滴普科技：智能体的终局是“专业数字人力资源” | 2025向新·AI未来

前言：
2025年，AI撕裂数据与实体的边界，量子计算探索物理规则的边缘，绿色科技重塑增长的伦理，低空经济、机器人、大模型打开科技跃迁的大门。
在这个大背景下，中国企业需要以智慧为坐标，穿透技术、组织与商业模式的“三重结界”，在数字与实体的纠缠中锻造新物种。在这背后，是一群技术兴国的信奉者，产业跃迁的掌舵人、商业社会的洞察者、认知边界的拓荒者，这些企业家永远走在创新的前沿。
与智者同行者，必将率先触摸未来；与AI共振，终将定义下一个纪元。
我们邀请了多位国内外顶尖创新与商业领袖，人工智能链主和龙头创新企业，共同展望2025产业发展、技术创新以及战略性新兴产业发展的前景。

在当今数字化浪潮汹涌澎湃之际，智能体正有引爆新产业革命之意。滴普科技作为企业级大模型AI应用解决方案专业提供商，处于AI产业链的关键环节，凭借其完整的“数据+AI”全栈产品与服务优势，尤其是多模态数据深度处理以及基于开源模型的工程与应用能力，在市场中崭露头角，位居中国企业级大模型人工智能应用解决方案市场前列。

当下，智能体在ToB和ToC市场的商业化模式各具特色，技术发展也在不断推进，但同时也面临诸如多模态理解、长期记忆和自主决策能力不足等核心瓶颈。同时，当智能体整合外部信息或工具偏离预期目的时，数据质量、企业级私有化模型能力和智能体应用工程成为关键解决因素。而面对开源生态与企业差异化护城河的构建，滴普科技在数据能力、业务认知和工程化能力等方面不断深耕，以打造自身优势。未来，智能体的应用场景充满无限可能，其自主行为责任界定也引发诸多思考，而AI训练的技术创新更是成为推动智能体发展的重要动力。

以下为融中财经对话滴普科技实录，以飨读者：

融中财经：贵司所处AI产业链条哪些关键环节、市场格局如何，具备哪些技术/产品优势等？

滴普科技：滴普科技定位为企业级大模型AI应用解决方案专业提供商，可高效整合企业的数据、决策及运营知识，助力其构建企业级大模型AI应用，为客户在运营决策和生产力提升相关核心场景，基于客户专属数据和业务知识逻辑提供符合企业级高精度零幻觉的专业AI数字员工。在沙利文的市场调研报告中，按照2024年收入计算，滴普科技是中国企业级大模型人工智能应用解决方案市场中排名第一位的大模型人工智能应用解决方案专业提供商。

滴普科技拥有完整的“数据+AI”的全栈产品和服务能力，尤其是具有多模态数据深度处理能力，以及基于开源模型通过模型工程能力和应用工程可为企业提供深度的业务智能应用端到端能力，进而形成真正的商业影响力，并实现规模商业化。

融中财经：智能体在To B和To C市场的商业化模式差异有哪些？当前智能体技术的核心瓶颈是什么？多模态理解、长期记忆还是自主决策能力等？

滴普科技：ToC市场现在依然是爆款模式，主要发力在代码生成、办公类等基础普适工具产品，目前大厂在ToC市场就是这样布局；但ToB市场本质是服务，强调谁能够构筑低成本高毛利广覆盖的服务，能够持续的深度服务客户，成为客户问计对象，解决专业的企业场景需求。

其中的核心是：

1）对于企业内各种类型数据的治理能力，尤其非结构化数据的识别、解析和Token化，数据质量非常重要；

2）企业私有化模型的工程化能力，基于客户专属数据和业务逻辑的训练、评估、迭代等；

3）对企业整体信息架构或者数字化架构理解能力也很重要，对企业业务场景和业务逻辑的深度理解会成为智能应用的门槛。

融中财经：当智能体整合外部信息或工具时，可能会偏离其预期目的。如何解决这个问题？

滴普科技：智能体是否能够精确搜索到目标信息是非常关键的，同时能否检索到语料中特定关联性隐藏数据也尤为重要，而这些并非完全由模型解决，里面依然是三个关键的功能工程能力：

1）数据质量，针对内外部多模态数据的治理能力；

2）企业级私有化模型能力，不是基于一个开源基础模型就可以的；

3）智能体应用工程，需要有知识平台RAG和配套流程，还要有召回能力和精准排序能力决定精确度。

融中财经：大家都在拥抱开源生态，但企业生存又需构建差异化护城河。您认为贵司在哪些方面具备“做大做强”的优势？开源后，如何解决数据共享与知识产权冲突？

滴普科技：开源生态的逻辑是越往底层开源，其价值和意义越大。比如基础模型开源会有非常大的生态力量，一些基础的框架和协议也会逐渐开源。但智能体相关以及应用级核心还是要在服务上构建差异化。在ToB的赛道上更为突出，将数据能力、业务认知、工程化能力这些不断地加深加高，虽然看上去是做了越来越多的看起来的“脏活”“累活”，但这些才能构筑真正的护城河。

融中财经：选择做通用大模型还是应用模型？如何训练专精模型？数据怎么搞、成本如何降？

滴普科技：滴普科技选择做企业级大模型AI应用解决方案，目前看来不会去做基础大模型，而会做企业级私有化大模型。后者是基于开源的基础模型，通过与企业自身的专属数据、业务逻辑构建的专属语料基础，为企业场景去训练和微调专属的模型栈，由大模型+各种行业以及数据处理的小模型组成，更能准确切入到企业场景解决需求。

降低企业部署的成本主要是三个方面：

1）根据企业的特定任务选择合适尺寸的模型；企业级智能应用的核心在于数据质量而非模型尺寸，公司不会受限于某一种模型，会根据最优算力进行匹配；

2）在算力层，我们实现了模型推理优化、KVCache算力优化，异构算力适配等能力，以进一步提高行业模型部署的经济性和性能；

3）通过模型工程能力，通过持续预训练、微调等技术手段，训练和微调与企业级任务相匹配的更小尺寸的模型，降低企业部署的成本。

融中财经：您认为未来3年，最具颠覆性的智能体应用场景是？

滴普科技：智能体的终局是“专业数字人力资源”，一类是基于共享和开放的数据形成的数字人力资源，以通用的数据作为语料训练的模型所构建的Agent，属于通用能力的数字员工；另一类基于私有数据形成的数字人力资源，以企业的私域数据为基础所训练的模型构建的Agent，这一类是专业的也是专有岗位的数字员工。

融中财经：智能体的“自主行为”如何界定责任？是否需要立法明确开发者、部署方、用户的责任边界？

滴普科技：在目前的企业级应用中，智能体仍然只能是定位在辅助性的工作上。在传统的企业内，任何的工作都是要与岗位、职责挂钩的，企业内的各种流程都是由岗位来驱动的，当出现了问题之后，回溯和追责也需要最终与岗位相关。

融中财经：AI训练需要消耗海量数据与算力。未来如何展开技术创新，打造聪明又能干的智能体？多模态能力和MoE如何更好地服务客户？

滴普科技：企业的智能应用核心依赖于行业三个层面的技术发展：

1）算力的标准化和平民化；

2）基础模型的能力，包括多模态模型，小型化模型、端侧模型的发展；

3）企业级相对通用的基础智能体，比如数据分析型、运营决策型、生产力提升型等。

企业不需要自己去训练基础模型，而是应该把精力放在自身专属数据的积累，业务流程和业务逻辑的沉淀，以及数据和AI工程化能力的建设上。企业能够以非常迅捷的方式将业界更好的算力、模型、智能体技术等整合到自身的架构中，这样才能够更好更快地赋能业务。