"AI 要真正落地见效，核心战场在 ToB 端。" 三维天地董事长金震的这一判断，为公司 AI 战略锚定了清晰的方向。在他看来，AI 的价值不在概念炒作的喧嚣，而在于解决企业真实的决策与运营痛点。ToB 业务的本质是口碑的积累，而非流量的狂欢。算力层面，金震同样务实：免费的通用大模型已足够支撑大多数 ToB 应用，企业真正需要的，是在大模型之上构建可复用的工具层。
但金震反复提及的真正瓶颈，并不是技术，而是 " 人 "：系统上线后客户不会用、用不好、用不起来，这是最大的问题。三维天地在打磨自研 AI 产品的同时，投入大量精力搭建了一套 FDE 工程师培训体系，以求打通从技术交付到业务见效的 " 最后一公里 "。与此同时，三维天地将数据安全视为不可触碰的底线，不碰数据出域业务，不做无价值的演示项目，这些 " 减法 " 背后，是一家 ToB 软件企业面对 AI 浪潮的清醒选择。
破解 AI" 买了不会用 " 困局：先培训再交付
当前，智能体的构建效率已大幅提升，然而其落地应用效果却远未达预期，" 上线即闲置 " 已成为企业数字化进程中的普遍痛点。"AI 落地到企业侧，幻觉问题是比较严重的，它有可能越用越‘傻’。" 金震说。这一痛点指向一个被广泛忽视的问题：人才。大模型时代的技术链条比信息化时代长得多，早期做信息化，无非是数据库加几项技术，企业员工培训一下就能上手。但大模型涉及本体、RAG（知识检索）、向量化（将操作对象转换为向量形式以提升效率或进行语义表示）、知识库等一堆新概念，" 现在人人都知道智能体，但看的都是科普视频，距离真实的操作距离非常大，更不懂技术的底层逻辑。" 金震说。
为解决这一痛点，三维天地联合大连理工大学推出 FDE 工程师实战培训项目。FDE（Forward Deployed Engineer，前沿部署工程师）这一模式源于美国大数据与 AI 分析公司 Palantir，该公司 2020 年在纽交所上市，目前市值超 4400 亿美元。三维天地在借鉴该模式的基础上，更加强调 FDE 工程师的明确职责：既需要懂技术逻辑，又能深入一线理解业务场景，是技术与场景咬合的关键桥梁。人与 AI 的对话和人与人之间的对话不同，AI 需要具备逻辑推理能力，而 FDE 工程师的核心价值在于懂得如何与 AI 对话，让它更少地出现问题。实战培训项目提供五天课程，全程使用三维天地的自研产品进行实操，覆盖本体搭建、数据治理、模型落地的全流程核心环节。
"5 天培训，学员收获远超理论听课。培训以真实数据为基础，全程带学员跑通一个完整案例，在学习中掌握 AI 工具的操作方法，更重要的是，学会根据实际业务场景灵活调整与优化。" 金震说。
培训的优先对象是存量客户的员工。金震解释，前三期培训优先面向存量客户，目的是解决交付后客户 " 不会用 " 的问题。" 此前企业经常遇到的情况是交付以后，专业的数据维护和软件培训仍是一笔不小的投入。国内一个 FDE 工程师的年薪可以达到几十万甚至百万级别。" 金震表示，提前对客户员工进行培训，可以避免软件上线后，企业自己玩不转的情况。
这一策略的背后，是对 ToB 业务规律的深刻理解。"20 世纪 90 年代搞信息化的时候，客户员工电脑都没摸过，得先培训他们敲键盘、输汉字。大模型时代也一样，FDE 工程师培训承担的就是这个‘扫盲’功能，让客户员工学会跟 AI 打交道，理解本体是什么、对象是什么、为什么这么建立逻辑关系。" 金震表示，长远来看，这一培训体系还将向高校端延伸。非 IT 背景的应届生经过培训后也能胜任 AI 应用岗位，这既是解决行业人才缺口的举措，也为企业储备了对口的招聘资源。
通过培训实现客户与供应商、高校培养与就业的同频，降低后续项目沟通成本，这就是三维天地的 "AI 落地方法论 "。
AI 战略的 " 减法 " 逻辑：不训练大模型、不补贴算力
三维天地将 AI 定位为第二增长曲线，这一战略选择建立在两个基础之上：一是原有业务的稳固基本盘，二是客户需求的质变。
三维天地原有业务基本盘稳固，上市初期年研发投入约 4400 万元，现有业务盈利稳定，可完全覆盖 AI 新业务的研发投入。2025 年，公司实现扭亏为盈，为 AI 业务的持续投入提供了财务保障。" 营收涨上去了，投入也没问题，能覆盖。" 金震强调，这种 " 稳中求进 " 的模式，为 AI 战略的持续推进提供了底气。
但更关键的变化来自客户侧。客户的需求正在从信息化、数字化向智能化升级。实验室客户的大量视频音频文件如何存管用？历史积累的质量标准、设备手册等零散知识如何快速变成知识图谱？质量事件如何快速进行根因分析？这些高度依赖人工经验且效率低下的痛点，在 AI 时代有了切实可行的技术路径。
在产品层面，三维天地构建了从底层数据基础设施到上层智能应用的全栈能力矩阵。
Sunway-UniClean 智能净数平台摒弃传统全量数据治理模式，仅针对 AI 模型所需维度快速处理，通过 AI 自动补全标签，大幅缩短治理周期。" 原来做数据治理，靠人搭建数据模型，特别漫长。现在 AI 定完规则后能自己反复迭代，非常快。" 金震说。
SW-Foundry 本体管理平台参考 Palantir 技术路径，支持数据源与逻辑关系自动绑定。" 原来做对象，10 个、20 个都很难，现在几百个对象秒生成。" 金震解释说，本体是大模型和企业真实数据之间的 " 翻译官 " 和 " 导航图 "。大模型提供理解力，本体提供精准度和可解释性。两者结合，AI 才能从 " 聊天工具 " 变成 " 可信任的企业决策助手 "。本体建好后，数据源绑定，再推给大模型时，" 精准度接近百分百 "。这一系统已落地多个场景：在审计领域，替代人工翻凭证，秒出结果；在内部反腐领域，从报销单中自动抓取异常线索。
Sunway-Vertex 全域业务沙盘推演工具基于本体逻辑搭建，支持调整多维度参数模拟不同策略下的经营结果。金震举例，企业如果花 100 万元打广告会怎么样？花 500 万呢？不断推演后再定策略。推演结果还可反哺优化模型，形成闭环。
Sunway-Analyst 知数平台依托本体逻辑规避大模型幻觉问题，支持自然语言查询数据，可匹配自定义模板输出多格式标准化报告。
这些产品的共通逻辑是：在原始数据与大模型之间增加一层企业语义层，将技术结构转化为业务人员、分析工具和 AI 共通的统一语言。其本质不是一个会写 SQL 的聊天机器人，而是一套以企业本体为中心的智能应用体系。
三维天地 AI 战略的推进路径是：先以自研产品切入客户场景，再通过 FDE 工程师培训确保客户 " 会用、用好 "，最终让 AI 真正嵌入企业的核心决策流程。在业务拓展上，公司坚持 " 存量优先 " 原则：优先服务现有 4000 余家存量客户，依托原有客户基础降低获客与沟通成本，逐步向其他垂直行业渗透。
金震强调，AI 技术通用，但 "AI+ 实验室 " 需要技术与场景的深度咬合。三维天地拥有 30 多年的服务实验室客户经验，对食品药品检验、实验室监管等复杂场景的理解，构成了纯技术公司难以逾越的壁垒。目前，AI 应用已落地多个细分场景，覆盖质量管控、审计、医疗研究、研发数据管理等领域。金震介绍，蒙牛乳业是三维天地服务的客户，采购了三维天地的软件和服务用于全国近百家工厂的质量风险监测。中国中化也正在使用三维天地的矩阵产品，目前已经完成了质量域模型的搭建。他表示，ToB 业务的获客逻辑很简单，同行业已落地案例的说服力远高于广告投放。
对 AI 商业落地要冷静：不追风口、不做概念
在 AI 落地的实践与观察中，金震形成了一系列独特的行业判断。
首先，ToB 是 AI 长期价值的核心落点。泛 AI 项目易烧钱且效果差，AI 的核心价值在于解决企业真实经营痛点——决策优化、运营提效、风险管控，而非泛化的数字人、智能助理等浅层次应用。金震表示，行业口碑很重要，" 你去打广告没人信的，只有在同行业用过了，觉得有用才会买。"
其次，行业积累是不可替代的护城河。三维天地在长期项目服务中积累的大量设计文档、需求文档，对食品药品检验、实验室监管等复杂场景的理解，构成了纯技术公司难以逾越的壁垒。这些专业化积累，是 AI 从 " 演示级 " 走向 " 生产级 " 所必需的系统化能力支撑。
第三，算力约束是硬边界，但未必是障碍。高性能 GPU 的运营成本极高，单台 8 卡服务器月电费动辄数千元；且在高强度训练场景下，GPU 硬件的高效服役寿命通常仅有 2～3 年。但对于大多数 ToB 应用而言，免费大模型已足够支撑，金震表示：" 模型变化太快了，买了很快又落伍，没人愿意买。" 这一判断支撑了三维天地的产品策略——不训练基础模型，而是在通用大模型之上构建应用层工具。
第四，数据安全是 AI 落地的硬红线。金震明确表示，通用办公类 AI 工具在政企场景中的大规模应用，其成熟度和适配性仍有待进一步验证。" 现在都信创了，数据都不能出域了，你能走出去玩一圈？" 不碰数据出域业务，是三维天地明确的业务底线。" 说到底，交付质量是不可妥协的原则。"
不投资基础大模型训练、不补贴算力消耗、不参与概念炒作、只投资可复制的应用层产品，上述四条基本原则成为金震的决策铁律。
" 国内外 AI 产业生态的冷静观察同样值得关注。AI 编程服务是目前全球大模型领域最先跑通、商业增长最明确的成熟商业模式。没有不用 AI 编程的工程师，都在用，都在交钱。" 金震强调。
从全栈自研的 AI 产品矩阵，到 FDE 工程师的实战培训体系，再到对 AI 落地行业的深度思考，三维天地正在构建一条从技术到人才、从产品到生态的完整闭环。金震表示，三维天地在 AI 浪潮中一直都有着清晰定位：在 "AI 应用 " 这条第二增长曲线上，要用务实的态度和落地的产品，帮助客户决策从事后查询转向事前预判。
