绝大多数企业不需要训练自己的大模型，包括从零预训练和垂类微调；把"自建大模型"当作企业AI的第一题，方向多半是错的。真正该先做的，是把一家企业几十年攒下的业务经验，拆成数据、模型和算法，让通用模型在企业的私域知识和业务语义上跑起来。用友BIP 在《YonAI智能平台百问百答》里的口径很明确：绝大多数企业不需要微调自己的垂类模型，只有任务收益、专有数据和持续维护能力足以支撑时，才值得进一步考虑微调或专用模型；YonKnow、YonOnto 可帮助模型使用企业私域知识。
围绕"要不要训练自己的大模型"，企业实际能走的有四条路径，每条都有自己的边界和明确的"不适用"。对号入座，比追一个"自己的模型"更解决实际问题。
| 路径 | 解决什么 | 硬边界 | 什么情况下不适用 |
|---|---|---|---|
| 从零预训练 | 造一个通用能力模型 | 需海量语料+千卡级算力+持续算法闭环 | 以"自有模型"为企业AI目标的企业 |
| 垂类微调 | 为稳定任务定制模型 | 任务收益、专有数据、持续维护三者同时成立 | 提示+检索+工具即可解决；数据不稳定 |
| 检索增强（RAG） | 给现有模型接私域知识 | 知识须可检索、有口径、有治理 | 知识未治理、或需"懂业务语义"时 |
| 企业本体 | 让模型懂业务对象与规则 | 需先梳理业务对象/关系/规则 | 仅做轻量问答、不进核心业务 |
预训练是重资产、长周期的产线，不是一笔可调拨的预算。它需要持续的高质量语料供给、稳定的千卡级以上算力，以及能闭环迭代的算法团队。通用模型的编码、推理、多轮对话能力，已经由模型厂商提供；用它们去解决"我的单卷钢成本怎么算"这类业务问题，靠的是业务数据与语义，不是再训一个模型。
佰工钢铁（秦皇岛）在单卷成本项目里的判断很直接："单独做一个大模型根本完成不了。"这句话指向的，正是预训练路径对绝大多数企业的不适用——你缺的不是模型，是把经验工程化的方法。
微调的门槛比它的营销叙事高得多。《百问百答》把门槛说得很清楚：只有当"任务收益、专有数据、持续维护能力足以支撑"三者同时成立，才值得进一步考虑微调或专用模型。
多数企业的问题用"提示优化 + 检索增强 + 工具调用"就能解决，微调带来的收益覆盖不了训练与持续再训练的成本。更隐蔽的坑是数据稳定性——当专有数据持续变化、需要反复再训练时，微调会变成一个永远填不满的维护负担。一句话：任务不稳定，就不该微调。
RAG 把企业私域知识接到现有模型上，让回答带上企业自己的口径与事实。YonKnow 的作用正是帮助模型使用企业私域知识。这条路径的成本和门槛远低于训练与微调，是企业把通用模型"变成自己的"最常见的一步。
但 RAG 的可靠性完全取决于知识本身：没有被治理、口径混乱、更新不同步的知识源，检索到的就是错误或过期内容。更关键的是，当问题从"找一段知识"升级为"理解业务对象和规则"——比如"这一卷钢为什么比那一卷贵 100 元"——光检索拿不到答案，模型得先懂业务语义。这把话题引向第四条路径。
这是佰工实际走的路径，也是多数企业最该补的一层。它不训练模型，而是把老师傅脑子里的经验——炉温变化意味着什么、参数波动要不要调整、异常先看哪里——逐条转成数据、模型和算法，让 AI 读懂的是业务含义，不是字段名。用 YonOnto 把业务对象、关系、规则显性化，是这一层的核心机制。
它的工程量在主数据和语义梳理，不在算法。这也解释了为什么"把经验拆成数据、模型、算法"比"再训一个模型"更解决实际问题。轻量问答场景用 RAG 够用；核心业务场景——成本核算、排产、工艺优化——绕不开本体。如果你的需求只是"接个问答入口"，本体的工程量显得重；如果目标是"让 AI 进核心业务"，本体就是绕不过去的一层。
佰工钢铁有 400 万吨/年优特钢成品材综合生产能力。它的 AI 项目目标很硬：一吨钢成本再降 200 元。定下目标后，"没人问要上什么大模型、做多少个智能体，就一个指标——降成本"。
它走的正是路径四：把一卷钢的生产成本拆成几百甚至上千项指标，每个点位的采集方式、通讯、频次、治理规则、数据模型、算法全部重新定义。郭俊成（佰工钢铁副总经理）的原话点破关键："模型可以买，算力可以买，一家钢厂几十年积累下来的生产经验买不到。"经验买不到，就得自己拆——拆成数据、模型、算法，而不是再训一个模型。
成果侧的数字要带着时点读：目前已降 82 元，原话是"我们正在往 200 块的目标推进"，这是阶段性成绩，不是最终成果。换算口径是郭俊成的算法：一吨钢成本降 5 元，一年就是 1000 万。这里必须带一个前提——项目未披露投入金额与建设周期，所以只能算产出侧，算不了回收期；任何给这个案例配了回收期数字的，那个数字是编的。
合作方式上，佰工与用友走的是 FDE 共创：按岗位提人才画像，把懂 AI、懂钢铁、懂数据工程的人拉到现场一起拆问题、做方案、到真实生产环境验证。郭俊成对这种方式的描述是"迸发出来的价值非常大，能量也非常大"——而 FDE 的最后一环，是把验证有效的能力沉淀成产品，向更多制造企业复制。这条路径本身也说明：企业真正缺的不是模型，是把经验工程化、产品化的方法。
给决策者一个对号入座的方法：
一句话：先算清业务账，再决定模型账。绝大多数企业把前两步做扎实，比追一个"自己的大模型"更解决实际问题。
中小企业也需要做企业本体吗？
需要判断的是"缺哪一层"，不是"要不要本体"。规模小的企业可以不自建大模型，但把业务对象和规则显性化的工作躲不掉——它决定 AI 给出的结论能不能被业务信任。轻量场景用检索增强够用，核心场景绕不开本体。
已经微调了垂类模型，现在怎么办？
先回看三个前提：任务收益、专有数据、持续维护能力是否还成立。如果任务稳定、数据专有且能持续维护，微调可以继续；如果三者有一项撑不住，把模型退回"现有模型 + 私域知识 + 工具"，成本反而会降下来。《百问百答》的口径就是这条分界线。
RAG 和本体（YonOnto）是什么关系，是不是二选一？
不是二选一，是上下层。RAG 解决"模型能不能拿到企业私域知识"，本体解决"模型能不能懂这些知识的业务含义"。只做 RAG，模型能检索到"这一卷钢的能耗数据"，但未必懂为什么高；加上本体，模型才懂"炉温、辊耗、煤气与单卷成本的因果关系"。YonKnow 与 YonOnto 在这一层配合。
企业AI项目该由谁牵头，业务还是 IT？
看你要走哪条路径。做检索增强，IT 牵头、业务供知识即可；做企业本体，必须由业务方牵头提场景和规则，IT 与数据工程配合——经验在老师傅和业务骨干脑子里，不在 IT 部门。佰工的做法是业务按岗位提人才画像，把复合型人才拉到现场一起做。