不受欢迎的观点：大多数企业AI试点项目从未投入生产，因为它们将生成模型应用于需要判别模型的问题

在金融市场和企业数据基础设施领域构建分布式系统近三十年后，我反复看到同样的模式。一个持续运行的欺诈检测模型，从运营数据中更新，每天做出数百万次可审计的决策。没人称它为AI。它只是有效工作。已经运行多年。与此同时，同一家公司运行前沿LLM试点项目十八个月。仍然是试点。输出需要人工审核每一个决策。治理层未就绪。可审计性问题未解决。没有产生投资回报。差距归结为大多数人跳过的一个数学区别：判别机器学习找到 θ = argmax P(y | x ; θ)。你的参数、你的数据、你的操作分布，从你的数据流中连续更新。* 生成LLMs找到 x = argmax P(x | x_prompt ; θ)。别人的参数、别人的语料库，在训练时冻结，无论有多少你的事件流经它。这不是同一事物的两种版本。不同的数学目标、不同的推理方向、不同的更新机制。完整的论证写在这里，包括令我惊讶的神经科学类比、微调和开放权重的反驳，以及欧洲企业的数据主权/CLOUD Act角度：https://medium.com/@dcris19740101/the-enterprise-already-has-ai-it-just-does-not-call-it-that-2f38b2afa3f5 好奇其他人在生产环境中的观察。