投資者關(guān)系
投資者關(guān)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(yè)用戶數(shù)據(jù)。愛分析統(tǒng)計數(shù)據(jù)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(yè)軟件廠商也紛紛接入DeepSeek的API。
只是，漂亮的數(shù)據(jù)，就是產(chǎn)業(yè)落地的真相嗎？
“接入大模型API”，不等于真正的“產(chǎn)業(yè)落地”。不同行業(yè)、場景的業(yè)務(wù)邏輯相差巨大，強大如DeepSeek的通用大模型，未經(jīng)行業(yè)專業(yè)知識的強化訓練，無法如預(yù)期般直觀、快速地解決不同行業(yè)的需求。
大模型席卷產(chǎn)業(yè)兩年以來，愈來愈多人意識到，幫助企業(yè)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(jīng)陪跑產(chǎn)業(yè)幾十年的AIoT廠商。
在產(chǎn)業(yè)界，“大華股份”之名并不令人感到陌生。這位AIoT行業(yè)的“老大哥”，已經(jīng)將10000多個以視覺技術(shù)為核心的智能產(chǎn)品、500多個解決方案，應(yīng)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(chǎn)業(yè)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(fā)布了星漢大模型2.0。用大華先進技術(shù)研究院院長殷俊的話來說：AI真正成為“行動派”了。
◆ 在產(chǎn)業(yè)，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(fā)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(yè)化、垂直化的道路。ChatGPT等通用大模型的出現(xiàn)，迅速拔高了行業(yè)對通用大模型的預(yù)期。殷俊發(fā)現(xiàn)，近兩年來，市面上不少大模型產(chǎn)品，都圍繞著“通用”為基礎(chǔ)。
彼時，聚焦行業(yè)的垂直模型，在探索AGI的宏大命題和狂堆參數(shù)的技術(shù)競速面前，是并不性感的故事。不少人面對行業(yè)模型，也會發(fā)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(jié)論前，先看產(chǎn)業(yè)落地的真相。
入行多年來，殷俊深知B端業(yè)務(wù)的不易：B端業(yè)務(wù)不僅復(fù)雜，流程和場景又極其碎片化。以安全事故多發(fā)的能源行業(yè)為例，大模型能夠在產(chǎn)線巡檢、安全預(yù)警等方面發(fā)揮作用，已是不爭的事實。然而，安全管控既要涉及監(jiān)測、分析等多個環(huán)節(jié)，又要精準識別、理解復(fù)雜的生產(chǎn)環(huán)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(yīng)用中也可見一斑。
另一個掣肘通用大模型落地的關(guān)鍵因素，則是ROI（投入產(chǎn)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?！币幻麖臉I(yè)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(jié)論：產(chǎn)業(yè)落地，通用大模型并非最優(yōu)解。
入局大模型賽道以來，深諳產(chǎn)業(yè)落地之道的大華，就不走尋常路，確定了行業(yè)模型的路線?！拔覀冊谧龃竽Ｐ椭酰拖肭宄艘患拢何磥泶竽Ｐ鸵a(chǎn)業(yè)化落地，就一定是業(yè)務(wù)驅(qū)動、貼著垂直行業(yè)去做的?！币罂「嬖V36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(yīng)用的算力開銷，讓落地規(guī)模快速擴增?！?/span>
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(yè)的專業(yè)知識和場景數(shù)據(jù)，散落在曾經(jīng)的系統(tǒng)和傳統(tǒng)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(yè)傳統(tǒng)系統(tǒng)的協(xié)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(jīng)驗表明，只有將技術(shù)形成一套業(yè)務(wù)體系，才能夠讓AI從抽象的技術(shù)概念，真正在業(yè)務(wù)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(shè)到產(chǎn)品化過程，大華的態(tài)度——不要“拿著錘子找釘子”，讓客戶去遷就技術(shù)，而是要讓技術(shù)貼著產(chǎn)業(yè)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(guān)：
擅長多模態(tài)能力的V系列視覺大模型，落地于城市治理、生產(chǎn)制造等行業(yè)高頻的超小目標檢測、復(fù)雜場景識別等任務(wù)；作為“大腦中樞”的M系列多模態(tài)大模型，源于不少客戶在實際業(yè)務(wù)中文搜圖、圖搜圖的需求；在實際業(yè)務(wù)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(fā)，解決的是技術(shù)基建這一“上層建筑”的問題。具體到產(chǎn)品化，如何讓模型能力有效地融入企業(yè)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(fā)現(xiàn)，不少企業(yè)的工作流中，不同層級的子系統(tǒng)往往盤根錯節(jié)，這些子系統(tǒng)又接入了不同工具和數(shù)據(jù)庫的API——系統(tǒng)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(zhì)，就是將這些繁雜的系統(tǒng)、工具和數(shù)據(jù)接口，按照企業(yè)的業(yè)務(wù)串聯(lián)起來。”殷俊對36氪表示。
大華研發(fā)的行業(yè)智能體和工作流引擎，總結(jié)起來，將模型落地的過程分為“拆解、調(diào)用、編排”三步：將企業(yè)現(xiàn)有的復(fù)雜業(yè)務(wù)流程，拆解為可編排的原子化算子庫；根據(jù)具體業(yè)務(wù)和場景的需求，智能體能夠快速調(diào)用工作流引擎；最后，通過引擎對算法和工作流的動態(tài)組合，實現(xiàn)技術(shù)能力與業(yè)務(wù)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(jīng)應(yīng)用到了各行各業(yè)，潤物細無聲地改變了人們的生活。以城市應(yīng)急指揮調(diào)度場景為例，一旦火災(zāi)發(fā)生，智能體就能迅速調(diào)取周邊監(jiān)控，根據(jù)單兵設(shè)備分配救援任務(wù)，同時還能通過融合通信系統(tǒng)發(fā)起音視頻會商，啟動應(yīng)急預(yù)案。
在未來，從以人為核心的“經(jīng)驗驅(qū)動”，到以AI為核心的“認知智能驅(qū)動”的行業(yè)故事，會越來越多。
◆ 產(chǎn)業(yè)落地，大華用30多年交了答卷
成立30多年以來，大華在物聯(lián)感知、計算機視覺等技術(shù)領(lǐng)域的深耕，目的是解決業(yè)務(wù)過程中有關(guān)“看見”的痛點。
一個頗有草蛇灰線意味的呼應(yīng)是：在技術(shù)浪潮中，大華也更早“看見”了企業(yè)客戶的需求。
“會看”，是一個高頻、基礎(chǔ)，卻往往被技術(shù)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(xiàn)無人值守，先要解決的，也是把電表“讀準確”的問題。
產(chǎn)業(yè)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(shù)，都是圍繞視頻為核心做的?！?/span>
發(fā)現(xiàn)需求是業(yè)務(wù)的基點，技術(shù)水平則是立足行業(yè)的硬實力。一個出乎意料的事實是：2019年，距離ChatGPT引發(fā)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(nèi)部，用ViT（基于Transformer架構(gòu)的視覺模型）技術(shù)做半自動化標注方案。等到2020年初，大華已經(jīng)成功研發(fā)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(shù)研發(fā)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(fā)投入占比，都維持在10%以上的水平，還呈現(xiàn)出逐年上漲的趨勢。財報顯示，2024年，大華的研發(fā)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(guī)模，都隨著業(yè)務(wù)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(yè)人才招徠的中心。大華聚焦AI技術(shù)十多年以來，對年輕人才的培養(yǎng)，已經(jīng)是團隊建設(shè)的核心模式。
據(jù)殷俊介紹，大華的算法團隊，每年招的都是應(yīng)屆生，碩博學生的比例高達98%，“我們會逐步培養(yǎng)應(yīng)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(qū)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(yè)務(wù)的落地過程。比如，每個進入算法團隊的應(yīng)屆生，都被要求在實習期內(nèi)完成一個項目的現(xiàn)場落地交付。“在現(xiàn)場看到過、摸到過自己的產(chǎn)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(shù)和產(chǎn)品，如何去提升?！?/span>
一代又一代人才，不斷走向業(yè)務(wù)落地的田野，最終構(gòu)成了大華30年來扎實的業(yè)務(wù)積累和行業(yè)認知。在大模型熱潮翻涌的2023年，大華構(gòu)筑的“1+2”人工智能能力體系——一套架構(gòu)體系，加科研能力及工程能力，已經(jīng)將AI技術(shù)，嵌入到了8000多個細分場景。
“我們懂業(yè)務(wù)，也有經(jīng)驗，以及我們也知道如何服務(wù)客戶，讓客戶更好地將這套系統(tǒng)運轉(zhuǎn)起來。”殷俊細數(shù)技術(shù)落地的本質(zhì)，“數(shù)字化也好，智能化也好，背后都是一套數(shù)字系統(tǒng)。如何讓數(shù)字系統(tǒng)更符合客戶的需求，在客戶的業(yè)務(wù)流上發(fā)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(wù)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(shù)字化時代走到智能化時代，憑借扎實的技術(shù)實力，以及大量的業(yè)務(wù)經(jīng)驗，大華在大模型領(lǐng)域中，為自己開辟出了獨特的位置。
◆ 做好產(chǎn)業(yè)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(fù)雜的作業(yè)環(huán)境，如何精準排查交通工具、設(shè)備、堆煤潛藏的安全隱患？面對每年數(shù)十起的高頻事故，如何管控幾十名工人的作業(yè)規(guī)范，防患于未然？
在數(shù)字化時代之前，這一連串的問題，一直是煤礦行業(yè)的顯性之痛。殷俊記得，最初，視覺技術(shù)只能解決人員管控的問題，幫助企業(yè)確認安全帽等防護道具的佩戴情況，以及作業(yè)是否在安全區(qū)域進行。
后來，隨著大模型技術(shù)的發(fā)展，大華幫助企業(yè)“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(yè)、物流運輸?shù)娜鞒獭?/span>
技術(shù)型企業(yè)的價值感，不僅來自于技術(shù)能力的提升，也源于自身技術(shù)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(wù)實的“貪心”：“切入一個行業(yè)后，隨著你對業(yè)務(wù)的不斷深入，你會希望幫客戶做更多，把整個業(yè)務(wù)都做一遍，形成端到端的提效。隨著技術(shù)的發(fā)展，我們能夠利用新的技術(shù)，再做一次產(chǎn)業(yè)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(yè)，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(fù)雜的業(yè)務(wù)場景，往往是企業(yè)需求旺盛，但多年來技術(shù)無法解決的事。一旦技術(shù)模式能夠成功落地，就可以復(fù)制到產(chǎn)業(yè)界，產(chǎn)生數(shù)以倍計的價值。
大華在其中用到的巧勁兒，是與礦業(yè)的頭部企業(yè)進行合作。殷俊告訴36氪，切入煤礦行業(yè)之初，大華就與國內(nèi)頭部的煤礦企業(yè)深入交流了合作的可能性，“我們希望一起做一些行業(yè)標桿，或者說被行業(yè)認可的事?！比缃瘢@套模型解決方案，在煤礦行業(yè)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(jiān)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(huán)境中，正確報警率（即真實警報的識別率）仍穩(wěn)定維持在85%以上。
另一方面，則是要找到需求量持續(xù)增長的場景。背后的原因，是為了更好的發(fā)揮大模型的優(yōu)勢——大場景，與大模型的強性能、高算力更為適配，還能通過規(guī)模效應(yīng)，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(yè)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(zhì)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(jīng)經(jīng)過檢驗的場景。比如，對能源行業(yè)而言，降低事故率就是剛需，“AI把安全事故率降低了，企業(yè)對AI的投資就是非常劃算的事。”
大模型行業(yè)，如今已經(jīng)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(jīng)萬眾矚目的企業(yè)，實際交付的技術(shù)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(jīng)開始破滅了。
然而，殷俊卻持有不同的觀點：“任何一個技術(shù)興起后，有泡沫是好事。”2019年，大華研發(fā)大模型之初，行業(yè)還遠不像現(xiàn)在這般火熱?？蛻艚逃杀咎?，成了實打?qū)嵉碾y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(jīng)過兩年的普及，如今，大模型對客戶而言，已經(jīng)不像兩年前那樣陌生。行業(yè)認知的提高、模型落地效果的凸顯，都讓企業(yè)更樂于接受新技術(shù)。
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(yù)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?！斑@是我們追求的永恒命題?！彼岬?。
毫無疑問，大模型已經(jīng)走到了落地的黃金年代。“隨著大模型產(chǎn)業(yè)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(jié)，“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。”