作者：彭昭（智次方创始人、云和资本联合创始合伙人）
这是我的第367篇专栏文章。
在之前的几篇文章中，我重点探讨了边缘智能的发展趋势。
如今，端侧AI和边缘智能已经成为业界关注的焦点，从科技巨头到创新型初创公司，无不将目光瞄准这一新兴领域。英伟达、OpenAI、谷歌、亚马逊等行业翘楚纷纷布局边缘AI，力图抢占先机。
市场研究数据更是印证了边缘AI的广阔前景。
根据《边缘AI终极指南：边缘AI业务转型手册》的预测，全球边缘AI市场规模将从2023年的190亿美元飞跃至2033年的1630亿美元。IDC近期对27个企业行业的调研显示，2025年全球在边缘计算解决方案上的支出，将达到近2610亿美元，并以13.8%的年复合增长率持续攀升，预计到2028年将突破3800亿美元大关。
知名研究机构Gartner也给出了令人瞩目的判断：到2025年，超过50%的企业管理数据将在数据中心或云端之外被创建和处理。
到2026年，至少半数的边缘计算部署将具备机器学习能力，而2022年这一比例还仅为5%。
智能边缘的进化，不仅带来了算力下沉、实时决策等技术变革，也催生了AI的新发展：垂类大模型。
传统的通用大模型在面对复杂多变的行业需求时，往往难以兼顾效率与精度。为了让AI模型更好地理解行业知识，解决特定领域问题，垂直行业的定制化大模型应运而生。
因此，本文将围绕AIoT领域的垂类模型发展趋势展开深入分析。我们将探讨以下核心问题：为什么AIoT特别需要垂类模型？边缘AI与垂类模型之间如何实现互促共赢？垂类模型落地AIoT的机遇与挑战有哪些？
场景为王，模型为器：垂类模型的必然崛起
在通用大模型风靡全球的今天，我们也应当冷静审视它们在AIoT场景中的局限性。通用大模型并非无所不能，特别在AIoT这种与物理世界深度耦合的领域，它们面临着“物理盲区”的困境。
虽然通用大模型在文本生成、图像理解和人机交互方面展现了卓越的能力，但这些能力更多源于“大数据统计推理”，而非对真实物理世界的深度理解。
AIoT领域的数据具有其独特的特质：大量数据源于传感器、机器设备、环境变量，其核心特征是时间序列性、非结构化、实时性和噪声干扰。
通用大模型往往难以有效处理这种复杂结构的数据，缺乏对物理规律、设备状态、环境上下文的建模能力。一项实验表明，当GPT-4处理原始传感器数据时，其活动识别准确率仅为40%，机器诊断准确率也只有50%，远低于行业可接受的标准。
这一结果揭示了一个关键问题：通用模型缺失的不仅仅是参数，更是场景知识与物理逻辑。
随着AI从炫技走向实用，从可用走向可控，AIoT对智能的要求正在从“通用”向“垂直”演进。因此，垂类大模型成为了让AI从“通用智能”走向“场景智能”的必然路径。
何谓垂类大模型？
它是指在特定行业或场景中，通过领域数据和专业知识进行深度预训练与微调的大模型系统。与通用模型相比，垂类大模型有三大显著特征：
领域专精：聚焦某一垂直行业（如制造、能源、物流、园区、医疗等）
知识注入：融入行业知识图谱、规则引擎和专业术语体系
性能优化：在特定任务上具备更高的准确率和更低的资源消耗
总的来说，垂类大模型具备以下三大优势：
首先，它面向特定行业和场景设计，能够理解行业语言和业务流程，具备“懂场景”的能力。例如在智慧工厂中，垂类模型不仅能识别设备异常，更能推理出可能的工艺偏差。
其次，由于训练数据更加聚焦、模型结构更加优化，垂类模型在关键任务（如预测性维护、能源调度、状态识别）上表现更加稳定，可解释性与可控性更强，有利于企业合规与决策。
最后，垂类模型通常具备更好的模型压缩能力与推理效率，可部署在边缘侧实现本地计算，满足AIoT对实时性、低延迟和离线运行的强需求。
为什么AIoT格外需要垂类模型？
根本原因在于，AIoT不是一个单一场景，而是千行百业的交叉融合体。它的智能化升级路径，本质上是从“设备智能”到“场景智能”的跃迁，而这一跃迁的关键支撑正是垂类大模型。
AIoT的数据是行业化的，模型也必须是行业化的；
AIoT的决策是场景驱动的，模型也必须懂场景逻辑；
AIoT的发展是边缘驱动的，模型也必须能“下沉”运行。
在这种背景下，通用大模型就像一把万能钥匙，在现实中却打不开那些“行业之门”；而垂类模型才是量身定制的“专用钥匙”，真正具备穿透场景、落地业务的能力。
AIoT的本质是“场景为王”，垂类模型才是AI真正落地千行百业的那双“脚”。唯有从通用到垂直，AIoT智能化才能行稳致远。
从“泛”到“专”，从边缘智能到智能边缘
边缘智能的飞速发展正在倒逼AI模型“下沉”到端和边，而垂类模型更适合在资源受限的边缘环境中高效运行。
边缘AI与垂类大模型在AIoT领域并非严格的“前后关系”，而是“相互驱动、螺旋共进”的关系。
在落地实践中，存在着边缘智能先行，垂类大模型随后深化的趋势。
具体来看，边缘AI是一种计算架构的优化与下沉，强调将AI算力、模型推理、数据处理等能力下沉到边缘设备；而垂类大模型则强调模型能力的专业化、精细化、行业化，是一种模型训练与知识注入的深化。因此，两者是不同维度的技术演进，但互为条件。
一方面，边缘设备与终端数据的爆发，提供了丰富的行业私域数据，为训练和微调垂类大模型提供了关键的数据源。边缘AI的普及，也推动了模型部署能力的增强，使得垂类模型具备可落地的“容器”。
另一方面，垂类大模型的引入，提升了边缘智能的“智能等级”，让边缘设备不仅能“感知世界”，还能“理解场景”，推动边缘AI从“感知”向“认知”跃迁。
从技术演进路径看，边缘智能呈现出先行的态势。
总的来说，边缘智能的成熟是垂类大模型落地AIoT的前提条件之一，但两者并非严格的先后顺序，而是互为条件、协同演进。
边缘AI为垂类大模型提供了“运行平台”和“数据燃料”；垂类大模型为边缘智能注入“认知能力”和“行业知识”。企业在战略上应“双线并进”，一手抓边缘基础设施升级，一手抓模型垂直化训练与应用。
具体而言，边缘智能与垂类大模型的融合主要沿着三条路径展开：场景驱动、架构演进与数据闭环。
场景驱动是从“泛智能”到“场景智能”的转型。
AIoT的核心价值在于用AI解决具体问题，而这些问题往往是高度场景化的。每一个垂直行业的业务逻辑、数据结构和优化目标都截然不同，通用大模型无法理解其中的本质差异。只有通过垂类大模型，才能将“行业语言”转换为“机器语言”，实现真正的业务智能。
典型应用场景包括智能制造、智慧城市、能源管理等。边缘智能的技术趋势是“技术泛化”，但落地路径是“场景垂直”。真正有价值的模型，不是最通用的，而是最懂业务的。
架构演进是从“云+端”到“云+边+端”的智能协同。
随着边缘计算能力的增强，AIoT架构开始发生深刻变化。“云+边+端”三层协同成为主流模式，其中云负责大模型训练、统一知识管理、策略下发；边实现模型推理、轻量微调、实时响应；端负责采集数据、执行动作、反馈结果。
垂类大模型需要适应这种架构，通过在云端训练、边缘侧剪枝压缩部署，以及支持边缘小样本微调等方式，提升模型对局部环境的适应性。边缘智能不再是简单的“附加层”，而是“智能前线”。只有当垂类模型具备边缘部署能力，AIoT才能真正实现“所见即所得、所感即决策”。
数据闭环则是用私域数据驱动模型持续演进。
AIoT场景下的数据高度分散、私有化、边缘化，这为模型优化带来挑战，也提供了机会。通过在边缘设备上采集结构化/非结构化数据，完成本地推理，并将结果与实际情况比对，输出误差反馈，用于模型微调，最终形成自适应闭环，是优化大模型的关键路径。
私域数据更贴近业务、更敏感、实时性更强，具备更高的决策价值。企业需要建立数据闭环机制，让模型“用得越多，越懂你”。边缘AI既是感知世界的“神经末梢”，也是智能演进的“数据金矿”。
因此边缘智能与垂类大模型是AIoT的“双引擎”，场景化、架构化、数据化是二者融合的三大路径。
大模型的下半场，是垂类模型的主场
随着AI大模型从技术突破期迈入产业融合期，竞争的焦点也悄然转移。未来的差异化竞争，不再是谁拥有更大的模型参数，而是谁真正掌握行业Know-how，构建了自己的“行业大脑”。
在AIoT 2.0时代，企业智能化的高度，不再取决于是否“拥抱AI”，而是是否具备“行业+模型”的深度融合能力。具备垂类大模型能力的企业，才有能力让AI真正落地到业务流程中，构建稳定、可控、可持续的智能化体系。
过去几年，AI大模型的竞争像是一场“军备竞赛”：参数越多、语料越广、算力越强。但人工智能在千行百业中的实际落地告诉我们：模型再大，若不懂行业，仍是空转。
通用模型像百科全书，什么都知道；垂类模型像行业专家，知道怎么做。在AIoT中，真正的关键不是模型能说几种语言，而是能否听懂机器的信号、理解工厂的运转逻辑、判断电网的负载风险。
未来的核心竞争力，就是谁更懂“行业+模型”。这标志着“人工智能+”阶段的大模型，正在经历一次范式转移，从“参数竞争”走向“场景竞争”。
要实现“懂行业”的智能，企业必须走出“通用模型即万能工具”的误区，进入垂类大模型的深度定制化阶段。一般包括四个步骤：
第一，业务分析与场景选择，确定企业最具智能化价值的核心场景，如预测性维护、能耗优化、异常检测、路径规划等，需要AI团队与业务团队深度协同，明确AI的“用武之地”；
第二，数据采集与清洗，构建高质量的行业数据资产是模型效果的前提，尤其在AIoT场景中，数据来源多样（传感器、设备日志、历史工况等），需处理时间序列、缺失值、异常点等问题；
第三，企业专属模型训练，在通用大模型基础上，利用行业数据进行迁移学习、指令微调、知识注入，构建具有行业语义和业务逻辑的专属模型；
第四，场景化应用开发与迭代，将模型能力封装为API或集成到业务系统中，形成智能应用，如边缘部署的智能终端、可交互的运维助手、自动化决策系统等，后续可持续获取反馈，构建模型迭代闭环。
值得注意，只有在经过市场验证、具备一定通用能力的大模型之上进行定制，才能事半功倍，避免“从零造轮子”。
虽然垂类模型已成为AIoT发展的新趋势，但实践中仍面临诸多挑战，不可忽视。
首先是模型训练与微调的复杂性，不同行业对模型的需求千差万别，没有一个模板可以通用复制。
工业、电力、农业、医疗等场景在数据稀疏度、标签可得性、异常标准定义等方面均有巨大差异。企业需构建具备行业知识图谱、规则引擎与专家系统融合机制，实现真正“会思考的模型”。
其次是推理效率与边缘算力的矛盾，垂类模型必须在边缘设备上运行，要求模型轻量化、低延迟、高鲁棒性。当前Transformer类模型在边缘设备部署仍面临资源瓶颈，需采用模型压缩、蒸馏、量化等技术。
再次是通用模型与垂类模型的协同策略，通用模型可作为“知识底座”，提供泛化能力；垂类模型专注于场景优化，提供决策效率；未来AI将呈现“通用+垂直+多模态融合”的结构，形成“云端通用智能 + 边缘垂类智能”的协同模式。
最后是数据隐私、安全与合规的挑战，AIoT场景的数据多为企业私域资产，涉及生产秘密、设备状态、用户行为等敏感内容；法规也要求明确数据使用的边界；未来应发展“数据不动，模型移动”的隐私保护机制，如联邦学习、差分隐私等。
写在最后
在AIoT 2.0时代，企业要赢得智能化转型的领先优势，应从“追逐模型大小”转向“打造行业大脑”。这不仅是技术路线的选择，更是战略转型的决策。
谁能更好地将行业知识与AI技术融合，谁就能创造出最契合场景需求的智能应用。
谁能更好地利用业务数据资产，谁就能拥有最智能、最可靠的行业大脑。
谁能更好地打通IT和OT的壁垒，谁就能真正驱动业务流程的智能化重塑。
参考资料：
1.DeepSeek爆火给物联网带来的启示：IoT-LLM的主要应用方向有哪些？作者：赵小飞，来源：物联网智库2.Edge AI for robots, smart devices not far off，作者：Paula Rooney，来源：CIO.com
