企業(yè)數(shù)據(jù)，要為AI重構(gòu)一遍｜愛(ài)分析訪談

原創(chuàng) 愛(ài)分析ifenxi 2026-07-31 12:00

別讓AI算力卡脖子！dsPIC33AK性能暴增指南 一杯咖啡的時(shí)間，搞懂行波測(cè)距新趨勢(shì)

大模型正在進(jìn)入企業(yè)核心業(yè)務(wù)場(chǎng)景，但真正阻礙其落地的，不是模型能力本身，而是數(shù)據(jù)能否被模型準(zhǔn)確理解和調(diào)用。大量掃描件、PDF、圖片、視頻以及復(fù)雜表格沉淀在業(yè)務(wù)系統(tǒng)中，保留著關(guān)鍵知識(shí)，卻長(zhǎng)期處于非結(jié)構(gòu)化、難解析、難關(guān)聯(lián)的狀態(tài)。

企業(yè)投入大量資源做結(jié)構(gòu)化治理后才發(fā)現(xiàn)，面向人類(lèi)閱讀的數(shù)據(jù)形態(tài)，并不天然適合大模型推理，只有將語(yǔ)義和結(jié)構(gòu)盡可能無(wú)損地還原出來(lái)，才可能真正構(gòu)建AI-Ready的數(shù)據(jù)底座。

EasyLink是一家鏈接AI、數(shù)據(jù)與場(chǎng)景的AI原?企業(yè)，創(chuàng)始人陳思吟是一位擁有多年金融科技投資經(jīng)驗(yàn)的跨界創(chuàng)業(yè)者，她敏銳地洞察到了AI應(yīng)用落地中最難啃的硬骨頭——數(shù)據(jù)，便帶領(lǐng)團(tuán)隊(duì)深耕非結(jié)構(gòu)化數(shù)據(jù)處理，在金融資管、醫(yī)療等高精度要求的垂直行業(yè)中，將大模型應(yīng)用從玩具級(jí)推向生產(chǎn)級(jí)。

近期，愛(ài)分析與陳思吟進(jìn)行了一場(chǎng)深度對(duì)話，重點(diǎn)討論了幾個(gè)核心問(wèn)題：AI的數(shù)據(jù)偏好、隱性知識(shí)萃取路徑、AI原生組織的未來(lái)演進(jìn)。

核心觀點(diǎn)

讓AI理解數(shù)據(jù)是企業(yè)在產(chǎn)業(yè)側(cè)AI落地應(yīng)用的最大壁壘。

在企業(yè)自部署開(kāi)源模型、模型能力趨于同質(zhì)化的背景下，決定AI應(yīng)用質(zhì)量高低的關(guān)鍵，是輸入給LLM的內(nèi)容質(zhì)量。模型決定下限，數(shù)據(jù)決定上限。

AI不習(xí)慣人類(lèi)的結(jié)構(gòu)化思維。

傳統(tǒng)的表格和硬性結(jié)構(gòu)化數(shù)據(jù)是做給人類(lèi)看的，而對(duì)于AI而言，無(wú)損的語(yǔ)義描述和天然的網(wǎng)狀結(jié)構(gòu)才是最佳養(yǎng)料，把數(shù)據(jù)轉(zhuǎn)化為自然語(yǔ)言上下文，才是真正的AI-Ready。

企業(yè)級(jí)AI場(chǎng)景沒(méi)有中庸之道。

泛辦公場(chǎng)景可以用輕量級(jí)或開(kāi)源架構(gòu)，但金融、醫(yī)療等核心業(yè)務(wù)場(chǎng)景對(duì)精準(zhǔn)度要求極高。90分在企業(yè)級(jí)場(chǎng)景只是剛及格，達(dá)不到95分以上的精準(zhǔn)，AI就無(wú)法推向生產(chǎn)一線。

未來(lái)的AI原生組織將扁平至極。

隨著AI向各個(gè)工種深度滲透，傳統(tǒng)的復(fù)雜匯報(bào)線將被瓦解。未來(lái)的企業(yè)可能精簡(jiǎn)到只有高管層和專(zhuān)家層兩層，其中，專(zhuān)家層是少數(shù)具備豐富經(jīng)驗(yàn)、負(fù)責(zé)管理和審計(jì)Agent的超級(jí)個(gè)體。

以下為本次訪談實(shí)錄，在不改變?cè)饣A(chǔ)上略有修改。

什么是AI-Ready data？

愛(ài)分析：行業(yè)內(nèi)常講，企業(yè)應(yīng)該構(gòu)建AI-Ready的數(shù)據(jù)底座，而AI-Ready的核心是Data-Ready。AI偏好的數(shù)據(jù)到底長(zhǎng)什么樣？

陳思吟：AI處理信息的優(yōu)勢(shì)在于理解語(yǔ)義關(guān)聯(lián)，在對(duì)非結(jié)構(gòu)化數(shù)據(jù)處理時(shí)保留充分的上下文和關(guān)系的表達(dá)方式能讓AI發(fā)揮出更強(qiáng)的理解能力。

我們團(tuán)隊(duì)是2023年開(kāi)始創(chuàng)業(yè)的，第一個(gè)客戶是金融機(jī)構(gòu)，當(dāng)時(shí)給了我們一堆五花八門(mén)的數(shù)據(jù)，有視頻、圖片、掃描件和PDF，說(shuō)想做一個(gè)內(nèi)部員工助手，希望通過(guò)知識(shí)庫(kù)的方式讓大模型把這些數(shù)據(jù)用起來(lái)。

那個(gè)時(shí)候我們就發(fā)現(xiàn)了痛點(diǎn)：雖然模型很強(qiáng)，但它沒(méi)有企業(yè)內(nèi)部的私有數(shù)據(jù)，而企業(yè)知識(shí)都蘊(yùn)含在大量非結(jié)構(gòu)化數(shù)據(jù)里。要讓大模型在推理側(cè)把這些知識(shí)真正用起來(lái)，必須解決兩個(gè)核心問(wèn)題。

第一是怎么把非結(jié)構(gòu)化數(shù)據(jù)里的語(yǔ)義無(wú)損地給到模型。這種語(yǔ)義不僅包括文本，還包括表格和圖片的語(yǔ)義。AI到底喜歡什么樣的形式？人類(lèi)特別喜歡表格，喜歡結(jié)構(gòu)化的表達(dá)，AI更擅長(zhǎng)從包含豐富上下文的自然語(yǔ)言中捕捉因果與邏輯鏈條。

第二是要考慮結(jié)構(gòu)。當(dāng)面對(duì)大規(guī)模數(shù)據(jù)時(shí)，一方面要考慮數(shù)據(jù)內(nèi)部語(yǔ)義之間的天然結(jié)構(gòu)，這種結(jié)構(gòu)對(duì)模型推理是有幫助的；另一方面，數(shù)據(jù)與數(shù)據(jù)之間也存在語(yǔ)義關(guān)系。怎么把這種關(guān)系完整地還原并表達(dá)給模型，非常重要。我們?cè)跇?gòu)建底層非結(jié)構(gòu)化數(shù)據(jù)能力時(shí)，一直圍繞著語(yǔ)義和結(jié)構(gòu)的完整還原展開(kāi)。

愛(ài)分析：可以舉個(gè)例子？

陳思吟：最典型的例子，就是把長(zhǎng)篇的文檔，轉(zhuǎn)化為保留了核心層級(jí)和關(guān)聯(lián)的層次結(jié)構(gòu)樹(shù)，這種既保留了原始文本的豐富上下文，又還原了數(shù)據(jù)節(jié)點(diǎn)間清晰映射的形態(tài)，對(duì)于AI 來(lái)說(shuō)才是真正的 AI-Ready。

愛(ài)分析：這些工作在整個(gè)AI基礎(chǔ)設(shè)施處于什么位置？重要程度如何？

陳思吟：這些數(shù)據(jù)預(yù)處理是整個(gè)AI應(yīng)用構(gòu)建鏈路的第一步，也是最難、最核心的一步。包括像Agent的記憶能力，背后依托的就是對(duì)數(shù)據(jù)本身的處理。如果數(shù)據(jù)解析不對(duì)，推理模型再?gòu)?qiáng)也是空中樓閣。至于說(shuō)通用大模型也能做數(shù)據(jù)處理，通用能力在面對(duì)不同行業(yè)時(shí)，是有巨大挑戰(zhàn)的。

比如我們接觸比較多的金融行業(yè)，天然對(duì)于準(zhǔn)確性和可靠度有非常高的要求，任何的數(shù)據(jù)處理產(chǎn)生的幻覺(jué)可能帶來(lái)合規(guī)風(fēng)險(xiǎn)。醫(yī)療行業(yè)也一樣，大量病例、論文和影像在轉(zhuǎn)換為AI可用的燃料時(shí)不能出現(xiàn)任何解析的誤差。企業(yè)在做數(shù)據(jù)預(yù)處理時(shí)，對(duì)這些復(fù)雜數(shù)據(jù)的精度要求是100%還原語(yǔ)義和結(jié)構(gòu)，通用模型很難在所有場(chǎng)景都做到極致。

愛(ài)分析：數(shù)據(jù)預(yù)處理可以理解為文檔解析嗎？

陳思吟：只做文檔解析是不夠的，還要建立層次化結(jié)構(gòu)。具體是指，從多種格式中提取關(guān)鍵信息之后，還要能識(shí)別這些信息的結(jié)構(gòu)化關(guān)系，構(gòu)建包含章節(jié)、段落和層級(jí)的邏輯結(jié)構(gòu)樹(shù)，為模型推理提供全面的上下文信息。

這是數(shù)據(jù)內(nèi)部語(yǔ)義之間的結(jié)構(gòu)，數(shù)據(jù)與數(shù)據(jù)之間也存在語(yǔ)義關(guān)系，更進(jìn)一步，可以建立一個(gè)更龐大、完善的結(jié)構(gòu)化關(guān)系，來(lái)解決企業(yè)數(shù)據(jù)散落在各處的痛點(diǎn)。

舉個(gè)例子，你想了解某個(gè)企業(yè)在某個(gè)維度的收入情況，可能沒(méi)有任何一份完整的數(shù)據(jù)直接寫(xiě)著收入等于多少，它散落在各個(gè)角落。這時(shí)候，如果能構(gòu)建這個(gè)結(jié)構(gòu)化關(guān)系，模型就可以基于關(guān)聯(lián)關(guān)系進(jìn)行推理，大幅提升檢索能力和最終結(jié)果的精度。

愛(ài)分析：除了PDF和表單，像音頻、視頻文件這類(lèi)非結(jié)構(gòu)化數(shù)據(jù)，也能這樣改造嗎？

陳思吟：不管是PDF還是視頻，我們都支持語(yǔ)義解析。基于智能視覺(jué)與語(yǔ)義分析，系統(tǒng)能夠自動(dòng)識(shí)別內(nèi)容層級(jí)并建立上下文關(guān)聯(lián)，實(shí)現(xiàn)高精度的信息呈現(xiàn)。

愛(ài)分析：解析廠商很多，還有面對(duì)來(lái)自開(kāi)源解析模型的競(jìng)爭(zhēng)，怎么建立競(jìng)爭(zhēng)優(yōu)勢(shì)？

陳思吟：聚焦垂類(lèi)領(lǐng)域的精度，構(gòu)建數(shù)據(jù)飛輪。我們?cè)诳蛻魣?chǎng)景會(huì)遇到具有行業(yè)特性的Corner Case，不斷迭代優(yōu)化，逐步就會(huì)在數(shù)據(jù)層形成自己的護(hù)城河。在某些垂直領(lǐng)域越做越精、越做越準(zhǔn)，這才是最核心的數(shù)據(jù)飛輪效應(yīng)。

有了這個(gè)特定任務(wù)大模型，就能破除模型性能和算力成本的限制。以金融行業(yè)為例，他們對(duì)實(shí)時(shí)性要求極高，當(dāng)天上市公司發(fā)布大量年報(bào)，需要在T+0的時(shí)間內(nèi)全部處理完。如果直接用一個(gè)超大參數(shù)的通用大模型或者去調(diào)公有云API，算力資源消耗和成本是天文數(shù)字，性能也根本跟不上。

我們的視覺(jué)語(yǔ)義模型是一個(gè)專(zhuān)注于數(shù)據(jù)解析這個(gè)特定任務(wù)的工業(yè)級(jí)模型，專(zhuān)門(mén)用來(lái)解決數(shù)據(jù)解析過(guò)程中的性能和成本問(wèn)題。我們自研的多模態(tài)數(shù)據(jù)解析引擎與國(guó)產(chǎn)算力深度優(yōu)化適配，單卡推理的效率可以達(dá)到在英偉達(dá)卡上的1.5倍，推理加速引擎比開(kāi)源方案快1倍，達(dá)到約1秒一頁(yè)的解析速度。

90分的AI，企業(yè)根本不敢用

愛(ài)分析：根植于AI-Ready數(shù)據(jù)底座之上的Agent，相對(duì)于沒(méi)有這個(gè)底座的Agent，優(yōu)勢(shì)在哪里？

陳思吟：兩者的區(qū)別，就是生產(chǎn)級(jí)和玩具級(jí)的區(qū)別。企業(yè)核心看重的還是精準(zhǔn)度。像金融、醫(yī)療這些對(duì)精準(zhǔn)度要求極高的行業(yè)，90分可能才剛及格，大家才敢開(kāi)始用，核心業(yè)務(wù)至少得達(dá)到95分以上。

我們最近溝通發(fā)現(xiàn)，很多企業(yè)用了開(kāi)源架構(gòu)或者引入了一些相對(duì)輕量級(jí)的產(chǎn)品，結(jié)果發(fā)現(xiàn)底層數(shù)據(jù)處理不到位的情況下，很難從驗(yàn)證階段進(jìn)入核心業(yè)務(wù)場(chǎng)景。背后的原因就在于，底層的數(shù)據(jù)沒(méi)有處理好，輸入的數(shù)據(jù)質(zhì)量不高，再怎么去調(diào)檢索、調(diào)模型，輸出的質(zhì)量依然會(huì)有問(wèn)題。

所以，準(zhǔn)確率上不去，就永遠(yuǎn)別想推向企業(yè)的核心業(yè)務(wù)場(chǎng)景。

愛(ài)分析：談到Agent的構(gòu)建，現(xiàn)在很多企業(yè)會(huì)用到Harness架構(gòu)，AI-Ready的數(shù)據(jù)底座在其中具體能發(fā)揮怎樣的作用？

陳思吟：數(shù)據(jù)底座是企業(yè)構(gòu)建完整Agent底層能力的核心基石。我們理解企業(yè)去構(gòu)建Agent需要幾塊完整的能力：第一塊是數(shù)據(jù)側(cè)，不管結(jié)構(gòu)化還是非結(jié)構(gòu)化數(shù)據(jù)，都需要做AI-Ready的準(zhǔn)備；第二塊是知識(shí)或記憶側(cè)，有了數(shù)據(jù)之后，需要沉淀成企業(yè)可用的知識(shí)。

其實(shí)企業(yè)內(nèi)部的知識(shí)分為兩類(lèi)。一類(lèi)是顯性知識(shí)，就是剛剛提到的各種數(shù)據(jù)；第二類(lèi)是隱性知識(shí)，也就是各個(gè)行業(yè)、各個(gè)工種的行業(yè)認(rèn)知、經(jīng)驗(yàn)以及使用過(guò)程中的反饋。比如人看到一堆數(shù)據(jù)，天然會(huì)基于過(guò)去的經(jīng)驗(yàn)把這些數(shù)據(jù)串起來(lái)進(jìn)行總結(jié)，這就是隱性知識(shí)。

知識(shí)側(cè)的任務(wù)，就是把所有的顯性知識(shí)和隱性知識(shí)融合，讓大模型可以更好地進(jìn)行理解和表達(dá)。在這個(gè)能力之上，結(jié)合Harness和企業(yè)內(nèi)部的所有知識(shí)，才能拼裝出一套完整的、生產(chǎn)級(jí)的Agent底層能力。

愛(ài)分析：隱性知識(shí)的萃取一直是個(gè)難題，未來(lái)AI在知識(shí)萃取上能起到多大的作用？

陳思吟：知識(shí)萃取在投研等特定垂直場(chǎng)景是剛需，AI在其中的核心作用是充當(dāng)?shù)讓訑?shù)據(jù)的導(dǎo)航儀。我們做過(guò)一些垂類(lèi)場(chǎng)景，比如金融行業(yè)投研，它天然需要圍繞特定的主題進(jìn)行知識(shí)萃取。不同行業(yè)有不同的分析鏈路和分析框架，這就意味著對(duì)底層數(shù)據(jù)的調(diào)用有很強(qiáng)的行業(yè)特色。

這就需要在數(shù)據(jù)與推理的中間層，用一種對(duì)模型更友好、不需要死板定義Schema的方式，把數(shù)據(jù)里面的語(yǔ)義關(guān)系顯性化地表達(dá)出來(lái)。這就像是讓AI在底層數(shù)據(jù)上擁有了更好的導(dǎo)航能力。

至于這個(gè)過(guò)程是完全AI原生的，還是需要人機(jī)交互，取決于任務(wù)的復(fù)雜程度。如果只是撰寫(xiě)某個(gè)固定格式的正式報(bào)告，你直接丟個(gè)模板過(guò)去，AI自己就能理解并實(shí)現(xiàn)，因?yàn)樗鞔_知道要去底層抓取哪些數(shù)據(jù)。

但如果是一些偏開(kāi)放式或者偏決策的復(fù)雜場(chǎng)景，就需要人機(jī)交互，去捕捉人類(lèi)在執(zhí)行任務(wù)過(guò)程中的反饋并沉淀下來(lái)。同時(shí)，我們還需要對(duì)數(shù)據(jù)本身進(jìn)行更復(fù)雜的網(wǎng)狀結(jié)構(gòu)處理，以支持模型進(jìn)行深度推理。

愛(ài)分析：這種網(wǎng)狀結(jié)構(gòu)處理，和知識(shí)圖譜有什么區(qū)別？過(guò)去做圖譜需要先把各種元數(shù)據(jù)和Schema定義好。

陳思吟：現(xiàn)在完全不需要事先定義Schema了。傳統(tǒng)的知識(shí)圖譜構(gòu)建需要事先定義Schema 和規(guī)則，這在大模型時(shí)代已經(jīng)成為一種限制。而現(xiàn)在我們讓模型自動(dòng)理解語(yǔ)義之間的關(guān)聯(lián)關(guān)系，不需要提前定義死板的框架。

愛(ài)分析：所以對(duì)于最終的甲方客戶來(lái)說(shuō)，底下的圖譜架構(gòu)具體長(zhǎng)什么樣，其實(shí)是一個(gè)黑盒？

陳思吟：客戶更關(guān)心最終輸出的質(zhì)量，底層技術(shù)細(xì)節(jié)不是他們關(guān)注的重點(diǎn)，采取哪種底層架構(gòu)，業(yè)務(wù)用戶是無(wú)感的。如果是知識(shí)庫(kù)，客戶關(guān)心回答的質(zhì)量；如果是Agent，客戶只關(guān)心執(zhí)行任務(wù)的質(zhì)量。

愛(ài)分析：金融機(jī)構(gòu)本身就一直在做數(shù)據(jù)治理。現(xiàn)在針對(duì)AI應(yīng)用的這種數(shù)據(jù)和知識(shí)治理，需要跟傳統(tǒng)數(shù)據(jù)治理拉通嗎？

陳思吟：現(xiàn)階段兩者更多是并行推進(jìn)，隨著AI應(yīng)用深入，未來(lái)可能會(huì)有對(duì)接的需求。銀行該怎么做傳統(tǒng)的底層數(shù)據(jù)治理，還怎么去做。上層圍繞大模型應(yīng)用去搭的這些AI基礎(chǔ)設(shè)施或AI治理，目前是兩個(gè)不同的層面。

AI促使企業(yè)“減肥”，未來(lái)的組織架構(gòu)只剩兩層

愛(ài)分析：怎么看AI對(duì)組織形態(tài)的影響？是否也能建立某種競(jìng)爭(zhēng)優(yōu)勢(shì)？

陳思吟：AI已經(jīng)在滲透每個(gè)工種，每個(gè)員工背后可能都在調(diào)用非常多的Agent。很有可能未來(lái)的組織架構(gòu)會(huì)變成只有兩層：管理層向下，是少數(shù)非常有經(jīng)驗(yàn)的、負(fù)責(zé)管理各個(gè)職能的專(zhuān)業(yè)人才，他們負(fù)責(zé)管理各個(gè)Agent并檢查結(jié)果，最后和管理層協(xié)同。中間那層復(fù)雜的匯報(bào)線全被Agent替代了。

我們公司現(xiàn)在就在往這個(gè)方向去發(fā)展，作為一家AI原生企業(yè)，我們不希望未來(lái)的組織變得特別臃腫復(fù)雜。

愛(ài)分析：目前EasyLink重點(diǎn)切入的垂直行業(yè)主要有哪些？

陳思吟：金融和醫(yī)療是目前我們處理數(shù)據(jù)量最大的兩個(gè)行業(yè)。尤其在金融的資管行業(yè)，我們已經(jīng)實(shí)現(xiàn)了從底層數(shù)據(jù)處理、知識(shí)沉淀、記憶層到上層Agent應(yīng)用場(chǎng)景的全鏈條覆蓋。

這其實(shí)是客戶主動(dòng)推著我們走的?；诳蛻舴答?，我們發(fā)現(xiàn)底層數(shù)據(jù)做好之后，向上覆蓋到Agent場(chǎng)景是非常自然的延伸。

愛(ài)分析：醫(yī)療行業(yè)本身的數(shù)據(jù)治理歷史很長(zhǎng)，且非結(jié)構(gòu)化數(shù)據(jù)極多。你們切入醫(yī)療行業(yè)的出發(fā)點(diǎn)是什么？2026年有哪些核心的規(guī)劃？

陳思吟：無(wú)論是金融還是醫(yī)療，其實(shí)都不是我們刻意去挑選的，而是客戶帶著痛點(diǎn)主動(dòng)找上門(mén)的。這兩個(gè)行業(yè)的共同特征非常明顯：第一是非結(jié)構(gòu)化數(shù)據(jù)量龐大，資管有大量的股債報(bào)告，醫(yī)療有大量的病例、論文和影像；第二是這兩個(gè)行業(yè)都極度渴望把這些數(shù)據(jù)轉(zhuǎn)化成AI能力，但卻在數(shù)據(jù)底座這一關(guān)遇到了瓶頸。

關(guān)于2026年的規(guī)劃，我們會(huì)緊緊圍繞兩條線來(lái)推廣。第一條線是數(shù)據(jù)線，我們會(huì)結(jié)合已經(jīng)切入的垂直行業(yè)，構(gòu)建更多高質(zhì)量的行業(yè)數(shù)據(jù)處理能力，幫企業(yè)打造AI-Ready的數(shù)據(jù)底座。

第二條線是Agent線，我們?cè)?月初已經(jīng)正式發(fā)布面向企業(yè)級(jí)場(chǎng)景的Agent產(chǎn)品Tiri，直接把我們最核心的數(shù)據(jù)解析能力集成在里面，幫客戶交付最終的業(yè)務(wù)結(jié)果。

注：點(diǎn)擊左下角“閱讀原文”，查看更多洞察內(nèi)容。

登錄閱讀全文



免責(zé)聲明：該內(nèi)容由專(zhuān)欄作者授權(quán)發(fā)布或作者轉(zhuǎn)載，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)，本站亦不保證或承諾內(nèi)容真實(shí)性等。若內(nèi)容或圖片侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系本站刪除。侵權(quán)投訴聯(lián)系：? nick.zong@aspencore.com！

愛(ài)分析ifenxi 愛(ài)分析ifenxi是專(zhuān)注于AI市場(chǎng)的研究咨詢(xún)機(jī)構(gòu)

進(jìn)入專(zhuān)欄

評(píng)論