为什么国内AI大模型都在卷参数，但好像没几个真正解决用户的实际问题？

我同意卷参数有泡沫，但我想反驳一下'

没解决实际问题'

这个前提。

真的没有吗？

代码补全（Copilot）

、内容生成、智能客服基础应答，这些是不是已经解决了程序员、写手、客服的部分实际问题？

只是这些问题不够'

性感'

，不够'

颠覆'

，所以被忽视了。

我们是不是陷入了'

只有解决终极问题才算解决问题'

的认知偏差？

也许当前阶段，能解决这些'

不性感'

的痛点，已经很了不起了。

要求一个三岁的孩子立刻去扛家庭重担，这公平吗？

你们说得都对，但跟我有啥关系呢？

我们公司也上了大模型，说是能提高效率。

结果呢，生成的报告漏洞百出，还得我一个个核对，反而更累了。

老板觉得你有了'

高科技'

就得干出神仙活，KPI涨了，工资没涨。

所以管你卷不卷参数，别给我们添乱就行。

这是一个非常好的问题，它触及了当前中国人工智能产业发展的核心矛盾。从产业规划的角度看，'卷参数'而非'卷应用'的现象，本质上是一个新兴技术产业在特定发展阶段的必然选择，其中交织着资本逻辑、技术路径依赖和市场竞争的多重因素。

首先，我们需要理解'参数'在当前语境下的象征意义。它远不止是一个技术指标，更是一种市场信号和资本故事。在技术尚未找到规模化、可持续商业模式的早期阶段，参数大小（如千亿、万亿参数）成为了最容易被公众和投资者理解、也最容易被媒体传播的'军备竞赛'符号。这遵循了一种'可见性优先'的竞争逻辑：在应用效果难以快速量化对比时，把模型做得'看起来更强大'是最直接的竞争策略。这就像是汽车产业早期，马力和排量是比油耗和舒适性更吸引眼球的指标一样。

其次，这是技术发展'供给驱动'阶段的典型特征。大语言模型的技术突破（以GPT系列为代表）是革命性的，但与之匹配的应用场景和商业模式探索才刚刚开始。中国的头部科技公司和AI企业在这种颠覆性技术面前，首要任务是确保自己不掉队，因此将大部分资源投入到底层模型能力的追赶和超越上。这种策略在短期内是理性的：先有强大的'发动机'，才有可能造出各种'车'。然而，问题在于，当所有人都在疯狂造发动机时，造车、修路、制定交通规则这些同样重要甚至更重要的事情就被忽视了。这就导致了供给侧（强大模型）和需求侧（真实、付费场景）的严重脱节。

第三，我们必须看到背后深层的产业生态问题。解决用户的'实际问题'，往往需要模型提供者深入垂直行业，理解行业know-how，进行精细的工程化适配和数据积累，这是一个苦活、累活，回报周期长，且护城河很深。相比之下，在通用大模型上刷榜，在发布会上展示几个炫技的demo，更容易获得短期的媒体报道、政府关注和资本市场青睐。这种激励结构引导着企业将资源投向'看得见的参数'，而非'看不见的落地'。此外，中国庞大而参差不齐的企业客户市场，也给模型落地带来了额外挑战：如何为不同数字化水平、不同付费意愿的客户定制解决方案，远比发布一个通用模型复杂得多。

那么，这种状态会一直持续下去吗？我认为不会。产业规律告诉我们，任何技术泡沫最终都会回归价值创造本身。当前，我们可能正处在一个关键的转折点。一方面，资本热潮正在退去，'故事'讲完之后，投资者开始追问收入和利润，这会倒逼企业寻找真实的付费场景。另一方面，一批先行者已经在教育、金融、编程、客服等特定领域找到了模型落地的切入点，尽管可能没有使用参数最大的模型，但确实解决了问题、创造了价值。这些'小而美'的成功案例，比任何参数榜单都更有说服力。

未来的发展方向，很可能是从'大模型军备竞赛'转向'垂直场景价值深耕'。头部玩家可能会继续维护通用基础模型，但更多的机会将属于那些深刻理解特定行业、能够将模型能力与行业数据、工作流深度融合的团队。对于中国的AI产业而言，真正的考验不是能否训练出和GPT-4参数一样多的模型，而是能否在制造业、医疗、农业等国民经济的核心领域，孵化出真正提升生产效率、改善用户体验的'杀手级应用'。这条路虽然艰难，但却是从'技术狂欢'走向'产业成熟'的必经之路。

因为我每天就在一线被客户骂，我太清楚了。

原因就三点：第一，参数是领导和投资人最好理解的KPI，效果好不好太难衡量了；第二，做垂直应用太苦了，要懂业务，要清洗脏数据，工程师不愿意干；第三，大家都在赌，赌自己先堆出通用AGI，然后躺着收钱，谁都不想先去啃那些又硬又不赚钱的行业骨头。

最后的结果就是，发布会一个比一个震撼，用户打开产品一个比一个失望。

我们内部自己试用，都经常想摔键盘。

这就像分布式系统设计。

大家都在疯狂提升单个节点（模型）

的算力，却忽略了系统整体的一致性和可用性。

一个超强节点，如果无法和其他服务（业务系统、数据管道、用户界面）

良好耦合，它就是个昂贵的摆设。

而且，现在有种'

银弹'

思维，觉得一个足够大的模型就能解决所有问题。

但真实世界是复杂的，很多时候需要的是精心设计的微服务、清晰的API和稳定的工程，而不是一个黑盒巨兽。

我觉得行业需要从'

造神'

转向'

造桥'

，把模型能力可靠地连接到具体场景里。

这个场景让我想起了19世纪铁路狂热时期。

当时各家铁路公司疯狂竞争修建最长的轨道、最大的车站，而不是专注于客运服务和货运效率。

结果很多线路重复建设，运营亏损，直到行业整合，重心才转移到提升运营水平和客户服务上。

当前的AI大模型竞赛，在资本催动下的'

军备竞赛'

阶段，技术展示（参数）

优先于实用价值（应用）

，是产业幼稚期的典型表现。

历史告诉我们，喧嚣过后，活下来的一定是那些能把技术转化为稳定、可盈利服务的公司。