源文出处：The Model is the Product | Vintage Data
这几年，关于 AI 发展的下一步方向，大家一直在猜测：会是智能体（Agents）？推理能力（Reasoners）？真正的多模态（Actual Multimodality）？现在，答案似乎已经浮出水面——模型本身就是产品。
为什么这么说？所有的趋势都指向这条路
目前的研究进展和市场动态，都在推动 AI 向这个方向发展。
1. 通用模型的扩展正在放缓
我们从 GPT-4.5 的发布中可以看出，AI 的能力虽然还在增长，但增长曲线是线性的，而算力成本却是指数级的。即使 OpenAI 在过去两年大幅优化了训练效率和基础设施，依然无法以“合理”的成本部署这个庞大的模型。换句话说，大力堆算力的时代已经到头了。
2. “定向训练”效果出奇地好
通过强化学习和推理能力结合，模型正在“主动学习”特定任务。这已经不只是传统的“机器学习”，也不同于基础大模型，而是一种全新的范式：
- 体量小得多的模型，突然在数学题上表现惊人。
- 代码模型不再只是“生成代码”，而是能独立管理整个代码库。
- Claude 在几乎没有上下文信息、也没有专门训练的情况下，就能玩《精灵宝可梦》。
这意味着，我们未来不一定要依赖超大规模的通用模型，专门训练的小模型反而可能更有优势。
3. 推理成本正在暴跌
最近 DeepSeek 的优化，让我们看到了推理成本下降的趋势：现有的 GPU 资源足以支撑全球 80 亿人，每人每天消费 10,000 个 token，但问题是——根本没这么大的需求。这对模型提供商来说是个大麻烦：光靠卖 token 已经赚不到钱了，他们必须往价值链更高的地方移动。
应用层，可能是第一个被 AI 颠覆的领域
这对投资者来说，是个不太舒服的事实。过去所有的资本，都押注在 AI 应用层，希望用 AI 赋能各种产品。但现在看来，下一阶段 AI 发展的第一步，可能就是把应用层自动化和取代掉。
如果 AI 直接成为产品，应用层的价值就会被压缩，整个市场的商业模式也会发生颠覆性变化。
未来 AI 公司的竞争，可能不再是“谁的 API 更强”，而是谁能训练出最有价值、最能解决实际问题的模型。
未来 AI 模型的形态：不只是聊天机器人，而是更高级的智能体
最近，我们看到了一些新一代 AI 模型的雏形，比如 OpenAI 的 DeepResearch 和 Anthropic 的 Claude 3.7。这些模型表明，AI 发展的方向正在发生根本性变化——模型本身不再只是一个通用的大语言模型，而是具备 特定能力 的智能体（Agent），甚至能自主完成复杂任务。
DeepResearch：不是普通 LLM，而是一个能自主搜索的研究型 AI
很多人对 OpenAI 的 DeepResearch 有误解，以为它只是 OpenAI-3（O3）上的一个“搜索插件”。但事实远非如此。
OpenAI 直接训练了一个全新的模型，这个模型能够 在内部执行搜索任务，完全不依赖外部 API 调用、提示词或编排工具。
DeepResearch 的核心能力：
- 学会了网页浏览的基本技能（搜索、点击、滚动、解析文件）；
- 能够自主思考，从大量网站中提炼关键信息；
- 通过强化学习，训练自己撰写详细、结构清晰的报告。
相比之下，Google Gemini 和 Perplexity AI 也推出了类似的“深度搜索”功能，但它们更像是在普通 LLM 上加了一层搜索 API，缺乏真正的搜索优化和定量评估。
DeepResearch 不是一个普通的聊天机器人，而是一个能自主执行搜索任务的 AI。它能够提供带有逻辑结构、来源分析的长篇报告，而不只是单纯的“问答式”互动。
智能体（Agent）vs. 传统工作流（Workflow）
Anthropic 最近对“智能体模型（Agent Model）”提出了一个新定义，虽然有争议，但很有道理。
智能体（Agent）= 能够在内部自主执行任务的 AI
相比之下，许多当前市场上的“AI 智能体”其实只是工作流系统（Workflow），本质上是通过代码逻辑把 LLM 和各种工具串联起来，比如：
- 先用 LLM 解析任务
- 然后调用搜索 API 获取数据
- 再让 LLM 生成报告
这样的工作流 并不是真正的智能体，而是用 AI 拼接出的自动化流程。虽然它们可以为特定行业提供价值，但大多数 AI 研究人员都很清楚：要真正提升 AI 自主性，必须重新设计模型本身，而不是靠外部工具补丁。
Claude 3.7 就是一个很好的例子。它被专门训练用于 复杂的代码任务，因此在 SWE（软件工程）基准测试中表现大幅提升，比传统 LLM+工具的方式更高效。
自动化 RAG：下一步 AI 发展的关键？
目前，很多企业在探索如何改进 RAG（检索增强生成，Retrieval-Augmented Generation），但现有方案往往是拼凑的流程：
- 路由（选择最佳数据源）
- 分块（将长文本切片）
- 重新排序（找到最相关的信息）
- 查询解析（优化搜索查询）
- 查询扩展（补充缺失信息）
- 上下文注入（将数据传递给 LLM）
- 搜索优化（改进搜索策略）
这个流程太复杂，且环节之间相互依赖，稍有改动就可能导致整个系统不稳定。
如果我们能将这一切整合到 两个专门训练的模型 里，一个负责数据准备，一个负责搜索、检索和报告生成，那么 RAG 也可以变得更加高效、可靠。这需要新的训练管道、强化学习奖励机制，甚至全新的 AI 训练方法，但它也可能成为 AI 进化的重要一步。
未来的趋势：AI 复杂度向模型训练端转移
这意味着什么？简单来说，未来 AI 系统的复杂性将主要体现在训练阶段，而非部署阶段。
- 过去，AI 需要通过大量的工作流和外部工具来弥补模型能力的不足；
- 未来，AI 直接在训练阶段就掌握这些能力，使得实际部署更简单、更高效。
在这个过程中，最大的价值将不再由“谁的 API 更强”决定，而是 谁能训练出更智能、更强大的模型。换句话说，模型提供商（如 OpenAI、Anthropic）将占据更多的市场价值，而不是应用层公司。
Claude 3.7、DeepResearch 只是这一趋势的开始，未来 AI 可能会变得越来越“自主”，真正接近我们期待中的“智能体”。
强化学习被低估了，AI 投资逻辑正在崩塌
当前的 AI 投资格局正面临一个严重的误判，特别是在强化学习（RL）方面的价值定价上。现在，大部分风投基金的决策，都是基于以下几条假设：
- 真正的价值在应用层，而不是模型层——换句话说，他们相信模型只是“基础设施”，应用层才是最具颠覆性的市场。
- 模型公司会不断降低 API 成本，使 Wrappers（基于大模型 API 搭建的产品）更具盈利空间。
- 即使在监管严格的行业，封闭模型的 API 也足以满足所有需求。
- 任何形式的训练（不仅仅是预训练，还包括微调、强化学习等）都是浪费时间。
但现实已经证明，这种投资逻辑完全跟不上 AI 技术的发展速度，尤其是强化学习（RL）的突破。
风险投资的失败：AI 训练能力未被正确估值
风投的核心逻辑是 寻找“不相关的投资”，确保在市场下行时，仍有部分投资能带来回报。然而，当前 AI 投资的格局却高度一致，几乎所有资金都涌入了基于大模型 API 的应用层，而忽视了 AI 训练的真正价值。
但大模型的真正突破，已经开始发生在训练阶段，而不是 API 交付阶段。
"模型训练本应是 textbook 级别的完美投资案例，尤其是在西方经济即将进入衰退的情况下。" ——换句话说，AI 训练是一种高潜力的颠覆性技术，尤其在宏观经济疲软的时候，仍能带来创新驱动的增长。
但讽刺的是，即使是最有前景的 AI 训练公司，也难以筹集资金。例如：
- Prime Intellect，一家在西方 AI 训练领域极具潜力的新兴公司，甚至训练了第一个去中心化 LLM，但融资规模仍然和 API Wrappers 差不多。
- 除了 OpenAI 和 Anthropic，整个西方 AI 训练生态都极其脆弱。你甚至可以用一只手数清所有主要的 AI 训练团队：
- Prime Intellect
- Moondream
- Arcee
- Nous
- Pleias
- Jina
- Hugging Face 预训练团队（其实规模很小）
- Allen AI, Eleuther 以及少数学术机构
在欧洲，目前有 7-8 个 LLM 训练项目正在集成 Common Corpus（Pleias 开发的数据集），其他项目则依赖 FineWeb 或 Nous/Arcee 的指令微调集。
这说明，西方 AI 训练的基础设施极其薄弱，而整个市场也未能正确估值训练能力的价值。
大模型实验室的新策略：不再卖 API，而是直接扶持训练合作伙伴
就连 OpenAI 也意识到了这个问题。最近，硅谷的创业生态开始出现一种不满的情绪，尤其是对当前 AI 初创公司缺乏“垂直强化学习”（Vertical RL）的抱怨。这一信号，可能直接来自 Sam Altman。
下一步的投资调整，很可能是：
- YC（Y Combinator）等机构，将不再优先投资 API Wrappers，而是寻找有 AI 训练能力的公司。
- 大模型实验室的“首选合作伙伴”将不再是 API 购买者，而是能参与早期训练的“合作承包商”。
这一策略变化的原因很简单：
- 过去两年，搜索、代码等领域已经完成了 LLM 驱动的变革，市场接近成熟，部署新产品的门槛变低。
- 但未来最有价值的 AI 应用，仍处于早期研发阶段，比如替代传统的规则系统（rule-based systems），这些系统目前仍主导着世界经济的大部分领域。
- 小型、专注的 AI 训练团队，可能是最有能力解决这些问题的“特种部队”，最终成为大模型公司的收购目标（acquihire）。
换句话说，未来的 AI 竞争可能出现 两条不同的路径：
- 大模型公司收购专门的训练团队，让 AI 深入垂直领域。
- 部分应用层公司获得大模型的“优先 API 访问权”，但前提是它们必须成为潜在的商业并购对象。
中国的 DeepSeek 已经走到了下一步
目前，我还没有提到 DeepSeek 或中国的大模型实验室，因为 DeepSeek 已经超越了“模型即产品”的概念，而在打造 AI 的基础设施层。
DeepSeek CEO 梁文峰的观点很明确：
"现在的阶段是技术创新的爆发，而不是应用的爆发。" "如果完整的上游和下游产业生态形成，我们就不需要自己做应用了。" "当然，如果需要，我们也可以做应用，但我们的首要目标永远是研究和技术创新。"
这说明，DeepSeek 关注的不是“API 经济”，而是“AI 基础设施的掌控权”。
相比之下，西方许多投资者仍然沉迷于“上一次 AI 产业战役”，他们仍然相信 API 经济模式会主导未来，而忽视了模型训练和基础设施才是核心价值所在。
结论：AI 训练将成为真正的价值中心
- 强化学习（RL）正在成为 AI 训练的核心突破点，但市场尚未正确估值其重要性。
- 大模型公司正在远离 API 经济，转向控制完整的 AI 训练和应用生态。
- 西方的 AI 训练生态仍然很脆弱，而中国的 DeepSeek 已经领先一步，将 AI 视为基础设施层，而非单纯的应用层。
- 未来的 AI 竞争将围绕“谁能控制训练流程”展开，而不是 API 交付。
如果模型才是产品，那么你必须参与构建它，而不仅仅是调用它。