通用大模型还是垂直大模型？这个争论在“百模大战”的喧嚣中愈演愈烈。如今，连微软、谷歌、百度、阿里这些力推通用大模型的科技巨头，也开始把大模型往垂直领域里塞——微软和谷歌已经把大模型塞进了操作系统、文档、搜索和邮件里，效果确实很能打。而垂直大模型更直接，一头扎进金融、医疗、零售这些行业，专攻特定场景，比通用模型更能精准命中需求。

说到底，不管通用还是垂直，真正的核心是落地场景和商业化。大模型重新定义了人工智能的边界，但要想活下来、活得久，必须找到具体的商业土壤。在众多垂直领域中，智能商业BI这块地格外引人注目——作为决策的关键支撑，传统BI在大数据时代已经有点力不从心了。而垂直大模型的加入，特别是对话式BI的实现，给这个领域打开了前所未有的想象空间。

数据分析不再是技术人员的专属特权。通过对话式BI，企业里任何一位员工都能用自然语言跟系统聊天，直接拿到直观、个性化的洞察。这画面，想想就有点激动。

从传统BI到对话式BI

先搞清楚一个基本问题：商业智能（BI）到底是什么？简单说，它是一套解决方案，通过分析、挖掘、整合企业内外的海量非结构化数据，给决策者提供支撑。具体来看，它是由数据仓库、查询报表、数据分析等组成的技术体系，能把ERP、OA、CRM等不同业务系统的数据打通、规范、标准化，最终帮企业看清运营状况、监控流程、把握市场动态。

比如，BI能生成满足不同部门、不同层级员工的可视化报表——一线业务人员可以追踪、预测、复盘业务；高层管理者则能在管理驾驶舱里盯着核心KPI和集团看板。但痛点也在这里：传统BI系统复杂又难用，必须靠专业人员操作和解读。这中间的时差和技能门槛，成了效率和普及的绊脚石。

更何况，数字化时代，从产品研发到市场营销，从财务到客服，每个环节都在用数据做决策。需求量大增的同时，管理者、财务人员甚至一线业务员都迫切需要BI工具来高效分析数据。对话式BI的出现，正是为了解决这些矛盾。

跟传统BI相比，对话式BI用自然语言处理技术，让用户像跟人类分析师聊天一样提问，就能拿到想要的信息。这种交互方式直接把使用门槛砍掉了一大截，效率也蹭蹭往上涨。

• 普及性与便利性：不需要专业技能和培训，更多人可以轻松访问企业数据资源。
• 实时性与灵活性：实时查询，快速响应临时或紧急需求，企业的灵活性和响应能力明显增强。
• 个性化与智能化：大模型能理解复杂查询，根据个人需求给出定制化解答。
• 集成与扩展能力：更容易与其他系统集成，应用场景更广。

对话式BI的崛起不是偶然，而是商业智能发展的必然趋势。它反映了企业对数据分析的迫切需求，以及对便捷、智能、高效工具的追求。随着不断迭代，这个方向很可能成为未来企业决策支持的主力。

可信度挑战

不过，效率上来了，问题也来了——基于通用大模型的对话式BI，答案的可信度让人捏把汗。类ChatGPT产品并不总能给出完全准确的回答：一来，它们更擅长处理自然语言文本，不是专门为数据分析设计的；二来，通用大模型可能存在“AI幻觉”，也就是捏造事实。在BI领域，这种幻觉可能表现为捏造字段，这在数据分析里可是致命伤。

为了破这个局，一些公司正在积极想办法。比如网易数帆最近发布的“有数ChatBI”产品，就强调从需求理解、过程验证、用户干预和产品运营四个维度确保数据可信。网易数帆大数据产品线总经理余利华指出，AI幻觉产生的原因是训练数据不足、编解码错误等，可怕的是AI自己根本意识不到这是幻觉，光靠提示词纠正极其困难。

网易数帆的做法是打造一个可信的闭环：需求可理解、过程可验证、用户可干预、产品可运营。

需求可理解：借助大模型的语言理解能力，先做需求分析——即使完全不懂BI的用户，也能通过系统给出的分析内容判断取数步骤是否正确。

过程可验证：基于大模型的NL2SQL能力实现复核。为了提升NL2SQL效果，网易数帆定制生成了超过30万种不同问法和SQL，调优出的领域模型已经达到GPT-3.5的水平。

用户可干预：把数据模型和查询条件结构化，用户可以随时调整、切换。

产品可运营：构建独特的运营反馈机制——用户能反馈数据准确性，管理员可以运营知识库、标记并优化badcase，持续提升可靠性。

当然，光靠NL2SQL模型并不能保证100%正确。余利华强调，有数ChatBI实现可信的关键在于：当结果出错时，用户能意识到它是错的，并通过人工干预得到正确结果。举个例子，在一家大型连锁超市的销售场景中，产品人员输入“我想看今年上半年华北地区每个月的利润”，系统会给出结果，并用自然语言描述查询逻辑与步骤。懂SQL的专业人员可以点击“更多”查看对应SQL。如果逻辑有误——比如用户想看“订单日期”上半年，但AI筛的是“发货日期”——用户可以点击“修改查询条件”手动校正。

据透露，目前有数ChatBI在网易内部已经覆盖了产品、运营、市场、财务等非技术人员。

寻找通用与垂直大模型的平衡点

回到开头的争论。在一次媒体沟通会上，记者把“通用还是垂直”的问题抛给了网易。网易副总裁、网易杭州研究院执行院长、网易数帆总经理汪源的回答很实在：网易现在既做通用大模型，也做垂直大模型，两者是支撑关系，最终出口是垂类模型，重点服务软件开发和数据分析这两个领域。

为此，网易构建了一个公共底座——网易“玉言”大模型，由伏羲实验室和杭研的人工智能团队共同推动，后续还会加入更多业务团队。而在BI产品上的探索，同样在通用和垂直之间找平衡。把两者结合起来，能提升对话式BI的准确性和适用性，打破传统商业智能的局限。

大模型掀起的浪潮里，很多企业都站在了十字路口。通用模型有强大的语言理解能力，前景广阔；垂直模型则能精准满足特定需求。两者不是非此即彼，而是协同关系——这种协同可能正是推动商业智能上台阶的关键。精准结合优势，既能满足现实需求，又能为未来创新打地基。

未来，这种平衡的探索会更多体现在产品设计和技术创新中。通用模型继续拓展应用领域，垂直模型则深耕金融、医疗、教育等关键行业。两者结合，可能会打开更智能、更人性化的交互和服务大门。长远看，通用与垂直大模型的协同，甚至可能成为AI的下一个里程碑。

能不能在保持通用性的同时，达到针对特定需求的最优解？这不光是技术问题，还牵扯到产业战略、商业模式和伦理考量。随着更多企业和机构加入探索，找到这个平衡点，将成为推动商业智能持续创新的关键。这个过程，也将揭示人工智能如何真正融入我们的工作和生活。

结语

对话式商业智能代表了BI领域的新方向——自然的交互方式、快速的响应时间，正在改变企业的数据分析方式。但随之而来的可信度挑战，需要整个行业合力解决。未来，更多研发投入、跨企业合作、对通用和垂直模型的深入研究，有望催生更精确、可信、高效的对话式BI产品，推动整个商业分析领域向前发展。