巨頭扎堆深耕產業AI，滴普科技以「本體大模型」升級AI落地模式

5月以來，企業AI賽道的風向徹底變了。

海外巨頭率先吹響轉向號角。先是Anthropic攜手黑石、高盛成立企業AI服務公司，以將Claude嵌入企業核心運營；緊接着OpenAI成立Deployment Company，並通過收購Tomoro引入約150名Forward Deployed Engineers和部署專家，劍指企業級AI落地。

一個清晰的產業共識浮現。曾經轟轟烈烈的通用大模型「軍備競賽」，讓位於企業級工程化能力的比拼。與此同時，國內市場的企業AI應用也度過了早期的嚐鮮與驗證階段，企業開始嚴肅思考AI能不能創造可量化的業務價值。

然而，再強大的通用模型，似乎仍與複雜的企業業務場景隔着一道無形的牆。

破局關鍵，究竟在哪里？

一、企業AI落地出現結構性瓶頸，通用模型的能力邊界顯現

其實早在海外廠商行動之前，國內政策已為這一產業轉向指明方向。

2026年4月28日，工業和信息化部與國家數據局聯合啟動「模數共振」行動，明確提出重點面向鋼鐵、石化化工、有色金屬等20個重點行業或領域，攻關「藴含工業和信息化領域技術機理的行業模型、專用模型和特色智能體」，構建「行業通識和行業專識高質量數據集」。

幾乎同時，國家網信辦、國家發展改革委、工業和信息化部三部門於2026年5月8日聯合印發《智能體規範應用與創新發展實施意見》，明確了智能體的核心定義與發展原則，並劃定了19個典型應用場景。

兩項政策都非常務實，並傳遞出同一信號，在企業AI的深水區，不能靠一個通用模型打天下，需要從模型能力走向數據、場景、行業知識與智能體能力的協同。

現實的確如此。無論是Claude、ChatGPT還是DeepSeek、豆包，它們的通用智能毋庸置疑，能寫代碼、能做總結、能模擬對話，但一旦進入製造、零售、金融等行業的深度業務場景，就立刻失靈。

滴普科技創始人、董事會主席、執行董事兼CEO趙傑輝在近期署名文章中指出，企業級AI落地的核心障礙在於通用模型缺乏「業務語義層Plan能力」。簡單説，它看不懂業務對象在企業本體中的專屬語義，分不清派生量節點並觸發反向追溯，更無法在多目標、多規則約束下進行優先級仲裁與約束求解。

圖： 業務語義層 Plan 的多種推理策略示意

圖片來源：《本體大模型，企業級智能體落地的產品化探索》，趙傑輝

換言之，通用大模型聰明，卻未必懂行。

面對通用模型的失靈，滴普給出的解法，是跳出通用模型的思維定式，做懂業務的本體大模型。

滴普科技的本體大模型核心是Deepexi企業大模型。該模型建立在滴普八年服務近400家頭部企業所積累的Deepology數據集之上。該數據集包含108個業務本體，並以靜態結構層、路徑模板層、現象級實例層三種範式構建，覆蓋製造、零售、醫療、金融、政務等行業，是公開語料中從未存在過的行業Know-how。

更具體地説，Deepexi企業大模型的核心創新在於其兩層Plan能力融合的架構。第一層是業務語義層Plan。它深入企業本體，專門內化了多種關鍵的業務推理策略，相當於為AI裝備了理解業務、進行邏輯推演的大腦。第二層是通用執行層Plan，其語義底座是通用工具集，負責將業務意圖翻譯成具體的工具調用序列。通過這種架構，Deepexi企業大模型獲得了在企業本體語義空間上進行規劃與推理的獨特能力。

圖：本體大模型的兩層 Plan架構

圖片來源：  《本體大模型，企業級智能體落地的產品化探索》，趙傑輝

然而，當前資本市場關注的已經不是單純的技術方案，而是產業意義，即AI能否重構企業AI的落地方式與盈利邏輯。

二、本體大模型升級FDE模式，重構企業AI Token經濟學

具體來看，滴普科技的本體大模型路徑，重構了企業級AI落地中兩個深層模式。

首先，本體大模型是對經典FDE（前線駐紮工程師）模式的升級與重塑。

全球頂尖投資機構a16z曾指出，越來越多AI公司正在採用Palantir模式，不只賣軟件或API，而是派出FDE深入客户現場，構建可運行的AI工作流。這也是Palantir受資本市場追捧的關鍵。

目前，Palantir、Anthropic、OpenAI等海外企業都在加碼探索FDE模式，而國內已有廠商採取着相似的服務模式，滴普科技正是其中的代表。

但與Palantir推出了AI FDE來操作其Foundry平臺不同，滴普科技選擇的則是本體推理能力訓練進模型權重，將邊的程序語義、推理動作的條件反射直接編碼為模型參數中的能力，並通過Deepexi Foil作為本體的存儲與演化載體。

趙傑輝直言，用大模型完成FDE的部分工作，是產業演進的必然方向。滴普科技並不是要取代人類專家，而是把FDE工作中重複、通用的環節，用模型實現自動化。

另一方面，本體大模型重構了企業AI的Token經濟學。

「企業AI落地是一道Token經濟題，」趙傑輝總結，「通用模型把Token單價壓下來，Deepexi把Token的業務密度提上去。」

當前，DeepSeek V4等模型以「價格屠夫」姿態出現，Token基礎成本正快速下降，成為廉價的數字生產資料。但問題在於，通用模型只能降本，卻不懂業務。海量Token消耗下去，大多是無效算力浪費，用得越多，浪費越嚴重。本體大模型則補齊這一短板，致力於讓每一次推理和工具調用都精準指向業務目標，從而極大提升每個token所承載的業務價值密度。

滴普科技還在此基礎上更進一步。通用模型負責將成本做低，本體大模型負責將價值做高，兩者在FastAGI企業智能體平臺上協同，形成可盈利的商業算式。

這套邏輯，已經在滴普2025年財報中得到了驗證。其FastAGI業務收入同比暴增181.5%至2.54億元，成為增長主引擎，這推動公司整體營收同比增長70.8%，同時虧損大幅收窄。尤其是，在此過程中，滴普科技從項目制向Token消耗與AI員工訂閲制的商業模式轉型；換而言之，滴普科技蜕變成一個與Token經濟發展、產業價值增長深度綁定的生態型平臺。

值得一提的是，a16z曾一針見血地指出，如果每個客户都都需要無限堆人服務，那只是諮詢業務；真正的好公司應該隨着客户成熟，不斷降低服務成本、提升平臺複用率。

Deepexi採用的三層訓練架構巧妙地破解了AI落地規模不經濟的魔咒。三層訓練架構是能力訓練（跨企業複用）—行業本體持續預訓練（同行業複用）—客户本體注入（企業專屬）的遞進模式，前兩層高昂的固定研發成本可隨客户規模擴大被快速攤薄，只有體量最小的第三層纔是客户專屬投入。這使得單家客户的交付成本隨規模效應顯著降低，面向單一大客户的深度交付在經濟上變得可行。

畢竟，企業AI落地的終極目標，從來不是技術多先進，而是效率夠高、能賺錢。

結語

企業AI的通用時代已經落幕，本體時代正在登場。

政策導向、巨頭動作、市場需求，都在指向新的方向，即AI必須紮根產業、懂業務、能落地。滴普的本體大模型，本質上是提供了一條技術適配業務、價值優先於成本的務實路徑。

或許就是企業AI下一個十年的核心主線。