编辑部 整理自 MEET2026
量子位 | 公众号 QbitAI
大模型究竟是真正有用，还是仅是技术噱头？企业如何判断自身是否需要部署私有模型？
潞晨科技创始人兼董事长、新加坡国立大学校长青年教授尤洋提出了一套清晰的判断框架，为企业提供决策参考。
有三类企业需要行业模型或私有模型：传统大型企业、拥有海量数据的中小型企业，以及致力于颠覆行业的新兴公司。
在具体落地层面，尤洋指出：
若企业业务仅涉及日常办公或文本处理，无需构建私有模型。调用通用大模型API或结合RAG技术即可满足多数需求。
若企业具备海量多模态数据或对数据隐私有高要求，则更适合构建私有模型，以实现差异化竞争优势。
以下为尤洋在MEET2026智能未来大会上的演讲内容整理，在不改变原意基础上进行精炼与优化。
MEET2026智能未来大会由量子位主办，汇聚近30位产业代表，线下参会人数近1500人，线上直播观看超350万次，获主流媒体广泛关注。
核心观点梳理
-
大模型的价值远不止于聊天机器人或编程助手，其真正潜力在于千行百业的深度落地。 -
三类企业适合构建行业或私有模型：传统大型企业、拥有海量数据的中小企业、颠覆性创新企业。 -
To B场景下，关键在于后训练或Agent化；仅调用API难以形成竞争壁垒，开源模型需经专业训练方可超越闭源模型。 -
企业成功部署大模型的关键：最大化算力效率，并配备微调SDK与低代码模板。 -
潞晨云推出微调SDK，开发者可专注算法创新，平台负责训练调度、分布式适配及底层运维。
四年服务八家世界五百强，助力三千企业AI落地
潞晨科技坚信，大模型的核心价值在于推动AI在各行业的实际应用，而非局限于通用对话能力。
作为新加坡国立大学教授，我于2021年创立潞晨科技，专注于大模型基础设施研发。过去几年，我们已在技术与商业化方面取得阶段性成果。
自2018年起，潞晨聚焦大模型底层系统优化，涵盖编译器、CUDA及优化算法等关键技术。
LAMB优化器是早期代表性成果，曾在Google千卡TPU集群上将大模型训练时间从三天缩短至76分钟。
该技术现已被微软DeepSpeed、字节Megascale、英伟达Megatron-LM等主流万卡系统广泛采用。
基于LAMB的延伸研究已应用于华为盘古大模型和字节推荐系统，并荣获ACL杰出论文奖。
Anthropic联合创始人、GPT-3共同第一作者Benjamin Mann曾于2019年使用LAMB，首次将Transformer扩展至128个GPU。
英伟达官方GitHub记录显示，其专家曾借助LAMB实现17倍加速效果。
在此基础上，潞晨打造了高性能大模型训推系统Colossal-AI，并开源基础版本。
目标是通过更高效、低成本的工具，帮助用户快速构建私有模型。
目前，Colossal-AI在GitHub同类项目中综合指标领先，已服务于全球八家世界五百强、十家世界两千强、六十所顶尖高校及三千余家企业，覆盖汽车、互联网、制造、制药等多个行业。
对标Thinking Machines Lab，挖掘行业大模型价值
OpenAI前CTO创办的Thinking Machines Lab虽无营收，估值已达120亿美元，其Tinker平台助力企业构建私有模型与AI Agent。
类似地，Together AI通过算力优化提升GPU利用率。
企业首要问题：是否真需大模型？其价值是实质性的，还是仅为概念炒作？
已有案例表明，大模型正深入垂直领域：中石油昆仑大模型（3000亿参数）、Bloomberg金融模型、华为盘古气象模型、宝马制造优化系统、李维斯、航空航天、动画制作、西门子及制药企业等。
这些场景的数据复杂度远超通用文本模型处理能力，大模型在行业落地的价值尚未充分释放。
例如石油勘探，单井成本高达千万美元，成功率仅10%。大模型可通过分析PB级地质数据，优化钻井决策，即使提升10%效率，也将带来巨大经济效益。
传统算法在稳定性与扩展性上存在瓶颈，而大模型能以更高效率求解复杂方程组，提供更优近似解。
三类企业适合构建私有模型
- 传统大型企业：如世界五百强，拥有大量行业专有数据资源。
- 拥有海量数据的中小企业：深耕细分领域，数据构成核心竞争力。
- 颠覆性创新企业：在金融、制药、社交、游戏等领域探索新模式，亟需定制化AI能力。
三种落地路径选择
- 调用通用API：适用于无行业数据、仅处理日常办公或文本任务的企业。
- RAG + API：拥有一定文本数据时，可通过检索增强生成满足需求。
- 构建私有模型：面对海量多模态数据或高隐私要求（如石油、高铁、汽车、制药、金融），自建模型更具优势。
据Grand View Research预测，大语言模型市场将分为三大方向：
- 领域大模型（Domain-Specific LLMs）：如法律、医疗、教育、能源等行业专用模型，预计2033年占市场40%。
- 通用大模型：如ChatGPT、豆包、Gemini，占比约30%。
- 私有大模型：仅供企业内部使用，隔离外部环境，预计占比30%。
Training as a Service：让企业高效打造专属模型
若决定构建私有或行业模型，如何高效利用大模型成为关键。
To B场景下，不应追求复刻通用大模型，而应聚焦后训练（Post-training）与Agent化。
仅调用通用API会导致同质化，无法建立竞争壁垒。唯有通过行业数据深度训练，才能使开源模型超越闭源方案。
企业需重点解决两大问题：
- 最大化算力效率：降低训练成本，提升资源利用率。
- 提供灵活微调模板：支持快速构建行业专用模型。
为此，潞晨推出潞晨云微调SDK，旨在实现Training as a Service。
无论是监督微调还是强化学习，本质均为梯度计算与参数更新。
开发者应专注于业务逻辑与数据本身，而非底层基础设施搭建。
当前市场存在两种极端：
- 零代码微调：易用但控制力弱，难以支撑真实业务。
- 全手动开发：需掌握分布式计算、集群运维等复杂技能，效率低下。
潞晨的目标是将复杂流程抽象为函数级调用，用户只需关注模型与数据，后台由SDK自动管理。
实现工程便捷性与模型灵活性的最佳平衡，既非“玩具级”低代码，也非“裸机式”全栈开发。
通过SDK定义模型与数据，一键完成云端训练与部署，兼容主流开源框架，支持监督微调与强化学习。
底层集成Colossal-AI，进一步优化算力性能，降低企业成本。
用户可自由选择框架、工具链与调度策略。
典型客户案例
-
某世界五百强车企：构建多模态自动化决策支持系统。 -
某世界五百强电商自动驾驶业务：3D点云技术性能显著提升。 -
另一世界五百强车企：打造智能座舱AI模型。 -
制造业世界500强企业：基于AI Agent与具身智能构建供应链管理系统。