作者：彭昭（智次(ci)方創(chuang)始人、云和資本聯合創(chuang)始合伙人）
這是(shi)我(wo)的(de)第367篇專(zhuan)欄文(wen)章。
在之前的幾篇文章中，我重點探討了邊緣智能的發展趨勢。
如今，端側AI和邊緣智能已經成為(wei)業(ye)界(jie)關注的(de)焦點，從(cong)科技巨頭到(dao)創新(xin)型初創公司，無不將(jiang)目光(guang)瞄準這一新(xin)興(xing)領域。英(ying)偉達、OpenAI、谷(gu)歌、亞馬遜(xun)等行業(ye)翹楚紛(fen)(fen)紛(fen)(fen)布(bu)局邊緣AI，力圖搶占先機。
市場研究(jiu)數據更是印證了邊緣(yuan)AI的廣闊(kuo)前景(jing)。
根據《邊(bian)緣(yuan)AI終極指南：邊(bian)緣(yuan)AI業(ye)務(wu)轉型手(shou)冊》的(de)預測，全(quan)球邊(bian)緣(yuan)AI市場規模將從2023年的(de)190億(yi)美元(yuan)飛躍至2033年的(de)1630億(yi)美元(yuan)。IDC近期對(dui)27個企業(ye)行業(ye)的(de)調研顯示(shi)，2025年全(quan)球在邊(bian)緣(yuan)計算(suan)解決方(fang)案上的(de)支出，將達到近2610億(yi)美元(yuan)，并以13.8%的(de)年復(fu)合增長率持續攀升(sheng)，預計到2028年將突(tu)破3800億(yi)美元(yuan)大關(guan)。
知名研究機構Gartner也給出了令人矚目的判斷：到2025年，超過50%的企業管理數據將在數據中心或云端之外被創建和處理。
到2026年，至少半數的邊緣計算部署將具備機器學習能力，而2022年這一比例還僅為5%。
智能邊緣的進(jin)化(hua)，不僅帶來了(le)算力下沉、實時決策等(deng)技術(shu)變革，也(ye)催(cui)生了(le)AI的新發展：垂類大模型。
傳統(tong)的通(tong)用大模(mo)型(xing)在面對復雜多變(bian)的行業(ye)需求時，往往難(nan)以兼顧效率與精度。為(wei)了(le)讓AI模(mo)型(xing)更好(hao)地理解行業(ye)知識，解決特定領域(yu)問(wen)題，垂直行業(ye)的定制化大模(mo)型(xing)應(ying)運而(er)生(sheng)。
因(yin)此，本文將圍繞AIoT領域(yu)的(de)垂類(lei)(lei)模型發展(zhan)趨勢(shi)展(zhan)開深入分析(xi)。我們將探(tan)討以下核心問題：為什么(me)AIoT特別(bie)需(xu)要垂類(lei)(lei)模型？邊緣(yuan)AI與垂類(lei)(lei)模型之間(jian)如(ru)何(he)實現互促(cu)共贏(ying)？垂類(lei)(lei)模型落地(di)AIoT的(de)機遇與挑戰(zhan)有哪些？
場景為王，模型為器：垂類模型的必然崛起
在通(tong)用大模型風靡(mi)全(quan)球的(de)今天，我們(men)也應當冷靜(jing)審視它們(men)在AIoT場(chang)景中的(de)局限性。通(tong)用大模型并非無(wu)所不能(neng)，特別在AIoT這種(zhong)與物理(li)世界深度耦合的(de)領域，它們(men)面臨著“物理(li)盲(mang)區”的(de)困境。
雖然通用大模型在文本生成、圖像理(li)解和人機(ji)交互方面展現了卓越的(de)能(neng)力(li)，但這(zhe)些能(neng)力(li)更多源(yuan)于(yu)“大數據統計(ji)推理(li)”，而(er)非對(dui)真實物理(li)世界的(de)深度理(li)解。
AIoT領域的數據具有其獨特的特質：大量數據源于傳感器、機器設備、環境變量，其核心特征是時間序列性、非結構化、實時性和噪聲干擾。
通用大模型往往難以有效(xiao)處理這種復(fu)雜結構的(de)數據(ju)，缺乏對物(wu)理規(gui)律、設備狀態、環(huan)境上下文的(de)建模能力。一(yi)項(xiang)實(shi)驗表明，當GPT-4處理原(yuan)始傳感(gan)器數據(ju)時，其活(huo)動識別(bie)準(zhun)確率(lv)(lv)僅為40%，機器診斷準(zhun)確率(lv)(lv)也只有50%，遠(yuan)低于行業可接(jie)受的(de)標準(zhun)。
這一結果揭示了一個關鍵問題：通用模型缺失的不僅僅是參數，更是場景知識與物理邏輯。
隨著(zhu)AI從(cong)(cong)炫技走(zou)向實用(yong)，從(cong)(cong)可用(yong)走(zou)向可控，AIoT對智(zhi)能(neng)的要求正在從(cong)(cong)“通(tong)用(yong)”向“垂(chui)直(zhi)”演(yan)進。因(yin)此，垂(chui)類(lei)大模(mo)型成為了讓(rang)AI從(cong)(cong)“通(tong)用(yong)智(zhi)能(neng)”走(zou)向“場(chang)景智(zhi)能(neng)”的必然路徑。
何謂垂類大模型？
它是指在特定行業或場景中，通過領域數據和專業知識(shi)進行深(shen)度預訓練與微調(diao)的大模型(xing)系統。與通用模型(xing)相比，垂類大模型(xing)有三(san)大顯著特征：
領域專精：聚焦(jiao)某(mou)一(yi)垂直行(xing)業（如制(zhi)造、能源(yuan)、物流、園(yuan)區、醫療等）
知識注入：融入行業知(zhi)識(shi)圖譜(pu)、規則(ze)引(yin)擎和(he)專(zhuan)業術語體系
性能優化：在特定(ding)任務上(shang)具備更高的準(zhun)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勢：
首(shou)先，它面向特(te)定(ding)行業和場景設(she)(she)計，能(neng)(neng)(neng)夠理(li)解行業語(yu)言和業務流程，具備(bei)“懂場景”的能(neng)(neng)(neng)力。例如在智慧(hui)工廠中，垂類模型不僅能(neng)(neng)(neng)識別(bie)設(she)(she)備(bei)異常(chang)，更(geng)能(neng)(neng)(neng)推理(li)出(chu)可能(neng)(neng)(neng)的工藝(yi)偏差。
其次(ci)，由于(yu)訓練數據(ju)更加聚焦、模(mo)(mo)型結構更加優化，垂類(lei)模(mo)(mo)型在關鍵(jian)任務（如預測性維護、能源調度(du)、狀(zhuang)態識別）上(shang)表現(xian)更加穩定，可(ke)(ke)解(jie)釋性與(yu)可(ke)(ke)控(kong)性更強，有利于(yu)企業(ye)合規(gui)與(yu)決策(ce)。
最后(hou)，垂類模(mo)型通常具備更好的(de)模(mo)型壓(ya)縮能力與推理效率，可部署在邊緣側實現本(ben)地計算，滿(man)足AIoT對實時性(xing)、低延(yan)遲和離線運(yun)行的(de)強(qiang)需求。
為什么AIoT格外需要垂類模型？
根本(ben)原因在于，AIoT不是(shi)(shi)一個(ge)單一場景，而(er)是(shi)(shi)千(qian)行百(bai)業的交叉融(rong)合體。它的智能化升級路徑，本(ben)質上是(shi)(shi)從(cong)“設備智能”到“場景智能”的躍(yue)(yue)遷(qian)，而(er)這一躍(yue)(yue)遷(qian)的關(guan)鍵支撐(cheng)正是(shi)(shi)垂類大(da)模型。
AIoT的數據(ju)是(shi)行業化的，模(mo)型(xing)也必須是(shi)行業化的；
AIoT的決策是場景驅動的，模(mo)型也必(bi)須(xu)懂場景邏輯；
AIoT的(de)發展(zhan)是(shi)邊緣驅動的(de)，模(mo)型也必(bi)須能“下沉”運行。
在(zai)這種背(bei)景下，通用大模型就像一把(ba)萬能鑰匙，在(zai)現實(shi)中卻打(da)不(bu)開(kai)那些(xie)“行(xing)業(ye)之門”；而垂類模型才是量(liang)身(shen)定制的“專用鑰匙”，真正具備穿透場景、落地業(ye)務的能力。
AIoT的本質是“場景為王”，垂類模型才是AI真正落地千行百業的那雙“腳”。唯有從通(tong)用到垂直，AIoT智能化才能行穩致(zhi)遠(yuan)。
從“泛”到“專”，從邊緣智能到智能邊緣
邊(bian)緣智能的(de)飛速發展正在(zai)倒逼(bi)AI模(mo)型“下沉”到(dao)端(duan)和邊(bian)，而垂(chui)類模(mo)型更適合在(zai)資(zi)源受限的(de)邊(bian)緣環境(jing)中高效運(yun)行(xing)。
邊緣AI與垂類大模型(xing)在AIoT領(ling)域(yu)并非嚴(yan)格的“前后(hou)關系(xi)”，而是“相互驅動(dong)、螺旋(xuan)共進”的關系(xi)。
在落地實踐中，存在著邊緣智能先行，垂類大模型隨后深化的趨勢。
具體來(lai)看，邊(bian)緣AI是一種(zhong)(zhong)計算架構的(de)優化與(yu)下(xia)沉(chen)，強調將AI算力(li)、模(mo)(mo)(mo)型(xing)(xing)推理(li)、數據處理(li)等能(neng)力(li)下(xia)沉(chen)到邊(bian)緣設備(bei)；而(er)垂(chui)類大模(mo)(mo)(mo)型(xing)(xing)則強調模(mo)(mo)(mo)型(xing)(xing)能(neng)力(li)的(de)專業(ye)化、精細化、行業(ye)化，是一種(zhong)(zhong)模(mo)(mo)(mo)型(xing)(xing)訓練與(yu)知識(shi)注(zhu)入的(de)深化。因此，兩者是不同維(wei)度的(de)技術(shu)演進，但(dan)互為條件。
一方(fang)面，邊緣(yuan)設備與終端(duan)數據(ju)的(de)(de)爆發(fa)，提供(gong)了(le)豐富(fu)的(de)(de)行(xing)業私域(yu)數據(ju)，為訓(xun)練(lian)和微(wei)調垂類(lei)大模(mo)(mo)型提供(gong)了(le)關(guan)鍵的(de)(de)數據(ju)源。邊緣(yuan)AI的(de)(de)普及，也推動(dong)了(le)模(mo)(mo)型部署能力(li)的(de)(de)增強(qiang)，使得垂類(lei)模(mo)(mo)型具備可落地的(de)(de)“容器”。
另一方面，垂(chui)類大模型的引入，提升了邊緣智能的“智能等級”，讓邊緣設備(bei)不(bu)僅能“感知世界”，還能“理解場景”，推(tui)動(dong)邊緣AI從“感知”向(xiang)“認(ren)知”躍遷(qian)。
從技(ji)術演進路徑看，邊緣智能呈現(xian)出(chu)先(xian)行的(de)態(tai)勢。
總(zong)的來說，邊(bian)緣智能的成(cheng)熟(shu)是(shi)垂類大(da)模型(xing)落(luo)地AIoT的前(qian)提(ti)條件之一，但兩(liang)者并非(fei)嚴格的先(xian)后順序，而是(shi)互為條件、協同演(yan)進。
邊緣AI為(wei)(wei)垂類(lei)大模(mo)型(xing)提供了“運行平臺”和“數據燃料”；垂類(lei)大模(mo)型(xing)為(wei)(wei)邊緣智能注入“認(ren)知(zhi)能力”和“行業知(zhi)識”。企(qi)業在戰(zhan)略上(shang)應“雙線(xian)并(bing)進”，一手抓邊緣基礎設施升級(ji)，一手抓模(mo)型(xing)垂直化訓練與(yu)應用。
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：場景驅動、架構演進與數據閉環。
場景驅動(dong)是(shi)從“泛智(zhi)能(neng)(neng)”到(dao)“場景智(zhi)能(neng)(neng)”的轉型。
AIoT的(de)核(he)心價值在(zai)于用AI解(jie)決具體問題(ti)，而這些問題(ti)往(wang)往(wang)是(shi)高度場景化的(de)。每(mei)一(yi)個垂(chui)直行業的(de)業務(wu)邏輯(ji)、數據結構和(he)優(you)化目標都截然(ran)不同，通用大(da)模型無法理解(jie)其中的(de)本質差異(yi)。只有(you)通過垂(chui)類大(da)模型，才能將(jiang)“行業語(yu)言”轉換為“機器語(yu)言”，實現(xian)真正的(de)業務(wu)智能。
典型應用場景包括智能制造、智慧城市、能(neng)源(yuan)管理等。邊緣智能(neng)的技術(shu)(shu)趨勢(shi)是(shi)(shi)(shi)“技術(shu)(shu)泛(fan)化”，但落(luo)地路徑是(shi)(shi)(shi)“場景垂(chui)直”。真正有價值的模型，不是(shi)(shi)(shi)最通用的，而是(shi)(shi)(shi)最懂業務的。
架構演進(jin)是從(cong)“云(yun)+端(duan)”到“云(yun)+邊+端(duan)”的智(zhi)能協(xie)同。
隨著邊緣計算能力的增強，AIoT架構(gou)開始發(fa)(fa)生深(shen)刻變化。“云(yun)+邊+端”三層協同成為主流模(mo)式，其中(zhong)云(yun)負責大模(mo)型(xing)訓練、統一知識管理、策略下發(fa)(fa)；邊實(shi)現模(mo)型(xing)推(tui)理、輕量微調、實(shi)時響應；端負責采集數據(ju)、執行動作、反饋結果(guo)。
垂(chui)類(lei)大模(mo)型(xing)需要適應(ying)這種架構(gou)，通過在云端訓(xun)練、邊緣(yuan)側剪枝壓縮部署，以及(ji)支持(chi)邊緣(yuan)小樣本微調等方式，提(ti)升模(mo)型(xing)對局(ju)部環境的適應(ying)性(xing)。邊緣(yuan)智(zhi)能(neng)(neng)不(bu)再是(shi)簡(jian)單的“附加層”，而是(shi)“智(zhi)能(neng)(neng)前線(xian)”。只(zhi)有當垂(chui)類(lei)模(mo)型(xing)具備邊緣(yuan)部署能(neng)(neng)力，AIoT才能(neng)(neng)真正(zheng)實現“所(suo)見即所(suo)得、所(suo)感即決策”。
數據(ju)閉(bi)環則是用私(si)域數據(ju)驅動模型(xing)持續(xu)演進(jin)。
AIoT場景下(xia)的數(shu)據高度分散、私(si)有化(hua)、邊緣化(hua)，這為模型優(you)化(hua)帶(dai)來挑戰，也提供(gong)了機會。通過在邊緣設備(bei)上采集結(jie)構(gou)化(hua)/非結(jie)構(gou)化(hua)數(shu)據，完成本地推理，并將結(jie)果與實(shi)際情(qing)況比對，輸出(chu)誤差反饋(kui)，用于模型微調，最終形成自(zi)適應(ying)閉(bi)環，是(shi)優(you)化(hua)大模型的關鍵路(lu)徑。
私域數據(ju)更貼(tie)近業務、更敏感、實時性(xing)更強，具備更高的決(jue)策價值。企(qi)業需要(yao)建立數據(ju)閉環機(ji)制(zhi)，讓模(mo)型“用得越多，越懂你”。邊緣AI既是(shi)感知世界的“神經末(mo)梢”，也是(shi)智能演進的“數據(ju)金(jin)礦(kuang)”。
因此邊緣智能與垂類大模型是AIoT的“雙引擎”，場景化、架構化、數據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(da)模型從(cong)技術(shu)突(tu)破期邁入產業(ye)融合期，競爭的(de)焦點也悄(qiao)然轉移。未來的(de)差異化(hua)競爭，不(bu)再是(shi)(shi)誰擁有更(geng)大(da)的(de)模型參(can)數，而是(shi)(shi)誰真正掌握行(xing)業(ye)Know-how，構建了自己的(de)“行(xing)業(ye)大(da)腦”。
在AIoT 2.0時代，企業智能化的高度，不再取決于是否“擁抱AI”，而是是否具備“行業+模型”的深度融合能力。具備垂類大模型能力的企業，才有能力讓AI真正落地到業務流程中，構建穩定、可(ke)控、可(ke)持續(xu)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”：參數越多、語料越廣、算力越強。但人工智能在千行百(bai)業(ye)中的實際落地告訴(su)我們(men)：模型(xing)再大，若不懂行業(ye)，仍是空(kong)轉。
通用模型(xing)像百科(ke)全書，什么都(dou)知道；垂(chui)類模型(xing)像行業(ye)專家，知道怎么做。在AIoT中(zhong)，真正的關鍵不(bu)是(shi)模型(xing)能(neng)說幾種語言，而是(shi)能(neng)否聽懂機器(qi)的信號、理解工廠的運轉(zhuan)邏輯、判斷電網的負載風險。
未來(lai)的核心競(jing)爭(zheng)力，就(jiu)是誰更懂“行業+模型”。這標志著“人(ren)工智(zhi)能+”階段的大模型，正在(zai)經歷一次范式(shi)轉移(yi)，從(cong)“參(can)數(shu)競(jing)爭(zheng)”走(zou)向(xiang)“場(chang)景(jing)競(jing)爭(zheng)”。
要實現“懂行業”的智能，企業必須走出“通用模型即萬能工具”的誤區，進入垂類大模型的深度定制化階段。一般包括四個步驟：
第一(yi)，業務分析與場(chang)景(jing)選(xuan)擇，確定(ding)企業最具智能(neng)化價值的核心場(chang)景(jing)，如(ru)預測(ce)(ce)性維護、能(neng)耗優化、異(yi)常(chang)檢測(ce)(ce)、路徑規劃等(deng)，需要AI團(tuan)隊與業務團(tuan)隊深度協同，明確AI的“用武(wu)之地”；
第二，數據采集與清(qing)洗，構建高(gao)質量的(de)行業數據資產是模(mo)型效果的(de)前提，尤其在(zai)AIoT場景中，數據來源(yuan)多(duo)樣(yang)（傳感器、設備(bei)日志、歷(li)史工(gong)況(kuang)等），需(xu)處理時間序列(lie)、缺失值、異常點(dian)等問題；
第三，企業專屬模型訓練，在(zai)通用大(da)模型基(ji)礎上，利用行業數據進行遷移學(xue)習、指令(ling)微(wei)調、知識注入，構建具有行業語義和業務邏輯的專屬模型；
第(di)四(si)，場景化應用(yong)開發(fa)與(yu)迭代，將模型能(neng)(neng)力封裝為API或集(ji)成(cheng)到業務系(xi)統(tong)中，形成(cheng)智能(neng)(neng)應用(yong)，如(ru)邊緣部署(shu)的智能(neng)(neng)終端、可(ke)交互的運維助手、自動化決策系(xi)統(tong)等(deng)，后續(xu)可(ke)持續(xu)獲取(qu)反饋，構建模型迭代閉環。
值得注意，只有(you)在(zai)經(jing)過市場驗(yan)證、具備一定通(tong)用能力的大(da)模(mo)型(xing)之上進行定制，才(cai)能事半功(gong)倍，避免“從零造輪(lun)子(zi)”。
雖然垂類模型已成為AIoT發展的新趨勢，但實踐中仍面臨諸多挑戰，不可忽視。
首先是模(mo)型(xing)(xing)訓練與(yu)微調的(de)復(fu)雜性，不同行業對模(mo)型(xing)(xing)的(de)需求千差萬別，沒有一(yi)個模(mo)板可以通用復(fu)制。
工業(ye)、電力(li)、農(nong)業(ye)、醫療等(deng)場(chang)景在數據稀疏度(du)、標簽可得性、異(yi)常標準定義等(deng)方面均(jun)有巨(ju)大差異(yi)。企業(ye)需構建具備行業(ye)知識圖譜、規則(ze)引擎(qing)與專家系(xi)統融合機制，實現真(zhen)正“會思考的模型”。
其(qi)次是推理效率與邊緣(yuan)算力的(de)矛盾(dun)，垂類模(mo)型必須在邊緣(yuan)設備上運(yun)行，要求模(mo)型輕量化、低延遲(chi)、高魯棒性(xing)。當前(qian)Transformer類模(mo)型在邊緣(yuan)設備部署仍面(mian)臨資源瓶頸，需采用模(mo)型壓縮、蒸餾、量化等技術。
再次是(shi)通用模(mo)(mo)(mo)型(xing)(xing)與垂類模(mo)(mo)(mo)型(xing)(xing)的(de)協同(tong)策(ce)(ce)略，通用模(mo)(mo)(mo)型(xing)(xing)可作為“知(zhi)識底座”，提供(gong)泛化能力；垂類模(mo)(mo)(mo)型(xing)(xing)專注于場景優化，提供(gong)決策(ce)(ce)效率；未來AI將(jiang)呈現“通用+垂直(zhi)+多模(mo)(mo)(mo)態融合(he)”的(de)結構，形(xing)成“云端通用智能 + 邊(bian)緣垂類智能”的(de)協同(tong)模(mo)(mo)(mo)式。
最后是數據(ju)隱(yin)私(si)、安全與合規(gui)的(de)挑戰，AIoT場景的(de)數據(ju)多為(wei)企業私(si)域資產，涉及生產秘(mi)密、設備(bei)狀態、用(yong)戶行為(wei)等(deng)敏感內(nei)容(rong)；法(fa)規(gui)也(ye)要求(qiu)明確(que)數據(ju)使用(yong)的(de)邊(bian)界；未(wei)來應(ying)發展“數據(ju)不動(dong)(dong)，模型移動(dong)(dong)”的(de)隱(yin)私(si)保護機(ji)制，如聯邦學習、差分隱(yin)私(si)等(deng)。
寫在最后
在AIoT 2.0時代，企業(ye)要贏(ying)得智能化轉(zhuan)型的領先優勢，應從“追逐模(mo)型大小”轉(zhuan)向“打(da)造行業(ye)大腦”。這(zhe)不(bu)僅是技術路(lu)線的選擇，更是戰(zhan)略轉(zhuan)型的決策。
誰能更好地將(jiang)行業知(zhi)識與(yu)AI技術融合，誰就能創造出最契合場景需(xu)求的(de)智(zhi)能應用。
誰能更好地(di)利用業務數據資產，誰就能擁有(you)最(zui)智能、最(zui)可靠的行業大腦。
誰能更好(hao)地打通IT和OT的壁(bi)壘(lei)，誰就能真正驅動(dong)業務流程的智能化(hua)重塑。
參考資料：
1.DeepSeek爆火給物聯網帶來的啟示：IoT-LLM的主要應用方向有哪些？作者：趙小飛，來源：物聯網智庫2.Edge AI for robots, smart devices not far off，作者(zhe)：Paula Rooney，來源：CIO.com
