算力之后：什么在决定 AI 的下一个十年

过去这几年，我们习惯用"规模"解释一切：更大的参数、更多的数据、更多的卡。它确实有效，但它正在接近边际收益递减的区间——同样的投入，换来的能力提升不再线性。

于是问题变了：下一个十年的分水岭，可能不在训练，而在推理与落地。

一、从"训练贵"到"推理贵"

大模型的第一阶段成本集中在训练；当模型被真正用起来，成本重心会移到每一次推理上。一个系统如果每天要回答一百万次，推理的成本结构、延迟与稳定性，就比训练框架更决定生死。

这带来三个工程转向：

• 小模型 + 好流程：把大模型的判断力"蒸馏"进可负担的小模型，复杂任务再向上调用；
• 缓存与复用：把重复的推理变成查表，把确定性交给规则；
• 算力调度：任务分级，什么必须立刻答、什么可以排队。

一个粗糙但有用的判断：能把推理成本压下去的系统，才有资格长期运行。

二、数据的天花板与"干净"的价值

公开语料的总量是有限的。接下来的竞争，更多发生在数据的组织方式上：清洗、去重、标注、权限与来源合规。谁的数据管道更诚实，谁的系统就更少幻觉。

这一点在专业领域尤其明显。金融、医疗、法律场景里，"差不多对"等于"完全不能用"。数据治理是能力的一部分，而不是前置的杂活。

三、监管与能源：两个被低估的变量

• 监管：各地对模型透明度、数据来源、生成内容标识的要求正在成形。合规不再是发布前的一道手续，而是架构设计的一等公民。
• 能源：算力背后是电力。选址、散热、绿电比例，正在进入模型能力的成本方程。

四、给做系统的人的四个判断

1. 能力可以买，工程买不到：模型可以调用，能把模型组织成可靠系统的能力，只能自己长出来。

2. 可靠 > 聪明：能被信任的系统，比偶尔惊艳的系统更有价值。

3. 可控性即竞争力：能解释、能回滚、能审计的系统，才敢交给真实业务。

4. 多智能体是下一层：单一模型的能力趋同后，差异来自协作结构——如何分工、如何互相校验、如何在不一致时收敛。

算力仍然是燃料，但方向盘在工程与治理手里。下一个十年的赢家，未必是拥有最多卡的人，而是最懂得把有限算力组织成可靠判断的人。