亮眼的新聞標題背後,AI 行業正面對幾個根本問題:創新動力、資本的可持續性,以及模型開發者與應用開發者日漸分歧的發展路徑。
行業悄然迎來轉折點
過去三年,人工智能以史無前例的速度發展。自 ChatGPT 推出以來,消費者的採用速度屢破紀錄,從 OpenAI 到 Google,各大巨頭接連公布新模型,Fortune 500 企業也將 AI 放到業務流程的核心。然而今天,在亮眼的新聞標題背後,整個行業正面對一個本質上截然不同的問題:
真正的創新是否仍在強勁推進,還是我們正看着一部龐大機器撞上看不見的極限?
要妥善回答這個問題,我們需要從兩個不同的角度審視這個生態系統:
一級市場:開發 GPT-4、Claude 和 Gemini 等基礎模型的公司:OpenAI、Anthropic、Google DeepMind、Meta。
二級市場:運用這些模型,開發解決用戶實際問題的方案的公司:Perplexity、Cursor、Notion AI、Replit。
雖然這兩個市場同屬一個行業,但它們的運作方式、成本結構、風險特徵和增長預期都有根本差異。我們今天所見的張力,正是源於這種分歧。
模型開發的自然極限正在浮現
過去五年,四個根本因素塑造了大型語言模型的演進:
- 模型規模(參數數量)
- 訓練數據(質素與多樣性)
- 運算能力(GPU/TPU 容量)
- 訓練技術(transformer 架構、注意力機制)
從 2018 到 2023 年,這四個因素同步擴展,帶來了巨大的飛躍。我們就是這樣從 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行業最關鍵的瓶頸。
高質素、多元且原創的人類生成數據相當有限。用 Wikipedia 訓練,用 arXiv 訓練,用 GitHub 訓練:然後呢?版權問題、數據擁有權協議及存取限制,令這方面的成本呈指數級上升。你要與 Reddit 達成協議、與 Stack Overflow 談判,還要面對 The New York Times 的訴訟。繼續擴大模型規模在技術上仍然可行,但數據方面卻形成了一個自然上限。
因此,業界的焦點已從模型規模轉向效率。思維鏈推理、人類回饋強化學習(RLHF)、更有效的採樣技術、混合專家(MoE)架構:這些都是這場轉變的一部分。
這些發展固然重要,但單靠它們並不足以持續下去,因為效率提升終究也會達到飽和。業界開始意識到,基礎模型的創新已進入一個步伐更慢、成本更高的階段。
資金流動的壓力與日益加劇的脆弱性
隨着技術限制愈來愈明顯,資本層面的增長也伴隨着更大的風險。
基礎模型公司正在建設龐大的運算基礎設施,並在人才爭奪戰中開出極具競爭力的待遇。這些支出都發生在穩固的收入基礎建立之前。OpenAI 每年的運算成本高達數十億。Anthropic 從 Microsoft 獲得數十億投資。Google 則為 DeepMind 編列獨立預算。
投入數據中心的數十億資金、多年期 GPU 合約,以及支付給 Ilya Sutskever 等人的天價薪酬,都大幅推高了公司的各項支出。
這些情況顯示,一級市場所依賴的規模擴張模式,在經濟上極為脆弱。模型創新的成本結構遠超收入增長速度所能支撐的水平。
應用層悄然崛起
一級市場承受壓力之際,二級市場卻沿着相對健康的增長曲線向前發展。這些公司將基礎模型轉化為實際應用。
- Perplexity:重新設計搜尋體驗
- Cursor & Replit:革新程式編寫流程
- 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最貼近用戶,真正的價值直接體現在用戶體驗上。搜尋、程式編寫、內容創作、生產力、資訊處理:這些領域都有可擴展且易於理解的收入模式。
因此,許多基礎模型開發商已開始轉向應用層。OpenAI 將 ChatGPT 產品化,Anthropic 將 Claude 打造成面向消費者的產品,Google 則整合了 Gemini。垂直整合策略迅速普及。
但這項策略也帶來了副作用:收購成本飆升,二級市場的估值膨脹。二級市場是唯一能夠產生收入的領域,如今卻變得如此昂貴,進一步放大了業內的資本風險。
歷史週期與今天的關鍵差異
人工智能過去曾經歷兩次重大低潮:1970 年代末及 1990 年代初。這兩個時期的共通點是期望高、創新速度慢,以及投資意欲消退。
今天的情況有所不同。技術創新仍在持續,但取得突破的步伐正在放緩。資金流入卻以空前規模增長。Sam Altman 談及一個 7 萬億美元的算力基金,Elon Musk 則向 xAI 投入數十億資金。
因此,我們正在經歷的並不是典型的「AI 寒冬」,而更像是一段由資本配置造成的脆弱期:估值不斷膨脹,成本加速上升,但創新速度卻未能達到預期。
新時代:勝出的不是更大的模型,而是更聰明的方法
今天最關鍵的差異在於:現在重要的,不是透過增加參數來打造更龐大的模型。
真正的轉型將出現在以下領域:
- 提升參數效率
- 以更小的模型達到更高質素
- 開發新的訓練技術
- 更有策略、更有效地運用數據
- 大幅降低訓練成本
近期最矚目的例子之一是 DeepSeek。這家中國初創公司開發出表現達到 GPT-4 水平的模型,但訓練成本低得多。混合專家架構、參數優化、以效率為重點的訓練技術。市場對此反應強烈。
DeepSeek 公布消息後,NVIDIA 的市值在單日內下跌了 $600 billion。這顯示投資者如今關注的,不只是打造更大模型的競賽,還有提升效率與創新架構的競賽。
但這仍然不夠。這個行業若要迎來真正的飛躍,就必須靠新的架構範式,超越 transformer 架構。也許是神經形態運算,也許是混合模型,又或是完全不同的學習框架。
這類根本性的轉型通常不會來自大型公司。規模壓力、基礎設施成本及企業風險管理,都令它們行事審慎。真正的突破往往來自規模小、進取、願意承擔風險而且雄心勃勃的初創公司。
今天的 AI 生態系統,很可能正等待這樣一場顛覆。
結論:決定勝負的是方法,而非資源
今天的 AI 行業在兩股張力之間擺盪:一邊是逐漸逼近極限的模型規模擴張策略,另一邊是不斷上升的資本風險,以及價值迅速攀升的應用市場。
這個局面顯示,如今的根本問題在於方法,而非能力。未來的贏家不會是打造更大模型的人,而是開創更聰明方法的人。效率、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。
未來決定勝負的,將是方法的質素,而非資源實力。而這場方法上的轉變,相當有可能由具遠見的初創公司率先推動,而不是大型公司。