——中锋评估专业垂直大模型：通用大模型的天花板，正是专业垂直大模型的起点

一个让整个AI圈沉默了数秒的对比，是这场发布会的开场白。

OpenAI耗资20亿美元、历18个月、用十万张H100 GPU，训练出了总参数5—6万亿的GPT-6。即便这样，它距离“学完人类全部书面知识”，仍差2—3个数量级。

另一边，一家成立31年的资产评估公司，用105,273条专业语料，造出了一个专精于评估领域的专业大模型——“中锋评估专业垂直大模型”。

这不是一场“巨头与巨头”的军备竞赛，而是一个关于方向的隐喻：当所有人都在拼命把参数做大、追求“全知”的时候，真正的答案，可能根本不在于更大，而在于更专。

本文试图说清一件事：为什么专业垂直大模型，恰恰是当下乃至未来最有确定性的商业机会，以及中锋为何落子在这样一条赛道上。

一、被误读的“全知”：把人类全部书面知识装进模型需要多大参数？

先澄清一个流传甚广的误解：OpenAI从未官方宣称“已经学完人类全部知识”，这是自媒体传播中放大的说法。大模型本质上不是把知识原样“存”进参数，而是学习语言中的统计模式与抽象关系；参数不是硬盘，不能按原始文件大小直接折算存储容量。

我们只统计有文本载体、可数字化的“人类书面知识”——书籍、论文、百科、档案与公开网页，排除私有保密文档、口头经验、人的直觉与隐性知识。据业界估算：

· 全世界所有出版书籍，约1.3亿种，折合原始文本约3—4 EB（1 EB = 10^18字节）；

· 高质量公开网页、论文、百科、档案，去重后保守估算约10 EB高质量文本；

· 按1 token ≈ 4字节文本换算，10 EB约合2.5×10^15 tokens，即约2500万亿token。

（注：互联网总数据量虽达上百ZB，但绝大部分是视频、图片、重复垃圾与低质内容，并非“知识”。）

在两种主流的理论估算下，结论高度重合：

方案A：Chinchilla最优训练配比（训练token数≈20×参数量）。若训练集D=2.5×10^15 tokens，则参数N=D÷20≈1.25×10^14，即约125万亿参数。

方案B：知识存储容量理论（《Physics of Language Models》实测，约每1个参数可承载2 bit事实知识）。全部人类书面知识约10^14—10^15 bit，按2 bit/参数计算，需要约50万亿—500万亿参数。

两个独立方法给出的区间高度一致：一个稠密Transformer要完整容纳人类全部书面知识，参数量大致落在50万亿～500万亿区间；按最优训练配比估算，则约125万亿参数。

对照现实模型，这条路的遥远程度一目了然：GPT-3约1750亿参数；GPT-4公开推测约1—2万亿参数；Llama-4 Maverick总参数4万亿（MoE稀疏，激活仅约170B）。即便是2026年最新的GPT-6，也远未触及这一门槛：4月14日发布、代号“Spud/土豆”的版本，据公开报道总参数约5—6万亿，采用MoE稀疏架构，每次推理仅激活约10%（约5000—6000亿参数）、上下文窗口200万词元；9月3日发布的最新旗舰GPT-6 Astra官方则未公布总参数量，仅披露上下文窗口达105万词元、最大输出12.8万词元。由此可见，当前最领先的公开模型，距离“吃下全部人类书面知识”仍相差2—3个数量级。

二、通用路线的四重现实约束

为什么“全知”这么难？因为通用路线正迎面撞上四道墙。

第一堵，是数据墙。大量人类知识是付费论文、私有档案、涉密资料，训练数据根本拿不到；互联网总数据量虽上百ZB，绝大部分却是视频、图片、重复垃圾内容，不是可训练的知识。

第二堵，是算力墙。即便在Chinchilla条件下训练125万亿稠密参数，所需算力也远超全球现有总算力之和，现实中无法落地。

第三堵，是隐性知识墙。大量专业判断、执业直觉、实操经验从未被写成文字，文本训练集里根本不存在——无论参数多大，都学不到。这正是通用模型在深水区专业任务上表现受限、屡现幻觉的根源。

第四堵，是“大而不灵”的效率墙。MoE稀疏模型总参数可以很大，但真正决定知识容量的，是每次推理激活的那一小部分：5—6万亿总参数的GPT-6，激活的也就5000—6000亿。参数堆得再高，边际收益递减，推理成本却线性增长。

结论很清晰：通用大模型“全知”的路线，理论上成立，实践上遥遥无期。

三、关键转折：通用路线的天花板，恰恰是垂直路线的机会

如果说“全知”是一条撞向墙的路，那么真正能落地、能变现、能形成壁垒的，恰恰是“垂直深耕”。理由有三：

其一，垂直大模型不需要“全知”，只需要“精通”。它不要求装下人类全部知识，只要求把某一专业领域数十年的执业经验，标准化、数据化、可继承。这正是通用模型最弱、而专业机构最强的环节。

其二，专业语料是垂直模型真正的护城河。通用模型的参数可以靠算力堆出来，但“专业语料”无法靠资本凭空生成——它依赖数十年执业积累、真实项目档案、法规库与规则制定能力。谁掌握专业数据，谁就掌握垂直模型的入场券。

其三，专业服务领域强监管、强责任、强经验，恰恰最需要“可解释、可追溯、可验证”的能力。通用模型在专业任务上表现受限、易生幻觉，IEEE综述早已指出：领域微调是注入专业判断、降低幻觉的关键策略。这决定了垂直模型不是可选项，而是专业服务的必然选择。

四、市场空间：垂直大模型是正在兑现的确定性机会

市场与政策的信号，都在为这份判断背书。

从政策看，国家正为“行业大模型＋高质量数据集”开闸。2025年8月《关于深入实施“人工智能＋”行动的意见》（国发〔2025〕11号），在软件、信息、金融、商务、法律等领域推动智能终端、智能体广泛应用，培育“模型即服务”“智能体即服务”；2026年3月《“十五五”规划纲要》定调“推动通用大模型和行业专用模型同步发展”；2026年6月国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》，明确把“行业通识＋行业专识”数据集定义为产业落地的“基础性、关键性资源”，并鼓励行业协会、第三方专业服务机构参与建设。政策的方向，清晰指向“专业专识数据”。

从数据底座看，我国数据产业规模持续高速增长。据新华网报道，2025年我国数据产业规模达6.78万亿元、同比增长15.7%；截至2026年8月，全国建成高质量数据集超12.6万个，总数据量突破1815 PB。高质量数据集的加速建设，正是垂直大模型的“原料供应”。（来源：新华网《6.78万亿元 我国数据产业稳健增长》）

从市场规模看，垂直化已是产业增长的主拉动力。2026年3月全国日均token调用量突破140万亿（较2024年初增长超千倍），其中B端与垂直行业调用量占比达55%，标志着产业从“C端娱乐”转向“产业赋能”。（来源：《2026中国AI大模型产业全球领先之路与商业落地关键战役》）

从专业服务看，AI在专业服务领域的渗透正在爆发。据行业研究，全球AI专业服务市场由2023年约120亿美元增至2025年约280亿美元，预计2028年接近980亿美元，复合年增长率超60%；AI在专业服务领域的渗透率2025年约58%、2026年预计突破75%。（来源：远瞻慧库《2026年AI专业服务行业研究》）全球AI咨询服务市场亦从2025年约96.5亿美元向2034年约738.9亿美元扩张。（来源：Fortune Business Insights）

从资本看，2026年被明确视为垂直领域AI应用的爆发之年。讯兔科技（Alpha派）近5个月内再获近2亿元A轮融资，由启明创投、红杉中国、高瓴创投共同领投，其创始人判断“2026年将成为垂直领域AI应用的爆发之年”。（来源：中国经济网《讯兔科技完成近2亿元A轮融资》）资本正从通用大模型的“军备竞赛”，转向垂类AI的“商业化落地”。

五、中锋实践：落子垂直，以“专业语料”筑墙

正是在这样一个“通用撞墙、垂直兑现”的节点上，中锋发布“中锋评估专业垂直大模型”，其落子逻辑与前述判断高度吻合。

作为首批证券评估资质机构，中锋此前已落地行业首个AI评估矩阵，并于2026年4月发布《资产评估报告AI审核专家》企业标准，经北京市资产评估协会官方确认，为评估领域首个公开发布的企业规范性文件。它沉淀的不是通用数据，而是“评估”这一专业领域最稀缺的东西：真实案例、质控记录、监管问询。

该模型以历经105,273条专业级中文语料深度治理而成的资产评估专用训练主集（SRE-DSA Schema v6.9版）为底座，11个核心字段完备率100%，内容总字符约2,957万、token规模约1,806万（指令侧约823万、答复侧约983万），覆盖8类核心任务、16类资产对象、15类评估方法与11种价值类型。

尤其值得注意的是“对象—方法—价值”三维坐标的全维布防：对象维度横贯16类资产谱系，既有企业价值、无形资产、不动产等压舱石，也不乏文物艺术品、数据资产、碳资产、森林资源等对接“数据要素×”“双碳”战略的评估新增长极；方法维度实行15类白名单管控，以收益法、市场法、成本法为纲，延伸至DCF、WACC、CAPM、EVA等进阶估值方法；价值类型覆盖11种，能区分市场参与者视角与特定主体视角、持续经营与清算假设下的估值逻辑。这套体系说明，中锋的垂直模型不是“通用套壳”，而是深入资产评估专业内核的工程化沉淀。

在“规模”与“纯度”之间，主集同样做到极致：构建与审计历程覆盖107,754条原始样本的深度诊断，经字符级13-gram同源审计，识别并剔除2,481条“搬运式”低质样本，净数据100%通过字段完备性、唯一性与重复残留三重门禁。每条样本均挂载置信度分级、核验标记与冲突检测，语料来源覆盖公开网页、机构文档、实务案例、评估审计报告、专家精编、专业文章六大谱系。

一句话：中锋不是在“造一个更大的模型”，而是在“把几十年的评估经验，铸成一个可继承、可复用的专业判断力”。这正是通用巨头因“全知”而忽略、而无法复制的东西。

六、战略纵深：从评估到全专业链条，向产业定制延伸

中锋的落子，并非止步于评估。以“中锋1号”为起点，公司正把“专业经验标准化、标准化数据化、数据化智能化”的路径，复制、延伸到会计、审计、税务、法律、投资等专业服务领域，并同步拓展AI产业咨询业务。

更值得关注的是商业模式的跃迁：为客户开发各产业领域的垂直大模型，已成为公司的下一个业务方向——目前，中锋已与多家院校及科研机构定向开发专业大模型，把评估领域沉淀的“数据＋标准＋模型”能力，从“自建自用”延伸为“对外赋能”，为专业大模型打开更广阔的产业应用空间。

这些领域彼此勾连、逻辑相通——评估与会计、审计、税务、法律、投资同属强监管、强专业、强责任的现代服务业，底层逻辑高度一致：既离不开数十年执业经验的沉淀，又亟须以智能技术破解“人载经验、能力断层、效率瓶颈”的共性难题。中锋正是因为把评估这一最难啃的“硬骨头”啃下来了，才更有底气把同样的方法论向全专业链条复制，进而实现从“专业服务机构”向“专业智能服务商”的跃迁。

七、意义：从“经验驱动”到“数据智能驱动”

此次发布的意义，不止于一次技术事件，而在于它触动了专业服务业最底层的能力逻辑。

其一，是对“人载经验”困局的历史性破题。数十年执业经验长期以“人”为载体，老专家离岗、判断力随之流失；评估大模型第一次将这种隐性知识标准化、数据化、可继承，把组织级智力资产沉淀为可复用的模型能力。

其二，是对垂直大模型“数据荒”的有力填补。IEEE综述早已指出，通用模型在专业任务上表现受限，领域微调成为注入专业判断、降低幻觉的关键策略——十万级专业语料，恰是垂直大模型的“护城河”。

其三，是对专业作业范式的重塑，使专业人员从重复性、事务性劳动中解放，聚焦真正需要职业判断的环节。

其四，是对“专业负责”与“机器辅助”边界的清晰锚定，输出于法有据、过程可溯、结果可验。

其五，是对“数据要素×”战略的生动注脚，以数据要素驱动资产评估的数字化转型。

结语：垂直，不是窄路，而是有确定性的旷野

通用大模型“学完全部人类知识”的故事，远未到来，或许永远无法完整到来；但专业垂直大模型“把某个领域的经验做深、做透、做出确定性价值”的故事，正在此刻、在每一个专业服务行业真实上演。

在政策为“行业专识数据”开闸、数据产业高速增长、AI加速向产业赋能、资本转向垂类落地的多重共振下，专业垂直大模型不仅可行，而且正成为专业服务行业决定性的新增长极。

当参数撞上知识的墙，真正的旷野，恰在墙的另一侧。一家评估公司找到了它的答案——这答案，或许也预示着一整代专业服务机构的未来。