在耀眼標題背後，AI 產業正苦於幾個根本問題：創新動能、資本可持續性，以及模型開發者與應用建構者之間日益分歧的路徑。
產業無聲的轉折點
過去三年，人工智慧以空前速度成長。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模型，財富 500 強企業也已將 AI 置於其業務流程的核心。然而今天，在這些耀眼標題背後，整個產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，還是我們正在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待這個生態系：
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：採用這些模型，並針對真實使用者問題打造解決方案的公司：Perplexity、Cursor、Notion AI、Replit。
儘管這兩個市場同屬一個產業，但它們的動態、成本結構、風險輪廓與成長預期在本質上截然不同。我們今天所見的緊張局勢，正是源自這種分化。
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所塑造：
- 模型規模（參數數量）
- 訓練資料（品質與多樣性）
- 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，這四個因素朝同一方向擴張，帶來了巨大的躍進。這也是我們從 GPT-2 走到 GPT-4、從 BERT 走到 PaLM 的原因。然而，這條曲線不會無限延續。如今，訓練資料已成為整個產業最關鍵的瓶頸。
高品質、多樣且原創、由人類生成的資料池是有限的。你拿 Wikipedia 來訓練，拿 arXiv 來訓練，拿 GitHub 來訓練：然後呢？由於版權問題、資料所有權協議與存取限制，這個領域的成本正以指數級上升。你和 Reddit 談授權，和 Stack Overflow 協商，還得面對 The New York Times 提起的訴訟。持續擴大模型規模在技術上仍然可行，但資料端正在形成一道自然上限。
這就是為什麼產業的焦點已從模型規模轉向效率。思維鏈推理、來自人類回饋的強化學習（RLHF）、更有效的取樣技術、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，但光靠它們本身並不可持續。因為到了某個階段，效率提升也會趨於飽和。產業正開始意識到，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
隨著技術極限變得愈發可感，資本面的成長也承擔了更高的風險。
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激進條件。這些支出發生時，穩固的營收基礎尚未建立。OpenAI 的年度算力成本高達數十億美元。Anthropic 獲得 Microsoft 數十億美元投資。Google 也為 DeepMind 編列獨立預算。
投入資料中心的數十億資金、為期多年的 GPU 合約、支付給 Ilya Sutskever 這類人物的天價薪酬：這些都大幅推高了公司的支出項目。
這幅圖景顯示，初級市場是建立在一種在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過營收成長速度。
應用層的悄然崛起
當初級市場承受壓力之際，次級市場則以相對健康的成長曲線持續推進。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：改變程式開發流程
- Notion AI：讓生產力工具變得更智慧
- Dvina：連接 120+ 個應用程式，透過單一智慧層管理完整的數位生活
這些公司的優勢，在於它們離使用者最近。真正的價值直接體現在使用者體驗中。搜尋、程式開發、內容創作、生產力、資訊處理：這些領域都提供了可擴展且容易理解的營收模式。
這也就是為什麼許多基礎模型生產者已開始轉向應用層。OpenAI 把 ChatGPT 變成產品，Anthropic 將 Claude 轉化為面向消費者的服務，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：獲客成本飆升，次級市場估值膨脹。次級市場——唯一有能力創造營收的領域——變得如此昂貴，進一步放大了整個產業的資本風險。
歷史循環與當下的關鍵差異
人工智慧過去曾經歷兩次重大低潮：1970 年代末與 1990 年代初。這些時期的共同點是：期待很高、創新速度偏低，以及投資意願迅速消退。
今天的情況不同。技術創新仍在持續，但突破的速度正在放緩。然而，資本流入卻以空前規模成長。Sam Altman 談到一筆 7 兆美元的算力基金，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」。這更像是一段由資本配置所驅動的脆弱期：估值持續膨脹、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，不再是透過增加更多參數來打造更龐大的模型。
真正的變革將會發生在以下這些領域：
- 提升參數效率
- 以更小的模型達成更高品質
- 開發新的訓練技術
- 更具策略性且更有效地使用資料
- 大幅降低訓練成本
近期最引人注目的例子之一就是 DeepSeek。這家中國新創公司開發出一款表現達到 GPT-4 水準的模型：但訓練成本低得多。專家混合架構、參數最佳化、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。這顯示投資人如今關注的，不只是更大模型的競賽，還有對效率與架構創新的競賽。
但這仍然還不夠。如果這個產業要迎來真正的躍升，將會來自新的架構範式。某種超越 transformer 架構的東西。也許是神經形態運算，也許是混合模型，或者也許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。它們受制於規模壓力、基礎設施成本與企業風險管理，因此行事謹慎。真正的突破往往出現在小型、進取、能承受風險且充滿企圖心的新創公司。
如今的 AI 生態系，很可能正等待著這樣一次顛覆。
結論：勝出的不會是資源，而是方法
當今的 AI 產業正處於兩股張力之間擺盪：一方面，是逐漸逼近極限的模型擴展策略；另一方面，則是不斷升高的資本風險與快速升值的應用市場。
這幅圖景顯示，如今的根本問題已經是方法，而不是容量。明天的贏家不會是打造更大模型的人，而會是打造更聰明方法的人。效率、全新的架構設計，以及最佳化的訓練技術，正成為這個產業真正的分水嶺。
未來真正具有決定性的，將是方法的品質，而不是資源實力。而且，相較於大型公司，由具前瞻視野的新創公司來發起這場方法轉向的可能性相當高。
