核心团队：清华技术基因与政企业务经验的双轮驱动
彩智科技的核心团队天然具备 “技术 + 落地” 的双重优势，由两部分核心力量构成：一部分源自清华大学计算机系知识工程组，深耕知识图谱、知识工程与大模型融合领域，拥有扎实的技术研发功底；另一部分则长期深耕传统行业，在政企业务领域积累了丰富的落地经验与资源。作为团队核心，徐剑军的经历更是将这种双重优势具象化。他在清华大学读博期间，便协助导师推进校企合作项目，深度参与部委顶层架构设计、数据资源图谱构建及语义网络分析等工作；毕业后，团队持续服务大型企业与政府部门，聚焦行业标准规范制定与数据资源规划，核心是将数据背后的元数据进行图谱化处理。过往的标杆案例已印证其能力：从 2008 年北京奥运旅游官网的旅游资源梳理，到原华北电力集团采购体系的结构化搭建，均是团队技术落地能力的直接体现。
转型契机：GPT-3 引发的行业判断，锚定知识工程 “最后阵地”
2020 年 GPT-3 的发布，成为彩智科技转型的关键转折点。当时，GPT-3 在语言理解、推理与编程能力上展现的惊人潜力，让徐剑军团队敏锐意识到：新的技术时代已至，传统 “项目制” 的知识图谱模式难以代表知识工程的未来，唯有与深度学习体系深度融合，才能抓住行业核心机遇。更关键的是，团队对大模型的本质有着清醒的判断：无论 Transformer 与强化学习如何发展，其核心优势始终聚焦于 “自然形成的知识与能力”。本质上，Transformer 是自监督或无监督算法，依托庞大算力训练全人类文献后，确实能在自然知识领域比肩甚至超越人类；但对于 “非自然形成的知识”—— 如人类社会构建的规章制度、组织流程、商业规则等，它从原理上无法通过无监督或自监督训练掌握。
这类知识并非自然推理的产物，而是人类基于特定目标构建的 “人为规则”，大模型若仅靠概率算法学习，必然产生大量幻觉。徐剑军团队由此断定：对非自然知识的结构化梳理，是产业界留给知识工程的最后一片核心阵地，而 “深知可信知识模型” 的研发，正是为了守住这片阵地。
大模型幻觉的核心痛点：10%-20% 的不准确，藏在 “规则差异” 里
在徐剑军看来，通用大模型的幻觉问题在严肃场景中尤为突出：当你询问行业标准、规范或国家政策时，所有大模型都能给出流畅回答，但其中必然包含 10%-20% 的不准确内容 —— 这恰恰是严肃场景（如政务咨询、企业合规）无法容忍的漏洞。最典型的例子便是 “卫生许可证”：全国几百个城市的相关规定存在差异，最终标准需以各城市最新规范文件为准；但当前通用大模型的训练逻辑，是综合过去 20 年所有城市的历史文件数据进行无监督计算，本质是靠概率找规律，完全无法匹配 “实时、地域化” 的规则需求，准确性自然无从谈起。
拒绝 “定制化陷阱”：构建覆盖全中文语境的 “大知识工程”
面对 “是否为每个客户单独构建知识图谱” 的行业常规思路，徐剑军团队给出了相反答案 ——“这太不酷了，也不代表通用人工智能”。过往一年半的项目制实践让他们意识到，定制化图谱不仅效率低，更无法适配通用 AI 的发展趋势。彩智科技选择走一条更具挑战性的路：打造 “大知识工程”—— 不再为单一行业或企业服务，而是将全中文语境中可获取、无版权纠纷的 “章程类知识” 全部结构化，最终形成覆盖法律、政策、标准、企业制度等领域的超大规模知识图谱。
这一工程的体量堪称 “浩瀚”：最初筛选出的网页相关文件约 100 亿份，经技术去重后剩余 20 亿份，再通过业务溯源归一化处理，最终沉淀为 1.7 亿份核心文件，提炼出 16 亿个知识点。基于这些知识点，团队构建起庞大的语义关系网络，能精准判断不同场景下适用的规则与条款。目前，这一 “大知识工程” 已开放内测，覆盖全国 300 多个城市的章程制度类知识，其准确性在当前所有大模型中处于领先地位。
16 亿知识点的自动化革命：从 “10 万人团队” 到 “日处理 100 万知识点”
若按传统知识图谱的构建方式，处理 16 亿个动态更新的知识点，至少需要 10 万人团队 —— 毕竟我国规章制度年均变化量达 20%，人工维护完全不现实。而彩智科技的破局关键，源于 4 年半前承接的科技部重大专项子课题：大规模知识图谱的自动化构建。这套自动化体系的搭建，经历了一套严谨的 “工业化” 流程：
- 工序拆解与流水线搭建：首先将人类知识分析师的工作拆分为十几道工序，形成标准化流水线，确保每个环节的可控性；
- 交叉验证保障质量：在流水线中，将分析师分为两组进行交叉验证，共同负责同一批知识点的构建，从源头保证标注与分析的高质量；
- 数据积累与模型训练：在各环节积累大量有监督的输入输出数据后，以人类分析师的行为逻辑为蓝本，训练出 “零幻觉” 的专有大知识模型；
- 迭代升级实现自动化：4 年半的持续迭代中，大知识模型逐步替代 50%、60%…… 直至近 100% 的人工。
训练的平衡术：保留通用能力，意外实现 “价值观对齐”
全量有监督训练往往会导致模型 “遗忘” 部分能力，比如推理、数学能力 —— 这是大模型训练的常见痛点。但徐剑军团队通过工程实践，在消除幻觉的同时，难能可贵地保留了模型的基础通用能力（如自然语言理解），避免了 “练傻” 的尴尬处境。更意外的是，这一过程中模型还实现了极具价值的 “价值观对齐” 功能。徐剑军解释：通用推理模型因 “过于聪明”，不仅易产生幻觉，还可能存在未知安全隐患；而 “深知可信” 天生具备强抗幻觉能力 —— 其训练数据全部来自规范性文件，仅聚焦文件中的知识点，任何诱导性输入都无法影响模型输出，这是安全的基础。
在此之上，团队还设计了 “深知可信与通用大模型” 的协同模式：将 “深知可信” 的准确知识召回能力与安全对话风控能力，封装为开放的 MCP 接口。实际场景中，通用大模型主导常识推演，一旦涉及章程规则类问题，便通过 MCP 接口调用 “深知可信” 的准确知识；同时，通用大模型回答前需经过 “深知可信” 的安全风控模型检测：若存在安全风险，将生成安全识别码并由 “深知可信” 代答，规避风险；若无风险，则由大模型继续处理，仅在需要时调用规章知识。
生态合作：已接入主流通用大模型，深耕平台生态价值
目前，“深知可信知识模型” 已与多家主流通用大模型达成合作，包括智谱开放平台、百度千帆、华为小 e 及鸿蒙智能体生态、阿里百链、腾讯元气（与元宝配合的生态），四周前还与字节跳动正式签约。这些合作的核心逻辑，在于各家均重视严肃场景的模型应用，而 “深知可信” 恰好填补了其中的知识准确性缺口。其中，与智谱开放平台（bigmodel.cn）的合作尤为深入。智谱 GLM4.5 以 Agentic 能力见长，擅长支撑智能体调用工具解决场景问题；而智谱开放平台对工具既严格测试又大力推广，双方的合作不仅限于生态调用 —— 智谱自身的产品（如智谱数字人）也在使用 “深知可信” 的接口服务。在徐剑军看来，这种 “综合性平台生态能力”，将成为未来主流通用大模型企业的核心发展方向。
多语种布局与出海：响应国家指示，提前储备海外能力
去年，国家明确提出 “中国人工智能要出海” 的指示，相关机构与企业正筹备成立自主大模型社会组织，彩智科技有幸受邀参与。事实上，团队早已提前布局多语种能力 —— 在深圳开展的多语种模型尝试，虽在当时看似 “超前”，但已为未来海外市场拓展奠定基础。徐剑军表示，“深知可信” 的最终目标不仅是服务国内市场，更要在全球范围内为中文语境外的严肃场景提供可信知识服务。
商业化：从 “政务基本盘” 到 “企业新增长”，今年目标 4500 万
彩智科技的商业化路径清晰分为 “蓝海探索” 与 “当前盈利” 两大板块：
1. 蓝海市场：第三方智能体服务
面向各类第三方智能体与应用，解决其 “规则类知识咨询” 痛点。例如携程智能体常面临的 “护照制度咨询”—— 全中国办护照以县为单位，各县规则差异显著，调用 “深知可信” 即可快速获取准确答案。不过，这一渠道的收入目前仍依赖生态成熟度，尚未形成规模化。2. 当前核心盈利渠道（三大板块）
- 政府渠道：服务于政府门户网站、国务院政策问答平台、深圳市政务服务平台等客户。在政务数字化与 AI 转型的双重需求下，这一渠道已形成稳定收入；
- 政务热线渠道：聚焦全国 12345 热线及税务、公积金等专项热线（全国约 1000 家，年预算数百亿，70% 用于人员投入）。团队主打 “智能知识助手”，为热线坐席人员提供支持 —— 将平均工单响应时间从 6 分钟缩短至 1 分钟，效率提升显著；
- 企业市场：近半年增长最快的板块。凭借 “私有知识接入即用、公共知识开箱即用” 的快速训练优势，产品深受知识 / 规章驱动型企业欢迎；同时，通过在各大厂生态的推广，大量传统软件公司主动寻求合作，形成不少落地订单，内控管理等领域需求尤为旺盛。
融资进展：聚焦 “资源型投资方”，A 轮倾向传统软件公司
“深知可信” 立项以来，仅完成一轮融资 —— 由智谱生态的星连资本（Z 基金）领投，同时引入清华系基金与盛景资本。对于接下来的 A 轮融资，徐剑军团队有着明确的优先级：首先倾向于传统软件公司 —— 这类投资方不仅能提供资金，更能带来直接订单，目前相关进展已较为顺利；同时，团队也欢迎对通用人工智能有信心、有布局的其他类型基金参与，共同推动 “可信知识模型” 的产业化落地。