获课：xingkeit.top/17338/

技术结合商业，重新认知大模型发展方向

过去两年，大模型领域有一个很有意思的现象。一边是技术圈在热烈讨论MoE架构、长上下文、推理时缩放这些让人眼花缭乱的新名词。另一边是创业者们在焦虑地追问同一个问题：这东西到底怎么赚钱？

这两个群体之间的鸿沟，一定程度上造成了今天大模型行业的集体焦虑。技术跑得飞快，商业却始终没有跟上。我花了很长一段时间，试图把这两套话语体系连接起来。过程中逐渐形成一个判断：大模型接下来的真正突破，不来自技术参数的堆叠，而来自对商业逻辑的重新理解。

回顾互联网历史，一个新技术要完成商业闭环，通常要回答三个问题：为用户创造了什么不可替代的价值？交付这个价值的边际成本是否足够低？用户是否愿意为此付费？这三个问题放在大模型身上，答案远比表面复杂。

先看价值创造。过去一年，大部分大模型应用都在做一件事：提效。让客服回答更快，让文案写得更顺，让代码生成更省力。提效当然有价值，但它面临一个天然的天花板——用户对“效率”的心理账户定价普遍偏低。一个帮你节省十分钟的工具，用户愿意付多少钱？答案不会太高。真正的大机会来自另一个方向：创造此前根本不存在的可能性。比如让一个不懂设计的人生成专业级海报，让一个小微企业主自动生成合规的财务报表，让一个普通用户把模糊的想法变成可执行的方案。这些不是提效，是赋能。赋能的价值感知，远高于提效。

再看边际成本。这是大模型商业化的核心难题。传统软件复制一份的边际成本几乎为零，但大模型每回答一个问题，都要消耗算力。这个成本虽然在大幅下降，但目前依然不可忽略。这意味着大模型无法走互联网时代的“免费+广告”路径。一些聪明的团队已经开始调整策略：不再试图做无所不包的通用助手，而是聚焦到高价值、低频但决策重大的场景。比如法律合同的智能审查、医疗影像的辅助诊断、工业设计的方案生成。这些场景里，用户为一次正确答案愿意支付数百甚至数千元，足以覆盖算力成本。

最后一个问题是付费意愿。这事关产品形态。目前最主流的产品形态是聊天机器人，但坦白说，聊天是最难收费的交互形式。人们习惯了跟朋友聊天不花钱，很难突然为一个对话框里的回答掏钱。正在跑出来的商业模式，无一例外都把大模型藏在了后台。用户感知到的不是一个“会聊天的AI”，而是一个能自动整理会议纪要的插件、一个能一键生成周报的按钮、一个能实时翻译字幕的播放器。大模型变成了功能，而不是产品本身。这个转变至关重要——用户不会为模型付费，但会为功能付费。

把这些逻辑串起来，我对大模型下一步的发展方向有了新的判断。

第一个方向是垂直纵深。通用大模型正在变成一种基础设施，像电一样便宜、易得。真正的商业机会在应用层，在那些大模型不够好、需要深度定制的垂直领域。医疗、法律、金融、教育、制造——这些行业的数据壁垒和知识壁垒，是通用模型短期内无法跨越的。谁能在一个垂直领域真正扎下去，把模型、数据、工作流、合规要求全部打通，谁就能建起真正的护城河。

第二个方向是服务化而非工具化。大模型最有想象力的应用方式，不是作为“工具”被人类调用，而是作为“服务”独立完成任务。想象一下，你不需要操作任何软件，只需要说出一个目标——比如“帮我安排下周的客户拜访行程”——然后一个智能体会自动查日历、订会议室、发邮件、协调时间，最后只把结果告诉你。这意味着大模型的竞争，从“谁的参数多”转向“谁的任务完成率高”。用户不关心你用了什么模型，只关心事情有没有办成。

第三个方向是人机协同的深度嵌入。纯粹由AI完成的端到端自动化，目前在大部分领域还不成熟，而且会长期面临责任归属问题。但“AI辅助+人决策”的模式已经非常成熟了。好的大模型产品，不会试图取代人，而是让人变得更强。医生+AI的诊断准确率超过任何一方，设计师+AI的方案生成速度远超单独工作。未来的组织形态，将不再是“人”或“AI”，而是“人+AI”的混合团队。

写到这里，我想起一个创业者的比喻：大模型像一台发动机。发动机本身很厉害，但没人会买一台发动机回家。人们买的是汽车、飞机、轮船——那些把发动机的动力转化成具体功能的终端产品。大模型行业现在的问题是，太多人在造越来越好的发动机，太少人在造让人真正想买的交通工具。

技术很重要，但技术只有与商业结合，才能变成价值。重新认知大模型的发展方向，本质上就是放下对参数和榜单的迷恋，回到商业最本源的问题：为谁、解决什么问题、创造什么价值。这个问题的答案不在论文里，在真实的市场和用户中。