专访卓越睿新:将结构化知识转化为AI基础设施
随着知识图谱成为其最大的收入来源,这家知识科技提供商正通过自有平台构建可追溯、可调用的知识资产 阳歌 随着AI从通用模型向专业应用迈进,竞争正转向领域知识、工作流以及交付能力。在服务学术和科研机构近二十年后,上海卓越睿新数码科技股份有限公司(2687.HK)将自身定位在这一应用层。 公司把学术资料、实验流程和专家经验转化为AI可读取、可调用的结构化、可追溯知识资产。产品包括Polymas平台、智能体、学科专属大模型,以及源图谱(Meta Graph)和Harness引擎。 2023年来,知识图谱已成为公司增长最快的业务。2025年,该业务收入增长了68.5%,达到5.74亿元,占总收入的59.2%。交付量增长122.4%至10,386个,整体毛利率则从61.9%升至65.5%。卓越睿新也宣布与阿里云和火山引擎达成框架合作,将这些公司的基础大模型及云能力与自身的知识资产及学术场景相融合。 CFO曹睿就公司的AI战略、知识资产以及不断变化的机构需求与Bamboo Works进行了交流。 Bamboo Works:请详细介绍一下卓越睿新的Polymas平台。它与主流的大语言模型有何不同?如何融入你们更广泛的AI战略? 曹睿:通用模型在语言表达和广泛推理方面能力很强,但专业领域还需要具备权威性、可追溯且不断更新的领域知识,外加对学术工作流的深刻理解。这正是Polymas平台所提供的功能层。 Polymas平台将我们的领域AI与领先的基础大模型及结构化专业知识相结合。通过“源图谱”,回答可以被链接到学术资料和具体的知识节点上,这使得推理过程更加透明,并减少了缺乏依据的回答——我们称之为循证AI。 我们的战略是不依赖特定模型:基础大模型 + 知识资产 + 智能体 + 应用场景。这让我们能够随时采用最先进的技术,而不必依赖于单一供应商。 问:你们最新的年报将知识图谱描述为数字知识内容业务的核心增长引擎。这款产品是如何运作的?它又如何为盈利做出贡献? 答:我们的知识图谱不仅仅是实现信息可视化。学术知识通常分散在教材、论文、课件、规程以及专家经验中。我们将这些内容转化为结构化、可追溯、可更新且机器可调用的资产。 学生可以借此看清概念与实验之间是如何相互联系的。教师则可以基于同一底座生成教学资料、设计测评内容并完成更新。机构能够规划课程体系,并追踪科学与产业的发展动态。图谱为AI提供了上下文背景、知识来源和安全护栏。 这反映了从知识存储向知识计算的范式转变。教材可能需要数年时间才能更新一次,而知识图谱则可以随着新研究的不断涌现而随时刷新。 在2026年世界人工智能大会(WAIC)上,我们推出了源图谱和Harness引擎,将学科知识针对不同应用场景组织成模块化的产品。其目的是在满足特定项目定制需求的同时,支持复用性更高、更标准化的产品交付。 问:你们最近宣布了与阿里云和火山引擎的合作。各方在这些合作中分别带来了什么优势? 答:科技大厂带来了基础大模型、云计算以及AI生态系统。我们则带来了近二十年的知识基础设施经验、多学科的知识架构、真实的教学与科研场景,以及将它们转化为可部署产品的能力。 通用大模型不会自动理解学科逻辑、实验标准或机构的内部工作流。我们充当了“翻译官”和知识锚点的角色,将通用AI转化为专业的教学、科研与实训解决方案。这种对机构业务的深度参与是我们真正的护城河。 在与阿里云的合作中,业务涵盖了大模型知识Token赋能、物理AI研发,以及利用通义千问生态和AgentScope框架构建的多智能体平台。而在与火山引擎的合作中,业务则包括豆包大模型知识精调、虚实融合实训以及数字化人才培养。 我们目前也在与其他领先的通用AI提供商进行探索性讨论,探讨涉及我们的知识资产、应用场景以及交付能力的潜在合作机会。 问:你们的产品如何为管理者、教师和学生——尤其是为你们的关键“灯塔客户”——创造价值?此外,你们目前正在开发哪些新产品? 答:我们的灯塔客户也是共同开发的合作伙伴。我们首先从一个高价值学科或工作流切入,与学术专家合作构建具有权威性的知识底座,然后将其与教学、科研、评估或实验系统打通,最后把该解决方案沉淀为可供其他机构复用的功能模块。 对于管理者而言,我们的产品能够支持评估与统筹工作:为学习成果提供结构化证据,并提供规划AI转型以及使课程与技术、产业需求相契合的工具。对于教师而言,产品将教学资料和经验转化为可复用的知识资产,同时大幅减少重复性工作。对于学生而言,同一个底座即可支持个性化学习、交互式模拟及来源可溯的AI问答。 我们的下一代产品以源图谱和Harness引擎的“1+N+1+N”架构为核心:一个知识底座;多个教学、科研、产业及实验模块;一个人才培养平台;以及多个针对特定学科的专属配置。 问:随着AI的广泛应用,学术和科研机构最迫切的需求是什么?你们认为前方存在哪些机遇? 答:问题已经从是否采用AI,转变为如何负责任地将AI融入教学与科研中。机构需要值得信赖的模型输出、特定学科的知识系统、与现有平台的顺畅集成、清晰的数据治理与安全保障,以及在教育科研成果上能够量化的提升效果。 学生群体的期望也发生了改变。仅仅把教材或讲座搬到网上已经远远不够了。学生越来越期望获得按需获取、互动式且个性化的知识体验。他们希望AI能用不同的方式解释复杂的概念、关联前置知识、模拟实验过程、提供即时反馈,并能够清晰标明知识的来源。…
