对话圆代码CEO张朝明 企业大模型如何以少数据实现高效能

一个统一的自然语言指令，就能调动海量知识库——ChatGPT的出现，彻底改变了人机交互的模式。这不仅仅是对话方式的革新，它预示着更多软件交互逻辑与底层架构的深刻变革。

想想看，我们身边有多少工作是与数据打交道的？从整理企业的季度营收报表，到记录证券市场的交易波动，再到处理海量的医疗图文保单……这些场景的核心，往往是从非结构化的图文信息中，精准抽取出所需的数据。这个过程，耗费的人力与时间成本是惊人的。

《连线》杂志创始主编凯文·凯利最近有个观点很受认同：未来，人们需要放大自己身上那10%的独特技能，因为剩下90%的工作，很可能会被AI接管。就像在医疗领域，AI在搜索和分析方面展现出的强大能力，已然成为医生诊断的得力助手。

市场对大模型的需求正在井喷。基础大模型的魅力在于其“通用性”，凭借强大的图文理解和交互能力，它瞄准的是终极的通用人工智能（AGI）。然而，这把“屠龙刀”在面对阶段性、细分场景的企业级需求时，有时却显得“牛刀小用”，在工程优化和成本控制方面，仍有巨大的提升空间。

那么，这个问题该如何破局？近期，我们与深圳市圆代码互联网有限公司的CEO张朝明进行了一次深入对话，探讨了在当下大模型浪潮中，创业公司的生存之道与机会所在。

大模型也需要专业知识参与

问：您如何看待小公司在大模型产业变革中的机会？

张朝明指出，当前大模型在通用领域的问答生成表现卓越，但在需要深度专业知识的领域，其表现仍有不足。核心原因在于，专业领域的数据往往难以从公开渠道获取，导致训练不充分。

他以保险核保为例：核保规则通常是保险公司的核心机密，公开渠道几乎无法获取，模型只能从有限案例中学习，导致准确性受限。在大模型擅长的泛娱乐等To C场景，60%的准确率可能就令人满意；但在金融等严肃的生产环节，95%的准确率才是行业基准线。这是因为人类专家的准确率通常在92%到98%之间，95%是一个中位容忍值。低于这个标准，模型在生产中就几乎没有实用价值。

因此，一个明显的趋势是：在To C领域，国内模型短期内很难全面超越ChatGPT，这受限于语料、用户规模等多重因素；但最大的机会恰恰藏在To B市场。具体路径有两条：第一，不做与ChatGPT正面抗衡的通用模型，而是聚焦私有化部署，打造具备行业Know-How的企业专用模型；第二，认识到ChatGPT的结果仍需专业人员进行判断和校准，企业需要训练自己的模型来确保专业性与数据隐私。

问：用传统小模型实现95%的生产标准，和用大模型来做，思路有何不同？

“这是两个概念。”张朝明解释道。小模型的优势在于垂直领域的专精，它在特定领域的知识提炼和数据获取上必然超过通用大模型。而大模型的优势在于那60%左右的通用能力。例如，撰写一份调查报告的框架和描述，大模型更在行；但填入报告的具体、精准的数据，则是小模型的专长。因此，未来的解决方案很可能是“大模型配合小模型”的协同模式。

问：这种“大配小”模式的核心逻辑是什么？

张朝明认为，在大模型火爆之前，构建行业知识图谱的成本极高，其价值却不易被直观感知。直到大模型出现，知识图谱作为高质量的数据源，其价值才被真正凸显——它能支撑多轮问答、生成报告内容等。

从商业逻辑看，如果仅用少量样本就能完成行业知识训练，那么投入数亿甚至数十亿成本去训练一个模型，并将其成本分摊到业务中，显然是难以盈利的。核心问题在于：知识整理与储备的成本到底有多高？过去很少有人能有效解决这个问题。

传统知识图谱商业模式的一个痛点在于往往只能“售卖一次”，缺乏可持续的续费能力。而大模型本身并不能直接解决核心知识来源的问题，用它来指导高精度工作成本依然高昂。圆代码的破局思路在于其自研的“核心抽取模型”，该模型具备强大的复杂语义抽取能力，旨在用极小的样本量解决构建知识图谱的高成本问题。

AI时代需要新的“操作系统”

问：圆代码是提供基础大模型，还是帮助客户训练模型？

“我们提供的是一套基础设施。”张朝明类比道，PC时代和移动互联网时代，操作系统都占据了统治地位。他认为，大模型与之前火热的“零代码”工具不同，它必将成为新一代的基础设施，拥有极强的话语权，甚至能决定一个生态的生死。

因此，圆代码的定位是打造一套“操作系统”。企业用户无需编程能力，只要懂业务，将自己的业务数据接入这套系统，就能轻松完成工作。无论是哪个领域，都能快速上手。其核心价值在于大幅降低AI应用的门槛和成本。

他举了一个例子：一家公司若要做研报解析，原本需要100人。如果交给一家AI公司，但这家公司仍需80-90名算法工程师来完成，那本质上只是成本转移，并未创造新价值。真正的关键在于，如何通过圆代码的“操作系统”，让AI公司仅用1名算法工程师就能将问题解决到95%的可用标准，这才是革命性的效率提升。

问：圆代码目前主要服务于哪些行业？

张朝明表示，公司目前只聚焦于教育和医疗保险两个行业。

以医疗为例，圆代码主要做的是病例报告的文字解析（不涉及影像解读），这部分需求在医疗行业内生态不明显，但却能很好地平移至保险行业，满足保险业务中对报告数据进行结构化的强烈需求。

他进一步对比了银&行和保险业的差异：银&行业务数据大多已是结构化的，IT系统能处理90%的工作，AI变革的影响相对间接。而保险业从一开始就有大量非结构化数据（如体检报告、病历），90%的工作依赖人工处理，AI对它的变革将是直接而深刻的。圆代码的技术能将人工需要一天完成的报告结构化工作，缩短至秒级。

问：完成数据解析后，会进行下一步分析吗？

“我们不进行下一步分析。”张朝明强调，全国能分析这些数据的高级人才可能超过一万人，但能高效、低成本地将海量非结构化数据转化为结构化数据，并提供给这些专家的机构却很少。圆代码的核心竞争力正是后者——提供高质量的结构化数据源。

问：数据样本问题如何解决？尤其是医疗报告格式千差万别？

这确实是个现实挑战。医疗体检报告模板数以万计，且涉及隐私，无法通过公开网络大量获取。圆代码的思路是：在无法获取成千上万份样本的前提下，能否基于二十份小样本数据，结合自研的底层技术，训练出适用于整个行业的模型？他们走的就是这条用更少数据达到更好效果的技术路径。

小公司创业能做，但难度很高

问：现在小公司做大模型创业，还有机会吗？

“有机会，但也很难，看谁先能跑出来。”张朝明坦言。他认为，相比小模型时代，大模型创业的门槛其实降低了，但成功的难度却变得极高。

难点主要在于两方面：第一，需要极强的科研能力，创业公司在技术和人才上追赶的成本巨大；第二，硬件门槛高，没有四五十块显卡连模型都跑不起来，仅硬件投入就需数百万甚至上千万，这足以让许多仅获得小额种子轮融资的创业公司止步。在他看来，纯技术赛道的窗口期已经关闭。

问：“AI公司”和“AI+公司”有什么区别？

区别在于核心能力的不同。张朝明举例说，一家公司用AI能力解决证券公司的数据需求，如果它的核心能力在于AI建模本身，那就是AI公司；如果它的核心能力在于金融建模与分析，只是使用了AI工具，那便是“AI+证券公司”。许多公司采用开源模型解决行业问题，其核心竞争力往往在行业领域，而非AI本身。

问：所做模型与细分行业的相关性大吗？

在大模型之前，圆代码做的是行业通用小模型，能对任何文本进行深度结构化处理，比如合同审查、体检报告解析等，可以向企业提供定向化的数据服务。

问：这与行业垂类大模型有何区别？

垂类大模型并非只针对单一细分领域，它解决的也是行业性问题。张朝明认为，这更多是商业模式的设计，而非纯粹的技术设计。例如，一家公司可以专注于糖尿病垂类模型，也可以用通用技术去解决各种疾病的数据处理问题。

在他看来，大模型应作为一种基础技术。圆代码的定位是用大模型技术提供一种高效的数据处理方式，成为“数据搬运工”和“结构化专家”，但并不越界去解决具体的终端行业问题（如核保分析）。他们把结构化的数据交给保险行业里那些专业的核保、理赔人员去决策，而这正是专业人才所擅长的。