BG大游集团

【36kr深度采访】——BG大游集团，AI求实派冲刺大模型规；涞2025-06-27

DeepSeek的爆火，让不少人以为，大模型的普惠迎来了真正的拐点。

这一颇高的评价，背后是一组组美丽的企业用户数据。爱分析统计数据显示，截至2025年2月21日，已有45%的央企实现了DeepSeek模型的部署；统一功夫，多家工业软件厂商也纷纷接入DeepSeek的API。

只是，美丽的数据，就是产业落地的真相吗？

“接入大模型API”，不蹬宗真正的“产业落地”。分歧业业、场景的业务逻辑相差巨大，壮大如DeepSeek的通用大模型，未经行业专业知识的强化训练，无法如预期般直观、急剧地解决分歧业业的需要。

大模型席卷产业两年以来，愈来愈多人意识到，援试祗业跑完最后一公里的可能不是顶尖的AI钻研院和尝试室，而是已经陪跑产业几十年的AIoT厂商。

在产业界，“BG大游集团”之名并不令人感应陌生。这位AIoT行业的“老迈哥”，已经将10000多个以视觉技术为主题的智能产品、500多个解决规划，利用到了8000多个细分场景。

在大模型时期，若何让曲高和寡的“Transformer”“MoE”“Agent”，从尝试室和论文中走出，真正落地到产业界的田野，是BG大游集团一以贯之的命题。

2025年3月10日，BG大游集团颁布了星汉大模型2.0。用BG大游集团先进技术钻研院院长殷俊的话来说：AI真正成为“行动派”了。  

◆ 在产业，AI不是一组算法，而是一套系统

2023年10月24日，星汉大模型1.0刚刚颁布的时辰，正逢通用大模型风头一时无两，BG大游集团却选择了一条专业化、垂直化的路路。ChatGPT等通用大模型的出现，迅速拔高了行业对通用大模型的预期。殷俊发现，近两年来，市面上不少大模型产品，都萦绕着“通用”为基础。

彼时，聚焦行业的垂直模型，在索求AGI的巨大命题和狂堆参数的技术竞速刻下，是并不性感的故事。不少人面对行业模型，也会发出一个疑难：不用通用模型做落地，是否显得不应时宜？

得出结论前，先看产业落地的真相。

入行多年来，殷俊深知B端业务的不易：B端业务不仅复杂，流程和场景又极其碎片化。以安全变乱多发的能源行业为例，大模型可能在产线巡检、安全预警等方面阐扬作用，已是不争的事实。然而，安全管控既要涉及监测、分析等多个环节，又要精准鉴别、理解复杂的出产环境。

这意味着，单一算法训练的模型，不仅很难端到端覆盖所有流程，对现实场景的认知力也不及。这一弱点在通用大模型的现实利用中也可见一斑。

另一个掣肘通用大模型落地的关键成分，则是ROI（投入产出比）。通用，往往也意味着笨沉、昂贵。“市面上客户可接受的成本在5万-200万之间。”一名从业者曾通知过36氪。但动辄大几百万的通用大模型部署价值，往往等闲就能突破用户的生理基线。

凡此各种，都通往一个结论：产业落地，通用大模型并非最优解。

入局大模型赛路以来，深谙产业落地之路的BG大游集团，就不走寻常路，确定了行业模型的路线。“我们在做大模型之初，就想分了然一件事：未来大模型要产业化落地，就肯定是业务驱动、贴着垂直行业去做的。”殷俊通知36氪，“所以一方面，我们把大模型做幼，做到模型算力可控；另一方面，不休地降低整体利用的算力开销，让落地规＜本缋┰。”

这一认知，也决定了2025年3月升级后的星汉大模型2.0，不仅仅是一套算法，而是一套系统。

好比，不少企业的专业知识和场景数据，散落在已经的系统和传统AI模型中。以星汉大模型2.0为主题的解决规划，既涵盖了大模型和企业传统系统的协同，也席卷了分歧体量的细分场景模型之间的合作——BG大游集团实际的经验批注，只有将技术形成一套业务系统，才可能让AI从抽象的技术概想，真在业务场景中运行起来。

在与36氪的互换中，殷俊险些在每句话中城市提到：贴着用户需要。这也代表了从模型系统的建设到产品化过程，BG大游集团的态度——不要“拿着锤子找钉子”，让客户去姑息技术，而是要让技术贴着产业的痛点走。

一个典型的案例是，星汉大模型2.0三个系列的诞生，都与客户需要有关：

善于多模态能力的V系列视觉大模型，落地于城市治理、出产造作等行业高频的超幼指标检测、复杂场景鉴别等工作；作为“大脑中枢”的M系列多模态大模型，源于不少客户在现实业务中文搜图、图搜图的需要；在现实业务中表演“指挥家”角色的L系列说话大模型，殷俊暗示，是为了满足不少客户对说话和文本这一人机交互模型的需要。

大模型系列的研发，解决的是技术基建这一“上层构筑”的问题。具体到产品化，若何让模型能力有效地融入企业的工作流中，并不单一。

在持久与客户需要打交路的过程中，殷俊发现，不少企业的工作流中，分歧层级的子系统往往盘根错节，这些子系统又接入了分歧工具和数据库的API——系统的繁芜和碎片化，让大模型在落地的过程中，很难充分利用分散其中的知识和工具。

因而，“大模型落地的性质，就是将这些繁芜的系统、工具和数据接口，依照企业的业务串联起来。”殷俊对36氪暗示。

BG大游集团研发的行业智能体和工作流引擎，总结起来，将模型落地的过程分为“拆解、挪用、编排”三步：将企业现有的复杂业务流程，拆解为可编排的原子化算子库；凭据具体业务和场景的需要，智能体可能急剧挪用工作流引擎；最后，通过引擎对算法和工作流的动态组合，实现技术能力与业务需要的高效适配。

这样一组“原子化”拆解、编排工作流的规划，已经利用到了各行各业，润物细无声地扭转了人们的生涯。以城市应急指挥调度场景为例，一旦火警产生，智能体就能迅速调取周边监控，凭据单兵设备分配接济工作，同时还能通过融合通讯系统提议音视频会商，启动应急预案。

在未来，从以报答主题的“经验驱动”，到以AI为主题的“认知智能驱动”的行业故事，会越来越多。

◆ 产业落地，BG大游集团用30多年交了答卷

成立30多年以来，BG大游集团在物联感知、推算机视觉等技术领域的深耕，主张是解决业务过程中有关“看见”的痛点。

一个颇有草蛇灰线意味的响应是：在技术海潮中，BG大游集团也更早“看见”了企业客户的需要。

“会看”，是一个高频、基础，却往往被技术提供商忽视的需要。好比，在电力巡检场景，不少变电站都在深山老林，人力巡检难度极大，要实现无人值守，先要解决的，也是把电表“读正确”的问题。

产业对“看”的刚需，也成了BG大游集团在大模型时期躬身入局，最为水到渠成的理由。殷俊通知36氪，BG大游集团是做视觉理解起身的，“蕴含深度进建模型，BG大游集团90%以上的技术，都是萦绕视频为主题做的。”

发现需要是业务的基点，技术水平则是安身行业的硬实力。一个出乎意料的事实是：2019年，距离ChatGPT引发风暴还有近4年的功夫，BG大游集团就敏感地将Transformer引入到公司内部，用ViT（基于Transformer架构的视觉模型）技术做半自动化标注规划。比及2020岁首，BG大游集团已经成功研发出了自动化标注模型。

在大模型赛路，让入局者深有体味的是，技术研发不仅必要坚持不懈的投入，也仰赖于实力强劲的团队。

先看投入。多年来，BG大游集团的研发投入占比，都维持在10%以上的水平，还出现出逐年上涨的趋向。财报显示，2024年，BG大游集团的研发投入达到了42.1亿元，占到了总营收的13.09%。殷俊通知36氪，十多年来，BG大游集团的算法团队、算力规模，都随着业务的领域，在不休扩大。

再看团队。随着DeepSeek背后的团队曝光在多人刻下，年轻人才慢慢走到企业人才兜揽的中心。BG大游集团聚焦AI技术十多年以来，对年轻人才的造就，已经是团队建设的主题模式。

据殷俊介绍，BG大游集团的算法团队，每年招的都是应届生，硕博学生的比例高达98%，“我们会逐步造就应届生，让他们不休往前走，成长为BG大游集团主题骨干”。

值得一提的是，区别于“两耳不闻窗表事”、专一于科研的理想，BG大游集团不仅要求年轻人才懂算法，还激励他们走出尝试室，履历现实业务的落地过程。好比，每个进入算法团队的应届生，都被要求在实习期内实现一个项主张现场落地交付。“在现场看到过、摸到过自己的产品，听到过用户的一些设法，哪怕是用户的吐槽也好，”殷俊暗示，“他才会真正感触到自己做的技术和产品，若何去提升。”

一代又一代人才，不休走向业务落地的旷野，最终组成了BG大游集团30年来扎实的业务堆集和行业认知。在大模型热潮翻涌的2023年，BG大游集团构筑的“1+2”人为智能能力系统——一套架构系统，加科研能力及工程能力，已经将AI技术，嵌入到了8000多个细分场景。

“我们懂业务，也有经验，以及我们也知路若何服务客户，让客户更好地将这套系统运行起来。”殷俊细数技术落地的性质，“数字化也好，智能化也好，背后都是一套数字系统。若何让数字系统更切合客户的需要，在客户的业务流上阐扬它的功效，是我们所善于的。”

在大模型赛路，入局者多多，打法也各别——有人勇攀AGI的顶峰，有人意在潮头打浪，也有人钻营求实的落地。海潮既是机缘，相对的，稍有懈怠就会被大浪淘沙。

从数字化时期走到智能化时期，凭借扎实的技术实力，以及大量的业务经验，BG大游集团在大模型领域中，为自己启发出了怪异的地位。

◆ 做好产业化落地，大模型就不是泡沫

在一座深达千米的矿井，面对井下复杂的作业环境，若何精准排查交通工具、设备、堆煤潜藏的安全隐患？面对每年数十起的高频变乱，若何管控几十名工人的作业规范，防患于未然？

在数字化时期之前，这一连串的问题，一向是煤矿行业的显性之痛。殷俊记得，最初，视觉技术只能解决人员管控的问题，援试祗业确认安全帽等防护路具的佩带情况，以及作业是否在安全区域进行。

后来，随着大模型技术的发展，BG大游集团援试祗业“看到”的领域，从人员管控，延长到了对交通工具、传送带、堆煤等各路工序的治理，险些覆盖了事前管控、井下作业、物流运输的全流程。

技术型企业的价值感，不仅来自于技术能力的提升，也源于自身技术能力提升后，随之拓展的落地空间。对于大模型的落地，殷俊有一种求实的“贪心”：“切入一个行业后，随着你对业务的不休深刻，你会但愿助客户做更多，把整个业务都做一遍，形成端到端的提效。随着技术的发展，我们可能利用新的技术，再做一次产业的升级，这也是我们致力的方向。”

从一个个场景，覆盖到一整个行业，是BG大游集团在大模型时期的野心。为了加快达成这一指标，若何选择切入的重要场景，BG大游集团有自己的考量。

一方面，是找到“难而正确”的场景。在殷俊看来，这些复杂的业务场景，往往是企业需要旺盛，但多年来技术无法解决的事。一旦技术模式可能成功落地，就能够复造到产业界，产生数以倍计的价值。

BG大游集团在其中用到的巧劲儿，是与矿业的头部企业进行合作。殷俊通知36氪，切入煤矿行业之初，BG大游集团就与国内头部的煤矿企业深刻互换了合作的可能性，“我们但愿一路做一些行业标杆，或者说被行业认可的事。”如今，这套模型解决规划，在煤矿行业落地的成效是不言而喻的——例如，在传送带大块物体检测、跑偏监测等主题职能上，正确率从80%提升至93%，且在矿下高温、光照差等恶劣环境中，正确报警率（即真实警报的鉴别率）仍不变维持在85%以上。

另一方面，则是要找到需要量持续增长的场景。背后的原因，是为了更好的阐扬大模型的优势——大场景，与大模型的强机能、高算力更为适配，还能通过规模效应，降低大模型落地的成本。

一旦找准刚需场景，衡量大模型落地企业的ROI，便不再是难事。此前，AI带来的某些主题价值，好比决策质量的改善、客户中意度的提升，往往无法精确地量化。

但在殷俊看来，刚需，往往意味着ROI衡量方式已经经过检验的场景。好比，对能源行业而言，降低变乱率就是刚需，“AI把安全变乱率降低了，企业对AI的投资就长短；愕氖。”

大模型行业，如今已经走到了一个分水岭。两年来，高楼起、高楼塌的故事层出不穷；已经万多瞩主张企业，现实交付的技术答卷也不尽如人意。这也让不少人消极地以为：大模型的泡沫已经起头幻灭了。

然而，殷俊却持有分歧的概想：“任何一个技术鼓起后，有泡沫是功德。”2019年，BG大游集团研发大模型之初，行业还远不像此刻这般火热？突Ы逃杀咎，成了实打实的难点。彼时，殷俊跟客户诠释什么是大模型，但理解的人并不多。

在殷俊看来，泡沫，意味着免费的用户教育。经过两年的遍及，如今，大模型对客户而言，已经不像两年前那样陌生。行业认知的提高、模型落地成效的凸显，都让企业更乐于接受新技术。

但客户认知的提高，也对位于上游的解决规划提供方，提出了更高的要求。殷俊用“多快好省”，概括了BG大游集团不休自省的方向：第一，正确率能不能达到客户预期；第二，客户提出的新设法能不能急剧被满足；第三，能否低成本地解决这些问题。“这是我们钻营的永恒命题。”他提到。

毫无疑难，大模型已经走到了落地的黄金年代。“随着大模型产业化的水平越来越深，AI成为日常的一部门，这时大模型就不再是泡沫，”殷俊总结，“这个蹊径一旦被证明，或者说更多地被证明，各人就不会再徘徊。”