在耀眼的头条背后，AI 行业正围绕几个根本问题展开博弈：创新动能是否仍在延续、资本可持续性如何，以及模型开发者与应用构建者正在走向怎样分化的道路。
行业无声的转折点
过去三年，人工智能以前所未有的速度增长。自 ChatGPT 发布以来，消费者采用速度屡破纪录，从 OpenAI 到 Google 的巨头接连快速发布新模型，财富 500 强企业也已将 AI 置于其业务流程的核心。然而今天，在这些耀眼头条的背后，整个行业正在面对一个截然不同的根本问题：
真正的创新是否仍在以强劲势头持续推进，还是我们正在目睹一台庞大机器撞上无形的极限？
要正确回答这个问题，我们需要通过两个截然不同的视角来审视这个生态系统：
一级市场：开发 GPT-4、Claude 和 Gemini 这类基础模型的公司：OpenAI、Anthropic、Google DeepMind、Meta。
二级市场：基于这些模型，围绕真实用户问题构建解决方案的公司：Perplexity、Cursor、Notion AI、Replit。
尽管这两个市场同处于一个行业之中，但它们的运行逻辑、成本结构、风险特征和增长预期都存在根本差异。我们今天所看到的紧张关系，正是源于这种分化。
模型发展的自然边界正在显现
过去五年，大语言模型的演进主要由四个根本因素塑造：
- 模型规模（参数数量）
- 训练数据（质量与多样性）
- 计算能力（GPU/TPU 容量）
- 训练技术（transformer 架构、注意力机制）
从 2018 年到 2023 年，这四个因素沿着同一方向扩张，带来了巨大的跃迁。这也是我们为何能从 GPT-2 走到 GPT-4、从 BERT 走到 PaLM。然而，这条曲线不会无限延续。如今，训练数据已成为整个行业最关键的瓶颈。
高质量、多样化且由人类原创生成的数据池是有限的。你在 Wikipedia 上训练，在 arXiv 上训练，在 GitHub 上训练：然后呢？由于版权问题、数据所有权协议和访问限制，这一领域的成本正呈指数级上升。你与 Reddit 达成交易，与 Stack Overflow 谈判，还要面对 The New York Times 提起的诉讼。继续扩大模型规模在技术上仍然可行，但数据这一侧正在形成一个天然上限。
这就是为什么行业的关注点已经从模型规模转向效率。思维链推理、基于人类反馈的强化学习（RLHF）、更有效的采样技术、混合专家（MoE）架构：这些都属于这场转变的一部分。
这些进展很重要，但仅靠它们本身并不可持续。因为到了某个阶段，效率提升也会趋于饱和。行业开始意识到，基础模型创新已经进入一个更慢、也更昂贵的阶段。
资本流动压力与日益加剧的脆弱性
随着技术边界变得愈发可感，资本端的增长也承担了更大的风险。
基础模型公司正在建设庞大的算力基础设施，并在人才争夺战中开出激进条件。这些支出发生时，稳固的收入基础尚未建立。OpenAI 的年度算力成本已达数十亿美元。Anthropic 从 Microsoft 获得了数十亿美元投资。Google 则为 DeepMind 单独划拨预算。
投入数据中心的数十亿美元、为期多年的 GPU 合同、支付给 Ilya Sutskever 这样的人物的天价薪酬：这些都大幅推高了公司的支出项。
这一图景表明，一级市场建立在一种经济上高度脆弱的扩张模型之上。模型创新的成本结构远远超过了收入增长速度。
应用层的悄然崛起
当一级市场承压时，二级市场却沿着相对健康的增长曲线向前推进。这些公司将基础模型转化为真实的使用场景。
- Perplexity：重塑搜索体验
- Cursor & Replit：改变编码流程
- Notion AI：让生产力工具变得智能
- Dvina：连接 120+ 个应用，通过单一智能层管理完整的数字生活
这些公司的优势在于它们离用户最近。真正的价值直接体现在用户体验中。搜索、编码、内容创作、生产力、信息处理：所有这些领域都提供了可扩展且易于理解的收入模型。
这就是为什么许多基础模型生产者已经开始转向应用层。OpenAI 将 ChatGPT 做成了产品，Anthropic 把 Claude 变成了面向消费者的产品，Google 则整合了 Gemini。垂直整合战略迅速蔓延开来。
但这一策略也带来了副作用：获客成本飙升，二级市场估值膨胀。二级市场——唯一能够创造收入的领域——变得如此昂贵，进一步放大了该行业的资本风险。
历史周期与当下的决定性差异
人工智能过去经历过两次重大低潮：一次在 1970 年代末，另一次在 1990 年代初。这些时期的共同点是：预期很高、创新速度很低，以及投资意愿的消退。
如今的情况不同。技术创新仍在继续，但突破的速度正在放缓。然而，资本流动却以前所未有的规模增长。Sam Altman 谈论一个 7 万亿美元的算力基金，Elon Musk 则向 xAI 投入数十亿美元。
因此，我们正在经历的并不是经典的“AI 寒冬”。它更像是一个基于资本配置的脆弱期：估值在膨胀，成本在加速上升，但创新速度并未达到预期。
新时代：胜出的不会是更大的模型，而是更聪明的方法
当下最关键的不同在于：现在重要的，不再是通过增加更多参数来制造更庞大的模型。
真正的变革将发生在这些领域：
- 提升参数效率
- 用更小的模型实现更高质量
- 开发新的训练技术
- 更具战略性且更高效地使用数据
- 大幅降低训练成本
近期最引人注目的例子之一是 DeepSeek。这家中国初创公司开发出了性能达到 GPT-4 水平的模型：但训练成本低得多。混合专家架构、参数优化、以效率为导向的训练技术。市场对此反应强烈。
在 DeepSeek 发布公告后，NVIDIA 的市值在一天内蒸发了 6000 亿美元。这表明，投资者如今关注的不仅是更大模型的竞赛，也在关注效率与架构创新的竞赛。
但这仍然不够。如果这个行业要实现真正的跃迁，那将通过新的架构范式来完成。某种超越 transformer 架构的东西。也许是神经形态计算，也许是混合模型，又或者是完全不同的学习框架。
这类激进的变革通常并非来自大公司。由于规模压力、基础设施成本以及企业风险管理，它们的运作更为谨慎。真正的突破往往出现在小型、进取、敢于承担风险且雄心勃勃的初创公司中。
如今的 AI 生态系统，很可能正等待着这样一次颠覆。
结论：决定胜负的不是资源，而是方法
当今的 AI 行业在两种张力之间摇摆：一边是逐渐逼近极限的模型扩展策略；另一边则是不断上升的资本风险和快速升值的应用市场。
这幅图景表明，根本问题如今在于方法，而不是容量。未来的赢家不会是那些构建更大模型的人，而是那些构建更聪明方法的人。效率、全新的架构设计以及优化后的训练技术，正成为这个行业真正的分水岭。
未来真正起决定作用的，将是方法的质量，而不是资源实力。而且，相比大公司，由有远见的初创公司来发起这种方法转变的可能性相当高。
