「生成式AI的未來不是在大語言模型，而是具體的領域特定語言模型。」2025年5月29日，Gartner研究副總裁蔡惠芬（Tracy Tsai）圍繞生成式AI的未來這一主題發表演講，強調通用模型難以幫助企業實現業務價值，並揭示AI落地的新方向。
領域特定語言模型是生成式AI的未來
傳統的軟體應用，本質上是依賴人工分步操作的流程化工具，但在未來，其將會變成一個代替人類工作的智能系統，大部分流程化步驟，都可以通過生成式AI來完成。正如蔡惠芬所言，這便是所謂的智能應用，也是真正落地生成式AI，並推動實現企業業務價值的具體方法之一。智能應用的底層，便是具體的領域特定語言模型。此類模型嚴重依賴特定領域內的專業知識和數據，創建方法包括預訓練模型微調、從頭開始訓練、領域自適應預訓練、檢索增強生成、提示工程和模型蒸餾等，能夠支撐系統智能地判斷情況變化、產生決策和採取行動。根據Gartner預測：到2030年，在企業使用的GenAI模型中，將有50%以上側重於特定領域（即用於特定行業或業務職能），高於2024年的5%。
（來源：資料圖）
目前，領域特定語言模型已經在法務、醫療、製造等領域發揮作用。例如，專註於稅務與法律的領域模型Harvey AI，能精準調用非公開稅法條款，來幫助企業應對政策變動；騰訊與邁瑞合作開發「重症醫療模型」，通過整合重症監護病房的實時數據，提升病房協助、病患照顧等診療流程；聚焦半導體和能源的領域模型Aitomatic，利用問答方式提取資深工程師大腦中未經數字化的經驗，然後生成對應的數字化知識庫，為初級工程師提供支持，在提高生產力的同時，節省時間和降低成本；專註醫療保健的領域模型Thoughtful AI，通過「多代理生成式業務流程管理」技術，自動化處理病患諮詢請求，並快速生成精準答覆，可以解決醫療提供商在病患諮詢中耗時過長的問題。
（來源：資料圖）
能精準回答特定領域內問題，加速生成式AI落地
那麼，領域特定語言模型，和基礎生成式AI之間有著怎樣的關係呢？蔡惠芬指出，基礎生成式AI屬於通用型模型，大量數據來自公共領域，具有較為通用的推理能力，適用性和可擴展性較強，但存在幻覺；領域特定語言模型屬於領域型模型，數據不易從公共領域獲得，受限於狹窄的領域知識，不具備良好的推理能力，但能夠精準地回答特定領域內的問題。相較於前者，後者不再僅僅是新奇有趣，而是能在提供競爭優勢的同時，帶來深遠影響，這大大加速了生成式AI落地。
（來源：資料圖）
因此，領域特定語言模型的出現，也一定能夠解決當前面臨的「AI在新聞報道中很厲害，但在落地時卻經常被企業吐槽」的窘境。這是因為，傳統AI是通過關鍵字來理解問題，不了解語義，所以無法給出正確回答。而生成式AI具備高度的語義理解能力，能夠解決一大半過去遇到的瓶頸問題。在這種情況下，通過AI智能體即可生成任務鏈，進而幫助用戶規劃步驟、交互數據、產生高度適應性決策，並根據環境變化採取行動。
另外，相較於領域特定語言模型，模型上下文協議（MCP，Model Context Protocol）和AI智能體的結合，也是AI解決複雜問題的一種通用方案。談到如何看待「AI智能體+MCP」這一基礎大模型能力落地的方式和前景，蔡惠芬表示，未來會有更多AI智能體框架，採用MCP方式交互數據。不過，也需要注意安全問題、持續觀察模型變化，以及持續集成和部署這三方面風險。否則，可能導致未授權結果、內部數據泄露或引發新治安問題。可以通過MCP編位實現有效的使用者授權，應用程序編程介麵廠商，也要符合企業的安全法規。
可以看出，領域特定語言模型的成功，離不開領域數據、專家知識與業務邏輯的深度融合。這不僅是通用模型無法企及的，也是生成式AI真正落地的關鍵。對此，企業應積極評估自身數據與技能儲備，儘力構建良好的領域模型；技術提供商則應通過對高價值商業場景的布局，來加速模型的分發。很明顯，只有深入了解所在行業的具體情況和需求，才能在智能應用深入發展的時代，把技術方面的優勢，轉化為業務發展的動力。
