当AI深入产业，为什么每日互动值得被重新打量

　　/传播易/进入2026年，大语言模型早已不再是新鲜概念。从2023年的技术爆发，到2024年的百模大战，再到2025年的应用落地——三年间，AI完成了从“能不能做”到“怎么用得起、用得好”的演变。算力层、模型层、应用层、数据层的生态格局逐渐清晰，行业也从兴奋期进入了冷静的建设期。

　　在这场浪潮中，一批深耕数据智能的企业重新被市场发现，每日互动(300766.SZ)便是其中之一。但外界看待这些公司的方式，多少有些简单化了——“又一家赶上AI风口的企业”。

　　不过，事实真的如此吗?

　　DI：被低估的AI“原住民”

　　要理解这些公司，得先厘清一个概念误区。

　　在纷繁的AI演进历程中，张钹院士提炼出一个清晰的三阶段框架，这一范式已成为理解人工智能发展逻辑与内在局限的关键工具。

　　第一代知识驱动，以符号主义为核心，让机器通过规则和知识库进行逻辑推理;第二代数据驱动，以深度学习为核心，实现感知能力;第三代以大语言模型为代表，机器掌握了人类语言，实现了开放领域的自然交互。

　　这三条脉络有一个共同的底层逻辑——让机器理解世界、做出判断、辅助决策。数据智能(Data Intelligence)作为从海量数据中提取价值的技术体系，从来就是人工智能学科的重要分支。只不过在LLM出现之前，数据智能更多停留在企业级应用层面，普通用户感知不强。

　　每日互动正是如此。早在2019年，其在上市时就用“每日互动是一家互联网、大数据、人工智能和云计算交叉融合的新经济体，专注于数据智能(Data Intelligence，简称DI)领域”来介绍过自己。因此，从每日互动自身的发展轨迹看，而是长期沿着数据智能这条人工智能的重要技术路径积累，是“纯正”的原生AI公司。 只是当LLM让AI走入千家万户时，外界才重新聚焦到了它。

　　十年前打下的地基：向量化与大数据积累

　　如果说定位是理念层面的“先发”，那技术积累则是真正沉下去的“根基”。

　　2013年，Google四位研究员发表Word2Vec论文，首次将语言高效地转化为向量，即把每一个词映射为高维空间中的一个点，让语义相近的词在空间中距离也相近。这被视为NLP领域的革命性突破，也是后来大语言模型Embedding层的技术源头。

　　不到两年，2015年每日互动就在业务中大规模应用了这项技术。

　　它把移动互联网世界的一切“语言”向量化：APP to Vec——将用户手机上的APP安装列表视为“作文”，通过向量化建模理解兴趣偏好;WiFi to Vec——将WiFi场景信息转化为向量，刻画物理空间语义;People to Vec——将人群覆盖特征转化为向量，实现精准画像与分组。自此每日互动整个计算体系从那时起就建立在向量化的基础之上。当大语言模型时代到来时，Token化和Embedding的核心思路与其做了近十年的技术在底层逻辑上高度一致，本质上都是对信息的高度提炼与复用。

　　当然，这不意味着每日互动在十年前就“预判”了大模型的方向，但是长期积累的向量化能力，为其理解和处理新一代人工智能技术提供了连续的技术沉淀。

　　不过每日互动更重要积累还有大数据能力。如果说通用大模型公司比拼的是“算力储备”，那每日互动比拼的是“数据理解力”——知道什么样的数据有用、怎么用、怎么让它发挥最大价值。大语言模型的能力不仅来自算法突破，更来自海量高质量数据的支撑。每日互动在移动互联网时代积累了覆盖数亿日活设备的海量数据以及数据感知、挖掘、建模的治理能力，是AI时代更为稀缺的壁垒。

　　AI落地的真实瓶颈：数据安全和私有化成本

　　AI浪潮发展至今，行业已经从“技术兴奋期”进入“落地冷静期”。一个现实问题浮出水面：通用大模型能力再强，也没办法适配不同行业、部门、个人的具体需求。每个人都想让AI帮自己干活，但没人愿意把核心数据交出去。

　　每日互动在服务企业客户的过程中摸到了一个清晰的预算分层：千亿市值的企业愿意投入千万级做AI私有化部署，百亿市值的只能投百万级，大量中小企业被挡在门外。更关键的是，即便有预算，企业也不愿意把会议录音、内部研讨、商业机密这些核心数据放到公有云上。上云怕泄露，私有化部署又太贵——这个两难困境卡住了绝大多数的AI落地需求。

　　要让AI真正走进千行百业，“数据安全”就不是附加题，而是必答题。

　　“用而不拥，流而不留”就是每日互动给出的答案。概括来说就是数据可以被使用，但不必被占有;可以在流转中创造价值，但不必在留存中积累风险。这套理念并非凭空而来，从早年参与温州数安港建设、首倡大数据联合计算模式，到牵头起草国内首个SDK安全国家标准，再到发布全国首个基于可信数据空间和DeepSeek的可控大模型服务，每日互动在“数据安全流通”这个难题上已经反复验证、迭代了多年。当前正在将其推向国家标准层面，牵头推动“人工智能云边端数据流转”相关标准的立项与制定，试图为行业提供一套可参照的解法。

　　云边端库：让AI用得起，用得起来

　　当这套理念延伸到AI应用场景时，个知·智能工作站给出了具体的落地。其核心是“云-边-端-库”四层协同架构：

　　云侧：依托公有云基础设施，承载通用算力与模型服务。凡是“能打电话说、能在网上公开查”的信息，上云推理;

　　边侧：部署本地工作站(个知·智能工作站)，会议录音、内部文档等高敏感信息在本地完成结构化处理，语音不出端;

　　端侧：覆盖手机、电脑等终端设备，确保服务便捷触达;

　　库侧：构建企业私有知识库，让数据资产在安全边界内沉淀与增值。

　　比如会议录音全部在本地工作站完成转写，音频不出设备;云端大模型只接收脱敏后的文本进行推理，过程以“通讯”形式流过，不做持久化留存;对保密级别极高的场景提供纯私有化方案，完全不依赖云端。

　　个知·工作站不仅回答了“安全”的问题，还解决了“成本”问题。对于日常办公场景，一个单位共享一台工作站，人均日成本仅需“一根油条”。当安全有了保障、成本降到可承受，AI才可能从少数头部企业的“奢侈品”变成千行百业都能用得起的“必需品”，这正是每日互动所说的：“让AI用得起，用得起来”。

　　回过头来看，每日互动从DI走向AI的历程，回答了一个行业普遍关心的问题：一家数据智能公司，在大模型时代究竟扮演什么角色?

　　其实答案并不复杂——AI并没有改变其本质，只是让它从“台后”走到了“台前”。 从DI走向AI，对于每日互动而言，不是转型，而是一场被外界重新理解的进化。

　　以DI为基，每日互动用“云边端库”协同的方式，并通过标准建设、产业合作和产品实践，推动人工智能更稳妥地进入真实业务场景。而贯穿这一切的底层逻辑，始终是那八个字：让数好用，把数用好。在AI时代目标没变，变化的只是抵达目标的方式。风口会来也会走，每日互动用二十年时间验证了一件事：如果你一直在做对的事，风口来的时候，你就会发现自己早就站在了那里。