滴普科技趙杰輝：企業(yè)?AI 技術(shù)生態(tài)，正在被重構(gòu)

在AI Agent 浪潮席卷產(chǎn)業(yè)的當下，企業(yè)級 AI 落地的核心訴求已從“模型性能突破”轉(zhuǎn)向“實際價值落地”，而如何讓AI真正轉(zhuǎn)化為企業(yè)可感知、可量化的生產(chǎn)力，成為行業(yè)共同面臨的核心課題。 為此，滴普科技(1384.HK)創(chuàng)始人、執(zhí)行董事、董事會主席兼CEO趙杰輝結(jié)合公司多年在 AI 價值落地領(lǐng)域的一線實踐，推出了如何完成企業(yè) AI 價值落地系列文章：第一篇《記憶，是智能體的「靈魂」》討論的是 AI 在企業(yè)里「記什么」；第二篇《本體大模型，企業(yè)級智能體落地的產(chǎn)品化探索》討論的是 AI 在企業(yè)里「怎么想」；第三篇《協(xié)同，企業(yè)級智能體的另一道工程題》討論多個 AI 員工如何在企業(yè)里「一起做得對」。 本文作為系列文章的第四篇，重點聚焦于在目前企業(yè) AI 技術(shù)生態(tài)發(fā)生的重構(gòu)中，有什么在成為核心，有什么在退場。

這一年，基礎(chǔ)模型在三個方向上確定地、快速地進步：上下文窗口大幅擴大，推理成本快速下降，通用智能持續(xù)增強。這件事帶來的，不是某個產(chǎn)品變得更好用了，而是整個企業(yè) AI 技術(shù)生態(tài)，正在被重構(gòu)。

重構(gòu)的意思是：一批過去還處在生態(tài)核心位置的技術(shù)方案，已經(jīng)開始后退至次要或者輔助位置；而另一批技術(shù)方案，正在成為新的核心。這篇文章，我想畫出這張正在變化的地圖——什么在退場，什么在成為核心。

二、正在退場的：那些「補模型短板」的技術(shù)方案

過去兩三年，大量企業(yè) AI 的工程投入都建立在一件事上：彌補模型的能力短板。在模型記不住、裝不下、不夠穩(wěn)的前提下，推出了各種在外部替它兜底的方案。這些工作在當時是必要的——因為當時的模型確實有這些短板。

但這類方案有一個共同的命門：它們的存在前提，都是「模型還不夠強」。當上下文窗口持續(xù)擴大、模型自身的記憶、推理、規(guī)劃能力持續(xù)增強，這個前提正在被模型自己消解。于是在這次重構(gòu)中，有三類方案會退出企業(yè) AI 核心生態(tài)。

第一類，傳統(tǒng)的數(shù)據(jù)平臺工具，比如大數(shù)據(jù)工具平臺、向量數(shù)據(jù)庫、圖數(shù)據(jù)庫這一類

過去有一個普遍的預期：把企業(yè)的數(shù)據(jù)平臺接上大模型，數(shù)據(jù)就能服務(wù) AI 了。這是個誤解，而且模型越強，暴露得越快。因為這些工具從設(shè)計之初就不是為 AI 準備的——大數(shù)據(jù)平臺解決的是「人怎么存數(shù)據(jù)、查數(shù)據(jù)、做報表」，向量數(shù)據(jù)庫、圖數(shù)據(jù)庫解決的是「模型記不住，所以把知識存在外面再檢索回來」。

前者是上一個時代「人用數(shù)據(jù)」的工具，后者是「模型不夠強」時的臨時補丁。而 AI 真正需要的，不是一個能查詢的數(shù)據(jù)平臺，也不是一堆等待檢索的碎片，而是高質(zhì)量、被組織成模型能夠理解和訓練的數(shù)據(jù)集本身。

這一點，我有底氣。因為滴普就是做數(shù)據(jù)平臺起家的。正因為我們把這套體系做得足夠透，才比很多人更早看清：傳統(tǒng)數(shù)據(jù)平臺那套搬運、存儲、檢索的邏輯，支撐不了 AI 真正需要的數(shù)據(jù)組織方式。數(shù)據(jù)的采集、清洗作為上游的一道基礎(chǔ)工序仍會存在，但價值重心會從「把數(shù)據(jù)存好查好」上移到「把數(shù)據(jù)煉成 AI 能用的、帶本體結(jié)構(gòu)的高質(zhì)量數(shù)據(jù)集」。前一層，正在退出企業(yè) AI 的核心生態(tài)。

第二類，在傳統(tǒng)軟件框架下，把模型當插件做局部優(yōu)化的工具

早期階段，最自然的用法是把模型的 API，縫進現(xiàn)有的預編譯的業(yè)務(wù)類軟件里，在某個環(huán)節(jié)做點增強，讓一個舊系統(tǒng)多一個問答框、多一個智能摘要。這種「舊架構(gòu)不動、邊緣打 AI 補丁」的做法，在過渡期有它的價值。

但它的天花板就是那個就舊框架的天花板：模型再強，也只能在別人預留的那個小口子里發(fā)揮。可當模型的能力足以重新定義一個系統(tǒng)該怎么設(shè)計和構(gòu)建時，真正發(fā)生的不會是「給舊軟件打更多 AI 補丁」，而是以 AI 為核心重新構(gòu)建整個架構(gòu)。

那些靠「在傳統(tǒng)框架里嵌模型」為生的工具，會被原生 AI 架構(gòu)取代，不是因為它們做得不好，而是因為「打補丁」這種范式本身，會隨著模型變強而失去意義。

第三類，以預設(shè)工作流為核心的 Agent

今天很多所謂的 Agent，本質(zhì)是「人把流程預先編排好，模型只在固定節(jié)點上被調(diào)用一下」。它的智能上限，其實是寫流程那個人的上限，模型再強，也跳不出那張被寫死的流程圖。這在模型規(guī)劃能力弱的時候是合理的妥協(xié)。但模型的推理和規(guī)劃能力正是進步最快的方向之一。

當模型自己就能拆解目標、自主規(guī)劃、動態(tài)決定下一步，把流程寫死這件事就從必要的腳手架變成了對模型能力的束縛。以預設(shè)工作流為核心的 Agent，會被能夠自主規(guī)劃、協(xié)作涌現(xiàn)的智能體架構(gòu)取代。

這三類方案，分別處在數(shù)據(jù)層、架構(gòu)層、應(yīng)用層，但它們退出的原因是同一個：它們的價值建立在「模型不夠強」的前提下，而模型正在變強。這不是否定它們過去的價值，而是說：當這些為補短板而生的東西退到一邊，生態(tài)里真正的核心位置，才會騰出來，留給那些模型能力再強也替代不了的方案。

三、正在成為核心的：那些「模型夠不到的問題」的技術(shù)方案

模型能力的提升能解決很多問題，但在企業(yè) AI 的生態(tài)中有兩類例外。它們的共同點是：它們跟模型能力強不強不在一個維度上，且無論模型進步到什么程度，都不會被自動解決。

這也造就了誰能解決這兩類問題，誰就會站在企業(yè)級 AI 重構(gòu)后生態(tài)的核心位置。

第一類：企業(yè)私有且鮮活的知識，如何被組織成 AI 能用的高質(zhì)量數(shù)據(jù)集形態(tài)

任何基礎(chǔ)模型，知識都來自公開語料。而一家企業(yè)真正賴以運轉(zhuǎn)的東西，產(chǎn)品本體、工藝規(guī)程、它為什么這樣定價、某次事故后定下的紅線、這個月剛調(diào)整的供應(yīng)商策略，這些從不進入任何基礎(chǔ)模型的訓練語料，將來也不會。模型再強，也不會知道你這家公司昨天的決策，這不是模型能力的問題，是信息可得性的問題。

所以新生態(tài)里會出現(xiàn)一類核心方案：它不再是把數(shù)據(jù)存起來等檢索，而是把企業(yè)私有且每天在變的知識，組織成一種結(jié)構(gòu)化的、隨業(yè)務(wù)持續(xù)演化的、模型可以直接理解和推理的「活體記憶」。這正是傳統(tǒng)數(shù)據(jù)平臺退場后，騰出來的那個核心位置。

但只有活體記憶還不夠。一個 AI 要在企業(yè)里真正頂用，它不能只是「記得住、查得到」,它還得能基于這家企業(yè)的具體知識，去規(guī)劃一個復雜任務(wù)該怎么一步步走。

這里要分清一件被很多人混淆的事：通用模型也會做任務(wù)規(guī)劃，但它的規(guī)劃是基于通用常識的——它不知道在你這家企業(yè)，這件事該遵循哪條規(guī)程、走哪個流程、受哪些約束。而真正有價值的規(guī)劃，是基于企業(yè)私有知識的企業(yè)級長任務(wù)規(guī)劃：同樣一個長任務(wù)，只有懂這家企業(yè)的本體、規(guī)則、因果，才知道它在這家企業(yè)里到底該怎么走。這種規(guī)劃能力，通用模型給不了，因為它夠不到這家企業(yè)的私有知識。

而這恰恰是第二部分那兩類方案——老軟件和工作流 Agent 失效的根本原因。

老軟件和工作流 Agent之所以要把流程「寫死」，本質(zhì)是因為過去沒有一個東西能基于企業(yè)知識自主規(guī)劃，只好靠人把流程一步步預設(shè)、固化成腳手架。當一個真正理解企業(yè)的模型能夠基于私有知識自主規(guī)劃長任務(wù)時，這些被人寫死的流程和腳手架，就失去了存在的理由——不是被一個更強的通用模型替代，而是被「基于企業(yè)知識的規(guī)劃能力」從根上取代。

在這個方向上，滴普的代表實踐是 Deepexi 企業(yè)大模型。我們有一個根本判斷：今天大家都在談模型的各種 skills，寫代碼是一種 skill，生成視頻是一種 skill。而對企業(yè)知識本體的構(gòu)建與推理，同樣是一種重要的、專門的模型 skills，它不是靠外掛檢索能替代的，而是必須真正訓練進模型。

它做兩件事——把企業(yè)的知識組織成活體記憶；并基于企業(yè)本體完成企業(yè)級的長任務(wù)規(guī)劃。正因如此，它成為企業(yè)落地多個模型的入口：再強的通用能力，要作用在這家企業(yè)身上，都要先過「理解這家企業(yè)」這一關(guān)。

這不是設(shè)想。在我們的一家制造業(yè)客戶中，Deepexi 承載的企業(yè)知識已經(jīng)穩(wěn)定運轉(zhuǎn)一年以上，并且從最初的設(shè)備維修場景，延伸到了更核心的工藝場景；隨著越來越多的企業(yè)數(shù)據(jù)被持續(xù)納入，Deepexi 還在為這家企業(yè)建設(shè)更多場景的知識本體。一個企業(yè)知識系統(tǒng)最難的，是不隨時間腐化、反而越用越厚——這一年的運轉(zhuǎn)，正是對「活體記憶」最實在的驗證。

第二類：多個 AI 如何在企業(yè)里被組織成可信任的協(xié)作

模型負責聰明，但它不負責在你這家公司的流程和責任體系里把事干成。一個真實的企業(yè)任務(wù)，往往跨多個崗位、多個系統(tǒng)，且需要持續(xù)數(shù)天甚至更久的長期執(zhí)行，并保證每一步都要可追溯、可審計、出問題能歸因。這是一個組織問題、工程問題、責任問題，不是單個模型一次推理能解決的。

如果說 Deepexi 解決的是「在企業(yè)的知識里想清楚一件事該怎么做」,那么新生態(tài)里還需要另一類核心方案，解決“想清楚之后，怎么組織一群 AI 把它干成”：讓 AI 作為能自主協(xié)作的主體，以「AI 員工集群」的方式去完成完整的業(yè)務(wù)。

在這個方向上，滴普的代表實踐是 FastAGI 企業(yè)智能體平臺。它把 AI 組織成一支「AI 員工團隊」:每個 AI 員工對應(yīng)企業(yè)里真實的崗位，多個 AI 員工分工、協(xié)作，在企業(yè)真實的流程與責任體系中可追責地協(xié)同，共同完成一個完整的業(yè)務(wù)場景。它要解決的，不是「單個AI 聰不聰明」,而是「一群AI 能不能像一個可信賴的團隊那樣協(xié)作、并對結(jié)果負責」——這是企業(yè)敢把真實業(yè)務(wù)交給 AI 的前提。

這兩類核心方案各司其職，也彼此銜接：Deepexi 在企業(yè)的知識里把事想清楚，F(xiàn)astAGI 在企業(yè)的組織里把事干出來。而且關(guān)鍵的是，它們都不與通用模型競爭，而是與它們協(xié)同。寫代碼調(diào)用最好的 Coding 模型，做視覺調(diào)用最好的視頻模型——通用模型負責通用智能，企業(yè)知識層負責理解這家企業(yè)，企業(yè)智能體層負責把事可追責地干成。

四、重構(gòu)之后：企業(yè) AI 的新技術(shù)棧

把退場的和新生的放在一起，這次重構(gòu)后的企業(yè) AI 技術(shù)棧，輪廓已經(jīng)清楚了。它會是一個三層協(xié)同的結(jié)構(gòu)：

最底層，是持續(xù)變強的通用基礎(chǔ)模型，提供通用智能——這是所有人共享的、會越來越強的底座；

中間是企業(yè)知識層，把企業(yè)私有而鮮活的知識組織成模型可推理的活體記憶、并基于它完成企業(yè)級的規(guī)劃，解決「AI 懂不懂這家企業(yè)」；

上層是企業(yè)智能體層，把 AI 組織成可追責協(xié)作的員工集群，解決「AI 能不能在這家企業(yè)干成事」。通用模型負責潮頭的智能，后兩層負責模型夠不到的、屬于每一家企業(yè)自己的部分。

在新的結(jié)構(gòu)里，那些「替模型補短板」的技術(shù)方案會退到邊緣甚至退場，而企業(yè)知識層與企業(yè)智能體層會成為新的核心，這就是當下企業(yè) AI 生態(tài)重構(gòu)的方向。

我此前寫過三篇關(guān)于企業(yè)級智能體的產(chǎn)業(yè)觀察，分別討論記憶、本體大模型與協(xié)同。這篇文章，是那三篇背后那個更大判斷的延續(xù)——企業(yè) AI 正在從「比誰更會使用模型」，轉(zhuǎn)向「建設(shè)模型本身無法替代的能力」。

滴普選擇把能力投在這次重構(gòu)后的核心位置上：用 Deepexi 承載企業(yè)的知識、規(guī)劃企業(yè)的任務(wù)——把「理解企業(yè)知識本體」訓練成一種 skill-based model；用 FastAGI 組織企業(yè)的 AI 員工。我們想做的，從來不是又一家 AI 應(yīng)用公司，而是在 AI 與產(chǎn)業(yè)融合的新生態(tài)里，做那個基礎(chǔ)的、不可或缺的一環(huán)。

礎(chǔ)模型會持續(xù)變強，這是確定的。也正因如此，這次重構(gòu)會越來越清晰——當模型不再是瓶頸，真正的問題，才剛剛開始。