一边聊，一边在梳理中交AI的实践思路。

中交2023年就开始布局AI，2024年2月就发布了蓝翼大模型1.0。他们没有all-in某一个通用模型，而是同时在14个不同的底座上做微调——DeepSeek、千问、Kimi、GLM什么的都试。

变化很快，风险对冲，因为谁也不知道最后哪个会成为主流。特别是对大企业来说。有资源，那就多线作战，降低风险。他们的路径也很清晰：从L0基础模型到L1行业模型，再到L2细分场景模型，一步步往上走。

走专业化垂直深耕路线应该是企业的共识了。

中交从一开始就很明确：我就做交通建筑领域的AI，其他的我不碰。架构设计也很实用：专业能力自己做，通用能力借用社会上的L0模型。而且他们梳理了超300个具体应用场景，从粗糙到精细慢慢迭代。

AI不是一个公司能做成的事情，需要产业协同。中交和构力科技合作了有三年。你有技术，我有场景，大家一起把这个事情做成。

构力有BIMBase的底座，在这个基础上，可以支持中交在地形、地质、线性工程，以及大场景等各方面的基础能力，能够有一个共同的平台，在上面更方便地开发各种功能。目前开发了数千个API了。AI时代，这样的重塑非常有必要。

工程软件+AI这件事，大家都知道AI可以赋能工程软件开发，反过来也成立——工程数据可以反哺AI训练。中交也积累了数万个三维构件的数据集，这些都是真实工程项目产生的高质量数据。应用产生数据，数据优化模型，模型提升应用，这样可以形成了一个正向循环。

真正的价值创造。不是单纯的技术输出，而是形成了一个可持续的价值循环。

追求AI全自动化这件事，在TOB领域是不靠谱的，要务实地做人机协同。蒋总谈到，大模型对BIM改变最大的，甚至是对我们整个软件改变最大的，可能是交互方式。

我理解，在数字化时代，很多功能是给人设计的，AI时代更多要思考给智能体设计。大会上，他举了个很好的例子：有了复制、旋转，为什么软件还要有阵列功能？因为人需要这个便利。但对AI来说，你直接说”给我做个螺旋线阵列”，它一秒钟就能理解执行。

从传统的按钮点击变成自然语言交互，关键是AI要能实时读懂工程师在做什么，然后无缝接入协作。比如你在建模的时候需要查个参数，AI立刻就能提供；你画到一半卡住了，AI就能接手继续。这才是AI的正确打开方式。不是替代，而是协同。做AI应用，最忌讳的就是在旧流程上打补丁，真正的价值在于流程重构。

在整个大架构下，底层的通用模型能力是基础，最重要的是上面几层：第一层是知识层面，把专业领域的知识构建好；在上面构建智能体，再给它适配好各种环境；最后进行方案评价、方案生成等各种应用操作。但现在行业有个问题，设计院、施工局都说有很多数据，但他们认为的”多”跟AI需要的”多”不是一个概念。

蒋总分享的最后，有四个切身总结，值得思考，大意是这样的。

第一，很多人把AI作为许愿球，总研究它的下限，做不好就比谁的AI更”傻瓜化”。但很少有人研究AI的上限，我们该怎样做一套功能化的解决方案，和AI适配起来，让它表现更好，干更复杂的活。

第二，使用AI应用，追求100%准确率是不现实的，90-95%就很好了。更重要的是建立溯源机制。我们得知道AI在哪步出了错，然后才能优化数据和流程。能追溯比高准确率更有价值。

第三，大模型的应用中，知识在AI系统中只占20%，剩下80%是系统架构和数据质量。一个优秀的数字化系统加上平庸的大模型，往往比顶级模型加上糟糕的数据效果更好。

第四，私有数据比选什么模型重要得多。总觉得模型没选好的，其实是自己数据没准备好。就像”差生文具多”一样，问题不在工具，在使用者。

最近我也在想，为什么很多公司的AI项目都是”雷声大雨点小”？原因之一就是因为我们太关注下限了，把AI当玩具，过于纸上谈兵，中交的案例给了我们很多启发，选一个你最懂的领域，扎进去，做深做透。

突然想起，前几天听张小珺与OpenAI研究员姚顺雨的播客，讨论AI能力分级的那段对话，OpenAI把AI能力分成五级：聊天机器人→推理者→智能体→创新者→组织者。这些关系是递进还是独立进行？为何这样分级？

逻辑很清晰：你得先有语言理解能力，最早能做出来的应用是Chatbot；基于大量语言，逐步构建推理能力解决更多问题；当你既有语言知识，又具备推理能力，才可能进一步做各种Agent，尤其是能泛化的Agent。

做产业AI，就像盖房子一样，地基不牢，上层建筑就不稳。