对话北大系创始人杨建刚：垂直大模型的“下半场”，打通AI落地最后一公里|北大系|大模型|机器人|杨建刚|算法

杨建刚超智能科创始人&CEO

在通用大模型竞争日趋白热化的当下，AI产业的主战场正从“通用基座比拼”转向“垂直应用价值竞争”。作为“AI+X垂直领域行业大模型引领者”，超智能科凭借北大科研支撑与科大讯飞生态加持，深耕教育、医疗、工业、具身智能等赛道，打造一站式软硬件解决方案，已服务500+B、G端客户，成为垂直大模型落地的标杆企业。

3月1日，半导体媒体「芯榜」和科技自媒体「小满书简」对话超智能科创始人兼CEO杨建刚，深度拆解垂直大模型的生存法则、学研产转化路径，解读具身智能的产业机遇，勾勒AI产业共同体的未来蓝图。

锚定AI+X，定义垂直大模型生存法则

Q：您从互联网老兵转型AI创业者，观察到通用大模型（L0）切入垂直行业（L1/L2），最难突破的“专业围墙”是什么？

杨建刚：通用大模型是“全能通才”，但在垂直领域存在三大核心壁垒：一是知识深度不足，对医疗诊断、工业参数、金融风控等专业内容理解流于表面，易出现“常识正确但专业错误”的输出；二是场景适配性弱，参数量庞大、推理成本高，难以适配工业边缘设备、医疗机构本地部署等轻量化场景；三是成本与安全失衡，公有云部署模式无法满足医疗、政务、军工等领域的核心数据隐私要求。这三道围墙，让通用大模型只能做“表面赋能”，无法触达业务核心。

Q：当前大模型行业内卷加剧，您如何定义垂直大模型的“生存红线”？

杨建刚：垂直大模型的生存红线，核心是能否解决行业真实痛点、能否实现商业价值闭环、能否构建不可复制的专业壁垒。脱离场景的技术毫无意义，必须扎根真实业务流程；要平衡技术投入与商业回报，做到轻量化、低成本、易部署；更要掌握“行业专属数据+场景化算法”核心资产，这是构建竞争壁垒的基础。只有同时满足这三点，才能在内卷中站稳脚跟。

算法-数据-场景的三角平衡：以场景为核心

锚定AI+X，

Q：如何平衡技术研发的高投入与垂直行业对成本的敏感度？

杨建刚：我们的策略是“聚焦场景做轻量化研发，依托生态做成本分摊，通过规模化实现盈利”。研发端围绕核心赛道聚焦客户高频痛点，避免无意义内耗；依托科大讯飞的算力、语料库和北大的科研成果，减少基础投入；通过服务500+客户、覆盖28个省级行政区的规模化优势，平摊研发成本，同时以标准化产品降低定制化成本，实现“研发降本、规模盈利”。

Q：超智能科L1/L2级模型的核心价值，来自更懂行业的数据，还是更懂场景的算法？

杨建刚：既非单一数据，也非单一算法，而是“以场景为锚点，让行业数据与场景算法深度融合”。行业数据是基础，我们通过私有化部署获取专属数据，经数据治理平台完成解析、清洗、标注，打造高质量数据集；场景算法是抓手，微调训练平台结合行业场景对通用基座模型做轻量化优化，让算法精准适配业务流程。没有场景的行业数据是“死数据”，没有数据的场景算法是“空算法”，两者融合才是核心价值。

北大+科大讯飞，构建产学研用协同生态

快乐

Q：北大的“学术基因”，为超智能科的产品化（如具身智能机器人、中药大模型）提供了哪些决定性支持？

杨建刚：北大的科研支撑，打通了我们“技术源头-产品研发-场景落地”全链路。核心技术上，北大信息技术高等研究院、软件工程国家工程研究中心为大模型多模态、知识图谱、中医信息学等提供理论支持，让中药大模型体质辨识准确率达85%-90%；人才储备上，北大AI产业联盟输送了大量顶尖人才，核心团队多位成员来自北大；场景验证上，北大作为标杆客户，率先落地教育、化学学科大模型，让技术在落地前完成迭代优化。

Q：如何将北大科研成果转化为可量产、稳定运行的“一站式软硬件解决方案”？

杨建刚：我们的方法论是“科研成果场景化、场景需求产品化、产品解决方案化”。第一步，与北大共建联合实验室，将前沿技术与行业真实场景结合，为技术找落地载体；第二步，基于场景化技术打造标准化产品模块，如数据治理平台、私有化AI一体机，避免重复开发；第三步，将标准化模块与行业定制化需求结合，打造软硬件一体解决方案，实现“数据采集-模型分析-服务落地”全闭环。同时通过真实场景反复测试，确保产品稳定性和可量产性。

Q：科大讯飞的战略投资，除资金外，在算力、语料库、市场渠道上带来了哪些协同效应？

杨建刚：讯飞的加持让我们实现了“资源互补、能力协同、渠道共享”。算力层面，讯飞智算中心解决了大模型训练、推理的算力瓶颈；语料库层面，讯飞海量的教育、政务、医疗高质量语料，补充了我们的行业数据储备；市场渠道层面，讯飞在教育、政务领域的成熟渠道和客户资源，让我们的产品快速触达客户，实现“1+1>2”的渠道效应。更重要的是，讯飞的产业落地经验，让我们少走弯路，快速实现技术研发到商业变现的闭环。

精准破解转型痛点，打造第二增长曲线

快乐

Q：AI智能体从软件走向物理实体，目前最大的产业瓶颈在哪里？

杨建刚：核心面临三大瓶颈：一是具身智能真机数据稀缺，行业缺乏海量真实场景的真机操作数据，模型多依赖仿真数据，真实场景适应能力弱；二是算法与硬件本体脱节，很多算法停留在实验室，无法与不同机器人硬件适配，落地性差；三是场景商业化路径不清晰，机器人多做展示性工作，无法融入企业核心业务，客户付费意愿低。这让具身智能停留在“概念阶段”，难以规模化落地。

Q：超智能科为何此时重金投入具身智能？它会是公司未来的增长第二曲线吗？

杨建刚：此时布局是看中技术成熟度、市场需求、产业趋势的叠加机遇。技术上，大模型、多模态、机器人控制算法的发展，让具身智能技术基础日趋成熟；市场上，制造业、服务业等面临“招工难、人力成本高、自动化柔性不足”痛点，对智能机器人需求迫切；产业趋势上，AI必然从“软件赋能”走向“软硬结合”，具身智能是垂直大模型的重要应用场景。

具身智能毫无疑问是公司第二增长曲线。我们已构建从真机数据采集、模型训练到硬件研发、场景应用的全链路能力，打造了一站式具身智能机器人开发平台；同时，具身智能能与现有AI+X业务深度协同，延伸出教育实训室、文旅讲解员、工业分拣机器人等产品，丰富产品矩阵。目前产品已落地多场景，未来将成为重要收入增长极。

Q：医疗、能源、化工等高门槛行业，客户最担心“数据安全”和“幻觉问题”，私有化AI一体机如何平衡性能与安全？

杨建刚：我们的私有化AI一体机打造了“数据本地处理、模型零幻觉、性能高适配”三大核心能力。数据安全上，基于国产GPU、CPU和操作系统，支持模型与数据本地部署，搭配权限隔离、全流程审计，从源头保障隐私；解决幻觉上，通过“行业数据微调+RAG检索增强+人工审核闭环”三重机制，让模型输出贴合专业知识、可溯源、经人工校验；性能保障上，灵活适配ChatGLM、Qwen等主流基座模型，支持多卡推理，可根据场景轻量化优化，在保证性能的同时降低算力消耗。

目前，私有化AI一体机已推出水星版、木星版等多款产品，落地中石化、国家能源集团、工商银行等行业龙头，成为打开高门槛行业市场的核心抓手。

产业愿景：构建AI产业共同体

节快乐

Q：5-10年后AI若像电力一样无处不在，超智能科希望在产业版图中占据怎样的位置？

杨建刚：我们希望成为AI+X垂直领域的“电力运营商”和“产业赋能者”，构建基于AI+X垂直大模型的产业共同体，成为行业智能化转型的核心参与者。

首先，做垂直领域AI能力的“供给者”，为教育、医疗、工业等行业提供标准化、低成本、高可靠的AI大模型能力，让每个企业都能轻松获取AI能力；其次，做行业智能化转型的“陪伴者”，依托一站式解决方案，为客户提供从技术研发、产品部署到运营服务的全生命周期陪伴；最后，做AI产业生态的“构建者”，联合科研机构、生态伙伴、行业龙头，实现“通用基座赋能垂直场景、垂直数据反哺通用进化”的协同发展，推动AI技术从“实验室”到“产业端”的规模化价值释放。