大华股权，AI务实派冲刺大规模落地
DeepSeek的爆红，让很多人认为，大型普惠迎来了一个真正的转折点。
这个高度评价的背后是一组漂亮的公司用户信息。爱情分析数据显示，截至2025年2月21日，已有45%的央企完成了DeepSeek模型的布局；与此同时，许多工业软件制造商也接入了DeepSeek的API。
只是，好看的数据，就是产业落地的真相吗？
“接入大型API”并不意味着真正的“产业落地”。不同行业、不同场景的领域模式差异巨大。没有行业专业知识的培训，无法像预期的那样直观快速地处理不同行业的需求，强大如DeepSeek。
从两年前开始，越来越多的人意识到，帮助企业跑完最后一英里的可能不是顶级的AI研究所和实验室，而是陪伴行业几十年的AIoT厂商。
在行业内，“大华股权”这个名字并不陌生。这个AIoT行业的“大哥”已经将8000多个细分场景应用到了1万多个以视觉技术为核心的智能产品和500多个解决方案中。
如何让曲高和低在模型时代？Transformer”“MoE”“Agent"，走出实验室和论文，真正落地到工业界的荒野，是大华一贯的出题。
大华股权于2025年3月10日发布星汉大模型2.0。用大华先进技术研究院院长殷俊的话说：AI真的成了“行动派”了。
 
在工业上，AI并非一套算法，而是一套系统。
2023年10月24日，星汉大模型1.0刚刚发布时，恰逢通用大模型风头正劲，但大华选择了系统垂直的道路。ChatGPT等通用大模型的出现，迅速提升了行业对通用大模型的预期。殷俊发现，近年来，市场上许多大型商品都是以“通用”为基础的。
当时，专注于行业的垂直模型是一个不性感的故事，在实践AGI的宏伟问题和狂积参数技术面前。面对行业模型，很多人也会问一个问题:没有通用模型落地是不是不合时宜？
在得出结论之前，先看看产业落地的真相。
多年来，殷俊深知B端业务不易:B端业务不仅复杂，而且过程和场景极其碎片化。以安全事故频发的能源行业为例，大模型可以在生产线检查和安全预警中发挥作用，这是不争的事实。但安全控制不仅要涉及监控、分析等多个环节，还要准确识别和理解复杂的生产环境。
这意味着单一的算法训练模型不仅难以覆盖端到端的所有流程，而且对实际场景缺乏认知。这个弱点也可以在通用大模型的实际应用中看到。
ROI(投入产出率)是制约一般大模型落地的另一个重要因素。一般来说，通常也意味着沉重和昂贵。“市场上客户可以接受的成本在5-200万之间。”一位从业者曾经告诉过36氪。然而，通用大模型的部署价格通常很容易突破用户的心理基线。
所有这些，都得出一个结论：工业落地，通用大模型不是最优解。
进入大型跑道至今，深知产业落地之道的大华，不走寻常路，确定了产业模型路线。他说：“在做大模型之初，我们就想清楚了一件事：未来大模型要产业化落地，必须由业务驱动，贴近垂直领域。殷俊告诉36氪，“所以一方面，我们把大模型做小，这样模型的计算率就可以控制了；另一方面，总体应用的计算费用不断降低，落地规模迅速扩大。”
这种认识，也决定了星汉大模型2.0在2025年3月升级，不只是一个算法，而是一个系统。
例如，许多企业的专业知识和场景数据分散在以前的系统和传统的AI模型中。以星汉大模型2.0为核心的解决方案不仅包括大模型与企业传统系统的协同，还包括不同规模的细分场景模型之间的合作。大华的实践经验表明，只有将技术形成一个业务系统，AI才能真正从抽象的技术概念中运行到需求场景中。
在与36Kr的交流中，殷俊几乎每一句话都提到:贴近客户需求。这也代表了大华的态度——不要“用锤子找钉子”，让客户迁就技术，而是让技术贴近行业的痛点。
一个典型的例子是，星汉大模型2.0三个系列的诞生，都与客户需求有关：
擅长多模态能力V系列视觉大模型，超小目标检测、复杂场景识别等任务。在城市治理、生产制造等领域落地；作为“大脑中枢”M系列多模态大模型，源于许多客户在实际业务中寻找图片和图片的需求；在实际业务中扮演“指挥家”的角色大型L系列语言模型，殷俊表示，是为了满足许多客户对知识和文字这种人机交互模式的需求。
大模型系列的研发解决了技术基础设施这个“上层建筑”的问题。说到实用性，如何让模型能力高效融入公司的工作流程并不容易。
在长期处理客户需求的过程中，殷俊发现，在很多企业的工作流程中，不同层次的分割系统通常是复杂的，这些分割系统连接到不同工具数据库的API-系统的复杂性和碎片化，使得大型模型很难充分利用分散的知识和工具。
所以，“大模型落地的本质，就是根据企业的业务，将这些复杂的系统、工具数据接口连接起来。”殷俊对36氪说。
综上所述，大华开发的行业智能体和工作流引擎将模型落地过程分为“拆解、调用、安排”三个步骤:将企业现有复杂的工作流程拆解成可安排的原子算法库；智能体可以根据具体业务和场景的需要快速调用工作流引擎；最后，通过发动机对算法和工作流的动态组合，可以高效适应技术能力和项目需求。
这样一套“原子化”拆解安排工作流程的方案，已经应用到各行各业，悄悄改变了人们的生活。以城市应急指挥调度情况为例。一旦发生火灾，智能体可以快速获取周边监控，根据单兵设备分配救援任务。同时，音视频会议可以通过集成通信系统发起，应急预案可以启动。
未来，从以人为本的“经验驱动”，到以人工智能为核心的“认知智能驱动”的行业故事，将会越来越多。
产业落地后，大华花了30多年的时间来支付答卷。
自30多年前成立以来，大华在物联网感知、计算机视觉等技术领域的深度培育，旨在应对业务过程中“看见”的痛点。
一种颇具草蛇灰线意味的呼应是：在研发浪潮中，大华也更早地“看见”了公司客户的需求。
“能看”是一种高频率、基础性的需求，但往往被技术提供商忽视。比如在电力检查的情况下，很多变电站都在深山密林中，人力检查极其困难。要实现无人值守，首先要解决的是“准确阅读”电表的问题。
行业对“看”的需求也成为大华在模型时代全身心投入的最自然的原因。殷俊告诉36Kr，大华从视觉理解开始。“包括深度学习模式在内，大华90%以上的技术都是以视频为核心的。”
发现需求是业务的基础，技术实力是基于行业的硬实力。一个意想不到的事实是:到2019年，距离ChatGPT引发飓风还有将近4年的时间，大华股权将Transformer敏锐地引入企业内部，使用ViT技术(基于Transformer结构的视觉模型)进行半自动标记。直到2020年初，大华才成功地开发出自动标记模型。
模型跑道上，让入局者深受感动的是，技术研发不仅需要坚持不懈的投入，更需要依靠强大的团队。
先看投资。多年来，大华的R&D投资占比一直保持在10%以上的水平，并呈现出逐步上升的趋势。财务报告显示，2024年，大华的R&D投资达到42.1亿元，占总收入的13.09%。殷俊告诉36Kr，在过去的十年里，随着业务范围的不断扩大，大华的算法团队和算率规模已经扩大。
再次看到团队。由于DeepSeek背后的团队在世人面前曝光，年轻人才逐渐来到企业人才招聘的核心。十多年来，大华一直专注于AI技术，培养年轻人才，已成为团队建设的核心模式。
据殷俊介绍，大华的算法团队每年招收应届毕业生，硕士研究生占98%。“我们将逐步培养应届毕业生，让他们不断前进，成长为我们的核心骨干”。
值得注意的是，与“两耳不闻窗外事”不同。、埋头于科学研究的理念，大华不仅要求年轻人了解算法，还要引导他们走出实验室，感受实际业务的落地过程。举例来说，每一个进入算法团队的应届毕业生，都要求在实习期间完成一个项目的现场落地交付。殷俊说:“我在现场看到和触摸过自己的品牌，听到过客户的一些想法，甚至是客户的吐槽。”“他真的会感受到如何提高自己的技术和产品。”
一代又一代的人才不断走向商业领域，最终形成了大华30年来优秀的商业积累和行业认知。2023年，模型热潮涌动，大华打造了“1 人工智能能力系统-一套结构系统，加上科研能力和工程能力，已将AI技术嵌入8000多个细分场景。
“我们知道业务，我们有经验，我们也知道如何为客户服务，让客户更好地运行这个系统。”殷俊历数字技术的本质是，“无论是数字化还是智能化，背后都有一个数字系统。我们擅长如何让数字系统更符合客户的需求，在客户的业务流中发挥其作用。”
在模型跑道上，进入游戏的人很多，玩法也不一样——有的人勇敢地攀登AGI的巅峰，有的人打算在潮头打浪，有的人追求务实的落地。浪潮不仅仅是一个机会，相对来说，稍微放松一下就会被大浪淘沙。
从数字时代到智能时代，大华凭借扎实的技术实力和大量的业务经验，在模型领域为自己开辟了一个独特的位置。
做好产业化落地工作，大模型就不是泡沫了。
面对井下复杂的工作环境，如何准确检查交通工具、设备和堆煤潜在的安全隐患？面对每年几十起高频事故，如何控制几十名工人的操作规范，防患于未然？
在数字时代之前，这一系列问题一直是煤矿行业的明显痛苦。殷俊记得，起初，视觉技术只能解决人员控制的问题，帮助企业确定安全帽等防护道具的佩戴情况，以及工作是否在安全区域进行。
随后，随着大模型技术的发展，大华帮助企业“看到”了从人员控制到交通工具、输送带、堆煤等工序管理的范围，几乎涵盖了提前控制、井下作业、物流运输的全过程。
技术型企业的价值感，不仅来自于技术能力的提升，也来自于自身技术技能的提升，随着落地空间的扩大。对大模型的落地，殷俊有一种务实的“贪婪”：他说：“进入一个行业后，随着您对业务的不断推进，您将希望帮助客户做得更多，并再次完成整个业务，从而形成端到端的效率。伴随着技术的发展，我们可以利用新技术，再次进行产业升级，这也是我们努力的方向。”
从每一个场景，到整个行业，都是大华在模型时代的欲望。为加快实现这一目标，如何选择切入的主要场景，大华有自己的考虑。
另一方面，就是找到“难而正确”的场景。在殷俊看来，这些复杂的需求场景通常是公司需求旺盛但多年来技术无法解决的事情。一旦技术方法能够成功落地，就可以复制到工业界，产生数倍的价值。
大华在其中所用到的巧劲儿，就是与矿业龙头企业合作。殷俊告诉36Kr，在进入煤矿行业之初，大华就与国内顶级煤矿企业深入交流了合作概率。“我们希望一起做一些行业标杆，或者被行业认可。“如今，这种模式解决方案在煤矿行业的落地效果是显而易见的——例如，在输送带大块物体检测、偏差监测等主要功能中，准确率从80%提高到93%，正确的报警率(即真实报警的准确率)在矿下高温、光照差等恶劣环境下仍保持在85%以上。
另外一方面，就是要找出需求持续增长的场景。背后的原因是，为了充分发挥大模型的优势——大场景，更适合大模型的强性能和高计算能力，也可以通过规模效应降低大模型的落地成本。
一旦找到刚需场景，衡量大型落地公司的ROI就不再困难。在此之前，AI带来的一些核心理念，比如决策质量的提高，客户满意度的提高，往往无法准确量化。
但在殷俊看来，刚需往往意味着ROI测量方法已经得到验证。比如对于能源行业来说，降低故障率只是需要。“AI降低了安全故障率，公司投资AI是一件非常划算的事情。”
大型行业现在已经到了一个分界点。在过去的两年里，高层建筑和高层建筑倒塌的故事并不少见。曾经备受关注的公司，实际交付的技术答卷并不尽如人意。这也让很多人悲观地认为，大模型的泡沫已经开始破灭。
然而，殷俊有不同的看法:“任何技术兴起后，泡沫都是好事。”2019年，大华大模型研发之初，行业远没有现在这么火爆。客户的教育成本太高，已经成为一个真正的难点。当时殷俊向客户解释了什么是大模型，但理解的人并不多。
对殷俊来说，泡沫，代表免费用户教育。经过两年的普及，大模型已经不像两年前那么陌生了。行业认知的提升和模型落地效果的突出，让公司更愿意接受新技术。
然而，客户理解的提高也对上游的解决方案提供商提出了更高的要求。殷俊用“多快多省”总结了大华不断反思的方向:一是准确性能否达到客户的预期；二是客户提出的新想法能否快速得到满足；第三，这个问题能否低成本解决。“这是我们追求的永恒问题。”他提到了。
毫无疑问，大模型已经到了落地的黄金时代。殷俊总结道:“随着大模型产业化水平的加深，AI已经成为平时的一部分，此时大模型不再是泡沫。“一旦这条路径得到证实，或者更多地得到证明，每个人都不会再犹豫了。”
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com