Lazarus Enterprises Inc.宣布推出全新的应用智能引擎，旨在帮助组织解决人工智能领域的"最后一公里"问题。

该平台于今日正式发布，是一个模型无关的基础设施平台，专为医疗保健、金融服务和政府等受监管行业设计。在这些行业中，所谓的"幻觉"问题不仅仅是麻烦，更是AI采用的致命障碍。

根据麻省理工学院2025年的一项研究，令人震惊的是，受监管企业中95%的AI试点项目都无法投入生产。这一现实意味着信息技术团队陷入了昂贵实验的循环中，却没有任何成果可展示。

解决AI项目投产失败的关键

Lazarus表示，AI项目无法投入生产的一个重要原因是，组织花费过多时间担心基础模型，而在支撑这些模型的底层数据架构上投入不足。在许多情况下，当出现幻觉时，这并非模型的错误，而是模型解释数据并形成响应的方式有问题。

Lazarus的应用智能引擎是一个模块化层，位于企业数据和他们希望使用的任何大语言模型之间。这一层将模型与组织的运营工作流程解耦，该初创公司表示这是帮助提高响应准确性的秘密武器，使组织能够从实验阶段转向大规模部署。

Lazarus首席执行官Alex Panait在宣布发布的博客文章中写道："问题不在于模型。问题在于模型周围的架构。大多数企业AI失败不是因为底层模型薄弱，而是因为包装它们的系统脆弱。"

三大核心模块构成强大架构

与仅仅将用户提示传递给应用程序编程接口的简单"包装器"不同，Lazarus的应用智能引擎由三个复杂模块组成。

这些模块包括任务执行模块或管道，使用"问题工程"来确保确定性和可审计的输出。知识增强模块充当检索系统，从知识图谱和向量数据库中提取数据，以可验证的企业数据为基础支撑AI响应。

最后，自动化编排模块是一个"智能体框架"，将多步骤工作流程分解为单个任务，并将它们分配给最适合执行的模型。它还支持"人机协作"升级机制。

Panait表示，这些模块结合起来使AI流程能够持续运行并协调跨多个系统的执行。

实际应用成果显著

据Lazarus介绍，其结构化的AI执行方法已在实际应用中产生影响。早期采用者包括一家未透露姓名的医疗保健提供商，其紧急预授权审查周期从数天减少到数小时，效率提高了75%。与此同时，一家再保险客户使用Lazarus平台识别出约3000万美元的隐藏尾部风险敞口，这是传统投资组合抽样方法所遗漏的。

Panait解释说，这些成果之所以成为可能，是因为Lazarus平台在工程设计上优先考虑准确提取和基于证据的推理，而非生成流畅性。该公司根据系统交付的价值来进行基准测试，而不是"虚荣指标"。他强调："在错误代价高昂的领域，每个决策的质量比AI接触点的数量更重要。"

企业级功能包括治理控制平面，使合规团队能够将公司政策直接整合到AI的运行时中。如果模型开始漂移，或者特定任务的成本开始急剧上升，控制平面将自动停止该工作流程，避免监管或财务风险。

部署设计也非常灵活。应用智能引擎可以与现有的云端和本地基础设施集成，满足企业数据所在的任何位置。

也许Lazarus最大的优势在于它允许模型独立性。公司可以根据需求快速轻松地更换模型，避免被锁定在特定模型提供商上。

Panait说："我们的应用智能引擎解决了在受监管行业中减缓采用的运营、监管和基础设施障碍。通过问题工程、上下文工程和提示工程的正确组合，超过90%的Lazarus试点项目转化为现实部署和可衡量的结果。"

Q&A

Q1：Lazarus AI的应用智能引擎是什么？

A：应用智能引擎是Lazarus公司推出的模型无关基础设施平台，专为医疗、金融、政府等受监管行业设计。它作为企业数据和大语言模型之间的模块化层，通过解耦模型与运营工作流程来提高AI响应准确性，帮助组织从实验阶段转向大规模生产部署。

Q2：为什么95%的企业AI试点项目都失败了？

A：根据麻省理工学院研究，主要原因是组织过度关注基础模型而忽略底层数据架构。AI幻觉问题往往不是模型本身的错误，而是模型解释数据的方式有问题。此外，模型周围的系统架构脆弱也是导致失败的重要因素。

Q3：应用智能引擎有哪些核心功能模块？

A：该引擎包含三个核心模块：任务执行模块使用问题工程确保输出的确定性和可审计性；知识增强模块从知识图谱和向量数据库提取数据支撑AI响应；自动化编排模块将复杂工作流分解为单个任务并分配给最适合的模型执行，还支持人机协作升级。