AI的第三次寒冬？从泡沫到落地，探寻智能化的价值回归

TL;DR：

当前AI热潮正面临商业落地与实际价值转化的严峻考验，显现出与历史两次“AI寒冬”惊人相似的泡沫破裂迹象；要避免真正的寒冬，核心在于从盲目追捧转向聚焦垂直场景的实用性、构建可持续商业模式，并通过多模态与Agent技术，实现AI从“技术秀场”到“产业基石”的范式转变。

不足一年，“AI”这个词便从万众瞩目的“神坛”跌落至“鸡肋”的境地，这并非AI技术本身的虚假，而是市场狂热与现实落地之间巨大鸿沟的必然反噬。正如历史上的两次“AI寒冬”所示，技术能力与社会预期、概念炒作与实际价值、资本耐心与回报周期之间的错位，正将我们再次推向一个关键的十字路口：第三次AI寒冬是否已在悄然逼近？¹

历史回响：AI寒冬的深层逻辑

审视人工智能的发展史，我们不难发现一种循环模式。上世纪七十年代的第一次寒冬，源于研究者对通用人工智能（AGI）的盲目乐观。当时计算机处理能力有限，无法应对现实世界的复杂性，早期依赖形式逻辑和搜索的系统在自然语言理解、图像识别等任务上举步维艰。詹姆斯·莱特希尔（James Lighthill）在1973年的报告严厉批评了AI的夸大成就，直接导致英美政府大幅削减资金，使得“AI”一词一度成为禁忌，研究陷入低谷¹。

第二次寒冬则在1987年至1993年间降临。尽管以“专家系统”为代表的知识驱动型AI曾短暂商业成功，但其固有限制迅速暴露：知识库维护成本高昂、难以扩展、无法自主学习。更致命的是，随着PC性能提升和价格下降，昂贵的专用AI硬件（如Lisp机）市场崩溃，企业发现开发和维护专家系统的成本远超收益，导致资本迅速撤离，大量初创公司倒闭。这一次，研究者们选择了“机器学习”等更低调的术语以规避偏见¹。

这两次寒冬的共同之处在于：

• 技术能力与社会预期脱节：对技术潜力过度承诺，未能满足过高期望。
• 盲目乐观与概念狂热：对通用智能或特定技术（如专家系统）的非理性追捧。
• 商业价值缺失与资本撤离：技术未能转化为可持续的市场价值，导致研发中断和人才流失。

这些历史的教训与当前AI，特别是大模型领域所面临的挑战，呈现出惊人的相似性。

当下困境：大模型落地的“高墙与泥沼”

当前，大模型的热潮席卷全球，资本蜂拥而至，“百模大战”盛况空前，国内公开的大模型数量已超200个，核心产业规模达5784亿元²³。然而，在这场技术盛宴背后，市场的瓶颈与挑战已日益凸显，形似一道道“高墙”和“泥沼”。

技术与经济的“高墙”

1. 高昂的训练与推理成本：大模型的训练成本是天文数字，推理成本也居高不下。这使得AI项目，尤其是通用大模型，难以在普遍追求“降本增效”的企业环境中实现正向投入产出比。蚂蚁集团CTO何征宇直言，大模型仍处在“钻木取火”阶段，规模落地需攻坚可靠性、经济性、易用性三大挑战²。
2. 技术局限与可靠性问题：
   • “幻觉”现象：大模型生成的内容可能出现事实性错误，尤其在需要高精度和严谨性的垂直场景（如医疗、金融）中，其可靠性成为商业落地的主要障碍。MiniMax创始人闫俊杰指出，GPT-4错误率在30%-40%，国内模型则更高，要独立完成工作，错误率需降至个位数²。
   • 领域知识缺乏与复杂决策能力不足：通用大模型在特定行业的深度知识上表现不足，难以胜任复杂的决策任务，需要构建大规模知识引擎和借鉴人类思考方式的智能体来弥补²。
3. 算力短缺与芯片依赖：大模型的二次预训练对算力需求极其迫切，目前存在较大的算力缺口，尤其是在国产算力方面。高端芯片获取难度大，进一步增加了研发成本，也制约了模型训练的速度和规模³。

商业与生态的“泥沼”

1. 产品与市场需求的脱节：许多AI产品在没有充分理解用户真实痛点和市场需求的情况下盲目开发，最终沦为“技术秀场”或免费工具，无法产生实际业务价值。企业客户需要的往往是一体化解决方案，而非单一功能模块，但多数AI公司难以提供端到端的服务能力¹。
2. 商业模式的持续性挑战：多数AI产品缺乏可持续的商业发展模式。早期商业化探索主要通过API接口调用和订阅制，但随着价格战的激烈化（如百度、智谱AI均提及），虽然降低了使用门槛，但也可能引发恶性竞争，损害市场信心和长期价值²。
3. 企业数字化基础薄弱与内部阻力：国内企业普遍存在数字化基础薄弱、业务流程不规范、数据孤岛严重等问题，这使得AI技术难以有效融入现有业务流程。中国工程院院士王坚指出，大企业将AI视为“工具的革命”，而小企业则视为“革命的工具”，这种思维差异造成了推广阻力²。
4. 资本的急功近利：无论是企业还是资本，都急于看到AI项目立竿见影的回报，而不愿为其长期演进买单。一旦回报周期拉长，资本便迅速撤离，转向下一个风口，导致研发中断和人才流失，这与历史上的AI寒冬如出一辙¹。

破局之道：回归价值与多元生态

面对当前的“高墙与泥沼”，AI产业的破局之道在于回归技术本质，聚焦真实需求，并构建更加多元和韧性的产业生态。

1. 垂直化、小型化与Agent化：从“通用”到“有用”

大模型正在从追求“通用性”向强调**“实用性”和“专业性”转变。一个通用大模型无法解决所有问题，因此，在医疗（如“良医小慧”）、金融（“百灵大模型”）、教育（“子曰”）、旅游（“携程问道”）等特定垂直领域，更细分、更专业的垂直大模型**正不断涌现²。同时，面对高昂的成本和算力需求，模型小型化和轻量化成为提升运行效率和普及度的关键路径¹⁴。

此外，将大模型与AI Agent（智能体）技术结合，是实现业务价值落地的另一大方向。智能体能够通过自主学习、规划和使用工具，在手机上执行任务（如腾讯AppAgent）、生成AI Bot（字节跳动Coze），或支持产业级应用开发（百度AppBuilder）。科大讯飞的“星火企业智能体平台”已在多个企业岗位实现效率提升10倍以上，预示着Agent技术在自动化和效率提升方面的巨大潜力²。

2. 多模态融合：开启下一轮能力突破

智谱AI首席执行官张鹏认为，未来大模型下一轮能力的最大突破点将是多模态（Multimodal AI）²。人类在现实世界中解决问题，需要综合处理自然语言、视觉、听觉、触觉等多种信息。多模态AI的突破，如华为云盘古5.0和阶跃星辰的Step-1.5V多模态大模型，将使AI更全面地感知和理解世界，从而解锁更多应用场景，实现更广泛的普惠价值。这将有助于把投入产出结构从“金字塔型”（投入大收益小）转变为“倒金字塔型”（投入小收益大）²。

3. 创新商业模式与生态协同：共筑产业基石

为了应对商业化挑战，大模型厂商正在探索更成熟的商业模式，如PaaS平台和MaaS（Model-as-a-Service）模式²。同时，通过资源共享、数据开放，以及建立智能计算中心等方式，有望缓解算力短缺和成本压力³⁴。华为盘古大模型在B端的大规模落地，得益于其强大的To B/To G能力和长期建立的ISV（独立软件提供商）生态，这提示了生态协同的重要性，即通过与行业深耕者合作，提供端到端的解决方案²。

从宏观层面看，政策端需要做好统筹调度，支持孵化大模型产业生态，提供相应的创新要素供给；技术端需进一步推动软硬件一体化；产业端则需促进对大模型和数智化应用的认知、能力建设和人才培养³。

AI未来图景：从“神坛”到“基石”

当前AI的“冷静期”并非简单的退步，而是一次深刻的价值回归与范式重塑的契机。它迫使我们从流量狂热中抽离，重新思考AI的本质和其对人类文明进程的深层影响。

从哲学思辨的角度看，每一次AI寒冬都反映了人类对智能认知的局限性，以及技术发展与社会期望之间的永恒张力。AI的真正价值，不应仅仅停留在报告PPT里的“亮点与政绩”，也不应止步于“薅羊毛”的娱乐工具，而是要成为推动社会进步和产业升级的**“基础设施”和“基石技术”**¹。

AI对社会的影响将是深远的。它将重塑就业市场，要求劳动者提升新技能；它将推动教育体系的变革，培养与AI共存、协作的人才；它将深刻改变我们的工作方式和生活模式。特斯拉CEO埃隆·马斯克（Elon Musk）提出的“Optimus”人形机器人，目标年产10亿台并在2025年开始限量生产，预示着AI与具身智能的结合将深刻变革人类的生产生活方式²。

展望未来3-5年，我们预计AI将从“卷模型”向**“卷应用”和“卷生态”**加速演进。通用大模型将继续作为技术底座，但其商业价值将更多体现在与垂直领域的深度融合，以及通过Agent和多模态能力赋能各种复杂场景。投资将更加理性，资本会青睐那些具备核心技术壁垒、清晰商业模式和端到端服务能力的AI公司。

诚然，AI仍面临伦理挑战（如偏见、隐私、透明度），以及安全与地缘政治的考量。但正如王坚院士所言，GPT的潜力远未被完整探索，所有问题都将在动态发展中得到解决²。这轮AI浪潮，虽然伴随着泡沫与挑战，但也将最终铸就一个更加智能化、高效化的未来，让AI真正从“神坛”走入寻常产业，成为社会发展的坚实基石。

引用

• AI寒冬
• 大模型落地
• 商业化挑战
• 产业生态
• AI Agent