作者：彭昭（智次方創(chuàng)始人、云和資本聯(lián)合創(chuàng)始合伙人）
這是我的第367篇專欄文章。
在之前的幾篇文章中，我重點(diǎn)探討了邊緣智能的發(fā)展趨勢。
如今，端側(cè)AI和邊緣智能已經(jīng)成為業(yè)界關(guān)注的焦點(diǎn)，從科技巨頭到創(chuàng)新型初創(chuàng)公司，無不將目光瞄準(zhǔn)這一新興領(lǐng)域。英偉達(dá)、OpenAI、谷歌、亞馬遜等行業(yè)翹楚紛紛布局邊緣AI，力圖搶占先機(jī)。
市場研究數(shù)據(jù)更是印證了邊緣AI的廣闊前景。
根據(jù)《邊緣AI終極指南：邊緣AI業(yè)務(wù)轉(zhuǎn)型手冊》的預(yù)測，全球邊緣AI市場規(guī)模將從2023年的190億美元飛躍至2033年的1630億美元。IDC近期對27個企業(yè)行業(yè)的調(diào)研顯示，2025年全球在邊緣計算解決方案上的支出，將達(dá)到近2610億美元，并以13.8%的年復(fù)合增長率持續(xù)攀升，預(yù)計到2028年將突破3800億美元大關(guān)。
知名研究機(jī)構(gòu)Gartner也給出了令人矚目的判斷：到2025年，超過50%的企業(yè)管理數(shù)據(jù)將在數(shù)據(jù)中心或云端之外被創(chuàng)建和處理。
到2026年，至少半數(shù)的邊緣計算部署將具備機(jī)器學(xué)習(xí)能力，而2022年這一比例還僅為5%。
智能邊緣的進(jìn)化，不僅帶來了算力下沉、實(shí)時決策等技術(shù)變革，也催生了AI的新發(fā)展：垂類大模型。
傳統(tǒng)的通用大模型在面對復(fù)雜多變的行業(yè)需求時，往往難以兼顧效率與精度。為了讓AI模型更好地理解行業(yè)知識，解決特定領(lǐng)域問題，垂直行業(yè)的定制化大模型應(yīng)運(yùn)而生。
因此，本文將圍繞AIoT領(lǐng)域的垂類模型發(fā)展趨勢展開深入分析。我們將探討以下核心問題：為什么AIoT特別需要垂類模型？邊緣AI與垂類模型之間如何實(shí)現(xiàn)互促共贏？垂類模型落地AIoT的機(jī)遇與挑戰(zhàn)有哪些？
場景為王，模型為器：垂類模型的必然崛起
在通用大模型風(fēng)靡全球的今天，我們也應(yīng)當(dāng)冷靜審視它們在AIoT場景中的局限性。通用大模型并非無所不能，特別在AIoT這種與物理世界深度耦合的領(lǐng)域，它們面臨著“物理盲區(qū)”的困境。
雖然通用大模型在文本生成、圖像理解和人機(jī)交互方面展現(xiàn)了卓越的能力，但這些能力更多源于“大數(shù)據(jù)統(tǒng)計推理”，而非對真實(shí)物理世界的深度理解。
AIoT領(lǐng)域的數(shù)據(jù)具有其獨(dú)特的特質(zhì)：大量數(shù)據(jù)源于傳感器、機(jī)器設(shè)備、環(huán)境變量，其核心特征是時間序列性、非結(jié)構(gòu)化、實(shí)時性和噪聲干擾。
通用大模型往往難以有效處理這種復(fù)雜結(jié)構(gòu)的數(shù)據(jù)，缺乏對物理規(guī)律、設(shè)備狀態(tài)、環(huán)境上下文的建模能力。一項(xiàng)實(shí)驗(yàn)表明，當(dāng)GPT-4處理原始傳感器數(shù)據(jù)時，其活動識別準(zhǔn)確率僅為40%，機(jī)器診斷準(zhǔn)確率也只有50%，遠(yuǎn)低于行業(yè)可接受的標(biāo)準(zhǔn)。
這一結(jié)果揭示了一個關(guān)鍵問題：通用模型缺失的不僅僅是參數(shù)，更是場景知識與物理邏輯。
隨著AI從炫技走向?qū)嵱茫瑥目捎米呦蚩煽?，AIoT對智能的要求正在從“通用”向“垂直”演進(jìn)。因此，垂類大模型成為了讓AI從“通用智能”走向“場景智能”的必然路徑。
何謂垂類大模型？
它是指在特定行業(yè)或場景中，通過領(lǐng)域數(shù)據(jù)和專業(yè)知識進(jìn)行深度預(yù)訓(xùn)練與微調(diào)的大模型系統(tǒng)。與通用模型相比，垂類大模型有三大顯著特征：
領(lǐng)域?qū)＞?/strong>聚焦某一垂直行業(yè)（如制造、能源、物流、園區(qū)、醫(yī)療等）
知識注入：融入行業(yè)知識圖譜、規(guī)則引擎和專業(yè)術(shù)語體系
性能優(yōu)化：在特定任務(wù)上具備更高的準(zhǔn)確率和更低的資源消耗
總的來說，垂類大模型具備以下三大優(yōu)勢：
首先，它面向特定行業(yè)和場景設(shè)計，能夠理解行業(yè)語言和業(yè)務(wù)流程，具備“懂場景”的能力。例如在智慧工廠中，垂類模型不僅能識別設(shè)備異常，更能推理出可能的工藝偏差。
其次，由于訓(xùn)練數(shù)據(jù)更加聚焦、模型結(jié)構(gòu)更加優(yōu)化，垂類模型在關(guān)鍵任務(wù)（如預(yù)測性維護(hù)、能源調(diào)度、狀態(tài)識別）上表現(xiàn)更加穩(wěn)定，可解釋性與可控性更強(qiáng)，有利于企業(yè)合規(guī)與決策。
最后，垂類模型通常具備更好的模型壓縮能力與推理效率，可部署在邊緣側(cè)實(shí)現(xiàn)本地計算，滿足AIoT對實(shí)時性、低延遲和離線運(yùn)行的強(qiáng)需求。
為什么AIoT格外需要垂類模型？
根本原因在于，AIoT不是一個單一場景，而是千行百業(yè)的交叉融合體。它的智能化升級路徑，本質(zhì)上是從“設(shè)備智能”到“場景智能”的躍遷，而這一躍遷的關(guān)鍵支撐正是垂類大模型。
AIoT的數(shù)據(jù)是行業(yè)化的，模型也必須是行業(yè)化的；
AIoT的決策是場景驅(qū)動的，模型也必須懂場景邏輯；
AIoT的發(fā)展是邊緣驅(qū)動的，模型也必須能“下沉”運(yùn)行。
在這種背景下，通用大模型就像一把萬能鑰匙，在現(xiàn)實(shí)中卻打不開那些“行業(yè)之門”；而垂類模型才是量身定制的“專用鑰匙”，真正具備穿透場景、落地業(yè)務(wù)的能力。
AIoT的本質(zhì)是“場景為王”，垂類模型才是AI真正落地千行百業(yè)的那雙“腳”。唯有從通用到垂直，AIoT智能化才能行穩(wěn)致遠(yuǎn)。
從“泛”到“?！?，從邊緣智能到智能邊緣
邊緣智能的飛速發(fā)展正在倒逼AI模型“下沉”到端和邊，而垂類模型更適合在資源受限的邊緣環(huán)境中高效運(yùn)行。
邊緣AI與垂類大模型在AIoT領(lǐng)域并非嚴(yán)格的“前后關(guān)系”，而是“相互驅(qū)動、螺旋共進(jìn)”的關(guān)系。
在落地實(shí)踐中，存在著邊緣智能先行，垂類大模型隨后深化的趨勢。
具體來看，邊緣AI是一種計算架構(gòu)的優(yōu)化與下沉，強(qiáng)調(diào)將AI算力、模型推理、數(shù)據(jù)處理等能力下沉到邊緣設(shè)備；而垂類大模型則強(qiáng)調(diào)模型能力的專業(yè)化、精細(xì)化、行業(yè)化，是一種模型訓(xùn)練與知識注入的深化。因此，兩者是不同維度的技術(shù)演進(jìn)，但互為條件。
一方面，邊緣設(shè)備與終端數(shù)據(jù)的爆發(fā)，提供了豐富的行業(yè)私域數(shù)據(jù)，為訓(xùn)練和微調(diào)垂類大模型提供了關(guān)鍵的數(shù)據(jù)源。邊緣AI的普及，也推動了模型部署能力的增強(qiáng)，使得垂類模型具備可落地的“容器”。
另一方面，垂類大模型的引入，提升了邊緣智能的“智能等級”，讓邊緣設(shè)備不僅能“感知世界”，還能“理解場景”，推動邊緣AI從“感知”向“認(rèn)知”躍遷。
從技術(shù)演進(jìn)路徑看，邊緣智能呈現(xiàn)出先行的態(tài)勢。
總的來說，邊緣智能的成熟是垂類大模型落地AIoT的前提條件之一，但兩者并非嚴(yán)格的先后順序，而是互為條件、協(xié)同演進(jìn)。
邊緣AI為垂類大模型提供了“運(yùn)行平臺”和“數(shù)據(jù)燃料”；垂類大模型為邊緣智能注入“認(rèn)知能力”和“行業(yè)知識”。企業(yè)在戰(zhàn)略上應(yīng)“雙線并進(jìn)”，一手抓邊緣基礎(chǔ)設(shè)施升級，一手抓模型垂直化訓(xùn)練與應(yīng)用。
具體而言，邊緣智能與垂類大模型的融合主要沿著三條路徑展開：場景驅(qū)動、架構(gòu)演進(jìn)與數(shù)據(jù)閉環(huán)。
場景驅(qū)動是從“泛智能”到“場景智能”的轉(zhuǎn)型。
AIoT的核心價值在于用AI解決具體問題，而這些問題往往是高度場景化的。每一個垂直行業(yè)的業(yè)務(wù)邏輯、數(shù)據(jù)結(jié)構(gòu)和優(yōu)化目標(biāo)都截然不同，通用大模型無法理解其中的本質(zhì)差異。只有通過垂類大模型，才能將“行業(yè)語言”轉(zhuǎn)換為“機(jī)器語言”，實(shí)現(xiàn)真正的業(yè)務(wù)智能。
典型應(yīng)用場景包括智能制造、智慧城市、能源管理等。邊緣智能的技術(shù)趨勢是“技術(shù)泛化”，但落地路徑是“場景垂直”。真正有價值的模型，不是最通用的，而是最懂業(yè)務(wù)的。
架構(gòu)演進(jìn)是從“云+端”到“云+邊+端”的智能協(xié)同。
隨著邊緣計算能力的增強(qiáng)，AIoT架構(gòu)開始發(fā)生深刻變化?！霸?邊+端”三層協(xié)同成為主流模式，其中云負(fù)責(zé)大模型訓(xùn)練、統(tǒng)一知識管理、策略下發(fā)；邊實(shí)現(xiàn)模型推理、輕量微調(diào)、實(shí)時響應(yīng)；端負(fù)責(zé)采集數(shù)據(jù)、執(zhí)行動作、反饋結(jié)果。
垂類大模型需要適應(yīng)這種架構(gòu)，通過在云端訓(xùn)練、邊緣側(cè)剪枝壓縮部署，以及支持邊緣小樣本微調(diào)等方式，提升模型對局部環(huán)境的適應(yīng)性。邊緣智能不再是簡單的“附加層”，而是“智能前線”。只有當(dāng)垂類模型具備邊緣部署能力，AIoT才能真正實(shí)現(xiàn)“所見即所得、所感即決策”。
數(shù)據(jù)閉環(huán)則是用私域數(shù)據(jù)驅(qū)動模型持續(xù)演進(jìn)。
AIoT場景下的數(shù)據(jù)高度分散、私有化、邊緣化，這為模型優(yōu)化帶來挑戰(zhàn)，也提供了機(jī)會。通過在邊緣設(shè)備上采集結(jié)構(gòu)化/非結(jié)構(gòu)化數(shù)據(jù)，完成本地推理，并將結(jié)果與實(shí)際情況比對，輸出誤差反饋，用于模型微調(diào)，最終形成自適應(yīng)閉環(huán)，是優(yōu)化大模型的關(guān)鍵路徑。
私域數(shù)據(jù)更貼近業(yè)務(wù)、更敏感、實(shí)時性更強(qiáng)，具備更高的決策價值。企業(yè)需要建立數(shù)據(jù)閉環(huán)機(jī)制，讓模型“用得越多，越懂你”。邊緣AI既是感知世界的“神經(jīng)末梢”，也是智能演進(jìn)的“數(shù)據(jù)金礦”。
因此邊緣智能與垂類大模型是AIoT的“雙引擎”，場景化、架構(gòu)化、數(shù)據(jù)化是二者融合的三大路徑。
大模型的下半場，是垂類模型的主場
隨著AI大模型從技術(shù)突破期邁入產(chǎn)業(yè)融合期，競爭的焦點(diǎn)也悄然轉(zhuǎn)移。未來的差異化競爭，不再是誰擁有更大的模型參數(shù)，而是誰真正掌握行業(yè)Know-how，構(gòu)建了自己的“行業(yè)大腦”。
在AIoT 2.0時代，企業(yè)智能化的高度，不再取決于是否“擁抱AI”，而是是否具備“行業(yè)+模型”的深度融合能力。具備垂類大模型能力的企業(yè)，才有能力讓AI真正落地到業(yè)務(wù)流程中，構(gòu)建穩(wěn)定、可控、可持續(xù)的智能化體系。
過去幾年，AI大模型的競爭像是一場“軍備競賽”：參數(shù)越多、語料越廣、算力越強(qiáng)。但人工智能在千行百業(yè)中的實(shí)際落地告訴我們：模型再大，若不懂行業(yè)，仍是空轉(zhuǎn)。
通用模型像百科全書，什么都知道；垂類模型像行業(yè)專家，知道怎么做。在AIoT中，真正的關(guān)鍵不是模型能說幾種語言，而是能否聽懂機(jī)器的信號、理解工廠的運(yùn)轉(zhuǎn)邏輯、判斷電網(wǎng)的負(fù)載風(fēng)險。
未來的核心競爭力，就是誰更懂“行業(yè)+模型”。這標(biāo)志著“人工智能+”階段的大模型，正在經(jīng)歷一次范式轉(zhuǎn)移，從“參數(shù)競爭”走向“場景競爭”。
要實(shí)現(xiàn)“懂行業(yè)”的智能，企業(yè)必須走出“通用模型即萬能工具”的誤區(qū)，進(jìn)入垂類大模型的深度定制化階段。一般包括四個步驟：
第一，業(yè)務(wù)分析與場景選擇，確定企業(yè)最具智能化價值的核心場景，如預(yù)測性維護(hù)、能耗優(yōu)化、異常檢測、路徑規(guī)劃等，需要AI團(tuán)隊(duì)與業(yè)務(wù)團(tuán)隊(duì)深度協(xié)同，明確AI的“用武之地”；
第二，數(shù)據(jù)采集與清洗，構(gòu)建高質(zhì)量的行業(yè)數(shù)據(jù)資產(chǎn)是模型效果的前提，尤其在AIoT場景中，數(shù)據(jù)來源多樣（傳感器、設(shè)備日志、歷史工況等），需處理時間序列、缺失值、異常點(diǎn)等問題；
第三，企業(yè)專屬模型訓(xùn)練，在通用大模型基礎(chǔ)上，利用行業(yè)數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)、指令微調(diào)、知識注入，構(gòu)建具有行業(yè)語義和業(yè)務(wù)邏輯的專屬模型；
第四，場景化應(yīng)用開發(fā)與迭代，將模型能力封裝為API或集成到業(yè)務(wù)系統(tǒng)中，形成智能應(yīng)用，如邊緣部署的智能終端、可交互的運(yùn)維助手、自動化決策系統(tǒng)等，后續(xù)可持續(xù)獲取反饋，構(gòu)建模型迭代閉環(huán)。
值得注意，只有在經(jīng)過市場驗(yàn)證、具備一定通用能力的大模型之上進(jìn)行定制，才能事半功倍，避免“從零造輪子”。
雖然垂類模型已成為AIoT發(fā)展的新趨勢，但實(shí)踐中仍面臨諸多挑戰(zhàn)，不可忽視。
首先是模型訓(xùn)練與微調(diào)的復(fù)雜性，不同行業(yè)對模型的需求千差萬別，沒有一個模板可以通用復(fù)制。
工業(yè)、電力、農(nóng)業(yè)、醫(yī)療等場景在數(shù)據(jù)稀疏度、標(biāo)簽可得性、異常標(biāo)準(zhǔn)定義等方面均有巨大差異。企業(yè)需構(gòu)建具備行業(yè)知識圖譜、規(guī)則引擎與專家系統(tǒng)融合機(jī)制，實(shí)現(xiàn)真正“會思考的模型”。
其次是推理效率與邊緣算力的矛盾，垂類模型必須在邊緣設(shè)備上運(yùn)行，要求模型輕量化、低延遲、高魯棒性。當(dāng)前Transformer類模型在邊緣設(shè)備部署仍面臨資源瓶頸，需采用模型壓縮、蒸餾、量化等技術(shù)。
再次是通用模型與垂類模型的協(xié)同策略，通用模型可作為“知識底座”，提供泛化能力；垂類模型專注于場景優(yōu)化，提供決策效率；未來AI將呈現(xiàn)“通用+垂直+多模態(tài)融合”的結(jié)構(gòu)，形成“云端通用智能 + 邊緣垂類智能”的協(xié)同模式。
最后是數(shù)據(jù)隱私、安全與合規(guī)的挑戰(zhàn)，AIoT場景的數(shù)據(jù)多為企業(yè)私域資產(chǎn)，涉及生產(chǎn)秘密、設(shè)備狀態(tài)、用戶行為等敏感內(nèi)容；法規(guī)也要求明確數(shù)據(jù)使用的邊界；未來應(yīng)發(fā)展“數(shù)據(jù)不動，模型移動”的隱私保護(hù)機(jī)制，如聯(lián)邦學(xué)習(xí)、差分隱私等。
寫在最后
在AIoT 2.0時代，企業(yè)要贏得智能化轉(zhuǎn)型的領(lǐng)先優(yōu)勢，應(yīng)從“追逐模型大小”轉(zhuǎn)向“打造行業(yè)大腦”。這不僅是技術(shù)路線的選擇，更是戰(zhàn)略轉(zhuǎn)型的決策。
誰能更好地將行業(yè)知識與AI技術(shù)融合，誰就能創(chuàng)造出最契合場景需求的智能應(yīng)用。
誰能更好地利用業(yè)務(wù)數(shù)據(jù)資產(chǎn)，誰就能擁有最智能、最可靠的行業(yè)大腦。
誰能更好地打通IT和OT的壁壘，誰就能真正驅(qū)動業(yè)務(wù)流程的智能化重塑。
參考資料：
1.DeepSeek爆火給物聯(lián)網(wǎng)帶來的啟示：IoT-LLM的主要應(yīng)用方向有哪些？作者：趙小飛，來源：物聯(lián)網(wǎng)智庫2.Edge AI for robots, smart devices not far off，作者：Paula Rooney，來源：CIO.com
