> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 未来12个月AI即将到来的三大转变 - URL: https://www.hubwiz.com/blog/three-shifts-coming-to-ai-in-the-next-12-months/ - Published: 2026-08-08T15:19:58.000Z - Updated: 2026-08-08T15:19:58.000Z - Description: 人人都爱说 AI 变化有多快，但大多数评论把噪音误当成信号。下面这些转变是构造级的：浮出水面很慢，但会撼动它们之上的一切。 - Author: admin - Tags: INDUSTRY, #Import 2026-10-14 14:41 我的文章通常来自测试和研究，用数据来解释已经发生的事情。今天我要前瞻的是数据正在指向的方向。 人人都爱说 AI 变化有多快，但大多数评论把噪音误当成信号。下面这些转变是构造级的：浮出水面很慢，但会撼动它们之上的一切。为了让 AI 走到今天，已经有超过一万亿美元的资金被筹集和投入。在未来十二个月里，三大核心转变将决定这笔钱真正在哪里兑现。 ## 转变一：价值不在模型，而在harness 两年来，行业一直痴迷于一个单一问题：谁的模型最聪明？这是个错误的问题。你不需要更聪明的模型，你需要一个更好的系统。 ### 预测 1：套具（harness）的崛起 开发者正在对套具建立忠诚，而不是对模型（想想 vim 对 emacs）。 LLM 处理语言。它们是非确定性的、基于概率的预测引擎。**套具是包裹你与模型交互的确定性程序。** 它承载着应用逻辑、评估循环、上下文和安全护栏。 更高级的套具增加了安全特性、针对特定用例的逻辑，甚至复杂的工作流。开发者正在采用像 Claude Code 或 OpenCode 这样专门面向编码的套具，他们可以根据口味和价格更换模型，但保持始终如一的高质量工作流。针对特定任务的套具正在兴起，用于制作演示文稿、编写代码、编辑文档和抓取数据。 > LLM 就像未经训练的雇员：只要被一个设计良好的流程引导，它们并不需要特别聪明。 ### 预测 2：构建你自己的套具 我们可以停止假装"提示工程"是一项长期学科了。企业 AI 开发就是软件工程一直以来的样子：把流程翻译成确定性代码。 非确定性模型让我们能规模化启发式方法，并处理那些真正是技术债和复杂性来源的杂乱边缘情况。一个在边缘情况上有 90% 正确率的 LLM 已经非常惊人了。为了利用这一点，企业将构建针对其专有业务逻辑定制的套具，使用 LangGraph、CrewAI 或 AutoGen 等框架。 Anthropic 和 Google 的通用套具非常适合随意的知识工作，但对于下一个"工业革命"规模的变化，企业将构建企业级套具。这才是工作要去的方向。 ### 预测 3：基于文档的工作流的广泛采用 单任务智能体部署起来又快又容易，但你要想顺着进化阶梯往上爬——在威力和复杂度上都往上——就要靠多智能体工作流。就像现实生活一样，企业不是孤立地各自干活的单个工人；它们是团队、部门、整个组织，各自做单项任务，但彼此协调并贡献于多人参与的流程。 和人一样，智能体一次只做一件事时表现最佳。每个智能体都是专家，你通过把它们链在一起来扩展。有很多复杂的框架可以做这件事，就像有很多任务管理系统给人用一样。但一次又一次，公司们最终都会落定在基于文档的工作流上。 从 wiki 到网络文件夹，大多数公司已经运行在一套文档、文件夹和表单之上。每份表单都是一个喂给某个流程的"人类 API"。每份更新过的文档都是一个推动某个流程进入下一步的事件。 基于文档的流程无处不在是有原因的。它们实现简单、易于迭代。它们可扩展。它们提供追踪和可观测性。它们处理安全和角色。它们易于在团队之间集成，甚至跨组织集成。 现在有、将来也还会有大量强大的智能体到智能体的编排系统和流程管理器。但简单的基于文档的工作流将是主力。它们让智能体与它们的人类协作。它们是增强现有工作流最快的入口，因为大多数公司已经有了这套基础设施。 这正是智能体的用武之地。智能体是为文本而生的、为文档而生的、为阅读和填写表单而生的。人类讨厌文档的一切，智能体却乐在其中。让智能体去干知识工作中的苦力活，才是我们真正会看到实打实工作的领域。 ## 转变二：模型商品化 一旦价值转移到套具上，底层模型就变成了一个可互换的引擎部件，而部件会变便宜。 ### 预测 4：尖端 LLM 军备竞赛的落幕 过去几年由前沿模型军备竞赛驱动，各大提供商都在发布越来越强大的模型——除了美国封锁的那些。 现在那场竞赛撞上了经济现实。数万亿美元的补贴正在让位于真实的 API 账单，我们已经看到价格向真实成本靠拢，同时还有一波幸灾乐祸的故事：AI 账单让 CEO 们震惊，公司为了控制成本把人类雇了回来。 更有意思的是，我们看到模型在变好，效用却没有。更小、更便宜的模型在大多数任务上已经足够好。和世界上其他东西一样，不是每辆车都得是最顶配的型号，不是每个 CPU 都得是最快的。世界的大部分运行在廉价部件上，未来也将大部分运行在廉价的 LLM 上。 ### 预测 5：开源 LLM 的胜利 你不掌握的廉价部件，不会便宜太久。这是商品故事的第二个半场。 你不掌握的廉价部件不会便宜太久——一旦供应商锁定生效。这是商品故事的第二个半场。 构建自定义套具的公司获得了巨大的结构性优势：模型独立性。托管的模型被重度补贴，让 token 成本远低于其真实价格。提供商们在赌，运行 LLM 的成本会下降得足够快，从而让市场保持可行，并有足够的跑道让每个人把工作负载迁移到托管方案上。不可避免地，在锁定之后，价格会涨上去。我们今天乐意推给 AI 的许多任务，在那些平台上将不再经济。 遵循"技术只有变成商品才能规模化"这一真理，真正的 AI 玩家会把大多数日常需求寄托在开源模型上。日常任务不需要前沿模型。像 Netflix 这样的大玩家已经转向运行开源模型的自有 LLM 服务器，以更直接地控制成本。内部套具成为关键：公司依靠它们提供确定性护栏——而其中一个护栏就是成本控制。 ### 转变三：LLM 只是一个多元、网络化系统中的一个部件。 如果模型是一个商品部件，那么真正的系统就是部件的组装——多种 AI，彼此协调，并且越来越跨组织边界。 ### 预测 6：LLM 不会是银弹 当关系数据库上市时，人们什么都用它：消息队列、文件系统，你说得出的都有。 生成式 AI 不是银弹。我见过团队把它们用在预测系统、推荐系统、机器学习、知识系统、搜索引擎和数据解析器上。就像一个通用数据库一样，LLM 具有极强的适应性。它们也非常昂贵和低效。 生成式 AI 建立在广泛的现有 AI 技术之上，从深度学习和机器学习到 NLP 和预测模型。那些基础技术仍然存在，而且它们在许多任务上仍然优于通用的 LLM。 随着公司部署自己的套具，它们将部署使用全部 AI 频谱的多模态智能体。LLM 将负责复杂流程快速、灵活的粘合，但它们会与其他 AI 并肩而坐，而不是取代它们。LLM 不会是银弹。 ### 预测 7：今天的协议不是终点 [MCP 对互联网来说是一个死协议](https://medium.com/the-leading-indicator/mcp-is-dead-1b24fe6a3e64?ref=hubwiz.com)。我不确定替代品会不会是 A2A，但智能体将运行在自己组织的边界之外，它们将需要安全地协作。 互联网的历史，是一个从一个天真开放的系统中退回来、把安全、认证和可观测性事后补装上去的故事。MCP 延续了这一趋势。考虑到机会的规模和我们已经吸取的教训，互联网级别的智能体间协调将从一个把安全和规模设计在骨子里的协议开始。 ## 这把我们留在哪里 把三大转变放在一起，图景就清晰了。价值从模型身上移开，落到了套具上。模型不再是奖品，变成了一件你应该"运行"而不是"租用"的商品。而你用它构建的不是一个无所不能的 AI，而是一个多元的、网络化的专家系统、模块化智能体，通过我们拥有的最无聊、最持久的设施来协调：文档。 每一个技术栈最终都会在底层商品化，在顶层差异化。CPU 成了商品。Linux 成了商品。云算力成了商品。商业价值进入了应用、工作流和数据。LLM 正在走同一条路。 这一切都不是炒作所许诺的 AI。它更好，因为它是真正能落地的 AI。那些内化了这些转变、投资于套具、成本管理的模型、并把智能体派去干真实流程苦力活的团队——这些才是赢家。而那些仍在等待下一个前沿模型来拯救自己的团队，才是被留在原地等待的人。 --- 原文链接: [Three Shifts Coming to AI in the Next 12 Months](https://medium.com/the-leading-indicator/three-shifts-coming-to-ai-in-the-next-12-months-dc2e9c207d00?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处