當人工智能從實驗室走向產業(yè)應用，我們正見證著一場靜默卻深刻的范式革命。

在鈦媒體2025 ITValue Summit前瞻之AI落地指南系列的首場直播中，釘釘CTO朱鴻、壹生檢康創(chuàng)始人王強宇與鈦媒體聯(lián)合創(chuàng)始人劉湘明的對話，核心命題直指AI落地的本質：專屬模型能否成為行業(yè)共識？

從“不敢想”訓練自己的模型，到如今“能做到”90%準確率的婦科行業(yè)專屬模型，王強宇的回答揭示了技術演進的必然邏輯——當通用大模型的能力邊界逐漸清晰，企業(yè)開始意識到智能體的上限本質上是模型能力的天花板。這種認知轉變并非一蹴而就，而是經歷了從prompt工程到RAG技術，最終走向自訓練模型的螺旋式上升過程。

特別值得注意的是，壹生檢康將婦科大模型準確率從70%提升至90.2%的實踐，同時還通過了國家婦產科衛(wèi)生高級職稱（正高）考試，不僅證明了中小企業(yè)也能訓練高精度模型，更展示了一條可復制的技術路徑：均勻的數據分布、高質量的精標數據、高效的訓練流程，這三者構成了專屬模型訓練的“鐵三角”。

朱鴻提出的“AI下半場是問AI要效果”的觀點，進一步深化了這場技術革命的內涵。他敏銳地指出，企業(yè)應用AI正經歷三個層次的演進：從知識管理到經營決策，最終指向生產工藝流程的自動化。

這種分層認知揭示了AI落地的漸進性——它不是一蹴而就的技術顛覆，而是逐步深入業(yè)務骨髓的漸進改造。

釘釘定位為“AI基礎設施提供者”的戰(zhàn)略選擇，恰恰回應了這一需求：通過全鏈路工具鏈降低專屬模型訓練門檻，讓企業(yè)無需從零開始搭建技術底座。

對話中最具啟發(fā)性的討論聚焦于專屬模型訓練的現實挑戰(zhàn)。王強宇坦言過程中多次“練不下去”的困境，這些技術卡點包括訓練數據質量不佳、訓練流程不規(guī)范、強化學習效果不穩(wěn)定等。這些因素促使他們找到了解決方案——與釘釘團隊深度共創(chuàng)。

這種合作模式打破了傳統(tǒng)甲乙方關系，形成了算法專家與行業(yè)know-how的化學反應。朱鴻特別強調的“信任建立”與“目標共識”，道出了AI落地中最容易被忽視卻至關重要的因素：技術實現必須與業(yè)務目標對齊。當企業(yè)清楚定義“什么是足夠好的模型”時，技術團隊才能有的放矢地優(yōu)化訓練策略。

關于智能體與行業(yè)模型的爭論，實質上反映了AI應用的不同哲學取向。王強宇“智能體更多是‘術’，行業(yè)模型才是‘道’”的觀點，引發(fā)了關于AI價值創(chuàng)造方式的深層思考。這種觀點并非否定智能體的價值，而是強調數據驅動的行業(yè)模型才是釋放AI潛力的根本。

展望未來，對話傳遞出一個明確信號：專屬模型正在成為AI落地的共識路徑。這種共識的形成源于三個關鍵因素：技術可行性（基礎大模型+大數據的有效組合）、商業(yè)合理性（按效果付費的商業(yè)模式創(chuàng)新）、生態(tài)完備性（平臺型企業(yè)的基礎設施支持）。

附上本期直播時間軸，幫你快速跳轉感興趣的部分

00:45 智能體上限是模型能力，自訓練模型成為出路

14:21 AI下半場，可能是大數據小模型的時代

29:00 專屬模型訓練，卡點在哪

40:03 只做Agent不做行業(yè)模型，相當于只做“面子”不做“里子”

以下為對話實錄，經編輯整理：

智能體上限是模型能力，自訓練模型成為出路

劉湘明：各位觀眾大家好，歡迎來到鈦媒體舉辦的AI落地指南系列的直播的第一場。今天也特別高興邀請到了兩位嘉賓，他們是釘釘CTO朱鴻（一粟）、壹生檢康創(chuàng)始人王強宇。

去年9月份，強宇在鈦媒體三亞的IT價值峰會上面有一個很重要的發(fā)布，過去一年，產品做了哪些升級迭代？

王強宇：其實最重要的迭代就是我們從做Prompt和RAG，變成是自己訓練一個婦科大模型。因為我們逐漸發(fā)現，盡管我們做了很復雜的Prompt，智能體的準確率到了70%左右，再往上走就非常難。

我們從今年1月份開始考慮自己訓練模型，當時正好也是DeepSeek比較火的時候。DeepSeek的開源給了我們訓練模型的新思路。在三月底四月初的時候，我們和釘釘團隊做了一些交流，他們很快就提出來說可以支持我們，支持中小企業(yè)創(chuàng)業(yè)公司來做模型的訓練，我們就在釘釘的專屬訓練平臺上做了很多共創(chuàng)。

早期主要是從SFT需要的環(huán)境和卡的算力去考慮，之后也是把數據標注的問題做了重新的梳理，包括訓練的整個流程，我們最新發(fā)布版本的婦科大模型準確率，在六個癥狀上面可以達到90.2%。我們也用在了我們自己的“閨蜜醫(yī)生”產品上，一個32B的小模型只需要2張4090卡就可以跑通（含推理）。

這說明，小模型完全可以訓練出來，也完全可以跑得起來。閨蜜醫(yī)生是個toC的應用，解決了很多15-25歲女生遇到的各種婦科問題，所以我們覺得這個路徑完全可以走得通，這也是我們這次和鈦媒體一起來聊這個話題的原因。

劉湘明：你在鈦媒體上發(fā)了兩篇文章，效果都非常好，都是這種非常深度的技術，你提到關鍵的優(yōu)化，包括針對一些合成數據，高質量的數據，對這種診斷的準確率提升有很大關鍵的作用，到底是做的哪些事情呢？

王強宇：主要做了這么幾件事情。

首先就是數據的準備工作，從數據的清洗到數據的分布，我想先解釋一下什么叫精標數據，對于醫(yī)學來說，其實我們說的婦科的六大癥狀就是從月經不調到異常出血，到外陰瘙癢，到白帶異常等六個癥狀。我們過去的數據其實沒有很均勻地分布在這六個癥狀，所以首先我們把數據做了一個很均勻的分布；

第二，我們把數據從癥狀信息到思考過程，到診斷的結論，做了一次非常認真的標注，從幾萬條數據中提取出來幾千條精標數據；

第三，我們跟釘釘團隊共創(chuàng)。釘釘也有支持我們的算法團隊一起共創(chuàng)和研究pipeline（流水線并行），因為在有了算力以后，需要有一個步驟去分步去訓練這個模型，我們把過去二十多個小時的訓練時間壓縮到了7個小時，這個過程其實就離不開釘釘對我們非常具體的共創(chuàng)和支持。

我們每次訓練都會做迭代和數據優(yōu)化，準確率逐漸從70%多到83%，最后幾天才到90%。

當然這里面還有一件事情我覺得比較重要，就是從管理監(jiān)督學習的SFT到算法專家調整獎勵參數、函數等，有了釘釘這樣的一個平臺，我們創(chuàng)業(yè)公司就有一個更好的底座和基礎來訓練。

所以其實我覺得最大的一個收獲，toC應用有數據和算力還不夠，需要有行業(yè)專家來一起來做這件事情，過程還是比較曲折的，中間有幾次都練不下去了，在訓練環(huán)境上，在數據的標注的方法上，在訓練的整個的流程上面，其實都有很多地方是有一些know-how的。

劉湘明：聽強宇剛才的介紹，其實你們跟釘釘的合作，其實跟原來甲方乙方的合作好像不太一樣了，一粟能不能介紹一下？

朱鴻（一粟）：隨著通用大模型能力越來越強，好像公眾都已經普遍在接觸AI了，我們發(fā)現AI技術逐漸成熟，尤其像強化學習這樣的技術，能夠大幅降低訓練成本。

我們的基本判斷就是，AI大模型的下半場就是問AI要效果，70分可能只是及格，我們要實現具體任務的高準確度，一定要通過科學的訓練方法，產生出一個有效果保障的模型，這是釘釘需要去做的事情。

確實如強宇所講，訓練模型實際上也是真的是需要勇氣，因為未知的東西太多。訓練模型本身并不是一個高度確定性的事情，尤其是我們現在還在幾十張卡的訓練環(huán)境，如果我們走向百卡、千卡甚至萬卡的訓練，預計挑戰(zhàn)會更多。

關于這件事情的價值，就是進入到企業(yè)級AI領域，我們也有一些思考，企業(yè)用AI一般分成三個層次。

第一個就是做企業(yè)知識的管理，提升信息檢索或企業(yè)內部問答的效率，門檻也不會很高，我走訪了可能幾十家企業(yè)，90%的企業(yè)都已經在內部開始實施知識庫的應用。

第二個層次就是經營決策類的輔助，對經營管理做出一些輔助決策，優(yōu)化資源的配置，比如說像電商里的銷量預測，價格的一些優(yōu)化，或者搭建大數據的看板。我們也做了一些嘗試，在招聘領域做簡歷的初查，這些應用也開始在各行各業(yè)里面產生一些新的效果，但是Agent的能力上限，其實就是模型的創(chuàng)新，模型的能力有多少，Agent很難去超越，所以我們就有這個決心去和行業(yè)共創(chuàng)垂直行業(yè)大模型。

我們也希望能夠更快進入到企業(yè)應用AI的第三個層次，就是生產工藝流程的自動化，融入到企業(yè)的核心流程里，推動像制造行業(yè)的智能制造、供應鏈的優(yōu)化、庫存的智能調度，包括我們看到一些行業(yè)多模態(tài)模型的應用，老師傅的經驗可以被訓練到模型里，比如在產線聽到鍋爐或者發(fā)動機的聲音異常，老師傅一聽就知道可能出問題了。

但如果沒有非常昂貴的監(jiān)測系統(tǒng)的話，實際上我們可以用非常廉價的這種設備，結合一些新的標注，讓老師傅來成為這個模型的訓練師標注師，通過訓練模型的方式，能夠產生一個AI識別鍋爐的聲音的功能，診斷下是否有安全隱患。

類似于這樣的小模型，其實也能夠在企業(yè)經營、生產管理上產生效果。所以釘釘大模型的下半場，我們的定位就是為千行百業(yè)做專屬模型，認真做好AI的基礎設施，提供全鏈路的專屬模型打造工具鏈，做好服務，也是要跟我們的客戶行業(yè)標桿一起，探索AI能夠為企業(yè)未來帶來什么樣的價值，我們做好賦能的工作。

AI下半場，可能是大數據小模型的時代

劉湘明：強宇剛才也介紹了很多，那么，做行業(yè)模型這件事的源泉和邏輯是什么？

王強宇：我非常認同一粟講的觀點，智能體的上限是模型的能力。我們去年9月份參加了鈦媒體的數字價值峰會，但走到12月份的時候，我們已經發(fā)現，其實靠智能體已經走不下去了。

我覺得行業(yè)模型的訓練是智能體走下去的一個必然、一個終局的選擇。當然正好也出現了通義QWEN，能力很強，又出現了DeepSeek，確實也有關系，昨天晚上我跟一個朋友在聊，他們也說到，可能下半場是大數據小模型的時代。

行業(yè)模型就是我們認為的大數據小模型的時代。從我們自己訓練模型的體會，我們最深刻地體會，可能還是深度共創(chuàng)，釘釘是具備這樣的土壤和環(huán)境的。所以我其實很感謝釘釘，既非常敏銳地看到了這樣的一個機遇，又非常開放地給垂直公司這樣的機會。

因為對于中小創(chuàng)業(yè)公司來說，有幾個很大的瓶頸。第一個就是算力資源，我們都很清楚，由于地緣政治的原因，算力資源對中小企業(yè)來說是非常難的，不是光有錢的問題，可能有錢也不一定買得到。

第二，就是訓練環(huán)境的搭建。釘釘團隊給了我們非常大的支持。因為他們有一些做過行業(yè)訓練或者做過基模訓練的工程師和專家，可以幫助我們快速搭建行業(yè)模型的訓練環(huán)境。這看起來好像沒有那么難，但是實際上自己要摸索蠻長時間。

第三，就是訓練方法，有數據是不是就能訓練出一個高準確度的模型？不一定，因為你需要有一個正確的訓練方法，這就是我們經常說的算力、算法和數據的關系。打個比方，數據相當于做菜的原材料，光有原材料是不是就能做一桌好菜，你還要有很好的烹飪的方法，烹飪的流程，這個就是釘釘提供的東西，所以這幾個東西其實釘釘都能夠很好地提供。

釘釘又是很懂行業(yè)的一個應用，所以我覺得這才是未來中小企業(yè)釋放數據活力的場景。

劉湘明：一粟有什么補充么？

朱鴻：我簡單補充一下。強宇講得很好，從成本上來講分三部分：第一部分是數據，第二部分是整個算力以及工程鏈路，第三塊是算法的人才成本。

釘釘希望能夠為企業(yè)實現一個按效果付費的訓練，按需付費的推理。

在AI技術發(fā)展的早期，這個投資大家也不確定，投下去到底能產生多少的價值，釘釘愿意為各行各業(yè)去提供一個效果導向的專屬AI工廠，送進來的就是很好的原料，數據是企業(yè)的私有，以及企業(yè)的業(yè)務專家人才。

我們是算法，對這些數據的質量以及訓練的目標做測試，確定投入下去有效果，整個訓練過程有可能產生一些問題，這些問題都是釘釘去解決。我們希望在雙方投入下去之前，就對模型的能力就有一個共識，基于這個共識，我們一起努力地把這個專屬模型有效地生產出來，所以釘釘希望在AI的這個時代，實現AI按效果付費的商業(yè)化的解決方案。

劉湘明：特別好。因為大家現在到AI時代都在談按效果付費，釘釘好像第一個把這個大旗舉起來，我想追問一句，就是你說按效果付費，你們的底氣來自于什么地方？因為剛才也談到了，其實之前我們過去幾十年，大家都想走這條路。

朱鴻：這個底氣，第一來自于阿里云，尤其像大模型的訓練過程中，積累沉淀下來的知識，以及最大的算力供給。我們可以在非常短的時間內去調度百卡甚至千卡的算力。我們也期望未來每家企業(yè)都有不止一個專屬模型，并且能夠通過釘釘上的數據閉環(huán)鏈路，實現一個模型可以每天迭代。就像我們現在開發(fā)釘釘的應用，快速迭代適應業(yè)務的一些不確定性。

整個阿里集團，包括釘釘積累的經驗、知識、人才，以及釘釘已經連接了中國最廣泛的企業(yè)，尤其是像制造行業(yè)、零售行業(yè)的標桿客戶。他們有這樣的意愿和我們共創(chuàng)。

這也是釘釘一直以來堅守的產品文化，我們不去定義太多，不是站在自己平臺的角度去定義產品，而是跟我們的客戶去共創(chuàng)。

產品來源于真實的場景需求，將阿里的技術普惠化，讓技術和業(yè)務比較深入地去結合，以最終效果為導向去衡量。當然最重要的就是客戶的信任，才有這樣的一個底氣。

劉湘明：話題回到強宇這邊，你們有沒有估算過效果是什么樣的？

王強宇：這其實也是我想聊的話題，從六月底達到90%準確度之后，我們很快就已經部署到閨蜜醫(yī)生這么一個to C應用上。剛剛我們和美年大健康的合作伙伴還在演示我們的產品，我們其實就部署了幾張4090的卡，回答的速度和準確度，跟DeepSeek已經在體驗上沒什么差別，我們也有一個功能是深度思考的，叫問癥狀的功能。

每天幾千個、上萬個用戶已經在用，我們的客戶已經都在用這個婦科大模型，效果還是令人滿意的。

第二，我們現在已經準備向一些醫(yī)院開放這樣的能力了，特別是一些專科醫(yī)院，婦科的醫(yī)院。我們其實也在跟醫(yī)院聊，通過醫(yī)院的數據訓練醫(yī)院的專科大模型。

中國其實有很多這樣的專科醫(yī)院，我們覺得應用場景非常廣闊，很多醫(yī)院的數據拿出來訓練以后，可以很快這個專屬模型達到醫(yī)院的頂尖水平。

相當于每一個患者來這里預問診的時候，就等于是醫(yī)院最好的專家來幫他做問診，再分解到線下的問診，極大可以釋放醫(yī)院數據的能量和能力。

第三，我們跟釘釘也在繼續(xù)訓練婦科模型，下一步的目標就是從婦科到婦產科，另外我們的目標是通過婦產科的正高考試，目前最新的情況已經到60多分了，已經及格了，我們希望能到75分以上。

剛才一粟講的按效果付費，我們不知道其他行業(yè)怎么樣，就我們這個行業(yè)，我覺得完全是有機會的。

劉湘明：剛才提到了準確率，你可能需要跟觀眾做一些科普，在醫(yī)療行業(yè)里面普遍的診斷準確率大概是什么狀態(tài)？

王強宇：這個數字聽眾聽了以后，可能會比較失望。我們通過非官方的數據看到，三甲醫(yī)院的估準率可能在30%到40%左右。當然這是非官方數據，不太準確哈。

那么出現這樣問題的原因是什么？

第一，醫(yī)生的就診時間太短，我們都看過專家門診，醫(yī)生他也是人，他也不是神仙，在沒有完全讀到你的病歷之前，他就要給你做判斷，這個非常難。

第二，現在中國醫(yī)院的數據還沒有打通，你在A醫(yī)院看的這個病，到B醫(yī)院可能它是不連接的。醫(yī)生沒有辦法像AI匯總數據，來判斷你的疾病，所以這也造成了誤診的問題。

所以90%的準確度其實已經很高了。當然，這指的是醫(yī)生判斷的第一概率的疾病是什么，他跟真正專家線下標準來比較，可以到90%的匹配度。

AI的本質是普惠人民，就是讓更多的人在醫(yī)生不需要工作的情況下，把自己的癥狀放給醫(yī)生，醫(yī)生大概判斷你可能是一個什么樣疾病，這肯定可以極大提高人民群眾的就診的體驗。

專屬模型訓練，卡點在哪

劉湘明：剛才你也提到一個很關鍵的問題，說有幾次訓練搞不下去了。直播間的人很多是行家，有人在問這個到底卡在哪兒，能不能跟大家交流一下細節(jié)？行家們都關注細節(jié)。

王強宇：第一個細節(jié)就是，我們在訓練的過程中，有一段時間發(fā)現準確度怎么也上不去了，到了70它就掉回來了。我們就很困惑為啥上不去，算力也夠，就是跑不通，就是上不去。

后來我們就發(fā)現，問題出在數據上，我們后來跟一粟團隊的算法專家一起討論，首先數據在六大領域是要均勻的，我記得是好像是外陰瘙癢這個癥狀，我們數據就很少，可能只有幾千條數據，所以碰到這個癥狀的時候，機器就不懂，他就訓不出來。我們后來很快花了很多時間去調整數據的分布，做精標數據的分布。

第二卡點，訓練流程可能不一定對，模型需要一個很正確的pipeline訓練步驟。你先要去做什么樣的訓練，后面再做什么。我們在鈦媒體發(fā)的文章，基本上都核心的know-how說出來了，基本上沒有怎么做保留。

后來我們和一粟團隊建立流程之后，其實很快就找到了一條正確的道路。按照這個流程準備數據，準備數據了以后分步來訓練，然后就看到準確率就逐漸地提高了。當然在強化學習上面可能還有一些困難和問題還沒有完全解決。

因為我們后來發(fā)現，強化學習真的要讓它出現好的結果，可能你需要的數據質量，包括分布可能有更高的要求。所以我們現在通過獎勵函數去做更深的共創(chuàng)和研究。

劉湘明：一粟還有什么補充么？

朱鴻：我覺得第一個挑戰(zhàn)還是一開始的信任。雙方在第一周的合作里面，共同地建立起工作目標的認知，我們就是要做到高分，而且是有時間要求，我覺得這是第一個挑戰(zhàn)。

前面講到的數據問題，數據的配方確實是模型產生真正能力的關鍵，在這方面下了不少的功夫，那今天的技術人員在這個模型能力上不去的時候，診斷到底哪里有問題。這還是基于模型訓練的專業(yè)知識，專家經驗來判斷能夠給出定位問題，快速反饋以及雙方一起再把這個問題解決，如果設置目標很低，其實他并不滿足行業(yè)的生產的要求。

劉湘明：我們在去年在三亞也討論過，大家很容易達到一個好像看著不錯的分值，有的人說是三四十分，有的人說是六七十分。但是真正達到可用的優(yōu)秀狀態(tài)，其實中間有一個很難突破的瓶頸。也想請兩位分享一下，你覺得到底是什么地方是卡點，怎么去突破這個瓶頸。

王強宇：深度共創(chuàng)其實還蠻難的。我覺得釘釘在這一點上我特別認可，剛才一粟也說了，釘釘是千行萬業(yè)的釘釘，釘釘的定位有普惠的思想，一個大公司很難跟一個創(chuàng)業(yè)公司在一起做很深度的共創(chuàng)。

無招回到阿里之后，他還是把這個共創(chuàng)的大旗和文化重新樹立起來了。大家都其實看過無招第一段創(chuàng)業(yè)，如果沒有那家公司，可能釘釘的誕生至少要晚幾年。

所以我覺得共創(chuàng)的文化和共創(chuàng)的精神，是解決卡點的精神和文化內因。我們跟一粟團隊之間也非常親密無間在合作。我們沒有說這個數據不能給你看，你不能來了解我的這個know-how，一粟也沒有覺得這個算法不是我的事，我為什么要替你去研究這個事。

回到模型訓練這個事，連大模型都能訓練出來，行業(yè)模型訓練不出來么，肯定訓練的出來。我作為一個創(chuàng)始人的角度，我理解就是說技術的困難確實有，但你做這件事情的精力夠不夠？是不是真的愿意把這些數據問題拿出來。

畢竟行業(yè)模型也不需要去做一個基模的創(chuàng)新，這些問題從理論上來說，其實都是有方案可以解決的，只是說能解到什么程度。釘釘很快補充了和吸引了很多算法人才進來，這可能也是解決問題的另外一個原因，這部分可能一粟可以更多講一下。

朱鴻：行業(yè)模型要成功，關鍵的就是大模型算法或者工程技術人員和懂這個行業(yè)的人，大家互相信任，能夠結合在一起訓練模型。

我們可以看到，今天在行業(yè)里面，通用大模型的能力在不斷提升，它實際上是利用了公開的幾乎所有的知識，把它壓縮到了一個大模型里。現在跑出來的模型應用，最多的是代碼生成的模型，AI產品可以幫助工程師更快掌握全棧技術，了解技術原理，因為AI把互聯(lián)網上學到的技術文檔、知識，代碼都學習了。

隨著AI的技術發(fā)展，我覺得懂AI的行業(yè)人才也會越來越多，在行業(yè)里面的大模型更多被應用，被訓練出來，被生產出來，所以要達到今天這個效果，我認為還是要讓AI技術更加普及，能夠到各個行業(yè)里去，跟行業(yè)的專家一起把行業(yè)大模型能力定義標準，我覺得AI效果的卡點肯定不是在算力上，一定還是在數據和人才的組合。

只做Agent不做行業(yè)模型，相當于只做“面子”不做“里子”

劉湘明：后邊一個問題可能是比較有爭議性，拆開兩部分問：一部分其實是強宇，今年很熱的一個話題就是Agent智能體，你們去年開始折騰這個事情，然后Agent今天變得非常的熱；再回到一粟這邊，釘釘其實把很多的關注度放在了行業(yè)模型的開發(fā)建設上，基本沒有談智能體。你們怎么看待智能體和行業(yè)模型未來的發(fā)展，沿著你們的思路，未來會有哪些機會？

王強宇：這個話題我也是挺想說一說的，智能體今年其實確實很熱，包括MCP，包括智能體的一些公司Manus等，我是很認同一粟的觀點，智能體的上限是模型的能力。

如果說是一個辯論大賽的話，我肯定是支持行業(yè)模型和垂直模型才是更好的AI下半場的未來的觀點，因為智能體做得再好，你可能能做的事情就是把它的應用做得更絲滑、做得更方便，比如說MCP形態(tài)，可以把這個事情做得完成度更高。

但是如果我們不能把行業(yè)的數據挖掘出來，其實等于放著一個金礦，你沒有去采。而是天天研究怎么能把門面做得更好看一點，門面做得好看，數據的威力發(fā)揮不出來，那么AI的算法算力怎么能夠發(fā)揮作用。

我們作為行業(yè)應用公司，肯定是要把數據的力量真正發(fā)揮出來，讓數據用到該到的地方去，我非常支持釘釘在行業(yè)數據這一塊的研究，而且從千行萬業(yè)的角度來看，行業(yè)模型訓練才是最大能釋放中小企業(yè)和各個行業(yè)公司生產力的機會。

因為智能體可能影響的就是這些PaaS的公司，但是我覺得還不是特別根本。所以我其實有一個觀點，這個觀點有點偏執(zhí)，我覺得智能體更多的就是“術”方面的事情，“道”的問題還是要解決數據和訓練的問題。

這個觀點對不對，也要未來去驗證，但是在今天這個時間點，我們來談智能體更遠的未來是什么，我覺得肯定離不開模型，離不開行業(yè)模型的訓練，離不開這些數據使用的價值。

AI時代跟上一個數據時代肯定是相關聯(lián)的，數據才是真正的原材料。如果沒有原材料，AI時代怎么能夠跑得起來好的應用？這是我的一個觀點。

我還想補充一點卡點的問題，我們公司其實也是一個跨界的團隊。當你做一個行業(yè)的時候，可能你需要跨界，除了算法工程師、應用工程師以外，我們還有一個全職的醫(yī)學團隊，他們都是醫(yī)生出身，我最近聽說螞蟻有個團隊中也有好幾十個醫(yī)生，所以就是說真正要把應用做到很好，創(chuàng)業(yè)者可能也要組建一個創(chuàng)業(yè)團隊，在AI時代才會有機會把行業(yè)做得非常深入。

朱鴻：Agent和模型，我覺得是在AI技術發(fā)展過程中，大家的側重點也在不斷演進，整個行業(yè)里面模型訓練的迭代速度越來越快。

從GPT 3.5到現在通義千問的迭代速度，過去可能一年一個模型，現在一個月好幾個模型，我當然希望企業(yè)自己的模型也能夠按日來迭代。只有這樣，企業(yè)才能真正把AI的技術價值發(fā)揮出來

我覺得整個行業(yè)從業(yè)者都要積極思考，這里面會涉及到非常多的技術。比如去年大家談很多微調，微調成本也不低的，今年更多就是強化學習，明年會不會有新的技術出來，我想一定會有。

這些技術迅速地被應用起來，原來需要做很多的Agent編排，這個工程工作是不是會被新訓練的模型自動解決掉，讓整個應用的體驗變得更好，我想這一定是一個動態(tài)變化的過程。

我相信模型本身的能力會不斷加大，但是企業(yè)的知識最終都是被訓到專有數據庫，它不會在一個智能體的編排的流程上。

劉湘明：強宇下定決心把重點從Agent智能體轉到行業(yè)模型的訓練上，這個決心有多難？剛才也談到了行業(yè)模型，你們都覺得是一個更值得關注的趨勢，企業(yè)尤其中小企業(yè)需要做好哪些準備？

王強宇：是這樣的，我們當時從Agent轉到模型訓練，我們自己也在回顧當時的決策流程，其實我覺得當時的決策流程還挺平滑的，很自然地覺得應該去做模型了。

我們就開了一個合伙人的會，我現在回顧可能有幾個因素：第一個就是DeepSeek的出現，大家都知道DeepSeek出現了以后，對整個AI行業(yè)帶來很大的一個沖擊，我們就發(fā)現原來基模還可以做得更好。

第二，還是智能體的上限是模型的能力，做到百分之六七十的時候，其實要再提高這個準確度，已經很難再往上提高，你自己看到這個瓶頸，所以你就自然會想到，我有數據可以微調，可以后訓練。我們也當時看了很多論文，特別是強化學習發(fā)展得很快的，DeepSeek在強化學習算法上做了很多創(chuàng)新，才能把訓練成本大幅下降。這也是回到模型訓練的一個原因，當然我們也有這樣的算法專家，能夠看到這個趨勢。

簡單地說，就是兩個因素，一個是你的準確度上不去了，但又想追求更好的體驗給用戶，要給用戶更準確的結果，肯定去想新的辦法，這很自然。第二個就是說因為類似于DeepSeek這樣的模型出現，包括算法的迭代，我記得有位院士說的一段話特別有意思，現在看起來也是在驗證那句話。就說AI行業(yè)現在發(fā)展很有意思，算力、算法在變革，現在看起來數據也可能會變革，它幾個要素都在輪流變革，輪流變革就會帶動這個行業(yè)輪流的創(chuàng)新和發(fā)展。

現在看起來真的是按照這個邏輯在走，所以我覺得這一輪為什么我們看好行業(yè)模型，我覺得釘釘的選擇非常正確，除了使命正確以外，就是幫助中小企業(yè)來做普惠創(chuàng)新正確以外，其實數據給了大家這樣的機會。

回到剛才那個問題，當時選擇做模型訓練還挺自然的。一個創(chuàng)業(yè)公司最重要的事情是要有自己的獨立思考能力。而不是智能體熱我就做智能體，模型熱我就做模型，我覺得肯定是不對的，應該是依據客戶價值和你的方向去做。

劉湘明：最后一個問題留給一粟，你剛才也談了很多，可能很多企業(yè)也躍躍欲試，可能想訓練自己的模型。他們在跟釘釘合作之前，需要做好哪些準備呢？

朱鴻：我認為投入做這個事情可能也要一把手決定，客戶需要有數據，過去十年以來，很多客戶通過釘釘實現從無紙化再到組織在線，很多業(yè)務系統(tǒng)都已經完成了數據積累，但是有數據和AI ready的數據，中間還是有些距離，所以我們會去積極評估。

雙方的決心還是非常關鍵的，我們希望周期也不能太長，所以企業(yè)在數據準備和決心上如果有這樣的共識，實際上我們主要的評估就是否具備一定的示范性。

劉湘明：那對于人才方面有沒有什么要求，因為其實AI人才基本上都被大廠抓走了，是吧？

朱鴻：對企業(yè)來講，我們更需要的是去懂這個業(yè)務的老師傅，他能夠對模型的能力做出正確的評估。只要建立好這樣的一個專家?guī)欤覀兙陀行判模堰@個模型給確認好。

劉湘明：強宇有什么補充？

王強宇：我覺得釘釘現在正在形成標準，以后可能不需要我這樣的人。但是需要老師傅，產品經理，包括對客戶很了解的人。其實釘釘一樣可以把它拆解出來。

因為釘釘有足夠的算法和算力的專家，我甚至還會有外圍的咨詢公司來建設生態(tài)。我覺得完全有可能訓練出行業(yè)模型。

（本文首發(fā)于鈦媒體APP，作者 | 張帥，編輯 | 蓋虹達）