各行各業都需要借助人工智能的賦能，用數據去發現新的規律，創造新的價值。

中國龐大的市場規模、豐富的行業場景及數據積累，為AI應用提供了得天獨厚的優勢。未來AI會與千行百業深度結合，通過垂直場景定制化模型釋放價值。在既有充分的人才紅利，又有巨大的產業、市場和數據的條件下，人工智能將在中國持續蓬勃發展。

如何利用人工智能提升企業核心競爭力，以及企業借助人工智能實現數字化落地與轉型，是第四范式發展過程中產生的一系列思考。最初，我們是一家純技術驅動的公司，因為我們發現技術在百度、華為、字節跳動等企業中產生了巨大價值，所以認為技術在其他企業中也應發揮同樣的作用。但當我們開始運營企業時，才發現如何真正幫助一個企業應用人工智能、從而產生實際價值，遠比單純討論“做什么樣的人工智能”更為重要。

在思考如何應用AI這一問題時，企業要關注自身到底需要什么，是核心戰略、業績提升、核心競爭力，還是其他東西？

不同的年份，有不同的流行技術。過去十年間，技術熱點不斷變化，從2016年-2018年的人臉識別、語音識別，到2023年-2024年的智能問答、文生圖/視頻等。無論技術如何演進，企業運營的核心始終沒有變，那就是“三張表（資產負債表、損益表、現金流量表）”所反映的經營問題：如何投入與產出、如何確保持續盈利。追風口往往是兩三年的事情，而追求利潤則是企業永恒的命題，盲目追逐技術熱點并不可取。

在我看來，研究AI是個科學問題，而應用AI則是經濟問題，創造價值才是衡量它的核心標尺。我認為企業在進行數字化轉型時，不必過分糾結于“是否使用 AI”，而應關注自身的“北極星”指標，其又稱唯一關鍵指標，是指在產品當前階段與業務戰略相關的絕對核心指標。也就是說，AI最終要服務于提升企業的核心競爭力。

在AI時代，企業經營會發生什么樣的變化？

在傳統企業的模式下，企業先制定一個宏觀戰略，再圍繞其召開各層級會議，從總經理、副總到總監再到經理，來制定出區域、產品、定價、渠道或供應鏈等策略，之后由基層員工負責具體執行，最終通過由下而上逐級匯報形成反饋，從而不斷完善戰略。

而在AI加持下，這一流程將被徹底打破。首先，一家數字企業，會先明確其“北極星”指標，據此建立起一套系統化、可量化的評價指標，比如收入、用戶貢獻、坪效或其他關鍵效益指標，這些指標不能被簡單包裝，而必須真實反映企業運營狀況。接著通過與科技聯動，改造所有業務流程，使得每個行為和動作都可以被數字化、精確衡量。其后才是基于數據去制定各種策略，最終實現在精準策略驅動下的執行。

上述傳統企業與數字企業最大的區別在于，企業管理從樹形結構管理變成了目標上下貫通、結果透明的“穿透式”管理體系。

做企業的都知道一個事實，公司80%的業績，往往都是由20%的人貢獻的。在傳統樹形管理結構中，總經理只能依靠VP（副總裁）或總監反饋信息，難以全面掌握細節和知曉每個員工的真實表現。而在穿透式管理下，可以清楚地看到各環節的實際成果，能夠客觀衡量并讓最優秀的人脫穎而出。傳統從上而下傳達目標、再從下往上反饋結果的方式，容易因結果的包裝而失真，而數字化管理則使目標與結果一目了然，沒有被“包裝”的余地。

這樣一來，有了AI的加持，無論市場潮流如何變化，企業始終能圍繞核心經營問題，保持穩定且持續的發展。

我舉一個親身經歷的例子：我剛畢業時加入百度，一直到離職，從未見過百度CEO李彥宏本人。但自始至終，我與李彥宏的工作目標卻是一致的。記得我入職第一天，上級正是的第四范式創始人戴文淵。他領我參觀完辦公區域后，帶我到電腦前，打開了百度的“北極星”網站。網站上詳細列出了百度當天的核心指標：今日收入、人均收入、人均觀看廣告數、搜索次數、搜索時長等，這些指標正是華爾街投資人來“考核”李彥宏的關鍵經營數據。文淵告訴我：未來你不必刻意去迎合誰，也不需要依賴回報，而是要靠提升這些指標來獲得晉升。

當時，最重要的一個指標是每千次廣告收入（CPM）。比方說，當CPM達到100元，若提升1個點就可晉升一級，提升5個點則能晉升兩級。通過這種方式，即使我從未見過公司最高層領導，我的工作目標仍與大家始終保持一致——關鍵在于數據指標的提升，而非單純依賴領導的指示。其實我本人并不擅長職場交際，但憑借實打實的技術貢獻，成為百度升職速度最快的員工之一。

這種基于核心指標的管理方式，在人工智能時代尤為重要。而“北極星”指標具有多樣性，零售行業可能看重DAU（每日活躍用戶數）、坪效或轉化率，銀行則可能關注AUM（資產管理規模）、利差等指標。

我們的方法論是，在啟動一個AI或數字化項目時，首先圍繞“北極星”指標進行拆解，形成幾個關鍵的子指標，再將這些指標細化到具體場景和業務環節，借助模型和系統能力不斷提升各環節表現，最終實現整個業務指標的改善。

我想提醒各位企業家，很多項目失敗的原因，并非技術本身的問題，而在于這些項目沒有對公司產生實質性價值。對于百度、字節跳動等公司來說，若將人工智能剔除，可能會導致股價大幅下跌，因為人工智能已深度嵌入其核心業務中。而在其他企業，剔除人工智能可能對股價影響有限。這并不是說人工智能不重要，而是它未在企業核心業務上發揮應有作用。互聯網企業對人工智能投入如此慷慨，正是因為這些技術為他們帶來了十倍甚至更多的收入和發展提升。對于企業來說，關鍵問題不在于某一技術的優劣，而在于是否將其應用到對企業董事長和核心業務至關重要的環節中，并取得肉眼可見的收效。

第四范式聯合創始人、首席科學家陳雨強在嘉賓派授課

3、AI賦能企業的具體案例

目前，第四范式的產品已廣泛應用于金融、零售、制造、能源與電力、電信及醫療保健等領域。接下來，我將通過三個實際案例，來為大家講解第四范式如何賦予企業規模化落地AI的能力，釋放其組織創新活力，提升轉型效率。

首先，以某頭部餐飲連鎖企業為例。這家公司的關鍵指標是ARPU（每用戶平均收入）。該指標可以拆解為兩個核心部分：訂單量和單筆消費金額。訂單量又可以分解為線上線下不同渠道的表現，如點擊率、復購率、轉化率、推薦率等；單筆金額則要通過鼓勵用戶購買更高價值產品來提升。

我們梳理出了一系列場景：首頁、菜單頁、加購頁等。舉例來說，開屏頁面的點擊率、菜單頁前三個位置的滲透率、以及在線下或線上加購環節的優化，都是細化后的具體場景。通過這些拆解和優化，最終實現了線上客單價從原本低于線下5毛錢，到超越線下5毛錢的轉變。達到了這一臨界點后，該企業便大力推動了線上化轉型，逐步將線下柜臺功能隱藏起來，全面轉向線上渠道。這樣的轉變使得該企業在疫情期間依然表現出色，其收入和業務影響都得到了顯著提升。

再舉一個金融領域的案例，主角是一家頭部銀行，它是我們的第一個客戶。在大約2020年左右的三年時間里，該銀行圍繞其APP推出泛生活及金融場景，確立了以 MAU（每月活躍用戶數）為核心的“北極星”指標。他們認為，未來的顛覆不來自于金融行業本身，而支付和金融服務卻極易被消費端場景顛覆。如果用戶每天90%的時間花在淘寶、拼多多、抖音、快手等平臺上，而這些平臺又在布局電商和支付，那么銀行的用戶就可能被“吃掉”。

基于這一思路，該銀行制定了一系列子指標來支撐 MAU 的目標，包括：

• 拉新指標：如何吸引新用戶（例如普通用戶的新增和外部買量）。

• 促活指標：如內部轉發量、觸達時長、內容點擊率及每日APP使用時長和留存情況。

• 變現指標：關注 AUM（資產管理規模）的增速，重點在于提升存款、貸款的增長，以及理財產品購買的比例和購買量。

我們將該銀行在線上線下的各類場景，如APP內的交互、電話外呼、客服關懷等，進行全面梳理，并利用人工智能不斷優化這些場景，最終實現用戶拉新、活躍與變現的整體提升，進而推動 MAU 指標的改善。

在制造業領域，我們的客戶之一是一家頭部車企。該企業的核心目標是提升訂單的準時交付率，計劃將這一指標提高大約10個百分點，同時縮短整車下線的流水線時間，確保交付過程更加可控。為實現這一目標，我們將準時交付率細化為多個關鍵環節，并進一步拆解為：

• 研發效率：包括外觀設計更新目標、零件重用率目標等，與設計直接相關的指標。

• 供應鏈效率：側重于物流、倉儲成本及現貨率等目標。

• 生產效率與良品率：通過對生產過程中各環節的優化來提升整體效率。

在此基礎上，我們針對具體場景提出了多項優化措施。例如：對生產過程中使用的CAD軟件進行優化，提高零件重用率；優化CIM系統，改善供應鏈管理；改造排產系統及MAss系統，以提升排產及生產調度的效率。

以上這些實踐案例，展示了我們賦能企業進行數字化和人工智能應用方面積累的實戰經驗，并獲得了外界包括政府部門及專業評比獎項的認可。

4、導師陳雨強答校友問

在授課最后的提問環節，針對嘉賓派校友企業家們提出的問題，導師陳雨強一一進行了解答和回應。這部分內容以問答形式呈現。

嘉賓派校友企業家與陳雨強互動現場

兌吧集團COO朱江波：兌吧與第四范式有很多相同點，比如都是2014年創立，都是做To B業務，都在港股上市。和第四范式類似，兌吧在發展過程中也服務了非常多的行業的客戶，從互聯網行業到全零售行業等等。而在上市之后，我們做出做垂類SaaS公司的戰略定位，并聚焦于金融行業。第四范式的發展歷程也是做金融行業業務出發的，如果重新來過，第四范式是否依然會選擇從金融行業切入來發展？

陳雨強：目前，我們的主要客戶集中在金融、零售、電信和能源等傳統高利潤行業。一大原因在于，當前的AI技術成本仍然較高。因此，只有在利潤率較高的行業中，企業才能承擔這樣的技術投入。

如果回到企業發展之初，重新再去選客戶，我們依然會優先選擇銀行。原因在于：銀行具備雄厚資金實力。而且，銀行在數字化轉型早期，就實現了數據連通和中心化，其對數據精確性要求極高。同時，銀行場景相對標準化，核心業務主要包括存款、貸款、控風險以及提升經營效率，其優化目標比較一致，便于標準化應用和復制。銀行的這些天然優勢，使其成為第四范式進入AI應用的理想切入點。

釘釘副總裁林鋒：在大眾的認知中，企業使用定制化大模型的成本和投入較高，交付也更重。我想請教關于企業在定制化型與通用模型之間的抉擇問題，以及第四范式在這方面的戰略布局和取舍是怎樣的？

陳雨強：我認為，一個通用模型難以解決所有企業的問題。第四范式的核心價值在于基于通用平臺可以規模化產出解決方案，因為每個企業的經營問題各不相同，即使是在同一銀行領域，不同銀行的客戶結構和戰略目標也存在差異。企業決策往往與企業“三張表”密切相關，而各企業在數據、決策依據等方面差異巨大。

因此，盡管中國現有的基礎模型發展迅速，但企業要真正落地應用，仍需大量定制化模型來解決具體問題。我們的思路是構建一個平臺，通過平臺生成一系列定制化模型，從而針對企業不同場景（如供應鏈、首頁推薦等）提供專屬解決方案。為降低這部分定制化模型的成本，我們投入了大量精力構建更好的基礎模型和數字化平臺，以大幅降低各場景的應用成本。

隨著AI逐步實現人與系統的直接交互，硬件、智能硬件及穿戴設備等新的應用場景正不斷涌現。比如，DeepSeek的日活用戶在幾個月內就突破了億級規模，這表明市場對交互式AI有巨大需求。雖然金融領域仍是我們的主攻方向，但新的應用機會同樣不容忽視，未來我們可能會推出面向C端的產品。

抖音原媒體合作副總經理潘宇：成長為垂直決策類的人工智能頭部公司，第四范式過去做對了什么，才得以奠定今天的這個市場領先地位？和同類企業相比，第四范式的核心競爭力是什么？

陳雨強：如果說第四范式做對了什么的話，我認為是堅持平臺戰略與長期價值。

從一開始，我們就定位于構建一個AI For Everyone的人工智能平臺，而非僅僅做定制化的場景解決方案。早期市場上，許多AI平臺公司都紛紛轉向做場景化應用，甚至外界曾一度將第四范式誤解為一家單純的FinTech（科技金融）公司，因為我們最初在銀行領域深耕，且FinTech概念當時正火。但我們的初衷始終明確，即以金融作為切入點，通過平臺解決金融及其他行業在未來可能遇到的各種問題。我們堅信，要實現像百度、字節、Google或 Facebook那樣的體量，就必須解決各種各樣關于平臺的問題，既包括解決眼前的問題，又預見未來挑戰，去不斷打磨產品。

客戶對我們的印象也正反映了這一點。他們認為我們不是定制化服務商，而是一家能夠引領AI潮流、與客戶共同成長的企業。舉例來說，第四范式成立三年、團隊僅三四十人時，我們就拿下了工行的訂單。那次洽談合作時，工行派出了二三十人，而我們派出的團隊只有二三四人。最終，工行沒有只讓我們做某個單一場景（如風控或OCR），而是將人工智能應用的平臺底座交由我們構建。這充分說明了他們對我們平臺戰略和長期共贏能力的信任。

無論是作為乙方為客戶服務，還是與合作伙伴共同成立聯合公司，我們始終在探索如何快速實現共贏，而非單邊獲利。無論大模型是否最終成功，都無法改變這樣一個事實：被AI改變的公司與幫助其轉型的公司必須共同創造市場增量。

吳婷校長為第四范式頒發案例入選證書

嘉賓商學創辦人、校長吳婷：我和第四范式創始人戴文淵在十年前就認識了，見證了公司茁壯成長的過程，也看到過公司經歷的一些危難時刻。如果第四范式未來倒下了，你認為會是什么原因？

陳雨強：在企業經營過程中，不可避免地會思考“如果倒下怎么辦”的問題。但實際上，我個人并沒有過多糾結于此。正如有人問“為什么要創業”，我的回答往往是：因為沒有想太多倒下的可能，所以才敢創業。回憶起與公司另一位聯合創始人時偉的經歷：我曾在字節擔任算法負責人，而時偉是鏈家轉型時期的重要技術人員。當年，我們曾與張一鳴、戴文淵等人頻繁交流，雖然創業的失敗率極高，但在一次次討論中，我們發現沒有絕對成功的邏輯，只有不斷嘗試、不斷適應市場的變化。正是這種不拘泥于“倒下”的憂慮，讓我們敢于走出舒適區，聚焦于如何與客戶共同創造價值。

我們也曾擔心來自華為這樣執行力極強的大廠。因為華為有著極高的組織能力，一旦策略落地，其執行效率可能遠超小公司的速度。但我深知，真正的競爭對手不是某個具體的友商，而是如何充分發揮人工智能的整體價值。目前，雖然在一些領域AI已經帶來了顯著效益，但在更多場景下，人工智能的潛力尚未完全釋放。我們面臨的最大挑戰，是能否撐過“黎明前的黑暗”，等待那一天AI潛力全面爆發。

吳婷：作為垂直領域的這個人工智能公司，你們認為AGI（通用人工智能）何時會以何種方式到來？

陳雨強：關于AGI，我認為中美兩國在探索AGI的路徑上存在差異。美國依靠雄厚的算力優勢，可以采用大規模算力驅動AGI；而中國雖然在算力上略有劣勢，但擁有豐富的產業場景和數據。這里存在兩種技術路線的對比：一種是構建一個超級“大腦”，試圖讓單一模型解決所有問題；另一種則是構建大量專業化、垂直領域的模型，并通過一個智能的大腦將它們有效協調起來。

就目前而言，行業的絕對的共識是大模型不可能解決所有問題，真正的AGI一定是一系列的垂直模型，而垂直模型必須是得額外研發的。生活或許可以AGI，工作一定需要垂直模型。因為生活數據是公開的。而工作數據彼此不通，底層原理不一樣，所以就需要垂直模型。

最后，我想重點談談很多中國企業走的路線，即通過豐富場景和數據構建垂直模型，再由智能“調度中心”整合的協同模式，或許更符合人類理想中的AGI形態。我認為，這是中國的一個重要機會，因為每個垂直模型的構建離不開充足的數據和場景，而我們有能力在這方面做出創新和突破。

授課 | 陳雨強 第四范式聯合創始人、首席科學家
出品 | 嘉賓商學