@levie：关于如何思考开源AI和应用AI层的精彩文章。在AI中，有两件事将永远成立。前沿…

X AI KOLs Timeline 新闻
open-source applied-ai frontier-intelligence ai-strategy enterprise-ai

摘要

这篇文章讨论了前沿AI模型与专用微调模型之间的动态关系，强调两者都将继续增长，因为应用AI层允许企业评估并混合模型以满足其特定用例。

关于如何思考开源AI和应用AI层的精彩文章。在AI中，有两件事将永远成立。前沿智能很可能仍将处于解决全新用例的最前沿，并且通常用于编排和规划任何类型的复杂工作流。 同时，当用例在企业环境中变得成熟和可预测时，你可以开始剥离一部分代币（tokens），转向成本更低的开放或封闭模型，*或*针对当前任务训练的模型。 在任何一个新用例的采用曲线上过早这样做是没有意义的，因为你不知道要优化什么，这就是为什么这里总会有一点滞后。 这个过程本质上可以永远持续下去，因为前沿智能和微调模型的好处都是无止境的。这就是为什么两种方法的支出和代币量在未来几年将继续增长，因为两者我们都还处于早期阶段。 再次强调，这种动态之所以可能，唯一的原因是应用AI层，它能够有效地评估特定领域内的工作流，选择混合模型来解决问题，并有足够的规模最终训练自己的模型以满足自身需求。
查看原文
查看缓存全文

缓存时间: 2026/07/07 01:22

关于如何思考开源AI及应用AI层，这是一篇很棒的文章。有两件事在AI领域将始终成立：前沿智能很可能始终处在解决全新用例的最前沿，并常被用于任何复杂工作流的编排和规划。

与此同时，当某些用例在企业环境中变得成熟且可预测时，你便可以开始剥离部分令牌，转向成本更低的开源或闭源模型，或针对当前任务专门训练的模型。

在任何一个新用例的采用曲线上过早这样做并不合理，因为你还不清楚自己的优化目标，因此这里总会存在一定的滞后。

这一过程本质上可以无限持续下去，因为前沿智能和定制化模型两者的优势都没有终点。这就是为什么在这两种路径上的支出和令牌量在未来几年内将持续增长——毕竟我们在这两方面都还处于早期阶段。

再次强调，这种动态之所以成为可能，完全依赖于应用AI层，它能够有效评估特定领域内的工作流，选择混合模型来解决问题，并拥有足够的规模，最终训练出适合自身用途的模型。

相似文章

@levie: 过去几个月，我们可能正在见证应用AI层在大规模场景下的模样。尽管一些初步的批评认为这只是LLM之上的一层薄薄封装，但事实证明，在企业中驱动自动化工作流远比想象中复杂得多。而任何存在复杂性的地方，随着时间推移，通常都会形成护城河并创造价值。

X AI KOLs Following

对企业中新兴应用AI层的分析，概述了关键组成部分：构建工作流特定功能、智能模型路由、通过FDE进行变更管理以及领域特定的市场策略。文章认为，尽管存在一些批评，这一层将创造可持续的护城河和价值。