在耀眼標題背後，AI 產業正為幾個根本問題所困：創新動能是否仍在延續、資本可持續性如何，以及模型開發者與應用建構者之間日益分岔的路徑。
產業無聲的轉捩點
過去三年，人工智能以空前速度成長。自 ChatGPT 推出以來，消費者採用速度屢破紀錄，從 OpenAI 到 Google 的巨頭接連快速發布新模型，而《財富》500 強企業也已將 AI 置於其業務流程的核心。然而到了今天，在這些耀眼標題背後，整個產業正面對一個截然不同的根本問題：
真正的創新是否仍在強勁推進，還是我們正看著一部龐大機器撞上看不見的極限？
要正確回答這個問題，我們需要透過兩個不同的視角來看這個生態系統：
一級市場：開發基礎模型的公司，例如 GPT-4、Claude 和 Gemini 背後的 OpenAI、Anthropic、Google DeepMind、Meta。
二級市場：以這些模型為基礎，為真實用戶問題打造解決方案的公司：Perplexity、Cursor、Notion AI、Replit。
雖然這兩個市場同處於同一產業之中，但它們的運作動態、成本結構、風險輪廓與成長預期都存在根本差異。我們今天所見的張力，正正源於這種分化。
模型發展的自然極限正在浮現
過去五年，大型語言模型的演進主要由四個根本因素塑造：
- 模型規模（參數數量）
- 訓練數據（品質與多樣性）
- 計算能力（GPU/TPU 容量）
- 訓練技術（transformer 架構、attention 機制）
從 2018 到 2023 年，這四個因素都朝同一方向擴張，帶來了巨大的躍升。這也是我們如何從 GPT-2 走到 GPT-4、從 BERT 走到 PaLM。然而，這條曲線不會無限延續。訓練數據如今已成為整個產業最關鍵的瓶頸。
高質素、多元而且原創、由人類生成的數據池相當有限。你用 Wikipedia 訓練，你用 arXiv 訓練，你用 GitHub 訓練：之後呢？由於版權問題、數據擁有權協議，以及存取限制，這個領域的成本正以指數級上升。你要同 Reddit 達成協議，與 Stack Overflow 談判，還要面對來自 The New York Times 的訴訟。繼續擴大模型規模在技術上仍然可行，但數據端正在形成一道自然上限。
這就是為甚麼業界的焦點，已由模型規模轉向效率。思維鏈推理、來自人類反饋的強化學習（RLHF）、更有效的採樣技術、混合專家（MoE）架構：這些全都是這場轉變的一部分。
這些發展固然重要，但單靠它們並不可持續。因為效率提升終有一刻也會達到飽和。業界正開始意識到，基礎模型創新已進入一個更慢、也更昂貴的階段。
資本流動壓力與日益加劇的脆弱性
隨着技術限制變得愈來愈明顯，資本層面的增長也承擔了更大的風險。
基礎模型公司正在建設龐大的算力基礎設施，並在人才爭奪戰中開出進取的條件。這些支出都發生在穩固的收入基礎尚未建立之前。OpenAI 每年的算力成本高達數十億美元。Anthropic 從 Microsoft 獲得數十億美元投資。Google 亦為 DeepMind 劃出獨立預算。
投放於數據中心的數十億資金、為期多年的 GPU 合約、支付給 Ilya Sutskever 等人物的天價薪酬：這些都大幅推高了公司的支出項目。
這個圖景顯示，第一市場是建立在一種經濟上高度脆弱的擴張模型之上。模型創新的成本結構，遠遠超出收入增長速度。
應用層的靜默崛起
當第一市場承受壓力之際，第二市場則以相對健康的增長曲線向前推進。這些公司把基礎模型轉化為真正的使用場景。
- Perplexity：重新設計搜尋體驗
- Cursor & Replit：改變編碼流程
- Notion AI：讓生產力工具變得智能
- Dvina：連接 120+ 個應用程式，透過單一智能層管理整個數碼生活
這些公司的優勢，在於它們最貼近用戶。真正的價值直接體現在用戶體驗之中。搜尋、編碼、內容創作、生產力、資訊處理：這些領域全都提供了可擴展且易於理解的收入模式。
正因如此，許多基礎模型生產商已開始轉向應用層。OpenAI 把 ChatGPT 產品化，Anthropic 將 Claude 轉化為面向消費者的產品，Google 則整合了 Gemini。垂直整合策略迅速蔓延。
但這項策略也帶來了副作用：獲客成本急升，第二市場估值被推高。第二市場——唯一有能力產生收入的領域——變得如此昂貴，進一步放大了整個行業的資本風險。
歷史週期與當下的關鍵差異
人工智能過去曾經歷兩次重大低潮：1970 年代末與 1990 年代初。這些時期的共通點是：期望高、創新速度低，以及投資意欲消散。
今天的情況有所不同。技術創新仍在持續，但突破的速度正在放慢。與此同時，資本流入卻以空前規模增長。Sam Altman 提到一個 7 萬億美元的算力基金，Elon Musk 則向 xAI 投入數十億美元。
因此，我們正在經歷的並不是典型的「AI 寒冬」。更像是一段以資本配置為基礎的脆弱期：估值正在膨脹，成本正在加速上升，但創新速度卻未能達到預期。
新時代：勝出的不會是更大的模型，而是更聰明的方法
當下最關鍵的差異在於：現在重要的，已不再是透過增加更多參數來製造更龐大的模型。
真正的轉型將會發生在以下幾個領域：
- 提升參數效率
- 以更小型的模型達到更高品質
- 開發新的訓練技術
- 更具策略性且更有效地使用數據
- 大幅降低訓練成本
近期其中一個最引人注目的例子是 DeepSeek。這家中國初創公司開發出一個表現達到 GPT-4 水平的模型：但訓練成本低得多。Mixture-of-experts 架構、參數優化、以效率為核心的訓練技術。市場對此反應強烈。
在 DeepSeek 發布公告後，NVIDIA 的市值在單日內蒸發了 6,000 億美元。這顯示投資者如今關注的，不只是更大型模型的競賽，還有對效率與架構創新的競賽。
但這仍然不足夠。如果這個行業要迎來真正的飛躍，將會來自新的架構範式。某種超越 transformer 架構的東西。也許是神經形態計算，也許是混合模型，又或者是完全不同的學習框架。
這類激進的轉變通常不會來自大型公司。由於規模壓力、基礎設施成本，以及企業風險管理，它們的運作往往較為審慎。真正的突破往往來自小型、進取、能承受風險且充滿野心的初創公司。
今天的 AI 生態系統，很可能正等待着這樣一次顛覆。
結論：勝出的不會是資源，而是方法
當今的 AI 行業正處於兩種張力之間擺盪：一方面，是一種正逐步逼近極限的模型擴展策略；另一方面，則是不斷上升的資本風險，以及快速升值的應用市場。
這幅圖景顯示，當下的根本問題已經是方法，而不是容量。明天的贏家，不會是那些打造更大型模型的人，而會是那些建立更聰明方法的人。效率、全新的架構設計，以及經過優化的訓練技術，正成為這個行業真正的分水嶺。
未來真正具決定性的，將是方法的品質，而不是資源實力。而且，相比大型公司，由具前瞻視野的初創公司來發起這種方法轉變的可能性相當高。
