麦肯锡于近期发布的《技术趋势展望2025》更清晰地定义了AI的角色与发展方向。报告在不止一个章节总结了基础模型加速小型化的趋势，多模态融合成为主流：

企业的模型利用从追求“大而全”转向“小而精”，高效专用小模型成本降低90%的同时保持性能不变，推动AI深入边缘设备。同时，企业在AI应用中寻找“混合模式”，既要利用云端百亿参数大模型的强大计算能力，又要使用小模型提供的实时响应和低延迟服务。小模型不仅能完成复杂任务，还能进行本地化部署。

早在大模型飞速进化之前，枫清科技就持续打磨多模态引擎与知识图谱技术，通过构建多模态数据融合与智能决策平台，灵活调度大、小模型资源，为企业提供了高效、安全且低成本的AI落地路径。

目前，枫清科技的产品已被能源、制造、金融、化工等多个行业的知名企业所采用。其中，智能终端制造服务商立臻科技携手枫清科技，全面提升了智能工厂建设的能力，借助大模型的发展增强了自身智能化的竞争力。

合作方案落地后，首先极大地改善了立臻科技的员工管理成果与员工的稳定性，从而保证生产排产计划更有序地开展。企业的数十万名作业员和研发人员都可以通过统一的对话式入口，对公司政策、管理反馈、薪酬、休假等领域进行询问。在实际应用中，系统表现出了较高的知识覆盖度和回答质量。员工关怀专员对于作业员反馈处理的效率较传统系统有了显著提升。

这些改善得益于枫清科技的创新和优化：引入语义层和优化模型调度机制，进一步提升了系统的智能化水平，尤其是提高了SQL查询准确率。大型语言模型的原生理解力大约有30-50%的准确率；然而一旦引入基础的语义信息，比如字段级的语义描述，该准确率可以提升到大约70%；而当引入基于语义的业务含义描述，准确率可以进一步提高到85-100%。

第二，制造业企业还面临复杂、多模态数据处理问题，直接影响到数据分析与决策质量。枫清科技则借助大模型对通用知识的理解能力，整合企业内部的海量、异构的高质量数据，同时配合专有制造业模型对特定场景的推理能力，让大模型结合业务场景、系统需要，自主地选择合适的小模型，充分发挥各自的优势，提升系统整体决策的能力。

而枫清科技采用的混合LLM使用策略，同时满足了结合公网大参数量模型的推理能力与内网数据安全的需求。因此，企业可在确保敏感数据不出内网的基础上，灵活选择不同链路上使用的大模型，调用公网大模型的强大泛化能力补充知识，应对复杂场景的任务。

麦肯锡强调，AI成功的关键在于选择契合场景的技术路径，而非盲目追求模型规模。枫清科技在企业智能化的实践中，凭借其在多模态数据融合、智能决策平台构建上的创新，提供了兼顾性能提升与成本效益的产品，使企业用户在AI应用中获得安全而务实的收益。