Zhao Jiehui von DeepTech: Vom technologischen Entdecken zum praxisorientierten Erfolg - Der Pfad der Unternehmensförderung durch KI, der "Bergen und Meeren" überwindet | WISE2025 Business King Conference

Am 27. und 28. November fand die von 36Kr organisierte WISE2025 Business King Conference, die als "Jährlicher Leitfaden für Technologie und Geschäft" bekannt ist, im Conduction Space im 798 Kunstviertel in Peking statt.

Dieses Jahr ist die WISE nicht mehr eine traditionelle Branchenkonferenz, sondern ein immersives Erlebnis in Form von "Technologie-Sensationen". Vom Neudefinieren der Hardwaregrenzen durch KI bis zum Öffnen der Türen zur realen Welt durch Embodied AI; von der Globalisierung von Marken in der Auslandsausdehnungswelle bis zum "Cyber-Upgrade" traditioneller Branchen - wir rekonstruieren nicht nur die Trends, sondern erfassen auch die Erkenntnisse, die in unzähligen Geschäftspraktiken gewonnen wurden.

In den folgenden Abschnitten werden wir die wirklichen Hintergründe dieser "Sensationen" Schritt für Schritt aufklären und gemeinsam die einzigartigen Geschäftsmöglichkeiten von 2025 entdecken.

Im Jahr 2025 hat die Aufregung um Large Language Models von der Diskussion um Parameter zur Umsetzung gewandelt. Doch in der KI-Branche dieses Jahres steht eine zentrale Frage im Raum: Sind die Produkte wirklich einsatzfähig? Was sind die wirklichen Engpässe bei der Unternehmensanwendung von KI?

"Die Künstliche Intelligenz geht vom Berg der Technologie zum Meer der Anwendungsfälle. Die Produktentwicklung ist der Kernkurs für die nächsten drei Jahre." Auf der WISE2025 Business King Conference machte Zhao Jiehui, Gründer, Vorsitzender des Verwaltungsrates, Vorstand und CEO von DripTech, direkt auf das zentrale Thema der Branchenentwicklung aufmerksam. Er erklärte weiter: "Jedes Modell in einem Unternehmen, das nicht in der Lage ist, komplexe Daten zu analysieren, hochpräzise Training durchzuführen und Wissensmodelle zu erstellen, kann nur als Prototyp, nicht als Produkt bezeichnet werden."

Wenn man ein allgemeines Large Language Model direkt in ein Unternehmen einfügt, ist das wie die Einstellung eines unerfahrenen neuen Mitarbeiters - er kann die Pläne sehen, aber die Formeln nicht verstehen; er kann die Anweisungen hören, aber die Daten nicht verstehen und nutzen.

DripTech absolvierte im Jahr 2025 seine Börsengänge. Als Repräsentant im Bereich Data+AI in China und die erste Aktie für Unternehmensanwendungen von Large Language Models setzt DripTech sich weiter für die digitale Transformation der realen Industrie ein, vertieft die Integration von KI-Technologie und Geschäftsszenarien mit einem "Produktdenken" und setzt kontinuierlich den Wert der Technologie für die Industrie frei. In seiner Rede analysierte Zhao Jiehui den Weg zur KI-Produktentwicklung.

Er sagte, dass die Essenz von Unternehmens-KI nicht ein allgemeines Modell ist, sondern die genaue Reproduktion des Wissenssystems und der Datenrechte eines bestimmten Berufs. Dahinter stehen drei unumgängliche Herausforderungen. Die Fähigkeit, "nicht standardisierte" Daten wie Zeichnungen und Verfahrensdokumente zu verarbeiten; die Fähigkeit, Modelle über verschiedene Wissenssysteme hinweg zu erstellen; und die Fähigkeit, Daten bei komplexen Abfragen zu 100 % genau zusammenzufügen.

Derzeit hat DripTech auf der Grundlage seiner Lösungen für Unternehmensanwendungen von Large Language Models zahlreiche Praxiserfahrungen in Branchen wie Fertigung, Handel, Verkehr und Medizin gesammelt. Von der Unterstützung bei der Optimierung von Geschäftsentscheidungen in Managementpositionen bis zur Unterstützung von Fachkräften wie Ingenieuren und Ärzten und der Abgabe professioneller Urteile auf der Grundlage von Unternehmensmodellen hat die KI-Technologie sich tief in die gesamten Geschäftsprozesse aller Branchen integriert und den Wert von der Unterstützung bei Kernentscheidungen bis zur Optimierung von Schlüsselprozessen umgesetzt.

Aber alles setzt voraus: die Analyse komplexer Daten, die Aufbau eines Wissenssystems und die genaue Zusammenstellung von Echtzeitdaten - diese Kernfähigkeiten sind unverzichtbar. Zhao Jiehui meint, dass wenn man nicht in der Lage ist, ein intelligentes System aus "Modell, Daten, Interaktion" zu bilden, bleibt auch die fortschrittlichste Technologie nur ein nicht skalierbarer Prototyp. Das Ende der KI in der Industrie ist ein Systemprojekt über Präzision und Produktentwicklung.

Zhao Jiehui, Gründer, Vorsitzender des Verwaltungsrates, Vorstand und CEO von DripTech

Im Folgenden finden Sie die Rede von Zhao Jiehui von DripTech auf der WISE-Konferenz, bearbeitet von 36Kr:

Zhao Jiehui: Vielen Dank an alle!

Dies ist das dritte Mal, dass ich auf dieser Bühne teile. Im Unterschied zu den beiden vorherigen Malen haben wir dieses Jahr unseren eigenen Börsencode - 1384.HK. DripTech absolvierte am 28. Oktober 2025 seinen Börsengang an der Hongkonger Börse.

Heute möchte ich mit Ihnen über die praktische Umsetzung von Künstlicher Intelligenz in Unternehmen teilen. Neben den Anwendungen in den Bereichen Marketing, Werbung und Kundenservice, die von den vorherigen Gästen erwähnt wurden, haben wir in vielen großen Unternehmen bereits weitaus mehr erreicht. Laut den in der Prospekt veröffentlichten Informationen haben wir in Unternehmen wie China Haisum bei der Substitution von Technikern in der Fertigung wie bei der Planung und dem Bau sehr tiefgreifende Fortschritte erzielt. In der Einzelhandelsbranche hat die KI sich auch in viele Aspekte der Geschäftsentscheidungen integriert.

Vor dem Teilen von Beispielen möchte ich zunächst einige Überlegungen teilen. Die Large Language Model-Technologie ist seit drei oder vier Jahren heiß, und es gibt in der IT-Branche nur wenige Technologien, die über fünf Jahre eine hohe Aufmerksamkeit behalten können. Der Kernlogik hinter ihrer langfristigen Beliebtheit ist, dass die echte Produktentwicklung im Wesentlichen ein hochgradig systematisches Projekt ist, wenn die Technologie vom "Berg" in die "Meere" der Industrie wandert. Es ist erforderlich, die gesamte Kette von Technologieentwicklung, Szenarienanpassung, Datenverwaltung und Wissenspräsenz zu verbinden. In diesem Prozess können Unternehmen, Branchen und Technologieexperten alle reale Ergebnisse aus der gemeinsamen Wertschöpfung ziehen.

Aber nicht alle Technologien können die erwarteten Ergebnisse erzielen.

Tatsächlich ist die Umsetzung eines Prototyps oder einer Demo in eine Position, die tatsächlichen Wert schaffen kann, nicht ohne systematische Produktentwicklung möglich. Die Umwandlung von einem Prototyp in ein Produkt ist tatsächlich eine sehr systematische Arbeit.

Vor 2024 sprach man bei der Large Language Model-Diskussion hauptsächlich über die Anzahl der Parameter, die Rechenleistungskluster usw. Seit diesem Jahr sind diese Stimmen verschwunden, und es geht mehr darum, welche Positionen und Funktionen man mit diesem Modell ausführen kann.

Haben Sie sich jemals gefragt, was man zuerst tun muss, um in einem Unternehmen die KI in der Lage zu machen, die Funktionen einer Position auszuführen? Man muss systematisch das Fachwissen und die Arbeitslogik der Mitarbeiter dieser Position aufarbeiten und die Datenrechte dieser Position aufzeichnen. Dann kann man mit diesem Wissen und diesen Datenrechten ein Modell kontinuierlich nachtrainieren, damit es genau auf die Arbeitsanforderungen und Fachszenarien dieser Position abgestimmt ist und über genug Wissenssysteme und Prozessanpassungsfähigkeiten verfügt, um die Kernanforderungen dieser Position effizient zu erfüllen.

Natürlich müssen für Arbeiter in der Produktion, neben dem Berufswissen, der Arbeitslogik und den Datenrechten, die Modelle auch visuelle und sprachliche Fähigkeiten (d.h. VLM) haben. Durch die Zusammenarbeit multimodaler Technologien kann das Modell eine Reihe präziser Betriebsanweisungen generieren, um die manuelle Fernsteuerung traditioneller Geräte zu ersetzen und die intelligente Zusammenarbeit in der Produktion zu unterstützen.

An diesem Punkt werden Sie feststellen, dass unabhängig von der Art der Künstlichen Intelligenz, die in der Industrie umgesetzt wird, der erste Schritt immer die Verarbeitung aller Wissens- und Daten in diesem Positionsszenario ist. Der zweite Schritt besteht darin, diese Daten zu nutzen, um das Modell nachzuschulen, damit es eine ausreichende Genauigkeit erreicht, um wirklich in die Industrie einzudringen.

An diesem Punkt wird uns deutlich, dass es große Unterschiede zwischen der Umsetzung von Industriemodellen und den Large Language Modellen für Endverbraucher gibt: In der "Hundert-Modell-Krieg" für Endverbraucher trainieren die Menschen mit verschiedenen Technologiearchitekturen, aber es ist schwierig, einen großen Abstand zu erzielen, da die meisten Daten, die bei der Schulung verwendet werden, Internetdaten sind.

Im Gegensatz dazu können Unternehmensdaten eine Reihe von Zeichnungen, Verfahrensdokumenten oder sogar nicht erkennbare Dateiformate sein. Obwohl die Verwaltung dieser Unternehmensdaten schwierig ist, wird sie nach der erfolgreichen Verwaltung aufgrund der hohen Anpassungsfähigkeit an die Geschäftsszenarien die Kernanforderungen der Positionen genau treffen und der treibende Motor für die schnelle Umsetzung des KI-Industriewerts und die Szenarienbasierte Umsetzung von Modellen werden. So wie diese Informationen in Textmaterialien umzuwandeln, damit das Modell für die Positionstraining verwendet werden kann, und wie das Modell kontinuierlich in dieser Position trainiert werden kann, ist die erste Herausforderung.

Die zweite Herausforderung liegt in der Modellierung über verschiedene Wissenssysteme hinweg. Internetseiten-Daten können oft einen geschlossenen Kreis bilden. Wenn Benutzer relevante Meinungen und Wissen erhalten möchten, können sie diesen in einer einzigen Webseite vollständig erhalten. Aber in einem Unternehmen erfordert die Formel auf einer Zeichnung oft ein anderes Wissenssystem zur Erklärung, und die relevanten Parameter sind in anderen Dokumenten verteilt. Wie man diese umfangreichen Wissenssysteme effizient neu modelliert, ein logisches Wissensnetzwerk bildet und in die Modellparameter einfügt, damit das Wissen dieser Position in diese Parameter trainiert werden kann und es funktioniert, ist die Herausforderung.

Die dritte Herausforderung ist die Fähigkeit zur genauen Zusammenstellung von Daten. Viele Menschen denken, dass ChatBI sehr einfach ist, indem man die Datenkombination und -analyse eines Unternehmens versteht und durch die Eingabe natürlicher Sprache präzise Geschäftsanlysen generieren kann. Aber in der Tat, ob es sich um ein Open-Source- oder Closed-Source-Modell handelt, die Genauigkeit bei der verknüpften Abfrage von 4 bis 5 Tabellen innerhalb eines Unternehmens beträgt derzeit höchstwahrscheinlich nicht mehr als 70 %.

Zum Beispiel, wenn wir die Ursache für die Abschwächung des Verkaufsvolumens von 500 Filialen in einer bestimmten Region im Juni analysieren, muss das Modell nicht nur die Analyselogik des Unternehmens verstehen, sondern auch die Echtzeitdaten zu 100 % genau zusammenstellen. Dies ist immer noch eine enorme Herausforderung.

Aber wenn es keine Fähigkeit zur Analyse komplexer strukturierten Daten, keine hochpräzise Trainingsfähigkeit des Modells, keine Fähigkeit zur Wissensmodellierung und keine Fähigkeit zur genauen Zusammenstellung von Daten gibt, kann jedes Modell in einem Unternehmen nur als "Prototyp", nicht als "Produkt" bezeichnet werden.

Foto: 36kr

DripTech konnte die erste Aktie für Unternehmensanwendungen von Large Language Models werden, weil wir diese Kernprobleme gelöst haben und uns an die Produktlogik gehalten haben.

Unsere unterliegende Unternehmens-KI-Infrastruktur, FastData, löst zunächst das Problem der Verarbeitung multimodaler Unternehmensdaten. Egal, ob es sich um Zeichnungen oder Verfahrensdokumente handelt, können wir sie schnell in Textmaterialien umwandeln, modellieren und zusammenstellen. Auf dieser Grundlage fördern wir mit FastAGI die Entwicklung von Open-Source-Modellen zu Unternehmens-spezifischen Positionen, um eine extrem hohe Genauigkeit zu erreichen und die effiziente Funktionsweise und die Vertiefung des Werts dieser Positionen zu unterstützen.

Die erste Art von Positionen sind Geschäftsentscheidungsfunktionen, das heißt unser DataDense-Produkt. Wenn man die Datenrechte freigibt und die historische Analyselogik eingibt, kann das Modell schnell Analyseberichte gemäß der vom Unternehmen akzeptierten Denkweise generieren.

Die zweite Art von Positionen sind Fachkräfte. Beispielsweise können in Bereichen wie Architektur und Maschinenbau, nachdem das Projekt- und Produktentwurfskonzept in das Modell trainiert wurde, es schnell und genaues Wissen erhalten, ohne dass es sich an Bauarbeiter oder Ingenieure wenden muss.

Nehmen wir als Beispiel einen Fertigungsunternehmen, das wir betreuen. Nachdem die Geräte verkauft wurden, kann das Modell auf der Grundlage der Produktionsaufgaben schnell die Verfahrenslogik generieren und sie in OC-Code umwandeln, um sie direkt an den Maschinenkopf zu senden. Da die KI die Funktionen eines Ingenieurs genau übernehmen kann, ist der Weg für die professionelle Unterstützung von KI für Fachpositionen wie Ärzte und Anwälte ebenfalls klar und machbar.

Außer diesen beiden Arten von Positionen entwickeln wir auch einige Lösungen für Unternehmensanwendungen von Large Language Models für Frontline-Betriebspositionen, um die Arbeitsabläufe zu optimieren und die Betriebsschwelle zu senken. Bitte bleiben Sie auf dem Laufenden über die Iteration und Umsetzung unserer Produkte.

Man kann sagen, dass wenn man das Berufswissen eines Unternehmens in ein Modell "einfüllt" und ein präzises Modell auf der Grundlage des Wissensbereichs trainiert, es die entsprechende Position ersetzen kann. Dies umfasst die Geschäftsentscheidungssprecher, die Fachkräfte und die Arbeiter. Schließlich entsteht ein visuelles Modell, das in großen Unternehmen und Branchen genau umgesetzt werden kann. Das ist es, was wir tun.

Zurzeit gibt es für Unternehmen drei Schlüsselpunkte, um den Wert der KI umzusetzen: die komplexe Datenverwaltung, die Modellierung und die genaue Zusammenstellung von Daten. Darüber hinaus hat ein Modell keinen Sinn, wenn es nicht präzise ist.

Abschließend zusammengefasst: Künstliche Intelligenz + bedeutet nicht nur das Basis-Modell. Wenn die Künstliche Intelligenz in der Industrie umgesetzt werden soll, muss sie einen Produktentwicklungsprozess durchlaufen. Egal in welcher Form, selbst ein Roboter ist auch eine Art von Agent. Erst wenn das Modell, die Daten und die Interaktion tief integriert werden, kann es als echter intelligenter Agent bezeichnet werden.

Dies ist unsere Meinung. Vielen Dank an alle!