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（Satya Nadella）最近在播客中表示，先进的人工智能模型正在走向大众化。他指出，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”。他还指出，OpenAI尽管拥有最先进的神经网络，但“它不是一个模型公司，而是一个产品公司，恰好拥有很好的模型”，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快速发展的过程中变得短暂。

纳德拉的观点在一个科技巨头竞相训练越来越大的模型的行业中具有重要意义。他的论点意味着焦点的转移：从痴迷于模型霸主地位转向将人工智能集成到“完整的系统栈和成功的产品”中。

这与一个更广泛的观点相吻合，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，焦点转向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，可能最有能力利用人工智能大众化的趋势，将模型嵌入用户友好的产品中。

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，但这种排他性正在迅速消失。人工智能能力正变得越来越容易被组织和个人获取，助长了模型大众化的观念。人工智能研究员Andrew Ng早在2017年就将人工智能的潜力比作“新电力”，认为就像电力成为现代生活的基础设施一样，人工智能模型也可能成为基本的公用设施，可以从多个提供商处获取。

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。这种战略的理由是，通过开源人工智能，Meta可以促进更广泛的采用，并获得社区贡献，同时也可以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化的现象：在2022年开放发布的几个月内，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。实际上，开源生态系统正在迅速发展——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，甚至可以对自己的模型进行微调，就像从目录中选择商品一样。选项的庞大数量是人工智能模型正在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

主要的云提供商在人工智能大众化的过程中发挥了关键作用。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）通过其Bedrock平台更进一步，Bedrock平台作为模型市场。AWS Bedrock提供来自多个领先人工智能公司的基础模型选择，包括亚马逊自己的模型、Anthropic、AI21 Labs、Stability AI等，都可以通过一个托管服务访问。

这种“多模型、一个平台”的方法体现了大众化：客户可以选择适合他们需求的模型，并可以相对容易地切换提供商，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拥有最先进的模型，就像从电网中获取电力一样——如果一个新的模型引起了关注（例如，初创公司的突破），云平台将很快提供它。

超越模型本身的差异化

如果每个人都可以访问类似的人工智能模型，人工智能公司如何区分自己？这是大众化辩论的核心。行业领袖的共识是，价值将在于人工智能的应用，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精致的产品（ChatGPT和其API）和增强的生态系统，例如微调服务、插件和用户友好的界面，而不是仅仅发布原始模型代码。

在实践中，这意味着提供可靠的性能、自定义选项和开发人员工具，围绕模型展开。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，嵌入人工智能以使这些服务更智能。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使可能的体验（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进行差异化。与其拥有一个统治所有的模型，一些人工智能公司专注于特定领域或任务的模型，在那里他们可以声称具有更好的质量，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、金融或法律领域——这些领域的专有数据和领域专业知识可以产生更好的模型，而不是一般用途的系统。这些公司利用开源模型的微调或较小的定制模型，加上专有数据，来脱颖而出。

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

另一种差异化是效率和成本。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。这得到了DeepSeek的R1模型的体现，该模型据称以低于600万美元的训练成本匹配了一些OpenAI的GPT-4能力，大大低于GPT-4估计的1亿美元以上的训练成本。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更便宜或更快地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。企业一旦将特定的人工智能模型深度集成到其工作流程中（包括自定义提示、集成和微调数据），切换到另一个模型就不是无摩擦的。像OpenAI、微软和其他公司这样的提供商正在尝试通过提供全面的平台（从开发者SDK到人工智能插件市场）使他们的人工智能服务更加粘性，这些平台使他们的人工智能成为一个全栈解决方案，而不是可互换的商品。

公司正在向价值链上游移动：当模型本身不再是护城河时，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。

大众化人工智能的经济涟漪效应

人工智能模型的大众化具有重大的经济影响。在短期内，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进入了一个下降的螺旋，类似于传统的商品市场。

在过去两年中，OpenAI和其他提供商已经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，迫使现有公司提供更多服务以维持竞争力，无论是通过免费版本、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在整个经济中传播：当某事物变得更便宜和标准化时，更多的行业将其整合，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，大众化也可能以具有挑战性的方式重塑竞争格局。对于已经投资数十亿美元开发前沿模型的成熟人工智能实验室来说，模型仅带来暂时优势的前景提出了关于投资回报率的问题。他们可能需要调整业务模式，例如专注于企业服务、专有数据优势或建立在模型基础上的订阅产品，而不是仅仅出售API访问权。

还存在军备竞赛的因素：当任何性能突破很快被其他公司或开源社区所匹配或超越时，利用新型模型获利的窗口变窄。这一动态迫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的集成（这些数据不会大众化）——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，提供商可能提供具有保证的隐私或合规的模型供企业使用，在技术以外的方面进行差异化。在宏观层面上，如果基础人工智能模型变得像数据库或网络服务器一样普遍，我们可能会看到服务（云托管、咨询、定制、维护）成为主要的收入来源。云提供商已经从对计算基础设施（CPU、GPU等）的需求增加中受益，以运行所有这些模型——这有点像电力公用事业从用电中获利，即使电器已经大众化。

本质上，人工智能的经济学可能会类似于其他IT商品：降低成本和更广泛的访问会促进广泛的使用，基于大众化层构建新的机会，同时提供该层的提供商面临更紧的利润率和不断创新或在其他地方进行差异化的需要。