<p>DEEPEXI TECH (01384.HK) -4.200 (-6.061%)，作為首個企業級大型模型人工智能應用股票和企業級 Token 生產力平台公司，其創始人、執行董事、董事長兼首席執行官趙傑輝今天（14 日）在大陸媒體上發表了一篇關於人工智能行業洞察的文章。他指出，企業在人工智能實施過程中面臨的困難的核心解決方案之一在於 “本體大型模型”。這一技術不僅彌補了通用模型在專有業務邏輯上的不足，還將之前高成本的 “手動定製” 人工智能項目轉變為標準化產品，直接推動商業模式向 “訂閲制” 轉變。這為人工智能企業從 “概念演示” 走向 “創造實際成果” 提供了明確的路徑。</p>
<p>趙傑輝指出，市場上可用的通用模型在語義理解方面表現出色，但缺乏企業的真實內部業務邏輯。以製造業為例，兩家不同的汽車製造商可能會遇到相同的機器報警，但其根本原因可能完全不同。這種專有的故障排除經驗和規則在公共在線數據或標準操作手冊中並不存在，使得通用模型在處理深入的企業運營時常常無能為力。企業真正需要的是具備深厚業務規劃能力的專職人工智能員工。</p>
<p>為了突破這一瓶頸，DEEPEXI TECH 推出了專門為企業量身定製的 Deepexi 本體大型模型。該模型基於過去八年為近 400 家大型客户服務所積累的龐大數據集構建。這包括 108 個 “業務本體”，深入覆蓋製造業、消費零售、醫療保健、金融和政府事務等關鍵行業。這些核心運營數據從未出現在公共語料庫中，成功建立了一個技術和數據的護城河，使得純模型開發者難以複製。</p>
<p>在商業化方面，本體大型模型使 DEEPEXI TECH 在工程經濟學上實現了飛躍。趙在文章中表示，企業人工智能應用之前依賴前線部署工程師（FDEs）在客户現場進行手動實例化和定製，類似於美國巨頭 Palantir 驗證的深度工程服務模型。通過本體大型模型，DEEPEXI TECH 成功提煉並 “模型化” 了這些繁重的任務，顯著降低了每個客户的定製成本，成為中國市場這一路徑的產品化先鋒。</p>
<p>Deepexi 企業大型模型採用了 “能力訓練行業本體預訓練客户本體注入” 的三層訓練架構。前兩層作為固定成本，在大客户基礎上攤銷，使得每個客户的定製成本隨着規模經濟顯著下降。這推動了 DEEPEXI TECH 從傳統的項目諮詢模式轉變為 “Token 消費 + 人工智能員工工時訂閲” 模式。該商業模式擺脱了對重度定製的依賴，能夠隨着規模線性擴展，顯著縮短盈利週期。</p>
<p>趙總結道，雖然通用模型在成本方面降低了 Token 單位成本，但 Deepexi 本體大型模型提升了 Token 的商業價值密度，真正為企業人工智能應用帶來了經濟效益。作為一家純 B2B 企業級大型模型人工智能應用和企業級 Token 生產力平台公司，DEEPEXI TECH 正在利用這一獨特定位和訂閲模式實現可擴展的貨幣化，並持續提升運營質量。（ad/da）（香港股票報價延遲至少 15 分鐘。）</p>

滴普科技

<p>DEEPEXI TECH 的創始人趙傑輝強調了通用人工智能模型在解決企業特定挑戰方面的侷限性。他介紹了 “本體大模型” 作為一種解決方案，將高成本的定製化人工智能項目轉變為標準化的訂閲產品。該模型利用來自近 400 個不同行業客户的專有數據，實現了顯著的成本降低，並將項目諮詢轉變為可擴展的訂閲模式。DEEPEXI TECH 旨在提升企業人工智能應用的經濟價值，同時提高運營效率</p>

<p>DEEPEXI TECH (01384.HK) -4.200 (-6.061%)  , the first enterprise-level large model AI application stock and an enterprise-level Token productivity platform company, saw its founder, Executive Director, Chairman and Chief Executive Officer Zhao Jiehui publish an article on artificial intelligence industry insights in mainland media today (14th). He pointed out that one of the core solutions to difficulties in enterprise AI implementation lies in the &#34;ontology large model&#34;. This technology not only compensates for the lack of proprietary business logic in general models, but also transforms previously high-cost &#34;manually customized&#34; AI projects into standardized products, directly driving a shift in business models toward a &#34;subscription-based&#34; model. This provides a clear pathway for AI enterprises to move from &#34;concept demonstration&#34; to &#34;creating tangible results.&#34;</p>
<div class="lb-trans"><p>DEEPEXI TECH (01384.HK) -4.200 (-6.061%)，作為首個企業級大型模型人工智能應用股票和企業級 Token 生產力平台公司，其創始人、執行董事、董事長兼首席執行官趙傑輝今天（14 日）在大陸媒體上發表了一篇關於人工智能行業洞察的文章。他指出，企業在人工智能實施過程中面臨的困難的核心解決方案之一在於 “本體大型模型”。這一技術不僅彌補了通用模型在專有業務邏輯上的不足，還將之前高成本的 “手動定製” 人工智能項目轉變為標準化產品，直接推動商業模式向 “訂閲制” 轉變。這為人工智能企業從 “概念演示” 走向 “創造實際成果” 提供了明確的路徑。</p>
</div><p>Zhao Jiehui noted that general models available in the market excel at semantic understanding but lack real internal business logic of enterprises. Taking the manufacturing industry as an example, two different automakers may encounter the same machine alarm, yet the underlying causes could be entirely different. Such proprietary troubleshooting experience and rules are not available in public online data or standard operation manuals, leaving general models often helpless when dealing with in-depth enterprise operations. What enterprises truly need are dedicated AI employees equipped with deep business planning capabilities.</p>
<div class="lb-trans"><p>趙傑輝指出，市場上可用的通用模型在語義理解方面表現出色，但缺乏企業的真實內部業務邏輯。以製造業為例，兩家不同的汽車製造商可能會遇到相同的機器報警，但其根本原因可能完全不同。這種專有的故障排除經驗和規則在公共在線數據或標準操作手冊中並不存在，使得通用模型在處理深入的企業運營時常常無能為力。企業真正需要的是具備深厚業務規劃能力的專職人工智能員工。</p>
</div><p>To break through this bottleneck, DEEPEXI TECH has launched the Deepexi Ontology Large Model tailored specifically for enterprises. The model is built on the vast dataset accumulated over the past eight years from serving nearly 400 large clients. This includes 108 &#34;business ontologies&#34; deeply covering key industries such as manufacturing, consumer retail, healthcare, finance and government affairs. These core operational data have never appeared in public corpora, successfully establishing a technological and data moat that pure model developers find difficult to replicate.</p>
<div class="lb-trans"><p>為了突破這一瓶頸，DEEPEXI TECH 推出了專門為企業量身定製的 Deepexi 本體大型模型。該模型基於過去八年為近 400 家大型客户服務所積累的龐大數據集構建。這包括 108 個 “業務本體”，深入覆蓋製造業、消費零售、醫療保健、金融和政府事務等關鍵行業。這些核心運營數據從未出現在公共語料庫中，成功建立了一個技術和數據的護城河，使得純模型開發者難以複製。</p>
</div><p>In terms of commercialization, the ontology large model has enabled DEEPEXI TECH to achieve a leap in engineering economics. Zhao stated in the article that enterprise AI applications previously relied on frontline deployed engineers (FDEs) to conduct manual instantiation and customization on-site at client locations, similar to the deep engineering service model validated by US giant Palantir. Through the ontology large model, DEEPEXI TECH has successfully distilled and &#34;modelized&#34; these heavy tasks, significantly reducing customization costs per client and becoming a productization pioneer of this pathway in the China market.</p>
<div class="lb-trans"><p>在商業化方面，本體大型模型使 DEEPEXI TECH 在工程經濟學上實現了飛躍。趙在文章中表示，企業人工智能應用之前依賴前線部署工程師（FDEs）在客户現場進行手動實例化和定製，類似於美國巨頭 Palantir 驗證的深度工程服務模型。通過本體大型模型，DEEPEXI TECH 成功提煉並 “模型化” 了這些繁重的任務，顯著降低了每個客户的定製成本，成為中國市場這一路徑的產品化先鋒。</p>
</div><p>The Deepexi enterprise large model adopts a three-layer training architecture of &#34;capability training industry ontology pre-training customer ontology injection.&#34; The first two layers, as fixed costs, are amortized across a large client base, enabling the customization cost per client to decline significantly with economies of scale. This has driven DEEPEXI TECHs transformation from a traditional project-based consulting model to a &#34;Token consumption + AI employee man-hour subscription&#34; model. The business model has shed its reliance on heavy customization and can expand linearly with scale, substantially shortening the profit cycle.</p>
<div class="lb-trans"><p>Deepexi 企業大型模型採用了 “能力訓練行業本體預訓練客户本體注入” 的三層訓練架構。前兩層作為固定成本，在大客户基礎上攤銷，使得每個客户的定製成本隨着規模經濟顯著下降。這推動了 DEEPEXI TECH 從傳統的項目諮詢模式轉變為 “Token 消費 + 人工智能員工工時訂閲” 模式。該商業模式擺脱了對重度定製的依賴，能夠隨着規模線性擴展，顯著縮短盈利週期。</p>
</div><p>Zhao concluded that while general models reduce Token unit costs on the cost side, the Deepexi Ontology Large Model enhances the business value density of Tokens, truly delivering economic benefits for enterprise AI applications. As a pure B2B enterprise-level large model AI application and enterprise-level Token productivity platform company, DEEPEXI TECH is leveraging this unique positioning and subscription model to achieve scalable monetization and continuously improve operational quality. (ad/da)(HK stocks quote is delayed for at least 15 mins.)</p>
<div class="lb-trans"><p>趙總結道，雖然通用模型在成本方面降低了 Token 單位成本，但 Deepexi 本體大型模型提升了 Token 的商業價值密度，真正為企業人工智能應用帶來了經濟效益。作為一家純 B2B 企業級大型模型人工智能應用和企業級 Token 生產力平台公司，DEEPEXI TECH 正在利用這一獨特定位和訂閲模式實現可擴展的貨幣化，並持續提升運營質量。（ad/da）（香港股票報價延遲至少 15 分鐘。）</p>
</div>

滴普科技創始人表示，通用 AI 模型在解決企業痛點方面存在困難；‘本體大模型’ 正在推動訂閲制的轉型