本文来自微信公众号： 清华管理评论 ，责任编辑：刘永选，作者：史轩亚 等
垂直型智能原生企业的崛起
随着数据要素充分释放、算力设施完善及算法技术突破，以人工智能（AI）为核心生产要素的智能原生企业，正成为激活经济、培育新质生产力的关键载体。如今，通用型智能原生企业凭借跨场景泛化能力，改变了大众对AI的认知，降低了AI使用门槛。OpenAI的GPT-4o系列及国内的通义千问、豆包等大模型，在文本生成等通用场景中展现出强大赋能价值，成为公众视野中AI技术的主要代表。
垂直型智能原生企业的独特价值，在于其对行业场景的深度理解与专属资源沉淀。与通用型智能原生企业不同，这类企业的核心资产并非公开数据与通用算法，而是垂直场景的专有数据、隐性经验及场景化算法适配。它们面临的挑战也截然不同，算力门槛已显著降低，难题在于如何将行业经验转化为AI可识别输入，以及如何让AI算法适配垂直领域的流程化业务。这些特性与挑战，决定了垂直型企业必须走出一条区别于通用型企业的发展路径。
通用型与垂直型智能原生企业的路径之别
发展过程中，因价值主张、场景定位不同，通用型与垂直型智能原生企业在数据、算法、算力三大核心维度上存在系统性差异（见表1）。这种差异并非纯粹的模型选择或技术能力之分，而是源于企业在服务对象、价值创造路径与知识结构上的根本分野。
数据作为AI“燃料”，差异体现在来源、属性与特点上。来源上，通用型企业的数据主要取自文本等互联网公开资源，覆盖广且无需绑定特定场景，如OpenAI的GPT-4o系列采集万亿级公开文本数据。垂直型企业的数据则依赖行业场景与自身，包括行业专有数据、企业私有数据及场景化数据（如设备日志、医疗影像）。属性上，通用型企业的数据以显性知识为主，标准化程度高，侧重“广度优先”，可跨场景通用且易于传播。垂直型企业的数据则以隐性知识为主，非标准化特征显著，突出“深度优先”，需结合具体行业场景。特点上，通用型企业数据规模大但价值密度不均，无强场景绑定。垂直型企业数据规模适中、价值密度高，与场景强绑定、更新频繁，采集治理的技术门槛和合规成本更高。
算法维度的差异体现在核心逻辑、特点与目标三个方面。核心逻辑上，通用型企业以变换器（Transformer）架构为底座，大规模预训练实现知识迁移与“智能涌现”，遵循“一次训练、多场景复用”，训练以无监督或自监督学习为主。垂直型企业则采用“通用模型+垂直数据注入+知识增强+规则引擎”复合架构，结合知识图谱与微调技术，贴合业务流程，实现场景化适配。特点上，通用型企业模型参数达千亿级，对“幻觉”容忍度较高，侧重泛化能力。垂直型企业模型参数多为十亿级至百亿级，强调高可靠性与人机协同优化。目标上，通用型企业以降低困惑度、提升准确率及泛化能力等通用指标为核心，旨在降低AI使用门槛，满足多领域需求。垂直型企业则以优化行业特定指标为目标，聚焦适配业务流程、解决行业痛点，尤其在制造、医疗等高风险行业，算法直接决定AI的实际可用性。
综上，两类企业本质上是“广度覆盖”与“深度渗透”的发展路径之别。通用型企业侧重于通用能力的构建与复用能力的扩展，垂直型企业则更强调AI与行业知识的融合能力。这些差异不仅决定了两类企业在数据、算法、算力上的技术取向，更反映了其在AI技术落地上的根本不同。
AI技术与行业经验的对接难题
得益于模型的轻量化与架构部署的灵活性，算力不再是制约垂直型智能原生企业发展的瓶颈；数据与算法层面的独特挑战，使得AI技术与行业经验的对接成为破局关键。数据层面的挑战在于将行业专家的隐性经验转化为机器可识别的标准化输入；算法层面的挑战在于让AI适配垂直领域的流程化业务逻辑，具体体现为流程关联性适配与动态性适配两大诉求。
经验的标准化编码困境
垂直领域核心价值多沉淀于未编码知识，即行业专家长期积累的经验、直觉等，这些知识难以通过文字等进行标准化表达，而AI模型的训练与推理高度依赖标准化、结构化的输入数据。这种“隐性知识”与“标准化输入”之间的矛盾，构成了垂直领域AI落地的第一道核心壁垒。
隐性经验的“不可言传性”是标准化转化的第一个难点：垂直领域的很多核心经验依赖“手感”等非语言感知，难以用数值精准描述。例如，丰田焊接技师凭材料回弹手感等调整参数，早期AI质检缺乏对“感知”的量化，输入效果不佳，引入红外与视觉传感器后问题得以缓解。
隐性经验的“场景依赖性”进一步加剧转化难度。这类知识与特定场景深度绑定，需结合多重信息综合判断，其关联逻辑难以被标准化提取。西门子医疗早期AI诊断系统仅使用标准化CT数据，在不同设备或患者体位变化时，模型识别能力下降，引入患者病史等变量补充后，诊断准确率显著提升。这印证了场景上下文是隐性经验转化关键。
隐性经验的“个体差异性”导致转化缺乏统一口径。不同专家的经验表达与实践方式各异，因此，同一问题可能存在不同的看法，难以形成统一标准。例如，施耐德电气工程师判断设备故障时，有的关注振动频率变化，有的依赖温度波动趋势。公司构建AI故障预测模型时，遇到知识口径不一致问题后，通过搭建统一标签体系，实现模型稳定训练。
算法的流程化适配难题
垂直领域业务流程化特征鲜明，业务活动由多个相互关联的环节构成，各环节的决策均影响后续执行效果。这要求AI算法适配端到端的业务流程并深度融合，但通用算法以单点任务优化为核心，难以满足垂直领域流程化需求，成为第二道核心壁垒。
流程关联性适配不足是算法落地的主要障碍。垂直领域的每个业务环节都与其他环节存在紧密的逻辑关联，AI需理解这种关联性并进行协同决策，而非孤立处理单个环节。海尔早期AI质检仅识别装配缺陷，忽略零件采购、工艺设置等前序环节影响，导致“治标不治本”；后续打通AI与MES系统，构建“原材料—装配—质检”全流程追溯体系，缺陷预防能力显著提升。
算法的动态性适配不足同样制约其落地效果。垂直领域的业务流程会随着场景条件、业务需求的变化而调整，AI算法须具备实时反馈与动态优化的能力，以适应变化。上海联影医疗科技股份有限公司的影像分析系统在不同医院扫描协议及医生操作习惯差异下准确率大幅下降，后引入联邦学习机制，模型在各个医院本地数据中动态微调，提升跨场景适应能力，实现算法流程动态适配。
人机协同下的知识转化
本质上，垂直型企业面对的是同一种挑战，即人机协同中的知识转化壁垒。该壁垒体现为两个紧密相关的问题（见图1）。一是隐性经验的标准化转化，核心是“人如何将隐性知识传递给机器”。人类专家的经验和直觉高度依赖情境与积累，很难抽象为结构化、可被算法直接理解和调用的标准化输入。二是算法在具体场景和业务流程中的适配，核心是机器如何将知识嵌入流程任务。专家经验难以被有效“喂给”机器，算法能力又难以顺畅融入业务流程，这两个问题彼此交织并放大，最终阻碍AI与行业经验的深度耦合及有效落地。
基于人机协同的知识转化实践
推动AI与行业经验有效对接，需融合人类在隐性知识挖掘、价值判断等方面的优势与机器在数据处理、逻辑推理等方面的能力，实现人机协同下知识的有效流转与持续创造。经典SECI模型揭示了“隐性知识与显性知识相互转化、循环升级”的规律，该模型通过社会化（隐性知识→隐性知识）、外显化（隐性知识→显性知识）、组合化（显性知识→显性知识）、内隐化（显性知识→隐性知识）四个环节，构建人际知识转化螺旋。SECI模型的应用场景聚焦于人类个体间的知识传递与共创，围绕“人与人”的互动展开，难以直接在“人与机器”协同中落地。机器无法感知人类的隐性经验，人类也难以用传统方式向机器传递非标准化知识。因此，在SECI模型的基础上，我们尝试构建更贴合“人机协同”下的知识转化实践。
具象化：
AI操盘的隐性知识转化为显性知识
外显化是通过人际沟通将隐性知识转化为显性知识，主要依托于人类语言表达。具象化是人机协同下隐性知识转化为显性知识的实践，核心是在人类辅助下，以机器可识别的方式完成隐性知识到显性数据的转化。区别于人际经验传递，具象化强调人机分工，将行业隐性经验（如工业手感、操作直觉等难量化的知识）转化为标准化指标，为AI模型训练提供输入。人类专家负责罗列基于经验理解的评价维度，机器承担数据梳理、规律识别工作，二者协同确保结果既符合行业经验，又具备数据可行性。
实践中，AI参与转化全流程，形成“专家引导—机器析因—双向校验”闭环。首先，组建“领域专家+AI工程师”团队，专家通过场景拆解等方式，梳理隐性知识的核心评价维度，如工业焊接场景中的“焊缝平整性”等关键方向。其次，机器挖掘历史生产数据及设备运行记录，识别关键影响参数并提供数据参考。最后，专家结合机器的数据分析将抽象经验量化为指标，机器再通过模拟试验验证指标适配性，规避主观偏差。
集成化：
AI主导的显性知识转化为显性知识
组合化是人类梳理现有显性知识，整合形成体系化新知识的过程，主要依赖人的梳理与归纳能力。集成化作为人机协同下显性知识转化为显性知识的实践，是在专家指导下，以机器为核心完成零散指标体系化构建——将具象化阶段的孤立指标按垂直领域业务流程逻辑关联整合，构建场景化知识模块，实现从“孤立指标点”到“体系化知识网络”的升级。过程中，机器主导知识关联、逻辑梳理与规则封装，人则聚焦流程逻辑指导与结果验证，确保知识体系贴合业务实际。
实践中，集成化遵循“专家理流—机器组网—规则封装”的逻辑。首先，人机协同系统梳理核心业务流程，明确各节点目标与上下游逻辑关系，将其转化为机器可识别的结构化图谱。其次，机器通过知识图谱技术，对离散指标进行关联分析，界定指标间因果关系与约束条件，构建完整知识网络。最后，机器将指标体系与流程封装为可复用的具备独立推理与决策能力的场景智能体，专家负责验证知识图谱的逻辑完整性并测试智能体，针对实际突发约束进行调整，保障决策落地。
沉淀化：
AI助力的显性知识转化为隐性知识
内隐化是人通过实践将显性知识转化为隐性经验，主要依赖人的实践感悟与经验。沉淀化是人机协同下显性知识转化为隐性知识的实践，核心是人在机器支撑下，将体系化的显性知识转化为自身实操直觉，机器则通过数据学习自主决策。该过程以人类的经验沉淀为主，机器提供数据支撑与逻辑适配，辅助人类更快形成场景化实操能力，实现“显性知识”到“人机双向隐性认知”的转化。
在实践中，沉淀化遵循“体系部署—双向内化—反馈迭代”的逻辑。首先，将集成化阶段形成的显性知识体系部署为人机共同应用基础。其次，人类通过实际操作将显性规则内化为直觉，如工人快速判断参数微调方向。机器则通过采集场景数据，内化为可动态调整的自主逻辑，为人类判断提供技术支撑。最后，人类将实操中的优化感悟转化为具体建议，机器将自主决策逻辑中的有效规律转化为算法参数，共同反哺知识体系迭代优化。
互联化：
AI支撑的隐性知识转化为隐性知识
社会化是人通过互动交流实现隐性知识共享共创，主要依赖人的经验传递与思维碰撞。互联化是人机协同下隐性知识转化为隐性知识的实践，核心是人在机器规律挖掘支撑下，实现隐性知识跨场景、跨主体共享。机器突破人类经验局限，挖掘隐性规律并提供验证方向，人类对机器发现的规律进行场景化判断，二者碰撞产生新知识，推动知识从个体积累向群体共享进化。
实践中，互联化遵循“规律挖掘—人类验证—共享扩散”的逻辑。首先，机器通过跨场景、跨企业数据挖掘，发现人类未察觉的规律（如设备故障关联），形成知识假设。其次，专家结合经验对假设进行场景验证与价值判断，如工人通过实操尝试其可行性。最后，将感悟融入现有知识体系，通过平台共享扩散至企业内部或行业，并反哺AI算法以提升后续挖掘效率。
打造知识转化的闭环思维模型
与传统知识创造理论相比，本文提出人机协同知识转化实践，试图揭示垂直型智能原生企业的核心竞争力来源，即打造知识转化的闭环（见图2）。
第一，持续参与的智能体。AI从工具升级为与人同等重要的参与主体，具备智能对齐能力。传统转化依赖人际互动，知识易随人员流动流失。本模型中，AI为知识“蓄水池”与“共创伙伴”，主导显性知识转化核心工作，支撑隐性知识沉淀与优化。尤其在互联化中，依托智能对齐形成的“经验池”，AI与人类跨主体互相启发，推动知识高效流转迭代。
第二，解放人的创造力。模型通过人机分工，将人从烦琐重复的工作中解放出来，聚焦核心价值创造，实现知识创造的“破圈”。传统模式中专家精力耗于标准化工作，知识源也局限于已有经验。人机协同下，AI承担重复任务并提供生成性价值，助力知识突破认知边界；人类则专注于隐性知识挖掘、创新与机器洞察验证。沉淀化正是“破圈”的核心体现，让知识创造更易超越人类认知。
第三，涟漪式的知识扩散结构。知识转化从线性螺旋上升转变为多涟漪式扩散，这源于各环节的动态联动。人机协同下，知识转化各环节存在动态反馈与联动，如具象化的指标优化可直接触发集成化知识图谱调整，沉淀化反馈数据支撑具象化迭代与互联化挖掘，各环节同步发力、相互促进。核心知识从单个企业的特定场景扩散至企业全场景，再经行业共享至同领域，最终实现跨领域复用，大幅提升“应用—创新—再应用”的知识创造效率。
结束语
垂直型智能原生企业的崛起，标志着AI发展已从通用场景的“广度覆盖”迈入“价值深耕”新阶段。这类企业扎根行业场景，依托隐性经验与专有数据，成为培育新质生产力、巩固实体经济的关键载体。与通用型智能原生企业追求泛化能力不同，垂直型智能原生企业以“深度适配”为核心，面对的核心挑战并非算力约束，而是隐性经验的标准化转化与算法的场景化适配难题。
本文尝试提出人机协同下“具象化—集成化—沉淀化—互联化”的知识创造实践，为应对上述挑战提供思考。具象化将隐性知识转化为机器可识别数据，筑牢AI训练基础；集成化构建体系化知识网络，让AI适配业务流程；沉淀化推动人机双向知识内化，达成能力沉淀；互联化促进跨场景知识共享共创，放大行业价值。这一思想构建了“显性层面人助机、隐性层面机助人”的闭环思维，既发挥机器在数据处理、规则封装上的效率优势，又凸显人类在创新判断、场景试验上的核心价值。
未来，垂直型智能原生企业的发展需紧扣三大核心：聚焦细分场景，深挖行业隐性知识与专有数据，构建场景化资产；深化人机协同，发挥人类创新判断优势与机器数据处理能力，形成协同效应；构建闭环迭代机制，通过场景反馈与知识共创推动价值升级。随着闭环思维的普及深化，垂直型智能原生企业将在更多领域深度落地，成为激活行业生产力、推动数字化转型的核心力量，为新质生产力发展注入强劲动力。