if everyone rents the same intelligence, what’s left?

如果每个人都租用相同的智能，还剩下什么？ - Gradient Flow

如果每个人都租用相同的智能，还剩下什么？

作者：

Ben Lorica

2026年9月1日

发布于：

未分类

标签：

newsletter

.meta-info

.post-thumbnail

订阅 • 往期内容

你的模型不是你的护城河

在最近的一篇文章中，我写到一些公司正在将自身的数据、工作流程和生产反馈转化为他们日益掌控的专用智能。更深层的思考是复利效应。重要的不是模型今天是否表现良好，而是使用它是否能创造让系统明天变得更好的资产。越来越多的AI团队开始围绕这个理念构建。这让我不断思考一个问题：如果每个人都能越来越容易地租用相同的智能，究竟什么才能成为护城河？

Gradient Flow的存在是因为读者的支持。考虑成为付费支持者🙏

##### 护城河是你通过运营学到的东西

强大的模型正变得越来越容易被所有人获取。竞争对手无法购买的是你组织实际运作方式的理解。哪些信息对决策至关重要？经验丰富的员工会注意到哪些例外情况？哪些工作流程值得自动化？什么是好的结果，又如何判断系统何时失败？

这使得运营背景和评估变得异常重要。一个能为代理提供访问400份报告的连接器虽然有用，但并不能构成真正的护城河。知道你最优秀的分析师使用哪五份报告，以及他们使用的时间和原因，要难得多。随着时间推移，生产日志、评估、权限设置、工作流程、客户知识和专家决策会形成特定于公司的运营层。我会更少地投入精力去捍卫对某个模型的访问权，而更多地专注于捕捉组织通过使用模型所学到的内容。

这个论点也有其经济版本。拥有AI堆栈的某一层并不保证有吸引力的利润率。一个通用的记忆组件可能变成商品。而一个深度集成的记忆系统，如果能显著提升代理的性能，可能就不会。深度和成果比简单地划定某一层并宣称其具有防御性更重要。

##### 为一个将持续变化的平台构建

据一些估计，最好的开源权重模型已经从大约落后前沿16个月缩短到约2个月。我谨慎对待确切数字，但趋势很重要。一旦包含基础设施和运营所需的人力，开源模型并不自动变得更便宜。它们越来越多地提供的是一种额外的选择。

这很重要，因为完全依赖一个供应商是商业风险，而不仅仅是技术选择。价格会变化。模型可能消失。条款会被修订。供应商可能限制功能或开始与之前供应过的公司竞争。安全团队甚至描述过封闭模型拒绝执行合法的防御工作，因为从模型的角度来看，攻击软件和测试其防御可能看起来相似。

我的回应不是去预测哪种模型或代理框架会胜出。我会让系统中关键部分具备可替换性。保持模型、业务逻辑、状态、策略和执行逻辑合理分离。在有助于系统互操作性的场景中使用开放接口。不同团队在解决无关问题时，往往会构建不兼容系统之间的转换层。我认为这是一个有价值的信号。当前平台仍处于不稳定阶段，因此互操作性具有战略价值。

##### 构建留下遗产的产品

我反复思考的一个观点是：并非每款产品都需要永久存在。当下一代模型吸收了使某款AI应用独特的核心功能时，该产品可能会失去差异化优势。但这并不意味着当初构建它是个错误。

假设某款产品仅存在18个月，却为你带来了数千次真实的客户互动、更强大的评估套件、工作流数据、分发渠道以及对问题的深入理解。这些资产可以为后续的产品提供养分。更值得关注的问题可能不是“有人能否复制这个功能？”，而是“在运营这款产品后，我们将获得哪些新认知，而这些是明天才开始的人无法拥有的？”

这一逻辑同样适用于接口设计。一些团队正在将完整功能集成到主流AI助手而非坚持让用户停留在自有应用中。其逻辑是价值存在于智能和上下文本身，而非用户查看信息的窗口。如果用户越来越倾向于使用助手，那么捍卫封闭容器可能是一种低效的投入。

对于初创公司，我也喜欢将其与移动互联网的演进做类比。传统企业最终几乎将所有重要网页产品迁移至智能手机。而真正定义新公司的，是智能手机使相机、GPS和持续连接等能力成为可能。AI可能遵循类似模式。自动化现有工作流确实有价值，但传统企业同样可以做到。我更关注的是：由于廉价智能和软件生成能力的出现，哪些此前无法实现的场景现在变得可能？

遗留系统现代化是值得更多关注的案例。企业推迟这类项目的原因包括文档不完整、专家退休以及无人愿意承担迁移风险。有趣的做法不是简单要求模型将COBOL重写为Python。应将旧系统视为规范，从其生成测试用例，翻译代码，并使用确定性方法验证新系统行为是否与原系统一致。这将原本风险高且开放式的迁移，转化为可逐步验证的检查清单。

##### 当生成成本降低时，判断能力变得稀缺

这种转变也存在人类层面的对应现象。随着代码、分析、文本和其他输出的生成成本降低，生成第一个答案的重要性下降，判断其是否正确的重要性上升。

这将价值导向判断力、调试、评估和问题选择。能否将模糊的目标转化为系统可执行和测试的方案？能否发现看似正确实则失败的案例？能否解释代理为何出错，并据此改进系统？传统编码测试可能不如实际交付过的项目，以及对失败项目的坦诚复盘更能体现这些能力。

我也不会假设生产力的快速提升意味着组织能一夜之间完成转型。工具的演变速度远超职位描述、激励机制和管理架构的调整。第一阶段可能主要表现为熟悉的团队产出更多成果，人们将花费更多时间指导和监控自动化工作。

##### 当客户掌控复利循环时

这正是论点重新回到OpenAI和Anthropic的原因。真正的挑战并非仅仅是开源模型可能在基准测试中超越他们。他们的最佳客户如今能够越来越多地将专有数据、工作流程、工具、评估体系和生产反馈整合为内部组织持续优化的智能。

这改变了竞争格局。前沿实验室虽然仍在通用模型能力上相互竞争，但越来越多地要与客户在下游构建的累积智能展开较量。企业能捕获越多的学习成果，就越需要思考：究竟谁真正掌控着这个复利循环。

模型、功能、接口和常规输出正变得更容易获取。运营背景、评估体系、客户知识、分发渠道和判断力则会随着使用而不断增强。购买那些容易被商品化的部分，构建那些能产生复利效应的部分。

人工智能正在重塑工作方式，而非直接改变就业形态

节选自《人工智能与就业市场：我们目前的了解》

当人工智能算力账单到来时

节选自《人工智能热潮背后的隐藏支付时间表》