普通码农AI转型 | 方向06:AI行业垂直应用

     2026-09-15 | 方向 06/12 | AI行业垂直应用 

title: "普通码农AI转型 | 方向06：AI行业垂直应用"

date: "2026-09-15"

direction: "06"

direction_name: "AI行业垂直应用"

tags: ["AI行业垂直应用", "领域模型", "Harvey", "法仪大模型", "后训练", "码农转型"]

第9次覆盖 · 2026年9月模型层下沉拐点：从"套壳应用"到"自训领域模型"——码农是行业知识的编译器

9月9日，法律AI公司Harvey官宣5.5亿美元融资，估值155亿美元——比6个月前的110亿美元跳涨41%。但真正值得码农盯住的不是钱，而是钱的去向：数千块GPU训练集群，用于自研法律基础模型Harvey Tenet。一家"用GPT做法律应用"起家的公司，在ARR突破4亿美元、拿下美国百强律所80%之后，选择把身家押进模型层。同一周，国内两件事与之呼应：9月8日司法部重点实验室联合8家企业发布全国首个数字法治AI整体方案"法仪大模型"，12个司法行政场景精准度超90%；达摩院"平扫CT+AI"多癌筛查落地丽水中心医院，不到一年筛了10万份影像。垂直AI的竞争正在从"谁的Prompt更好"下沉到"谁的领域模型更强"——而这条新战线上最缺的人，恰恰是能把行业knowhow编译成训练数据和评测集的码农。

2026年9月，垂直AI应用迎来第四阶段：模型层下沉。Harvey发布自研法律基础模型Tenet并豪掷5.5亿美元扩GPU集群，标志头部垂直AI公司从"调用通用模型"转向"自训领域模型"；国内法仪大模型、商汤SenseCare、蚂蚁Agentar金融版同步验证"领域模型+场景深耕"路线的确定性。新岗位随之爆发：领域数据工程、后训练工程、行业评测基准建设。码农的工程化能力正是这条路线的刚需。

Harvey的估值轨迹值得逐帧看：

支撑155亿美元估值的基本面：ARR超4亿美元（约39倍ARR），覆盖《美国律师》百强律所的80%、财富500强的20%、财富10强中的5家，全球70多个国家3000多家机构客户，2026年1月以来代币消耗增长20倍。

但资本真正买单的逻辑，藏在9月9日全球融资盘子里：当天最大十笔约14.7亿美元融资，91%集中在6笔——法律（Harvey）、销售工作流（Clay，估值一年内从31亿翻至71亿美元）、网络安全（Cylake 2.45亿）、肿瘤免疫（Solstice Oncology 2.25亿A轮）、精密加工（CloudNC）、财富管理。风投的中心已经从"通用AI"移到"控制高价值行业工作流的公司"。而Harvey们给出的答案是：要控制工作流，光有应用不够，必须下沉到模型层。

把2023年以来的垂直AI应用放在一起看，演进路径非常清晰：

Harvey Tenet是这个阶段最有说服力的注脚：它不是从零训一个大模型去和OpenAI竞争，而是在通用底座上做法律领域的后训练（post-training），并选择开放权重——让律所客户能在私有环境部署、定制"自己的法律模型"。配合Harvey LAB（法律智能体基准），Harvey实际上在把"法律AI的事实标准"握在手里：模型我出，评测标准我也出。

同一周国内的三个事件，说明"模型层下沉+场景深耕"不是硅谷独有剧本：

• 法仪大模型（9月8日）
  ：司法部人工智能研究与应用重点实验室联合北京市司法局，携手中科大脑、面壁智能等8家企业发布全国首个数字法治AI整体解决方案。12个司法行政场景经一年以上生产环境调优，功能输出精准度超90%，累计办理业务20万次——行政复议辅助效率提升超100%，法治信息汇总从2小时压缩到10分钟，法律援助群众等待时间缩至10分钟。注意关键词："一年以上生产环境调优"——领域模型是磨出来的，不是发布会PPT出来的。
• 达摩院平扫CT+AI（外滩大会，9月9-12日）
  ：一次平扫辅助筛查5种癌症，已在丽水中心医院等多家医院落地，不到一年筛查超10万份影像，提示疑似阳性900多例。商汤医疗SenseCare同步官宣与南方医院共建粤港澳大湾区医疗大模型应用示范中心，冠脉CTA后处理时间从15-20分钟压到2-5分钟。
• 蚂蚁Agentar金融版（9月10日）
  ：预置十大金融智能体专家团，联合伙伴打造超300个金融专业智能体；IDC数据显示2025年中国金融大模型市场规模超24亿元，蚂蚁数科以13.3%份额居第一，试点客群客户总资产提升10%。

三条线索的共同点：都在行业数据壁垒深、容错成本高、强监管的领域——正是通用大模型最吃不透、领域模型最有溢价的地方。

这个拐点对码农最实际的意义，是一批"不在算法实验室、但在模型工厂"的岗位出现了：

一句话：你不需要成为训MoE的算法天才，你需要成为"把行业知识编译成数据和评测"的编译器。算法论文会过时，但"懂一个行业的数据长什么样"这件事，随时间越来越值钱。

• 后端/数据工程师
  ：做过ETL、数据质量、批处理管线的人，转领域数据工程几乎是平移——只是把"业务表"换成"判例库/病历/合同语料"。
• 测试/QA工程师
  ：领域评测工程就是你们的老本行升维——把"功能测试用例"换成"法律问答评测集"，把"回归测试"换成"模型版本回归"。
• 在垂直行业浸泡过的开发者
  ：在医疗信息化、法律科技、金融核心系统干过3年以上的码农，你手里的行业知识就是训练数据的"标准答案生成器"，这是纯算法背景的人最缺的。
• 学习路径
  ：先补后训练基础（SFT/LoRA/DPO概念与工具链，Hugging Face TRL、LLaMA-Factory上手）→ 再练评测（自建小评测集，跑通"改数据→看分数"闭环）→ 最后深入一个行业的合规与数据规范（如医疗的数据安全法合规、法律的卷宗脱敏）。
• 不太适合
  ：没有行业场景接触、只想追模型架构前沿的人——这个方向的核心资产是"行业数据理解"，不是论文复现速度。

案例一：Harvey——从"套壳"到"定义行业标准"的完整路径。 联合创始人Winston Weinberg是前诉讼律师，Gabe Pereyra来自Google DeepMind。2022年成立时它只是OpenAI GPT的一个法律应用壳，但四年走完三级跳：先吃透律所工作流（合同分析、尽调、合规、诉讼），积累Am Law 100中80%的客户和真实使用数据；再发布开放权重的法律基础模型Tenet，让律所在私有环境定制自己的模型；接着发布Harvey LAB基准，把评测标准也握在手里。2026年完成4起收购（含智能体安全公司Guardrails AI），ARR超4亿美元，9月以155亿美元估值融资5.5亿美元。它证明了垂直AI的终局不是"被大模型碾压"，而是"用行业数据反哺出模型层护城河"。

案例二：法仪大模型——体制内的"生产环境主义"。 由司法部人工智能研究与应用重点实验室牵头，联合中科大脑、面壁智能等8家企业共建，在北京各级司法行政机关真实跑了一年多：12个场景、20万次业务办理、精准度超90%。它没有追求"最聪明的大模型"，而是把行政复议、合法性审核、社区矫正这些具体到不能再具体的业务场景逐个磨穿。对码农的启示：垂直AI的交付单位不是"模型"，是"场景×生产时长"。

• 第一步（本周）：选一个你够得着的行业数据集，跑通一次微调。
   用LLaMA-Factory或Hugging Face TRL，拿公开行业语料（如法律裁判文书网抽样、公开医学问答对）对一个7B级开源模型做LoRA微调。目标不是效果多好，而是亲手走一遍"数据准备→训练→对比评测"全流程。
• 第二步（1个月）：为你选的行业建一个50-100题的评测集。
   找该行业的从业者（前同事、朋友）出题+判分标准，写自动评分脚本。这个评测集就是你求职垂直AI公司时的"作品集硬通货"——面试官可以现场跑你的评测。
• 第三步（3个月）：切入一家垂直AI公司的数据/评测岗，或在你现有公司发起一个领域模型试点。
   国内法律科技、医疗信息化、金融科技厂商都在扩这类岗位；若你在传统行业做开发，把"用行业数据微调+行业评测集"写成内部立项书——今天几乎所有传统行业AI预算都在从"买算力"转向"喂自己的数据"。

• Hugging Face TRL
  （https://github.com/huggingface/trl）：SFT/DPO/RLHF官方训练库，后训练工程入门首选，文档全、示例多。
• LLaMA-Factory
  （https://github.com/hiyouga/LLaMA-Factory）：一站式微调框架，WebUI可视化操作，7B模型LoRA单卡可跑，适合第一步动手。
• Harvey官网与Tenet模型页
  （https://www.harvey.ai）：关注其开放权重模型Tenet与Harvey LAB基准的设计思路——行业基准长什么样，看它就够了。
• OpenCompass 司浦
  （https://opencompass.org.cn）：上海AI实验室开源评测体系，学习"如何设计领域评测集"的最佳参考，国内模型评测的事实标准之一。
• 裁判文书网 + 国家医保局公开数据
  （https://wenshu.court.gov.cn）：法律/医疗领域公开语料的起点，做数据工程练手素材（注意脱敏与合规要求）。

*本文为「普通码农AI转型」系列方向06第9次覆盖。数据截至2026-09-15，案例信息来自公开报道：Harvey融资公告及多家科技媒体报道、2026服贸会与外滩大会公开信息、北京市司法局发布仪式公开报道。*

 本文由 WorkBuddy AI 自动生成 | 选题：day_of_year % 12 轮换 | 方向编号：06/12