模型的危機(jī)

近期和一些AI開發(fā)者、企業(yè)智能化項(xiàng)目負(fù)責(zé)人交流，我們明顯感受到，業(yè)內(nèi)正在累積一種對(duì)AI的疲憊感。

開發(fā)者最經(jīng)常說的一句話是，要學(xué)的太多了，模型太難選了。

以前市面上哪款模型綜合能力遙遙領(lǐng)先，直接訂閱就行了。一個(gè)有短板，訂閱好幾個(gè)，也完全夠用了。但現(xiàn)在不是的，沒有一款模型具備絕對(duì)碾壓的壟斷優(yōu)勢(shì)，token還不斷漲價(jià)，開發(fā)者需要不停更換模型，吃透每款模型的特性，精打細(xì)算，反復(fù)在具體的業(yè)務(wù)場(chǎng)景中實(shí)測(cè)對(duì)比，普遍存在著巨大的學(xué)習(xí)疲勞和選擇障礙。

硅谷甚至出現(xiàn)了一種說法，越懂AI、越會(huì)用AI的人就越焦慮，不僅沒有減少工作時(shí)間，反而大大增加了工作時(shí)間。

如果懶得選型，直接上頂級(jí)的模型呢？那就是“一分錢一分貨，十分錢三分貨”。

成本高到微軟都覺得肉疼，前不久宣布停用Claude Code，遷移到自家的GitHub Copilot CLI。而自己手里沒有備胎模型的公司，比如uber，每位工程師每月的Claude Code工具開銷高達(dá)500至2000美元，直接導(dǎo)致Uber在今年4月就提前燒完了全年的AI預(yù)算。

上述煩惱，是全球1%技術(shù)精英們專屬的“甜蜜的負(fù)擔(dān)”。

更多普通人所感受到的，則是AI帶來的割裂與無奈。

有人說，AI不是平權(quán)工具，是導(dǎo)致群體兩極分化的杠桿。

頂級(jí)大模型變成了精英階層的專屬工具，放大了他們?cè)揪陀械膬?yōu)勢(shì)，而大眾始終處于被淘汰的恐慌與焦慮之中。為了跟上這股浪潮，非技術(shù)的職場(chǎng)人被迫學(xué)AI，折騰半天發(fā)現(xiàn)原本半小時(shí)用Excel就能搞定的基礎(chǔ)工作，硬生生靠AI折騰了好幾天。

至此，AI的使用局面已經(jīng)變得詭異了：沒有人能從中輕松獲益，所有人都在被動(dòng)焦慮與內(nèi)耗。到底是什么造成了這一切？2026已經(jīng)過半，應(yīng)該來聊一聊模型的中場(chǎng)危機(jī)了。

教育行業(yè)有個(gè)說法叫“掐尖”，一個(gè)學(xué)校優(yōu)先篩選整個(gè)區(qū)域的優(yōu)等生，外界看起來教學(xué)水平高，其實(shí)是優(yōu)質(zhì)生源足夠多。一旦不能掐尖，升學(xué)率就會(huì)回歸均值。AI讓開發(fā)者們?cè)絹碓狡v，也是一樣的邏輯。

過去市面上存在絕對(duì)的模型強(qiáng)者，開發(fā)者直接鎖定頭部模型，比如2025年初用Deepseek R1做問答，2026年用seedance 2.0生成視頻，用GPT做圖文排版，一鍵get最優(yōu)效果，這就是掐尖紅利。能“掐尖”的時(shí)代，短暫停滯了。

可能有人疑惑：明明還在不斷出新模型，有的突破也十分驚艷，效果很出圈，怎么就不能掐尖了？變化在于，新模型依舊在持續(xù)發(fā)布，但每一次模型更新的突破幅度和性能增量都變小了。頂尖模型的領(lǐng)先保質(zhì)期，也被急劇壓縮。過去一款頂級(jí)模型的優(yōu)勢(shì)可以穩(wěn)定幾個(gè)月，讓用戶和開發(fā)者固定地用上一段時(shí)間，這期間基本不用擔(dān)心被趕超，也不需要做很多功課。但現(xiàn)在，篩選評(píng)測(cè)更換模型的任務(wù)量大大增加，不能再無腦掐尖，比從前感覺更累了。

底座模型的能力觸頂，業(yè)內(nèi)其實(shí)早有預(yù)料，但2026年是真正的“狼來了”。

一方面，算力成本急劇增加。此前Scaling Law已經(jīng)撞墻了，大力不再能出奇跡，而成本上升的直接影響，就是規(guī)模法則實(shí)現(xiàn)性能躍遷的這條路，投入產(chǎn)出比降到了歷史最低點(diǎn)。谷歌、OpenAI這種仍有余糧的頭部模廠，才能靠堆資源硬凹出驚艷感的突破。

同時(shí)，高質(zhì)量語料接近枯竭，很多用戶都感覺到AI問答已經(jīng)陷入了自產(chǎn)自銷、互相蒸餾嚴(yán)重的情況。“穩(wěn)穩(wěn)地接住你”“讓我給你最直接、最客觀……”之類的AI口癖，在多個(gè)模型之間彼此傳染，有人調(diào)侃“GPT的話，越來越國際化”，本質(zhì)是全球都缺乏新的優(yōu)質(zhì)語料注入，無法拉開能力差距。

不能掐尖的模型市場(chǎng)，極大地提高了用戶的選擇成本，不得不開始針對(duì)細(xì)分場(chǎng)景，去適配不同的模型，耗費(fèi)大量時(shí)間和精力貨比三家，在效果、成本、場(chǎng)景中尋找平衡。

一些開發(fā)者踩坑之后，得出一個(gè)簡(jiǎn)單粗暴的結(jié)論，直接選擇頂級(jí)模型，最大限度減少折騰和出錯(cuò)。可這一套對(duì)絕大多數(shù)普通用戶并不起作用。

除少量開發(fā)者群體外，幾乎沒有人愿意為高價(jià)模型訂閱買單，一項(xiàng)數(shù)據(jù)顯示，全球81億人口，只有0.3%的人付費(fèi)使用Al。現(xiàn)實(shí)中，一旦開始收費(fèi)，大家就會(huì)選擇更有性價(jià)比的平替或免費(fèi)模型。但與掐尖紅利一起消退的，還有免費(fèi)的羊毛。

（圖中黃色色塊，代表全球0.3%的人每月為人工智能支付20美元）

2026年不少主流模型的免費(fèi)版本，或者最低檔位的訂閱版本，都或多或少存在體驗(yàn)的倒退。

比如頭部中文模型的創(chuàng)意寫作能力退步，被用戶調(diào)侃開始變得油膩了。有的開啟付費(fèi)模式之后，用戶反饋免費(fèi)版變笨了，幻覺增多。一些海外模型也被從業(yè)者發(fā)現(xiàn)，模型思考中位長(zhǎng)度暴跌，在一些代碼修改任務(wù)中，完全不讀取原文件直接輸出結(jié)果。

一句話，這些免費(fèi)或者低價(jià)的模型，開始偷懶和摸魚了。

這就導(dǎo)致了一系列衍生問題。很多普通用戶沒有及時(shí)察覺到普惠模型的降智，仍然習(xí)慣性地將法務(wù)、做題、重大決策等嚴(yán)肅事務(wù)，交給免費(fèi)AI工具處理，導(dǎo)致決策翻車，甚至財(cái)務(wù)受損的事故增多。

另一個(gè)問題就是群體之間的割裂越來越大。

對(duì)頂級(jí)模型有認(rèn)知、有付費(fèi)實(shí)力的人群，把頂級(jí)AI當(dāng)作杠桿在提效，而普通大眾為平價(jià)模型投入了大量精力，帶來的收益卻有限。能穩(wěn)定使用海外頂級(jí)模型，甚至成了某些國內(nèi)高級(jí)白領(lǐng)的時(shí)尚單品和身份象征，還有人提出了AI造成“精品人群VS普通人”的言論，這里面有巨大的誤導(dǎo)。

AI的終極形態(tài)應(yīng)該像手機(jī)、電腦一樣，成為全民都可用的普惠工具，旗艦機(jī)也好，千元機(jī)也好，都能順暢地運(yùn)行所有必要功能。當(dāng)下大模型，從平權(quán)工具變成差距放大器，這個(gè)階段性的問題必須得到解決。

解決之前，我們得先了解一下，為什么普惠模型突然之間不好用了？

一個(gè)是行業(yè)告別低價(jià)Token時(shí)代后，模廠為了壓縮推理成本，主動(dòng)閹割模型深度思考能力，導(dǎo)致的AI降智。這種情況，充值就能充智。

還有一個(gè)原因，加錢也很難解決，就是普惠的國產(chǎn)模型的進(jìn)步正在放慢。對(duì)于全球開發(fā)者和用戶來說，中國開源模型一直是普惠的代名詞，也是海外高昂閉源模型的平替。但進(jìn)入2026年，國內(nèi)開源模型與海外模型的差距確實(shí)在拉大，平均估算落后6-12個(gè)月。

（某國產(chǎn)模型在非公開benchmark上能力和GPT 5相當(dāng)，差距8個(gè)月）

根本原因還是算力的制約。此前靠輕量化MOE架構(gòu)帶來的優(yōu)化是有上限的，不可能完全替代大規(guī)模高質(zhì)量預(yù)訓(xùn)練，而后者離不開高規(guī)格的算力集群。高端AI算力體系的代差，仍然是國產(chǎn)模型的現(xiàn)實(shí)短板。

我們都不希望AI割裂社會(huì)造成階級(jí)分化，不應(yīng)該拉大不同人群的能力差距，那么針對(duì)性解決短期的成本壓力與中長(zhǎng)期的算力瓶頸，仍是整個(gè)行業(yè)的題中之義。

企業(yè)智能化需求，是AI產(chǎn)業(yè)的首要商業(yè)化路徑，也是最主要的現(xiàn)金池。當(dāng)下的企業(yè)市場(chǎng)，我們聽到了不同的聲音，喜憂皆有：

喜的是，模型真有價(jià)值。一個(gè)做金融數(shù)智化的企業(yè)代表告訴我們，因?yàn)橛忻赓M(fèi)的開源模型，國內(nèi)的銀行業(yè)能夠低成本快速落地AI智能體與一些數(shù)智化解決方案。而美國銀行只能依賴高價(jià)的閉源模型，導(dǎo)致做智能化的成本很高，再加上數(shù)字基礎(chǔ)設(shè)施的老舊，就很難開展智能應(yīng)用。這也使得國內(nèi)金融科技成果具備更強(qiáng)的出海競(jìng)爭(zhēng)力，東南亞等新興市場(chǎng)的金融機(jī)構(gòu)，如今更愿意主動(dòng)借鑒、引入中國的金融科技方案。

憂的是，模型真難變現(xiàn)。也有模廠反饋，不是沒有客戶線索，企業(yè)也不是沒有需求，是壓根兒就沒有預(yù)算。AI投入幾乎全部匯聚在科技公司與行業(yè)龍頭，這成了AI To B業(yè)務(wù)增長(zhǎng)的最大卡點(diǎn)。

解鎖企業(yè)AI預(yù)算的那把鑰匙，是什么？投入回報(bào)比。

如果說前兩年大家都是FOMO害怕錯(cuò)過，不管AI有沒有用先上車再說，來到2026 年，要求AI做出結(jié)果，模型具有高性價(jià)比，才能說服企業(yè)立項(xiàng)投入。

企業(yè)市場(chǎng)的風(fēng)向變化，直接抬高了模廠的競(jìng)爭(zhēng)門檻，甚至可以說，新模型發(fā)布之后才是痛苦的開始。必須拿出真實(shí)的業(yè)務(wù)結(jié)果，哪怕是實(shí)驗(yàn)性質(zhì)的案例，總之要給行業(yè)客戶可驗(yàn)證的效果。

于是，我們能看到的明顯變化，就是通用大模型的聲量熱度持續(xù)走低。

廠商全面轉(zhuǎn)向適配垂直場(chǎng)景，打磨專精能力，在一些模廠的年度大會(huì)，我們不再看到基座模型的身影，取而代之的是行業(yè)版本和用戶證言。而隨著ISV伙伴、行業(yè)客戶用例的價(jià)值凸顯，模廠的生態(tài)能力正變得越來越重要。

誰能用最少的成本，撬動(dòng)最大的業(yè)務(wù)價(jià)值，正拷問著所有模型。

開發(fā)者的疲憊感，技術(shù)精英與普通大眾的割裂，企業(yè)在投入和回報(bào)之間糾結(jié)，這些情緒組成了2026年的AI眾生相，它們會(huì)持續(xù)多久呢？

答案是，取決于大模型能否走出階段性停滯，重回持續(xù)突破的快車道。只是在當(dāng)下，我們還沒有看到趨勢(shì)變化的拐點(diǎn)。

未來主義者總愛用一句話來回應(yīng)公眾對(duì)技術(shù)變革的疑慮，那就是：技術(shù)發(fā)展催生的問題，終將依靠技術(shù)的持續(xù)進(jìn)步解決。

用時(shí)間換空間，從這個(gè)角度來看，化解當(dāng)下的模型危機(jī)，并非只能一味等待技術(shù)的顛覆式突破。在模型能力平穩(wěn)的平臺(tái)期，減少使用過程中的種種摩擦與疲憊，也能緩沖和稀釋技術(shù)本身的問題，為打破僵局爭(zhēng)取更多的時(shí)間與空間。