共计 1131 个字符，预计需要花费 3 分钟才能阅读完成。
企业 AI 的竞争焦点, 正在从“把模型接进来”转向“让 AI 真正懂企业、能协作干活”。 滴普科技创始人、董事会主席兼 CEO 赵杰辉近期围绕企业 AI 落地提出判断: 随着基础模型上下文、推理成本与通用能力持续改善, 企业 AI 技术生态正在发生重构。
📌 背景: 模型变强后, 旧问题被重新定义
过去两三年, 企业部署 AI 时常见做法是围绕模型短板搭建外部能力 , 例如把知识切片检索、给传统软件增加 AI 入口, 或用人工预设流程来约束 Agent 执行。赵杰辉认为, 这些方案在早期有现实价值, 因为当时模型确实存在记忆不足、规划较弱、成本较高等限制。
但当基础模型可以处理更长上下文、推理能力提升、调用成本下降后, 企业 AI 落地的核心难题不再只是“模型够不够强”, 而是模型是否能够理解一家企业的私有知识, 并在真实组织中可靠执行任务。
🔍 哪些方案可能退到边缘
- 传统数据平台和部分检索型工具: 它们擅长存储、查询和检索, 但未必能把企业知识组织成模型可理解、可推理的高质量数据集。
- 给旧软件打 AI 补丁的工具: 在原有业务系统中加入问答、摘要等能力可以改善体验, 但难以突破旧架构本身的边界。
- 以固定流程为核心的 Agent: 如果任务路径完全由人预设, 模型只在节点上被调用, 其智能上限往往受限于流程图本身。
💡 新的核心: 企业知识层与智能体层
赵杰辉认为, 基础模型再强 , 也无法自动获得某家企业每天变化的私有知识。产品规则、工艺经验、供应商策略、内部红线、岗位责任等内容, 通常不会进入公开训练语料。因此, 企业需要把这些知识构建成持续更新的“活体记忆”。
在滴普的表述中,Deepexi 企业大模型承担的是企业知识本体构建与推理: 不仅帮助 AI 记住企业信息 , 还要让 AI 基于这些信息进行长任务规划。其在一家制造业客户中的实践, 已从设备维修场景延伸到工艺相关场景, 并持续纳入更多企业数据。
另一个核心方向是企业智能体协作。 真实业务往往跨岗位、跨系统、跨周期 , 并要求追溯、审计和责任归因。滴普的 FastAGI 企业智能体平台被定位为“AI 员工团队”组织工具, 让不同 AI 员工对应真实岗位, 在流程与责任体系中协同完成任务。
📊 重点阅读: 三层企业 AI 技术栈
- 通用基础模型层: 提供代码、视觉、语言、推理等通用智能能力。
- 企业知识层: 把私有且持续变化的知识变成 AI 可理解、可推理的活体记忆。
- 企业智能体层: 把多个 AI 组织成可协作、可追责的员工集群, 进入真实业务执行。
🚀 行业观察: 企业 AI 落地进入深水区
围绕“滴普科技赵杰辉: 企业 AI 技术生态, 正在被重构”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
