DeepSeek的迅速走红，使得许多人开始相信，大规模模型的广泛应用已经迎来了一个关键的转折点。
这一高度赞誉的背后，是一系列令人瞩目的企业用户数据支撑。据爱分析统计，截至2025年2月21日，已有相当比例的中央企业成功实施了DeepSeek模型；与此同时，众多工业软件供应商也陆续开始使用DeepSeek的API接口。
只是，漂亮的数据，就是产业落地的真相吗？
接入大型模型API并不意味着已经实现了真正的产业应用。各个行业和场景的业务逻辑存在显著差异，即便是像DeepSeek这样强大的通用大模型，若未经过特定行业知识的深入训练，也无法达到预期效果，即无法直观且迅速地满足不同行业的需求。
自大模型风头劲两年多，越来越多的人开始认识到，助力企业冲刺终点的，或许并非那些顶尖的AI研究机构和实验室，而是那些与产业并肩作战数十载的AIoT企业。
在产业界，“大华股份”这个名字广为人知。作为AIoT领域的领军企业，它已经将超过一万种以视觉技术为核心的智能产品以及五千多个解决方案，成功应用于八千多个不同的细分场景之中。
在当前的大模型时代，如何将那些曲高和寡的“Transformer”、“MoE”以及“Agent”技术，从实验室的研究和学术论文中解脱出来，使其真正扎根于产业领域的广阔天地，这始终是大华公司持续追求的目标。
2025年3月10日，大华股份正式推出了星汉大模型2.0版本。正如大华先进技术研究院院长殷俊所言，AI技术已经真正地迈出了成为“行动派”的步伐。
1.在产业，AI不是一组算法，而是一套体系
2023年10月24日，星汉大模型1.0问世之际，正值通用大模型备受瞩目，而大华却毅然决然走上了专业化、垂直化的路径。通用大模型如GPT的涌现，迅速提升了业界对这类模型的期待值。殷俊观察到，近两年内，市场上涌现的大多数大模型产品，都以“通用”为核心概念。
当时，专注于特定领域的垂直化模式，在追寻通用人工智能这一宏伟课题和追求参数数量激增的技术竞赛中，显得并不引人注目。许多人在审视行业模型时，都会提出这样的疑问：不采用通用模型进行实际应用，这样的做法是否显得有些过时？
得出结论前，先看产业落地的真相。
殷俊从业多年，对B端业务的艰辛深有体会：B端业务不仅结构复杂，其流程和场景也极为零散。以能源行业这一安全事故频发的领域为例，大模型在产线巡检和安全预警等方面的作用已经得到广泛认可。但是，安全管控需要涵盖监测、分析等多个步骤，同时还要能够精确识别并理解复杂的生产环境。
这表明，仅通过单一算法进行训练的模型，不仅难以全面涵盖整个流程，而且对现实场景的理解能力也存在不足。这种不足在通用大型模型的实际运用中也有所体现。
通用大模型的落地面临另一重要制约因素，即其投资回报率。此类模型普遍较为庞大且价格不菲。“市场上客户能够承受的费用大致在5万至200万区间。”一位行业人士曾向36氪透露。然而，通用大模型的部署成本动辄数百万，极易超出普通用户的心理预期。
凡此种种，都通往一个结论：产业落地，通用大模型并非最优解。
自投身于大模型竞争领域，大华凭借其对产业落地的深刻理解，选择了与众不同的路径，明确了以行业模型为主导的发展方向。在着手打造大模型之初，我们就已明确了一点：若要实现大模型在产业中的实际应用，必然是业务导向，紧密围绕特定垂直行业进行。殷俊向36氪透露，我们首先将大型模型缩小，确保其算力在可控范围内；同时，我们持续减少应用整体的算力消耗，以此促进落地规模的迅速扩大。
这一观念同样指引着2025年3月进行升级的星汉大模型2.0，使其不仅成为一套算法，更构建起一套完整的体系。
众多企业的专业知识与场景数据，分布在前线的系统和过往的AI模型里。以星汉大模型2.0为基石的解决方案，不仅实现了大模型与公司传统系统的无缝对接，还整合了各类规模细分场景模型间的互动——大华的实践经验昭示，唯有将技术构建为一个完整的业务架构，AI才能从理论走向实践，在业务场景中发挥实效。
在与36氪的对话中，殷俊几乎每句话都强调：紧贴用户需求。这一点体现了大华在从构建模型体系到产品化的整个过程中所秉持的理念——不是让客户去适应技术，而是要让技术紧密跟随产业的实际需求。
一个典型的例子便是，星汉大模型2.0的三个系列问世，这一过程紧密关联着客户的具体需求。
V系列视觉大模型，具备多模态处理能力，已应用于城市治理、生产制造等行业，进行超小目标检测和复杂场景识别等关键任务；M系列多模态大模型，作为大脑中枢，其灵感来源于众多客户在业务中对图片搜索的需求；而L系列语言大模型，在业务中扮演着指挥家的角色，殷俊指出，其开发旨在满足客户对语言和文本交互模型的多重需求。
大模型系列的研发旨在攻克技术基础设施这一核心难题。具体到产品层面，如何使模型的功能得以高效地融入企业的日常运作流程，这并非易事。
在与客户需求的长期互动中，殷俊注意到，众多企业的业务流程中，不同级别的子系统能够交织在一起，错综复杂；这些子系统还与众多工具和数据库的API相连接——系统的复杂性和碎片化特点，使得大型模型在实施过程中，难以充分挖掘其中分散的知识和工具。
殷俊向36氪阐述道，大模型落地的核心在于，将那些纷繁复杂的系统、工具以及数据接口，依照企业的业务需求进行有机整合。
大华所研发的行业智能体与工作流引擎，其核心操作流程可概括为“拆解、调用、编排”三个阶段：首先，将企业既有的繁杂业务流程拆分成可灵活编排的原子化算子库；其次，依据特定业务场景和需求，智能体能够迅速激活工作流引擎；最终，借助引擎对算法与工作流的灵活组合，达成技术与业务需求的高效对接。
这一套对工作流程进行“原子化”拆分与重组的方案，已广泛应用于众多行业领域，悄然无声地影响了人们的日常生活。以城市应急指挥调度为例，在火灾等紧急情况发生时，智能系统可迅速调用周边监控资源，依据单兵装备分配救援任务，并且能够借助综合通信平台进行音视频会议，同时启动相应的应急计划。
在未来的岁月里，我们将见证越来越多的以人为中心、基于经验的行业故事，逐渐转变为以人工智能为中心、依托认知智能驱动的行业传奇。
2.产业落地，大华用30多年交了答卷
自创立三十余载，大华在物联网感知、计算机视觉等技术的钻研不懈，旨在攻克业务流程中与“视觉”相关的难题。
大华在技术潮流的涌动中，展现出了先见之明，早早洞察到了企业客户的需求，这种呼应颇具草蛇灰线之妙。
“会看”这一需求虽属常见且基础，却常被技术供应商所忽略。以电力巡检为例，众多变电站坐落于深山密林之中，人力巡检的难度相当大。若要实现无人值守，首要解决的问题便是确保电表读数的精确无误。
产业对于视觉需求的迫切性，使得大华在大型模型时代自然而然地投身其中，这成为了其积极参与的顺理成章的动机。殷俊向36氪透露，大华的根植于视觉理解领域，“无论是深度学习模型，还是大华超过九成的技术，都紧密围绕着视频这一核心展开。”
业务发展离不开对需求的洞察，而行业地位则依托于技术实力。令人惊讶的是，在GPT引发行业变革之前，大约还有四年时间，大华股份便已迅速将Transformer技术引入企业，并利用基于Transformer架构的ViT（视觉模型）技术，实现了半自动化的标注解决方案。等到2020年初，大华已经成功研发出了自动化标注模型。
在大模型竞赛领域，参与者们深刻感受到，持续的技术研发投入不可或缺，同时，拥有一支实力雄厚的团队也是至关重要的。
观察大华的投入情况，可以发现其研发经费比例长期保持在10%以上，并且这一比例还在持续攀升。根据财务报告，2024年大华的研发支出高达42.1亿元，这一数额占其总营收的13.09%。殷俊向36氪透露，在过去十余年间，大华的算法团队规模和算力资源均随着业务领域的拓宽而持续扩大。
观察团队构成，随着DeepSeek团队的真实面貌逐渐展现于公众视野，年轻一代人才逐渐成为企业招聘的焦点。自大华公司专注于AI技术发展已逾十年，对年轻人才的培育已成为其团队建设的核心策略。
殷俊透露，大华的算法团队每年吸纳的都是新鲜出炉的毕业生，其中硕士和博士研究生的比例达到了98%，“我们计划逐步对他们进行培养，促使他们不断进步，最终成为我们团队的中坚力量”。
值得关注的是，与“两耳不闻窗外事”、专心致志于科研的理念不同，大华不仅期望年轻研究人员掌握算法知识，更倡导他们走出实验室，亲身感受实际业务的具体实施过程。例如，每位加入算法团队的应届毕业生，在实习期间都需完成一个项目的实地交付任务。殷俊强调，只有亲眼目睹过、亲手触摸过自己的产品，聆听过用户的心声，哪怕这些心声中包含着批评和抱怨，他才能深刻体会到自己所从事的技术和产品应该如何进行改进与提升。
一代代人才不断深入业务实践，投身于业务落地的广阔天地，最终汇聚成了大华30年来的坚实业务基础和深刻行业洞察。2023年，正值大模型热潮席卷之际，大华构建的“1+2”人工智能能力体系——包括架构体系、科研能力和工程能力——已将AI技术融入了超过8000个具体应用场景。
我们精通业务，积累了丰富的经验，并且我们明白如何为客户提供优质服务，帮助他们更高效地运用这套系统。殷俊阐述了技术落地的核心，“无论是数字化还是智能化，其本质都依托于数字系统。我们擅长的是，如何使数字系统能够更好地满足客户需求，并在客户的业务流程中发挥其最大效用。”
大模型竞争领域参与者众多，策略也各不相同——有的志在攀登通用人工智能的巅峰，有的则想在潮流之巅掀起波澜，还有的致力于寻求切实可行的应用。面对这样的浪潮，既是机遇，但同时，一旦有所松懈，便可能被汹涌的浪潮所淘汰。
随着数字化时代的过渡至智能化时代，依托其稳固的技术根基和丰富的业务实践，大华在大型模型领域内，成功确立了与众不同的地位。
3.做好产业化落地，大模型就不是泡沫
在深入千米的矿井中，我们如何能够细致地识别交通工具、设备以及堆积煤炭中潜在的安全风险？面对每年数十起的高频事故，我们又该如何对数十名工人的操作规程进行有效管理，以预防事故的发生？
在数字化浪潮席卷之前，这些问题如影随形，成为煤矿业的明显困扰。殷俊回忆起，起初，视觉技术主要应用于人员管理，协助企业核实员工是否正确佩戴安全帽等防护装备，并确保作业是否在安全区域内进行。
此后，得益于大模型技术的进步，大华公司助力企业实现了对监控视野的拓展，不仅涵盖了对人员的管理，还扩展至对交通工具、输送带、煤炭堆放等各个环节的监督，其管控范围几乎囊括了事前预防、井下作业以及物流运输等整个流程。
技术型企业的价值，不仅体现在技术实力的增强，还在于技术实力增强后所开辟的广阔应用领域。殷俊对于大模型的实际应用，抱持着一种脚踏实地的“野心”：一旦进入某个行业，随着对业务理解的加深，他渴望为客户提供更全面的服务，将整个业务流程一网打尽，实现从端到端的效率提升。技术不断进步，使得我们得以借助这些新技术手段，对产业进行新一轮的升级改造，这正是我们不懈追求的目标所在。
大华的雄心壮志在于从单个场景逐步扩展至整个行业，这标志着其在大模型时代的发展蓝图。为了加快实现这一宏伟目标，大华对如何选择关键场景进行了深思熟虑。
一方面，需挖掘那些“挑战重重却至关紧要”的情境。殷俊认为，这类业务环境通常企业需求强烈，然而技术难题长期未能攻克。一旦技术模式得以顺利实施，便能在产业领域广泛应用，进而创造出数倍于前的价值。
大华在项目中所展现的巧妙策略，便是与矿业领域的领军企业展开合作。殷俊向36氪透露，大华在涉足煤矿行业伊始，便与国内顶尖的煤矿公司就合作的可能性进行了深入的探讨，“我们期望能够携手打造一些行业内的典范项目，亦或是那些获得行业广泛认可的项目。”这套模型在煤矿领域的应用成效显著——比如，在传送带大块物料的检测以及跑偏情况的监测等关键功能上，其准确率已经从原先的80%提升到了93%；即便是在井下高温、光线昏暗等恶劣条件下，其正确报警率（即对真实警报的识别率）也依然能够稳定保持在85%以上。
另一方面，关键在于探寻那些需求量不断攀升的应用场景。其根本目的在于充分展现大型模型的优势——这些场景与大型模型的强大性能和高度计算能力更为契合，并且能够借助规模效应，有效减少大型模型实际应用中的成本。
一旦确定了满足需求的特定场景，评估大型模型应用于企业后的投资回报率，便变得相对容易。在此之前，人工智能带来的某些关键益处，例如决策效率的提高、客户满意度的增强，通常难以进行精确的数值衡量。
在殷俊眼中，所谓的刚性需求，通常指的是那些经过验证的、以投资回报率（ROI）为衡量标准的领域。以能源行业为例，减少事故发生率便是其刚性需求，“通过AI技术降低安全事故率，企业对AI技术的投资无疑是非常划算的。”
大模型领域现已进入关键节点。过去两年间，崛起与崩塌的案例频现；那些一度备受瞩目的企业，所呈现的技术成果亦不尽理想。这一现象使得许多人开始持悲观态度，认为大模型的泡沫已开始逐渐破灭。
殷俊持有与众不同的看法，他认为：“每当一项技术崭露头角，出现泡沫现象实为一件好事。”回溯至2019年，大华公司刚开始研发大模型之时，整个行业的热度远未达到如今的程度。那时，客户教育成本高昂，成为了一个实实在在的难题。殷俊曾向客户阐述大模型的概念，然而，真正理解这一概念的人却寥寥无几。
殷俊认为，泡沫象征着零成本的用户培训。经过两年的广泛推广，现在，大模型对消费者来说，已不再像两年前那样显得陌生。行业认知度的提升以及模型实际应用成效的显现，都促使企业更愿意拥抱新技术。
客户对认知的提升，亦对处于上游的解决方案供应者，提出了更为严苛的标准。殷俊以“快速、高效、优质、经济”来总结大华持续自我审视的目标：首先，准确度是否能够满足客户的期望；其次，客户的新创意是否能够迅速得到响应；再者，这些问题是否能够以较低的成本得到解决。“这正是我们追求的永恒课题。”殷俊强调道。
毫无疑义，大型模型已步入实际应用的黄金时期。随着大模型产业化进程的逐步加深，人工智能已融入日常生活，此时大模型已不再是空中楼阁。殷俊总结道，一旦这一路径得到验证，或者说得到更多验证，众人便不会再感到迷茫。
