最近跟幾個做AI產業研究的朋友交流，大家都有個明顯的感受：通用大模型的參數戰已經打成了紅海，但真到了垂直行業落地，大家全卡在“數據”上了。沒有高質量的專業語料，大模型在工業、科研這些容錯率極低的場景里，往往只能輸出一些正確的廢話。

順著“得專業語料者得天下”這個思路，我最近花了不少時間研究卓越睿新（02687.HK）。仔細盤了盤它的業務底子和技術路徑后，我發現這家公司確實跑通了一套不太一樣的商業邏輯。今天不吹不黑，單純從投資和產業落地的角度，聊聊我的幾點觀察。

一、 它不是在卷大模型參數，而是在用AI“洗數據”

一開始看到卓越睿新說自己擁有LLM(純文本大模型)+VLM(視覺語言多模態模型)+VOM(純視覺感知框架)+ASR(語音識別)+TTS(語音合成)+3DM(三維生成模型)+WM(世界模型)這套全棧AI技術體系，我以為它要去跟大廠拼算力。后來深入了解才明白，它其實是把這些技術當成“洗數據的工具”。

你想想，高校和工廠里那些實驗記錄、工程圖紙、實操視頻，全是非結構化的“臟數據”，通用大模型根本處理不了。卓越睿新用這套全棧技術，特別是引入了WM（世界模型）這種物理AI，讓機器不僅能認字看圖，還能理解三維空間和物理規律。這就好比別人用鐵鍬挖土，它用上了重型挖掘機。工具夠硬，才能從海量冗余信息里，真正把那些高價值的專業知識語料給“萃取”出來，讓AI模型真正與專業內容深度綁定。

二、 它的數據資產，跟傳統文獻庫有什么本質區別？

很多人會問，傳統的學術數據庫不也有海量數據嗎？大廠用爬蟲不也能抓數據嗎？這就是卓越睿新的壁壘所在。我總結了一下，它手里的五大數據矩陣（知識、科研、實驗、產業、專家），有三個很硬核的特點，這也是它拉開代差的地方：

一是“懂物理”。它把物理AI揉進了多模態數據里，數據不是簡單的圖文拼接，而是帶著工程邏輯和物理規律的，把專業知識拆解成了可計算的顆粒。二是“活的”。傳統文獻發表就定型了，但它依靠每天新增的產業實測和科研數據做持續動態更新，搞出了“活體綜述（Living Review）”，這在技術迭代這么快的今天是極其關鍵的。三是“有人把關”。機器洗完后，有頂尖專家做深度標注（Expert-in-the-loop），還結合專家的行為數據做了信任圖譜。這種帶強信任背書的數據，才是大模型在專業領域真正敢用的。

三、 這些語料到底能賣給誰？怎么賺錢？

數據再好，不能變現就是自嗨。公司對外梳理了八大核心場景（知識解析、智能驗證、知識圖譜構建、全周期智能評審、智能技能測評與實訓、智能決策數據研判、動態內容生成、信用評估），聽起來有點多。但我把它歸納一下，其實它主要是在賺三個高凈值圈層的錢，而且這三個方向都非常契合未來的產業趨勢：

首先是AI4S（AI for Science）。給頂尖科研院所提供從文獻挖掘到實驗驗證的工具。這種SaaS服務一旦嵌入了科學家的日常工作流，替換成本極高，是很好的經常性收入來源。

其次是高端產業。把產業實測數據和科研證據數據結合，賣給高端制造企業，幫他們做工藝優化和決策推演。這是直接切B端大客戶的研發和IT預算，客單價和壁壘都很可觀。

最后是人才培養。利用3D引擎和物理AI做虛實融合的實訓。工科生練高危操作、摸精密設備，以前成本太高、風險太大，現在在虛擬環境里練。這塊業務有國家數字化轉型的政策托底，且高度契合高校和職業院校的剛需，確定性很強。

四、 估值體系的重塑與未來的觀察節點

過去，市場習慣把卓越睿新當成傳統的內容提供商，給的估值比較保守。但現在，隨著它的高質量語料在科研和工業場景里真正落地，它的估值邏輯其實正在向“AI底層資產方”和“核心基礎設施提供商”切換。

如果往后看，我覺得有兩個潛在的業績兌現節點值得盯緊：

一是國家“數據要素×”和“AI for Science”政策的實質性落地。作為手里握著合規、高質專業語料的底層燃料供應商，它大概率會吃到產業基建的紅利。 二是物理AI（空間智能）在B端的爆發。當工業數字孿生和智能制造大規模鋪開時，它手里那些“懂物理規律的專業語料”就會變成最稀缺的原料，有望打開新的增長空間。

我的觀點總結：

在AI這條長坡厚雪的賽道上，與其去紅海里卷模型參數，不如盯緊那些真正掌握核心“燃料”的底層玩家。卓越睿新的這盤棋已經布好，接下來它如何在AI4S、高端產業和人才培養的廣闊天地里，把這些高純度語料轉化為實打實的業績兌現，我們將持續保持跟蹤與驗證。