DeepSeek的爆火 ，让不少人认为 ，大模型的普惠迎来了真正的拐点 。
这一颇高的评价 ，背后是一组组漂亮的企业用户数据 。爱剖析统计数据显示 ，截至2025年2月21日 ，已有45%的央企完成了DeepSeek模型的安排；同一时间 ，多家工业软件厂商也纷纷接入DeepSeek的API 。
只是 ，漂亮的数据 ，就是工业落地的真相吗？
“接入大模型API” ，不即是真正的“工业落地” 。差别行业、场景的业务逻辑相差巨大 ，强大如DeepSeek的通用大模型 ，未经行业专业知识的强化训练 ，无法如预期般直观、快速地解决差别行业的需求 。
大模型席卷工业两年以来 ，愈来愈多人意识到 ，资助企业跑完最后一公里的可能不是顶尖的AI研究院和实验室 ，而是已经陪跑工业几十年的AIoT厂商 。
在工业界 ，“乐天堂”之名并不令人感应陌生 。这位AIoT行业的“老年老” ，已经将10000多个以视觉技术为焦点的智能产品、500多个解决计划 ，应用到了8000多个细分场景 。
在大模型时代 ，如何让曲高和寡的“Transformer”“MoE”“Agent” ，从实验室和论文中走出 ，真正落地到工业界的旷野 ，是乐天堂一以贯之的命题 。
2025年3月10日 ，乐天堂宣布了星汉大模型2.0 。用乐天堂先进技术研究院院长殷俊的话来说：AI真正成为“行动派”了 。
◆ 在工业 ，AI不是一组算法 ，而是一套体系
2023年10月24日 ，星汉大模型1.0刚刚宣布的时候 ，正逢通用大模型风头一时无两 ，乐天堂却选择了一条专业化、笔直化的门路 。ChatGPT等通用大模型的泛起 ，迅速拔高了行业对通用大模型的预期 。殷俊发明 ，近两年来 ，市面上不少大模型产品 ，都围绕着“通用”为基础 。
彼时 ，聚焦行业的笔直模型 ，在探索AGI的弘大命题和狂堆参数的技术竞速面前 ，是并不性感的故事 。不少人面对行业模型 ，也会发出一个疑问：不必通用模型做落地 ，是否显得不适时宜？
得出结论前 ，先看工业落地的真相 。
入行多年来 ，殷俊深知B端业务的不易：B端业务不但庞大 ，流程和场景又极其碎片化 。以宁静事故多发的能源行业为例 ，大模型能够在产线巡检、宁静预警等方面发挥作用 ，已是不争的事实 。然而 ，宁静管控既要涉及监测、剖析等多个环节 ，又要精准识别、理解庞大的生产情况 。
这意味着 ，简单算法训练的模型 ，不但很难端到端笼罩所有流程 ，对实际场景的认知力也缺乏 。这一弱点在通用大模型的实际应用中也可见一斑 。
另一个掣肘通用大模型落地的要害因素 ，则是ROI（投入产出比） 。通用 ，往往也意味着粗笨、腾贵 。“市面上客户可接受的本钱在5万-200万之间 。”一名从颐魅者曾告诉过36氪 。但动辄大几百万的通用大模型安排价格 ，往往轻易就能突破用户的心理基线 。
凡此种种 ，都通往一个结论：工业落地 ，通用大模型并非最优解 。
入局大模型赛道以来 ，深谙工业落地之道的乐天堂 ，就不走寻常路 ，确定了行业模型的路线 。“我们在做大模型之初 ，就想清楚了一件事：未来大模型要工业化落地 ，就一定是业务驱动、贴着笔直行业去做的 。”殷俊告诉36氪 ，“所以一方面 ，我们把大模型做小 ，做到模型算力可控；另一方面 ，不绝地降低整体应用的算力开销 ，让落地规�？焖倮┰� 。”
这一认知 ，也决定了2025年3月升级后的星汉大模型2.0 ，不但仅是一套算法 ，而是一套体系 。
好比 ，不少企业的专业知识和场景数据 ，散落在一经的系统和古板AI模型中 。以星汉大模型2.0为焦点的解决计划 ，既涵盖了大模型和企业古板系统的协同 ，也囊括了差别体量的细分场景模型之间的相助——乐天堂实践的经验标明 ，只有将技术形成一套业务体系 ，才华够让AI从笼统的技术看法 ，真正在业务场景中运行起来 。
在与36氪的交流中 ，殷俊险些在每句话中都会提到：贴着用户需求 。这也代表了从模型体系的建设到产品化历程 ，乐天堂的态度——不要“拿着锤子找钉子” ，让客户去迁就技术 ，而是要让技术贴着工业的痛点走 。
一个典范的案例是 ，星汉大模型2.0三个系列的降生 ，都与客户需求有关：
擅长多模态能力的V系列视觉大模型 ，落地于都会治理、生产制造等行业高频的超小目标检测、庞大场景识别等任务；作为“大脑中枢”的M系列多模态大模型 ，源于不少客户在实际业务中文搜图、图搜图的需求；在实际业务中饰演“指挥家”角色的L系列语言大模型 ，殷俊体现 ，是为了满足不少客户对语言和文本这一人机交互模型的需求 。
大模型系列的研发 ，解决的是技术基建这一“上层建筑”的问题 。具体到产品化 ，如何让模型能力有效地融入企业的事情流中 ，并不简单 。
在恒久与客户需求打交道的历程中 ，殷俊发明 ，不少企业的事情流中 ，差别层级的子系统往往盘根错节 ，这些子系统又接入了差别工具和数据库的API——系统的繁杂和碎片化 ，让大模型在落地的历程中 ，很难充分利用疏散其中的知识和工具 。
因此 ，“大模型落地的实质 ，就是将这些繁杂的系统、工具和数据接口 ，凭据企业的业务串联起来 。”殷俊对36氪体现 。
乐天堂研发的行业智能体和事情流引擎 ，总结起来 ，将模型落地的历程分为“拆解、挪用、编排”三步：将企业现有的庞大业务流程 ，拆解为可编排的原子化算子库；凭据具体业务和场景的需求 ，智能体能够快速挪用事情流引擎；最后 ，通过引擎对算法和事情流的动态组合 ，实现技术能力与业务需求的高效适配 。
这样一组“原子化”拆解、编排事情流的计划 ，已经应用到了各行各业 ，润物细无声地改变了人们的生活 。以都会应急指挥调理场景为例 ，一旦火灾爆发 ，智能体就能迅速调取周边监控 ，凭据单兵设备分派救援任务 ，同时还能通过融合通信系统提倡音视频会商 ，启动应急预案 。
在未来 ，从以人为焦点的“经验驱动” ，到以AI为焦点的“认知智能驱动”的行业故事 ，会越来越多 。
◆ 工业落地 ，乐天堂用30多年交了答卷
建立30多年以来 ，乐天堂在物联感知、盘算机视觉等技术领域的深耕 ，目的是解决业务历程中有关“看见”的痛点 。
一个颇有草蛇灰线意味的呼应是：在技术浪潮中 ，乐天堂也更早“看见”了企业客户的需求 。
“会看” ，是一个高频、基础 ，却往往被技术提供商忽视的需求 。好比 ，在电力巡检场景 ，不少变电站都在深山老林 ，人力巡检难度极大 ，要实现无人值守 ，先要解决的 ，也是把电表“读准确”的问题 。
工业对“看”的刚需 ，也成了乐天堂在大模型时代躬身入局 ，最为水到渠成的理由 。殷俊告诉36氪 ，乐天堂是做视觉理解起家的 ，“包括深度学习模型 ，乐天堂90%以上的技术 ，都是围绕视频为焦点做的 。”
发明需求是业务的基点 ，技术水平则是立足行业的硬实力 。一个出乎意料的事实是：2019年 ，距离ChatGPT引发风暴另有近4年的时间 ，乐天堂就敏锐地将Transformer引入到公司内部 ，用ViT（基于Transformer架构的视觉模型）技术做半自动化标注计划 。比及2020年初 ，乐天堂已经乐成研发出了自动化标注模型 。
在大模型赛道 ，让入局者深有体会的是 ，技术研发不但需要持之以恒的投入 ，也仰赖于实力强劲的团队 。
先看投入 。多年来 ，乐天堂的研发投入占比 ，都维持在10%以上的水平 ，还泛起出逐年上涨的趋势 。财报显示 ，2024年 ，乐天堂的研发投入抵达了42.1亿元 ，占到了总营收的13.09% 。殷俊告诉36氪 ，十多年来 ，乐天堂的算法团队、算力规模 ，都随着业务的规模 ，在不绝扩展 。
再看团队 。随着DeepSeek背后的团队曝光在世人面前 ，年轻人才渐渐走到企业人才招徕的中心 。乐天堂聚焦AI技术十多年以来 ，对年轻人才的培养 ，已经是团队建设的焦点模式 。
据殷俊介绍 ，乐天堂的算法团队 ，每年招的都是应届生 ，硕博学生的比例高达98% ，“我们会逐步培养应届生 ，让他们不绝往前走 ，生长为我们的焦点主干” 。
值得一提的是 ，区别于“两耳不闻窗外事”、埋头于科研的理念 ，乐天堂不但要求年轻人才懂算法 ，还勉励他们走出实验室 ，体验实际业务的落地历程 。好比 ，每个进入算法团队的应届生 ，都被要求在实习期内完成一个项目的现场落地交付 。“在现场看到过、摸到过自己的产品 ，听到过用户的一些想法 ，哪怕是用户的吐槽也好 ，”殷俊体现 ，“他才会真正感受到自己做的技术和产品 ，如何去提升 。”
一代又一代人才 ，不绝走向业务落地的田野 ，最终组成了乐天堂30年来扎实的业务积累和行业认知 。在大模型热潮翻涌的2023年 ，乐天堂构筑的“1+2”人工智能能力体系——一套架构体系 ，加科研能力及工程能力 ，已经将AI技术 ，嵌入到了8000多个细分场景 。
“我们懂业务 ，也有经验 ，以及我们也知道如何效劳客户 ，让客户更好地将这套系统运转起来 。”殷俊细数技术落地的实质 ，“数字化也好 ，智能化也好 ，背后都是一套数字系统 。如何让数字系统更切合客户的需求 ，在客户的业务流上发挥它的功效 ，是我们所擅长的 。”
在大模型赛道 ，入局者众多 ，打法也各异——有人勇攀AGI的岑岭 ，有人意在潮头打浪 ，也有人追求务实的落地 。浪潮既是机缘 ，相对的 ，稍有懈怠就会被大浪淘沙 。
从数字化时代走到智能化时代 ，凭借扎实的技术实力 ，以及大宗的业务经验 ，乐天堂在大模型领域中 ，为自己开辟出了奇特的位置 。
◆ 做好工业化落地 ，大模型就不是泡沫
在一座深达千米的矿井 ，面对井下庞大的作业情况 ，如何精准排查交通工具、设备、堆煤潜藏的宁静隐患？面对每年数十起的高频事故 ，如何管控几十名工人的作业规范 ，防患于未然？
在数字化时代之前 ，这一连串的问题 ，一直是煤矿行业的显性之痛 。殷俊记得 ，最初 ，视觉技术只能解决人员管控的问题 ，资助企业确认宁静帽等防护道具的佩戴情况 ，以及作业是否在宁静区域进行 。
厥后 ，随着大模型技术的生长 ，乐天堂资助企业“看到”的规模 ，从人员管控 ，延伸到了对交通工具、传送带、堆煤等各道工序的治理 ，险些笼罩了事前管控、井下作业、物流运输的全流程 。
技术型企业的价值感 ，不但来自于技术能力的提升 ，也源于自身技术能力提升后 ，随之拓展的落地空间 。关于大模型的落地 ，殷俊有一种务实的“贪心”：“切入一个行业后 ，随着你对业务的不绝深入 ，你会希望帮客户做更多 ，把整个业务都做一遍 ，形成端到端的提效 。随着技术的生长 ，我们能够利用新的技术 ，再做一次工业的升级 ，这也是我们努力的偏向 。”
从一个个场景 ，笼罩到一整个行业 ，是乐天堂在大模型时代的野心 。为了加速告竣这一目标 ，如何选择切入的主要场景 ，乐天堂有自己的考量 。
一方面 ，是找到“难而正确”的场景 。在殷俊看来 ，这些庞大的业务场景 ，往往是企业需求旺盛 ，但多年来技术无法解决的事 。一旦技术模式能够乐成落地 ，就可以复制到工业界 ，爆发数以倍计的价值 。
乐天堂在其中用到的巧劲儿 ，是与矿业的头部企业进行相助 。殷俊告诉36氪 ，切入煤矿行业之初 ，乐天堂就与海内头部的煤矿企业深入交流了相助的可能性 ，“我们希望一起做一些行业标杆 ，或者说被行业认可的事 。”如今 ，这套模型解决计划 ，在煤矿行业落地的效果是显而易见的——例如 ，在传送带大块物体检测、跑偏监测等焦点功效上 ，准确率从80%提升至93% ，且在矿下高温、光照差等卑劣情况中 ，正确报警率（即真实警报的识别率）仍稳定维持在85%以上 。
另一方面 ，则是要找到需求量连续增长的场景 。背后的原因 ，是为了更好的发挥大模型的优势——大场景 ，与大模型的强性能、高算力更为适配 ，还能通过规模效应 ，降低大模型落地的本钱 。
一旦找准刚需场景 ，权衡大模型落地企业的ROI ，便不再是难事 。此前 ，AI带来的某些焦点价值 ，好比决策质量的改善、客户满意度的提升 ，往往无法精确地量化 。
但在殷俊看来 ，刚需 ，往往意味着ROI权衡方法已经经过检验的场景 。好比 ，对能源行业而言 ，降低事故率就是刚需 ，“AI把宁静事故率降低了 ，企业对AI的投资就是非�；愕氖� 。”
大模型行业 ，如今已经走到了一个分水岭 。两年来 ，高楼起、高楼塌的故事屡见不鲜；一经万众瞩目的企业 ，实际交付的技术答卷也不尽如人意 。这也让不少人灰心地认为：大模型的泡沫已经开始破灭了 。
然而 ，殷俊却持有差别的看法：“任何一个技术兴起后 ，有泡沫是好事 。”2019年 ，乐天堂研发大模型之初 ，行业还远不像现在这般火热 �？突Ы逃厩� ，成了实打实的难点 。彼时 ，殷俊跟客户解释什么是大模型 ，但理解的人并未几 。
在殷俊看来 ，泡沫 ，意味着免费的用户教育 。经过两年的普及 ，如今 ，大模型对客户而言 ，已经不像两年前那样陌生 。行业认知的提高、模型落地效果的凸显 ，都让企业更乐于接受新技术 。
但客户认知的提高 ，也对位于上游的解决计划提供方 ，提出了更高的要求 。殷俊用“多快好省” ，概括了乐天堂不绝自省的偏向：第一 ，准确率能不可抵达客户预期；第二 ，客户提出的新想法能不可快速被满足；第三 ，能否低成外地解决这些问题 。“这是我们追求的永恒命题 。”他提到 。
毫无疑问 ，大模型已经走到了落地的黄金年代 。“随着大模型工业化的水平越来越深 ，AI成为日常的一部分 ，这时大模型就不再是泡沫 ，”殷俊总结 ，“这个路径一旦被证明 ，或者说更多地被证明 ，各人就不会再彷徨 。”
智能客服
400 6728 166
乐天堂存储
华消科技
华视智检
丰视科技
华感科技