“生成式AI的未来不是在大语言模型，而是具体的领域特定语言模型。”2025年5月29日，Gartner研究副总裁蔡惠芬（Tracy Tsai）围绕生成式AI的未来这一主题发表演讲，强调通用模型难以帮助企业实现业务价值，并揭示AI落地的新方向。
领域特定语言模型是生成式AI的未来
传统的软件应用，本质上是依赖人工分步操作的流程化工具，但在未来，其将会变成一个代替人类工作的智能系统，大部分流程化步骤，都可以通过生成式AI来完成。正如蔡惠芬所言，这便是所谓的智能应用，也是真正落地生成式AI，并推动实现企业业务价值的具体方法之一。智能应用的底层，便是具体的领域特定语言模型。此类模型严重依赖特定领域内的专业知识和数据，创建方法包括预训练模型微调、从头开始训练、领域自适应预训练、检索增强生成、提示工程和模型蒸馏等，能够支撑系统智能地判断情况变化、产生决策和采取行动。根据Gartner预测：到2030年，在企业使用的GenAI模型中，将有50%以上侧重于特定领域（即用于特定行业或业务职能），高于2024年的5%。
（来源：资料图）
目前，领域特定语言模型已经在法务、医疗、制造等领域发挥作用。例如，专注于税务与法律的领域模型Harvey AI，能精准调用非公开税法条款，来帮助企业应对政策变动；腾讯与迈瑞合作开发“重症医疗模型”，通过整合重症监护病房的实时数据，提升病房协助、病患照顾等诊疗流程；聚焦半导体和能源的领域模型Aitomatic，利用问答方式提取资深工程师大脑中未经数字化的经验，然后生成对应的数字化知识库，为初级工程师提供支持，在提高生产力的同时，节省时间和降低成本；专注医疗保健的领域模型Thoughtful AI，通过“多代理生成式业务流程管理”技术，自动化处理病患咨询请求，并快速生成精准答复，可以解决医疗提供商在病患咨询中耗时过长的问题。
（来源：资料图）
能精准回答特定领域内问题，加速生成式AI落地
那么，领域特定语言模型，和基础生成式AI之间有着怎样的关系呢？蔡惠芬指出，基础生成式AI属于通用型模型，大量数据来自公共领域，具有较为通用的推理能力，适用性和可扩展性较强，但存在幻觉；领域特定语言模型属于领域型模型，数据不易从公共领域获得，受限于狭窄的领域知识，不具备良好的推理能力，但能够精准地回答特定领域内的问题。相较于前者，后者不再仅仅是新奇有趣，而是能在提供竞争优势的同时，带来深远影响，这大大加速了生成式AI落地。
（来源：资料图）
因此，领域特定语言模型的出现，也一定能够解决当前面临的“AI在新闻报道中很厉害，但在落地时却经常被企业吐槽”的窘境。这是因为，传统AI是通过关键字来理解问题，不了解语义，所以无法给出正确回答。而生成式AI具备高度的语义理解能力，能够解决一大半过去遇到的瓶颈问题。在这种情况下，通过AI智能体即可生成任务链，进而帮助用户规划步骤、交互数据、产生高度适应性决策，并根据环境变化采取行动。
另外，相较于领域特定语言模型，模型上下文协议（MCP，Model Context Protocol）和AI智能体的结合，也是AI解决复杂问题的一种通用方案。谈到如何看待“AI智能体+MCP”这一基础大模型能力落地的方式和前景，蔡惠芬表示，未来会有更多AI智能体框架，采用MCP方式交互数据。不过，也需要注意安全问题、持续观察模型变化，以及持续集成和部署这三方面风险。否则，可能导致未授权结果、内部数据泄露或引发新治安问题。可以通过MCP编位实现有效的使用者授权，应用程序编程接口厂商，也要符合企业的安全法规。
可以看出，领域特定语言模型的成功，离不开领域数据、专家知识与业务逻辑的深度融合。这不仅是通用模型无法企及的，也是生成式AI真正落地的关键。对此，企业应积极评估自身数据与技能储备，尽力构建良好的领域模型；技术提供商则应通过对高价值商业场景的布局，来加速模型的分发。很明显，只有深入了解所在行业的具体情况和需求，才能在智能应用深入发展的时代，把技术方面的优势，转化为业务发展的动力。
