开年以来，国产大模型DeepSeek的爆火出圈，让越来越多企业意识到AI在商业中的巨大应用潜力。深入理解AI如何塑造未来商业，成为每一个企业和管理者必须面对的关键课题。

2025年2月22日，在嘉宾派北京站访学中，校友们一同走进企业级人工智能领军企业第四范式。第四范式联合创始人、首席科学家陈雨强为大家带来《行业大模型场景落地》的主题授课，从技术演进的角度讲述了AI的发展逻辑和未来趋势，并通过实际案例阐释了行业大模型的具体应用。

以下为授课内容精编版，Enjoy~

1、人工智能的发展历程与现状

欢迎各位嘉宾商学的企业家校友前来第四范式访学，我代公司创始人戴文渊向大家问好。我是第四范式的联合创始人兼CTO陈雨强，创业前曾在百度和字节跳动任职。

当下，行业最火的莫过于DeepSeek。这些天来，全球同行们都在研究，DeepSeek是如何出现在被美国技术封锁的中国的？从深层次看，这一现象反映了人工智能技术发展中的周期性变化和不同阶段的表现特征。

公众最早接触到的人工智能，是1995年的深蓝（Deep Blue）。这一年，由IBM研发的深蓝击败了国际象棋大师卡斯帕罗夫，使人们首次认识到计算机的强大智能。在当时，深蓝一度成为人工智能的代名词，并在往后相当长的一段时间内影响着整个领域。

深蓝的智能，可以说是一种推理性的智能。纵观人工智能的发展过程，其实是一场“推理”与“训练”不断交替主导的周期性过程。下面是涉及到的这两个核心概念的解释：

• 推理：类似于“素质教育”，在考试中临场计算和分析。当面对无法提前记住或接触到的题目时，只能依靠现场思考，进行即时推演。例如，很多学生时代的“大神”，学习不靠死记硬背，而是在考场上灵活推导公式。

• 训练：相当于“题海战术”，通过反复练习、背题来提高应试能力。在机器学习领域，也有一类派别主要依赖于大量数据训练模型。

当年，在和卡斯帕罗夫的比赛中，深蓝就是依靠出色的推理能力赢得比赛。它能预见22步走法，而最顶尖的国际象棋大师一般只能预见18步，多出来的3步正是其胜利的关键。当然，这一切的实现离不开强大的算力支持。在下棋过程中，前台由人操作摆棋，背后则由IBM庞大的计算集群支持计算，以在超时前算出最佳方案。

公众对人工智能的第二个认知节点，是IBM的沃森（Watson）。沃森的诞生可以追溯到1995年深蓝击败国际象棋大师之后，IBM当时希望再次打败人类，并进一步探索多种方向。最初是试图挑战围棋，但围棋的复杂度是远超象棋的量级，传统推理方法还难以胜任。

此后，在商业化领域，人工智能发展取得的成绩是更加巨大的，而公众对此的了解和感知有限，比如在推荐算法、风控、安防等领域的应用。如Google在搜索和广告系统中，大量应用了训练相关的智能技术，其拥有互联网海量信息和丰富的用户行为数据，可据此预测用户下一步的需求，从而优化服务。后来Facebook和字节跳动的内容推荐算法机制，原理亦是如此。

最初，人工智能训练仅依靠几万条数据，而如今数据量已增至上千亿条，相当于增长了1亿倍。这一飞跃不仅让模型的“容量”大大提升，也使得智能系统在面对复杂问题时具备了更强的能力。

当数据量达到一定上限时，仅靠增加数据已难以进一步提升模型性能。围棋问题就是一个典型例子：由于棋盘状态极为庞大，仅靠历史棋谱中几十万甚至几百万盘数据，远远不足以支撑模型的训练。这时，就必须引入更高级的算法和推理方法，正是这种思路催生了Google的AlphaGo。而后，移动互联网的普及和数据的进一步激增，又促成了ChatGPT等大语言模型的诞生。

到今天，DeepSeek走出了一条全新的道路，这与当前的技术形态密切相关。开头我们发问，为什么DeepSeek会出现在今天的中国？原因也就在于，训练与推理这两条人工智能技术路线的周期性变化。

回顾ChatGPT的发展历程，大家会发现，在2023年及以前，其技术发展速度非常快，但近两年的发展开始趋缓。这并不是因为OpenAI的科学家水平下降，而是因为互联网中可用的开放数据总量已趋于见顶，新产生的数据相比历史数据所占比例非常低。在这种情况下，OpenAI已经无法再单纯依靠增加数据量来提升模型性能。同时，数据对性能的提升呈现出指数级的需求，增加10倍数据仅能提升1倍左右的性能。

此外，我国的算力资源也受到一定限制，无法像国外那样动用同等规模的计算资源来推动技术进步。回到上面提到的考试的比喻，如果无法提前记住所有公式和数据，那就只能在考场上依靠临场推理。所以我们可以看到，DeepSeek在回答问题时，会有很长的思维链，其思维链条比之前的模型都更长，展现了实时思考和推理的过程，最终输出答案。

总体来说，这反映了一个周期性的发展过程：当数据红利趋于见顶、训练算力带来的性能提升渐趋缓慢时，基于推理的技术优势就会逐步凸显，并逐渐占据上风。因为基础模型能力已足够，当进一步加入深度思考后，整体回答质量和交互体验将获得显著提升。

因而，推理系的人工智能技术路线现在又开始抬头。DeepSeek引领的这条技术路线，使得中国大模型在算力上面临掣肘的发展压力得到缓解。今后，可能不再需要依赖极其庞大的算力，便能打造出优秀的人工智能。

除此之外的第二个重大变化，在于人工智能由过去隐藏在后台代码中、默默支持银行、零售等行业的角色，转变为具备对话能力的前端技术。在这种背景下，人工智能企业逐渐由B端向C端拓展，极大提升了AI的普及性和应用场景。AI写作、AI视频、AI绘画、AI设计、AI编程等，AI技术公司的业务形态进一步变化。

过去，人工智能作为后台技术存在，这些技术的应用场景通常不被用户直接感知。如今，借助OpenAI推出的对话式技术，用户可以通过交互界面直接与AI进行对话，这使得人工智能更易于被普通大众接受和使用。与此同时，不仅仅是OpenAI，越来越多的电子消费品和日常设备也将嵌入人工智能终端，例如未来每个玩具娃娃、耳机、音箱等设备都可能具备对话和智能交互功能，从而为用户带来全新的体验。

从人工智能行业的人才供应来看，虽然中国的出生人口和工作人口呈下降趋势，但受过高等教育的人才却在井喷。十几年前，招聘到人工智能专家非常困难。2014年，第四范式刚成立时，科学家团队十分稀缺，甚至工牌上会画熊猫以示珍稀。如今，人工智能人才充裕，许多岗位都有大量应聘者，这为行业发展提供了坚实的人才支撑。

在中国，这两年关于“百模大战”的讨论非常热烈，正是因为涌现出上百甚至上千个团队，以一种你追我赶的态势参与人工智能研发，这种规模在其他国家较为罕见。中国的人才红利达到顶峰，这不仅惠及国内，也对美国等国家的AI进展产生了影响，比如OpenAI的核心团队中，就能发现不少华人的身影。从某种意义上来说，“百模大战”不是问题，而是一种“幸福的烦恼”。

嘉宾派学员在授课现场

2、企业如何利用AI提升核心竞争力

在人工智能爆发式发展的同时，其对很多领域的赋能能力也在持续提升。

2024年，AI迎来诺奖时刻。这一年的诺贝尔奖，授予给了三位应用人工智能的科学家。虽然人工智能赋能科学研究早已有之，而且更早就赋能了营销、零售、风控、供应链等商业领域，但现在我们看到，科学家将AI应用到数学、物理这样的基础学科，且获得了学术界最高荣誉的认可，这是一件具有标志性意义的事情。

第四范式公司的命名由来，其实也与此有一定渊源。第四范式，原是计算机领域的学界泰斗、数据库领域的传奇科学家吉姆·格雷提出的概念。他认为，在经验证据、理论科学和计算科学之后，数据科学已成为人类科技发展的第四个阶段。未来，各行各业都需要借助人工智能的赋能，用数据去发现新的规律，创造新的价值。

中国庞大的市场规模、丰富的行业场景及数据积累，为AI应用提供了得天独厚的优势。未来AI会与千行百业深度结合，通过垂直场景定制化模型释放价值。在既有充分的人才红利，又有巨大的产业、市场和数据的条件下，人工智能将在中国持续蓬勃发展。

如何利用人工智能提升企业核心竞争力，以及企业借助人工智能实现数字化落地与转型，是第四范式发展过程中产生的一系列思考。最初，我们是一家纯技术驱动的公司，因为我们发现技术在百度、华为、字节跳动等企业中产生了巨大价值，所以认为技术在其他企业中也应发挥同样的作用。但当我们开始运营企业时，才发现如何真正帮助一个企业应用人工智能、从而产生实际价值，远比单纯讨论“做什么样的人工智能”更为重要。

在思考如何应用AI这一问题时，企业要关注自身到底需要什么，是核心战略、业绩提升、核心竞争力，还是其他东西？

不同的年份，有不同的流行技术。过去十年间，技术热点不断变化，从2016年-2018年的人脸识别、语音识别，到2023年-2024年的智能问答、文生图/视频等。无论技术如何演进，企业运营的核心始终没有变，那就是“三张表（资产负债表、损益表、现金流量表）”所反映的经营问题：如何投入与产出、如何确保持续盈利。追风口往往是两三年的事情，而追求利润则是企业永恒的命题，盲目追逐技术热点并不可取。

在我看来，研究AI是个科学问题，而应用AI则是经济问题，创造价值才是衡量它的核心标尺。我认为企业在进行数字化转型时，不必过分纠结于“是否使用 AI”，而应关注自身的“北极星”指标，其又称唯一关键指标，是指在产品当前阶段与业务战略相关的绝对核心指标。也就是说，AI最终要服务于提升企业的核心竞争力。

在AI时代，企业经营会发生什么样的变化？

在传统企业的模式下，企业先制定一个宏观战略，再围绕其召开各层级会议，从总经理、副总到总监再到经理，来制定出区域、产品、定价、渠道或供应链等策略，之后由基层员工负责具体执行，最终通过由下而上逐级汇报形成反馈，从而不断完善战略。

而在AI加持下，这一流程将被彻底打破。首先，一家数字企业，会先明确其“北极星”指标，据此建立起一套系统化、可量化的评价指标，比如收入、用户贡献、坪效或其他关键效益指标，这些指标不能被简单包装，而必须真实反映企业运营状况。接着通过与科技联动，改造所有业务流程，使得每个行为和动作都可以被数字化、精确衡量。其后才是基于数据去制定各种策略，最终实现在精准策略驱动下的执行。

上述传统企业与数字企业最大的区别在于，企业管理从树形结构管理变成了目标上下贯通、结果透明的“穿透式”管理体系。

做企业的都知道一个事实，公司80%的业绩，往往都是由20%的人贡献的。在传统树形管理结构中，总经理只能依靠VP（副总裁）或总监反馈信息，难以全面掌握细节和知晓每个员工的真实表现。而在穿透式管理下，可以清楚地看到各环节的实际成果，能够客观衡量并让最优秀的人脱颖而出。传统从上而下传达目标、再从下往上反馈结果的方式，容易因结果的包装而失真，而数字化管理则使目标与结果一目了然，没有被“包装”的余地。

这样一来，有了AI的加持，无论市场潮流如何变化，企业始终能围绕核心经营问题，保持稳定且持续的发展。

我举一个亲身经历的例子：我刚毕业时加入百度，一直到离职，从未见过百度CEO李彦宏本人。但自始至终，我与李彦宏的工作目标却是一致的。记得我入职第一天，上级正是的第四范式创始人戴文渊。他领我参观完办公区域后，带我到电脑前，打开了百度的“北极星”网站。网站上详细列出了百度当天的核心指标：今日收入、人均收入、人均观看广告数、搜索次数、搜索时长等，这些指标正是华尔街投资人来“考核”李彦宏的关键经营数据。文渊告诉我：未来你不必刻意去迎合谁，也不需要依赖汇报，而是要靠提升这些指标来获得晋升。

当时，最重要的一个指标是每千次广告收入（CPM）。比方说，当CPM达到100元，若提升1个点就可晋升一级，提升5个点则能晋升两级。通过这种方式，即使我从未见过公司最高层领导，我的工作目标仍与大家始终保持一致——关键在于数据指标的提升，而非单纯依赖领导的指示。其实我本人并不擅长职场交际，但凭借实打实的技术贡献，成为百度升职速度最快的员工之一。

这种基于核心指标的管理方式，在人工智能时代尤为重要。而“北极星”指标具有多样性，零售行业可能看重DAU（每日活跃用户数）、坪效或转化率，银行则可能关注AUM（资产管理规模）、利差等指标。

我们的方法论是，在启动一个AI或数字化项目时，首先围绕“北极星”指标进行拆解，形成几个关键的子指标，再将这些指标细化到具体场景和业务环节，借助模型和系统能力不断提升各环节表现，最终实现整个业务指标的改善。

我想提醒各位企业家，很多项目失败的原因，并非技术本身的问题，而在于这些项目没有对公司产生实质性价值。对于百度、字节跳动等公司来说，若将人工智能剔除，可能会导致股价大幅下跌，因为人工智能已深度嵌入其核心业务中。而在其他企业，剔除人工智能可能对股价影响有限。这并不是说人工智能不重要，而是它未在企业核心业务上发挥应有作用。互联网企业对人工智能投入如此慷慨，正是因为这些技术为他们带来了十倍甚至更多的收入和发展提升。对于企业来说，关键问题不在于某一技术的优劣，而在于是否将其应用到对企业董事长和核心业务至关重要的环节中，并取得肉眼可见的收效。

3、AI赋能企业的具体案例

目前，第四范式的产品已广泛应用于金融、零售、制造、能源与电力、电信及医疗保健等领域。接下来，我将通过三个实际案例，来为大家讲解第四范式如何赋予企业规模化落地AI的能力，释放其组织创新活力，提升转型效率。

首先，以某头部餐饮连锁企业为例。这家公司的关键指标是ARPU（每用户平均收入）。该指标可以拆解为两个核心部分：订单量和单笔消费金额。订单量又可以分解为线上线下不同渠道的表现，如点击率、复购率、转化率、推荐率等；单笔金额则要通过鼓励用户购买更高价值产品来提升。

我们梳理出了一系列场景：首页、菜单页、加购页等。举例来说，开屏页面的点击率、菜单页前三个位置的渗透率、以及在线下或线上加购环节的优化，都是细化后的具体场景。通过这些拆解和优化，最终实现了线上客单价从原本低于线下5毛钱，到超越线下5毛钱的转变。达到了这一临界点后，该企业便大力推动了线上化转型，逐步将线下柜台功能隐藏起来，全面转向线上渠道。这样的转变使得该企业在疫情期间依然表现出色，其收入和业务影响都得到了显著提升。

再举一个金融领域的案例，主角是一家头部银行，它是我们的第一个客户。在大约2020年左右的三年时间里，该银行围绕其APP推出泛生活及金融场景，确立了以 MAU（每月活跃用户数）为核心的“北极星”指标。他们认为，未来的颠覆不来自于金融行业本身，而支付和金融服务却极易被消费端场景颠覆。如果用户每天90%的时间花在淘宝、拼多多、抖音、快手等平台上，而这些平台又在布局电商和支付，那么银行的用户就可能被“吃掉”。

基于这一思路，该银行制定了一系列子指标来支撑 MAU 的目标，包括：

• 拉新指标：如何吸引新用户（例如普通用户的新增和外部买量）。

• 促活指标：如内部转发量、触达时长、内容点击率及每日APP使用时长和留存情况。

• 变现指标：关注 AUM（资产管理规模）的增速，重点在于提升存款、贷款的增长，以及理财产品购买的比例和购买量。

我们将该银行在线上线下的各类场景，如APP内的交互、电话外呼、客服关怀等，进行全面梳理，并利用人工智能不断优化这些场景，最终实现用户拉新、活跃与变现的整体提升，进而推动 MAU 指标的改善。

在制造业领域，我们的客户之一是一家头部车企。该企业的核心目标是提升订单的准时交付率，计划将这一指标提高大约10个百分点，同时缩短整车下线的流水线时间，确保交付过程更加可控。为实现这一目标，我们将准时交付率细化为多个关键环节，并进一步拆解为：

• 研发效率：包括外观设计更新目标、零件重用率目标等，与设计直接相关的指标。

• 供应链效率：侧重于物流、仓储成本及现货率等目标。

• 生产效率与良品率：通过对生产过程中各环节的优化来提升整体效率。

在此基础上，我们针对具体场景提出了多项优化措施。例如：对生产过程中使用的CAD软件进行优化，提高零件重用率；优化CIM系统，改善供应链管理；改造排产系统及MAss系统，以提升排产及生产调度的效率。

以上这些实践案例，展示了我们赋能企业进行数字化和人工智能应用方面积累的实战经验，并获得了外界包括政府部门及专业评比奖项的认可。

4、导师陈雨强答校友问

在授课最后的提问环节，针对嘉宾派校友企业家们提出的问题，导师陈雨强一一进行了解答和回应。这部分内容以问答形式呈现。

嘉宾派校友企业家与陈雨强互动现场

兑吧集团COO朱江波：兑吧与第四范式有很多相同点，比如都是2014年创立，都是做To B业务，都在港股上市。和第四范式类似，兑吧在发展过程中也服务了非常多的行业的客户，从互联网行业到全零售行业等等。而在上市之后，我们做出做垂类SaaS公司的战略定位，并聚焦于金融行业。第四范式的发展历程也是做金融行业业务出发的，如果重新来过，第四范式是否依然会选择从金融行业切入来发展？

陈雨强：目前，我们的主要客户集中在金融、零售、电信和能源等传统高利润行业。一大原因在于，当前的AI技术成本仍然较高。因此，只有在利润率较高的行业中，企业才能承担这样的技术投入。

如果回到企业发展之初，重新再去选客户，我们依然会优先选择银行。原因在于：银行具备雄厚资金实力。而且，银行在数字化转型早期，就实现了数据连通和中心化，其对数据精确性要求极高。同时，银行场景相对标准化，核心业务主要包括存款、贷款、控风险以及提升经营效率，其优化目标比较一致，便于标准化应用和复制。银行的这些天然优势，使其成为第四范式进入AI应用的理想切入点。

钉钉副总裁林锋：在大众的认知中，企业使用定制化大模型的成本和投入较高，交付也更重。我想请教关于企业在定制化型与通用模型之间的抉择问题，以及第四范式在这方面的战略布局和取舍是怎样的？

陈雨强：我认为，一个通用模型难以解决所有企业的问题。第四范式的核心价值在于基于通用平台可以规模化产出解决方案，因为每个企业的经营问题各不相同，即使是在同一银行领域，不同银行的客户结构和战略目标也存在差异。企业决策往往与企业“三张表”密切相关，而各企业在数据、决策依据等方面差异巨大。

因此，尽管中国现有的基础模型发展迅速，但企业要真正落地应用，仍需大量定制化模型来解决具体问题。我们的思路是构建一个平台，通过平台生成一系列定制化模型，从而针对企业不同场景（如供应链、首页推荐等）提供专属解决方案。为降低这部分定制化模型的成本，我们投入了大量精力构建更好的基础模型和数字化平台，以大幅降低各场景的应用成本。

随着AI逐步实现人与系统的直接交互，硬件、智能硬件及穿戴设备等新的应用场景正不断涌现。比如，DeepSeek的日活用户在几个月内就突破了亿级规模，这表明市场对交互式AI有巨大需求。虽然金融领域仍是我们的主攻方向，但新的应用机会同样不容忽视，未来我们可能会推出面向C端的产品。

抖音原媒体合作副总经理潘宇：成长为垂直决策类的人工智能头部公司，第四范式过去做对了什么，才得以奠定今天的这个市场领先地位？和同类企业相比，第四范式的核心竞争力是什么？

陈雨强：如果说第四范式做对了什么的话，我认为是坚持平台战略与长期价值。

从一开始，我们就定位于构建一个AI For Everyone的人工智能平台，而非仅仅做定制化的场景解决方案。早期市场上，许多AI平台公司都纷纷转向做场景化应用，甚至外界曾一度将第四范式误解为一家单纯的FinTech（科技金融）公司，因为我们最初在银行领域深耕，且FinTech概念当时正火。但我们的初衷始终明确，即以金融作为切入点，通过平台解决金融及其他行业在未来可能遇到的各种问题。我们坚信，要实现像百度、字节、Google或 Facebook那样的体量，就必须解决各种各样关于平台的问题，既包括解决眼前的问题，又预见未来挑战，去不断打磨产品。

客户对我们的印象也正反映了这一点。他们认为我们不是定制化服务商，而是一家能够引领AI潮流、与客户共同成长的企业。举例来说，第四范式成立三年、团队仅三四十人时，我们就拿下了工行的订单。那次洽谈合作时，工行派出了二三十人，而我们派出的团队只有二三四人。最终，工行没有只让我们做某个单一场景（如风控或OCR），而是将人工智能应用的平台底座交由我们构建。这充分说明了他们对我们平台战略和长期共赢能力的信任。

无论是作为乙方为客户服务，还是与合作伙伴共同成立联合公司，我们始终在探索如何快速实现共赢，而非单边获利。无论大模型是否最终成功，都无法改变这样一个事实：被AI改变的公司与帮助其转型的公司必须共同创造市场增量。

吴婷校长为第四范式颁发案例入选证书

嘉宾商学创办人、校长吴婷：我和第四范式创始人戴文渊在十年前就认识了，见证了公司茁壮成长的过程，也看到过公司经历的一些危难时刻。如果第四范式未来倒下了，你认为会是什么原因？

陈雨强：在企业经营过程中，不可避免地会思考“如果倒下怎么办”的问题。但实际上，我个人并没有过多纠结于此。正如有人问“为什么要创业”，我的回答往往是：因为没有想太多倒下的可能，所以才敢创业。回忆起与公司另一位联合创始人时伟的经历：我曾在字节担任算法负责人，而时伟是链家转型时期的重要技术人员。当年，我们曾与张一鸣、戴文渊等人频繁交流，虽然创业的失败率极高，但在一次次讨论中，我们发现没有绝对成功的逻辑，只有不断尝试、不断适应市场的变化。正是这种不拘泥于“倒下”的忧虑，让我们敢于走出舒适区，聚焦于如何与客户共同创造价值。

我们也曾担心来自华为这样执行力极强的大厂。因为华为有着极高的组织能力，一旦策略落地，其执行效率可能远超小公司的速度。但我深知，真正的竞争对手不是某个具体的友商，而是如何充分发挥人工智能的整体价值。目前，虽然在一些领域AI已经带来了显著效益，但在更多场景下，人工智能的潜力尚未完全释放。我们面临的最大挑战，是能否撑过“黎明前的黑暗”，等待那一天AI潜力全面爆发。

吴婷：作为垂直领域的这个人工智能公司，你们认为AGI（通用人工智能）何时会以何种方式到来？

陈雨强：关于AGI，我认为中美两国在探索AGI的路径上存在差异。美国依靠雄厚的算力优势，可以采用大规模算力驱动AGI；而中国虽然在算力上略有劣势，但拥有丰富的产业场景和数据。这里存在两种技术路线的对比：一种是构建一个超级“大脑”，试图让单一模型解决所有问题；另一种则是构建大量专业化、垂直领域的模型，并通过一个智能的大脑将它们有效协调起来。

就目前而言，行业的绝对的共识是大模型不可能解决所有问题，真正的AGI一定是一系列的垂直模型，而垂直模型必须是得额外研发的。生活或许可以AGI，工作一定需要垂直模型。因为生活数据是公开的。而工作数据彼此不通，底层原理不一样，所以就需要垂直模型。

最后，我想重点谈谈很多中国企业走的路线，即通过丰富场景和数据构建垂直模型，再由智能“调度中心”整合的协同模式，或许更符合人类理想中的AGI形态。我认为，这是中国的一个重要机会，因为每个垂直模型的构建离不开充足的数据和场景，而我们有能力在这方面做出创新和突破。

授课 | 陈雨强 第四范式联合创始人、首席科学家

出品 | 嘉宾商学