人工智能模型是否正在成为大众商品？

微软CEO萨蒂亚·纳德拉最近引发了争论，认为先进的AI模型正在走向大众化的道路。在一个播客中，纳德拉观察到基础模型变得越来越相似和广泛可用，以至于“模型本身不足以”带来持久的竞争优势。他指出，OpenAI – 尽管其拥有尖端的神经网络 – “不是一个模型公司；它是一个产品公司，碰巧拥有出色的模型”，强调真正的优势来自于围绕模型构建产品。

换句话说，仅仅拥有最先进的模型可能不再能保证市场领导地位，因为任何性能优势都可能在人工智能创新迅速的步伐中变得短暂。

纳德拉的观点在一个科技巨头争相训练更大模型的行业中具有分量。他的论点意味着焦点的转移：从痴迷于模型至上转变为将精力转向将人工智能集成到“完整的系统栈和成功的产品”中。

这呼应了一个更广泛的观点，即今天的人工智能突破很快就会成为明天的基准功能。随着模型变得更加标准化和可访问，焦点转移到了人工智能在现实世界服务中的应用。像微软和谷歌这样的公司拥有庞大的产品生态系统，可能最适合利用人工智能大众化的趋势，将模型嵌入到用户友好的产品中。

https://www.youtube.com/watch?v=ZUPJ1ZnIZvE

扩大访问和开放模型

不久前，只有少数实验室能够构建最先进的人工智能模型，但这种独占性正在迅速消失。人工智能能力正变得越来越多地对组织和甚至个人开放，助长了模型作为大众商品的观念。人工智能研究人员Andrew Ng 早在2017年就将人工智能的潜力比作“新的电力”，表明就像电力成为现代生活的基础设施一样，人工智能模型可以成为基本的公用设施，可以从多个提供商获得。

最近开源模型的激增加速了这一趋势。例如，Meta（Facebook的母公司）发布了强大的语言模型，如LLaMA，向研究人员和开发人员免费开放。这种做法的理由是战略性的：通过开源其人工智能，Meta可以促进更广泛的采用和获得社区贡献，同时削弱竞争对手的专有优势。更近期，人工智能世界被中国模型DeepSeek的发布所震撼。

在图像生成领域，Stability AI的Stable Diffusion模型展示了如何快速使一个突破成为大众商品：在2022年开放发布几个月内，它成为生成人工智能中的家喻户晓的名字，在无数应用中可用。事实上，开源生态系统正在迅速增长——在Hugging Face等仓库中，有成千上万个人工智能模型公开可用。

这种普遍性意味着组织不再面临二元选择：要么支付单一提供商的秘密模型的费用，要么一无所有。相反，他们可以从开源或商业模型的菜单中选择，甚至可以微调自己的模型，就像从目录中选择大众商品一样。选项的庞大数量是人工智能成为共享资源而非特权的强烈指标。

云巨头将人工智能转化为公用服务

主要的云提供商是人工智能大众化的关键推动者和推动者。像微软、亚马逊和谷歌这样的公司正在将人工智能模型作为按需服务提供，类似于通过云交付的公用设施。纳德拉指出“模型正在云中大众化”，强调了云如何使强大的人工智能广泛可用。

确实，微软的Azure云与OpenAI合作，允许任何开发人员或企业通过API调用访问GPT-4或其他顶级模型，而无需从头开始构建自己的人工智能。亚马逊网络服务（AWS）更进一步推出了Bedrock平台，作为模型市场。AWS Bedrock提供了来自多个领先人工智能公司的基础模型选择——从亚马逊自己的模型到Anthropic、AI21 Labs、Stability AI等公司的模型——所有这些都可以通过一个托管服务访问。

这种“多模型，一平台”的方法体现了大众化：客户可以选择适合其需求的模型，并可以轻松切换提供商，就像购物一样。

在实践中，这意味着企业可以依靠云平台始终提供最先进的模型，就像电网一样——如果一个新模型引起了关注（比如一家初创公司的突破），云平台会迅速提供它。

超越模型本身的差异化

如果每个人都可以访问类似的AI模型，AI公司如何区分自己？这是大众化辩论的核心。行业领袖的共识是，价值将来自于AI的应用，而不仅仅是算法。OpenAI自己的战略反映了这一转变。该公司近年来的重点是提供一个精致的产品（ChatGPT及其API）和一系列增强功能——例如微调服务、插件和用户友好的界面——而不仅仅是发布原始模型代码。

在实践中，这意味着提供可靠的性能、自定义选项和围绕模型的开发人员工具。同样，谷歌的DeepMind和Brain团队，现在是谷歌DeepMind的一部分，将他们的研究融入谷歌的产品中——例如搜索、办公应用和云API——将人工智能嵌入这些服务中，使其更智能。模型的技术复杂性当然很重要，但谷歌知道用户最终关心的是人工智能所提供的体验（例如更好的搜索引擎、更有用的数字助手等），而不是模型的名称或大小。

我们还看到公司通过专业化来区分自己。与其拥有一个适用于所有场景的模型，一些人工智能公司专注于特定领域或任务，在这些领域他们可以声称拥有更好的模型，即使在大众化的环境中。例如，有些人工智能初创公司专门从事医疗诊断、金融或法律——这些领域中，专有数据和领域专业知识可以产生更好的模型，而不是通用系统。这些公司利用开源模型的微调或小型定制模型，加上专有数据，来脱颖而出。

OpenAI的ChatGPT界面和专用模型集（Unite AI/Alex McFarland）

另一种差异化形式是效率和成本。一个能够以较低的计算成本提供相同性能的模型可以成为竞争优势。这一点得到了DeepSeek的R1模型的体现，据报道其性能与OpenAI的GPT-4相当，但训练成本不到60万美元，远低于GPT-4的估计1亿美元以上。这种效率的提高表明，虽然不同模型的输出可能变得相似，但一个提供商可以通过以更低的成本或更快的速度实现这些结果来区分自己。

最后，还有围绕人工智能服务建立用户忠诚度和生态系统的竞争。只要一家企业将特定的人工智能模型深深集成到其工作流程中（带有自定义提示、集成和微调数据），切换到另一个模型就不是毫不费力的。像OpenAI、微软等提供商正在尝试通过提供全面的平台来增加这种粘性——从开发者SDK到人工智能插件的市场——使他们的人工智能成为一个全栈解决方案，而不是可替换的商品。

公司正在向价值链上游移动：当模型本身不再是一个护城河时，差异化来自模型周围的一切——数据、用户体验、垂直专业知识和与现有系统的集成。

人工智能大众化的经济影响

人工智能模型的大众化具有重大的经济影响。从短期来看，它正在推动人工智能能力的成本下降。随着多个竞争对手和开源替代品的出现，人工智能服务的定价已经呈现出经典大众商品市场的下降螺旋。

过去两年中，OpenAI和其他提供商大幅降低了语言模型的价格。例如，OpenAI的GPT系列的令牌定价从2023年到2024年下降了80%以上，这被归因于竞争加剧和效率提高。

同样，新进入者提供更便宜或开源模型，迫使老牌企业提供更多服务以降低价格——无论是免费层、开源发布还是捆绑交易。这对采用人工智能的消费者和企业来说是一个好消息，因为先进的能力变得更加便宜。它还意味着人工智能技术正在更快地渗透到整个经济中：当某事物变得更便宜和标准化时，更多的行业将其纳入其中，推动创新（就像20世纪初期廉价的大众化PC硬件导致软件和互联网服务的爆发一样）。

我们已经看到人工智能在客户服务、营销和运营等领域的采用浪潮，由于模型和服务的广泛可用性而推动。更广泛的可用性可以扩大人工智能解决方案的整体市场，即使模型本身的利润率降低。

大众化人工智能的经济动态（Unite AI/Alex McFarland）

然而，大众化也可以以具有挑战性的方式重塑竞争格局。对于已经在开发前沿模型上投入了数十亿美元的成熟人工智能实验室来说，模型只带来暂时优势的前景提出了关于投资回报率的问题。他们可能需要调整自己的商业模式——例如，专注于企业服务、专有数据优势或基于模型的订阅产品，而不是仅仅销售API访问权限。

还有军备竞赛的元素：当任何性能突破很快被他人（甚至开源社区）赶上或超越时，利用新模型的窗口期变窄。这一动态促使公司考虑替代的经济护城河。其中一个护城河是与专有数据（未大众化）的集成——在公司自己的丰富数据上调优的人工智能对该公司来说可能比任何现成模型更有价值。

另一个是监管或合规功能，在这里提供商可能提供具有保证隐私或企业使用的合规性的人工智能模型，以一种超越原始技术的方式进行差异化。

从宏观角度来看，如果基础人工智能模型变得像数据库或Web服务器一样普遍，我们可能会看到服务围绕人工智能（云托管、咨询、定制、维护）成为主要的收入来源。已经，云提供商从对运行所有这些模型的计算基础设施（CPU、GPU等）的需求增加中受益——这有点像电力公司从用电中获利，即使家电已经大众化。

本质上，人工智能的经济学可能类似于其他IT大众商品的经济学：降低成本和提高可及性推动了广泛的采用，建立在大众化层之上的新机会出现，即使提供该层的提供商面临更低的利润率和不断创新或在其他领域进行差异化的需要。