后模型时代：为何系统成为新的护城河

当我在一年前多一点创办 Neurometric 时，我押注于我认为还处于非常早期的一个趋势——模型碎片化很快会成为现实。前沿实验室已经在向技术堆栈上层移动，这意味着他们已经意识到这一点。AI 成熟公司（如果你想理解“AI 成熟度”，请阅读此文 ）在 2024 年末就开始为不同任务使用多个模型。我环顾四周，知道我们正走向一个系统比模型更重要的世界。

在过去三年里，人工智能叙事一直被模型发布主导。GPT-4、Claude、Gemini、Llama——每一次新发布都会引发一波基准测试、热评和关于哪个模型“赢得”竞争的惊叹性评论。隐含的假设是最好的模型将赢得市场。但我们在 Neurometric 的研究表明，模型在不同任务上表现差异显著。

认为必须使用基准领先模型的假设正持续失效。 我们正进入一个后模型时代 ——在这个时代，模型在由人工智能创造的总价值中所占的比重正在缩小，而围绕模型构建的系统才是真正重要的。模型并非无关紧要，但它不再是护城河。

模型正在商品化

有三股力量正在比大多数人意识到的更快地推动基础模型走向商品化。

首先，前沿性能正在趋同 。顶级基础模型——OpenAI、Anthropic、Google、Meta 之间的差距已大幅缩小。在大多数实际的企业任务中，它们之间的差异微乎其微。当你的客户在生产环境中分辨不出模型 A 和模型 B 的差别时，模型就不是你的差异化因素。

其次，开源正从下方缩小差距 。Llama、Mistral、Qwen 以及越来越多的开源权重模型现在以极低的成本提供 90%以上的前沿性能。“足够好”的门槛在不断提高。对于一大类应用来说，置于设计良好系统之下的开源模型将胜过被随意放入设计拙劣系统的前沿模型。

第三，切换成本正在崩塌 。抽象层、标准化 API 以及多模型路由架构意味着公司可以以极低的摩擦更换模型。当你能在一个下午内更换基础模型提供商时，模型就是一个组件——而非竞争优势。

这并不意味着模型研究在放缓，或前沿实验室没有做出非凡工作。事实并非如此。但商品化的动态对长期观察科技行业的人来说并不陌生。原始能力层总是朝向同质化发展。价值则向上迁移。

价值正在迁移到何处

如果模型作为价值份额在缩小，显而易见的问题是：这些价值流向何处？答案是流向系统。

想想在任何生产级人工智能部署中围绕模型的各层。数据与上下文管道——RAG 架构、记忆系统、知识图谱以及专有数据集成——决定了输入模型内容的质量。在大多数现实世界应用中，上下文检索的质量比哪个模型处理这些内容更为重要。

编排与代理框架处理多步骤推理、工具使用、规划以及多个人工智能代理之间的协调。模型只是更大工作流中的一个节点，而那个工作流的智能才是实质性杠杆所在。

评估与护栏提供可靠性、安全、合规性以及特定领域的准确性。生产级人工智能需要模型本身无法提供的多层信任基础设施。那些在系统层面解决评估问题的公司，会建立难以复制的复合优势。

人机闭环设计管控人工智能与人类决策之间的界面。用户体验、反馈循环与工作流集成才是实际实现采用的地方，而采用则是价值被捕获的所在。

最后，基础设施与成本优化——推理路由、缓存、微调流水线、边缘部署——是决定人工智能在规模上是否具备经济可行性的系统层面问题。

一个有用的类比是：模型是发动机，但顾客买的是汽车。而且越来越多的人买的是通行这个交通网络的权限。堆栈上每往上一层，就能捕获更多价值，也更难被取代。

AI 系统时代

赢得下一阶段人工智能竞争的公司将是系统型公司，而非模型型公司。这不是一种预测——这是一个模式。

我们以前见过类似情形。数据库极其重要，但建立在其上的 ERP 系统才真正捕获了企业价值。微处理器是突破性的发明，但赢得消费市场的是基于它的设备及其生态系统。云是变革性的基础设施，但在其上运行的 SaaS 应用才打造出持久的商业体。原始能力层会商品化，而系统层会产生复合效应。

对于投资者来说，这具有直接影响。主要以模型接入或模型性能来评估 AI 公司，越来越成为一种错误。现在重要的问题是关于专有数据优势、工作流程整合的深度、系统层面的切换成本，以及公司是否拥有随着时间推移使其系统更聪明的反馈回路。护城河不是模型本身，而是使模型变得有用的系统。

对于构建者来说，战略要务很明确：向上游堆栈迁移。依赖单一模型提供方是脆弱的局面。系统级差异化——在数据、编排、评估和用户体验方面——才是防御能力所在。

下一步是什么

模型将持续改进，并且仍将继续重要。但它们正成为基础，而非决胜点。后模型世界并不意味着模型无关紧要，而是价值创造的核心已发生转移。

下一个时代的胜者将是那些构建智能系统并恰好使用优质模型的人——而不是那些只打造出色模型却希望系统会围绕它们自发形成的人。模型时代赋予了我们原始能力；系统时代则是这些能力转化为现实价值的阶段。

感谢阅读。