滴普科技赵杰辉：从技术探索到场景实效，AI 穿越 “高山与大海” 的企业赋能路径 | WISE2025 商业之王大会

11月27—28日，被誉为“年度科技与商业风向标”的36氪WISE2025商业之王大会，在北京798艺术区传导空间落地。

今年的WISE不再是一场传统意义上的行业峰会，而是一次以“科技爽文短剧”为载体的沉浸式体验。从AI重塑硬件边界，到具身智能叩响真实世界的大门；从出海浪潮中的品牌全球化，到传统行业装上“赛博义肢”——我们还原的不仅是趋势，更是在捕捉在无数次商业实践中磨炼出的真知。

我们将在接下来的内容中，逐帧拆解这些“爽剧”背后的真实逻辑，一起看尽2025年商业的“风景独好”。

2025年，大模型的热度已经从参数之争转向落地，但今年的AI行业普遍面临一个天问：产品是否真正可用？企业应用AI，真正的卡点是什么？

“人工智能在从技术高山走向应用场景的大海，产品化是未来三年的核心航向。” 在 WISE2025 商业之王大会上，滴普科技创始人、董事会主席、执行董事兼首席执行官赵杰辉开宗明义，直指行业发展核心命题。他进一步阐释：“任何一个模型在企业里面，如果不能解决复杂数据的解构、高精度的训练和知识的建模，它只能叫一个样品，不能叫一个产品。”

如果直接把通用大模型塞进企业，就像招聘一个不懂行的新员工——它看得见图纸，却读不懂公式；听得见指令，却听不懂，也调不动数据。

滴普科技在2025年刚完成它的上市之旅。作为国内Data+AI领域的代表、企业级大模型AI应用第一股，滴普科技正在进一步聚焦实体产业数字化转型需求，以 “产品化” 思维深化 AI 技术与业务场景的融合，持续释放技术赋能产业价值。在演讲中，赵杰辉拆解了AI产品化的路径。

他表示，企业级AI的本质，不是一个通用模型，而是对特定岗位知识体系与数据权限的精准复刻。这背后，是三个绕不开的挑战。处理图纸、工艺文件等“非标准化”数据的能力；跨知识体系建模的能力；以及在复杂查询下保证100%准确整合数据的能力。

目前，滴普科技已经基于企业级大模型AI应用解决方案，在制造、消费零售、交通以及医疗等行业做了诸多实践。从辅助管理岗位优化经营决策，到助力工程师、医生等专业岗位工作，并基于企业模型给出专业判断，AI 技术已深度融入各行业业务全链路，实现从核心决策辅助到关键环节优化的价值落地。

但这一切的前提是：解构复杂数据、建立知识体系以及对实时数据的精准组装——几项核心能力缺一不可。赵杰辉认为，如果不能综合形成“模型、数据、交互”的智能体，再先进的技术也只是一个无法规模化的样品。AI在产业的终局，是一场关于精准和产品化的系统工程。

滴普科技创始人、董事会主席、执行董事兼首席执行官 赵杰辉

以下为滴普科技赵杰辉在WISE大会的演讲，经36氪整理编辑：

赵杰辉：谢谢大家！

这是我第三次在这个舞台做分享，与过往两次不同的是，今年我们已经有了自己的股票代码——1384.HK，滴普科技于2025年10月28日刚刚完成港股上市。

今天我想跟大家分享人工智能在企业真正落地的实践。除了前面嘉宾提到的在营销、广告、客服领域的应用之外，实际上我们在很多大型企业的落地已经远超这些岗位。根据招股书公开披露的信息，像中国海诚这样的企业，我们在设计、施工等制造业现场技术员的替代上已经做得非常深入；在零售行业，AI也已经深度介入了经营决策等多个环节。

在分享案例之前，我想先谈一些思考。大模型技术火热已有三四年，而在IT行业中鲜有技术能维持超过五年的高关注度。其能保持长期热度的核心逻辑，是因为随着技术从“高山”落地到产业“大海”，真正的产品化本质上是一项高度系统化的工程。需要打通技术研发、场景适配、数据治理、知识沉淀的全链路协同，在这个过程中，企业、行业与技术从业者都能在价值共创中获得实实在在的收获。

但并非所有技术落地都能达成预期效果。

事实上，任何样品或Demo，真正落地到一个可以产生实际价值的岗位，都离不开系统化的产品化打磨。从样品到产品化，其实是一个非常系统的工作。

2024年之前，大家谈论大模型相关更多关注参数量、算力集群等等，今年开始这些声音消失了，更多讲的是我用这个模型大概能完成什么岗位职能？

大家有没有想过，在一个企业里要想让AI完成一个岗位职能工作，第一件事情要做什么？就是系统地梳理该岗位从业者沉淀的专业知识与工作逻辑，盘点该岗位有什么样的数据权限？然后再用这些知识和数据权限，对一个模型进行持续的后训练，让这个模型精准匹配岗位的工作需求与专业场景，且有足够的知识体系与流程适配能力，高效响应并支撑岗位核心工作要求。

当然对于蓝领工作者，除了岗位知识、工作逻辑以及数据权限外，还需要模型具备视觉、语音能力（即VLM），通过多模态技术的协同，模型可生成一系列精准操作指令来替代传统具身设备的手动遥控，实现对一线作业场景的智能协同支撑。

说到这里，大家会发现无论什么样的人工智能在产业里落地，第一步，必然是处理该岗位场景下的所有知识和数据。第二步，是利用这些数据对模型进行后训练，使其达到足够精度，才能真正深入产业。

此时我们会清晰发现，产业模型落地与C端的大模型存在很大差异：C端“百模大战”中，大家用各种技术架构做训练，但很难拉开差距，这是因为其在训练中用到的大部分数据都是互联网数据。

相反企业数据可能是一堆图纸、工艺文件，甚至是无法识别的文件格式。这类企业数据虽治理难度高，但治理完成后将凭借与业务场景的高度适配性，精准匹配岗位核心需求，成为模型快速兑现 AI 产业价值、实现场景化落地的核心驱动力。于是，如何将这些资料转化为语料让模型进行岗位训练，使模型能够持续在这个岗位上被训练，是第一个挑战。

第二个挑战在于跨知识体系的建模。互联网网页数据往往能形成闭环，用户若想获取相关观点和知识，在单一的网页里即可完成完整的信息获取闭环。但在企业中，一张图纸上的公式往往需要另一套知识体系解释，且相关参数分散于其他文档之中。如何高效地将这些庞杂的知识体系重新建模，形成有逻辑的知识网络并注入模型参数，才能够把该岗位的知识训练到那个参数里去，让它能够工作。

第三个挑战是数据精准组装的能力。很多人认为ChatBI很简单，通过了解这个企业的某个数据组合、数据分析，通过自然语言输入就能生成精准业务分析。但实际上，无论是开源还是闭源模型，只是在企业内部跨4至5张表进行关联查询的准确度，目前大概率不超过70%。

比如，我们分析“某地区500家门店6月份销售量下滑的原因”，模型不仅要理解企业的分析逻辑，还要100%准确地组装实时状态数据。这依然是巨大的挑战。

但如果没有复杂结构数据的解构能力、模型高精度的训练能力、知识建模能力以及数据准确的组装能力，任何一个模型在企业里只能叫“样品”，不能叫“产品”。

拍摄：36kr

滴普科技之所以能成为企业级大模型AI应用第一股，正是因为我们解决了这些核心问题，坚持了产品逻辑。

我们的底层企业级AI基础设施， FastData 首先解决的就是企业多模态数据的处理。无论是图纸还是工艺文件，我们都能快速语料化、建模并组装。在此基础上，基于FastAGI，我们推动开源模型向企业专属岗位进化，达到极高的精度，从而支撑这些岗位职能的高效运转与价值深化。

第一类是经营决策岗位职能即我们的DataDense产品。只要开通数据权限，并输入历史分析逻辑，模型就能按照企业认可的思维逻辑快速生成分析报告。

第二类是专业从业者。比如，在建筑、机械加工等领域，将项目和产品设计逻辑训练进模型后，它无需咨询施工员或工程师，就能快速获取准确知识。

以我们服务的一家制造业客户为例，设备卖出去之后，模型可以基于生产任务快速生成工艺逻辑，转化为OC代码直接下发到机头。既然AI能精准承载工程师的岗位职能，那么医生、律师等等知识密集型专业岗位职能，AI专业赋能路径同样清晰可行。

除了以上两类，我们也在研发一些面向一线操作岗的企业级大模型AI应用解决方案，旨在通过技术赋能优化作业流程、降低操作门槛，敬请大家持续关注我们的产品迭代与落地进展。

可以说，只要把企业的岗位知识“灌”进去，基于知识范围训练出的精准模型，就能替代相应的岗位。这包含了经营决策层、专业知识从业者以及体力劳动者，最终形成在大型企业和产业中准确落地的视觉模型，这就是我们在做的事。

当下企业要想完成AI价值落地有三个关键：复杂的数据治理、建模以及准确的数据组装。此外，如果不精准，模型没有任何意义。

最后总结一句话：人工智能+不等于只有基础模型。人工智能要想在产业落地，必须经历产品化的过程。无论是什么形式，机器人本身也是Agent的一种，只有将模型、数据、交互深度融合，才能称之为真正的智能体。

这是我们的观点。谢谢大家！