“如果最终只剩几个前沿大模型,我会非常惊讶”

基于 DeepLearning.AI 创始人吴恩达(Andrew Ng)与 Neo4j 联合创始人兼 CEO Emil Eifrém 的对谈整理与延伸思考。

“Unbundling the LLM”(拆解大模型)正在成为热门话题:不同的任务,正在催生不同类型、不同规模的智能。伴随而来的,是一个悬在所有专用模型创业者和使用者头顶的问题——通用大模型会不会像当年通用 CPU 吞掉声卡、数学协处理器那样,最终吞掉所有专用模型?

吴恩达在这场对谈里给出的答案是否定的,而且他的论据比大多数站队式发言更扎实。

一、第一手证据:一个前沿 AI 团队的真实模型组合

先看一个常被忽略的事实。被问及团队在用什么模型时,吴恩达的回答是:非常广泛——既有不同规模的前沿模型,也有从零训练的监督学习模型,还有通过蒸馏得到的小模型。

这不是理论推演,而是一个身处 AI 教学与应用最前沿的团队,在真实工作负载下自然形成的模型组合。如果通用模型真的在吞掉专用模型,这个组合不会存在。用他的话说:不同工作负载对模型规模的需求差异很大,这正是当前模型生态的一个特点。

二、Emil 的类比,与吴恩达的反驳

Emil Eifrém 用早期 PC 硬件史表达了担忧:当年市场上有不同型号的 CPU、数学协处理器和声卡,后来不少专用硬件逐渐被通用 CPU 取代或吸收——GPU 是唯一的例外。未来的专用模型,会不会也走上这条路,被前沿大模型取代?

吴恩达的反驳直击要害:即便到了今天,处理器的类型依然非常丰富——从控制汽车车门的小芯片、智能手表里的处理器,到笔记本电脑和数据中心使用的芯片。

这个反驳的深层逻辑值得展开:当年”专用被通用吸收”的故事,讲的其实只是 PC 这一个品类内部的故事,而不是整个计算产业的规律。放到整个产业看,通用化从来没有吞掉专用化,因为约束条件不同——功耗、成本、体积、实时性,这些约束决定了车门只需要一颗小芯片,数据中心才需要大家伙。

模型市场同理。延迟敏感的场景、成本敏感的场景、数据不能出域的场景、任务高度特化的场景——这些约束天然要求不同规模、不同类型的模型。通用模型再强,也强不过物理约束本身。

三、两个直接推论

对做专用模型的团队:这是一针定心丸,但护城河要选对位置。真正安全的位置,是通用模型因为约束(成本、延迟、隐私)或数据(场景特有的知识和负载)而吃不到的地方;而不是”我更懂某垂直行业的话术”这种随时可能被下一代前沿模型碾过的位置。

对企业选型:不要押注单一模型。吴恩达团队自己就是组合式用法——按工作负载匹配模型,是当前最务实的架构。所谓”模型选型”,正在从”选哪一个”变成”选一组、怎么编排”。

用吴恩达自己的话收尾:

今天所有的模型当然不一定都会存活下来。但如果最终只剩下少数几个前沿大模型及其蒸馏版本,我会非常惊讶。我确信,未来不会是这样的局面。

一个多元的模型生态不是过渡形态,而是终局形态——就像处理器市场,几十年过去,依然是一个谱系,而不是一颗芯片。