投資者關系
投資者關系
DeepSeek的爆火，讓不少人認為，大模型的普惠迎來了真正的拐點。
這一頗高的評價，背后是一組組漂亮的企業用戶數據。愛分析統計數據顯示，截至2025年2月21日，已有45%的央企完成了DeepSeek模型的部署；同一時間，多家工業軟件廠商也紛紛接入DeepSeek的API。
只是，漂亮的數據，就是產業落地的真相嗎？
“接入大模型API”，不等于真正的“產業落地”。不同行業、場景的業務邏輯相差巨大，強大如DeepSeek的通用大模型，未經行業專業知識的強化訓練，無法如預期般直觀、快速地解決不同行業的需求。
大模型席卷產業兩年以來，愈來愈多人意識到，幫助企業跑完最后一公里的可能不是頂尖的AI研究院和實驗室，而是已經陪跑產業幾十年的AIoT廠商。
在產業界，“大華股份”之名并不令人感到陌生。這位AIoT行業的“老大哥”，已經將10000多個以視覺技術為核心的智能產品、500多個解決方案，應用到了8000多個細分場景。
在大模型時代，如何讓曲高和寡的“Transformer”“MoE”“Agent”，從實驗室和論文中走出，真正落地到產業界的曠野，是大華一以貫之的命題。
2025年3月10日，大華股份發布了星漢大模型2.0。用大華先進技術研究院院長殷俊的話來說：AI真正成為“行動派”了。
◆ 在產業，AI不是一組算法，而是一套體系
2023年10月24日，星漢大模型1.0剛剛發布的時候，正逢通用大模型風頭一時無兩，大華卻選擇了一條專業化、垂直化的道路。ChatGPT等通用大模型的出現，迅速拔高了行業對通用大模型的預期。殷俊發現，近兩年來，市面上不少大模型產品，都圍繞著“通用”為基礎。
彼時，聚焦行業的垂直模型，在探索AGI的宏大命題和狂堆參數的技術競速面前，是并不性感的故事。不少人面對行業模型，也會發出一個疑問：不用通用模型做落地，是否顯得不合時宜？
得出結論前，先看產業落地的真相。
入行多年來，殷俊深知B端業務的不易：B端業務不僅復雜，流程和場景又極其碎片化。以安全事故多發的能源行業為例，大模型能夠在產線巡檢、安全預警等方面發揮作用，已是不爭的事實。然而，安全管控既要涉及監測、分析等多個環節，又要精準識別、理解復雜的生產環境。
這意味著，單一算法訓練的模型，不僅很難端到端覆蓋所有流程，對實際場景的認知力也不足。這一弱點在通用大模型的實際應用中也可見一斑。
另一個掣肘通用大模型落地的關鍵因素，則是ROI（投入產出比）。通用，往往也意味著笨重、昂貴。“市面上客戶可接受的成本在5萬-200萬之間。”一名從業者曾告訴過36氪。但動輒大幾百萬的通用大模型部署價格，往往輕易就能突破用戶的心理基線。
凡此種種，都通往一個結論：產業落地，通用大模型并非最優解。
入局大模型賽道以來，深諳產業落地之道的大華，就不走尋常路，確定了行業模型的路線。“我們在做大模型之初，就想清楚了一件事：未來大模型要產業化落地，就一定是業務驅動、貼著垂直行業去做的。”殷俊告訴36氪，“所以一方面，我們把大模型做小，做到模型算力可控；另一方面，不斷地降低整體應用的算力開銷，讓落地規模快速擴增。”
這一認知，也決定了2025年3月升級后的星漢大模型2.0，不僅僅是一套算法，而是一套體系。
比如，不少企業的專業知識和場景數據，散落在曾經的系統和傳統AI模型中。以星漢大模型2.0為核心的解決方案，既涵蓋了大模型和企業傳統系統的協同，也囊括了不同體量的細分場景模型之間的合作——大華實踐的經驗表明，只有將技術形成一套業務體系，才能夠讓AI從抽象的技術概念，真正在業務場景中運行起來。
在與36氪的交流中，殷俊幾乎在每句話中都會提到：貼著用戶需求。這也代表了從模型體系的建設到產品化過程，大華的態度——不要“拿著錘子找釘子”，讓客戶去遷就技術，而是要讓技術貼著產業的痛點走。
一個典型的案例是，星漢大模型2.0三個系列的誕生，都與客戶需求有關：
擅長多模態能力的V系列視覺大模型，落地于城市治理、生產制造等行業高頻的超小目標檢測、復雜場景識別等任務；作為“大腦中樞”的M系列多模態大模型，源于不少客戶在實際業務中文搜圖、圖搜圖的需求；在實際業務中扮演“指揮家”角色的L系列語言大模型，殷俊表示，是為了滿足不少客戶對語言和文本這一人機交互模型的需求。
大模型系列的研發，解決的是技術基建這一“上層建筑”的問題。具體到產品化，如何讓模型能力有效地融入企業的工作流中，并不簡單。
在長期與客戶需求打交道的過程中，殷俊發現，不少企業的工作流中，不同層級的子系統往往盤根錯節，這些子系統又接入了不同工具和數據庫的API——系統的繁雜和碎片化，讓大模型在落地的過程中，很難充分利用分散其中的知識和工具。
因此，“大模型落地的本質，就是將這些繁雜的系統、工具和數據接口，按照企業的業務串聯起來。”殷俊對36氪表示。
大華研發的行業智能體和工作流引擎，總結起來，將模型落地的過程分為“拆解、調用、編排”三步：將企業現有的復雜業務流程，拆解為可編排的原子化算子庫；根據具體業務和場景的需求，智能體能夠快速調用工作流引擎；最后，通過引擎對算法和工作流的動態組合，實現技術能力與業務需求的高效適配。
這樣一組“原子化”拆解、編排工作流的方案，已經應用到了各行各業，潤物細無聲地改變了人們的生活。以城市應急指揮調度場景為例，一旦火災發生，智能體就能迅速調取周邊監控，根據單兵設備分配救援任務，同時還能通過融合通信系統發起音視頻會商，啟動應急預案。
在未來，從以人為核心的“經驗驅動”，到以AI為核心的“認知智能驅動”的行業故事，會越來越多。
◆ 產業落地，大華用30多年交了答卷
成立30多年以來，大華在物聯感知、計算機視覺等技術領域的深耕，目的是解決業務過程中有關“看見”的痛點。
一個頗有草蛇灰線意味的呼應是：在技術浪潮中，大華也更早“看見”了企業客戶的需求。
“會看”，是一個高頻、基礎，卻往往被技術提供商忽視的需求。比如，在電力巡檢場景，不少變電站都在深山老林，人力巡檢難度極大，要實現無人值守，先要解決的，也是把電表“讀準確”的問題。
產業對“看”的剛需，也成了大華在大模型時代躬身入局，最為水到渠成的理由。殷俊告訴36氪，大華是做視覺理解起家的，“包括深度學習模型，大華90%以上的技術，都是圍繞視頻為核心做的。”
發現需求是業務的基點，技術水平則是立足行業的硬實力。一個出乎意料的事實是：2019年，距離ChatGPT引發風暴還有近4年的時間，大華股份就敏銳地將Transformer引入到公司內部，用ViT（基于Transformer架構的視覺模型）技術做半自動化標注方案。等到2020年初，大華已經成功研發出了自動化標注模型。
在大模型賽道，讓入局者深有體會的是，技術研發不僅需要持之以恒的投入，也仰賴于實力強勁的團隊。
先看投入。多年來，大華的研發投入占比，都維持在10%以上的水平，還呈現出逐年上漲的趨勢。財報顯示，2024年，大華的研發投入達到了42.1億元，占到了總營收的13.09%。殷俊告訴36氪，十多年來，大華的算法團隊、算力規模，都隨著業務的范圍，在不斷擴展。
再看團隊。隨著DeepSeek背后的團隊曝光在世人面前，年輕人才漸漸走到企業人才招徠的中心。大華聚焦AI技術十多年以來，對年輕人才的培養，已經是團隊建設的核心模式。
據殷俊介紹，大華的算法團隊，每年招的都是應屆生，碩博學生的比例高達98%，“我們會逐步培養應屆生，讓他們不斷往前走，成長為我們的核心骨干”。
值得一提的是，區別于“兩耳不聞窗外事”、埋頭于科研的理念，大華不僅要求年輕人才懂算法，還鼓勵他們走出實驗室，體驗實際業務的落地過程。比如，每個進入算法團隊的應屆生，都被要求在實習期內完成一個項目的現場落地交付。“在現場看到過、摸到過自己的產品，聽到過用戶的一些想法，哪怕是用戶的吐槽也好，”殷俊表示，“他才會真正感受到自己做的技術和產品，如何去提升。”
一代又一代人才，不斷走向業務落地的田野，最終構成了大華30年來扎實的業務積累和行業認知。在大模型熱潮翻涌的2023年，大華構筑的“1+2”人工智能能力體系——一套架構體系，加科研能力及工程能力，已經將AI技術，嵌入到了8000多個細分場景。
“我們懂業務，也有經驗，以及我們也知道如何服務客戶，讓客戶更好地將這套系統運轉起來。”殷俊細數技術落地的本質，“數字化也好，智能化也好，背后都是一套數字系統。如何讓數字系統更符合客戶的需求，在客戶的業務流上發揮它的功效，是我們所擅長的。”
在大模型賽道，入局者眾多，打法也各異——有人勇攀AGI的高峰，有人意在潮頭打浪，也有人追求務實的落地。浪潮既是機遇，相對的，稍有懈怠就會被大浪淘沙。
從數字化時代走到智能化時代，憑借扎實的技術實力，以及大量的業務經驗，大華在大模型領域中，為自己開辟出了獨特的位置。
◆ 做好產業化落地，大模型就不是泡沫
在一座深達千米的礦井，面對井下復雜的作業環境，如何精準排查交通工具、設備、堆煤潛藏的安全隱患？面對每年數十起的高頻事故，如何管控幾十名工人的作業規范，防患于未然？
在數字化時代之前，這一連串的問題，一直是煤礦行業的顯性之痛。殷俊記得，最初，視覺技術只能解決人員管控的問題，幫助企業確認安全帽等防護道具的佩戴情況，以及作業是否在安全區域進行。
后來，隨著大模型技術的發展，大華幫助企業“看到”的范圍，從人員管控，延伸到了對交通工具、傳送帶、堆煤等各道工序的管理，幾乎覆蓋了事前管控、井下作業、物流運輸的全流程。
技術型企業的價值感，不僅來自于技術能力的提升，也源于自身技術能力提升后，隨之拓展的落地空間。對于大模型的落地，殷俊有一種務實的“貪心”：“切入一個行業后，隨著你對業務的不斷深入，你會希望幫客戶做更多，把整個業務都做一遍，形成端到端的提效。隨著技術的發展，我們能夠利用新的技術，再做一次產業的升級，這也是我們努力的方向。”
從一個個場景，覆蓋到一整個行業，是大華在大模型時代的野心。為了加速達成這一目標，如何選擇切入的主要場景，大華有自己的考量。
一方面，是找到“難而正確”的場景。在殷俊看來，這些復雜的業務場景，往往是企業需求旺盛，但多年來技術無法解決的事。一旦技術模式能夠成功落地，就可以復制到產業界，產生數以倍計的價值。
大華在其中用到的巧勁兒，是與礦業的頭部企業進行合作。殷俊告訴36氪，切入煤礦行業之初，大華就與國內頭部的煤礦企業深入交流了合作的可能性，“我們希望一起做一些行業標桿，或者說被行業認可的事。”如今，這套模型解決方案，在煤礦行業落地的效果是顯而易見的——例如，在傳送帶大塊物體檢測、跑偏監測等核心功能上，準確率從80%提升至93%，且在礦下高溫、光照差等惡劣環境中，正確報警率（即真實警報的識別率）仍穩定維持在85%以上。
另一方面，則是要找到需求量持續增長的場景。背后的原因，是為了更好的發揮大模型的優勢——大場景，與大模型的強性能、高算力更為適配，還能通過規模效應，降低大模型落地的成本。
一旦找準剛需場景，衡量大模型落地企業的ROI，便不再是難事。此前，AI帶來的某些核心價值，比如決策質量的改善、客戶滿意度的提升，往往無法精確地量化。
但在殷俊看來，剛需，往往意味著ROI衡量方式已經經過檢驗的場景。比如，對能源行業而言，降低事故率就是剛需，“AI把安全事故率降低了，企業對AI的投資就是非常劃算的事。”
大模型行業，如今已經走到了一個分水嶺。兩年來，高樓起、高樓塌的故事屢見不鮮；曾經萬眾矚目的企業，實際交付的技術答卷也不盡如人意。這也讓不少人悲觀地認為：大模型的泡沫已經開始破滅了。
然而，殷俊卻持有不同的觀點：“任何一個技術興起后，有泡沫是好事。”2019年，大華研發大模型之初，行業還遠不像現在這般火熱。客戶教育成本太高，成了實打實的難點。彼時，殷俊跟客戶解釋什么是大模型，但理解的人并不多。
在殷俊看來，泡沫，意味著免費的用戶教育。經過兩年的普及，如今，大模型對客戶而言，已經不像兩年前那樣陌生。行業認知的提高、模型落地效果的凸顯，都讓企業更樂于接受新技術。
但客戶認知的提高，也對位于上游的解決方案提供方，提出了更高的要求。殷俊用“多快好省”，概括了大華不斷自省的方向：第一，準確率能不能達到客戶預期；第二，客戶提出的新想法能不能快速被滿足；第三，能否低成本地解決這些問題。“這是我們追求的永恒命題。”他提到。
毫無疑問，大模型已經走到了落地的黃金年代。“隨著大模型產業化的程度越來越深，AI成為日常的一部分，這時大模型就不再是泡沫，”殷俊總結，“這個路徑一旦被證明，或者說更多地被證明，大家就不會再彷徨。”