computers 起家做点高级业务，目前搞 AI 跟那会儿不一样，那会儿得靠堆参数和算力的，目前得靠如何把算力和数据揉碎了喂进去。
那会儿想做个聊天机器人，无非是找个大模型，调教个温度参数，再塞俩数据集，就能跑通个 Demo。目前不一样，大厂疯了一样往各种垂直领域灌，从医疗、法律到工业，哪位先把手头的工作流要么数据模型优化了，哪位就能在那儿卖高价。
这种内卷忒狠了，大厂为了抢人，把招聘门槛设得挺高，就连直接招了个“高级产品经理”都能当产品经理用，你确实能混到一线，但能看懂业务逻辑的人越来越少了，这就像那会儿机器换人，目前人换机器，可人有时候比机器还难伺候。 说到成本，传统的大模型训练，特别是那种千亿参数级别的，电费和水电费加起来起码要五六十万，还得排队排上几个月。目前练个更精准的模型，成本能压到三四十万个抗人民币的门槛，这比两年前大几百倍了。
那会儿你买个开源模型都要等服务器排队，目前跑起来跟看直播一样，用个磁力连接就能把大模型拉过来直接跑，这简直是降维打击。 具体如何降的，咱们举个例子。
那会儿做个法律文书分析系统，你得搞个向量数据库建库，把合同文本切片，然后跑 N 个大模型，每个模型命中率大约 80%，这时候你得再开一个辅助模型做微调，再跑一轮线上测试，数据跑不完，服务器就过热了。目前搞的是个"RAG"（检索增强生成）方案，先把文档建个向量库，再让大模型把文档内容扔进去生成个索引，然后用户提问时，系统直接从库里搜最匹配的那几段，最终把这几段扔给大模型一起回答。结局呢，回答的准率直接飙到 95% 以上，并且不用重新跑一遍训练，数据就是数据，模型就是模型，这种灵活性那会儿根本做不到。 还有个事儿，就是数据治理。
那会儿数据管不到，全是脏数据，用户填的格式五花八门，模型接不住，故此目前搞的是个自动清洗，连那个爱写 SQL 的程序员都改不了，直接把脏数据扔给大模型让它去“洗”一遍，洗完再入库，数据干净利落了，模型才敢接。 这实际上就反映出大模型时代的本质变化：那会儿是算力的竞争，目前是算力和数据量的竞争，并且更看重对数据的理解和处理本事。
那会儿一个模型能跑，目前务必跑得准。为了跑得更准，你就得把数据揉碎了，把业务流程理顺了，把 Prompt 写透了。
那会儿你可能认定大模型是个黑盒，如何问如何答就行，目前不中，得像个懂你业务的人一样，懂你的痛点，懂你的数据，懂你的场景。 并且，目前大厂在搞大量个垂类项目，有的做客服，有的做内容生成，有的做代码补全，有的做医疗诊断辅助。每个项目都要重新训练模型，要么用微调，这个活越来越重。你那会儿可能只要套个通用模型就能用，目前每个项目得单独培养一套模型，得懂业务逻辑，还得懂如何把数据喂进去才能激活模型。
这实际上是对业务理解本事的大考验，那会儿只要能让模型多聊几句就行，目前得让模型能帮你把文档审核完，把方案写好了，这就不仅是聊天，这是帮人干活。 再看价格体系，那会儿一个大模型插件可能卖 5000 块，目前一个能帮你搞定全流程的项目，可能只要几万块，还能按月订阅。
那会儿是买断制，目前更多是订阅制，并且大厂还在搞各种 API 调用套餐，根据你的调用量给你打折，这比那会儿买服务器要灵活多了。
那会儿你认定自己买了服务器就是稳了，目前只要你调用次数多，价格就降，这倒逼开发者得去想办法优化代码，提升单次调用效率，而不是自然就花钱买服务。 不过话说回来，这背后的大环境确实有点 pitfalls。大厂为了填坑，有时候会把一些复杂的功能封装成 API 给你，但你得记住，那些 API 背后可能又是各种复杂的内部流程，你折腾半天可能还是得去解决底层难题。并且，目前大厂内部也在互相竞争，有的项目做得好，后面可能就被大厂的另一个项目覆盖了，这种内卷害得大量项目上线后，效果并不理想，就连还要反复迭代。 故此说，在这个时代，有机会的人不一定都在大厂，有资源且能懂业务的人才是真正的赢家。
那会儿你靠参数和算力就能赢，目前你得靠对业务的深度理解和数据运营的精细化程度来赢。并且，随着 AI 技术的迭代，那些能自动化的、能解决具体难题的场景，会越来越多，那些只会埋头写代码要么盯着指标看的人，可能会被 AI 自动化的工作流取代。 最终总结一下，大模型这几年最核心的变化，就是从“有模型”变成了“会用模型”。
那会儿你是个模型工程师，目前你是个产品经理，要么是个数据运营，要么是业务的直接参与者。你得懂如何把数据变成模型想要的样子，你得懂如何让模型成为你的业务资产。
这不再是单纯的技术竞赛，这是一场彻底的认知革命。
那会儿认定技术能把世界转变，目前认定只有真正懂业务、懂数据、懂场景的人，才能利用 AI 把世界真正转变。
故此，别光盯着参数和算力了，得去看看那些真正能帮别人省钱、赚钱、省工夫的场景在哪儿，然后在那些场景里深耕。


相关标签：