作者：彭昭（智次方創始(shi)人、云和資本聯合創始(shi)合伙人）
這是(shi)我的第367篇專欄(lan)文章。
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(ru)今，端側AI和(he)邊緣智能(neng)已經成為業(ye)(ye)界關注的焦點，從科技巨頭(tou)到(dao)創新(xin)(xin)型初創公司，無不將(jiang)目光瞄準這一新(xin)(xin)興(xing)領域。英(ying)偉(wei)達、OpenAI、谷(gu)歌、亞馬遜等行業(ye)(ye)翹楚紛紛布(bu)局(ju)邊緣AI，力圖搶占先機(ji)。
市場研究(jiu)數據更是印證了(le)邊緣AI的(de)廣闊前景。
根據《邊緣AI終極指南：邊緣AI業務轉型手冊》的預測，全球(qiu)邊緣AI市(shi)場規(gui)模將(jiang)從(cong)2023年(nian)(nian)的190億美(mei)元(yuan)飛躍(yue)至(zhi)2033年(nian)(nian)的1630億美(mei)元(yuan)。IDC近期對27個(ge)企業行業的調研(yan)顯(xian)示，2025年(nian)(nian)全球(qiu)在邊緣計算解決方案上的支出(chu)，將(jiang)達到近2610億美(mei)元(yuan)，并以13.8%的年(nian)(nian)復合增長率(lv)持續攀(pan)升(sheng)，預計到2028年(nian)(nian)將(jiang)突破(po)3800億美(mei)元(yuan)大(da)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(bian)緣的(de)進化(hua)，不僅帶來了(le)算力下沉、實時決策等技術變革，也催生了(le)AI的(de)新發展：垂類大模型(xing)。
傳(chuan)統的通用(yong)大模(mo)型在面對復雜多(duo)變的行業(ye)(ye)需求時，往往難以兼(jian)顧效率(lv)與精度。為(wei)了讓AI模(mo)型更好地理解行業(ye)(ye)知識，解決特定領域問題，垂(chui)直行業(ye)(ye)的定制化大模(mo)型應運而生。
因(yin)此，本文(wen)將(jiang)圍繞(rao)AIoT領域的垂(chui)類模(mo)(mo)型發(fa)展(zhan)趨(qu)勢展(zhan)開深入分析。我們將(jiang)探(tan)討以(yi)下核心(xin)問題：為什(shen)么AIoT特別需(xu)要垂(chui)類模(mo)(mo)型？邊緣(yuan)AI與垂(chui)類模(mo)(mo)型之間如何實現互促共(gong)贏？垂(chui)類模(mo)(mo)型落地AIoT的機(ji)遇(yu)與挑戰有(you)哪(na)些？
場景為王，模型為器：垂類模型的必然崛起
在通(tong)用大(da)模(mo)型(xing)(xing)風靡全球的今(jin)天，我們(men)也(ye)應當冷靜審視它們(men)在AIoT場景中的局限性。通(tong)用大(da)模(mo)型(xing)(xing)并非無(wu)所不(bu)能，特別在AIoT這種(zhong)與物理(li)世界深度耦(ou)合的領域，它們(men)面臨著“物理(li)盲區”的困境。
雖然通用大模型在文本生(sheng)成、圖像理(li)解和人機交互方面展現了卓越的能力，但這些能力更多(duo)源(yuan)于“大數(shu)據統計(ji)推理(li)”，而非對真實物(wu)理(li)世界的深度(du)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(tong)用大(da)模型往往難(nan)以有效處理(li)這種復雜結構的(de)(de)數(shu)(shu)據(ju)，缺(que)乏對(dui)物理(li)規(gui)律、設備狀態、環境上(shang)下文的(de)(de)建模能力。一(yi)項實驗(yan)表明(ming)，當(dang)GPT-4處理(li)原始傳感器數(shu)(shu)據(ju)時(shi)，其活動識別(bie)準確率(lv)僅(jin)為40%，機(ji)器診(zhen)斷準確率(lv)也只有50%，遠低(di)于行業可接受(shou)的(de)(de)標準。
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AI從炫技走向(xiang)實用(yong)，從可用(yong)走向(xiang)可控，AIoT對智(zhi)能(neng)的(de)要(yao)求正(zheng)在從“通用(yong)”向(xiang)“垂直”演(yan)進。因(yin)此，垂類大模型成為了(le)讓AI從“通用(yong)智(zhi)能(neng)”走向(xiang)“場景智(zhi)能(neng)”的(de)必然路(lu)徑。
何謂垂類大模型？
它(ta)是指在特定行(xing)業或(huo)場景(jing)中，通過領域數據和(he)專業知識(shi)進行(xing)深度預訓練與(yu)微調的大模(mo)型系統。與(yu)通用模(mo)型相比，垂類大模(mo)型有三大顯著特征：
領域專精：聚焦某一垂(chui)直行業（如制(zhi)造(zao)、能源、物流、園區、醫療等）
知識注入：融入行業(ye)(ye)知識圖譜、規則引(yin)擎和專業(ye)(ye)術語體系
性能優化：在(zai)特定任(ren)務上具備(bei)更高的(de)準確(que)率和更低的(de)資源消耗
總的來說，垂類大模型具備以下三大優勢：
首先(xian)，它面向特定行業和場景設計，能(neng)夠理解(jie)行業語言和業務流程，具(ju)備“懂場景”的能(neng)力。例如在智慧工廠中，垂類模型不僅能(neng)識別設備異常，更(geng)能(neng)推理出可能(neng)的工藝偏差。
其次，由(you)于訓練數據更(geng)加聚焦、模型結(jie)構更(geng)加優化，垂類模型在關鍵任務(wu)（如預測性維護(hu)、能源調(diao)度、狀態識別）上表現更(geng)加穩定(ding)，可(ke)解(jie)釋性與可(ke)控(kong)性更(geng)強，有利于企(qi)業合規與決策。
最后，垂類模型通常具(ju)備更好的(de)模型壓縮(suo)能力與推理效(xiao)率，可(ke)部署在邊緣側實現本地(di)計算，滿足AIoT對實時性、低(di)延遲和離線運行的(de)強(qiang)需求。
為什么AIoT格外需要垂類模型？
根(gen)本原因在于，AIoT不是(shi)一個(ge)單一場(chang)景，而(er)是(shi)千行百(bai)業的(de)交叉融合(he)體(ti)。它的(de)智(zhi)能(neng)化升級路(lu)徑，本質(zhi)上(shang)是(shi)從“設備智(zhi)能(neng)”到“場(chang)景智(zhi)能(neng)”的(de)躍遷，而(er)這(zhe)一躍遷的(de)關鍵支(zhi)撐正是(shi)垂類大(da)模型。
AIoT的數據(ju)是(shi)(shi)行(xing)業(ye)化的，模(mo)型也必須(xu)是(shi)(shi)行(xing)業(ye)化的；
AIoT的決策是(shi)場景(jing)驅(qu)動的，模型也必須(xu)懂場景(jing)邏輯；
AIoT的(de)發展是邊緣驅動的(de)，模(mo)型也必須能“下沉”運(yun)行。
在這種背景(jing)下，通用大模(mo)型就像一把萬能鑰匙(chi)，在現實中卻打不開(kai)那(nei)些“行(xing)業(ye)之門(men)”；而垂類模(mo)型才是量身定制的“專用鑰匙(chi)”，真正具(ju)備穿透(tou)場景(jing)、落(luo)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(wei)有從通用到垂直(zhi)，AIoT智能(neng)化才能(neng)行穩致遠(yuan)。
從“泛”到“專”，從邊緣智能到智能邊緣
邊緣智能(neng)的飛速發展(zhan)正在倒逼AI模(mo)型“下沉(chen)”到端和邊，而垂類模(mo)型更適合在資源受(shou)限的邊緣環(huan)境中高(gao)效(xiao)運行。
邊(bian)緣AI與垂(chui)類大模型在AIoT領域(yu)并非(fei)嚴(yan)格的(de)“前后關系”，而是“相互驅(qu)動、螺旋(xuan)共進”的(de)關系。
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。
具體來看，邊緣AI是一(yi)(yi)種計算(suan)架構(gou)的優化(hua)(hua)與(yu)下(xia)沉(chen)，強調(diao)將(jiang)AI算(suan)力(li)、模型(xing)推理(li)(li)、數據(ju)處理(li)(li)等(deng)能力(li)下(xia)沉(chen)到(dao)邊緣設備；而垂類大模型(xing)則強調(diao)模型(xing)能力(li)的專業化(hua)(hua)、精細化(hua)(hua)、行業化(hua)(hua)，是一(yi)(yi)種模型(xing)訓練與(yu)知識(shi)注入的深化(hua)(hua)。因此，兩(liang)者是不同維度的技術演進，但互(hu)為條件。
一(yi)方(fang)面(mian)，邊(bian)緣設備(bei)與終端數(shu)據的(de)(de)(de)(de)爆發，提(ti)(ti)供了豐富(fu)的(de)(de)(de)(de)行業(ye)私域數(shu)據，為訓練和微調垂類(lei)大模型(xing)提(ti)(ti)供了關鍵的(de)(de)(de)(de)數(shu)據源。邊(bian)緣AI的(de)(de)(de)(de)普及(ji)，也推動了模型(xing)部署能力的(de)(de)(de)(de)增強，使得(de)垂類(lei)模型(xing)具備(bei)可落地的(de)(de)(de)(de)“容器”。
另一(yi)方面，垂類大模型(xing)的(de)引(yin)入，提升了邊(bian)緣(yuan)智能(neng)(neng)的(de)“智能(neng)(neng)等級”，讓邊(bian)緣(yuan)設(she)備不僅能(neng)(neng)“感(gan)知世(shi)界”，還能(neng)(neng)“理解(jie)場景”，推動邊(bian)緣(yuan)AI從“感(gan)知”向“認知”躍遷。
從技(ji)術演進路徑看，邊緣(yuan)智能呈(cheng)現出先行的態(tai)勢。
總的(de)來說，邊緣智能的(de)成熟是垂類大模(mo)型落地AIoT的(de)前(qian)提條件之(zhi)一(yi)，但兩者并非嚴格(ge)的(de)先后順序，而(er)是互(hu)為條件、協(xie)同(tong)演進。
邊(bian)緣AI為(wei)垂類大(da)模型提(ti)供了“運行平臺(tai)”和“數據燃料”；垂類大(da)模型為(wei)邊(bian)緣智(zhi)能注入“認(ren)知能力(li)”和“行業知識”。企業在戰略(lve)上應“雙線并進”，一手(shou)抓(zhua)邊(bian)緣基礎(chu)設(she)施升級，一手(shou)抓(zhua)模型垂直化訓(xun)練(lian)與應用。
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。
場景驅動是從“泛智能”到“場景智能”的轉型。
AIoT的核心價值在(zai)于用AI解決(jue)具體問題，而這(zhe)些問題往往是高度場景化(hua)的。每一個垂直行業的業務(wu)(wu)邏輯(ji)、數據結(jie)構和(he)優化(hua)目(mu)標都(dou)截然不同，通用大模(mo)型無(wu)法理解其中的本質差異(yi)。只有(you)通過垂類大模(mo)型，才能將“行業語言”轉換(huan)為“機器語言”，實現真正的業務(wu)(wu)智能。
典型應用場景包括智能制造、智慧城市、能(neng)源管理(li)等。邊(bian)緣智能(neng)的(de)(de)技(ji)(ji)術趨勢是“技(ji)(ji)術泛化(hua)”，但(dan)落地路徑是“場景垂直”。真正有價值的(de)(de)模(mo)型(xing)，不是最通用的(de)(de)，而(er)是最懂(dong)業務的(de)(de)。
架構演進是(shi)從“云+端”到“云+邊+端”的智能(neng)協同(tong)。
隨著邊(bian)緣(yuan)計算能力(li)的增強，AIoT架構開(kai)始發(fa)(fa)生深刻變化。“云(yun)+邊(bian)+端(duan)”三層協同(tong)成為主流模(mo)(mo)式，其中云(yun)負責(ze)(ze)大模(mo)(mo)型(xing)(xing)訓練(lian)、統一知識管理、策略下發(fa)(fa)；邊(bian)實(shi)現模(mo)(mo)型(xing)(xing)推理、輕量微調、實(shi)時響(xiang)應；端(duan)負責(ze)(ze)采集數據、執(zhi)行動作、反(fan)饋結果。
垂類大(da)模(mo)(mo)型(xing)需要適(shi)應(ying)這種架構，通過在云端(duan)訓練、邊(bian)緣(yuan)側剪枝(zhi)壓縮部(bu)署(shu)，以(yi)及(ji)支(zhi)持邊(bian)緣(yuan)小樣本微調(diao)等(deng)方式(shi)，提升模(mo)(mo)型(xing)對局部(bu)環境的適(shi)應(ying)性。邊(bian)緣(yuan)智能不再(zai)是簡單的“附加層”，而是“智能前(qian)線”。只有當(dang)垂類模(mo)(mo)型(xing)具備邊(bian)緣(yuan)部(bu)署(shu)能力，AIoT才(cai)能真(zhen)正實現“所見(jian)即所得、所感即決策(ce)”。
數據(ju)閉環則是用私域(yu)數據(ju)驅動模型持(chi)續演進。
AIoT場景下的(de)(de)數據(ju)高度分散(san)、私有(you)化、邊緣(yuan)化，這(zhe)為模(mo)(mo)型(xing)(xing)優(you)化帶來挑戰，也提供了機會。通過在(zai)邊緣(yuan)設備上采集結(jie)構化/非結(jie)構化數據(ju)，完成本地推理，并(bing)將結(jie)果與實際情況比對，輸出誤差反饋，用于模(mo)(mo)型(xing)(xing)微(wei)調，最終(zhong)形成自適應閉環，是優(you)化大(da)模(mo)(mo)型(xing)(xing)的(de)(de)關鍵路徑。
私域(yu)數(shu)據更(geng)(geng)貼近業(ye)務、更(geng)(geng)敏感、實時性更(geng)(geng)強，具備更(geng)(geng)高(gao)的(de)決策價值。企業(ye)需要建(jian)立(li)數(shu)據閉環機制(zhi)，讓(rang)模型“用得越多，越懂你”。邊緣AI既是感知世(shi)界(jie)的(de)“神經末梢”，也(ye)是智(zhi)能演(yan)進(jin)的(de)“數(shu)據金礦”。
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)(da)模型(xing)從技術突破期邁入產業(ye)融合期，競爭的(de)(de)焦點也(ye)悄然轉(zhuan)移。未來的(de)(de)差異化(hua)競爭，不(bu)再是誰(shui)擁有更大(da)(da)的(de)(de)模型(xing)參(can)數，而是誰(shui)真正掌握(wo)行業(ye)Know-how，構(gou)建了自己的(de)(de)“行業(ye)大(da)(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(chui)類大模型能(neng)力的企業，才有能(neng)力讓AI真正(zheng)落(luo)地(di)到業務流程中，構(gou)建穩定、可控、可持(chi)續的智(zhi)能(neng)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業(ye)中(zhong)的實(shi)際落地告訴我們(men)：模型再大，若不懂行業(ye)，仍是空(kong)轉。
通用模型像百科全書，什么(me)都知(zhi)道；垂(chui)類(lei)模型像行業專家(jia)，知(zhi)道怎么(me)做。在AIoT中，真正的關鍵(jian)不是(shi)(shi)模型能(neng)說幾種語(yu)言，而(er)是(shi)(shi)能(neng)否聽懂機器的信號(hao)、理解工廠(chang)的運轉邏(luo)輯(ji)、判(pan)斷(duan)電網的負(fu)載風險。
未來的核心(xin)競(jing)爭力(li)，就是誰更懂“行業+模型(xing)”。這標志著(zhu)“人工智能+”階段(duan)的大模型(xing)，正在經歷一(yi)次范式轉移(yi)，從“參數競(jing)爭”走向“場景競(jing)爭”。
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(di)一，業務分析與場景選(xuan)擇(ze)，確定企業最具(ju)智能化(hua)價值的(de)核心場景，如預測性維護、能耗優化(hua)、異常檢測、路徑(jing)規劃等，需要AI團隊(dui)與業務團隊(dui)深(shen)度協同，明確AI的(de)“用(yong)武之地”；
第二(er)，數(shu)據(ju)采(cai)集與清洗，構建(jian)高質量(liang)的行(xing)業數(shu)據(ju)資產是(shi)模型效果的前提(ti)，尤其在(zai)AIoT場(chang)景(jing)中，數(shu)據(ju)來(lai)源多樣（傳感器、設備日志、歷史工(gong)況等），需處理(li)時(shi)間序列、缺失(shi)值、異常點等問題；
第三，企業專屬模型訓練，在(zai)通用(yong)大模型基礎(chu)上，利用(yong)行(xing)業數(shu)據進(jin)行(xing)遷移學習、指令微調、知識注入(ru)，構建具有行(xing)業語義和業務邏輯的專屬模型；
第四，場景化應(ying)用開(kai)發與迭(die)代，將模型能力封(feng)裝(zhuang)為API或(huo)集成到(dao)業務系統(tong)中，形(xing)成智(zhi)能應(ying)用，如邊緣部署(shu)的智(zhi)能終端、可交互的運(yun)維助手、自(zi)動化決策(ce)系統(tong)等，后續可持續獲取(qu)反(fan)饋(kui)，構建模型迭(die)代閉環(huan)。
值得注意，只有(you)在經過市場驗(yan)證(zheng)、具備一定通用能(neng)力(li)的大模(mo)型之上進行定制，才能(neng)事半功倍，避(bi)免“從零(ling)造輪子”。
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。
首先是模型訓練與微調的復雜性(xing)，不同行(xing)業對模型的需求(qiu)千差(cha)萬(wan)別，沒有一個模板可以通用(yong)復制(zhi)。
工業(ye)(ye)、電力、農業(ye)(ye)、醫(yi)療等場景在數據(ju)稀疏度、標簽可得性、異常標準定(ding)義等方面(mian)均有巨大差異。企(qi)業(ye)(ye)需構建(jian)具備行業(ye)(ye)知識圖譜(pu)、規則(ze)引擎與專家系統融(rong)合機制，實(shi)現真正“會(hui)思考的模型”。
其次是(shi)推理效率與邊緣算(suan)力(li)的(de)矛盾，垂(chui)類(lei)模型(xing)必須(xu)在邊緣設(she)備(bei)(bei)上運行，要(yao)求模型(xing)輕量化、低延遲、高魯棒性。當(dang)前Transformer類(lei)模型(xing)在邊緣設(she)備(bei)(bei)部署仍面臨資源瓶頸(jing)，需采用模型(xing)壓縮、蒸餾、量化等技(ji)術。
再次(ci)是通(tong)用(yong)模(mo)型(xing)與垂類模(mo)型(xing)的協同(tong)策略，通(tong)用(yong)模(mo)型(xing)可(ke)作為“知識底座(zuo)”，提(ti)供(gong)泛化能力；垂類模(mo)型(xing)專注于場景優化，提(ti)供(gong)決策效率；未(wei)來AI將呈現“通(tong)用(yong)+垂直+多(duo)模(mo)態(tai)融合”的結構，形成(cheng)“云端通(tong)用(yong)智能 + 邊緣垂類智能”的協同(tong)模(mo)式。
最(zui)后是(shi)數(shu)據隱私(si)(si)、安(an)全與合規的挑戰，AIoT場景的數(shu)據多(duo)為(wei)企業私(si)(si)域資產，涉及生產秘(mi)密、設備狀態、用(yong)戶(hu)行為(wei)等敏感(gan)內容(rong)；法規也(ye)要求明確數(shu)據使用(yong)的邊界(jie)；未來(lai)應發(fa)展“數(shu)據不動(dong)，模型移動(dong)”的隱私(si)(si)保護機制，如聯邦學習(xi)、差分隱私(si)(si)等。
寫在最后
在(zai)AIoT 2.0時代(dai)，企(qi)業要贏得智能化轉型(xing)的(de)領先優勢，應從“追逐模型(xing)大(da)小(xiao)”轉向(xiang)“打造行(xing)業大(da)腦”。這不僅是技術路線的(de)選擇(ze)，更是戰略(lve)轉型(xing)的(de)決(jue)策。
誰能(neng)更好地將行(xing)業知識與AI技術(shu)融合，誰就能(neng)創造(zao)出最契(qi)合場景(jing)需求的智能(neng)應用。
誰(shui)能更好地利用業(ye)務數據資產，誰(shui)就(jiu)能擁有最智能、最可靠的行業(ye)大(da)腦(nao)。
誰(shui)能(neng)更好地打通IT和(he)OT的壁壘(lei)，誰(shui)就能(neng)真正(zheng)驅動業務(wu)流程(cheng)的智能(neng)化重塑。
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：Paula Rooney，來(lai)源：CIO.com
