每經記者｜可楊    每經編輯｜張海妮    

開欄語

大模型正從技術競逐的“實驗室”加速奔向產業落地的“深水區”。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，是深耕垂直領域的場景拓荒者，是構建生態協同的產業布道者。

聚焦大模型應用落地的“最后一公里”，我們對話以技術為矛、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的“清明上河圖”，為行業提供可復用的方法論，也為中國AI產業的全球化突圍注入信心與動能。

（策劃：郭榮村、李少婷）

義烏小商品城外貿出海成風，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統攬下，這離不開AI（人工智能）翻譯的功勞。

在大模型重塑千行萬業的浪潮中，傳統翻譯已發展成為集語言理解、知識處理、文化適配于一體的綜合性智能服務體系。換句話說，翻譯不再是被動接受技術賦能的領域，而是主動引領大模型產業變革的前沿試驗場。

但熱潮的另一面，是智能語言服務行業靜默的變革——機器翻譯增多，人類譯員的工作并沒有隨之減少，然而單價出現下降；訂單量的增長與盈利能力的滯漲構成悖論。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知褶皺與知識基因之間。

近日，《每日經濟新聞》記者專訪了國家專精特新“小巨人”企業——傳神語聯網網絡科技股份有限公司（以下簡稱傳神語聯）創始人何恩培。

當前，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。何恩培認為，此時談定局為時尚早，大模型還遠未成熟，當前更像是1920年的電氣時代，基礎技術已經誕生，但五花八門的應用尚未被發掘。

在他看來，智能語言服務行業正在從“單純的語言轉換”轉向“知識理解與應用”。趨勢之下，傳神語聯選擇“后撤一步”，提供服務于行業的底層技術和工具。而在面向應用提供服務的過程中，他們意識到，“大數據”并不適用，質量更重于數量。

 

人機博弈：訂單貶值，發力底層

技術發展的腳步越快，各行各業面臨的拷問就越相似——人工智能會取代我們嗎？

在這場關乎生存的討論中，智能語言服務行業是最早被卷入的領域之一。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嗎？

“我可以給大家一個結論：翻譯可能是人類和機器博弈中最后消亡的行業。”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”，是一個復雜而動態的體系，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，智能語言服務行業呈現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據：2024年，傳神語聯的智能語言服務收入增長了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——過去，一個翻譯訂單可能價值不菲，現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，提供智能語言服務也不再是一項“從頭到尾”的工作，而成為一種“修訂和優化”的服務。客戶的需求變得更加精準。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%的準確率，為什么還要收這么多錢？

然而，何恩培認為，知識型產品具有一個顯著特征，即使機器翻譯的準確率高達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間的博弈。客戶普遍認為，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，智能語言服務企業選擇壓低價格，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，傳神語聯選擇“后撤一步”。何恩培解釋，過去，智能語言服務公司直接服務于終端客戶，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，去覆蓋直接的語言需求，而傳神為他們提供底層技術和工具。

這一策略背后的核心邏輯是智能語言服務行業，正在從“單純的語言轉換”轉向“知識理解與應用”。“傳統翻譯的總量并沒有減少，而是產品形態發生了變化。”何恩培說，“客戶需要的，不再是簡單的文本轉換，而是一整套基于大模型的知識處理能力。”

數據不是越多越好：質量決定價值

出海，早已成為各家科技企業繞不開的話題。何恩培認為，對于中國企業而言，AI出海的真正挑戰不僅是語言問題，而是幫助企業在新的市場環境中實現知識遷移和業務落地。

“他們關心的是能不能聽‘懂’。”何恩培認為，理想的場景是，大模型成為一個知識轉換與傳遞的工具，但現實總比理想復雜。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，數據的訓練深度和準確性仍不足以支撐高質量的業務應用。“每家企業的現有數據都很重要，因為企業是依據自身特色出海。”

企業高質量數據的稀缺，導致大模型在解決客戶的深度問題上還沒有呈現出絕對優勢。“我認為（當下）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。

“過去企業把記錄和數據混在一起，他們認為工單、硬盤（上的內容）也是數據，但這只能叫記錄和資料。”他指出，數據的價值并不在于存量，而在于其系統化以及可被機器學習和推理的程度。

在人工智能發展初期，行業普遍追求“大數據”——投入數量龐大的數據進行訓練，以換取更強大的模型能力。然而，當大模型逐漸成為基礎設施時，數據的“質量”將比“數量”更重要。

在何恩培看來，數據、參數和算法并非孤立存在，而是一種動態平衡關系；數據和參數規模在一定范圍內能帶來性能增長，但算法創新才是突破“天花板”的關鍵。

早期開發翻譯軟件時，何恩培已經體會到數據和規則規模的邊際效應。“當我們設定了1.5萬條翻譯規則時，效果非常好。但當規則規模擴展到2萬條（時），（效果）反而變差了。”原因很簡單，數據之間、規則之間存在沖突，統計概率的關系也可能產生矛盾——換句話說，數據或參數在某個階段的增加確實能帶來提升，但當增長到一定程度，如果算法不突破，模型的質量反而會下降。

數據問題是傳神語聯提出“數推分離”架構的核心原因。何恩培回憶，最早在2021年，傳神語聯為法律行業開發了一套AI系統，能夠學習過去十年的法律案例。然而客戶很快提出了一個關鍵問題：新產生的數據怎么辦，還要重新訓練一次嗎？

這促使他們開始思考：如果數據和推理能夠分離，AI系統就可以在不依賴大規模訓練的情況下，實現自我學習和進化。“我們不需要把所有數據壓縮到神經網絡里，而是讓推理大腦保持輕量化，同時支持實時學習。”何恩培解釋道，這種架構不僅降低了模型的計算成本，還提高了適應性，使其能夠在動態環境中不斷優化自身。

DeepSeek熱潮后，知名投資人朱嘯虎曾提出，以后給數據打標簽的（工作）都需要博士生來做。何恩培認同這個觀點：“我們現在在處理數據時，很多時候已經是博士生在做了。”在當下的人工智能熱潮中，數據的價值并不取決于它的數量，而取決于質量，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經驗。當有人請教他相關的問題時，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“行業大模型”，其價值在于知識的提煉，而不是原始數據的堆積。

何恩培認為，AI的未來，也將走向這樣的方向。企業往往不愿意分享自己的高價值數據，因為數據往往涉及核心業務和商業秘密，但這并不意味著數據無法轉化為價值：“數據可以不外流，但由數據訓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，到現在的9B，我們從未在參數規模上盲目堆砌，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為，這是一條更有效的技術路線。

在他的觀點中，衡量大模型價值的核心指標并非參數規模，而是能否真正解決客戶的問題。這種路徑在行業內也帶來了一定的認知挑戰，銷售和前端團隊有時會遇到客戶的疑問：模型參數還不到100億，算得上是大模型嗎？“但當客戶真正使用后，他們就會明白，關鍵不在參數，而在效果。”

在當下的科技語境中，“國產”“根技術”“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雜。

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

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

“根原創”是何恩培提出的概念，他認為這是根技術當中最有生命力的一部分，“你只有在‘根’上創新，才能真正擁有自己的技術思想。”何恩培強調，技術體系是帶有思想性的，如果所有的技術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。而當企業在根技術層面擁有自主權時，它不僅能擺脫對外部技術的依賴，還能決定自身技術演進的方向，這才是最有創新價值的部分。

在商業層面，大模型競賽邁入第三年，關于大模型的商業模式、技術最終是不是應該是免費的，在行業內越來越被關注。過去，許多科技公司的商業模式都是先“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雜。何恩培的核心觀點是：To B（企業級）市場的AI服務，不可能是免費的。“企業使用AI的核心目的是解決業務問題，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持續運轉的能力，這由技術的稀缺性和商業模式共同決定。”

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

當前更像是1920年的電氣時代，電力技術已經成熟，但沒人能想到后面還有那么多家電、設備會被發明出來。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品一樣占領所有領域；另一方面，當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。“也許未來可能有一萬個AlphaFold（一種人工智能模型）在不同行業，這才（會）形成大模型的完整生態。”何恩培說。