去年10月24日，应韩国工业智能化协会（KOIIA）邀请，参加了“2025中坚企业核心人才培养学院：未来产业应对战略研讨会”，CLEVI代表李焕浩发表了主题演讲。
我们在“AI技术引入案例及DX实务战略”环节中，以“Physical AI应用案例及RAG Agent引入过程中的失败因素与改进策略”为主题进行了分享。
随着近期人们对AI Agent的关注度不断提高，越来越多的企业开始考虑引入AI。我们了解到，许多机构和企业已经开始试点引入并运营AI。
但遗憾的是，据调查，许多企业和机构无法获得预期的ROI，或者在PoC阶段能够运行的功能，在正式项目或实际现场中无法给出正确回答，甚至无法运行的情况非常普遍。
由于这些情况，许多企业对仓促引入AI持谨慎态度。
在本次演讲中，CLEVI代表李焕浩详细讲解了作为仓促引入AI的典型失败原因之一的RAG系统局限性，以及开源模型和小型LLM（SLM），并说明了此前的引入案例为何会失败。
归根结底，之所以利用AI，是因为人们希望AI能够代替人的工作，或展现优于人类的表现。
目前已引入AI的企业一线工作人员由于无法信任AI的回答质量，不得不逐一检查AI的回答内容，反而导致工作量增加，相关抱怨也不断出现。
原因在于，大多数企业都在将开源SLM模型进行微调后作为解决方案使用。
从直觉上看，人们会认为AI学习了新的内容后会变得更加聪明，但实际上，让AI学习新知识反而会导致其丢失过去的记忆，即随机的参数权重。
更严重的问题在于，没有人知道究竟丢失了哪些信息或知识。
由于导入 AI 并非一项只需投入少量资源的工作，您可能从 PoC 阶段起就进行了大量验证。
为什么这些问题在当时没有出现呢？当然是因为模型使用目标信息进行了再训练。
对于一个只知道数字的 AI，先教它字母，之后只提出与字母相关的问题，它自然能够给出良好的回答。但是在实际现场，我们只需要这种专门针对特定领域的模型吗？
我们的实际环境每天都会面临新的环境和新的数据。然而，在随机破坏既有知识的同时进行训练的 AI，不仅无法保证通用性，也无法保证准确性。
因此，我们需要拥有 From-scratch Foundation 超大语言模型，或具备构建此类模型的技术。
这是因为这类模型掌握了世上几乎所有的知识，因此不仅回答质量高，准确性也很高。
对于特定领域，可以使用 SFT（Supervised Fine-Tuning）技术；对于少量数据，如果使用 RAG 系统或 CLEVI 自主开发的智能数据库系统——语义数据库技术，就能够克服微调 SLM 的缺点。
政府也深知这类基础模型的重要性，因此正在提供大量支持。
这就是国家代表 AI 项目。该项目最大的目标应该是确保数字主权。
CLEVI 同样了解使用开源模型时存在的致命缺点，因此从数据收集到架构设计都自主开发，并训练了 CLEVI 的模型。
目前，CLEVI 的模型即使与世界顶尖的 AI 竞争，性能也丝毫不落后。
尤其是由于拥有自主模型，CLEVI 也不受使用外部模型时可能产生的依赖性问题影响。
如今，导入 AI 正逐渐从选择变为必需。然而，仅仅导入最新技术，很难获得预期成果。
真正的创新，只有在准确理解技术的局限性，并根据组织自身的环境和目标制定最佳战略时，才会真正开始。
CLEVI 凭借自主研发的超大语言模型、语义数据库等差异化技术能力，正在将企业在导入 AI 的过程中经历的试错和风险降至最低。
今后，我们将继续倾听一线现场的声音，为成为更多企业值得信赖的 AI 合作伙伴而竭尽全力。愿您与CLEVI携手，共同实现 AI 应用的真正成功。