从第四范式戴文渊原话分析第四范式到底是干什么的

$范式智能(06682)$ 最下面是2025年中期业绩线上交流会及投资者交流，我截取老戴对机构投资者解答的部分内容，可以先看最后面对话，再看总结。

可以得出简单的结论，第四范式主体不是做基础大模型的(不做通用LLM竞赛，专注行业/场景的基座模型与工程化平台)，而是利用算法(核心是autoMl自动化机器学习和迁移学习)来选模型，用模型，调模型，管模型(工程化落地ai大模型)，按老戴原话说，就是先知平台是锅，锅可以自动控温调火(自动选择最合适的基础模型-找合适的火，调参，控制输出)，客户提供菜(高质量数据，某场景，规则，流程等)，，洗菜切菜(数据清洗，结构化)，炒菜(平台自动对接、工具调用，让AI能查病历、看报告、调规则、算指标，变成能干活的系统)。

极简一句话区分
• AutoML（自动化机器学习）：管流程自动化，让用模型的全过程不用人动手。
• 迁移学习：管能力迁移，让通用大模型快速变成行业专用模型，省钱省数据。

所以老戴说，搞大模型找巨头们，搞ai应用落地找第四范式。在基础模型上面老戴烧不起钱，搞不起，但是工程化落地能力的确是屈指可数，先知平台就是工程化落地ai的。(以少量算力，少量数据，规模化工程化落地ai应用)

所以，目前给基础大模型高估值，给第四范式低估值，也有道理，也没道理，只能说，仁者见仁智者见智。

难道能做基础模型的巨头就不能取代第四范式，做第四范式这些落地？

完全能做，但巨头们不愿意干、干不精、干不过来、也不敢全干，所以目前难取代第四范式，这是商业和行业现实决定的，不是技术问题。就像老戴说，锅有锅的竞争，毫无疑问，先知平台这个锅，巨头们可能需要2-3年左右全力迭代开发才能达到，而经融，能源行业方面的壁垒，巨头们打破，可能需要的时间更长。先知平台的进化，在各行业方面的壁垒才是锅好不好用的唯一保证。所以，为什么老戴不去搞估值更高的通用大模型？因为锅有锅的价值，第四范式本来是做锅的，要他去像巨头们一样耗费巨资去做火，那有什么差异化竞争力吗？烧钱拼的过巨头吗？最后，是火取代锅，把锅能做的事，火来做了，还是锅和火形成差异化竞争，还是得看锅的价值，锅的壁垒，先知平台的进化，先知平台的场景深耕与实际效果。

之前巨头不愿意做锅，而做火的原因:
最核心的4个原因：
1. 巨头嫌落地又脏又累，赚的是“辛苦小钱”，看不上
• 造基础大模型（火）：一次投入，全球卖API，规模化赚大钱、轻资产
• 做行业落地（锅）：要挨个跑医院/银行/工厂，做内网部署、定制开发、合规对接、现场调试，项目制、慢、薄利、重人力
巨头（百度、阿里、腾讯）只想卖“火”赚快钱，不想啃落地的脏活累活。
2. 巨头不懂医疗/金融的深行业Know-how，做不精
• 第四范式深耕医疗、金融十几年，懂临床路径、医保规则、银行风控、内网合规，知道怎么让AI不闯祸
• 巨头只有通用大模型技术，对行业红线、业务流程一窍不通，做出来的落地产品医院/银行根本不敢用
这是长期积累的行业壁垒，巨头砸钱也没法快速补上。
3. 企业不敢把核心数据交给巨头，怕被卡脖子
• 医院、银行的核心数据是命根子，交给巨头（互联网大厂），担心数据安全、被垄断、被涨价
• 第四范式是中立的行业AI平台，只做“锅”不造“火”，不碰企业核心业务，数据不出院/不出厂，客户更放心
4. 落地场景太分散，巨头铺不过来
• 全国几千家医院、上万家银行、无数制造企业，每个都要定制化落地，需要大量本地团队、行业顾问
• 巨头总部在北上广深，没法覆盖这么多细分场景，而第四范式专注垂直行业，团队和客户资源扎得深
极简一句话总结
巨头是造火、卖火的，只想做通用、规模化的生意；
第四范式是上门炒菜、适配灶台、守食品安全的，赚的是行业落地的辛苦钱。
巨头不屑干、干不精、客户也不放心，所以目前取代不了。

目前“给基础大模型高估值，给第四范式低估值，有道理也没道理”，
● 有道理：基础大模型具有极强的网络效应和垄断潜质（赢家通吃），想象空间大。
● 没道理：在企业级市场，“落地能力”是稀缺资源。如果未来AI真的要赋能千行百业，那么“锅”的销量（部署量）是巨大的。如果第四范式能成为企业AI的标准操作系统，其价值将被重估。
总结
● 角色定位：第四范式是AI工程化落地的“包工头”和“工具商”，而非基础科学的探索者。
● 竞争格局：巨头在天上（云端/通用），第四范式在地上（端侧/行业）。两者目前是互补大于竞争，或者说是“卖火”与“卖灶”的关系。
● 核心壁垒：不是单一的算法代码，而是“AutoML平台 + 行业场景积累（迁移学习能力）”构成的综合工程壁垒。
第四范式商业模式本质: 在算力昂贵、数据隐私敏感的当下，帮助企业用最小的代价（少量数据、少量算力）把AI用起来，这就是“锅”的价值。

2025年中期业绩线上交流会:

17:14 投资者问

我有两个问题，一个是关于咱们的这个商业模式的一个问题。就是他有很多的一些专业算法，你也做过分类，就是咱们专业的这种自动学习算法，它其实跟原来那种谷歌的那种算法其实很像，就是他是通过这个不断的这种算法去改进，然后去获取更多的用户，产生更多的数据，然后去做迭代。但是我理解咱们第四其实本质上是一个偏这种算法的提供商，但是咱们是不占有数据的。那这样的话，就是在这种AI的这种发展趋势下，大家都在讲未来的这种AI能力的迭代是靠这种数据的驱动。那你这种垂场景不再有数据的情况下，咱们怎么去形成一种业务的闭环，或者这种能力的差取迭代？

18:03 戴董事长

对，我回答一下你的问题，就是其实现在对于算法的这个定义是有不同的，就是比较有的人认为就是算法叫，比方说神经网络算法。还有的人认为叫人脸识别的算法，但实际上那个如果更清晰的定义就是人脸识别它是个模型，神经网络是个算法。就是人脸识别模型可能会基于这个结构来做，我们本质上不是提供模型，是提供算法的，或者说是提供产生模型的一个过程。就比方说假设你有很多的人脸数据，基于我们的算法，然后能够去产生这个人脸识别的模型，我们是提供这样的一个服务，其实你也可以理解，它会消耗很大的算力，因为是训练模型，过程中会消耗很多的算力。所以我们的商业模式会建立在算力的基础上。在我们的平台上消耗的算力越多，可能我们的收费就会越多。因为无论是这个数据到模型的这个训练模式，还是产生的模型和未来去线上推理的过程，它其实都是一个算力消耗的一个过程。

19:30 投资者

但是我就说你AI的算法能力相对来讲，其实后面是靠一些高质量的数据去驱动的，但咱们这种垂类产品其实数据是客户的，咱们是不具有的。那你怎么去形成你的这种算法能力能够持续的迭代。

19:44 戴董事长

还是那个问题，就是您说的算法是模型，您说的这个算法不是神经网络，您说的算法是人脸识别模型。人脸识别模型，让那个你的数据越来越多，这个模型的效果越来越好，我们的这个业务模式不是一个模型公司，或者说那个可能有些模型公司说自己是算法公司，但是可能大家对算法的定义不一样，我们本质上是建筑在比如像神经网络或者决策出现在神经网络大展变种，是在这个层面，我们所提供的服务是帮助我们的众多的客户或者开发者能用我们的系统去开发出模型。

20:37 投资者

但你模型能力要提升，你后面还是要靠一些高质量的。

20:41 戴董事长

还是那个问题，我们不是一个模型公司，我们是一个帮别人产生模型的公司。就好像那个，您可能一直在问，比方说我们做这盘菜对吧，就是您需要好的原材料才能做出菜，因为很多的AI公司其实是卖这个最后的那个菜的，我们是卖锅的。

投资者

到时你们的准确率是靠这个去？

戴董事长

你看这卖锅的人会跟你讨论这个。就你的番茄炒蛋，就锅有锅的竞争，番茄有番茄的竞争，蛋有蛋的竞争力，番茄炒蛋也有番茄炒蛋的竞争。

21:36 投资者

那咱们的这种算法的竞争力会体现在哪些维度呢？

21:42 戴董事长

所以我们会强调一下自动机器学习，就是你看这个微波炉锅好在哪。微波炉锅更好用。烤箱比那个拿火烤也会更好用。就自动机器下载一个这些训练机器学习门槛会更低。会让更多的人，他只要把数据输入到系统里面就能要低门槛的去找模型产输出来。

22:18 投资者

你的模型的准确率，你怎么能够持续的提升呢？

22:23 戴董事长

你问这个问题，就是说那个卖微波炉的，怎么能保证做出来的菜更好？实话实说，不能保证，就我们微波炉就那个锅，就是去加热的时候，成功率就会更高，因为它门槛不更低。

22:47 投资者

那我理解其实你不同的客户，他的数据就是你的，比如你的算法之后的准确率之后，客户他自身的数据质量来自客户的自身。

22:58 戴董事长

他这里面有两个，首先就是没有无米之炊对吧？你要热这个饭，你连饭都没有，任何一个锅都没法热这个饭，但是当你有饭了以后。放在一个原来的那个传统的锅里面去热，和放在微波炉里面去热。微波炉热成功的这个概率会更高，因为它门槛更低，你可能按了两分钟就好了。原来那个锅你可能调大了不行，调小的不行，会出各种各样的问题啊。

23:32 投资者

就是核心还是说客户在他特定数据情况下选咱们的小米团队。

23:39 戴董事长

首先他客户的数据质量是要还不错的，如果数据质量差，是做不好的。然后他的数据质量很好，不代表他就能把模型做好。因实做模型也是个能量很高的一件事情。如果客户没有好的科学家，那他就需要那个做模型的工具，然后才能把模型做出来。

24:06 投资者

我再问下第二个问题，就关于咱们这种护城河或者说竞争优势的问题，因为我也看过咱们的说明，咱们一直强调一点，就是咱们的动机学习看法和咱们一些这种行业经验的积累。我看咱们在招股书面甚至说，你觉得这种甚至是一个不可复制的一个优势，对吧？那就是这种优势，我在想，因为前面十年，就前面十年可能可能大家都去搞什么那个视觉识别。因为当年的四小东都是搞那个去了嘛，就是咱们坚守在企业级市场一直做这个东西，这个东西之前的话，可能大家觉得这个决策这个AI这块，这个整个风格还没起来。但如果往后去看，如果说这个市场越来越大的局面，在咱们已经有实力了，可能未来还会更大。但是往后续看，这个不管是未来的互联网大盘也好，可能看上更多也好，他们是有这个能力去做的，比如说很多一些新的玩家也进入这个东西，那咱们的这些优势往后去看，是能够继续维持呢，还是说能够领先呢？还是说还会被缩小，这个可以再讲一下吗。

25:10 戴董事长

我认为我们在技术上最大的一个优势是我们的这个场景的覆盖面比较宽，就比方说在国际上做的那个自动机器学习做的也比较不错的，他们在那个卡口上面其实成功率也不是特别高，就基本上10%适合人类的这些科学家，能大概百分之四五十。然后我们的成功率是比较高的，我们可能是每5个人能打败4个人，80%，但是实际上在他那个卡口上打败40%也很厉害。一般一个这个刚开始学习AI的会做几个模型的，绝对打败不了40%。我觉得我们比那个像谷歌这样的公司，它的优势在哪呢？其实不是说我们就掌握了什么独门秘籍，或者我们的人更聪明，他们的资源其实比我们的多，人才梯队都更好。但是他们见过的场景比较复杂，就如果是说做一个搜索的模型，或者做广告的模型，我就觉得我们有明显的优势，当然我们也也有这样的场景，就目前也没有特别大的劣势。但是比方说谷歌有没有见过一个运营商的网络优化的场景，有没有见过这个水电站的这个电机的运维场景。他其实没见过，我们也不是靠第一天就见。其实很多时候，你的模型或者你的算法，他最后的调整过程都是你做失败的，你去服务这个客户，那个机学习模型都是失败的。失败的那收回来的。你见过的人足够多了，这些场景都见过了。成功率就会更高。我们的优势可能在这个地方。

27:16 投资者

这个优势你觉得就是这种月月的押进来以后，这个优势是能够保存还是能够拉大形式，让大家所谓的形成一种数据规模化。

27:27 戴董事长

现在其实我没有看到越来越多的玩家进来，甚至说是越来越少的玩家。因为绝大多数在我们的赛道没有太多或者说要不就不做了，要不就死了。

27:51 投资者

但是为什么一个行业，我理解决策爱好。它应该还是一个产业很早早期的阶段吧。

27:57 戴董事长

可能还有一些特别特别小的吧。我们现在也不是说那个合作伙伴，但是像我们这个体量。现在几乎没有。