> ## 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. # 为什么AI公司最终都要自训模型 - URL: https://www.hubwiz.com/blog/why-ai-companies-eventually-have-to-train-their-own-models/ - Published: 2026-05-14T10:19:05.000Z - Updated: 2026-05-14T10:19:05.000Z - Description: 现在每个应用层公司都在问的问题不再是“我们如何使用 AI？”而是“我们如何抵抗商品化，为客户提供更好的结果？” - Author: admin - Tags: INDUSTRY, #Import 2026-10-14 14:41 在过去的 5 年里，我每天从早到晚都在做同一件事：拿一个通用的 LLM，教它去做特定的事情。最初，这意味着教 GPT-2 做模运算。现在，这意味着教万亿参数以上的模型去完成有时需要数小时的任务。 2024 年是“包装器”（wrappers）的时代。Cursor 作为典型代表，通过包装大实验室的模型，超越了 GitHub Copilot，成为 AI 辅助编码的首选工具。随后在 2025 年，Cursor 推出了 Composer。其基础是开源的 Kimi，但真正的魔法来自于他们内部完全后训练（post-trained）的模型。他们这么做不是为了节省 API 调用费用，而是因为他们已经发现了市场尚未完全定价的东西：**在 Cursor 中做好编码的奖励信号，就存在于 Cursor 内部，而不在其他任何地方**。 Cursor 是最显眼的例子，而现在这已成为整个应用层越来越普遍的策略：**更贴近你的用户，从而理解你的模型何时有效，然后构建更好的模型和产品**。这正是让你转动飞轮（flywheel）的方法。 这个模式现在已经高度一致，不可能是巧合。任何产品是长时域智能体循环（long-horizon agentic loop）的公司，都正在从大实验室的模型转向用他们自己交互数据训练的模型。Decagon、Abridge、OpenEvidence、Hippocratic、Intercom、Chroma、Pinterest、Cognition、Lovable、Notion、Harvey、Gamma、World Labs，以及所有前沿公司，都在开源权重基础上训练自己的模型。在 Baseten，我们帮助这一波公司训练他们的主要智能体，让他们摆脱前沿 API，转向专门化模型。 **Sutton 的苦涩教训**——通用数据规模胜过人类领域专业知识——在这里并不能拯救大实验室。标准的反驳是：泛化最终会胜过专门化，也就是说预训练规模会获胜，只要等待下一个基础模型就行了。这个论点适用于你针对固定目标扩展计算的情况。但大多数目标并不是固定的。 “在这个用户的代码仓库中做好代码补全”或者“为这位医生的患者群做好临床笔记”这样的目标，是不断移动的靶子。正确性是通过产品迭代发现的。任何在静态语料上进行的下一词预测都无法产生它。只有针对结果的 RL（接受 vs 拒绝的补全、真实工作流中成功 vs 失败的智能体轨迹）才能产生它。而这些结果只存在于产品实际运行的地方。这就是专门化胜过通用性的轴线，也是剩余前沿空间所在的轴线。 在过去一年里，实证案例已经无可辩驳：对于固定的能力预算，一个专门化的 OS 模型现在在分布内的智能体任务上 routinely 能匹敌或超越前沿模型，而且随着任务时域更长、工具使用依赖性更强，这种差距还会扩大。这与前沿的发展方向相同，但机制不同。我们通过接近一个数量级的更好单位经济性实现了这一点。 大实验室跟不上，原因在于组织结构。前沿实验室的组织方式是为许多客户服务一个模型。而专门化需要相反的方式，即为细分客户构建许多模型，这些模型与服务栈和客户的数据循环共同设计。让实验室擅长预训练的东西（集中式运行、单模型服务经济学、研究型实验室的组织结构），与让专门化业务成功的东西存在根本性张力。微调 API 只能是副业，因为它必须是副业。这是我和朋友在散步和吃饭时经常辩论的话题，但这是我看到的现实。我会指出 OpenAI 刚刚弃用了他们的微调 API 这一事实。 把专门化当作第一类业务，将意味着承认预训练规模不是现实世界价值的瓶颈约束，而这正是他们整个资本结构所依赖的论点。他们可以雇佣领域专家，但这没有帮助，因为让 OpenEvidence 或 Abridge 变得优秀的 98% 内容，并不是医学知识，而是他们在产品中构建的反馈循环。 这一波浪潮中的每一家公司都已认识到：在软件成本崩盘后唯一能存活的防御力，就是**拥有一个用别人看不到的信号训练的模型**。每个用户会话都会产生训练数据。每次训练运行都会产生更好的模型。每个更好的模型都会吸引更多用户和更多数据。飞轮在产品循环内部转动，而大实验室尽管规模庞大，却站在这个循环的外面。每一个产品都有极其详细的“好”的定义表面；公司现在关心模型的 UX，而这是训练时决定的，无法通过提示（prompt）来解决（例如工具调用的层级或搜索深度、工具调用的并行性等）。 现在每个应用层公司都在问的问题不再是“我们如何使用 AI？”而是“我们如何抵抗商品化，为客户提供更好的结果？”答案是：**基于你每天服务的用户的独特理解的专门化模型**。大实验室做不到，但你能做到。 --- 原文链接：[Why every serious AI company is training its own model](https://x.com/oneill%5Fc/status/2054604986269802579?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处