ChatGPT的横空出世，让整个世界见识到了大模型的强大能力。但当企业兴冲冲地想要将这些通用大模 型应用到自己的业务中时，却往往发现"理想很丰满，现实很骨感"——模型回答很通用但不够精准，生 成的内容缺乏行业专业性，无法真正解决企业的个性化问题。 问题出在哪里？明略科技创始人吴明辉给出了一个被很多人忽视的答案：数据积累。在他看来，没有深 厚的行业数据积累作为支撑，AI就只能停留在表面应用，无法真正成为企业可信赖的生产力工具。 通用大模型的"最后一米"困境 2023年被称为"大模型元年"，从GPT-4到文心一言，从通义千问到讯飞星火，各种大模型如雨后春笋般 涌现。这些模型在通用任务上表现惊艳，写诗作文、编程答题都不在话下。但企业在实际应用中却面临 着"最后一米"的困境。 一位制造业企业的CIO向记者抱怨："我们尝试用通用大模型来优化生产流程，但它给出的建议太宏 观、太理论化，根本无法直接应用到我们的实际场景中。我们需要的是基于我们自己的生产数据、工艺 参数、质量标准的个性化方案。" 这种困境背后，是通用大模型的本质局限——它们虽然在海量互联网数据上训练，拥有广泛的知识储 备，但对于企业的特定业务场景、行业kno ...