【億邦原創(chuàng)】2026年初，美國(guó)一家名為Prime Intellect的AI初創(chuàng)公司發(fā)布了INTELLECT-3模型，引起了不小的震動(dòng)。這家公司做的不是又一個(gè)驚艷的通用大模型，而是一套讓任何人都可以用分布式算力訓(xùn)練自已專(zhuān)屬AI的平臺(tái)。其創(chuàng)始人Vincent Weisser在接受采訪(fǎng)時(shí)提出了一個(gè)引人深思的觀(guān)點(diǎn)：“未來(lái)每家公司都應(yīng)該有自己的AI研發(fā)部”。為什么呢？“只調(diào)用API的企業(yè)系統(tǒng)無(wú)法獲得復(fù)利，”Weisser說(shuō)，“就像在人才選擇中，你愿意用最聰明的人，還是為公司工作30年的老員工？現(xiàn)實(shí)往往是后者，因?yàn)樗麚碛泄镜纳顚訖C(jī)構(gòu)知識(shí)（Deep Institutional Knowledge）?！?/p>

這段話(huà)揭示了AI應(yīng)用從“工具采購(gòu)”到“能力內(nèi)化”的根本差別。當(dāng)企業(yè)的AI能力僅僅停留在調(diào)用chatGPT或其他某個(gè)通用AI的API時(shí)，它獲得的只是通用智能——能回答問(wèn)題、能寫(xiě)文案、能生成代碼，但永遠(yuǎn)無(wú)法理解這家公司特有的決策邏輯、業(yè)務(wù)直覺(jué)和沉淀了幾十年的經(jīng)驗(yàn)與智慧。只有掌握AI最核心的權(quán)重，通過(guò)微調(diào)和預(yù)訓(xùn)練將企業(yè)的隱性知識(shí)直接融入模型的神經(jīng)網(wǎng)絡(luò)，這樣的系統(tǒng)才能像那位30年的老員工一樣，產(chǎn)生真正的復(fù)利效應(yīng)。

這個(gè)觀(guān)點(diǎn)，與我們一直倡導(dǎo)的企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力模型高度契合。我們認(rèn)為，一個(gè)企業(yè)如果不能將其持續(xù)形成的數(shù)據(jù)資產(chǎn)進(jìn)行有效管理，進(jìn)而與企業(yè)AI深度融合，就不能形成強(qiáng)大的“企業(yè)AI盤(pán)活力”。那么問(wèn)題來(lái)了：每家公司真的都要有自己的AI研發(fā)部嗎？這對(duì)于絕大多數(shù)不具備AI自研能力的企業(yè)意味著什么？

01 API調(diào)用的陷阱：當(dāng)“拿來(lái)主義”遭遇“積累天花板”

事實(shí)上，就在2025年，某產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)面臨一個(gè)棘手的難題。作為大型的工業(yè)品交易平臺(tái)，該平臺(tái)每天需要處理數(shù)萬(wàn)條賣(mài)家提交的商品信息，從中提取盡可能齊全的結(jié)構(gòu)化屬性（尺寸、材質(zhì)、兼容性、技術(shù)參數(shù)）并生成優(yōu)化的產(chǎn)品標(biāo)題（盡可能吸引人又盡可以不重復(fù)）。

如果單純用人工，成本高不算，時(shí)間還是個(gè)問(wèn)題，而單純調(diào)用通用模型，其處理質(zhì)量又讓人無(wú)法忍受。更關(guān)鍵的問(wèn)題是：無(wú)論調(diào)用哪個(gè)模型，都無(wú)法持續(xù)學(xué)習(xí)該平臺(tái)特有的產(chǎn)品知識(shí)——哪些屬性對(duì)特定品類(lèi)的買(mǎi)家最重要？哪些描述方式轉(zhuǎn)化率更高？不同品類(lèi)的技術(shù)參數(shù)如何交叉驗(yàn)證？

這暴露了純API調(diào)用模式的根本局限：它是一個(gè)單向的能力消費(fèi)過(guò)程，無(wú)法形成獨(dú)有的知識(shí)和能力的累積。你今天調(diào)用API處理了一百萬(wàn)件商品，明天處理下一批商品時(shí)，模型的表現(xiàn)不會(huì)因?yàn)樽蛱斓奶幚矶腥魏芜M(jìn)步。它不認(rèn)識(shí)你的商品，不懂你的規(guī)則，記不住你昨天剛發(fā)現(xiàn)的那些容易出錯(cuò)的復(fù)雜情況。這，就是Weisser所說(shuō)的“無(wú)法獲得復(fù)利”。

在該案例中，團(tuán)隊(duì)最終放棄了“選擇某個(gè)模型”的思路，轉(zhuǎn)而構(gòu)建了一套復(fù)雜的自有學(xué)習(xí)系統(tǒng)。雖然目前還在攻堅(jiān)之中，但這個(gè)架構(gòu)的核心價(jià)值卻讓管理者無(wú)法拒絕：每一次分歧都是學(xué)習(xí)機(jī)會(huì)，每一次學(xué)習(xí)都讓系統(tǒng)變得更聰明。隨著時(shí)間的推移，分歧率持續(xù)下降，監(jiān)督者調(diào)用次數(shù)減少，準(zhǔn)確率上升，成本下降——真正的復(fù)利效應(yīng)產(chǎn)生了。

02 隱性知識(shí)：那個(gè)30年老員工無(wú)可替代的原因

為什么30年的老員工比剛畢業(yè)的“最聰明的人”更珍貴？Weisser的答案指向“深層機(jī)構(gòu)知識(shí)”（deep institutional knowledge），也就是通常所說(shuō)的“隱性知識(shí)”。

在制造車(chē)間里，最值錢(qián)的往往不是最先進(jìn)的設(shè)備，而是老師傅們腦子里那些“一看、一聽(tīng)、一摸”就知道問(wèn)題在哪的經(jīng)驗(yàn)。訂單急的時(shí)候，哪個(gè)工序可以插單？供應(yīng)商突然斷供，哪家備用渠道能最快補(bǔ)上？設(shè)備發(fā)出某種異響，是正常磨損還是即將故障？這些決策依賴(lài)的不是教科書(shū)上的知識(shí)，而是生產(chǎn)經(jīng)理、計(jì)劃員、采購(gòu)員多年積累的“直覺(jué)”。

這種隱性知識(shí)的困境在于：老師傅退休了怎么辦？業(yè)務(wù)骨干被挖走了怎么辦？企業(yè)擴(kuò)張，新工廠(chǎng)如何快速?gòu)?fù)制這套“手感”？過(guò)去，這些經(jīng)驗(yàn)寫(xiě)在筆記本里、存在個(gè)別人腦子里，是企業(yè)的“暗知識(shí)”，無(wú)法規(guī)模復(fù)用。

這正是我們所關(guān)心的核心命題。企業(yè)如何形成自己的AI盤(pán)活力的問(wèn)題。從目前來(lái)看，通過(guò)微調(diào)和預(yù)訓(xùn)練，將這種隱性知識(shí)直接融入模型的神經(jīng)網(wǎng)絡(luò)，無(wú)疑是困難而又有價(jià)值的一個(gè)選擇。

2026年初，某AI公司推出了基于PLM（個(gè)人語(yǔ)言模型）技術(shù)的“隱性知識(shí)”封裝方案。與主流的LLM（大語(yǔ)言模型）路線(xiàn)不同，PLM的核心是“一人一模型”——將特定專(zhuān)家的核心能力、思維模式、決策邏輯進(jìn)行深度拆解與訓(xùn)練，打造專(zhuān)注于特定商業(yè)問(wèn)題的AI智能體。這種智能體并非簡(jiǎn)單的問(wèn)答工具，而是能夠完整模仿專(zhuān)家解決問(wèn)題的思路與步驟。這與前述的產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)兩條路徑殊途同歸：將組織內(nèi)部特有的隱性知識(shí)，轉(zhuǎn)化為AI系統(tǒng)的可計(jì)算資產(chǎn)。

03 產(chǎn)品-模型優(yōu)化閉環(huán)：數(shù)據(jù)要素飛輪的商業(yè)價(jià)值

在我們提出的企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力模型中，數(shù)據(jù)要素與AI是一對(duì)相輔相成的伙伴。企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力就是基于這二者相結(jié)合的而形成的核心競(jìng)爭(zhēng)力。對(duì)于制造企業(yè)來(lái)說(shuō)，數(shù)據(jù)要素競(jìng)爭(zhēng)力就是產(chǎn)品與模型的優(yōu)化閉環(huán)。其中，數(shù)據(jù)是燃料，AI是引擎。單純的擁有數(shù)據(jù)不產(chǎn)生價(jià)值，還得將運(yùn)營(yíng)數(shù)據(jù)持續(xù)回饋給模型進(jìn)行訓(xùn)練，才能形成能力增強(qiáng)的閉環(huán)。那么，由此也可以推論，誰(shuí)能更快地將真實(shí)世界的變化轉(zhuǎn)化為模型能力的提升，誰(shuí)就能在競(jìng)爭(zhēng)中建立持續(xù)擴(kuò)大的優(yōu)勢(shì)。

事實(shí)上，這套邏輯并不僅限于產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)的能力提升，任何擁有持續(xù)業(yè)務(wù)數(shù)據(jù)流、且決策質(zhì)量直接影響競(jìng)爭(zhēng)力的企業(yè)，都可以構(gòu)建自己的“產(chǎn)品-模型優(yōu)化閉環(huán)”——企業(yè)數(shù)據(jù)要素AI盤(pán)活力。

對(duì)于電商企業(yè)來(lái)講，用戶(hù)的點(diǎn)擊、購(gòu)買(mǎi)、退換貨行為，可以持續(xù)優(yōu)化推薦模型和定價(jià)策略。因此，不管是運(yùn)營(yíng)店鋪還是自營(yíng)店鋪，關(guān)鍵是獲得持續(xù)的運(yùn)營(yíng)數(shù)據(jù)。而對(duì)于制造企業(yè)來(lái)講，除了產(chǎn)品的銷(xiāo)售數(shù)據(jù)外，生產(chǎn)制造過(guò)程的優(yōu)化同樣重要，設(shè)備傳感器的實(shí)時(shí)數(shù)據(jù)、質(zhì)檢結(jié)果、維修記錄，可以持續(xù)優(yōu)化預(yù)測(cè)性維護(hù)模型和生產(chǎn)排程。而對(duì)于平臺(tái)和金融機(jī)構(gòu)而言，交易記錄、風(fēng)控事件、客戶(hù)反饋，可以持續(xù)優(yōu)化平臺(tái)的交易成功率和信用評(píng)估體系。

這里的關(guān)鍵，不在于“你擁有沒(méi)有AI”，而在于“你的AI是否在持續(xù)變聰明”。調(diào)用API獲得的是一臺(tái)相對(duì)企業(yè)運(yùn)行處于靜止態(tài)的機(jī)器，而自研AI才能獲得一臺(tái)會(huì)隨著企業(yè)運(yùn)營(yíng)深化而進(jìn)化的專(zhuān)用引擎。

04 從數(shù)據(jù)資產(chǎn)到組織智能：隱性知識(shí)固化的基本方法

當(dāng)我們談?wù)摗懊考夜径家蠥I研發(fā)部”時(shí)，最常遇到的質(zhì)疑是：絕大多數(shù)企業(yè)根本不具備AI自研能力，怎么辦？

這個(gè)質(zhì)疑基于一個(gè)誤解——AI研發(fā)部不等于大模型訓(xùn)練集群。對(duì)于絕大多數(shù)企業(yè)而言，真正的AI研發(fā)部不是從零訓(xùn)練基礎(chǔ)模型，而是圍繞自身業(yè)務(wù)數(shù)據(jù)，構(gòu)建持續(xù)學(xué)習(xí)、持續(xù)優(yōu)化的AI應(yīng)用系統(tǒng)——能夠“盤(pán)活”企業(yè)數(shù)據(jù)資源的AI應(yīng)用系統(tǒng)。

對(duì)于這樣的一套系統(tǒng)，將企業(yè)數(shù)據(jù)盤(pán)活的過(guò)程可以分三個(gè)步驟加以實(shí)現(xiàn)，即：

第一步，經(jīng)驗(yàn)進(jìn)行數(shù)據(jù)化、顯性化與結(jié)構(gòu)化。譬如，生產(chǎn)計(jì)劃人員的排產(chǎn)經(jīng)驗(yàn)，可以分解為“訂單優(yōu)先級(jí)規(guī)則”“設(shè)備效能評(píng)估規(guī)則”“物料齊套校驗(yàn)規(guī)則”等一系列判斷邏輯的數(shù)據(jù)集合。通過(guò)智能生產(chǎn)調(diào)度系統(tǒng)，將這些規(guī)則進(jìn)行初步梳理和固化，同時(shí)允許計(jì)劃員在系統(tǒng)推薦方案上進(jìn)行干預(yù)和調(diào)整。

第二步，讓新智能系統(tǒng)在關(guān)鍵業(yè)務(wù)場(chǎng)景中實(shí)時(shí)協(xié)同運(yùn)行。以訂單變更為例，銷(xiāo)售只需在系統(tǒng)中發(fā)起變更評(píng)估，系統(tǒng)會(huì)基于實(shí)時(shí)數(shù)據(jù)自動(dòng)模擬變更后的影響，并給出承諾交期的建議。這個(gè)建議背后，融入了歷史處理類(lèi)似變更時(shí)各環(huán)節(jié)的集體經(jīng)驗(yàn)。

第三步，數(shù)據(jù)的模型化與自動(dòng)化。將“老師傅”通過(guò)聲音、外觀(guān)預(yù)判設(shè)備故障的直覺(jué)，轉(zhuǎn)化為可量化的“預(yù)測(cè)性維護(hù)規(guī)則”——模型化。當(dāng)新設(shè)備上線(xiàn)時(shí)，這套基于數(shù)據(jù)模型的經(jīng)驗(yàn)就能快速遷移應(yīng)用。

這不是一個(gè)完全嚴(yán)格的遞進(jìn)過(guò)程，而是一個(gè)嵌套式的迭代過(guò)程。它的關(guān)鍵不是構(gòu)建一個(gè)新的產(chǎn)品，而是可以通過(guò)“場(chǎng)景切入-經(jīng)驗(yàn)固化-模型迭代”逐步構(gòu)建新的能力體系。它不需要幾百數(shù)千張昂貴的GPU卡，也不需要幾十個(gè)算法博士，需要的是對(duì)自身業(yè)務(wù)經(jīng)驗(yàn)的深刻理解，以及將這些經(jīng)驗(yàn)系統(tǒng)化、算法化的組織能力。

05 不是“要不要”AI研發(fā)部，而是“怎么建”AI盤(pán)活力

企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力的提出，超越了單純的數(shù)據(jù)管理與AI部門(mén)，將企業(yè)的寶貴資源投入，落實(shí)到企業(yè)核心能力的打造上來(lái)。當(dāng)企業(yè)面對(duì)著“要不要建AI研發(fā)部”時(shí)之類(lèi)的問(wèn)題時(shí)，我們可以換一個(gè)角度來(lái)看，那就是企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力的構(gòu)建，就成為了“如何構(gòu)建”企業(yè)的AI盤(pán)活力了。

當(dāng)然，數(shù)據(jù)要素競(jìng)爭(zhēng)力的構(gòu)建需要“跨過(guò)門(mén)檻”。在門(mén)檻之前，投入的產(chǎn)出效益不明顯，容易讓人動(dòng)搖；但一旦跨過(guò)，數(shù)據(jù)資產(chǎn)將產(chǎn)生持續(xù)的復(fù)利效應(yīng)。這恰恰就是“AI研發(fā)部”的意義——它幫助企業(yè)從“隨機(jī)調(diào)用AI”走向“系統(tǒng)積累AI能力”，從而跨過(guò)那個(gè)臨界點(diǎn)。

回到標(biāo)題的問(wèn)題，“每家公司都要有AI研發(fā)部嗎？”從Prime Intellect創(chuàng)始人的觀(guān)點(diǎn)到某產(chǎn)業(yè)互聯(lián)網(wǎng)平臺(tái)的工程實(shí)踐，從數(shù)據(jù)要素的AI盤(pán)活力到產(chǎn)品-模型飛輪的實(shí)踐，答案正在變得清晰：

不是每家公司都需要從零訓(xùn)練基礎(chǔ)模型，但每家公司都需要擁有持續(xù)優(yōu)化自身AI的能力——構(gòu)建企業(yè)自身的AI盤(pán)活力。

這種能力的核心，不是算力規(guī)模，不是算法先進(jìn)性，而是將自身業(yè)務(wù)數(shù)據(jù)、專(zhuān)家經(jīng)驗(yàn)、運(yùn)營(yíng)反饋持續(xù)轉(zhuǎn)化為模型智能的組織機(jī)制，是“產(chǎn)品-模型優(yōu)化閉環(huán)”。用我們的話(huà)說(shuō)，就是“企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力”。

在這個(gè)過(guò)程中，企業(yè)面臨的不是“自研還是采購(gòu)”的二選一，而是如何在采購(gòu)的基礎(chǔ)上，逐步構(gòu)建屬于自己的能力閉環(huán)。調(diào)用API是起點(diǎn)，不是終點(diǎn)；應(yīng)用AI是開(kāi)始，不是結(jié)束。真正持久的競(jìng)爭(zhēng)力，不來(lái)自你用了多強(qiáng)大的模型，而來(lái)自你的AI系統(tǒng)能否像那個(gè)工作30年的老員工一樣，一天比一天更懂你的業(yè)務(wù)。

未來(lái)的企業(yè)競(jìng)爭(zhēng)，將越來(lái)越表現(xiàn)為“數(shù)據(jù)飛輪”轉(zhuǎn)速的競(jìng)爭(zhēng)。那些能夠快速將業(yè)務(wù)數(shù)據(jù)轉(zhuǎn)化為模型能力、將個(gè)人經(jīng)驗(yàn)固化為組織智能的企業(yè)，將在每一個(gè)決策環(huán)節(jié)獲得持續(xù)累積的優(yōu)勢(shì)。而那些滿(mǎn)足于“調(diào)用一下API就好”的企業(yè)，就像那個(gè)只愿意雇傭“最聰明的人”卻不給他時(shí)間熟悉業(yè)務(wù)的管理者——起點(diǎn)或許不低，但永遠(yuǎn)無(wú)法獲得復(fù)利。

這，就是企業(yè)AI研發(fā)部存在的真正價(jià)值。億邦智庫(kù)將持續(xù)關(guān)注企業(yè)數(shù)據(jù)要素競(jìng)爭(zhēng)力的發(fā)展，報(bào)道平臺(tái)數(shù)智化與數(shù)據(jù)要素流通利用服務(wù)的創(chuàng)新案例，以及相關(guān)產(chǎn)業(yè)鏈發(fā)展的新成果。

聯(lián)系郵箱為：huangbin@ebrun.com