上个月在济南参加省里的制造峰会，有个企业老板跟我说："我们花大价钱烧了个行业垂直大模型，年底一测，还不如直接用通用大模型。"这不是个例。过去两年，"每个行业都要有自己的垂直大模型"几乎成了共识，政府发语料券、训练券，企业领补贴入场，热闹得很。但一线做下来的人都知道——这条路走不通。
炼丹：烧钱、不可控、还停不下来
行业内管训练模型叫"炼丹"，这词精准得可怕。同样的原料、同样的火候，第一炉烧坏了，第二炉同样的配方烧成了——为什么成了？不知道。大模型本身就是不可解释的，你的训练结果也是。
更现实的问题是：企业那点数据量，想去影响一个千亿参数模型的权重？这就像往大海里撒了一把盐，然后指望海水变咸。有家企业老老实实烧了自己的垂直模型，年底拿它和通用大模型做对比测试，结果——啥也不是。
最致命的是第三个问题：你终于烧成了，下个月 DeepSeek 发布了新版本。怎么办？用旧的，还是重新烧一遍？重新烧，钱一分不少；凑合用旧的，你花大价钱训练的东西就过时了。这不是一次性投入，是每年都要烧的持续成本。
博士生不需要背下公司制度
换个思路想这件事。
你招了一个顶尖的博士生来公司上班。有两种用法：第一种，让他入职前把公司所有规章制度、业务流程全部背下来，考试合格才能上岗；第二种，给他配全套可检索的资料库、系统权限和业务助手，他来了就能干活，需要什么随时查。
第一种就是垂直大模型的思路——把企业数据洗进模型脑子里。第二种是企业本体语义模型的思路——数据留在企业自己的系统里，模型只是来干活的工具。
这就是我们正在做的事：不试图把企业数据洗进大模型，而是给企业构建一套信息的关联网络——生产工艺、流程、设备、产能、客户，全部建立关系和定义。AI来了，不需要"记住"你的业务，它只需要能"查到"你的业务。
大模型是电，你需要的不是发电厂
这个类比帮很多企业老板一下子想明白了：大模型就是电，我们做的是电器。你不会因为要用空调就自己建个发电厂，但你确实需要一套好的电器系统。
本体语义模型就是那套电器。它解决一个关键问题：大模型可以随时换。今天用 DeepSeek，明天换千问，后天又出了新的——没关系，你的企业知识网络不跟着换。而且大模型越强，你的系统越强，因为你始终用的是最好的"电"来驱动你的"电器"。
反过来，如果你走的是垂直大模型路线，大模型一升级你就焦虑：我到底是跟着升级重新烧，还是守着旧版本？这不是企业该有的状态。
先通电，再组电网
落地的时候别一上来就谈平台。很多企业之前被大厂的数字化项目伤过，花了几百万没做出来，现在只敢先解决眼前的小痛点。这没问题。
先做点上——CAD图纸秒级匹配、视频SOP从2天压缩到十几分钟、订单排产从加班两天变成自动拆算。2到4周上线，短平快见效。这些不白做，未来智能体上线后，现有的数字化成果都能串起来。
但心里要有根线：两年后，完成平台化改造的企业和没改造的，会形成代际差。就像手工作坊和机械化生产，不是效率差一点，是生产模式根本不在一个时代。
先做对的事情，再把事情做对
方向错了，投入再多钱也打水漂。垂直大模型这条路，大部分制造企业不该走。构建自己的本体语义网络，让大模型来"查"而非"记"——这才是企业AI落地的正确姿势。