DI × AI：让 AI 把私有数据用起来

会议: 产品力领航者大会 PM × AI · 2026 春季 | 讲者: 邓鹤菱（每日互动股份有限公司 AI 产品负责人，主导个知·智能工作站、公文写作、会议纪要等核心 AI 产品研发与迭代） | 时间: 2026-04-24 下午 · AI 重塑 ToB 产业应用分会场

一句话总结

让 AI 在企业落地的核心难题不是模型不强，而是私有数据的”不敢用 / 不能用 / 用不起 / 不好用”四重困境——每日互动用 20 年 DI（Data Intelligence）know-how 沉淀的「个知·智能工作站」，以「本地小模型 + 云端大模型 + 流而不留」混合云架构 + 「本行业-本地区-本单位-本人」四级知识体系，把私有数据真正变成 AI 可用、安全可控、ROI 正向的资产，并在新人入职、客户拜访、管理决策、AI4Sci 科研等场景落地。

速览

1. AI 时代需要新的操作系统——IP→AI Skill / APP→AI Store / Office→AI Office / Windows→AI OS（类似 Linux 之于 DeepSeek）。
2. 人工智能五阶跃迁——聊天机 Chatbots → 推理机 Reasoners → 智能体 Agents → 创新器 Innovators → 组织器 Organizations。
3. AI 的 2025 = PC 的 1995——能广泛处理基础工作，但深入工作仍需共创；从「个脑·互联·移动」到「对话·共生·同体」。
4. 企业拥抱 AI 三大挑战——数据安全 / 投入产出比 / 应用实效。
5. 私有数据 AI 应用四重困境——不敢用（公有云泄漏 + 数据主权管制）/ 不能用（产业半成品 + 格式不规范）/ 用不起（私有化部署贵 + 维护难）/ 不好用（不懂内部知识 + 结果没配套）。
6. 混合云架构「云-边-端 / 端-AC-DC-MC-库」——本地小模型处理敏感数据 + 云端大模型执行复杂任务 + APP/Data/Model Connector 联通企业系统、知识库、三方应用。
7. 流而不留：数据流动而不留存——端侧、边缘侧、云端都加密传输，云端”流动不流出”，从架构层面解决数据主权焦虑。
8. 个知·智能工作站三大核心场景——会议纪要（本地转译 + AI 优化）/ 写作助手（本行业-本地区-本单位-本人四级知识体系）/ 深度研究（短时间处理大文本 + 结构化研究报告）。
9. 三类落地模式——标品（开箱即用）+ 标类（行业共创）+ 标杆（专属适配）。
10. AI4Sci 科研三件套——DeepStudy（深度求学，Good good study）+ DeepResearch（深度研究，Re re search）+ DeepEditor（深度编辑，Day day up）。
11. 两点终极感悟——「安全不是阻力，而是产品设计的约束条件」+「AI 能力要『藏』在业务流里，而不是摆在界面上」。

核心内容

Module 1：DI——20 年 Data Intelligence Know-How 的深厚积淀

消费者移动终端「数据资源」到「数据资产」——APP 的使用和手机所在场景是工作和生活的缩影，在生活、工作、娱乐不同场景下，会有不同的手机使用行为特征：

PPT 用一张以”6 时-23 时”为横轴的曲线图，展示用户全天行为图谱：

• 6-7 时（Wake & workout）：Keep、咕咚、墨迹天气；
• 8-9 时（On the way to work）：星巴克、滴滴出行；
• 10-12 时：饿了么、3.5 亿用户、携程、飞猪、蚂蜂窝、智联招聘消防局；
• 13-15 时（Working in company）：优酷、爱奇艺、芒果 TV、WPS、有道云笔记、钉钉；
• 16-17 时：微博；
• 18-20 时（After work activities）：大众点评、口碑、京东到家、Keep、咕咚、网易云音乐、12.12；
• 21-23 时（Back home and sleep）：淘宝、京东、爱奇艺、微博、抖音。

基于线上 APP 兴趣偏好和线下场景活动特征，判断人群特征：

• 线上 APP 兴趣偏好：女性类（她拍、Pink）/ 购物类（唯品会、小红书）/ 母婴类（babytree、贝贝）；
• 线下场景活动特征：五星级酒店 / 国际机场 / 健身会所 / 美妆连锁店。

TGI（百分比要看「相对值」更要看「绝对值」）——用一张密集热力图展示不同人群（18-24 岁、25-34 岁、有车、土豪、备孕、孕期、0-1 岁小孩父母、母婴、妈妈、未婚、白领、大学生、网约车司机、程序员、医生、外籍人员、生小孩等）在不同场所（亲子场所、4s 店、商场、网络科技公司、妇科医院、家居建材市场、酒吧、运动健身场所）的 TGI 值。例如「土豪 × 妇科医院 = 12.97」、「网约车司机 × 商场 = 0.28」、「外籍人员 × 酒吧 = 7.83」。

TGI = 特定人群的特征占比 / 对照组人群的特征占比，TGI 值越大说明该人群特征越明显，此次对照组人群为个推全人库随机人群。

Module 2：AI——从「聊天」到「智能体」的技术跃迁

人工智能的五阶跃迁：

PPT 用左侧「数据 → 信息 → 知识 → 智慧」金字塔与右侧 AI 五阶（C-R-A-I-O）金字塔对照。

AI 的 2025 = PC 的 1995?——能广泛处理基础工作，但深入工作仍需共创：

• 旧时代：个脑（PC）→ 互联（互联网）→ 移动（手机）；
• 新时代：对话（Chatbots）→ 共生（人机协同）→ 同体（智能体融入工作流）。

PPT 引用一段视频截图（黄仁勋人物镜头）：“AI 是 5 层蛋糕”。

AI 时代需要新的操作系统：

Module 3：WHY——私有数据 AI 应用的「四重困境」

AI 为什么还没用起来？

通用 AI 工具都在「偷偷地」存数据，私有数据亟需安全 AI 平台：

• 海外大模型云厂商：Google、OpenAI、Anthropic、Microsoft、Meta、Amazon；
• 国内大模型云厂商：Qwen、deepseek、智谱、（其他头像图）。

企业拥抱 AI 面临的挑战：数据安全 + 投入产出比 + 应用实效（三个圆形组成 ?）。

四重困境：

困境一：不敢用——公有云泄漏风险 + 数据主权管制要求

• 公有云泄漏风险：公有云存在数据泄露的潜在风险，这使得企业在使用 AI 时面临数据安全的担忧。一旦重要数据被泄露，可能会给企业带来严重的损失，包括商业机密泄露、客户信息丢失等；
• 数据主权管制要求：在数据主权方面，企业希望拥有对数据的绝对控制权，而公有云的管制能力可能无法满足企业的这一需求。这种矛盾使得企业不敢轻易将数据放在公有云上使用 AI。

困境二：不能用——产业现状与 AI 输出规范问题

1. 产业是半成品：当前 AI 产业尚未完全成熟，处于半成品状态。这意味着 AI 技术在实际应用中可能存在一些不足之处，无法满足企业的所有需求；
2. 格式不规范：产业中的数据和信息格式往往不统一，这给 AI 的输入和输出带来了很大的困难。AI 需要处理规范化的数据才能更好地发挥作用；
3. AI 生成可业务规范的输出：为了解决格式不规范的问题，需要让 AI 能够生成符合业务规范的输出。这样可以使 AI 的输出结果更加准确、可靠，满足企业的实际业务需求。

困境三：用不起——私有化部署的成本与维护难题

• 私有化部署成本高：私有化部署 AI 需要购买大量的硬件设备、软件许可等，成本非常高昂。对于中小企业来说，可能难以承受这样的成本压力；
• 维护难：私有化部署后，企业需要自行负责 AI 系统的维护工作。由于 AI 技术较为复杂，维护难度较大，需要专业的技术人员进行操作和维护。

困境四：不好用——通用模型与垂直领域适配问题

• 不懂内部知识：通用模型通常缺乏对企业内部特定知识的理解。每个企业的业务和流程都有其独特性，通用模型难以准确把握这些内部知识；
• 结果没配套：由于通用模型无法完全适应企业的实际情况，其输出结果可能与企业的实际需求不匹配，缺乏相应的配套措施；
• 通用模型与垂直领域的鸿沟：通用模型在处理垂直领域的问题时存在一定的局限性，无法充分发挥其优势。垂直领域往往需要更专业、更精准的模型来解决具体问题。

Module 4：HOW——「个知·智能工作站」的设计思路

兼顾安全与经济的混合云架构——「都本地：太贵了！」vs「都云上：不放心！」之间的折中：

PPT 给出一张完整架构图（云-边-端 / 端-AC-DC-MC-库）：

• 云：私有云 + 专有云 + 公有云 + 云端大模型（向量）；
• 边：个知·智能工作站 GAI Station = 应用集 + 本地小模型 + 数据集（多形态硬件设备：黑色机柜、笔记本等）；
• 端（左侧）：企业系统 + 三方应用（通过 AC = APP Connector 联通）；
• 库（右侧）：企业知识库 + 外部知识库（通过 DC = Data Connector 联通）；
• MC = Model Connector：联通云端大模型和本地小模型。

流而不留：数据流动而不留存：

• 端侧 ↔ 边缘侧 ↔ 云端，全链路加密传输；
• 云端：✓ 流动 / ❌ 流出（“流动不留存”）；
• PPT 用红色叉号明确标注「数据不流出云端」。

个知·智能工作站——产品功能概览：

产品概述：面向政企客户的一站式 AI 落地应用解决方案，定位为「用得起、用得起来」的 AI 产品。

核心理念：「人机协同」，AI 能力与专家经验的深度融合，实现 “1+1 > 2” 的赋能效果。

技术架构：采用「本地小模型 + 云端大模型」的混合云部署架构，兼顾数据安全与智能可控。架构组成：

• 本地小模型：处理敏感数据和常规办公任务；
• 云端大模型：执行复杂任务，提供强大算力。

核心功能与应用场景：

1. 会议纪要：采用「本地转译 + AI 优化」的组合方式，自动记录会议内容，提炼会议要点，并生成结构化的会议纪要和待办事项清单；
2. 写作助手：基于权威语料库，搭建「本行业—本地区—本单位—本人」四级知识体系，为用户提供 符合场景和身份的写作辅助；
3. 深度研究：能够在短时间内处理大量文本信息，进行深度分析，并输出结构化的研究报告。

四大价值点：

• 提升办公效率：自动化处理重复性工作，让工作人员专注核心业务；
• 保障数据安全：混合云架构和信创适配，确保数据安全性和合规性；
• 促进人机协同：AI & 人类协同工作发挥各自优势；
• 实现场景落地：通过「标品-标类-标杆」三类模式实现 AI 技术深度应用。

产品功能模块（PPT 用一张深色界面图展示）：

• 智能问答 / 知识管理 / 写作助手 / 会议纪要 / Dify 创建应用 / 知识广场 / 智能简历 / 深度研究；
• 智能工作站界面包含：录音管理、热词管理、声音管理、回收站、新建写作、创作中心 = 交付写稿 / 以稿写稿 / 自由创作；
• 公文写作助手：支持微信扫码语音交代。

移动端：「一个手机 一个 APP 让实用 随时随地」——「个知·手机版」（搜索 gai.cn 前往下载，PPT 给出二维码）。

Module 5：WHAT——真实场景的客户案例分享

案例一：AI 在产业的落地实践——某大型制造业企业

困局：

三大痛点制约企业效能跃升：

1. 知识沉淀难：新人培养周期过长——隐性经验缺乏显性化路径，新员工需六个月以上才能独立承担业务，培训成本高昂且人才流失风险加剧；
2. 拜访记录沉睡：市场洞察资产流失——销售过程管理存在数字化断层，海量一线市场洞察、客户诉求未能进入企业知识循环，造成重复踩坑与机会浪费；
3. 周报管理低效：决策信息严重滞后——人工汇总模式导致数据滞后三至五天，管理层基于过时信息制定策略，响应市场变化的速度严重受限。

新人入职场景：AI 赋能快速上岗：

• 私有知识库（企业智慧的智能中枢）：将工艺文档、客户案例、标准话术等私有数据向量化处理，构建安全可控的智能知识中枢，支持自然语言即时问答；
• 周期压缩：从六个月到三周——新人无需依赖老员工口传心授，通过 AI 自助学习快速上手，培养周期压缩 80%，大幅降低培训成本；
• AI 导师指引（个性化培养路径）：基于岗位胜任力模型自动推送学习路径与实战模拟任务，实现从知识获取到能力验证的闭环培养；
• 混合云架构（安全与成本兼顾）：核心数据本地存储确保不出厂，模型能力云端调用兼顾成本与性能，打造可信赖的 AI 人才培养基础设施。

客户拜访场景：智能纪要自动沉淀：

• 会议纪要神器（五分钟智能转化）：深度集成语音识别、语义理解与结构化生成技术，实现拜访现场录音到标准纪要的自动转化，全程耗时五分钟。纪要内容涵盖客户背景、核心诉求、待办事项、商机评级等关键维度，彻底终结手工录入的信息损耗与延迟；
• 智能体同步 CRM（经验资产化沉淀）：纪要自动触发智能体同步至 CRM 系统，每一次拜访记录均进入企业私有知识库。通过关联分析挖掘客户需求规律、竞品动态趋势、成交转化因子，将个体销售经验转化为可复用的组织智慧，支撑业务规模扩张而不稀释服务质量。

管理决策场景：深度洞察辅助研判：

1. 深度搜索：十分钟穿透数据孤岛——支持跨系统、跨文档的智能检索与关联分析，管理层以自然语言提问即可获取实时业务全景，十分钟完成传统方式数小时的人工信息整合；
2. 写作助手：策略建议自动生成——基于历史周报、会议纪要、市场情报等素材，自动生成周报复盘草稿与策略建议初稿，确保与历史数据、行业基准的逻辑自洽；
3. 决策进化：从经验驱动到数据智能——管理层将认知资源集中于判断与选择，而非信息获取与加工，推动企业决策模式从经验驱动向数据智能驱动进化。

知识沉淀驱动组织能力升级：

• 永续经营（知识资产的持续积累）：私有化部署建立知识资产的永续经营机制，销售技巧、故障诊断经验、项目管控要点经由 AI 系统自动萃取与结构化存储；
• 组织免疫（人才流动不再带走智慧）：经验转化为不随人员流动而流失的组织能力，新人培养、客户响应、管理决策等效益汇聚为知识密度的系统性增长；
• 范式跃迁（从数据驱动到智慧驱动）：率先完成数据资产化的企业构建自我强化的学习型组织，在人才迭代、市场拓展中持续保持领先优势。

案例二：AI 在科研领域的实践——AI4Sci

AI4Sci 三件套：

AI4Sci 之深度求学：PPT 展示了一篇 Frontiers in Cellular and Infection Microbiology 的论文截图——“Early prediction of sepsis associated encephalopathy in elderly ICU patients using machine learning models: a retrospective study based on the MIMIC-IV database”（Yupeng Han、Xiyuan Xie、Jiapeng Qiu、Yijie Tang、Zhiwei Song、Wangyu Li、Xiaodan Wu，2025 年 4 月接收）。

AI4Sci 之深度研究：「个知·工作站 GAI Station」+「深度研究」NEW 全新升级，独立的深度研究入口。

AI4Sci 之深度编辑：DeepEditor 界面包含「智能编辑（上传 DOCX 或 Markdown 文档，进入 AI 智能编辑器）」+「论文格式化（上传 DOCX，自动转换为规范格式论文）」两个入口，下方”我的文档”区域。

Module 6：结语——两点感悟

「安全不是阻力，而是产品设计的约束条件」

「AI 能力要『藏』在业务流里，而不是摆在界面上」

立即扫码申请——免费试用「个知·智能工作站」（PPT 给出二维码）：

• 高频标准应用：开箱即用；
• 行业共创应用：专属适配。
• 核心模块：知识管理、法律助手、写作助手、智能问答、会议纪要、深度搜索、应用创建、提示探索等。

关键金句

「安全不是阻力，而是产品设计的约束条件。」——邓鹤菱（结语）

「AI 能力要『藏』在业务流里，而不是摆在界面上。」——邓鹤菱（结语）

「数据流动而不留存——流动不流出。」——「流而不留」设计原则

「都本地：太贵了！都云上：不放心！」——混合云架构的取舍命题

「软件已经进入”日抛”。」——讲者借鉴行业观点（同冯雯/居斌）

可行建议

• 架构层面：采用「本地小模型 + 云端大模型」混合云架构 + 「云-边-端 / 端-AC-DC-MC-库」拓扑，从架构上同时解决安全和成本；
• 数据流层面：数据流动但不留存，端-边-云全链路加密，云端”流动不流出”；
• 知识体系层面：建「本行业—本地区—本单位—本人」四级知识体系，写作辅助等场景按身份适配；
• 场景层面：先攻三类高 ROI 场景：新人入职（培养周期 6 月→3 周，压缩 80%）、客户拜访（5 分钟生成结构化纪要）、管理决策（10 分钟穿透数据孤岛）；
• 落地模式：标品（开箱即用）+ 标类（行业共创）+ 标杆（专属适配）三层并行；
• 科研场景：AI4Sci 三件套——DeepStudy、DeepResearch、DeepEditor 配合「Good good study, Re re search, Day day up」的工作流；
• 设计原则：把 AI 能力”藏”在业务流里，不是摆在界面上——AI 不应该成为新工具，而应该成为现有工作流的隐形增强；
• 企业自评四问：是否敢用（数据合规）/ 是否能用（输出规范）/ 是否用得起（部署 ROI）/ 是否好用（懂内部知识）。

关键数据/案例索引

核心产品/品牌：

• 每日互动股份有限公司（讲者所在公司）
• 个知·智能工作站（GAI Station）
• 个知 - 手机版（搜索 gai.cn 下载）
• 个知工作站移动端
• DeepStudy / DeepResearch / DeepEditor（AI4Sci 三件套）

架构组件：

• AC（APP Connector）= 联通企业系统、三方应用
• DC（Data Connector）= 联通企业知识库、外部知识库
• MC（Model Connector）= 联通本地小模型与云端大模型
• 云-边-端三层
• 私有云 / 专有云 / 公有云

关键数字：

• 新人培养周期 6 个月 → 3 周（压缩 80%）
• 客户拜访纪要：5 分钟智能转化
• 管理决策：10 分钟穿透数据孤岛（VS 传统数小时人工整合）
• 周报管理人工汇总滞后：3-5 天
• TGI 案例：土豪 × 妇科医院 = 12.97、网约车司机 × 商场 = 0.28、外籍人员 × 酒吧 = 7.83
• AI 五阶：Chatbots → Reasoners → Agents → Innovators → Organizations
• 四重困境 4 类
• 用户行为图谱时间轴：6 时-23 时

行业案例参考：

• 海外大模型云厂商：Google、OpenAI、Anthropic、Microsoft、Meta、Amazon
• 国内大模型云厂商：Qwen、DeepSeek、智谱
• 企业 IT 系统：ERP、CRM、OA
• AI4Sci 论文样例：Frontiers in Cellular and Infection Microbiology「Early prediction of sepsis associated encephalopathy in elderly ICU patients using machine learning models: a retrospective study based on the MIMIC-IV database」（2025 年 4 月发表）

核心模块/能力：

• 智能问答 / 知识管理 / 写作助手 / 会议纪要 / 深度搜索 / 应用创建 / 提示探索 / 法律助手
• Dify 创建应用 / 知识广场 / 智能简历 / 深度研究
• 创作中心：交付写稿 / 以稿写稿 / 自由创作
• 录音管理 / 热词管理 / 声音管理 / 回收站

消费者行为图谱（DI Know-How 案例）：

• Wake & workout：Keep、咕咚、墨迹天气
• On the way to work：星巴克、滴滴出行
• 工作时段（10-17 时）：饿了么、携程、飞猪、蚂蜂窝、智联招聘、优酷、爱奇艺、芒果 TV、WPS、有道云笔记、钉钉、微博
• After work activities：大众点评、口碑、京东到家、Keep、咕咚、网易云音乐
• Back home and sleep：淘宝、京东、爱奇艺、微博、抖音

企业拥抱 AI 三大挑战：数据安全 + 投入产出比 + 应用实效

四重困境：不敢用 / 不能用 / 用不起 / 不好用

操作系统类比：IP→AI Skill / APP→AI Store / Office→AI Office / Windows→AI OS（Linux→DeepSeek）

四级知识体系：本行业 → 本地区 → 本单位 → 本人

三类落地模式：标品（开箱即用）+ 标类（行业共创）+ 标杆（专属适配）

讲者背景：

• 每日互动 AI 产品负责人
• 深耕人工智能产品领域，专注 AI 技术与政务、商业场景的深度融合，具备从需求洞察、产品规划到技术落地、商业化落地的全流程操盘能力
• 主导个知智能工作站、公文写作、会议纪要等核心 AI 产品的研发与迭代
• 擅长整合智能对话系统、政务 AI 解决方案、AI 辅助决策工具等产品全生命周期管理
• 在政务 AI 与企业级智能化领域拥有丰富实践经验，以产品化思维打通技术与业务场景，持续赋能政府数字化转型与企业效率升级