开栏语

大模型正从技术竞逐的 " 实验室 " 加速奔向产业落地的 " 深水区 "。在这波浪潮中，一些先行者以敏锐的洞察力与破局勇气，率先探索技术与场景的融合边界——他们是打破算力桎梏的开源先锋，是深耕垂直领域的场景拓荒者，是构建生态协同的产业布道者。

聚焦大模型应用落地的 " 最后一公里 "，我们对话以技术为矛、以场景为盾的探索者，试图勾勒出一幅大模型赋能千行百业的 " 清明上河图 "，为行业提供可复用的方法论，也为中国 AI 产业的全球化突围注入信心与动能。

（策划：郭荣村、李少婷）

义乌小商品城外贸出海成风，不懂英语的店员对着海外直播平台热情阐述，大模型帮他们将订单统统揽下，这离不开 AI（人工智能）翻译的功劳。

在大模型重塑千行万业的浪潮中，传统翻译已发展成为集语言理解、知识处理、文化适配于一体的综合性智能服务体系。换句话说，翻译不再是被动接受技术赋能的领域，而是主动引领大模型产业变革的前沿试验场。

但热潮的另一面，是智能语言服务行业静默的变革——机器翻译增多，人类译员的工作并没有随之减少，然而单价出现下降；订单量的增长与盈利能力的滞涨构成悖论。在这场人机博弈中，终极胜负手或许就藏在未被算法吞噬的认知褶皱与知识基因之间。

近日，《每日经济新闻》记者专访了国家专精特新 " 小巨人 " 企业——传神语联网网络科技股份有限公司（以下简称传神语联）创始人何恩培。

当前，大模型的竞争已迈入第三年，新的玩家突出重围，座次又生变化。何恩培认为，此时谈定局为时尚早，大模型还远未成熟，当前更像是 1920 年的电气时代，基础技术已经诞生，但五花八门的应用尚未被发掘。

在他看来，智能语言服务行业正在从 " 单纯的语言转换 " 转向 " 知识理解与应用 "。趋势之下，传神语联选择 " 后撤一步 "，提供服务于行业的底层技术和工具。而在面向应用提供服务的过程中，他们意识到，" 大数据 " 并不适用，质量更重于数量。

人机博弈：订单贬值，发力底层

技术发展的脚步越快，各行各业面临的拷问就越相似——人工智能会取代我们吗？

在这场关乎生存的讨论中，智能语言服务行业是最早被卷入的领域之一。早在大模型热潮来临之前，机器翻译就在不断进化，逐步蚕食着人工翻译的生存空间。

这种焦虑也冲击着客户的预期：如果机器翻译能做到 " 基本能看懂 "，为什么还要支付高昂的翻译费用？

生成式 AI 席卷而来，人工翻译会成为最先被取代的职业吗？

" 我可以给大家一个结论：翻译可能是人类和机器博弈中最后消亡的行业。" 何恩培笃信，语言不仅仅是沟通工具，也是人类思考的 " 操作系统 "，是一个复杂而动态的体系，机器需要通过自然语言来理解世界。

但在这场人类与机器的 " 博弈 " 中，智能语言服务行业呈现出一个值得探究的信号：订单增长幅度显著高于收入增长。何恩培抛出这样一组数据：2024 年，传神语联的智能语言服务收入增长了 10%，但订单量增长了 30%。

表面上看，这是一个乐观的信号，订单量增长说明市场需求仍然旺盛，但订单的碎片化趋势正在重塑行业——过去，一个翻译订单可能价值不菲，现在订单金额却越来越小，" 因为客户自己能‘看懂’了 "。

机器翻译的普及使得语言不再是障碍，提供智能语言服务也不再是一项 " 从头到尾 " 的工作，而成为一种 " 修订和优化 " 的服务。客户的需求变得更加精准。同时，客户对人工翻译的付费意愿也在下降。既然机器能做到 95% 的准确率，为什么还要收这么多钱？

然而，何恩培认为，知识型产品具有一个显著特征，即使机器翻译的准确率高达 95%，但只要还需要人工从头至尾审阅，以识别那 5% 的误差，处理速度就会回落至人工水平。

人与机器的博弈最终带来了企业间的博弈。客户普遍认为，机器进行初步翻译，仅需稍作修改即可，进而付费意愿降低；而为了获客，智能语言服务企业选择压低价格，而成本端唯一的对冲方式，是不得不在部分场景中使用机器翻译；机器不可避免地抢走了一部分市场，而人类译员的工作量减少，但单价也随之下滑。

博弈中，传神语联选择 " 后撤一步 "。何恩培解释，过去，智能语言服务公司直接服务于终端客户，但未来，传神要做的是 " 赋能 "，让合作伙伴，比如翻译公司、中介机构，去覆盖直接的语言需求，而传神为他们提供底层技术和工具。

这一策略背后的核心逻辑是智能语言服务行业，正在从 " 单纯的语言转换 " 转向 " 知识理解与应用 "。" 传统翻译的总量并没有减少，而是产品形态发生了变化。" 何恩培说，" 客户需要的，不再是简单的文本转换，而是一整套基于大模型的知识处理能力。"

数据不是越多越好：质量决定价值

出海，早已成为各家科技企业绕不开的话题。何恩培认为，对于中国企业而言，AI 出海的真正挑战不仅是语言问题，而是帮助企业在新的市场环境中实现知识迁移和业务落地。

" 他们关心的是能不能听‘懂’。" 何恩培认为，理想的场景是，大模型成为一个知识转换与传递的工具，但现实总比理想复杂。今天的大模型在语言覆盖上仍存在很大局限，尤其是对于非英语市场，数据的训练深度和准确性仍不足以支撑高质量的业务应用。" 每家企业的现有数据都很重要，因为企业是依据自身特色出海。"

企业高质量数据的稀缺，导致大模型在解决客户的深度问题上还没有呈现出绝对优势。" 我认为（当下）距离大模型真正解决客户问题还有一段路要走。" 何恩培表示。

" 过去企业把记录和数据混在一起，他们认为工单、硬盘（上的内容）也是数据，但这只能叫记录和资料。" 他指出，数据的价值并不在于存量，而在于其系统化以及可被机器学习和推理的程度。

在人工智能发展初期，行业普遍追求 " 大数据 " ——投入数量庞大的数据进行训练，以换取更强大的模型能力。然而，当大模型逐渐成为基础设施时，数据的 " 质量 " 将比 " 数量 " 更重要。

在何恩培看来，数据、参数和算法并非孤立存在，而是一种动态平衡关系；数据和参数规模在一定范围内能带来性能增长，但算法创新才是突破 " 天花板 " 的关键。

早期开发翻译软件时，何恩培已经体会到数据和规则规模的边际效应。" 当我们设定了 1.5 万条翻译规则时，效果非常好。但当规则规模扩展到 2 万条（时），（效果）反而变差了。" 原因很简单，数据之间、规则之间存在冲突，统计概率的关系也可能产生矛盾——换句话说，数据或参数在某个阶段的增加确实能带来提升，但当增长到一定程度，如果算法不突破，模型的质量反而会下降。

数据问题是传神语联提出 " 数推分离 " 架构的核心原因。何恩培回忆，最早在 2021 年，传神语联为法律行业开发了一套 AI 系统，能够学习过去十年的法律案例。然而客户很快提出了一个关键问题：新产生的数据怎么办，还要重新训练一次吗？

这促使他们开始思考：如果数据和推理能够分离，AI 系统就可以在不依赖大规模训练的情况下，实现自我学习和进化。" 我们不需要把所有数据压缩到神经网络里，而是让推理大脑保持轻量化，同时支持实时学习。" 何恩培解释道，这种架构不仅降低了模型的计算成本，还提高了适应性，使其能够在动态环境中不断优化自身。

DeepSeek 热潮后，知名投资人朱啸虎曾提出，以后给数据打标签的（工作）都需要博士生来做。何恩培认同这个观点：" 我们现在在处理数据时，很多时候已经是博士生在做了。" 在当下的人工智能热潮中，数据的价值并不取决于它的数量，而取决于质量，以及隐藏在其中的知识密度。

他举例，如果一名律师在过去十年处理过 500 个案件，他的大脑中就沉淀了丰富的专业经验。当有人请教他相关的问题时，他不需要拿出所有的案卷逐条翻阅，而是可以直接给出综合判断和方法论，这位律师的大脑就是一个 " 行业大模型 "，其价值在于知识的提炼，而不是原始数据的堆积。

何恩培认为，AI 的未来，也将走向这样的方向。企业往往不愿意分享自己的高价值数据，因为数据往往涉及核心业务和商业秘密，但这并不意味着数据无法转化为价值：" 数据可以不外流，但由数据训练出的智能是可以共享的。"

谈定局为时尚早：大模型还远未成熟

" 回看我们的成长路径，从最早的 2.1B 模型，到现在的 9B，我们从未在参数规模上盲目堆砌，也从未在算力上无止境投入。" 何恩培表示，这并不是因为资源不足，而是因为公司始终认为，这是一条更有效的技术路线。

在他的观点中，衡量大模型价值的核心指标并非参数规模，而是能否真正解决客户的问题。这种路径在行业内也带来了一定的认知挑战，销售和前端团队有时会遇到客户的疑问：模型参数还不到 100 亿，算得上是大模型吗？" 但当客户真正使用后，他们就会明白，关键不在参数，而在效果。"

在当下的科技语境中，" 国产 "" 根技术 ""0 到 1" 已然成为热词，但在何恩培眼中，这些概念的边界远比市场讨论的更加复杂。

何恩培认为，根技术是产品和应用最基础的底层能力，它可以是自己研发的，也可以是基于开源的，甚至是通过授权获得的。但无论如何，" 我们掌握了这项技术，这项技术也属于根技术，掌握了根技术，至少代表我们自己有了一定的主动性 "。而 "（从）0 到 1 的技术 " 则等于是某项应用发明，它既可以在应用层，也可以在根层。

在他看来，AI 的未来竞争，不仅仅是参数规模的竞赛，而是底层技术框架的竞争，未来人工智能会衍生出无数的行业专用模型，而这些模型的底层架构将决定它们的智能边界。

" 根原创 " 是何恩培提出的概念，他认为这是根技术当中最有生命力的一部分，" 你只有在‘根’上创新，才能真正拥有自己的技术思想。" 何恩培强调，技术体系是带有思想性的，如果所有的技术来源都依赖于外部的开源框架，就很难摆脱既有框架的思想束缚。而当企业在根技术层面拥有自主权时，它不仅能摆脱对外部技术的依赖，还能决定自身技术演进的方向，这才是最有创新价值的部分。

在商业层面，大模型竞赛迈入第三年，关于大模型的商业模式、技术最终是不是应该是免费的，在行业内越来越被关注。过去，许多科技公司的商业模式都是先 " 烧钱做免费 "，再通过其他方式盈利。例如，搜索引擎免费，但靠广告赚钱；手游免费，但靠道具收费。

然而，大模型的情况似乎更为复杂。何恩培的核心观点是：To B（企业级）市场的 AI 服务，不可能是免费的。" 企业使用 AI 的核心目的是解决业务问题，而解决问题就一定会有成本。" 他说，" 只是说在竞争中把成本降到最低，一定不会免费。因为（一旦）免费，它就缺乏了这项技术持续运转的能力，这由技术的稀缺性和商业模式共同决定。"

何恩培认为，今天的大模型远远没有成熟，市场格局还未定型，现在讨论最终格局为时尚早。

当前更像是 1920 年的电气时代，电力技术已经成熟，但没人能想到后面还有那么多家电、设备会被发明出来。一方面，今天的大模型很多问题尚未解决，不可能像一个成熟产品一样占领所有领域；另一方面，当前市场竞争依旧集中在通用大模型方面，但垂直场景中的模型尚未爆发。" 也许未来可能有一万个 AlphaFold 在不同行业，这才（会）形成大模型的完整生态。" 何恩培说。

每日经济新闻