在政务服务、企业运营等严肃工作场景中，大模型的准确性和可控性，正成为AI真正落地的关键问题。除了追求更强的生成能力，北京彩智科技创始人徐剑军更关注另一件事：当AI开始参与真实业务流程，它给出的结果，是否可信、可控、可追溯。

创业原点：从知识工程走向“可信AI”

创业前，徐剑军曾从事信息化建设工作，也亲历了大数据、AI概念快速升温，却难以真正落地产业场景的阶段。

“这些新技术在传统行业里，说得响亮，却很难真正落地。”基于这样的观察，他选择创业，希望做能够在传统行业中真正发挥实际价值的AI应用。

成立初期，北京彩智科技有限公司选择从知识图谱定制化服务切入，为政府机构、大型企业及重要业务场景构建专属知识体系。在长期服务传统行业的过程中，团队逐渐意识到，真正难以被机器准确理解、持续更新并可靠调用的，往往不是单一业务知识，而是大量由制度、规则与流程构成的规范性知识。

徐剑军介绍可信知识模型

这一方向后来在科技部相关课题中进一步深化。彩智参与承担“知识图谱构建关键技术及智能政务应用示范”课题任务，并在课题基础上持续投入研发，逐步形成核心产品“深知”系列。

2023年，ChatGPT引发的大模型浪潮席卷产业界，也进一步验证了徐剑军与团队此前对AGI（通用人工智能）趋势的判断：AGI可能比预期更快到来，但如果AI无法真正理解人类社会中的规则与规范，就很难进入真实业务场景。

基于这一判断，彩智开始进行商业转型，正式将“深知”作为标准化产品推向市场，从“知识图谱服务商”转向面向大模型时代的可信能力建设。多年积累的知识工程能力，也在这一过程中迎来新的价值空间。

产品化探索：让“深知可信”真正落地

面对行业普遍聚焦垂直小模型的发展趋势，徐剑军给出了不同的判断：传统视角中的“垂直”，并不等同于AGI语境下的垂直。物理、数学、生物等自然知识，对大模型而言更接近通用能力。

相比自然规律明确的知识，大量由人类约定形成的规范性知识，才是最容易产生“幻觉”、也最直接影响AI落地可靠性的部分。

基于这一思路，彩智逐步形成“双产品并行”策略：一方面推出标准化的“深知可信智能体”产品，面向政企场景提供精准知识助手、智能客服等服务；另一方面，面向模型与开发生态输出能力（MCP），提供规范性知识调用服务，减少不同场景重复建设底层知识体系的成本。

在技术实现层面，彩智构建了以知识治理为核心的运行体系，将知识分析流程转化为可复用的智能体能力，并通过持续迭代提升政策、制度等信息的同步与对齐效率。

相比单纯追求生成效果，徐剑军更关注AI在真实业务中的稳定性与准确性。

因此，在商业化路径上，团队优先进入对准确性要求最严格的场景，以实际应用不断验证技术能力。彩智先后参与政策答问平台建设，以及多地政务服务项目，并在大型央企的合规管理、设备维修等场景中推进落地，在高要求环境中持续打磨产品能力。

2026年，开源AI智能体OpenClaw引发的安全讨论，也让彩智的一项新产品“深知对话风控模型”受到关注。

这一产品能够在基座大模型前端识别谐音、变体等隐蔽风险内容，并基于权威知识库给出可溯源回应，为规范性知识交互提供风险控制能力。

观点洞察：在AGI时代，做“难而重要”的事

在徐剑军看来，“幻觉”并不仅仅是一个技术问题，也是一种AI进入真实产业过程中的现实问题。

在实际应用中，过于乐观的技术预期、对能力边界的忽视，以及对生成效果的片面追求，往往会使AI应用更容易偏离真实需求。

也正因如此，相比更容易获得关注的热门方向，徐剑军愿意长期投入规则理解、知识治理与可信交互等基础能力建设。

在他看来，这类工作虽然复杂、短期内也很难形成直观效果，但却是AGI真正进入严肃应用场景的重要基础。只有当AI具备足够可靠的规则理解与知识对齐能力，人类才有可能真正从大量重复性、校验性的工作中逐步解放出来。

面向未来，徐剑军表示，彩智仍会坚持两件“不变”的事：一方面，坚持在既定技术路径上长期投入，持续解决“难而重要”的问题；另一方面，通用人工智能的发展潜力，通过技术提升效率，让机器能力真正成为推动产业进步的重要基础。（完）