企业简介
众数信科成立于2021年，由吴炳坤等创始团队联合云从科技（688327）、厦门火炬集团、民生电商等机构发起。公司专注于AI大模型技术的商业化应用，致力于实现技术平权、AI普惠。
公司在ChatGPT之前便深度参与通用大模型研发，在本轮大模型引发的AI浪潮中，凭借数据蒸馏、模型调优以及大模型全链路技术优势，业务迅猛增长，营收破亿并实现规模利润。目前，公司A轮融资进行中，由非凡资本服务。
公司核心产品“寻知AI”企业智能体平台，以企业私域知识为核心，以实际业务场景为导向，助力企业打造专属的AI智能体。目前已经在企业服务、高等教育、船舶航运、投资银行、传统文化等行业落地，为客户提供如AI员工、AI助教、AI辅助驾驶等多个类型的场景应用。公司已与合作伙伴联合发布我国首个船舶与海洋工程行业大模型，得到了央视等多家主流媒体的关注报道。
本次非凡产研与公司创始人吴炳坤先生通过深度访谈，带来他对AI创业、技术、场景、商业化的思考。
2023年初公司决定All in AI，坚定走原生AI路线。决心背后来自两方面，首先是对未来趋势的判断，私有化的垂直领域大模型应用更具备商业化空间，公司在服务客户过程中，感知到用户对数据安全、成本、效果等方面的多样化需求；其次是借助原有数据积累，智慧城市平台数据运营业务带来的海量异构数据处理经验，坚定了我们在技术上的信心。
两年来我们自研智能体训练引擎，为客户提供知识提炼、专属大模型定制和智能体训练的企业AI大模型全面服务，深入服务航运、高校、企业智能等领域多家头部客户。经过两年的发展，我们在知识萃取、模型调优、智能体训练等大模型落地核心领域积累了大量的产品优势与技术优势。
关于这两年的感想，有三点。
第一，长期储备才能接得住风口，这波DeepSeek带来的市场我们确实接住了。在特定时期，企业需要对外讲故事，但服务商不能光讲故事，服务商还是得有自己能拿得出手的产品，企业客户才会为专精特新买单，所有故事最终还是要落地的，特别是知识密集型行业，客户普遍是高知群体。
第二，目前的企业大模型市场明显是供不应求的，有实力的服务商会迎来更大机会。一方面，企业有尝鲜的迫切需求，服务商应接不暇，另一方面，自媒体鼓吹开源技术有多么简单，导致很多企业走上自建大模型应用的误区，知易行难，只有做得多才能把坑踩全，很多友商连第一关召回与问答准确率都迈不过去，更别说多层级知识管理、多智能体协作等问题，因为没有高量级客户落地积累，只能有理论解决方案，实操经验严重缺失。
第三，作为服务商还是要建立全方位的竞争优势，单点优势不足以应对大厂竞争，要形成产品、服务、成本多方面的优势，同时，需要建立稳定的生态伙伴关系，互利共赢。
Q：对于企业大模型方向还有哪些判断？
对于通用大模型的强大能力以及场景局限，在今天，不管是企业还是个人用户都会有明显的感知。对于大模型应用在企业端的落地，我们在过去两年多的摸索过程中，逐渐形成了新的企业愿景和价值观，我们要打造专家AI分身，而不是普通的替代人类的AI员工，我们要构建企业智慧永续传承的AI生态系统，让每位业务专家都有自己的AI分身。
从具体的产品和技术角度，我们认为，未来语料库的质量与独特性将成为大模型产业竞争的终极战场，专属大模型+专属知识网络+业务智能体是企业AI大模型应用的核心关键。
Q：你认为企业级AI大模型已经发展到哪个阶段了？
OpenAI定义了实现AGI通用人工智能的五个阶段，对话机器人（Chatbots）、智能推理者（Reasoners）、智能体（Agents）、创新辅助（Innovators）、智慧组织（Organizations）。目前的技术和应用主要在第三阶段。
在企业级AI大模型维度，我认为基础大模型的格局已基本形成，商业机会窗口已关闭，开源与闭源会长期共存。
目前行业普遍达成共识，2025年是AI智能体爆发元年，我们把智能体分为三类，通用智能体，专业智能体，专有智能体。
①通用智能体：基于通用大模型实现的通用型人工智能系统，具备基础的逻辑推理、学习和执行任务能力。例如智能问答、智能搜索等；
②专业智能体：基于行业大模型经过领域深度优化实现的智能系统，针对特定行业、场景或任务设计，具备更强的专业知识和技能，例如面向律师群体的类案检索智能体；
③专有智能体：基于行业大模型，深度结合企业自有数据进行深度优化和定制的智能系统，核心关注与私有化、定制化和数据安全，例如某区检察院的文书智能审查智能体，在通用专业的基础上深度结合本地业务规则。
另外，关于大模型的新技术仍然在快速持续发展，新技术仍然不断涌现，但新技术的价值闭环还有待服务商和场景提供商一起推动落地。
Q: 大模型到底具备哪些能力？
人工智能四大核心能力包括理解、生成、逻辑、记忆，具体的能力形式包括：检索、对话、创作、分析、归纳、匹配、代码、规划、解题、识别、感知、审查、翻译、推导、联想等。
通用大模型主要提供对话和基础创作等交互形式，远远不能满足企业的实际业务需求。事实上，大语言模型不足以解决问题，需要多模态大模型；单模型不足以解决问题，需要多个模型进行融合协作；通用大模型不能直接解决问题，需要行业大模型进行场景适配；智能问答等大模型通用能力不满足业务需求，需要更复杂的业务智能体；只有单智能体也不满足企业长期发展需求，需要灵活便捷的多智能体协作平台。
结合我们服务过的客户，我们总结出企业大模型的三要素：
场景：大模型在企业的落地首先要基于企业的实际应用场景驱动，只有结合业务才能创造价值；
数据：基于企业私有数据构建行业专属模型，通过强化学习等技术优化模型效果，同时也要关注数据质量，共同支撑模型准确性；
安全：要支持本地化部署与业务系统深度集成，保障核心业务数据不出域，并支持国产化适配，全链条自主可控。
企业级大模型通过“专用性－准确性－安全性”的协同架构，正在重塑产业智能化的业务范式。
Q: 为什么大模型一体机这个新物种突然爆火了，如何在一体机市场中做出差异化？
首先，DeepSeek等国产开源大模型能力站到了第一梯队，开源生态已经足够完善，推理模型、指令模型以及各种多模态都能够找到相对完美的私有化方案。这为大模型一体机提供了可靠的技术底座，使其能够通过“开箱即用”的方式快速交付企业级AI能力。相较于传统的定制化开发模式，一体机方案大幅降低了部署门槛和试错成本，尤其契合中小企业“低成本验证AI价值”的核心诉求。随着数据安全法规趋严和信创国产化进程加速，企业对数据本地化部署的需求愈发刚性。大模型一体机以软硬一体、私有化部署的特性，既满足企业对数据主权和隐私保护的要求，又符合国产化替代的政策导向。
从当下一体机来看，硬件配置相对差异不大，基本上都是按照DeepSeek模型尺寸进行相应配置，功能上往往只是提供最基础的智能问答功能，而忽略了用户的真实需求，众数信科站在“价值型”交付的角度，在预装应用方面打造差异化，内置寻知AI企业智能体平台，支持多模融合、客户可自助完成私域数据的多模态、多层次的自动化数据标注和知识萃取，应用扩展性极强。
从企业视角来看，AI大模型落地的核心驱动力主要来自内外环境的双重推动：一方面受政策引导和市场风向的影响，企业需要主动拥抱技术变革以保持行业竞争力；另一方面，激烈的技术角逐和持续的成本压力倒逼企业寻求效率突破，尤其希望通过AI重构业务流程来降低运营成本。同时，随着数据价值认知的深化，如何将沉淀的业务数据转化为可落地的商业价值，也成为企业引入大模型的重要诉求。
Q：企业落地大模型的现状如何？
过去一年，我们接触到的企业大模型项目商机近千个，可以从下面四个维度来总结一下现状：
第一，大量企业开始尝鲜试用，各领域头部企业开展业务融合。企业一般选择低风险、快速的验证场景，快速验证AI能力对业务的价值，轻量起步，再渐进式升级加大投入。
第二，技术选型分化，有四大类解决方案：
①自建解决方案：企业的信息技术部门基于开源生态自建RAG问答系统，往往实际应用效果与预期偏差巨大，最终花费了大量无效投入；
②通用大模型厂商提供的方案：同样也是企业的信息技术部门，基于大厂的通用产品自建RAG问答系统，相比于开源生态，有了一定的技术支持，但支持力度有限，无法提供深入场景的方案指导和定制，实际效果同样无法达到预期，此外私有化成本更高，产生的沉没成本更大；
③传统信息化厂商：传统信息化服务商基于原有产品叠加AI能力，受限于传统的应用形态，AI能力发挥受到较大限制，对于企业提升相对有限，相较于AI算力等成本的投入，产生的实际效果也难以符合预期；
④细分领域服务商行业解决方案：提供垂直场景的解决方案，提供陪跑服务。
第三，工程化落地瓶颈，从原型到产线存在巨大鸿沟，RAG等技术根本没有想象的那么简单，召回与问答准确率远远不达标，更别提审查、问答、调用外部工具等复杂交互形态的应用。
第四，价值不如预期，主要原因是预期过高、实际需求与通用大模型的能力错配，难以找到结合点。
Q：目前，企业落地AI大模型有哪些难点？
当前，企业落地AI大模型三大难点。
数据鸿沟（私有知识整合难）：企业私有知识散落在文档、会议记录、员工经验中，通用大模型难以直接使用。根据Gartner报告，73%企业因知识整合难题暂停AI项目。
场景鸿沟（业务流程结合浅）：通用AI工具与业务流割裂，无法快速适 配业务，例如某零售业促销话术生成后仍需人工适配POS系统。
投产鸿沟（投入高、周期长）：企业组建自有技术团队，搭建模型－知识库－应用，时间长、投入大、见效慢，例如某金融机构自建应用7个月，距离期望准确率差距较大。
Q: 企业普遍存在哪些误区？
企业面对大模型时在技术和应用价值方面的双重邓宁-克鲁格效应。
很多企业会以为开源就是万能的，大模型也是万能的，然而试过之后很快发现，大模型要在企业落地技术问题太多了，大模型能产生的价值太有限了。
企业对于大模型落地的误区表现在技术和组织两方面。
技术误区：
部署最新的开源大模型就好：忽视通用大模型能力局限。
模型参数越大越好：忽视算力成本与业务适配性。
投喂数据越多越好：忽视数据质量与标注专业性。
组织误区：
孤岛式部署：多个部门各自落地大模型项目，缺乏顶层统筹，造成资源浪费。
闭门式研发：技术团队独立开发，业务部门参与度低，导致需求错位。
一次性工程：只有应用，没有应用开发平台，缺少可持续发展性。
关于众数信科如何做企业大模型（乙方视角）
Q：作为企业级AI大模型服务商，众数信科主要做了哪些事情？
众数信科打造了寻知AI企业智能体平台，并推出了多款行业专属的智能体一体机，提供整体解决方案，包含专属大模型+专属知识网络+业务智能体。
实现过程主要分为四步：
首先，结合行业语料对多个通用大模型进行强化学习，增强通用大模型的业务思维链，并通过自研的模型蒸馏平台对模型进行蒸馏，形成模型参数更小，专业度更高的行业大模型；
然后，通过自研的行业版多模态知识萃取平台，对客户私域数据进行自动化萃取，形成多模态知识网络，在行业大模型的基础上形成企业专属大模型，相较于行业传统的RAG方法，众数信科的知识萃取方案，在知识召回和回答的准确率，超出15-20个百分点；
其次，基于企业专属大模型驱动的业务智能体，更具备行业专业度，并在业务使用过程中，不断通过专家反馈持续完善企业的知识网络；
最后，在业务智能体的使用过程中，持续进行知识沉淀，通过模型记忆将知识内化，持续完善企业专属大模型，推动知识飞轮持续进化。
Q：业内人称众数信科是企业大模型“单王”，怎么看待这个称呼？为什么能获得这么多订单？
首先感谢这样的认可。
我们并没有刻意关注竞争情况，这段时间我们确实接到很多订单，目前团队满负荷全产能运转，也非常希望高质量的人才加入团队，我们的产品标准化程度已经非常高，在交付形式上早已走出“技术劳动力外包”的旧有模式，这总体上得益于我们打造的一站式整体解决方案和在实践中沉淀出来的核心技术平台——寻知AI企业智能体平台。
寻知AI企业智能体平台，深入理解业务知识，实现行业模型+企业知识库+专家经验的三重知识集成，解决企业解决知识孤岛、检索低效、协作困难等核心问题。同时平台强化业务思维， 整合意图识别、任务规划、专业技能等能力，为企业的每个业务专家打造“专属AI分身”。
我们还实现了以下三点核心技术创新：
行业知识蒸馏框架 （Knowledge Distillation Framework）：知识蒸馏效率较传统方法提升十倍以上。
多模态知识网络引擎 （支持文本/图像/视 频/结构化数据）：支持8种数据类型的联合建模。
认知进化系统 （Continual Learning with Memory Replay）：实现自动化学习用户的专家经验。
Q：优势是如何形成的？
一方面，众数信科是国内首批all in生成式人工智能的科技企业，具备大模型全链路技术能力。
团队在ChatGPT发布之前就参与国家级课题建设，并且还深度参与通用大模型研发，主要负责从容大模型的数据合成、模型调优等环节。我们也牵头发布了多个行业大模型：聚焦模型蒸馏和定向强化学习，推出文创、船舶等领域的国内首个行业大模型。
另一方面，之前的智慧城市平台数据运营业务，积累了“17+城市、3500万+个人用户、130万+企业用户”的海量异构数据处理经验。
Q：为什么选择国企、高校、船舶等行业作为重点方向？
现阶段事业单位与央国企具备较强的付费意愿和能力，典型如高等院校、船舶集团等知识密集型企业——这类机构普遍具备专属行业知识储备，技术基础相对不足，与AI赋能需求高度契合。高知识密度、强付费能力的封闭、半封闭行业将是我们重点深耕的领域。
以高校市场为例，有以下几点考量。
首先是技术适配性。以DeepSeek为代表的大模型已在学术领域形成示范效应，其优异性能、开源特性与院校现有算力资源形成互补；
其次是源于高校AI应用场景的多样性，覆盖智慧校园管理、教学智能辅助、AI实训平台、教育质量评估、科研效率提升等多元场景；
此外，在高校市场长尾需求快速涌现，不只是头部院校，其他院校甚至是专科、职校也有需求，而且不只在学校级别，在院系级，甚至教研组级别，也都有大模型本地化部署的一些需求，这类场景基本可以复制头部院校的案例，少走弯路，节约成本，落地更快。
Q: AI技术发展太快了，如何应对？会不会被新技术所颠覆？
未来算力成本将持续下降，新技术迭代加速，算法开源成常态。行业高质量数据将成为企业的核心竞争力。如何围绕数据的三个度“宽度、深度、时间维度”来充分发挥数据价值是至关重要的。在宽度上要涵盖不同模态的数据，从最初的文本到陆续增加的语音、图片、视频等，不断增加对各类数据的特征理解能力；深度上从简单的段落还原、语义分割到原子知识提炼、领域知识深度理解（如政策解读、司法解释、经文解读等），并形成多层级知识网络；时间维度上横跨企业的全生命周期，从基于企业原始语料构造冷启动知识网络，到形成数据飞轮，公司在服务客户过程中不断积累沉淀新的知识内容，并更新增强知识网络。
我们通过构建三大核心能力应对技术革新，包括，完善弹性技术底座，采用模块化架构实现多层次解耦，支持多源技术融合与多方系统适配；加高行业纵深壁垒，融合行业专家智慧构建知识护城河，自主研发场景化工具链形成技术闭环；深化产学研协同体系，依托自有AI研究院，通过联合高校攻关前沿课题，与企业客户共建应用生态。
总体而言，场景依旧在，我们保持好技术和产品的深度优势，通过立体化布局既能快速吸收新技术红利，又可强化差异化竞争优势，确保在行业变革中持续领跑。
我们能够明显感受到AI技术在飞速发展，但作为深耕企业大模型落地的服务商，我们始终保持着清醒的判断。从专业视角来看，技术迭代可分为两类：基础性突破和短期热点。当前让行业感到“发展太快”的，更多是短期热点，比如新模型的快速迭代、开源工具的更新等。这些变化不会产生颠覆性影响，因为它们往往停留在技术展示或概念验证阶段，而真正的颠覆性力量来自基础性突破——例如大模型架构的革命性改进、多模态融合的底层技术革新等。这类突破需要长期积累，不会一蹴而就，且会经过学术界和产业界的充分验证。
我们的应对策略主要是：聚焦核心能力建设，不追逐短期热点；持续投入研发，但以需求为导向；构建生态护城河，降低技术颠覆风险。
我们始终将资源集中在企业大模型落地的核心环节：知识萃取、模型调优、智能体协作。例如，我们的多模态知识网络引擎和认知进化系统已形成技术壁垒，这些能力是客户业务场景落地的关键，而非单纯依赖开源模型的参数规模或新框架的短期性能提升。技术团队会跟踪前沿动态，但研发方向始终围绕客户真实需求。例如，我们通过“知识飞轮”机制，让客户在使用过程中持续优化模型，这本身就是一种动态技术演进能力。
关于是否会被颠覆：
我们始终警惕技术变革，但更相信长期主义和场景深耕是企业的核心竞争力。例如，尽管开源大模型和工具链快速迭代，但企业客户真正需要的并非“最新技术”，而是稳定、安全、可扩展的解决方案。我们的寻知AI智能体平台通过“行业大模型+专属知识网络+智能体协作”的架构，已形成“技术－场景－数据”的飞轮效应：客户越用越深，壁垒越筑越高。
此外，企业大模型的落地门槛远高于技术本身，包括数据治理能力、工程化经验、业务理解深度等。这些“软实力”是技术颠覆难以触及的。因此，只要我们持续贴近客户需求，强化技术与场景的结合，就能在变化中保持领先。
技术的快速迭代是挑战，但更是机会。我们选择做“技术的整合者”而非“追逐者”，将前沿技术转化为客户可落地的价值，这才是企业大模型服务商的立身之本。