中小AI公司如何选择：深耕垂直领域还是布局通用大模型

首页

热心网友

转载

2026-05-15

ChatGPT掀起的这股大模型浪潮，确实让“人工智能”这个词的热度又上了一个新台阶。市场热闹，但路径已然分化。根据目标人群、用途和场景的不同，如今的AI大模型赛道，清晰地分为了两大阵营。

通用大模型，聚焦于技术底层，核心目标是攻克基础能力。它们对标的是ChatGPT这类全能选手，像百度的文心一言、阿里的通义千问、科大讯飞的星火大模型，都属于这个范畴。

垂直大模型，则聚焦于解决具体行业的问题，目标是把技术变成可用的产品。它们通常在通用大模型的基础上，针对金融、医疗、教育等特定领域进行深度训练和优化。

通用大模型的优势在于一个“广”字，适用场景多，覆盖面大。然而，对于企业客户而言，很多时候并不需要这种“全能”的模型，他们更关心的是在特定任务上的精度和可靠性。

垂直大模型正是抓住了这个痛点。它们选择了一条更务实的路径：依托深厚的行业知识积累，与通用大模型厂商合作，共同打磨出专属于某个行业的“专家模型”。正如众数信科CEO吴炳坤所言：“行业客户最看重的，永远是定制化的需求，以及AI企业实实在在的工程化落地能力。”

众数信科这家公司，就是垂直大模型领域的一个典型代表。成立于2021年初，由云从科技、厦门火炬创投、民生电商联合发起，它的定位非常清晰——专注于AIGC领域的“知识智能化”。简单来说，就是把在数字城市等领域沉淀下来的行业数据和专家经验，通过AI技术进行工程化处理，将通用大模型微调成能真正为行业提效的专用工具。

通用大模型门槛高企，初创公司在垂直大模型寻找机会

商业化，曾是困扰整个AI行业的老大难问题。大模型的出现，无疑带来了新的曙光。吴炳坤有个生动的比喻：AI就像是数据要素时代的“钻井机”——没有它，海量数据的价值就难以被充分挖掘。

回想几年前，在数字城市等领域，AI应用大多基于功能单一的小模型，比如只能识别人脸或者车牌。这种模式研发成本高，扩展性却有限。如今，大模型技术的突破，让数据与AI的结合变得前所未有的紧密，许多过去的瓶颈得以打破。

“每个行业都值得用大模型重做一遍”，这已成为业界大佬们的共识。但仔细观察国内蜂拥而至的“模型发布潮”，你会发现，基础大模型的竞技场，依然是巨头们的游戏。

原因不难理解。研发超大规模参数的模型，是一场涉及算法、算力、网络、数据的系统性工程，需要庞大的基础设施和持续的巨额投入。因此，目前舞台中央的，依然是百度、阿里、腾讯这些拥有雄厚实力的科技巨头。

然而，巨头们齐头并进、追求“大而全”的策略，在展现技术肌肉的同时，也难免带来同质化的隐忧。更重要的是，技术再先进，最终的价值必须体现在具体的应用和产品上。对于企业客户来说，他们需要的不是一个在综合测试中得分最高的“通才”，而是一个能精准解决自身业务痛点、追求功能极致的“专家”。

客户愿意为能创造价值的功能买单，但绝不会为用不上的冗余能力付费。正是这个看似简单的商业逻辑，为众多中小型初创公司打开了一扇窗。

它们或许无力在通用大模型的战场上与巨头抗衡，但凭借在特定领域深耕多年的行业认知（即常说的“行业Know-how”），在垂直模型的开发上反而具备了独特优势。于是，聚焦细分赛道，在通用大模型的“底座”之上，潜心研究“如何用好大模型”，成了这些公司安身立命、寻求突破的关键。

专用大模型必经的三重淬炼：技术、场景、数据

理想很丰满，但打造一个真正可用的行业专用模型，道路绝非坦途。目前，许多主流AI大模型并未开放模型的训练和微调权限，通常只提供API接口供调用。吴炳坤指出，这背后有两层原因：一是大厂自身仍处于夯实基础能力的阶段；二是将AI产品与千行百业的应用场景深度融合，本身就需要极强的工程化落地能力，而这目前仍是行业性挑战。

因此，想在通用模型基础上进行有效的微调和定制，并非易事。众数信科的优势在于，其与云从科技的紧密关系，使其能够更深入地参与到底层模型的开发过程中，并获得更便捷、开放的定制化合作支持。这构成了其当前阶段区别于其他创业公司的独特竞争力。

根据吴炳坤的总结，大模型要在业务中成功落地，必须持续强化三个核心要素：人工智能技术、可触达的行业场景，以及高质量的行业数据语料。

在技术和场景上，众数信科的股东背景形成了一个互补的闭环：云从科技提供底层算法与算力支持；厦门火炬创投连接了制造业产业数字化的实践场景；民生电商则助力金融与商业化落地。

而三者之中，最具挑战性的是行业数据的获取，这直接决定了技术迭代的速度和商业竞争的壁垒。行业数据可分为相对稳定的“静态数据”（如企业内部文档、数据库存量数据）和持续变化的“动态数据”（业务场景中实时产生的数据）。后者获取更难，却正是构建竞争护城河的关键。

众数信科的核心优势之一，便在于对动态数据的实时获取与处理能力。过去两年，通过运营“i城市生活服务平台”，其业务已触达国内6个省16个城市的数千万用户，积累了丰富的场景数据和对G/B/C端需求的深刻理解。

此外，垂直模型落地还需直面大模型固有的技术挑战，如“幻觉”问题（即生成看似合理但不准确或虚构的内容）。吴炳坤坦言，大模型的优化是一个动态的、持续的过程。他们的策略是，针对特定行业场景，通过加强知识库上下文学习等方法，尽可能规避“胡编乱造”，并持续结合客户的实际反馈进行强化学习，让模型在应用中不断进化。

行业专用模型的商业化落地，一场从B到C的竞速

与可以“烧钱”追求技术前沿的通用大模型不同，行业大模型对商业化落地的速度和效率要求更为迫切。用吴炳坤的话说：“这是一场赛马，谁反赌，谁才有机会。”

众数信科摸索出的商业化路径是：从G端（政府）切入搭建平台，在服务B端（企业）中积累行业经验，最终在C端（消费者）实现快速复制和规模扩张。他们认为，只有触达C端，才能形成病毒式的传播效应，这是当前及下一阶段的布局重点。

具体到落地场景，城市生活服务中的教育、养老和文旅，是众数信科选定的三大方向。以教育行业为例，其基于云从“从容大模型”打造的教育专用模型，已在厦门部分地区试点。整个过程可以概括为三个步骤：

第一步，积累与标注：利用多年沉淀的教师行业语料数据，并结合专家经验进行标注，形成高质量的训练数据集。

第二步，训练与微调：在通用大模型基础上，运用知识蒸馏等工程化技术，将其“蒸馏”成一个更轻量、更专业的“学生网络”。

第三步，落地与反馈：将模型投入实际教学场景，并持续收集用户反馈，通过强化学习反向打磨模型，形成优化闭环。

这其中，高质量的专家数据标注和持续的反馈循环，是两个关键难点，必须通过不断推广应用、积累知识来逐步攻克。

与之对应，产品的演进也采取了渐进路线：从充当教师的“数字助理”开始，逐步成长为其“数字分身”。目前的“数字助理”已能完成课件生成、出题、个性化评价等辅助工作，教师只需做最终审核。这不仅能解放教师精力，也能让模型在与教师的协同中持续学习。

这项探索的社会意义在于，它有望成为缓解教育资源不均衡的一种技术方案。通过AI，可以将先进地区优秀教师的教学经验沉淀下来，赋能教育资源相对匮乏的地区。众数信科正采用“两条腿走路”：在发达地区推广“数字助理”以沉淀经验；在部分教育资源紧缺地区，这些经验沉淀形成的模型，已能起到“数字分身”的作用。据悉，今年下半年，他们就计划在黑龙江一些地区进行“数字分身”的布局。

展望未来，随着模型能力的进化，“因人施教”将成为可能。“数字分身”有望走入家庭，为不同学生提供定制化的学习方案，真正为家庭教育减负。