云知声如何打造专业护城河？

两大核心优势打造专业护城河。

1. 多模态融合认知为基石，铸就垂直领域壁垒

1.1 底层技术到上层解决方案的完整能力闭环

云知声山海大模型构建了一个层次化、可扩展的技术能力矩阵，该矩阵以 Atlas 基础架构及通用能力为基石，以多模态能力为核心技术优势，最终赋能于垂直 领域的深度应用，构建高质量行业数据飞轮，形成了从底层技术到上层解决方 案的完整能力闭环。

1）通用大模型基座：山海大模型先后拓展了检索增强生成(RAG)、智能体 (Agent)、多模态融合及深度推理（类似 DeepSeek-R1）等技术能力，参数规模 已达到千亿级别。为支撑如此庞大的模型，其训练数据量（Tokens）高达 2.0 万亿（2.0T），覆盖了通用领域与医疗等专业领域的知识。这确保了模型在处理 复杂任务时的深度与广度，成为专业大模型的高效底座。目前通用大模型能力 在 OpenCompass、SuperCLUE 等多次评测中处于第一梯队水平。 2）专业级大模型：公司深入医疗、保险、交通等行业应用场景，结合行业知 识、关键问题及专家 Know-how 等，构建行业应用场景的专业级大模型。基于 山海大模型打造的医疗行业专用大模型 UniGPT-Med-U1 在中文医疗大模型权 威评测平台 MedBench 的最新自测榜单中，以综合得分 93.1 的成绩卫冕冠军。 在医学语言理解与医学安全伦理双项评测中，分别斩获 122.3 分与 104.9 分的 佳绩，位居榜首。通过极致压缩幻觉影响，突破门诊病历生成、病历质控、医 保审核、智慧座舱等规模化应用瓶颈，2025 年 H1 实现大模型收入同比增长 457%。 3）端侧芯片优化：多模态感知与生成技术，已经有效整合到山海语音大模型 中，显著提升语言理解和情感表达能力。通过大模型蒸馏技术，医疗大模型从 70B 无损压缩到 13B，模态交互从 13B 无损压缩到 0.5B，构建端云结合的智 慧座舱解决方案，将交互响应时间压缩到 300ms 以内，并在国内车企成功交付 并规模化应用。公司 AI 芯片支撑规模化应用，并适配华为、海光及高通 8295 芯片，可针对不同场景推出专用芯片，如为智慧家居设计的蜂鸟系列芯片，以 及车规级全栈式语音 AI 芯片雪豹。其中，“蜂鸟”智能交互芯片/模组，至 2025 年 6 月末累计出货量近亿颗。 4）Atlas 基础架构：Atlas 的智算集群目前拥有超过 184PFLOPS 的计算能力， 以及超过 10PB 的存储容量，而两者均可在不中断训练任务的情况下进行扩展。 智算集群可高效动态地调度数千个 GPU 进行并行计算，并无缝执行动态扩张， 以满足不断变化的业务需求。可以说，智算集群强大的算力、高效动态的调度 和可扩展性，是支持通用和专业级大模型高效训练及数据飞轮的核心竞争优势。

1.2 山海大模型 4.0 在主流测评中得分领先

根据 SuperCLUE 团队发布的《中文大模型基准测评 2024 上半年报告》等多项 权威测评结果，云知声山海大模型 4.0 版本在通用基础与应用能力方面均已稳 居全球第一梯队，展现出与国内外主流大模型同台竞技的实力。

在理科能力上，主要测评计算、逻辑推理及代码三部分数据集，由于具有较高 的挑战难度，区分度明显。其中山海大模型 4.0 得分 76，仅次于 GPT-4-Turbo 及 GPT-4o，得分位居国内模型第一。 在文科能力上，主要测评知识百科、语言理解、长文本、角色扮演、生成和创 作、安全、工具使用等维度。国内外头部模型处于同一水平，均未达到 80 分 良好线。GPT-4o 在文科任务上取得第一 76 分的成绩。山海大模型 4.0 得分 75， 位居第二。文科任务上如何提高语言处理质量，增加内容生成和理解的优秀水 平，是国内外大模型需要进一步优化的方向。 在医疗领域，其评测表现超越了 GPT-4 的水平，这得益于云知声利用大量专业医学数据进行的深度预训练和场景优化，构成了其核心的差异化竞争壁垒。

1.3 深度融入垂直行业强于一味地技术参数比拼

真正的护城河并不只有单纯的技术参数比拼。虽然山海大模型 4.0 在多家主流 大模型测评中表现优异，但在通用大模型能力趋于同质化的背景下，真正的护 城河并非单纯的技术参数比拼，云知声选择将技术深度融入垂直行业，通过解 决特定场景的复杂问题来构建难以复制的行业壁垒。 多模态融合技术已成未来趋势。打造多模态大模型正朝着技术统一化的方向发 展，主流模型如 GPT-4、Qwen-VL 等已从单模态向多模态融合转型，多模态大 模型能够整合文本、图像、音频等多种模态的数据，实现更接近人类认知方式 的复杂信息处理能力。这种跨模态的深度融合不仅大幅提升了模型的理解深度， 还能解决传统单模态模型在跨场景交互中的语义盲区。 国际科技巨头正加速布局多模态大模型领域。谷歌的 Gemini2.0、OpenAI 的 GPT-4.5、Meta 的 Llama4 等都在显著提升原生多模态能力。这些企业的重视 和投入，充分说明了多模态在未来大模型竞争中的重要性，拥有强大的多模态 能力将成为大模型在市场竞争中脱颖而出的关键因素。

公司作为专业 AI 厂商，聚焦于家居、交通、医疗、保险等特定垂直领域，通 过深入理解行业痛点、积累专属领域知识与数据、构建针对性技术壁垒（如特 定场景的语音交互、多模态理解、专业大模型构建、行业知识图谱、边缘计算 优化等），提供深度集成的解决方案。 多模态融合感知与生成：山海大模型的核心技术创新之一在于其卓越的多模态 能力，实现了对文本、音频、图像等多种信息模态的深度融合与一体化处理。 模型能够接收文本、音频、图像等多种形式的混合输入，并实时生成文本、音 频和图像的任意组合输出。这种灵活的输入输出能力打破了单一模态的限制， 使其能够应对更加复杂和真实的交互场景。且通过先进的多模态预训练和对齐 技术，模型能够实现跨模态信息的深度理解与生成。如上图示范中，凭借多模 态感知与生成技术，用户可以实现与系统的跨模态语音交互。 知识图谱：人们的日常生活常识、建筑空间的各种规则和系统以及甚至不同科 学知识部门都可以结构化及图谱化。其核心作用是将分散、异构的信息转化为 结构化的知识网络，通过概念标准化、层次化与关联化三大能力，让机器实现 “看得懂、能计算、可连接”的认知升级。通过与山海大模型结合可有效提高产 业知识的准确性和可靠性，解决产业问题。如上图示范中，当大楼内的用户询 问洗手间的位置时，系统在理解询问内容后，可以从知识图谱中检索讯息由大 楼运营团队维护的动态知识库，包含有关大楼布局的资料，以确定距离用户最 近的洗手间位置，然后使用自然语言生成产生文字讯息，并透过语音回应将这 些讯息传递给使用者。

物联网(LoT)组件：物联网组件作为连接物理世界与数字系统的核心枢纽，其核 心作用体现在数据采集传输、设备管控与智能协同三个维度。感知层组件通过 各类传感器实时捕捉温度、湿度等环境参数，网络层组件借助 MQTT 等协议实现数据的低时延、高可靠传输，而控制层组件则能接收云端指令对设备进 行远程调控与状态管理。在实际应用中，它既可以让智能家居实现灯光、空调 的自动适配，也能通过工业场景的实时监控与智能诊断优化生产线效率，更能 助力智慧城市实现路灯节能、环境监测等精细化管理。在上图示范中，该组件 类似于大楼的神经末梢，与大楼内的各种物联网设备连接。其检查各装置的状 况，并确定距离用户最近的卫生间的状况以及是否被占用。

2. 清晰的市场判断与商业化布局

2.1AI 时代关于医疗之变的两问

一问：院端 AI 商业化落地真正的核心变量是什么？过去信息技术带来的“同 质化”转变为人工智能驱动的“智能化分化”。这一变革预示着在未来三至五年 内，医院间的竞争力鸿沟将被迅速拉开。在这场新的竞赛中，资本投入与基础 设施是重要前提，但真正的决定性的变量在于什么。 1）严肃应用场景下，幻觉不能被接受：与 C 端应用不同，许多 B 端行业（如 金融、医疗、法务）因其高风险和严格的监管要求，无法承受 AI 模型的“幻觉” 问题。如果一个事实在训练数据中没有足够的信息冗余度，模型就记不住，继 而会用“幻觉”去补白、编造细节。这种“幻觉”的产生，其根源或在于训练数据 的质量。 2）通用大模型的学习往往导致数据庞杂、陈旧、失真：通用大模型依赖互联 网进行无差别学习，其数据源庞杂，难以保证事实的准确性与重复度，这在高 度严肃的医疗领域是不能接受的。并且，在公域互联网所搜索的信息中，往往 存在滞后性，无法代表医疗行业的最先进成果。浙江大学医学院相鹏主任指出， 医疗大模型并非学习得越多越好，如果模型训练采用了十年前的指南或二十年 前的文献，其对大模型训练毫无帮助。 3）垂直大模型的数据构成真正的核心资产：这恰恰凸显了垂类数据的核心价 值：当一个行业拥有通用大模型无法从公共互联网获取的独有数据时（如特定 医疗项目数据），这本身就+形成了一道强大的护城河，并构成了投资者眼中极 具价值的核心资产。因此，拥有这些高质量、独有数据的垂类公司和机构便建 立起了坚实的竞争壁垒，这也证明了人工智能的竞争已不再是模型的竞争，更 关键的是数据质量的竞争。 二问：基层诊疗 AI 商业化落地真正的难点在哪里？基层诊疗机构商业化落地 面临诸多难点，这些难点与成本密切相关，同时也受到城市医疗资源分配不均 的影响。

1）专业不足，人才短缺、培训成本高：一方面大医 院凭借更好的薪资待遇、职业发展空间和科研环境，形成强大的虹吸效应，导 致基层人才持续流失。另一方面由于资金有限，培训投入相对较少，且培训资 源也不如城市丰富，这不仅影响了医生的专业成长，也间接增加了机构的成本， 因为能力不足可能导致诊疗效率低下。 2）营收天花板明显，导致资金不足无法支付成本：基层诊疗机构服务范围有 限，单日可接纳病人数量不多，即使满负荷运行，收入也有上限。无法像城市 大医院那样通过发展高价值业务、加快病床周转率来增加营收。此外，一些基 层诊疗机构难以纳入医保，或者医保报销名目有限，导致患者更倾向于选择医 保覆盖更全面的城市大医院，进一步限制了基层诊疗机构的营收。导致无法承 担引入智慧系统的硬件、软件费用（正常单院接入成本可达百万元）。 3）云端化，SaaS 平台成为解决专业性与成本的最优解 成本端：SaaS 平台采用云端化部署，基层诊疗机构无需购买昂贵的服务器、电 脑等硬件设备甚至建设机房，只需通过网络即可使用软件服务，大大降低了硬 件成本。此外，SaaS 平台的维护和升级由服务提供商负责，基层诊疗机构无需 聘请专业的 IT 人员进行系统维护，节省了人力成本。单院接入成本可下探至 15 万元。 服务端：SaaS 平台可对诊疗全流程进行优化，从预约挂号、快速接诊、问诊开 方、患者管理等功能。医生可以通过 SaaS 平台快速查询患者的历史就诊记录、 检查报告等信息，减少了问诊时间，提高了诊疗效率。同时，SaaS 技术可搭建 远程医疗协作平台，让上级医院的专家资源下沉至基层，实现远程会诊、教学 培训等功能。这不仅解决了基层医疗人才短缺问题，还能让基层医生在遇到疑 难病例时及时得到上级专家的指导，提高了诊疗水平和服务质量。

2.2Agent 垂直深化临床价值，SaaS 横向拓宽市场边界

针对上述 AI 在医院端及基层诊疗机构商业化落地发问，云知声给出了自己的 答案。公司未来的医疗业务将以“Agent 深化临床价值，SaaS 拓宽普惠边界”为 双引擎： Agent 垂直深化临床价值。公司广泛发掘业务需求，通过专科 Agent 切入诊疗 核心场景（包含门诊、住院、医技、医保、医政医管等），满足更多的临床智能 化需求。例如，在专科诊疗 Agent 方面，公司针对特定疾病（如肿瘤、心血管 病）构建专科智能体，整合多模态数据（影像、基因、病历）辅助诊断；在全 病程管理 Agent 方面，公司为慢病患者提供用药提醒、健康监测、并发症预警。 在医院运营 Agent 方面，公司开发适用于病历质控、DRG 医保审核、排班优化 等多种应用场景的智能体。且公司已经与全国 30%百强三甲医院建立合作，如北京协和医院、北京友谊医院等。最终，这些垂直领域最先进与专业的 数据资产将构成公司核心竞争优势，推动客单价的跃升，抢占医疗 AI 技术制 高点。 SaaS 平台扩展基层诊疗市场。从传统的、定制化程度高的项目制思维，转向 提供标准化 SaaS 和智能体平台的思维模式，是云知声开拓基层诊疗市场的重 要战略突破。针对基层诊疗机构服务专业性不高、资金不足的困境。云知声通 过省级/市级 SaaS 云端平台批量覆盖基层，基层机构按需调用 AI 服务，有望 降低医疗机构智能化准入成本，单院接入成本可降至 15 万元，进一步向广大 市/县域基层打开市场空间。此外，采用基础功能买断+增值模块订阅的混合收 费模式，可进一步抓住首次部署及多次使用、深度依赖的客户，构建生态网络 壁垒。

2.3 日常生活解决方案是公司稳健增长以及盈利的重要基石

如果形容 AI 医疗业务是公司未来最值得期待的增长点，日常生活 AI 解决方 案业务则是当下企业运营及盈利的坚实保障。 在交通领域，其以山海大模型为核心的交通客服 Agent，通过语音、触控等多 模态交互，已在厦门地铁、南宁火车东站、福州长乐机场等多地落地，为乘客 提供精准的咨询引导、换乘指导等服务，成为智慧交通场景的重要支撑。 在智能座舱赛道，云知声构建起涵盖语音识别、语义理解等全链路技术的解决 方案，依托端侧大模型实现 350ms 级快速响应与离线交互，不仅能通过生理状 态监测保障驾驶安全，还可提供旅行建议、健康管理等个性化服务，已成功赋 能吉利、上汽智己等多款车型，形成规模化落地优势。 在家电领域，其与 TCL、格力等龙头企业深度合作，凭借“AI 语音自由说技术” 实现百万级指令词离线控制与方言快速学习，相关技术获国际领先认定并量产 应用，重塑了人与家电的交互范式。这些跨场景的解决方案布局，既通过标准 化技术输出降低边际成本，又以高频生活场景的深度渗透提升客户黏性，为公 司从项目制向高毛利模式转型、实现盈利突破奠定了坚实基础。