我翻了6家公司的底牌,发现AI的终局不在Agent:AI软件与硬件--下

"

6家公司的底牌翻完后，我发现它们全在做同一件事——把行业知识从外挂变成内置。

上一篇聊完AI「软件」和AI「硬件」的那个想法之后，有好几个朋友来问我。

你说的那些专用模型，到底有没有人在做？做得怎么样了？别光讲概念，来点实际的。

行，这篇我就来翻底牌。

我花了不少时间去扒各家公司的公开信息，翻来翻去，最后挑了6家出来。这6家不是概念验证，不是PPT展示，是已经真刀真枪跑在生产线上、用业务指标说话的。

而且越翻越有意思，翻到最后我甚至有点兴奋。

怎么说呢，我一个一个聊。先说一个听着不那么起眼的。

📌 本文看点

深度智联，搞房地产的。他们做了一东西叫「地产模数通」。

房地产这个领域，你可能觉得跟AI没什么关系。但仔细想想，不动产企业手里握着大量的数据，拿地可研、竞品分析、财务测算、REITs分析，每一样都需要深厚的行业知识。通用大模型碰到这些专业术语就犯怵，跟外行聊专业一样，驴唇不对马嘴。

而企业自己建模型呢？以前周期是12到18个月，投入几千万。你想想，中小企业谁扛得住这个。

深度智联干了一件事，搞了个三层架构。基座层用海量地产语料训练行业大模型，增强层让企业把自己的数据本地化注入，打通CRM和ERP，应用层直接覆盖16类核心业务场景。

你可能觉得这个数字有点抽象。我给你翻译一下，以前一个企业想搞自己的AI模型，从立项到跑起来，大半年就过去了，还不一定能用。现在两周多就能上线。

而且数据全程不出域，这对地产企业来说太重要了。拿地策略、客户数据这些都是命根子，谁敢往通用模型的云端传？

顺一下，接着聊个更硬核的。

易鑫集团，做汽车金融的。

汽车融资这个东西，业务路径组合超过数万种，光关键决策节点就有15个以上。你让通用大模型来处理这种长流程任务？它跑着跑着就忘了自己在干嘛了。

易鑫自研了一个叫XinMM-AM1的模型，配了一套Harness治理体系。Model层理解业务逻辑，Harness层做任务编排、规则约束、合规门控。训练数据100%来自易鑫自己11年的真实业务数据，不是从网上爬的公开语料。

结果有多猛呢。单次任务可以持续执行16小时，跨12个会话。Agent自主交付成果达到65%。20天以上的长流程任务，每单的token消耗严格控制在50k以内。

你可能对16小时跨12个会话没什么概念。国外AI大厂演示任务通常只跑几个小时。而易鑫在真实业务里，跑出了16小时的稳定性。

说到金融，零犀科技这个更狠。

零犀做的是保险和汽车金融，但他们搞了个跟所有人都不一样的东西，因果大模型。

你听这个名字就知道，他们不只是在做语言模型，他们把因果科学融进了模型架构里面。

什么意思呢？通用模型推荐保险产品，可能直接从用户信息跳到推荐结果，中间的逻辑链是黑的。但零犀的因果模型会强制遵循一条逻辑链，用户年龄，到可投保产品类型，到保障范围，到保费计算，一步一步走，不能跳步。

训练语料15T tokens，全部来自真实金融业务数据，覆盖340个城市、4万家经销商、100多家金融机构的交互逻辑。

落地效果呢？从用户触达到成交，全流程人工参与率为0。

销售转化率高出行业平均35%，达到了Top销售员的75%。Voice Agent语音交互延迟低于1.5秒，复杂场景意图识别精准度95%以上。

更离谱的是，2024年就实现首年盈利了。在全球大模型公司里，能按结果定价还规模化盈利的，一只手数得过来。零犀算一个。

说到这儿我已经有点上头了。但后面这几个，一个比一个炸。

影身智能，搞制造业的。

他们做的是4D世界模型，用在柔性制造上。听着很玄？其实就是让工业机器人不依赖预设动作，能自己适应不同的工序。

以前工业机器人是什么样的？你给它编好一个动作，它就只会这一个动作。换一条产线，换一个产品，得重新编程。改造成本高到很多工厂根本不敢碰。

影身智能的做法是，通过真实产线持续采集物理交互数据，训练模型理解物体材质、力反馈这些物理规律。模型直接输出符合物理规律的动作序列，不需要外部工具调用。

在制鞋行业实现了刷胶和压底工序的全自动化。零产线改造，零停产损失，零驻场编程。

部署成本降低90%。90%啊朋友们。2026年在手订单总额达到数亿元，排产机器人数千台。

好，倒数第二个。

TCL华星，做半导体显示的。

他们搞了个星智X-Intelligence，全球显示行业第一个垂域多模态大模型。

我为什么觉得这个案例特别有意思呢？因为他们用270亿参数的模型，在自动化评测里综合得分57.42%，超过了Gemini 3.1 Pro的56.03%和GPT-5.5 High的52.69%。

Gemini和GPT-5.5是什么体量？万亿级。TCL华星用不到人家三十分之一的参数量，在专业评测里把它们按在地上摩擦。

训练数据100%来自TCL华星自己的产线工艺数据、设备机理文档和材料研发日志。ADC自动缺陷分类和ADR自动缺陷修补实现了「检测到判定到修复」的全流程闭环，缺陷判断准确率95%。材料研发效率提升20%到30%，问题解析周期从数周缩短到小时级。

最后压轴的，中国石油昆仑大模型。这个应该是6个里面体量最大、影响面最广的。

全球能源化工行业首个实现全产业链体系化落地的大模型。首发六大高阶能力，自主规划、工具调度与执行、专业计算、预测预警、反演计算及可解释性分析。

训练数据100%来自中国石油内部152个真实场景。覆盖地质建模、炼化工艺、设备运维这些专业逻辑链。

落地效果我挑几个最硬的。

智能化声波全波形反演处理周期，从20天压缩到3天，综合成本降低30%以上。抽油机井工况智能诊断在8000余口井应用，人均管井数从3.5口提升到11.5口。常减压工艺运行优化，关键指标预测精度超95%，单套装置年经济效益700余万元。

6个案例聊完了。

我翻完这些底牌之后，有一个特别强烈的感受。这6家公司做的事情，虽然领域完全不同，但有一个共同点，而且是那种你一旦看到就忘不掉的共同点。

通用大模型加RAG，知识是外挂的，像一个随身带百科全书的人，遇到问题翻一翻。而这几家公司做的专用模型，知识是内置的，像一个在这个行业泡了十年的人，知识已经长在骨头里了。

翻书的人和长在骨头里的人，面对复杂问题的反应速度、推理深度、可靠性，完全不在一个量级。

还有一个共同点：训练数据无一例外，全部来自自己的业务场景。

中石油用的是内部152个场景的数据，TCL华星用的是产线工艺数据，零犀用的是340城4万家经销商的真实交互，易鑫用的是11年业务积累。

没有一家是靠爬公开互联网数据做出来的。这也解释了为什么通用模型做不到它们的效果。不是算法不够强，是数据不够深。通用模型的数据是全网的，广但浅。专用模型的数据是行业的，窄但深。

回到我上一篇文章说的那个观点。Agent不是终局，底层才是。这6家公司的底牌，就是最好的证据。

它们不是在通用模型外面套壳，它们是从根上重新做了。结果就是，参数少了两个数量级，性能反而更高。成本降了一个数量级，可靠性反而更强。

从一招鲜，到大而全，再到精而深

你去翻任何一家活下来的公司的成长史，轨迹出奇地一致。起步的时候，往往就一个核心业务，但做得特别扎实，靠这个活下来了。然后开始横向拓展，什么都想试，什么都想碰。再然后有一天回头一看，发现真正赚钱的、真正有壁垒的，可能就那么一两个业务。于是又开始做减法，集中资源，把优势往深里打。

AI现在也在走同一条路。早期的AI模型都是专用的，下棋的只会下棋，翻译的只会翻译。后来有人搞了大模型，发现什么都能干一点，通用成了主流，所有人都在卷参数卷规模。再然后呢？就是我上面翻的那6家公司的底牌，大家开始往垂直方向收了，一个比一个专，一个比一个深。

这不是退步，是螺旋上升。通才搭台，专才唱戏，不同的阶段解决不同的问题。

通才的竞争是巨头的游戏，参数、算力、数据量，每一样都是烧钱烧出来的，个人碰不了。而专才的核心是领域理解和算法深度，这是靠时间积累的东西，是个人能一点点垒起来的壁垒。

你看看这些公司的人才需求就知道了。它们需要的是懂模型架构的人，懂训练优化的人，懂数据工程的人，懂领域知识的人。不是会拖拽工作流的人。

所以如果你还在犹豫要不要去啃那些枯燥的算法论文，要不要去拆解那些开源模型的源码，我的建议是，啃。不是因为它容易，恰恰是因为它难。难的东西才有壁垒，有壁垒的东西才不会被轻易替代。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。