當人工智能從實驗室走向產業應用，我們正見證著一場靜默卻深刻的范式革命。

在鈦媒體2025 ITValue Summit前瞻之AI落地指南系列的首場直播中，釘釘CTO朱鴻、壹生檢康創始人王強宇與鈦媒體聯合創始人劉湘明的對話，核心命題直指AI落地的本質：專屬模型能否成為行業共識？

從"不敢想"訓練自己的模型，到如今"能做到"90%準確率的婦科行業專屬模型，王強宇的回答揭示了技術演進的必然邏輯——當通用大模型的能力邊界逐漸清晰，企業開始意識到智能體的上限本質上是模型能力的天花板。這種認知轉變并非一蹴而就，而是經歷了從prompt工程到RAG技術，最終走向自訓練模型的螺旋式上升過程。

特別值得注意的是，壹生檢康將婦科大模型準確率從70%提升至90.2%的實踐，同時還通過了國家婦產科衛生高級職稱（正高）考試，不僅證明了中小企業也能訓練高精度模型，更展示了一條可復制的技術路徑：均勻的數據分布、高質量的精標數據、高效的訓練流程，這三者構成了專屬模型訓練的"鐵三角"。

朱鴻提出的"AI下半場是問AI要效果"的觀點，進一步深化了這場技術革命的內涵。他敏銳地指出，企業應用AI正經歷三個層次的演進：從知識管理到經營決策，最終指向生產工藝流程的自動化。

這種分層認知揭示了AI落地的漸進性——它不是一蹴而就的技術顛覆，而是逐步深入業務骨髓的漸進改造。

釘釘定位為"AI基礎設施提供者"的戰略選擇，恰恰回應了這一需求：通過全鏈路工具鏈降低專屬模型訓練門檻，讓企業無需從零開始搭建技術底座。

對話中最具啟發性的討論聚焦于專屬模型訓練的現實挑戰。王強宇坦言過程中多次"練不下去"的困境，這些技術卡點包括訓練數據質量不佳、訓練流程不規范、強化學習效果不穩定等。這些因素促使他們找到了解決方案——與釘釘團隊深度共創。

這種合作模式打破了傳統甲乙方關系，形成了算法專家與行業know-how的化學反應。朱鴻特別強調的"信任建立"與"目標共識"，道出了AI落地中最容易被忽視卻至關重要的因素：技術實現必須與業務目標對齊。當企業清楚定義"什么是足夠好的模型"時，技術團隊才能有的放矢地優化訓練策略。

關于智能體與行業模型的爭論，實質上反映了AI應用的不同哲學取向。王強宇"智能體更多是‘術’，行業模型才是‘道’"的觀點，引發了關于AI價值創造方式的深層思考。這種觀點并非否定智能體的價值，而是強調數據驅動的行業模型才是釋放AI潛力的根本。

展望未來，對話傳遞出一個明確信號：專屬模型正在成為AI落地的共識路徑。這種共識的形成源于三個關鍵因素：技術可行性（基礎大模型+大數據的有效組合）、商業合理性（按效果付費的商業模式創新）、生態完備性（平臺型企業的基礎設施支持）。

附上本期直播時間軸，幫你快速跳轉感興趣的部分

00:45 智能體上限是模型能力，自訓練模型成為出路

14:21 AI下半場，可能是大數據小模型的時代

29:00 專屬模型訓練，卡點在哪

40:03 只做Agent不做行業模型，相當于只做"面子"不做"里子"

以下為對話實錄，經編輯整理：

智能體上限是模型能力，自訓練模型成為出路

劉湘明：各位觀眾大家好，歡迎來到鈦媒體舉辦的AI落地指南系列的直播的第一場。今天也特別高興邀請到了兩位嘉賓，他們是釘釘CTO朱鴻（一粟）、壹生檢康創始人王強宇。

去年9月份，強宇在鈦媒體三亞的IT價值峰會上面有一個很重要的發布，過去一年，產品做了哪些升級迭代？

王強宇：其實最重要的迭代就是我們從做Prompt和RAG，變成是自己訓練一個婦科大模型。因為我們逐漸發現，盡管我們做了很復雜的Prompt，智能體的準確率到了70%左右，再往上走就非常難。

我們從今年1月份開始考慮自己訓練模型，當時正好也是DeepSeek比較火的時候。DeepSeek的開源給了我們訓練模型的新思路。在三月底四月初的時候，我們和釘釘團隊做了一些交流，他們很快就提出來說可以支持我們，支持中小企業創業公司來做模型的訓練，我們就在釘釘的專屬訓練平臺上做了很多共創。

早期主要是從SFT需要的環境和卡的算力去考慮，之后也是把數據標注的問題做了重新的梳理，包括訓練的整個流程，我們最新發布版本的婦科大模型準確率，在六個癥狀上面可以達到90.2%。我們也用在了我們自己的"閨蜜醫生"產品上，一個32B的小模型只需要2張4090卡就可以跑通（含推理）。

這說明，小模型完全可以訓練出來，也完全可以跑得起來。閨蜜醫生是個toC的應用，解決了很多15-25歲女生遇到的各種婦科問題，所以我們覺得這個路徑完全可以走得通，這也是我們這次和鈦媒體一起來聊這個話題的原因。

劉湘明：你在鈦媒體上發了兩篇文章，效果都非常好，都是這種非常深度的技術，你提到關鍵的優化，包括針對一些合成數據，高質量的數據，對這種診斷的準確率提升有很大關鍵的作用，到底是做的哪些事情呢？

王強宇：主要做了這么幾件事情。

首先就是數據的準備工作，從數據的清洗到數據的分布，我想先解釋一下什么叫精標數據，對于醫學來說，其實我們說的婦科的六大癥狀就是從月經不調到異常出血，到外陰瘙癢，到白帶異常等六個癥狀。我們過去的數據其實沒有很均勻地分布在這六個癥狀，所以首先我們把數據做了一個很均勻的分布；

第二，我們把數據從癥狀信息到思考過程，到診斷的結論，做了一次非常認真的標注，從幾萬條數據中提取出來幾千條精標數據；

第三，我們跟釘釘團隊共創。釘釘也有支持我們的算法團隊一起共創和研究pipeline（流水線并行），因為在有了算力以后，需要有一個步驟去分步去訓練這個模型，我們把過去二十多個小時的訓練時間壓縮到了7個小時，這個過程其實就離不開釘釘對我們非常具體的共創和支持。

我們每次訓練都會做迭代和數據優化，準確率逐漸從70%多到83%，最后幾天才到90%。

當然這里面還有一件事情我覺得比較重要，就是從管理監督學習的SFT到算法專家調整獎勵參數、函數等，有了釘釘這樣的一個平臺，我們創業公司就有一個更好的底座和基礎來訓練。

所以其實我覺得最大的一個收獲，toC應用有數據和算力還不夠，需要有行業專家來一起來做這件事情，過程還是比較曲折的，中間有幾次都練不下去了，在訓練環境上，在數據的標注的方法上，在訓練的整個的流程上面，其實都有很多地方是有一些know-how的。

劉湘明：聽強宇剛才的介紹，其實你們跟釘釘的合作，其實跟原來甲方乙方的合作好像不太一樣了，一粟能不能介紹一下？

朱鴻（一粟）：隨著通用大模型能力越來越強，好像公眾都已經普遍在接觸AI了，我們發現AI技術逐漸成熟，尤其像強化學習這樣的技術，能夠大幅降低訓練成本。

我們的基本判斷就是，AI大模型的下半場就是問AI要效果，70分可能只是及格，我們要實現具體任務的高準確度，一定要通過科學的訓練方法，產生出一個有效果保障的模型，這是釘釘需要去做的事情。

確實如強宇所講，訓練模型實際上也是真的是需要勇氣，因為未知的東西太多。訓練模型本身并不是一個高度確定性的事情，尤其是我們現在還在幾十張卡的訓練環境，如果我們走向百卡、千卡甚至萬卡的訓練，預計挑戰會更多。

關于這件事情的價值，就是進入到企業級AI領域，我們也有一些思考，企業用AI一般分成三個層次。

第一個就是做企業知識的管理，提升信息檢索或企業內部問答的效率，門檻也不會很高，我走訪了可能幾十家企業，90%的企業都已經在內部開始實施知識庫的應用。

第二個層次就是經營決策類的輔助，對經營管理做出一些輔助決策，優化資源的配置，比如說像電商里的銷量預測，價格的一些優化，或者搭建大數據的看板。我們也做了一些嘗試，在招聘領域做簡歷的初查，這些應用也開始在各行各業里面產生一些新的效果，但是Agent的能力上限，其實就是模型的創新，模型的能力有多少，Agent很難去超越，所以我們就有這個決心去和行業共創垂直行業大模型。

我們也希望能夠更快進入到企業應用AI的第三個層次，就是生產工藝流程的自動化，融入到企業的核心流程里，推動像制造行業的智能制造、供應鏈的優化、庫存的智能調度，包括我們看到一些行業多模態模型的應用，老師傅的經驗可以被訓練到模型里，比如在產線聽到鍋爐或者發動機的聲音異常，老師傅一聽就知道可能出問題了。

但如果沒有非常昂貴的監測系統的話，實際上我們可以用非常廉價的這種設備，結合一些新的標注，讓老師傅來成為這個模型的訓練師標注師，通過訓練模型的方式，能夠產生一個AI識別鍋爐的聲音的功能，診斷下是否有安全隱患。

類似于這樣的小模型，其實也能夠在企業經營、生產管理上產生效果。所以釘釘大模型的下半場，我們的定位就是為千行百業做專屬模型，認真做好AI的基礎設施，提供全鏈路的專屬模型打造工具鏈，做好服務，也是要跟我們的客戶行業標桿一起，探索AI能夠為企業未來帶來什么樣的價值，我們做好賦能的工作。

劉湘明：強宇剛才也介紹了很多，那么，做行業模型這件事的源泉和邏輯是什么？

王強宇：我非常認同一粟講的觀點，智能體的上限是模型的能力。我們去年9月份參加了鈦媒體的數字價值峰會，但走到12月份的時候，我們已經發現，其實靠智能體已經走不下去了。

我覺得行業模型的訓練是智能體走下去的一個必然、一個終局的選擇。當然正好也出現了通義QWEN，能力很強，又出現了DeepSeek，確實也有關系，昨天晚上我跟一個朋友在聊，他們也說到，可能下半場是大數據小模型的時代。

行業模型就是我們認為的大數據小模型的時代。從我們自己訓練模型的體會，我們最深刻地體會，可能還是深度共創，釘釘是具備這樣的土壤和環境的。所以我其實很感謝釘釘，既非常敏銳地看到了這樣的一個機遇，又非常開放地給垂直公司這樣的機會。

因為對于中小創業公司來說，有幾個很大的瓶頸。第一個就是算力資源，我們都很清楚，由于地緣政治的原因，算力資源對中小企業來說是非常難的，不是光有錢的問題，可能有錢也不一定買得到。

第二，就是訓練環境的搭建。釘釘團隊給了我們非常大的支持。因為他們有一些做過行業訓練或者做過基模訓練的工程師和專家，可以幫助我們快速搭建行業模型的訓練環境。這看起來好像沒有那么難，但是實際上自己要摸索蠻長時間。

第三，就是訓練方法，有數據是不是就能訓練出一個高準確度的模型？不一定，因為你需要有一個正確的訓練方法，這就是我們經常說的算力、算法和數據的關系。打個比方，數據相當于做菜的原材料，光有原材料是不是就能做一桌好菜，你還要有很好的烹飪的方法，烹飪的流程，這個就是釘釘提供的東西，所以這幾個東西其實釘釘都能夠很好地提供。

釘釘又是很懂行業的一個應用，所以我覺得這才是未來中小企業釋放數據活力的場景。

劉湘明：一粟有什么補充么？

朱鴻：我簡單補充一下。強宇講得很好，從成本上來講分三部分：第一部分是數據，第二部分是整個算力以及工程鏈路，第三塊是算法的人才成本。

釘釘希望能夠為企業實現一個按效果付費的訓練，按需付費的推理。

在AI技術發展的早期，這個投資大家也不確定，投下去到底能產生多少的價值，釘釘愿意為各行各業去提供一個效果導向的專屬AI工廠，送進來的就是很好的原料，數據是企業的私有，以及企業的業務專家人才。

我們是算法，對這些數據的質量以及訓練的目標做測試，確定投入下去有效果，整個訓練過程有可能產生一些問題，這些問題都是釘釘去解決。我們希望在雙方投入下去之前，就對模型的能力就有一個共識，基于這個共識，我們一起努力地把這個專屬模型有效地生產出來，所以釘釘希望在AI的這個時代，實現AI按效果付費的商業化的解決方案。

劉湘明：特別好。因為大家現在到AI時代都在談按效果付費，釘釘好像第一個把這個大旗舉起來，我想追問一句，就是你說按效果付費，你們的底氣來自于什么地方？因為剛才也談到了，其實之前我們過去幾十年，大家都想走這條路。

朱鴻：這個底氣，第一來自于阿里云，尤其像大模型的訓練過程中，積累沉淀下來的知識，以及最大的算力供給。我們可以在非常短的時間內去調度百卡甚至千卡的算力。我們也期望未來每家企業都有不止一個專屬模型，并且能夠通過釘釘上的數據閉環鏈路，實現一個模型可以每天迭代。就像我們現在開發釘釘的應用，快速迭代適應業務的一些不確定性。

整個阿里集團，包括釘釘積累的經驗、知識、人才，以及釘釘已經連接了中國最廣泛的企業，尤其是像制造行業、零售行業的標桿客戶。他們有這樣的意愿和我們共創。

這也是釘釘一直以來堅守的產品文化，我們不去定義太多，不是站在自己平臺的角度去定義產品，而是跟我們的客戶去共創。

產品來源于真實的場景需求，將阿里的技術普惠化，讓技術和業務比較深入地去結合，以最終效果為導向去衡量。當然最重要的就是客戶的信任，才有這樣的一個底氣。

劉湘明：話題回到強宇這邊，你們有沒有估算過效果是什么樣的？

王強宇：這其實也是我想聊的話題，從六月底達到90%準確度之后，我們很快就已經部署到閨蜜醫生這么一個to C應用上。剛剛我們和美年大健康的合作伙伴還在演示我們的產品，我們其實就部署了幾張4090的卡，回答的速度和準確度，跟DeepSeek已經在體驗上沒什么差別，我們也有一個功能是深度思考的，叫問癥狀的功能。

每天幾千個、上萬個用戶已經在用，我們的客戶已經都在用這個婦科大模型，效果還是令人滿意的。

第二，我們現在已經準備向一些醫院開放這樣的能力了，特別是一些專科醫院，婦科的醫院。我們其實也在跟醫院聊，通過醫院的數據訓練醫院的專科大模型。

中國其實有很多這樣的?？漆t院，我們覺得應用場景非常廣闊，很多醫院的數據拿出來訓練以后，可以很快這個專屬模型達到醫院的頂尖水平。

相當于每一個患者來這里預問診的時候，就等于是醫院最好的專家來幫他做問診，再分解到線下的問診，極大可以釋放醫院數據的能量和能力。

第三，我們跟釘釘也在繼續訓練婦科模型，下一步的目標就是從婦科到婦產科，另外我們的目標是通過婦產科的正高考試，目前最新的情況已經到60多分了，已經及格了，我們希望能到75分以上。

剛才一粟講的按效果付費，我們不知道其他行業怎么樣，就我們這個行業，我覺得完全是有機會的。

劉湘明：剛才提到了準確率，你可能需要跟觀眾做一些科普，在醫療行業里面普遍的診斷準確率大概是什么狀態？

王強宇：這個數字聽眾聽了以后，可能會比較失望。我們通過非官方的數據看到，三甲醫院的估準率可能在30%到40%左右。當然這是非官方數據，不太準確哈。

那么出現這樣問題的原因是什么？

第一，醫生的就診時間太短，我們都看過專家門診，醫生他也是人，他也不是神仙，在沒有完全讀到你的病歷之前，他就要給你做判斷，這個非常難。

第二，現在中國醫院的數據還沒有打通，你在A醫院看的這個病，到B醫院可能它是不連接的。醫生沒有辦法像AI匯總數據，來判斷你的疾病，所以這也造成了誤診的問題。

所以90%的準確度其實已經很高了。當然，這指的是醫生判斷的第一概率的疾病是什么，他跟真正專家線下標準來比較，可以到90%的匹配度。

AI的本質是普惠人民，就是讓更多的人在醫生不需要工作的情況下，把自己的癥狀放給醫生，醫生大概判斷你可能是一個什么樣疾病，這肯定可以極大提高人民群眾的就診的體驗。

劉湘明：剛才你也提到一個很關鍵的問題，說有幾次訓練搞不下去了。直播間的人很多是行家，有人在問這個到底卡在哪兒，能不能跟大家交流一下細節？行家們都關注細節。

王強宇：第一個細節就是，我們在訓練的過程中，有一段時間發現準確度怎么也上不去了，到了70它就掉回來了。我們就很困惑為啥上不去，算力也夠，就是跑不通，就是上不去。

后來我們就發現，問題出在數據上，我們后來跟一粟團隊的算法專家一起討論，首先數據在六大領域是要均勻的，我記得是好像是外陰瘙癢這個癥狀，我們數據就很少，可能只有幾千條數據，所以碰到這個癥狀的時候，機器就不懂，他就訓不出來。我們后來很快花了很多時間去調整數據的分布，做精標數據的分布。

第二卡點，訓練流程可能不一定對，模型需要一個很正確的pipeline訓練步驟。你先要去做什么樣的訓練，后面再做什么。我們在鈦媒體發的文章，基本上都核心的know-how說出來了，基本上沒有怎么做保留。

后來我們和一粟團隊建立流程之后，其實很快就找到了一條正確的道路。按照這個流程準備數據，準備數據了以后分步來訓練，然后就看到準確率就逐漸地提高了。當然在強化學習上面可能還有一些困難和問題還沒有完全解決。

因為我們后來發現，強化學習真的要讓它出現好的結果，可能你需要的數據質量，包括分布可能有更高的要求。所以我們現在通過獎勵函數去做更深的共創和研究。

劉湘明：一粟還有什么補充么？

朱鴻：我覺得第一個挑戰還是一開始的信任。雙方在第一周的合作里面，共同地建立起工作目標的認知，我們就是要做到高分，而且是有時間要求，我覺得這是第一個挑戰。

前面講到的數據問題，數據的配方確實是模型產生真正能力的關鍵，在這方面下了不少的功夫，那今天的技術人員在這個模型能力上不去的時候，診斷到底哪里有問題。這還是基于模型訓練的專業知識，專家經驗來判斷能夠給出定位問題，快速反饋以及雙方一起再把這個問題解決，如果設置目標很低，其實他并不滿足行業的生產的要求。

劉湘明：我們在去年在三亞也討論過，大家很容易達到一個好像看著不錯的分值，有的人說是三四十分，有的人說是六七十分。但是真正達到可用的優秀狀態，其實中間有一個很難突破的瓶頸。也想請兩位分享一下，你覺得到底是什么地方是卡點，怎么去突破這個瓶頸。

王強宇：深度共創其實還蠻難的。我覺得釘釘在這一點上我特別認可，剛才一粟也說了，釘釘是千行萬業的釘釘，釘釘的定位有普惠的思想，一個大公司很難跟一個創業公司在一起做很深度的共創。

無招回到阿里之后，他還是把這個共創的大旗和文化重新樹立起來了。大家都其實看過無招第一段創業，如果沒有那家公司，可能釘釘的誕生至少要晚幾年。

所以我覺得共創的文化和共創的精神，是解決卡點的精神和文化內因。我們跟一粟團隊之間也非常親密無間在合作。我們沒有說這個數據不能給你看，你不能來了解我的這個know-how，一粟也沒有覺得這個算法不是我的事，我為什么要替你去研究這個事。

回到模型訓練這個事，連大模型都能訓練出來，行業模型訓練不出來么，肯定訓練的出來。我作為一個創始人的角度，我理解就是說技術的困難確實有，但你做這件事情的精力夠不夠？是不是真的愿意把這些數據問題拿出來。

畢竟行業模型也不需要去做一個基模的創新，這些問題從理論上來說，其實都是有方案可以解決的，只是說能解到什么程度。釘釘很快補充了和吸引了很多算法人才進來，這可能也是解決問題的另外一個原因，這部分可能一粟可以更多講一下。

朱鴻：行業模型要成功，關鍵的就是大模型算法或者工程技術人員和懂這個行業的人，大家互相信任，能夠結合在一起訓練模型。

我們可以看到，今天在行業里面，通用大模型的能力在不斷提升，它實際上是利用了公開的幾乎所有的知識，把它壓縮到了一個大模型里。現在跑出來的模型應用，最多的是代碼生成的模型，AI產品可以幫助工程師更快掌握全棧技術，了解技術原理，因為AI把互聯網上學到的技術文檔、知識，代碼都學習了。

隨著AI的技術發展，我覺得懂AI的行業人才也會越來越多，在行業里面的大模型更多被應用，被訓練出來，被生產出來，所以要達到今天這個效果，我認為還是要讓AI技術更加普及，能夠到各個行業里去，跟行業的專家一起把行業大模型能力定義標準，我覺得AI效果的卡點肯定不是在算力上，一定還是在數據和人才的組合。

只做Agent不做行業模型，相當于只做"面子"不做"里子"

劉湘明：后邊一個問題可能是比較有爭議性，拆開兩部分問：一部分其實是強宇，今年很熱的一個話題就是Agent智能體，你們去年開始折騰這個事情，然后Agent今天變得非常的熱；再回到一粟這邊，釘釘其實把很多的關注度放在了行業模型的開發建設上，基本沒有談智能體。你們怎么看待智能體和行業模型未來的發展，沿著你們的思路，未來會有哪些機會？

王強宇：這個話題我也是挺想說一說的，智能體今年其實確實很熱，包括MCP，包括智能體的一些公司Manus等，我是很認同一粟的觀點，智能體的上限是模型的能力。

如果說是一個辯論大賽的話，我肯定是支持行業模型和垂直模型才是更好的AI下半場的未來的觀點，因為智能體做得再好，你可能能做的事情就是把它的應用做得更絲滑、做得更方便，比如說MCP形態，可以把這個事情做得完成度更高。

但是如果我們不能把行業的數據挖掘出來，其實等于放著一個金礦，你沒有去采。而是天天研究怎么能把門面做得更好看一點，門面做得好看，數據的威力發揮不出來，那么AI的算法算力怎么能夠發揮作用。

我們作為行業應用公司，肯定是要把數據的力量真正發揮出來，讓數據用到該到的地方去，我非常支持釘釘在行業數據這一塊的研究，而且從千行萬業的角度來看，行業模型訓練才是最大能釋放中小企業和各個行業公司生產力的機會。

因為智能體可能影響的就是這些PaaS的公司，但是我覺得還不是特別根本。所以我其實有一個觀點，這個觀點有點偏執，我覺得智能體更多的就是"術"方面的事情，"道"的問題還是要解決數據和訓練的問題。

這個觀點對不對，也要未來去驗證，但是在今天這個時間點，我們來談智能體更遠的未來是什么，我覺得肯定離不開模型，離不開行業模型的訓練，離不開這些數據使用的價值。

AI時代跟上一個數據時代肯定是相關聯的，數據才是真正的原材料。如果沒有原材料，AI時代怎么能夠跑得起來好的應用？這是我的一個觀點。

我還想補充一點卡點的問題，我們公司其實也是一個跨界的團隊。當你做一個行業的時候，可能你需要跨界，除了算法工程師、應用工程師以外，我們還有一個全職的醫學團隊，他們都是醫生出身，我最近聽說螞蟻有個團隊中也有好幾十個醫生，所以就是說真正要把應用做到很好，創業者可能也要組建一個創業團隊，在AI時代才會有機會把行業做得非常深入。

朱鴻：Agent和模型，我覺得是在AI技術發展過程中，大家的側重點也在不斷演進，整個行業里面模型訓練的迭代速度越來越快。

從GPT 3.5到現在通義千問的迭代速度，過去可能一年一個模型，現在一個月好幾個模型，我當然希望企業自己的模型也能夠按日來迭代。只有這樣，企業才能真正把AI的技術價值發揮出來

我覺得整個行業從業者都要積極思考，這里面會涉及到非常多的技術。比如去年大家談很多微調，微調成本也不低的，今年更多就是強化學習，明年會不會有新的技術出來，我想一定會有。

這些技術迅速地被應用起來，原來需要做很多的Agent編排，這個工程工作是不是會被新訓練的模型自動解決掉，讓整個應用的體驗變得更好，我想這一定是一個動態變化的過程。

我相信模型本身的能力會不斷加大，但是企業的知識最終都是被訓到專有數據庫，它不會在一個智能體的編排的流程上。

劉湘明：強宇下定決心把重點從Agent智能體轉到行業模型的訓練上，這個決心有多難？剛才也談到了行業模型，你們都覺得是一個更值得關注的趨勢，企業尤其中小企業需要做好哪些準備？

王強宇：是這樣的，我們當時從Agent轉到模型訓練，我們自己也在回顧當時的決策流程，其實我覺得當時的決策流程還挺平滑的，很自然地覺得應該去做模型了。

我們就開了一個合伙人的會，我現在回顧可能有幾個因素：第一個就是DeepSeek的出現，大家都知道DeepSeek出現了以后，對整個AI行業帶來很大的一個沖擊，我們就發現原來基模還可以做得更好。

第二，還是智能體的上限是模型的能力，做到百分之六七十的時候，其實要再提高這個準確度，已經很難再往上提高，你自己看到這個瓶頸，所以你就自然會想到，我有數據可以微調，可以后訓練。我們也當時看了很多論文，特別是強化學習發展得很快的，DeepSeek在強化學習算法上做了很多創新，才能把訓練成本大幅下降。這也是回到模型訓練的一個原因，當然我們也有這樣的算法專家，能夠看到這個趨勢。

簡單地說，就是兩個因素，一個是你的準確度上不去了，但又想追求更好的體驗給用戶，要給用戶更準確的結果，肯定去想新的辦法，這很自然。第二個就是說因為類似于DeepSeek這樣的模型出現，包括算法的迭代，我記得有位院士說的一段話特別有意思，現在看起來也是在驗證那句話。就說AI行業現在發展很有意思，算力、算法在變革，現在看起來數據也可能會變革，它幾個要素都在輪流變革，輪流變革就會帶動這個行業輪流的創新和發展。

現在看起來真的是按照這個邏輯在走，所以我覺得這一輪為什么我們看好行業模型，我覺得釘釘的選擇非常正確，除了使命正確以外，就是幫助中小企業來做普惠創新正確以外，其實數據給了大家這樣的機會。

回到剛才那個問題，當時選擇做模型訓練還挺自然的。一個創業公司最重要的事情是要有自己的獨立思考能力。而不是智能體熱我就做智能體，模型熱我就做模型，我覺得肯定是不對的，應該是依據客戶價值和你的方向去做。

劉湘明：最后一個問題留給一粟，你剛才也談了很多，可能很多企業也躍躍欲試，可能想訓練自己的模型。他們在跟釘釘合作之前，需要做好哪些準備呢？

朱鴻：我認為投入做這個事情可能也要一把手決定，客戶需要有數據，過去十年以來，很多客戶通過釘釘實現從無紙化再到組織在線，很多業務系統都已經完成了數據積累，但是有數據和AI ready的數據，中間還是有些距離，所以我們會去積極評估。

雙方的決心還是非常關鍵的，我們希望周期也不能太長，所以企業在數據準備和決心上如果有這樣的共識，實際上我們主要的評估就是否具備一定的示范性。

劉湘明：那對于人才方面有沒有什么要求，因為其實AI人才基本上都被大廠抓走了，是吧？

朱鴻：對企業來講，我們更需要的是去懂這個業務的老師傅，他能夠對模型的能力做出正確的評估。只要建立好這樣的一個專家庫，我們就有信心，把這個模型給確認好。

劉湘明：強宇有什么補充？

王強宇：我覺得釘釘現在正在形成標準，以后可能不需要我這樣的人。但是需要老師傅，產品經理，包括對客戶很了解的人。其實釘釘一樣可以把它拆解出來。

因為釘釘有足夠的算法和算力的專家，我甚至還會有外圍的咨詢公司來建設生態。我覺得完全有可能訓練出行業模型。