国内备案可用的生成式AI大模型已经超过180个。数量一点都不少，但大家更关心的是：这些模型到底在哪些行业真正用起来了？我梳理了一下最近的政策风向和厂商案例，发现几个被反复提及的领域——金融、医疗、制造、物流和农业——各有各的进展，也各有各的沟坎。
金融：钱多、数据好，但合规是紧箍咒
金融机构每年在IT上砸的钱够多，数据积累也厚，对新技术的态度一向积极。2025年智慧金融市场规模预计冲到3638亿，所以大模型最先在这里找到买单的人。
具体落地集中在四个方向：
智能风控 是目前价值最被看好的场景。以前靠规则引擎识别欺诈或洗钱，漏网之鱼不少。现在用大模型分析非结构化数据（合同文本、舆情报告），再叠上知识图谱，确实能抓得更准。很多银行已经在私有云上跑风控模型，人工复核的压力小了不少。
智能营销 和 智能客服 相对成熟。大模型能理解用户意图，不只回答'是/否'，还能多轮对话。商汤给上海银行做的数字员工'海小智、海小慧'，已经在网点和App里应付日常咨询。不过，营销推荐一旦出错，合规责任就来了，所以大多还是以辅助为主，不敢完全放手。
智能投研 更像是个提效工具。澜舟科技跟联通合作，用大模型扩展投研知识库，帮研究员快速出摘要。研究报告讲究严谨，模型幻觉是致命伤，所以落地时必须有严格的溯源机制。
金融看着热闹，但真正的命门是数据不出域。私有化部署、联邦学习是标配，这就意味着成本不低。
医疗：明珠握在手里，但吊高很难摘
都说医疗是大模型皇冠上的明珠，市场规模2028年预计2332亿，可惜现实是冰火两重天。
辅助诊疗 在影像科已经有些落地案例。医准智能的超声大模型直接读片子，智谱AI跟东方医院搞的中医平台可以开方子。但临床决策关乎人命，任何建议都要医生签字负责。所以现在最多是'第二意见'，离独立诊断还远。
药物研发 看起来诱人，实际上周期长。北京市计算中心用百度文心的大模型筛化合物，确实把虚拟筛选加速了。不过，从候选分子到上市药，后面还有无数验证环节，AI只是其中一小环。
电子病历 是医生实际感到爽的场景。云知声的山海大模型在北京友谊医院跑病历生成，医生一边问诊，系统一边自动摘出主诉、现病史。文书负担降下来，医生才有更多时间看病人。这块推广最难的反而是医院信息科的配合。
医疗的症结：数据太敏感，隐私法规把脖子卡得很紧。跨机构的数据协同几乎寸步难行，大模型的泛化能力也就打了折扣。
制造：场景碎，但政策在猛推
制造业的数字化转型是国策，AI大模型在这里的触点特别分散。
从 产品设计 到 生产制造，能讲的故事很多。比如用生成式设计快速迭代方案，或者结合IIoT数据实时调参。但工厂里的数据质量参差不齐，传感器采集的时序数据噪声大、标注少，模型训练之前就得花大把功夫清洗。
质量检测 和 设备维护 是投入产出比较清晰的两个点。视觉大模型在产线上检缺陷，针对特定型号产品微调后，漏检率能压到很低。预测性维护听着玄，其实也就是分析振动、温度数据、提前报警，减少意外停机。
制造业难在集成。产线一旦开动，停一分钟都是钱，把大模型系统无缝嵌进去需要长期驻场打磨。而且，很多老师傅的经验是隐性的，模型学不会。
物流与农业：轻量级场景，见效快
这两个领域往往被当成配角，但我反而觉得它们的小切口应用更容易铺开。
物流的 智能调度、路线规划 直接优化成本，算法已经在骑手管理和干线运输里用了很久，现在换成大模型，无非是处理更多变量、动态响应。仓储里的机器人调度也在往更智能的方向走。
农业的 精准种植、病虫害防治 正在变成标准化服务。无人机拍下多光谱图像，大模型分析长势和虫害，告诉农户哪块地该施肥打药。这种场景对模型精度要求可以适度放宽，容错空间大，所以推广阻力小。政府部门也愿意投钱，毕竟关系到粮食安全。
技术选型：RAG、微调与算力账本
无论哪个行业，落地都得过三关：知识准确、数据安全、成本可控。
RAG（检索增强生成） 几乎成了垂直行业的标配。通用大模型不懂内部的规章制度，回答就容易跑火车。接上企业自己的知识库，生成前先检索，能大幅降低幻觉。但RAG的效果严重依赖知识库的整理质量，文档碎片化、更新不及时，问答质量就跳水。
模型微调 现在流行用LoRA这类参数高效方案。全量微调太贵，LoRA在基座模型上加个低秩矩阵，保留通用能力的同时注入行业知识。我们自己的实践感觉：数据量少于1万条时，微调带来的收益不如精心设计的提示词。