AI企业落地产品化：滴普科技在WISE2025大会的深度洞察

11月27日至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艺术区传导空间盛大开幕。

本届WISE突破传统峰会形式，以“科技爽文短剧”为载体，打造沉浸式体验。从AI重塑硬件边界，到具身智能叩响真实世界大门；从出海浪潮中的品牌全球化，到传统行业装上“赛博义肢”——我们不仅还原趋势，更捕捉商业实践中锤炼出的真知灼见。

我们将在后续内容中，逐帧拆解这些“爽剧”背后的真实逻辑，共同展望2025年商业的“风景独好”。

2025年，大模型热度已从参数之争转向落地实践，但AI行业普遍面临核心拷问：产品是否真正可用？企业应用AI的真正卡点何在？

“人工智能正从技术高山走向应用场景的海洋，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，直指行业发展命脉。他进一步阐释：“任何模型在企业中，若不能解决复杂数据解构、高精度训练和知识建模，它只能称为样品，而非产品。”

若直接将通用大模型塞进企业，犹如招聘一名不懂行的新员工——它能识图，却不解公式；能听指令，却不懂数据调动。

滴普科技于2025年完成上市之旅。作为国内Data+AI领域代表、企业级大模型AI应用第一股，公司正聚焦实体产业数字化转型需求，以“产品化”思维深化AI技术与业务场景融合，持续释放技术赋能产业价值。演讲中，赵杰辉拆解了AI产品化路径。

他表示，企业级AI的本质不是通用模型，而是对特定岗位知识体系与数据权限的精准复刻。这面临三大挑战：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，滴普科技基于企业级大模型AI应用解决方案，已在制造、消费零售、交通及医疗等行业深入实践。从辅助管理岗位优化经营决策，到赋能工程师、医生等专业岗位工作，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——核心能力缺一不可。赵杰辉认为，若不能综合形成“模型、数据、交互”的智能体，再先进的技术也仅是难以规模化的样品。AI在产业的终局，是一场关于精准与产品化的系统工程。

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！

这是我第三次在此舞台分享，与以往不同，今年我们已拥有股票代码——1384.HK，滴普科技于2025年10月28日成功登陆港股市场。

今天我想分享人工智能在企业真实落地的实践。除前述嘉宾提到的营销、广告、客服应用外，我们在大型企业的落地已远超这些岗位。据招股书披露，如中国海诚等企业，我们在设计、施工等制造业现场技术员替代方面深入探索；在零售行业，AI也已深度介入经营决策等多环节。

案例分享前，我先谈些思考。大模型技术火热已三四年，IT行业中鲜有技术能维持超五年高关注度。其持久热度的核心逻辑在于，随着技术从“高山”落地产业“大海”，产品化本质是一项高度系统化工程。需打通技术研发、场景适配、数据治理、知识沉淀的全链路协同，企业、行业与技术从业者都能在价值共创中收获实益。

但并非所有技术落地都能达成预期效果。

事实上，任何样品或演示，真正落地到可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，是非常系统的工作。

2024年之前，大模型讨论多聚焦参数量、算力集群等，今年这些声音渐消，更多关注模型能完成何种岗位职能？

大家是否想过，在企业中让AI完成岗位职能，第一件事是什么？就是系统梳理该岗位从业者沉淀的专业知识与工作逻辑，盘点其数据权限？然后用这些知识与数据权限，对模型进行持续后训练，使其精准匹配岗位需求与场景，具备足够知识体系与流程适配能力，高效支撑岗位核心工作。

对于蓝领工作者，除岗位知识、工作逻辑及数据权限外，还需模型具备视觉、语音能力（即VLM），通过多模态技术协同，模型可生成精准操作指令替代传统具身设备手动遥控，实现一线作业场景智能协同。

由此可见，无论何种人工智能在产业落地，第一步必然是处理该岗位场景下的所有知识与数据。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。

此时我们清晰发现，产业模型落地与C端大模型存在显著差异：C端“百模大战”中，各方用各种技术架构训练，但难拉开差距，因训练数据多为互联网数据。

相反，企业数据可能是一堆图纸、工艺文件，甚至是无法识别的格式。这类企业数据虽治理难度高，但治理后凭借与业务场景的高度适配性，能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。因此，如何将这些资料转化为语料进行岗位训练，使模型持续进化，是首要挑战。

第二挑战在于跨知识体系建模。互联网网页数据常形成闭环，用户获取观点与知识在单一网页即可完成。但在企业中，图纸上的公式需另一套知识体系解释，且参数分散于其他文档。如何高效将这些庞杂知识体系重新建模，形成逻辑知识网络并注入模型参数，才能把岗位知识训练到位，使其胜任工作。

第三挑战是数据精准组装能力。许多人认为ChatBI简单，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，在企业内部跨4至5张表关联查询的准确度，目前大概率不超过70%。

例如，分析“某地区500家门店6月份销售量下滑原因”，模型不仅要理解企业分析逻辑，还要100%准确组装实时状态数据。这仍是巨大挑战。

但若无复杂结构数据解构能力、模型高精度训练能力、知识建模能力及数据准确组装能力，任何模型在企业中只能称“样品”，而非“产品”。

拍摄：36kr

滴普科技能成为企业级大模型AI应用第一股，正因我们解决了这些核心问题，坚守产品逻辑。

我们的底层企业级AI基础设施FastData首先解决企业多模态数据处理。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，达到极高精度，从而支撑这些岗位职能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思维逻辑快速生成分析报告。

第二类是专业从业者。例如，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，设备售出后，模型可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能精准承载工程师岗位职能，那么医生、律师等知识密集型专业岗位，AI赋能路径同样清晰可行。

除以上两类，我们也在研发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，敬请大家持续关注产品迭代与落地进展。

可以说，只要将企业岗位知识“灌”入模型，基于知识范围训练出的精准模型，就能替代相应岗位。这涵盖经营决策层、专业知识从业者及体力劳动者，最终形成在大型企业和产业中准确落地的视觉模型，这正是我们在做的事。

当前企业完成AI价值落地有三个关键：复杂数据治理、建模以及准确数据组装。此外，若不精准，模型毫无意义。

最后总结：人工智能+不等于只有基础模型。人工智能要在产业落地，必须经历产品化过程。无论何种形式，机器人本身也是Agent的一种，只有将模型、数据、交互深度融合，才能称为真正智能体。

这是我们的观点。谢谢大家！