亮眼的新聞標題背後,AI 產業正面臨幾個根本問題:創新的動能、資本能否持續支撐發展,以及模型開發者與應用開發者漸行漸遠的發展路徑。
產業悄然迎來的轉折點
過去三年,人工智慧以空前的速度成長。自 ChatGPT 推出以來,消費者的採用速度屢破紀錄,從 OpenAI 到 Google,各大巨頭接連發布模型,Fortune 500 企業也已將 AI 納入業務流程的核心。然而如今,在亮眼的新聞標題背後,整個產業正面臨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,還是我們正目睹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視角審視這個生態系:
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,針對使用者的實際問題打造解決方案的公司:Perplexity、Cursor、Notion AI、Replit。
雖然這兩個市場同屬一個產業,但它們的運作方式、成本結構、風險特性與成長預期,在本質上截然不同。我們如今看到的緊張局面,正是源自這種分歧。
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,這四個因素同步擴展,帶來了巨大的躍進。我們正是如此從 GPT-2 走到 GPT-4、從 BERT 走到 PaLM。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、多元且原創的人類產製資料有限。用 Wikipedia 訓練、用 arXiv 訓練、用 GitHub 訓練:接下來呢?版權問題、資料所有權協議與存取限制,讓這個領域的成本呈指數成長。你得與 Reddit 達成協議、與 Stack Overflow 協商,還要面對 The New York Times 提起的訴訟。繼續擴大模型規模在技術上仍然可行,但資料供應形成了一道自然上限。
這正是業界將焦點從模型規模轉向效率的原因。思維鏈推理、人類回饋強化學習(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。
這些進展很重要,但光靠它們無法持續走下去,因為效率提升到了某個階段也會趨於飽和。業界開始意識到,基礎模型創新已進入步調更慢、成本更高的階段。
資本流動壓力與日益加劇的脆弱性
隨著技術極限愈來愈明顯,資本面的成長也伴隨著更大的風險。
基礎模型公司正在建置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條件。這些支出發生時,穩固的營收基礎尚未建立。OpenAI 每年的算力成本高達數十億。Anthropic 獲得 Microsoft 數十億的投資。Google 則為 DeepMind 編列獨立預算。
投入資料中心的數十億資金、多年期 GPU 合約、支付給 Ilya Sutskever 等人的天價薪酬:這些都大幅推高了公司的支出。
這些情況顯示,初級市場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遠超過營收成長速度。
應用層的悄然崛起
初級市場承受壓力之際,次級市場卻沿著相對健康的成長曲線前進。這些公司將基礎模型轉化為實際的應用場景。
- Perplexity:重新設計搜尋體驗
- Cursor & Replit:改變程式開發流程
- Notion AI:讓生產力工具具備智慧
- 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最貼近使用者。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:這些領域都有可擴展且易於理解的營收模式。
這正是許多基礎模型開發商開始轉向應用層的原因。OpenAI 將 ChatGPT 打造成產品,Anthropic 將 Claude 轉化為面向消費者的服務,Google 則整合了 Gemini。垂直整合策略迅速普及。
但這項策略也帶來了副作用:收購成本飆升,次級市場估值膨脹。次級市場——唯一能夠創造營收的領域——變得如此昂貴,進一步放大了整個產業的資本風險。
歷史循環與當今的關鍵差異
人工智慧過去曾經歷兩次重大低潮:1970 年代末與 1990 年代初。這兩個時期的共同點是:期待高、創新速度慢,投資意願迅速消退。
如今的情況不同。技術創新仍在持續,但突破的步調正在放緩。然而,資本流動卻以空前的規模成長。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」,而更像是一段源於資本配置的脆弱期:估值膨脹、成本加速上升,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
如今最關鍵的差異在於:重要的已不再是透過增加參數來打造更龐大的模型。
真正的轉型將發生在以下領域:
- 提高參數效率
- 以更小的模型達到更高品質
- 開發新的訓練技術
- 更有策略、更有效地運用資料
- 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表現達到 GPT-4 水準的模型,訓練成本卻低得多。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。
DeepSeek 發布消息後,NVIDIA 的市值在一天內下跌了 6,000 億美元。這顯示投資人如今關注的不只是打造更大模型的競賽,也包括提升效率與架構創新的競賽。
但這仍然不夠。這個產業若要迎來真正的躍進,就必須靠新的架構典範,也就是超越 transformer 架構的設計。也許是神經形態運算,也許是混合模型,也可能是完全不同的學習框架。
這類根本性的轉變通常不會來自大型公司。規模壓力、基礎設施成本與企業風險管理,讓它們行事謹慎。真正的突破往往來自規模小、積極進取、願意承擔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的顛覆。
結論:決定勝負的不是資源,而是方法
當今的 AI 產業在兩股張力之間擺盪:一邊是逐漸逼近極限的模型擴展策略,另一邊則是不斷升高的資本風險,以及價值快速攀升的應用市場。
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、新的架構設計與最佳化的訓練技術,正成為這個產業真正的分水嶺。
未來決定勝負的將是方法的優劣,而非資源的多寡。而帶動這場方法轉變的,很可能是有遠見的新創公司,而不是大型公司。