引言

大模型應用的春天來了。在人工智能的浪潮中，大模型正成為推動技術變革的核心力量。春節前，DeepSeek R1 的發布在全球范圍內引發了巨大轟動，它不僅在性能上與 OpenAI 的模型不相上下，更憑借其基于 CoT（Chain of Thought）的推理過程，展現出強大的邏輯能力，同時，開源和低成本的優勢，讓眾多企業迅速接入。DeepSeek 已然成為各行業關注的焦點，今年無疑是大模型應用爆發的關鍵一年。

一、大模型應用的爆發：為什么是2025？

技術的發展并非一蹴而就，而是經歷從萌芽到成熟，再到廣泛應用的過程。20多年前的PC互聯網和10多年前的移動互聯網的興起，都經歷了這樣的階段，如今，從周期和技術成熟度來看，AI大模型也正站在爆發的前夜。

DeepSeek R1 的出現，不僅展示了大模型的強大能力，更以開源和低成本的姿態，為更多企業和開發者提供了平等的機會。短短一個多月，國內眾多公司紛紛接入，甚至包括騰訊、阿里等行業巨頭。這種現象表明，大模型的應用已經具備了廣泛落地的基礎，從金融風控到投資決策，從智能家居到醫療輔助，大模型的應用場景正在不斷拓展。2025年，或許就是這場技術變革的“臨界點”。

二、大模型的應用價值：不只是“通用聊天”

很多人可能會問：既然 DeepSeek、ChatGPT 等聊天類App已經如此強大，為什么還要開發基于大模型的應用呢？原因主要有兩個方面：一是通用聊天應用雖然靈活，但在很多專業領域，普通用戶并不具備問正確問題的能力；二是大模型推理需要基于場景的相關數據，通用聊天工具從互聯網搜索到的數據，可能不全或者不準確，在醫療、投資等大部分專業領域需要準確數據的場景，并不可靠。

在當下的技術發展階段，大模型尚未真正具備智能，其核心價值在于卓越的數據處理能力。這種能力在眾多專業領域中展現出巨大的潛力，能夠顯著提升工作效率。以醫療領域為例，大模型能夠基于患者的病歷、檢查報告、生理數據等多維度信息，快速進行病情分析和輔助診斷，為醫生提供精準的決策支持。在投資領域，它也能迅速獲取市場動態數據，完成基本面與技術面的深度分析，為投資者提供科學的決策參考。這些應用場景充分證明，大模型的價值遠不止于簡單的“聊天”。

三、做好大模型應用的關鍵：四大要素

過去兩年，我們在積極探索大模型的應用過程中：從營銷運營領域的熱搜機器人、到 Coding 領域的 JoyCoder，金融科技領域從社區的熱點話題生成、到基金/保險產品解讀。DeepSeek R1 的出現，讓我們更加意識到，目前的應用還非常初級，只是有，離好還有很大的差距和空間。基于過往的這些場景探索，大模型應用要取得更好的效果，我們認為需要綜合考慮以下4大要素：好的效果 = 大模型 + 專業知識 + 知識庫 + 工程架構。

（1）專業知識和交互設計：讓大模型“容易使用”

DeepSeek 等通用聊天類App雖然簡單，但要用好的話往往需要用戶具備專業知識，看似普惠，事實上門檻比較高，交互體驗也不夠便捷。例如在投資領域，普通用戶可能并不知道該問什么問題，如果只是問“今天的市場行情怎么樣，這只股票是買入還是賣出”，大模型并不能給出能賺到錢的答案。而稍有一些投資經驗的人，可以問“分析一下滬深300指數的技術面，時間從2021年到現在，從形態、均線、趨勢等看走勢是反彈還是反轉，并用MACD、背離、量能等交叉確認”等更復雜的問題。如果涉及到更具體買賣決策和調倉建議，可能需要更加深入和專業的問題。

此外，交互不夠便捷也是一大問題。用戶需要組織語言、打字輸入，還要在聊天工具和具體的如券商的App之間來回切換，體驗較差。今日頭條等之所以能取代門戶網站，正是因為其在交互上體驗更好。因此，交互設計和專業知識的結合是大模型應用成功的關鍵，場景化的AI是探索的一個方向。

（2）領域知識庫和搜索能力：讓大模型“有據可依”

問準確的問題還不夠，還需要有充分的上下文信息以及準確獲取的能力。首先，信息的及時、準確和豐富至關重要。大模型是神經網絡，仿照大腦的原理構建，可以看作一個看完了互聯網上所有數據的超級專家。就像讓醫生看病或操盤手交易，需要告知其“病情”或“行情”才能開展工作，信息越及時和全面，專家的決策就越準確、可靠。

DeepSeek App 雖然具有聯網能力，能在回答問題前搜索相關信息，但搜索回來的數據可能存在問題，如數據過期或數據較少，導致推理結果不夠準確。比如下圖案例，做出推理結論而引用的數據4和6是過期的，導致看起來完美的推理邏輯也是無法用的。企業要想用好大模型，必須建立本地知識庫，確保數據的數量和質量。在 DeepSeek 這類大模型開源后，算法已經平權，企業之間的競爭又回到了數據這個生產力要素。

?

其次，高效準確地獲取數據也極為關鍵。即使知識庫建的很大、很豐富，搜索能力也至關重要，這是百度、谷歌等深耕多年的能力，技術門檻比較高，要做好并不容易。知識庫本身的架構，訪問權限設計，以及各種RAG技術，都極為關鍵。（圖片來自于網絡）

?

（3）Agent架構與工程能力：讓大模型“激發潛能”

對于簡單問題，大模型可以通過一輪對話給出答案；而對于復雜問題，如買一張去西藏的便宜機票，或判斷中證A500指數基金什么時候買，則需要更加復雜的設計，如果能更好地組織和引導，類似于人類的頭腦風暴和專家討論，把多個專家的智力都激發出來，就有可能找到更好的解決方案。

大模型是一個待機的超級專家，提供簡單的API供應用隨時調用，如何面向大模型編程，激發其潛力需要研發人員的精心設計，目標是大模型成為真的“大腦”，取代原來預設的業務流程，策略引擎和流程編排工具，讓應用具備自主智能。通過Agent架構，甚至多Agent（智能體）交互，可以引導大模型進行多輪交互和邏輯推理，從而獲得更準確的結果，工具/MCP，記憶，規劃、思維鏈、反思等架構和設計模式，需要持續探索應用。（圖片來自于網絡）

?

（4）大模型自身：“選擇比擁有更重要”

大模型是整個應用的核心部件，當然是最重要的。但從應用開發的角度來看，選擇合適的大模型并靈活切換更為關鍵，應用系統的架構，需要更加靈活的支持多個大模型。DeepSeek R1的成功表明，大模型在持續的競爭和迭代，另外，不同大模型在不同領域的潛質也不一樣，就像有些人擅長科學，有些擅長經商，有些擅長音樂，多Agent系統中，每個Agent可以使用不同的大模型。未來，大模型的市場競爭將更加激烈，選擇比擁有更重要。

四、大模型的未來：探索與展望

DeepSeek R1 是終點嗎？當然不是。Transformer 是實現 AGI（通用人工智能）的終極算法架構嗎？估計也不是。吳軍、楊立琨、王興興等專家都曾提出過類似的觀點：盡管Transformer架構在自然語言處理等領域取得了巨大突破，但它并非萬能。未來仍有可能出現更強大的算法，推動人工智能邁向新的高度。

數據真的已經用完了嗎？應該也不是。人類在學習和沉淀規律時，從來不僅僅是依賴過往的書本知識。從開普勒三大定律到牛頓力學，這些偉大的科學發現，都是通過對現實世界中的數據進行獲取、分析和總結得出的。無論是日月星辰的運行軌跡，還是潮起潮落風云變幻，亦或是粒子撞擊的微觀過程，甚至是人類自身的脈搏跳動，只要通過攝像機、傳感器等工具進行捕捉，就能從這些更廣泛、更豐富的自然界獲取數據。這些數據，或許將成為未來人工智能發展的重要“養料”，為模型的訓練和優化提供新的思路和方向。

除了算法和數據，大模型的未來發展還需要強大的算力。量子計算或許是解決這一問題的關鍵方案。哦，還有能源問題，小時候看《變形金剛》，一直不理解他們為什么整天爭奪“終極能源”，未來當硅基生命充滿大地和天空的時候，能源問題或許將成為制約技術發展的關鍵瓶頸。

這一天，或許終將會到來。

審核編輯 黃宇