海致科技集團 (02706.HK) 2026智通財經夏季路演大會
文章語言：
简
繁
EN
分享
紀要
原文
會議摘要
對話探討了AI智能體從prompt到context再到harness工程的演進，以及圖模融合技術在産業級應用中的重要性。海志科技，一家由百度前高管創立的公司，專注於圖數據庫和知識圖譜技術，已在公安、金融等領域取得顯著成果，通過與大語言模型結合，開啓了智能體新紀元。2023年，海志科技在LDBC測試中奪冠，同年港股上市，展現了其在圖計算領域的領先地位和強勁市場潛力。
會議速覽
海智科技：圖模融合技術引領産業級AI解決方案的先鋒海智科技作為中國首家將圖模融合技術應用於産業級AI解決方案的公司，憑借其在圖數據庫領域的全球領先能力及智能體業務的高速增長，已實現盈利並擁有超過400家客戶。公司與鄭緯民院士合作，參與國家重點研發任務，制定全球首個圖模融合標准框架，適配全球主流大模型體系，展現其在AI領域的創新實力與市場潛力。
海軍發展曆程：從知識圖譜到AI産業級應用過去十年，海軍從知識圖譜技術積累，到自主研發圖數據庫，再到結合大語言模型實現AI産業級應用，覆蓋政府、金融、能源等多個複雜數據領域，展現了技術革新與市場拓展的雙重成就。
AI企業港股上市背後：技術、投資與産業落地介紹了一家AI企業在港股上市的背景，強調了其在to b端技術應用和服務大型企業的經驗，以及與院士合作強化技術實力。股東包括技術投資人、國家隊和知名企業，共同推動AI模型在産業端的實用化轉型。
大模型與産業融合：駕馭體系的重要性及挑戰討論了大模型從概率智能向確定性執行轉變的必要性，強調了駕馭體系（harness）在智能體應用中的核心作用，以及在B端落地時面臨的挑戰，如安全、權限和規則問題。同時，指出FD工程師在産業端融合中的關鍵角色，證明了駕馭體系對於大模型在B端成功應用的重要性。
大語言模型發展曆程：從提示工程到引導式智能過去三年，大語言模型經曆了三次關鍵演變。初期的提示工程聚焦於優化指令，但受限於模型自身能力不足及實際應用中頻繁變化的任務需求。隨後，上下文工程通過引入背景知識和案例學習，試圖增強模型的理解與執行能力，但靜態文檔的局限性仍無法滿足高級別任務需求。最終，引導工程的提出，旨在通過定制化的指導與規則設定，使模型能夠像有經驗的師傅一樣，傳授有效知識與實踐技巧，從而實現更精准、高效的智能應用。這一系列迭代反映了人工智能領域對智能引導與應用認知的深化。
駕馭智能體：産業深度融合與技能編排的重要性討論了智能體駕馭體系的重要性，包括語義知識圖譜的理解、技能編排的合理性，以及與産業能耗的深度融合，強調了將實踐經驗模型化對提升人工智能價值的作用。
本體體系與AI智能體：電網數據管理的未來趨勢討論了在電網公司背景下，傳統AI雖能提供數據洞察，但缺乏情境理解與決策支持，而基於本體體系的AI能識別家族性缺陷，預測供應鏈風險，提供全面的解決方案，強調了AI從工具向智能體轉變的重要性，以及知識圖譜在複雜關聯管理中的作用。
新能源出力提升對經濟影響：AI知識體系與行業本體的融合討論了AI在新能源出力提升情境下對經濟影響的分析能力，強調了行業知識本體的重要性。指出AI需具備行業知識才能提供實際指導，而非僅提供理論分析。新能源出力增加超過15%可能觸發一系列連鎖反應，包括局部反向潮流、儲能策略不足、工業負荷響應牽引力不足等問題，需全面理解源網荷儲環節及相互作用，以應對新能源高發時段的挑戰。圖計算在大規模複雜關聯分析中展現出顯著優勢，為能源電力等行業提供新認知方式。
從一維數據到知識圖譜：動態關系網絡與智能體體系的融合對話深入探討了一維數據至三維數據的演變，以及知識圖譜在複雜關系網絡中的應用價值。強調了動態變化對關系網絡的影響，以及知識圖譜技術與大語言模型結合的創新實踐。同時，指出了知識圖譜在智能體體系中的關鍵作用，尤其是在B端應用中與行業理解的深度融合，展現了未來技術發展的廣闊前景。
智能體構建與産業融合：數據知識平台、行業本體與模型融合討論了智能體構建中的三大核心能力：數據知識平台的構建，將複雜企業數據轉化為AI可讀取格式；行業本體的構建，解決不同部門對同一數據的語義差異；以及模型融合，適配不同大模型以實現産業鏈功能。強調了行業理解與産業背景對數據關聯與應用的重要性。
行業深耕與技術領先：構建垂直閉環的産業優勢通過長期服務金融監管和公共安全等行業，積累了跨行業數據認知，結合全球領先的圖數據庫技術和智能體組織編排經驗，形成了從知識壟斷到數據資産沉澱，再到組織嵌入的全行業最優垂直閉環，有效串聯數據業務執行，實現AI智能體的最佳應用。
海之塗膜孿生智能體：運用大模型與圖計算技術優化案件偵辦流程介紹了一種名為海之塗膜孿生智能體的系統，該系統通過融合大模型技術和圖計算技術，實現了從接收用戶指令到自動規劃、分解任務、調用工具並生成高價值成果的全過程。在案件偵辦場景中，系統能夠根據案件信息生成研判思路，繪制DAG圖，分析嫌疑人作案可能性，並最終形成案件偵查報告，有效提升了案件偵辦效率。
智能體與指揮官系統：重塑警務與政府決策討論了智能體在警務和政府決策中的應用，強調其能有效縮短案件偵破時間，解放人力，專注於創造性工作。指揮官系統則通過綜合分析多源數據，解決複雜問題，提升決策效率。
AI指揮官體系在多部門協同中的智能應用與價值探討了AI指揮官如何通過實時監控客流、車流等數據，預測並調整交通狀況，實現多部門協同指揮。強調了AI系統通過不斷學習和沉澱經驗，提升應對突發事件的能力，以及跨行業應用的潛力和挑戰。
超大B端客戶合作模式與未來付費趨勢探討討論了以超大B端客戶為核心的合作策略，強調了政策驅動下國央企和政府部門作為主要支付方的重要性。指出基於超大B端客戶建立的行業能力具備外推和泛化潛力，且此類客戶偏好私有化部署，合作周期長，複購率高。展望未來，隨着服務範圍向中大B端擴展，以使用付費的商業模式將逐漸成為可能。
AI領域企業探討盈利模式與技術投入平衡對話圍繞AI領域企業的盈利模式、技術投入與市場增長展開。指出盡管公司已實現盈虧平衡，但未來仍需大量硬技術投入，尤其在AI模型和自動化構圖領域。強調高毛利被低估，實際增長將遠超預期，應用端增長有望在模型迭代放緩後加速。
要點回答
Q：海智科技的發展曆程是怎樣的？
A：海智科技自2013年開始專注於知識圖譜技術的研發，後來發現受限於當時的圖數據庫技術無法充分發揮圖譜的價值，因此從2019年開始自主開發圖數據庫能力，並於2023年取得突破，擊敗了當時的世界紀錄。隨着大語言模型的興起，海智將圖譜技術與大語言模型相結合，實現産業級AI落地應用的可行性。
Q：海智科技在圖模融合技術方面的定位是什麽？
A：海智科技是中國首家將圖模融合技術應用到産業級AI解決方案的公司，並且在以圖為核心的AI智能體提供商中排名第一。我們自主研發的分佈式雲原生圖數據庫系統，在2023年時以45%的優勢打破了當時的世界紀錄。
Q：海智科技的智能體業務增長情況如何？
A：自2023年至今，海智科技的智能體業務實現了高速增長，增長率達到了1567%，雖然增速有所放緩，但每年50%以上的增速仍然可期。目前，海智科技已擁有超過400家客戶，並在2024年從經營層面實現了盈利。
Q：海智科技在技術和人才方面的佈局有哪些亮點？
A：海智科技擁有全國頂級專家鄭緯民院士作為首席科學家，與他在2021年共同成立了研究機構，使得公司在圖計算領域有更多的高等級人才合作機會。此外，公司能夠適配國內外主流大模型體系，並且是國家重點研發任務的承擔者，參與了多項重要項目。
Q：海智科技的主要客戶群體和服務領域是什麽？
A：海智科技的客戶群體覆蓋廣泛，包括但不限於土地、非土地、金融、能源、電信、交通等領域，特別是在數據複雜、産業能耗積累深的大型企業或服務對象中，已有超過70%的國有及股份制銀行成為客戶，省級公安、電網等領域的覆蓋率也分別超過了60%和30%。
Q：海智科技的核心創始團隊成員有哪些背景？
A：海智科技的創始人包括任總（百度早期創業元老之一，財務自由後孵化了多家公司，包括海智），楊娜（中央電視台前主持人，公關公司創始人）和鄭緯民院士（中國工程院院士，計算機系統結構學科帶頭人）。鄭院士於2019年加入海智，成為公司的首席科學家。
Q：OpenAI在爆火後遇到了哪些挑戰和問題，為什麽會有用戶想要卸載它？
A：OpenAI在爆火後遇到的安全問題包括權限問題、規則問題以及上下午場地等具體場景的應用難題。這些問題對C端用戶來說構成了巨大挑戰。而在更複雜的産業端落地時，這些問題更加凸顯，導致用戶開始尋求卸載。
Q：那麽pic和OpenAI為何大量招聘FD (前沿部署) 工程師？
A：SO pic和OpenAI招聘FD工程師是為了真正將智能體部署在企業一綫，這些工程師在部署智能體的同時扮演前端工程師、産品經理和項目主管的角色，將産業能耗與AI系統深度融合，證明了大語言模型在B端落地應用離不開與産業能耗的結合。
Q：人工智能或以大語言模型為核心的人工智能經曆了哪三次變遷？
A：第一次變遷是prop工程，即通過改進提示詞來提升模型效果；然而發現模型本身的結構能力和記憶局限性導致效果受限，進而發展到第二輪context工程，通過建立工作文檔數據庫增強模型的記憶和背景知識。但最終發現僅提供靜態文檔和背景知識仍無法使模型具備實際工作能力，因此出現了第三代harness工程，通過構建智能體的引導體系，使其能理解和遵循特定領域的知識、規則和隱性規則，正確發揮效能。
Q：為什麽harness工程如此重要，它具體包含什麽內容？
A：harnass工程的重要性在於它提供了一套智能體運作的約束體系，幫助智能體理解語義知識圖譜、形成專業領域理解，並對工具調用和任務編排進行合理編排，解決長期邏輯推理問題。同時，它強調與産業能耗的深度融合，讓智能體能基於實踐經驗積累的know-how進行有效應用和決策，而不僅僅是基於理論知識的輸出。
Q：以電網公司為例，如何體現harnass工程在實際産業中的應用價值？
A：在電網公司場景中，沒有以本體為基礎的harnass體系時，AI只能提供基礎的數據分析信息，如故障率上升、搶修時間增加等。而在完善的harnass體系下，AI不僅能識別出家族缺陷擴散的風險，還能預測未來修理需求、評估供應商交付周期，並建議及時檢修保養以避免潛在故障，從而將智能體的價值發揮得更為充分。
Q：AI是一個工具還是智能體，如何理解其在實際應用中的角色？
A：AI如果要成為一個真正的數字員工，需要具備相應的知識水平和儲備能力，而不僅僅是提供信息查詢的功能。通過本體體系或hard體系，AI能夠理解並關聯不同現象之間的因果關系，比如設備故障引發的采購、維修需求變更等，從而實現更複雜的邏輯判斷和行動部署。
Q：對於新能源出力提升對電網經濟影響的問題，不具備本體知識的AI會如何回應？
A：不具備本體或hard體系的AI可能會給出一些基礎且缺乏指導性的回複，如新能源增加導致風光率變化、儲能調用頻率上升、電網調節力增強等。但這種回答無法直接指導具體行動，仍需依賴於專家意見。
Q：擁有行業知識的本體在面對新能源出力提升時能提供何種見解？
A：擁有行業知識的本體能揭示新能源出力提升超過某個阈值（如15%）後，可能會觸發一系列連鎖反應，例如局部反向潮流、儲能策略不匹配導致電網失去調節能力、工業負荷響應不足等問題，並指出這些問題可能帶來的後續行動點。
Q：圖計算在處理大規模複雜關聯分析中的優勢是什麽？
A：面對百億甚至千億級別的大規模複雜關聯分析時，圖計算的優勢在於其計算性能較傳統關系型數據庫快1000倍。圖計算可以應用於電網、軌道交通、社交網絡等各種領域，提供了一種全新的認識世界的方式，通過點兵關系綫索表達事物及其關聯關系。
Q：知識圖譜與關系型數據庫有何區別，以及為何在描述複雜關系時需要知識圖譜？
A：關系型數據庫適用於表達簡單的一對多或多對多關系，但當涉及極為複雜的多層嵌套關系時，如公司股權結構穿透至底層實體企業時，關系型數據庫已無法有效表示。此時，知識圖譜能夠以三維數據結構來全面、動態地描述複雜關系網絡，驅動工具調用並預測潛在連鎖反應。
Q：海志的知識圖譜技術相較於一般知識圖譜公司有何優勢？
A：海志不僅擅長靜態知識組織制圖，更注重動態變化對整個知識體系的影響，並具備自動化構圖技術，能夠快速完成結構化數據間的關聯構建，以及結構性數據與非結構性數據的整合關聯。
Q：為什麽大語言模型技術對知識圖譜的發展至關重要？
A：在沒有大語言模型技術之前，構建超大規模知識圖譜成本高昂，需要大量行業專家參與。而現在，借助大語言模型和産業理解，可以實現自動化構圖，使知識圖譜在智能體體系中發揮更大作用，如任務規劃器、上下文裝配器、執行編碼機等組件中，為智能體提供自動駕駛般的決策能力。
Q：在智能體構建中，融合了哪三種底層能力？為什麽海智在智能體解決方案中能夠做得比較好？
A：智能體構建融合了三種底層能力：首先是一種叫DMC的數據知識平台，它將企業的複雜數據構建出來，形成AI ready的數據；其次是一個行業的行業本體，即對同一公司內不同部門基於同一數據的語義定義進行整合理解；最後是圖模融合技術，將這些能力適配到各種大小模型中。海智能做得好的原因有兩點：一是我們在相關行業積累了超過十年的經驗和大量案例，深入理解了不同行業的運作機制；二是我們最早進入的金融監管和公共安全領域中，處理的數據以外源性數據為主，這使我們在跨行業數據理解和應用上具備優勢，並且擁有領先的圖數據庫技術和多項國家標准制定經驗。
Q：海智是如何利用自身技術和行業經驗服務於不同行業的？
A：海智以公安行業的服務為基礎，由於公安數據主要來源於外源性數據，而這些數據在後續的金融、電力等制造行業也常常是所需的數據源之一，因此我們能夠快速切換並應用到其他領域。同時，通過深度服務各行業，我們培養了對跨行業數據的基礎認知，從而實現知識底座到知識本體的構建，讓大元模型在action AI中發揮作用，串聯起整個數據業務執行的最優法律機制。
Q：海之塗膜孿生智能體千川小智是如何運作的？
A：千川小智是融合了大模型技術和圖計算技術的專業垂類智能體，能夠根據用戶意圖自主完成任務規劃、工具調用和價值成果交付。例如，在案件偵辦場景中，根據報警信息和圖研判知識生成偵查研判思路，並通過執行一系列指令，自動分析嫌疑人相關信息，形成案件偵查報告，大大提升了案件偵破效率和准確性。
Q：AI智能體如何通過學習優化自身決策效果？
A：AI智能體通過與不同部門和功能的交互，將每一次行動的影響沉澱下來，隨着模型應用的增加，其智慧會逐漸提升。就像人從經驗中學習一樣，AI能根據曆史數據和實時情況調整策略，提高決策的精准度和效率。
Q：在企業決策系統中，為什麽需要一個能夠串聯不同口徑、理由和歸因的智能體系？
A：如果沒有這樣的智能體系，企業在面對多目標權衡和多約束協同的問題時，決策會變得混亂無章。例如，當稅收任務未完成時，可能是因為規上企業業績不佳或新入駐企業數量不足導致的，而這些原因可能分佈在稅務局的數據系統、招商部門和工商配合等多個環節。只有通過一個完善的智能體系，才能穿透並整合各個部門的任務和數據，形成全局觀，並基於此做出有效決策。
Q：這種智能體系如何運作以實現“指揮官”功能？
A：該智能體系由多個子智能體組成，能夠處理複雜的多目標、多約束環境，具備綜合分析和多部門協調的能力。以AI指揮官為例，它能實時監控本市交通樞紐的客流情況，根據各種實時信息（如人流、車流、紅綠燈狀態、火車班次等）進行預測和決策，從而有效調度資源，如調整紅綠燈時長、指揮交通或調整火車進站班次等。
Q：公司為何選擇以超大型企業為核心開展業務，並采用項目合作模式？
A：首先，超大型企業在政策驅動下對新産業落地有巨大支付能力，且建立起來的行業本體能力具備外推和泛化的可能性。其次，以行業龍頭企業切入可以確保獲得預算充足且有強烈需求的客戶，從而構建服務該行業所有客戶的潛力。雖然目前這類客戶傾向於私有化部署和項目合作，但長期來看，隨着業務模式的發展和市場需求的增長，有望實現按照使用量付費的商業模式。
Q：公司何時能實現盈虧平衡以及對未來發展的預期？
A：公司在2024年已經實現了盈虧平衡，而2025年的目標受到一些財務處理因素的影響。盡管當前領域投入大額盈利並非首要目標，但公司的高毛利和研發投入被低估，隨着AI需求井噴式增長，實際收入增長預計將遠高於預期。隨着大型模型能力的快速迭代和應用端的增長，預計到2028年至2029年後，應用端的增長將加速，進一步擺脫現有狀況。
