每經(jīng)記者｜可楊    每經(jīng)編輯｜張海妮    

開欄語

大模型正從技術(shù)競逐的“實驗室”加速奔向產(chǎn)業(yè)落地的“深水區(qū)”。在這波浪潮中，一些先行者以敏銳的洞察力與破局勇氣，率先探索技術(shù)與場景的融合邊界——他們是打破算力桎梏的開源先鋒，是深耕垂直領(lǐng)域的場景拓荒者，是構(gòu)建生態(tài)協(xié)同的產(chǎn)業(yè)布道者。

聚焦大模型應(yīng)用落地的“最后一公里”，我們對話以技術(shù)為矛、以場景為盾的探索者，試圖勾勒出一幅大模型賦能千行百業(yè)的“清明上河圖”，為行業(yè)提供可復(fù)用的方法論，也為中國AI產(chǎn)業(yè)的全球化突圍注入信心與動能。

（策劃：郭榮村、李少婷）

義烏小商品城外貿(mào)出海成風(fēng)，不懂英語的店員對著海外直播平臺熱情闡述，大模型幫他們將訂單統(tǒng)統(tǒng)攬下，這離不開AI（人工智能）翻譯的功勞。

在大模型重塑千行萬業(yè)的浪潮中，傳統(tǒng)翻譯已發(fā)展成為集語言理解、知識處理、文化適配于一體的綜合性智能服務(wù)體系。換句話說，翻譯不再是被動接受技術(shù)賦能的領(lǐng)域，而是主動引領(lǐng)大模型產(chǎn)業(yè)變革的前沿試驗場。

但熱潮的另一面，是智能語言服務(wù)行業(yè)靜默的變革——機器翻譯增多，人類譯員的工作并沒有隨之減少，然而單價出現(xiàn)下降；訂單量的增長與盈利能力的滯漲構(gòu)成悖論。在這場人機博弈中，終極勝負手或許就藏在未被算法吞噬的認(rèn)知褶皺與知識基因之間。

近日，《每日經(jīng)濟新聞》記者專訪了國家專精特新“小巨人”企業(yè)——傳神語聯(lián)網(wǎng)網(wǎng)絡(luò)科技股份有限公司（以下簡稱傳神語聯(lián)）創(chuàng)始人何恩培。

當(dāng)前，大模型的競爭已邁入第三年，新的玩家突出重圍，座次又生變化。何恩培認(rèn)為，此時談定局為時尚早，大模型還遠未成熟，當(dāng)前更像是1920年的電氣時代，基礎(chǔ)技術(shù)已經(jīng)誕生，但五花八門的應(yīng)用尚未被發(fā)掘。

在他看來，智能語言服務(wù)行業(yè)正在從“單純的語言轉(zhuǎn)換”轉(zhuǎn)向“知識理解與應(yīng)用”。趨勢之下，傳神語聯(lián)選擇“后撤一步”，提供服務(wù)于行業(yè)的底層技術(shù)和工具。而在面向應(yīng)用提供服務(wù)的過程中，他們意識到，“大數(shù)據(jù)”并不適用，質(zhì)量更重于數(shù)量。

 

人機博弈：訂單貶值，發(fā)力底層

技術(shù)發(fā)展的腳步越快，各行各業(yè)面臨的拷問就越相似——人工智能會取代我們嗎？

在這場關(guān)乎生存的討論中，智能語言服務(wù)行業(yè)是最早被卷入的領(lǐng)域之一。早在大模型熱潮來臨之前，機器翻譯就在不斷進化，逐步蠶食著人工翻譯的生存空間。

這種焦慮也沖擊著客戶的預(yù)期：如果機器翻譯能做到“基本能看懂”，為什么還要支付高昂的翻譯費用？

生成式AI席卷而來，人工翻譯會成為最先被取代的職業(yè)嗎？

“我可以給大家一個結(jié)論：翻譯可能是人類和機器博弈中最后消亡的行業(yè)。”何恩培篤信，語言不僅僅是溝通工具，也是人類思考的“操作系統(tǒng)”，是一個復(fù)雜而動態(tài)的體系，機器需要通過自然語言來理解世界。

但在這場人類與機器的“博弈”中，智能語言服務(wù)行業(yè)呈現(xiàn)出一個值得探究的信號：訂單增長幅度顯著高于收入增長。何恩培拋出這樣一組數(shù)據(jù)：2024年，傳神語聯(lián)的智能語言服務(wù)收入增長了10%，但訂單量增長了30%。

表面上看，這是一個樂觀的信號，訂單量增長說明市場需求仍然旺盛，但訂單的碎片化趨勢正在重塑行業(yè)——過去，一個翻譯訂單可能價值不菲，現(xiàn)在訂單金額卻越來越小，“因為客戶自己能‘看懂’了”。

機器翻譯的普及使得語言不再是障礙，提供智能語言服務(wù)也不再是一項“從頭到尾”的工作，而成為一種“修訂和優(yōu)化”的服務(wù)。客戶的需求變得更加精準(zhǔn)。同時，客戶對人工翻譯的付費意愿也在下降。既然機器能做到95%的準(zhǔn)確率，為什么還要收這么多錢？

然而，何恩培認(rèn)為，知識型產(chǎn)品具有一個顯著特征，即使機器翻譯的準(zhǔn)確率高達95%，但只要還需要人工從頭至尾審閱，以識別那5%的誤差，處理速度就會回落至人工水平。

人與機器的博弈最終帶來了企業(yè)間的博弈?？蛻羝毡檎J(rèn)為，機器進行初步翻譯，僅需稍作修改即可，進而付費意愿降低；而為了獲客，智能語言服務(wù)企業(yè)選擇壓低價格，而成本端唯一的對沖方式，是不得不在部分場景中使用機器翻譯；機器不可避免地搶走了一部分市場，而人類譯員的工作量減少，但單價也隨之下滑。

博弈中，傳神語聯(lián)選擇“后撤一步”。何恩培解釋，過去，智能語言服務(wù)公司直接服務(wù)于終端客戶，但未來，傳神要做的是“賦能”，讓合作伙伴，比如翻譯公司、中介機構(gòu)，去覆蓋直接的語言需求，而傳神為他們提供底層技術(shù)和工具。

這一策略背后的核心邏輯是智能語言服務(wù)行業(yè)，正在從“單純的語言轉(zhuǎn)換”轉(zhuǎn)向“知識理解與應(yīng)用”。“傳統(tǒng)翻譯的總量并沒有減少，而是產(chǎn)品形態(tài)發(fā)生了變化。”何恩培說，“客戶需要的，不再是簡單的文本轉(zhuǎn)換，而是一整套基于大模型的知識處理能力。”

數(shù)據(jù)不是越多越好：質(zhì)量決定價值

出海，早已成為各家科技企業(yè)繞不開的話題。何恩培認(rèn)為，對于中國企業(yè)而言，AI出海的真正挑戰(zhàn)不僅是語言問題，而是幫助企業(yè)在新的市場環(huán)境中實現(xiàn)知識遷移和業(yè)務(wù)落地。

“他們關(guān)心的是能不能聽‘懂’。”何恩培認(rèn)為，理想的場景是，大模型成為一個知識轉(zhuǎn)換與傳遞的工具，但現(xiàn)實總比理想復(fù)雜。今天的大模型在語言覆蓋上仍存在很大局限，尤其是對于非英語市場，數(shù)據(jù)的訓(xùn)練深度和準(zhǔn)確性仍不足以支撐高質(zhì)量的業(yè)務(wù)應(yīng)用。“每家企業(yè)的現(xiàn)有數(shù)據(jù)都很重要，因為企業(yè)是依據(jù)自身特色出海。”

企業(yè)高質(zhì)量數(shù)據(jù)的稀缺，導(dǎo)致大模型在解決客戶的深度問題上還沒有呈現(xiàn)出絕對優(yōu)勢。“我認(rèn)為（當(dāng)下）距離大模型真正解決客戶問題還有一段路要走。”何恩培表示。

“過去企業(yè)把記錄和數(shù)據(jù)混在一起，他們認(rèn)為工單、硬盤（上的內(nèi)容）也是數(shù)據(jù)，但這只能叫記錄和資料。”他指出，數(shù)據(jù)的價值并不在于存量，而在于其系統(tǒng)化以及可被機器學(xué)習(xí)和推理的程度。

在人工智能發(fā)展初期，行業(yè)普遍追求“大數(shù)據(jù)”——投入數(shù)量龐大的數(shù)據(jù)進行訓(xùn)練，以換取更強大的模型能力。然而，當(dāng)大模型逐漸成為基礎(chǔ)設(shè)施時，數(shù)據(jù)的“質(zhì)量”將比“數(shù)量”更重要。

在何恩培看來，數(shù)據(jù)、參數(shù)和算法并非孤立存在，而是一種動態(tài)平衡關(guān)系；數(shù)據(jù)和參數(shù)規(guī)模在一定范圍內(nèi)能帶來性能增長，但算法創(chuàng)新才是突破“天花板”的關(guān)鍵。

早期開發(fā)翻譯軟件時，何恩培已經(jīng)體會到數(shù)據(jù)和規(guī)則規(guī)模的邊際效應(yīng)。“當(dāng)我們設(shè)定了1.5萬條翻譯規(guī)則時，效果非常好。但當(dāng)規(guī)則規(guī)模擴展到2萬條（時），（效果）反而變差了。”原因很簡單，數(shù)據(jù)之間、規(guī)則之間存在沖突，統(tǒng)計概率的關(guān)系也可能產(chǎn)生矛盾——換句話說，數(shù)據(jù)或參數(shù)在某個階段的增加確實能帶來提升，但當(dāng)增長到一定程度，如果算法不突破，模型的質(zhì)量反而會下降。

數(shù)據(jù)問題是傳神語聯(lián)提出“數(shù)推分離”架構(gòu)的核心原因。何恩培回憶，最早在2021年，傳神語聯(lián)為法律行業(yè)開發(fā)了一套AI系統(tǒng)，能夠?qū)W習(xí)過去十年的法律案例。然而客戶很快提出了一個關(guān)鍵問題：新產(chǎn)生的數(shù)據(jù)怎么辦，還要重新訓(xùn)練一次嗎？

這促使他們開始思考：如果數(shù)據(jù)和推理能夠分離，AI系統(tǒng)就可以在不依賴大規(guī)模訓(xùn)練的情況下，實現(xiàn)自我學(xué)習(xí)和進化。“我們不需要把所有數(shù)據(jù)壓縮到神經(jīng)網(wǎng)絡(luò)里，而是讓推理大腦保持輕量化，同時支持實時學(xué)習(xí)。”何恩培解釋道，這種架構(gòu)不僅降低了模型的計算成本，還提高了適應(yīng)性，使其能夠在動態(tài)環(huán)境中不斷優(yōu)化自身。

DeepSeek熱潮后，知名投資人朱嘯虎曾提出，以后給數(shù)據(jù)打標(biāo)簽的（工作）都需要博士生來做。何恩培認(rèn)同這個觀點：“我們現(xiàn)在在處理數(shù)據(jù)時，很多時候已經(jīng)是博士生在做了。”在當(dāng)下的人工智能熱潮中，數(shù)據(jù)的價值并不取決于它的數(shù)量，而取決于質(zhì)量，以及隱藏在其中的知識密度。

他舉例，如果一名律師在過去十年處理過500個案件，他的大腦中就沉淀了豐富的專業(yè)經(jīng)驗。當(dāng)有人請教他相關(guān)的問題時，他不需要拿出所有的案卷逐條翻閱，而是可以直接給出綜合判斷和方法論，這位律師的大腦就是一個“行業(yè)大模型”，其價值在于知識的提煉，而不是原始數(shù)據(jù)的堆積。

何恩培認(rèn)為，AI的未來，也將走向這樣的方向。企業(yè)往往不愿意分享自己的高價值數(shù)據(jù)，因為數(shù)據(jù)往往涉及核心業(yè)務(wù)和商業(yè)秘密，但這并不意味著數(shù)據(jù)無法轉(zhuǎn)化為價值：“數(shù)據(jù)可以不外流，但由數(shù)據(jù)訓(xùn)練出的智能是可以共享的。”

談定局為時尚早：大模型還遠未成熟

“回看我們的成長路徑，從最早的2.1B模型，到現(xiàn)在的9B，我們從未在參數(shù)規(guī)模上盲目堆砌，也從未在算力上無止境投入。”何恩培表示，這并不是因為資源不足，而是因為公司始終認(rèn)為，這是一條更有效的技術(shù)路線。

在他的觀點中，衡量大模型價值的核心指標(biāo)并非參數(shù)規(guī)模，而是能否真正解決客戶的問題。這種路徑在行業(yè)內(nèi)也帶來了一定的認(rèn)知挑戰(zhàn)，銷售和前端團隊有時會遇到客戶的疑問：模型參數(shù)還不到100億，算得上是大模型嗎？“但當(dāng)客戶真正使用后，他們就會明白，關(guān)鍵不在參數(shù)，而在效果。”

在當(dāng)下的科技語境中，“國產(chǎn)”“根技術(shù)”“0到1”已然成為熱詞，但在何恩培眼中，這些概念的邊界遠比市場討論的更加復(fù)雜。

何恩培認(rèn)為，根技術(shù)是產(chǎn)品和應(yīng)用最基礎(chǔ)的底層能力，它可以是自己研發(fā)的，也可以是基于開源的，甚至是通過授權(quán)獲得的。但無論如何，“我們掌握了這項技術(shù)，這項技術(shù)也屬于根技術(shù)，掌握了根技術(shù)，至少代表我們自己有了一定的主動性”。而“（從）0到1的技術(shù)”則等于是某項應(yīng)用發(fā)明，它既可以在應(yīng)用層，也可以在根層。

在他看來，AI的未來競爭，不僅僅是參數(shù)規(guī)模的競賽，而是底層技術(shù)框架的競爭，未來人工智能會衍生出無數(shù)的行業(yè)專用模型，而這些模型的底層架構(gòu)將決定它們的智能邊界。

“根原創(chuàng)”是何恩培提出的概念，他認(rèn)為這是根技術(shù)當(dāng)中最有生命力的一部分，“你只有在‘根’上創(chuàng)新，才能真正擁有自己的技術(shù)思想。”何恩培強調(diào)，技術(shù)體系是帶有思想性的，如果所有的技術(shù)來源都依賴于外部的開源框架，就很難擺脫既有框架的思想束縛。而當(dāng)企業(yè)在根技術(shù)層面擁有自主權(quán)時，它不僅能擺脫對外部技術(shù)的依賴，還能決定自身技術(shù)演進的方向，這才是最有創(chuàng)新價值的部分。

在商業(yè)層面，大模型競賽邁入第三年，關(guān)于大模型的商業(yè)模式、技術(shù)最終是不是應(yīng)該是免費的，在行業(yè)內(nèi)越來越被關(guān)注。過去，許多科技公司的商業(yè)模式都是先“燒錢做免費”，再通過其他方式盈利。例如，搜索引擎免費，但靠廣告賺錢；手游免費，但靠道具收費。

然而，大模型的情況似乎更為復(fù)雜。何恩培的核心觀點是：To B（企業(yè)級）市場的AI服務(wù)，不可能是免費的。“企業(yè)使用AI的核心目的是解決業(yè)務(wù)問題，而解決問題就一定會有成本。”他說，“只是說在競爭中把成本降到最低，一定不會免費。因為（一旦）免費，它就缺乏了這項技術(shù)持續(xù)運轉(zhuǎn)的能力，這由技術(shù)的稀缺性和商業(yè)模式共同決定。”

何恩培認(rèn)為，今天的大模型遠遠沒有成熟，市場格局還未定型，現(xiàn)在討論最終格局為時尚早。

當(dāng)前更像是1920年的電氣時代，電力技術(shù)已經(jīng)成熟，但沒人能想到后面還有那么多家電、設(shè)備會被發(fā)明出來。一方面，今天的大模型很多問題尚未解決，不可能像一個成熟產(chǎn)品一樣占領(lǐng)所有領(lǐng)域；另一方面，當(dāng)前市場競爭依舊集中在通用大模型方面，但垂直場景中的模型尚未爆發(fā)。“也許未來可能有一萬個AlphaFold（一種人工智能模型）在不同行業(yè)，這才（會）形成大模型的完整生態(tài)。”何恩培說。