# ai-decision-system-practice-2 ## 核心定义 > 企业专有智能是指企业通过持续学习，将自身长期积累的Know-how、数据、规则、专家判断、工具和工作流转化为可计算、可评测、可执行、可治理并能够持续演进的组织智能。 ## 核心洞察（TL;DR） - 企业专有智能的核心是将Know-how转化为机器能力，而非仅仅训练大模型。 - 企业专有智能的构建需要专家和AI团队共同参与，实现从数据到智能的转化。 - 企业专有智能的持续进化需要高度受控的演化工程，而非简单的自动学习。 ## 关键事实与数据 - Thomson Reuters的SovereignAI项目将模型、工具基础设施、价值观、数据隐私和经济控制都纳入组织独立建设、部署和治理AI使用的体系。 - 企业专有智能的构建需要经过Work → Know-how → Evidence/Data → Eval → Learning → Model/Agent → Tool → Workflow → Outcome → Feedback → Continual Improvement的闭环过程。 - Thomson Reuters的Deep Research Harness包含规划、多个研究Agent、重新规划、报告生成、专有检索工具和上下文管理机制，强调数据与工具主权。 ## 正文 # 从通用大模型到企业专有智能：围绕企业价值创造与运行过程沉淀可持续进化的组织 Know-how Thomson Reuters 发布的《Thomson: Continual Learning of Frontier Models for SovereignAI》真正值得企业关注的，并不是一家专业信息服务公司训练出了一个法律、税务领域表现优秀的大模型，而是它用一个相对完整的工程实践证明：企业可以从成熟开放权重模型出发，把自身长期积累的数据、专业判断、评价标准、工具和工作环境逐步转化为一种可控制、可评测、可持续增强的专有智能能力。报告将 SovereignAI 定义为组织独立建设、部署和治理 AI 使用的能力，并明确把模型、工具基础设施、价值观、数据隐私和经济控制都纳入这一体系。 这一命题需要首先纠正一个容易产生的理解偏差。所谓“围绕企业生产制造运营工作构建智能”，并不是把讨论限定在制造企业，而是指企业围绕自身**价值创造与运行过程**构建智能。制造企业体现为研发、工艺、生产、质量、设备、供应链和售后；能源企业体现为发电、调度、交易、运维和客户服务；银行体现为获客、授信、交易、风控和合规；律师事务所体现为研究、判断、起草、交易和诉讼；软件企业则体现为需求、产品、开发、测试、发布和运行。行业不同，但企业智能形成的基本对象高度一致：**真实工作、专家判断、组织规则、私有数据、工具系统、工作成果和结果反馈。** ## 从“行业模型”进一步抽象到“企业运行智能” Thomson 选择法律、税务和新闻作为重点领域，并不意味着其方法只适用于专业服务业。报告自己明确指出，开发过程中一个重要发现是：Continual Learning 在重点任务之外并没有简单维持原有能力，而是在多个非目标能力上也出现改善，由此认为相关方法具有较强的 domain-agnostic 特征，可以迁移到不同机构和应用环境。 因此，这份报告更有价值的抽象并不是“企业可以训练一个自己的行业模型”，而是**企业第一次拥有了把自身运行经验持续转化为机器能力的现实工程路径**。报告甚至建议读者将其视为一组适用于开放权重模型的“model factory”构件，而 Thomson 模型只是这一方法的初始验证对象。 按照企业运行逻辑，可以把这套机制重新表达为： **Work → Know-how → Evidence/Data → Eval → Learning → Model/Agent → Tool → Workflow → Outcome → Feedback → Continual Improvement** 这里真正具有长期战略价值的是前后两个闭环。前半段解决“企业知道什么、怎么判断、什么才算做好”；后半段解决“这些能力如何进入实际工作、产生结果并继续形成新的组织经验”。模型只是两者之间的一种计算载体。 ## 企业真正需要沉淀的是 Know-how，而不只是知识 企业的数据资产通常被理解为文档、数据库、知识库和业务记录，但企业竞争优势中最难复制的部分往往并不直接存在于这些载体中。相同的合同、设备手册、客户数据或者行业法规，交给不同企业使用，会产生明显不同的决策质量和经营结果，因为真正产生差异的是组织长期形成的**问题定义、判断规则、例外处理、优先级、经验模式和质量标准**。 Thomson 的实践正好说明了这种区别。其专业能力建设并没有停留在“向模型加入更多法律文本”。在 Continued Pre-Training 阶段，团队从超过 19 万亿 token 的公开与专有候选数据中筛选约 2000 亿 token，并把训练数据大致组织为三类：经过筛选的专有文档、基于这些文档生成的合成数据，以及用于保持通用能力的 replay 数据。核心工作大量发生在清洗、去重、质量分类、任务分布匹配、重写、数据混合和能力保持环节。 这说明企业专有智能并不是“把内部文档全部拿去训练”。原始数据只有经过**任务化、语义化、评价化和行为化**之后，才能逐渐成为可学习的 Know-how。一个质量事故报告本身只是记录；如果进一步提取出事故模式、诊断路径、判断依据、处置方案和验证标准，它才开始成为机器可以学习的组织经验。一个优秀投标项目也是如此，最终需要沉淀的不是 PPT，而是项目识别、需求澄清、方案组合、成本判断、风险控制和赢单逻辑。 ## Eval 是企业专有智能最容易被低估的资产 Thomson 报告中一个非常重要、却容易被“模型性能”叙事掩盖的内容，是其内部评价体系。团队明确指出，公共 benchmark 虽然适合横向比较模型，却很难覆盖真实、高风险的专业工作，因此又建设了大量机构内部 benchmark。其 20 个内部评价集合由领域专家参与设计，累计超过 11,000 个评价项目，覆盖文档处理、真实专业问答、起草、交易工作、Deep Research 和鲁棒性等能力。 这对企业 AI 建设具有比单纯“训练私有模型”更深的启示。**真正的企业智能主权首先表现为评价主权。** 如果一家企业无法回答“一个优秀结果应该满足什么条件”“哪些错误绝对不可接受”“什么情况下模型应该停止并请求人工判断”，它实际上还没有把自己的 Know-how 形式化。 所以企业智能建设的起点通常不是 GPU，也不一定是微调，而应首先从核心工作建立自己的 Eval：优秀采购决策如何评价、优秀客服工单如何评价、优秀代码修改如何评价、优秀设备诊断如何评价、优秀风险判断如何评价。评价标准一旦结构化，才能反过来指导数据构建、Prompt、RAG、Agent、Tool、微调、强化学习以及人工审核机制。 ## 专家需要从“知识提供者”转变为“智能系统共同设计者” Thomson 的另一个重要经验，是领域专家并没有只承担数据标注角色。报告附录专门指出，随着项目推进，稳定合作的 subject-matter experts 开始进入更技术性的环节，包括发现数据采集设计问题、提出新的训练任务，并直接推动多个数据集的创建和改进。 这对应企业 AI 转型中一个非常关键的组织变化。真正的企业专有智能无法由 IT 部门独立完成，因为企业 Know-how 大量掌握在业务专家、资深员工、管理人员和一线执行人员手中。与此同时，也不能简单要求专家“把经验写下来”。很多经验属于情境化判断，只有放回真实任务、案例、决策冲突和异常状态中才能被准确提取。 因此，更成熟的组织机制应当让领域专家持续参与 **Task Definition → Data → Rubric → Eval → Error Analysis → Workflow Redesign → Training**。AI 工程人员负责把经验计算化，业务专家负责定义什么值得学习、什么属于正确行为、什么结果可以进入生产。企业专有智能由此成为业务团队和 AI 团队共同维护的生产系统。 ## “企业私有化大脑”应理解为一个系统，而不是一个模型 如果沿着 Thomson 的工程结构继续推演，“企业私有化大脑”这个比喻仍然成立，但它不能等同于一个私有部署的大模型 checkpoint。报告中的 Thomson 实际上已经是一个包含模型、专有数据、工具、Agent Harness、评价、训练基础设施和治理体系的系统。 其 Deep Research Harness 就包含规划、多个研究 Agent、重新规划、报告生成、专有检索工具和上下文管理机制；报告明确强调相关工具能够由机构完全控制，从而构成数据与工具主权的一部分。 其训练和数据基础设施进一步保存完整的数据血缘、处理步骤、训练任务和模型 artefact provenance，同时统一管理专有与外部工具调用、认证和状态，这些设计直接服务于可追溯性和受监管环境。 因此，一个更严谨的企业专有智能架构至少包含五层：**基础模型能力层、企业知识与数据层、企业工具与行动层、工作流与 Agent 层、Eval 与治理反馈层**。不同企业真正形成竞争壁垒的主要是后四层，而基础模型可以随着开放模型和商业模型的发展持续替换。 这也是为什么企业没有必要把所有知识全部“训练进参数”。稳定的语言、推理和专业技能可以通过 Continual Learning、Post-Training 或其他训练方式沉淀；不断变化的法规、库存、价格、客户状态和运营数据更适合通过检索和工具动态提供；ERP、CRM、MES、交易系统、代码仓库、Office 或业务 API 则应通过 Tool 与 Agent 连接。企业智能真正需要解决的是这些不同知识和能力应该**放在哪里、如何被调用、如何评价以及如何更新**。 ## Continual Learning 在企业场景中应被理解为受控演化 “持续学习”也容易产生另一个误区，即认为企业 AI 可以直接从生产环境中的所有交互自动学习。Thomson 报告恰恰展示了相反的工程原则：持续学习是一套高度受控的数据筛选、能力保护、评价、训练和发布机制。它反复强调 stability 与 plasticity 的平衡，并通过 rehearsal、regularisation、model merging、DPO、RL 和持续能力评价来防止专业化过程中出现能力遗忘。 对于普通企业，这种思想比具体训练算法更加重要。企业生产系统中的反馈不能未经验证直接进入模型，否则错误决策、临时规则、低质量人工操作甚至恶意输入都可能被固化。更合理的持续学习闭环应当是：**采集运行反馈 → 识别错误与能力缺口 → 专家复核 → 转化为数据/Eval/规则 → 选择 RAG、Prompt、Tool、Workflow 或模型训练等不同改进手段 → 回归测试 → 灰度发布 → 继续监控。** 因此，“Continual Learning”在企业层面可以进一步扩展为 **Continual Intelligence Engineering**。模型参数更新只是其中一种方式，知识库刷新、工具升级、规则调整、Agent 策略优化、Eval 增长和工作流重构同样属于企业智能持续进化过程。 ## Thomson Reuters 的产品演进进一步验证了“Work-first”路径 Thomson Reuters 自己正在把这种方法从研究模型延伸到实际产品。2026 年推出的新一代 CoCounsel Legal，把 Westlaw、Practical Law、企业自身知识、研究、起草、验证和 matter-centric workflow 连接到一个 Agentic 工作环境中；Workspaces 保存案件上下文，Drafting Agent 进入 Word，Deep Research Verify 验证法律依据，系统围绕律师真实工作成果组织智能能力。 官方披露 CoCounsel 已被约 100 万专业人员、覆盖 107 个国家和地区使用。这个数字本身并不能证明 Thomson 模型路线已经取得普适商业成功，却说明一个重要产品趋势：专业 AI 的价值正在从“回答一个问题”转向“参与并完成一段专业工作”。 这也解释了为什么企业 AI 的核心设计单位应当从 Prompt、Chatbot 和单一 Agent，进一步迁移到 **Work**。对于一家企业，最终有意义的问题不是“我们有多少个 AI 助手”，而是采购、营销、研发、制造、运营、法务、财务、客服等价值活动中，哪些工作已经能够被机器理解、评价、执行和持续改进。 ## SovereignAI 的核心是智能演化权 Thomson 项目给企业带来的最终启示，是需要重新理解“私有化”和“主权”。报告本身把 sovereignty 明确描述为一个连续谱，而非拥有或者没有拥有的二元状态。开放权重模型仍然意味着企业无法控制其原始训练数据，GPU 也仍然形成外部依赖，但机构可以逐步获得对模型训练、私有数据、工具、治理、基础设施、成本和升级节奏更大的控制权。 因此，企业真正需要争取的并不只是模型文件的所有权，而是更完整的**智能演化权**：企业能否定义自己的问题，控制自己的高价值数据，形成自己的评价体系，让自己的工具和业务系统成为 AI 的行动环境，并能够利用实际经营反馈持续改善这些能力。 从这个角度，“企业私有化大脑”可以得到一个更严格的定义： **企业围绕自身价值创造与运行过程，将长期积累的 Know-how、数据、规则、专家判断、工具、工作流和运行反馈，持续转化为可计算、可评测、可执行、可治理并能够持续演进的组织专有智能。** 它既适用于拥有工厂的制造企业，也适用于银行、律所、软件公司、能源企业、零售企业、物流企业、医院和咨询公司。不同企业最终形成的专有智能形态会完全不同，因为其价值创造过程、专业判断和评价标准本来就不同。 Thomson 最值得企业借鉴的地方因此也并非“复制 Thomson、训练一个 397B 模型”。报告披露，其最终 Thomson-1.0-Large 训练运行 GPU 成本估计低于 45 万美元，但整个项目包含人员、计算、专家、合作伙伴、研究和基础设施在内的累计开发投入约为 4000 万美元。 对绝大多数企业而言，更现实的战略是复制它背后的**能力工厂**：从核心工作识别 Know-how，建设企业自己的数据、Eval、Tool、Agent、反馈和学习管线，并根据价值与经济性决定哪些能力进入模型参数、哪些留在知识系统、哪些通过工具实时获得。 由此，企业 AI 建设的战略问题也随之改变。企业不再只需要回答“应该选哪个大模型”，而要回答一个更长期的问题：**我们能否把每天发生在企业生产、制造、运营和专业服务过程中的经验与结果，持续转化为下一轮工作可以直接调用的组织智能？** 能够建立这种循环的企业，才真正开始拥有属于自己的 AI。 ## 关注「哈希泰格」服务号，发送“Thomson报告”获取Thomson的研究报告原文 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/ai-decision-system-practice-2](https://haxitag.com/articles/ai-decision-system-practice-2) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。