回顾一下时间线，从百模大战的喧嚣，到市场上关于大模型PMF（产品市场匹配）的讨论沸沸扬扬，这一切的节奏，都被DeepSeek的横空出世彻底打乱了。DeepSeek全面免费开源，在全球掀起了一场超级风暴，不仅把算力成本拉了下来，更关键的是，它改变了模型开源与闭源的攻守态势。现在，几乎所有大型科技公司、互联网公司和初创公司，要么在宣布自家大模型开源，要么就忙着基于开源模型重建自己的业务。

如果说过去闭源模型的高昂成本限制了企业用大模型做事的想象空间，那么在这个开源声浪越来越高的今天，一个新的问题浮出水面：大模型到底该如何重构企业的商业模式？什么样的生态才能算得上真正繁荣的AI生态？而企业在用大模型赋能自身业务时，又会遇到哪些实实在在的痛点和容易掉进去的误区？带着这些问题，我们走访了累计8位从业者，其中既有B端的技术服务商，也有C端的应用方，希望能一起聊透大模型的本质和应用方法论。

大模型是AI时代的水电煤

大模型生态日渐繁荣，市场上也开始出现一种声音：大模型时代的杀手级应用会是谁？是元宝、豆包，还是ChatGPT？各大模型厂商一边疯狂烧钱买量，拼日活数据，业内人士则拿着放大镜，四处寻找能成为大模型时代微信或QQ的应用。

一个核心判断是：大模型和移动互联网的本质区别，在于前者是“生产力工具”，而后者是“生产关系重构者”。

阿里云智能集团副总裁安筱鹏对此有个很到位的解读：大模型的能力不是单一的，它可以作为智能大脑，深度嵌入各类硬件设备；也可以作为软件形态，通过协作和人一起完成复杂任务；甚至能成为自动驾驶的控制系统，指挥其他业务系统自动跑完工作流程。这种多元化的应用形态，决定了它的价值形式和商业模式也会更丰富多样。如果非要找个参照系，其实集成电路可能比互联网更贴切。

针对不同应用方式，我们也和很多应用端的企业聊了聊。一个突出的共识是：效率提升和成本降低，是大模型最立竿见影的价值。

拿控制系统来说，专注井工矿无人驾驶解决方案的雷科智途，其创始人黄琰分享了一个很有意思的案例。过去，中国矿山机械品牌只能卖到海外品牌一半的价格，但用大模型重构场景作业能力后，他们旗下无人车矿山机械的售价几乎可以和海外品牌持平了——不仅提升了场景作业能力，连品牌溢价也跟着涨了上去。

再来看软件形态与企业业务协同的例子。新蓝标数字集团的李唯涵透露，智能体的应用大大提升了内容生产效率。仅2025年第一季度，蓝色光标由AI直接驱动的营收就已经逼近去年全年，今年预计能达到30到40亿元的规模。

还有作为智慧大脑嵌入硬件设备的案例。专注酒店场景智能产品研发的睿沃科技CEO王琦提到，借助大模型开源特性，他们能快速开发新功能，把自助入住机流程从2分钟缩短到10秒，高峰期能分流60%的客人，为中小酒店节省至少2名前台的人力成本。

不过，相比了解大模型怎么渗透产业，更值得探讨的是企业到底该怎么用它来改造业务。

安筱鹏认为，今天要客观衡量一个国家的AI行业水平，不能只盯着模型排行榜，而是要看看整个软件应用生态是否繁荣。李彦宏也说过类似的话：不管开源还是闭源，模型排行榜没那么重要，重要的是应用。

国内顶级创业培训机构昆仑学堂也持有类似观点：基础大模型需要高昂的算力成本，这是少数头部企业的事，大多数企业应该把精力聚焦在场景应用的优化上。

说到底，市场才是检验技术价值和产品竞争力的终极标准。那么，走在应用最前沿的企业，又是怎么形成商业化闭环的？

应用端企业如何用好大模型？

大模型通过智慧大脑嵌入硬件、软件协同作业、自动化系统控制这三种形态去渗透业务场景，但要真正发挥效能，关键在于企业能不能用自己独有的场景数据形成业务闭环。昆仑学堂的看法很直接：技术应该和应用场景深度融合，别搞成“拿着屠龙刀找龙”的尴尬局面。

五节数据的核心业务是舆情监测，在AI浪潮兴起前，他们就已经开始用AI赋能自家平台，但彼时的AI还不够聪明。打个比方，对100篇文章做情感识别，普通AI判断准确度只有70%。后来大模型技术不断精进，五节数据借助自有数据微调后的大模型，对文本和视频内容的情感分析准确度直接飙升到了98%，舆情监督的人力成本大幅降低。

五节数据创始人田文军总结了一个很务实的观点：大厂业务覆盖面广，在他们密集的触角之外，抓住细分场景的商机，用独有数据喂给大模型，形成业务闭环，这是中小企业的商业化出路。

用数据结合大模型来赋能业务场景，进而提升竞争力的还有雷科智途。黄琰提到，对于矿井这种特种场景来说，市面上大部分通用大模型的算力其实都过剩了，真正稀缺的是细分场景的数据。

而积累这些数据并不简单。矿山场景聚焦的是井下非标准交路况，数据量远少于公开道路。通用大模型很难直接满足矿山的特殊需求，必须结合行业特性，对算法做定制化优化。

雷科智途通过微调后的大模型，赋能矿山L4无人驾驶场景应用，显著提升了复杂场景下决策模块的感知能力和高效协同能力，最终减少了近50%的井下作业人力，矿山安全性也大幅提升。据说，他们自产的矿山机械，已经从“价格仅为进口设备一半仍难获认可”，一步步走到了“逐步实现对海外品牌的技术替代”。

除了深挖细分场景提升竞争力，很多企业用大模型也不仅聚焦在单点突破，而是应用于全链路提效。

当红齐天联合创始人马子涵分享道，大模型对公司业务的赋能覆盖了全链路，从内容创作、用户洞察分析，到后期的运营与优化，全都用上了。

当红齐天是一家AI+XR生态型文化科技企业，全链条布局创造沉浸式数智体验，深度融入了AI、5G云渲染、大空间定位、先进传感器、5G-A等前沿技术，应用场景覆盖科技文旅、教育、电竞等。一个项目从启动到落地，通常要经历用户市场调研、内容创作、落地执行、用户数据分析等多个环节。

内容创作本身是个非标准化的行业，再加上不同地区用户喜好和文化的差异，每次项目规划都几乎不可复制。但大模型能力的提升，刚好解决了这个痛点。

马子涵透露，大模型能参与代码开发、剧本优化、图像生成等多个环节，大幅缩短内容生产周期。同时，它也能用在用户洞察上，帮助公司更精准地把握地域文化特色和流行趋势。此外，XR/VR虚拟场景体验涉及多模态交互，而AI恰好可以追踪用户的行为数据，捕捉用户对内容的反馈，借此反哺产品，实现创意迭代。

当大模型几乎成了垂直细分领域的标配时，新的问题来了：怎么避免陷入“剧场效应”？答案是智能体。

在新蓝标数字集团的李唯涵看来，智能体是大模型走向场景应用的必然演进。安筱鹏也表达了类似观点：Agent是软件在AI时代的新形态，就像SaaS是10年前的软件形态一样。

从目前观察来看，智能体在公司业务中的角色越来越重要，我们拿内容为王的市场营销行业来说。

AIGC普及后，市面上同质化内容泛滥。怎么产生优质内容，抓住用户注意力，是每个营销公司都必须思考的问题。蓝色光标给出的解决方案很有意思。

早在2023年，蓝色光标就开始激进地布局全链路AI营销，与阿里云、百度智能云、火山引擎等头部平台合作，打造专属营销大模型BlueAi。

但垂类营销模型只是起点。“不同领域的客户之间，还是存在很深的know-how与信息差壁垒。”李唯涵解释道。为此，蓝色光标把过去服务客户积累的数据和经验，沉淀成了一个个智能体。即使是一个行业新手，在智能体的帮助下，也能为客户交付不错的成果。目前，蓝色光标已经打造了超过100个智能体，其中达到专家级别的有30多个。

在这些智能体帮助下，只需要10分钟就能完成B站、小红书等多个平台的社媒数据实时分析，生成营销趋势洞察，精准把握当下热门内容风格。而传统工具做完这些，至少需要一周。此外，智能体还能自动生成合规文案，大幅度减少人工创意成本。

大模型应用的挑战与误区

聚焦细分场景形成闭环，用AI赋能全链路，甚至生成智能体，这些听上去似乎都不难。但要知道，这些企业在摸索出解决方案之前，也走过不少弯路。为此，我们特意和这些企业聊出了一些可借鉴的方法论。

第一，拒绝技术盲目崇拜。

大模型本身是否先进，固然重要。但黄琰告诉我们，很多企业总觉得要等基础大模型足够先进了，才愿意融入AI。其实以现有大模型的算力，已经足够支撑大多数场景。垂直企业现在最需要做的，是脱下“孔乙己的长衫”，从实验室里走出来，走到具体的应用场景中去，打通软件和硬件的壁垒，实现业务闭环。“不要怕苦不要怕累，不要闭门造车，要多实践多试错。”这是黄琰给出的建议。

此外，很多垂直领域企业在宣传产品时，总爱强调搭载了哪个知名大模型、有多少亿参数加持。实际上，细分领域的企业应该把关注点落到用户体验的优化上，尤其是要降低用户的使用成本。

维度AI就是专注于打造研究型Agents的公司，其创始人兼CEO杨宇梁表示：“Agent的核心价值是context。我们用交互体验更佳的agents，为用户提供精准、可靠的学术和知识研究服务。”比如，以前学生、研究者和专业人士写论文、做报告或跨领域搜集资料时，搜索资料耗时、对陌生领域知识分析困难是常态。现在用他们自主研发的维度X1智能研究助手，能在很短的时间内提取关键信息，获得可靠的研究成果。

昆仑万维也有类似看法：底层模型固然重要，这是衍生出强大产品的基础，但精准把握产品市场契合点，深度洞察市场需求，才能真正打造出解决用户痛点的产品。此外，企业还需要针对新的市场动态，形成快速反馈、快速行动、快速验证的产品价值闭环。

其二，数据的积累与隐私保护。

多位受访者都提到，AI模型的训练高度依赖高质量数据，而数据的收集、整理和标注需要大量资源和时间。正因为它的重要性，数据的安全性和隐私保护也变得尤为关键。企业有必要建立完善的数据管理和安全机制，防止数据泄露和被恶意利用。

李唯涵认为，应用大模型只是企业AI转型的开始，智能体的进化绝不是一蹴而就的。企业要特别注意数据的长期积累，这样才能实现业务的持续进化，打造出坚固的护城河。

其三，AI还不能彻底取代创作者。

AIGC浪潮掀起时，关于AI会不会取代创作者的讨论就没有停止过。但几位受访者都不约而同地传递了一个观点：AI不能替代人类。

马子涵指出，内容创作的本质是传递情感、传递态度、传递个人风格。AI有时候确实会提供天马行空的创意——但那是AI的表达。内容表达本来就应该是丰富的，AI有AI的风格，不同创作者有不同的风格，各有各的受众群体。AI会提高生产效率，但人类个体的创作表达，依然有其不可替代的价值。

其四，组织适配与挑战。

各大企业纷纷加码AI技术转型时，组织架构的转型同样必要。一个能真正拥抱AI、理解AI并善于应用AI的组织，比单纯应用技术更加重要。这需要全新的人才培养体系和组织形态。比如在蓝色光标，从招聘到晋升再到激励，AI已经成为最刚性的考核标准。现在蓝色光标有数百名产品技术人才和AI种子人才。

最后，中国的AI应用仍处于初级阶段。

在基础大模型上，中国只落后美国1到3个月的时间，但在基础大模型的应用上，中国还远处于萌芽阶段。安筱鹏分享了一个数据：2024年，美国在AI领域相关的独角兽公司大约有28家，仅代码生成领域就有6到8家。但中国市场，虽然很多公司都已经用AI赋能了业务，所创造的收入规模或AI原生企业的规模，还远远无法与美国市场相提并论。

不过，从长远视角来看，这并不代表中国企业就注定会落后。昆仑学堂的分析是，美国企业在大模型基础技术和算法积累上确实有优势，但中国在应用落地和数据场景上的潜力空间巨大。打破技术限制，与行业资源深度融合，才是中国企业的破局之道。

当然，大模型作为基础设施，其对各行各业的渗透是毋庸置疑的大势所趋。安筱鹏预测：一切智能硬件会被大模型所驱动；一切软件会被大模型所重构；一切数据会被大模型所激活。尽管中国AI应用生态尚处早期，但开源浪潮下，中小企业正通过“场景深耕 + 数据积累”实现差异化突破。正如他所说的，“大模型时代的竞争不是百米冲刺，而是一场马拉松耐力赛”，这为中国企业构建本土生态提供了一个宝贵的战略窗口期。

注：题图由AI生成