AI模型即产品时代来临

近年来，人工智能下一阶段的发展方向一直备受热议：是否会走向 Agent 化？是否将拥有更强的推理能力？还是实现真正的多模态融合？各种猜测层出不穷，预示着 AI 领域即将迎来一场变革。

现在，我认为是时候做出明确判断了：“模型即产品”的时代已经来临。这不仅是一种趋势，更是对当前 AI 发展格局的深刻洞察。

无论是学术研究的前沿动态，还是商业市场的实际走向，所有迹象都在清晰地指向这个变革性的方向。

• 通用模型规模扩张遭遇瓶颈：通用大模型的“越大越好”发展模式，正逐渐显露出其局限性。这不仅仅是技术层面上的挑战，更是经济效益上的考量。正如 GPT-4 之后的行业讨论所揭示的，模型能力提升与算力成本增长之间，并非简单的线性关系，而是日益扩大的剪刀差。模型能力可能仅以线性速度增长，但训练和运行这些庞然大物的成本，却呈指数级攀升。即使像 OpenAI 这样拥有强大技术和资源的公司，也难以找到能够覆盖其巨额投入的商业模式，更不用说其他厂商。这预示着，单纯依赖模型参数规模的扩张，来无限提升 AI 能力的时代可能已经结束。我们需要寻找更高效、更经济、更可持续的 AI 发展路径。
• 定向训练异军突起，效果远超预期：与通用模型发展受阻形成鲜明对比的是，“定向训练（Opinionated Training）”方法展现出惊人的潜力。这种训练范式，强调针对特定任务和应用场景，对模型进行精细化调优和训练。强化学习（Reinforcement Learning）和推理（Reasoning）技术的融合，更是为定向训练注入了新的活力。我们看到，模型不再是简单地“学习数据”，而是真正开始“学会任务”。这是一种质的飞跃，标志着 AI 发展思路的转变。无论是小型模型在数学领域的惊艳表现，还是代码模型从代码生成器向代码库自治管理者的进化，亦或是 Claude 在几乎零信息输入下玩转复杂游戏的案例，都证明了定向训练的强大威力。这种“小而精”、“专而强”的模型发展路线，或将成为未来 AI 应用的主流。
• 模型推理成本断崖式下降：曾经被视为 AI 应用“拦路虎”的推理成本问题，如今也得到了极大的缓解。得益于 DeepSeek 等公司在模型优化和推理加速方面的突破性进展，AI 模型的部署和应用门槛大幅降低。DeepSeek 的最新研究表明，现有的 GPU 算力，理论上已经可以满足全球数十亿人，每人每天使用前沿模型处理 1 万 tokens 的需求。这意味着，算力不再是制约 AI 普及的关键因素，AI 大规模应用的时代正在加速到来。对于模型提供商而言，仅仅依靠出售 tokens 这种“按量计费”的商业模式，显然已经无法充分挖掘 AI 模型的价值。他们必须将目光投向价值链的更高端，例如提供更垂直、更专业的模型服务和解决方案。

种种迹象都在表明，AI 产业的发展重心，正在从“通用大模型”转向“模型即产品”的新范式。这不仅是一次技术路线的调整，更是一场商业模式和产业格局的深刻变革。传统的“应用为王”理念，可能需要重新审视。长期以来，投资者和创业者都将目光聚焦于 AI 应用层，认为应用创新才是 AI 商业化的关键。然而，在“模型即产品”的时代，应用层或许会成为最先被自动化和颠覆的环节。未来的竞争焦点，将聚焦于模型本身，谁能拥有更先进、更高效、更专业的模型，谁就能在 AI 竞争中占据制高点。

未来模型的形态：专业化、垂直化、服务化

过去几周，我们已经看到了“模型即产品”范式下，涌现出的两款代表性产品：OpenAI 的 DeepResearch 和 Anthropic 的 Claude 3.7 Sonnet。这两款产品，都体现了新一代模型的发展趋势，预示着未来模型可能呈现出的形态。

OpenAI 的 DeepResearch，自发布以来就引发了广泛关注，但也伴随着不少误读。很多人将其简单地理解为 GPT-4 的一个“套壳”应用，或是基于 GPT-4 的搜索增强工具。但事实远非如此。OpenAI 实际上是训练了一个全新的模型，专门用于研究和信息检索任务。DeepResearch 并非一个依赖外部搜索引擎或工具调用的“工作流”，而是一个真正意义上的“研究型语言模型（Research Language Model）”。它具备端到端的自主搜索、浏览、信息整合和报告生成能力，无需任何外部干预。使用过 DeepResearch 的用户，都能明显感受到它与传统 LLM 或聊天机器人的巨大差异。它生成的报告，结构清晰、论证严谨、信息溯源可靠，体现出远超传统搜索工具和 LLM 的专业性和深度。

相比之下，市面上其他号称“Deep Search”的产品，例如 Perplexity 和 Google 的相关功能，则显得相形见绌。正如 Hanchung Lee 所指出的，这些产品本质上仍然是基于通用模型，进行一些简单的微调和功能叠加，缺乏针对搜索任务的深度优化和系统性设计。DeepResearch 的出现，标志着“模型即产品”理念的初步落地，也为我们展示了专业化、垂直化模型的发展方向。

Anthropic 也在积极布局“模型即产品”战略，并对 Agent 模型提出了独到的见解。他们在去年 12 月发布了一篇研究报告，对 Agent 模型进行了重新定义。Anthropic 认为，真正的 Agent 模型，应该具备“自主性（Autonomy）”，能够独立完成目标任务，而不是仅仅作为工作流中的一个环节。与 DeepResearch 类似，Anthropic 强调 Agent 模型应该在“内部（Internally）”完成任务执行的全过程，包括动态规划任务流程、自主选择和调用工具等，而不是依赖预设的代码路径和外部编排。

当前市面上涌现出大量的 Agent 创业公司，但它们所构建的“Agent”，大多仍停留在“工作流（Workflow）”层面。这些“Agent”本质上上是预先定义好的一系列代码流程，将 LLM 和各种工具串联起来，按照固定的步骤执行任务。这种“伪 Agent”方案，虽然在某些垂直领域可能具有一定的应用价值，但与 Anthropic 和 OpenAI 所定义的“真 Agent”相比，仍存在本质的差距。真正的自主系统，必须从模型层面进行重塑和创新，才能实现质的飞跃。

Anthropic Claude 3.7 的发布，进一步印证了“模型即产品”的发展趋势。Claude 3.7 是一款针对复杂代码场景进行深度优化的模型。在代码生成、代码理解、代码编辑等方面，Claude 3.7 都展现出卓越的性能。尤其是值得关注的是，即使是像 Devin 这样高度复杂和智能化的“AI 程序员”工作流，在 Claude 3.7 的加持下，也能在 SWE 基准测试中取得显著的提升。这表明，模型本身的强大能力，才是构建优秀应用的关键。与其花费大量精力去设计复杂的工作流和外部工具，不如将资源投入到模型本身的研发和优化上。

Pleias 团队在 RAG (Retrieval-Augmented Generation) 领域的探索，也体现了“模型即产品”的思路。传统的 RAG 系统，通常由多个相互独立又彼此耦合的工作流环节构成，例如数据路由、文本分块、结果重排序、查询理解、查询扩展、上下文融合、搜索优化等等。这些环节之间缺乏有机的整合，导致系统整体脆弱性较高，维护和优化成本也居高不下。Pleias 团队正在尝试利用最新的训练技术，将 RAG 系统中的各个环节“模型化”，构建两个核心模型：一个负责数据预处理和知识库构建，另一个负责信息检索、内容生成和报告输出。这两个模型相互协作，共同完成 RAG 的全流程任务。这种方案，需要全新的模型架构设计、精细化的合成数据管线和定制化的强化学习奖励函数，是真正的技术创新和研究突破。通过“模型化” RAG 系统，可以极大地简化系统架构，提升系统性能和稳定性，降低部署和维护成本，最终实现 RAG 技术的规模化应用。

总而言之，“模型即产品”的核心理念在于“转移复杂性（Displacing Complexity）”。将原本需要在应用层解决的复杂问题，通过模型训练的方式，提前在模型层面进行处理和消化。模型在训练阶段，预先学习和适应各种复杂场景和极端情况，从而使得模型部署和应用变得更加简单高效。未来，AI 产品的核心价值，将更多地体现在模型本身，而非应用层的花哨功能和复杂工作流。模型训练者