大模型应用的春天来了。在人工智能的浪潮中，大模型正成为推动技术变革的核心力量。春节前，DeepSeek R1 的发布在全球范围内引发了巨大轰动，它不仅在性能上与 OpenAI 的模型不相上下，更凭借其基于 CoT（Chain of Thought）的推理过程，展现出强大的逻辑能力，同时，开源和低成本的优势，让众多企业迅速接入。DeepSeek 已然成为各行业关注的焦点，今年无疑是大模型应用爆发的关键一年。

技术的发展并非一蹴而就，而是经历从萌芽到成熟，再到广泛应用的过程。20多年前的PC互联网和10多年前的移动互联网的兴起，都经历了这样的阶段，如今，从周期和技术成熟度来看，AI大模型也正站在爆发的前夜。

DeepSeek R1 的出现，不仅展示了大模型的强大能力，更以开源和低成本的姿态，为更多企业和开发者提供了平等的机会。短短一个多月，国内众多公司纷纷接入，甚至包括腾讯、阿里等行业巨头。这种现象表明，大模型的应用已经具备了广泛落地的基础，从金融风控到投资决策，从智能家居到医疗辅助，大模型的应用场景正在不断拓展。2025年，或许就是这场技术变革的“临界点”。

很多人可能会问：既然 DeepSeek、ChatGPT 等聊天类App已经如此强大，为什么还要开发基于大模型的应用呢？原因主要有两个方面：一是通用聊天应用虽然灵活，但在很多专业领域，普通用户并不具备问正确问题的能力；二是大模型推理需要基于场景的相关数据，通用聊天工具从互联网搜索到的数据，可能不全或者不准确，在医疗、投资等大部分专业领域需要准确数据的场景，并不可靠。

在当下的技术发展阶段，大模型尚未真正具备智能，其核心价值在于卓越的数据处理能力。这种能力在众多专业领域中展现出巨大的潜力，能够显著提升工作效率。以医疗领域为例，大模型能够基于患者的病历、检查报告、生理数据等多维度信息，快速进行病情分析和辅助诊断，为医生提供精准的决策支持。在投资领域，它也能迅速获取市场动态数据，完成基本面与技术面的深度分析，为投资者提供科学的决策参考。这些应用场景充分证明，大模型的价值远不止于简单的“聊天”。

过去两年，我们在积极探索大模型的应用过程中：从营销运营领域的热搜机器人、到 Coding 领域的 JoyCoder，金融科技领域从社区的热点话题生成、到基金/保险产品解读。DeepSeek R1 的出现，让我们更加意识到，目前的应用还非常初级，只是有，离好还有很大的差距和空间。基于过往的这些场景探索，大模型应用要取得更好的效果，我们认为需要综合考虑以下4大要素：好的效果 = 大模型 + 专业知识 + 知识库 + 工程架构。

DeepSeek 等通用聊天类App虽然简单，但要用好的话往往需要用户具备专业知识，看似普惠，事实上门槛比较高，交互体验也不够便捷。例如在投资领域，普通用户可能并不知道该问什么问题，如果只是问“今天的市场行情怎么样，这只股票是买入还是卖出”，大模型并不能给出能赚到钱的答案。而稍有一些投资经验的人，可以问“分析一下沪深300指数的技术面，时间从2021年到现在，从形态、均线、趋势等看走势是反弹还是反转，并用MACD、背离、量能等交叉确认”等更复杂的问题。如果涉及到更具体买卖决策和调仓建议，可能需要更加深入和专业的问题。

此外，交互不够便捷也是一大问题。用户需要组织语言、打字输入，还要在聊天工具和具体的如券商的App之间来回切换，体验较差。今日头条等之所以能取代门户网站，正是因为其在交互上体验更好。因此，交互设计和专业知识的结合是大模型应用成功的关键，场景化的AI是探索的一个方向。

问准确的问题还不够，还需要有充分的上下文信息以及准确获取的能力。首先，信息的及时、准确和丰富至关重要。大模型是神经网络，仿照大脑的原理构建，可以看作一个看完了互联网上所有数据的超级专家。就像让医生看病或操盘手交易，需要告知其“病情”或“行情”才能开展工作，信息越及时和全面，专家的决策就越准确、可靠。

DeepSeek App 虽然具有联网能力，能在回答问题前搜索相关信息，但搜索回来的数据可能存在问题，如数据过期或数据较少，导致推理结果不够准确。比如下图案例，做出推理结论而引用的数据4和6是过期的，导致看起来完美的推理逻辑也是无法用的。企业要想用好大模型，必须建立本地知识库，确保数据的数量和质量。在 DeepSeek 这类大模型开源后，算法已经平权，企业之间的竞争又回到了数据这个生产力要素。



其次，高效准确地获取数据也极为关键。即使知识库建的很大、很丰富，搜索能力也至关重要，这是百度、谷歌等深耕多年的能力，技术门槛比较高，要做好并不容易。知识库本身的架构，访问权限设计，以及各种RAG技术，都极为关键。（图片来自于网络）



对于简单问题，大模型可以通过一轮对话给出答案；而对于复杂问题，如买一张去西藏的便宜机票，或判断中证A500指数基金什么时候买，则需要更加复杂的设计，如果能更好地组织和引导，类似于人类的头脑风暴和专家讨论，把多个专家的智力都激发出来，就有可能找到更好的解决方案。

大模型是一个待机的超级专家，提供简单的API供应用随时调用，如何面向大模型编程，激发其潜力需要研发人员的精心设计，目标是大模型成为真的“大脑”，取代原来预设的业务流程，策略引擎和流程编排工具，让应用具备自主智能。通过Agent架构，甚至多Agent（智能体）交互，可以引导大模型进行多轮交互和逻辑推理，从而获得更准确的结果，工具/MCP，记忆，规划、思维链、反思等架构和设计模式，需要持续探索应用。（图片来自于网络）



大模型是整个应用的核心部件，当然是最重要的。但从应用开发的角度来看，选择合适的大模型并灵活切换更为关键，应用系统的架构，需要更加灵活的支持多个大模型。DeepSeek R1的成功表明，大模型在持续的竞争和迭代，另外，不同大模型在不同领域的潜质也不一样，就像有些人擅长科学，有些擅长经商，有些擅长音乐，多Agent系统中，每个Agent可以使用不同的大模型。未来，大模型的市场竞争将更加激烈，选择比拥有更重要。

DeepSeek R1 是终点吗？当然不是。Transformer 是实现 AGI（通用人工智能）的终极算法架构吗？估计也不是。吴军、杨立琨、王兴兴等专家都曾提出过类似的观点：尽管Transformer架构在自然语言处理等领域取得了巨大突破，但它并非万能。未来仍有可能出现更强大的算法，推动人工智能迈向新的高度。

数据真的已经用完了吗？应该也不是。人类在学习和沉淀规律时，从来不仅仅是依赖过往的书本知识。从开普勒三大定律到牛顿力学，这些伟大的科学发现，都是通过对现实世界中的数据进行获取、分析和总结得出的。无论是日月星辰的运行轨迹，还是潮起潮落风云变幻，亦或是粒子撞击的微观过程，甚至是人类自身的脉搏跳动，只要通过摄像机、传感器等工具进行捕捉，就能从这些更广泛、更丰富的自然界获取数据。这些数据，或许将成为未来人工智能发展的重要“养料”，为模型的训练和优化提供新的思路和方向。

除了算法和数据，大模型的未来发展还需要强大的算力。量子计算或许是解决这一问题的关键方案。哦，还有能源问题，小时候看《变形金刚》，一直不理解他们为什么整天争夺“终极能源”，未来当硅基生命充满大地和天空的时候，能源问题或许将成为制约技术发展的关键瓶颈。

这一天，或许终将会到来。