最近和几个圈内朋友聊天，聊到最后大家不约而同冒出一句话：AI这波浪潮，好像肉眼可见地进入瓶颈期了。说这话的，有做算法的，有做产品落地的，也有在甲方做数字化规划的人。大家不是唱衰，而是看着这两年从模型能力到应用落地，确实跟几年前完全不是一个节奏。作为身在这个行当里的从业者，我自己的体感也很明显：AI正在经历从“奇迹感”到“新常态”的转变。这篇就来聊聊我自己看到的瓶颈信号、背后的原因，以及我们这些每天干具体活儿的人，还能怎么应对。
1. 瓶颈期的几个直观信号
1.1 模型能力提升开始出现“高原效应”
前两年那个阶段，几乎每隔一两个月就能看到一次让人“哇塞”的模型更新，从写代码到画图再到多模态理解，每一次都能拉高大家对技术上限的想象。但最近这大半年，明显不是这个节奏了。不是说模型没有进步，而是进步的速度和幅度都在变慢。我见过一个团队做内部评估，把参数规模翻了三倍，算力投入涨了四倍，结果在一个综合能力测试上只涨了0.7个百分点。这点提升放在真实业务里，用户几乎感知不到。这种收益递减就是最典型的瓶颈信号。
更麻烦的是，通用能力的提升已经很难直接转化为业务指标。以前你说模型变聪明了，客户愿意为Demo买单；现在客户会问，这个能力在我的业务场景里能不能稳定跑通。一旦问到这个问题，大家很快就发现，通用模型在长尾场景上的表现并没有想象中那么好。参数继续膨胀，但那些边角料任务该翻车还是翻车。你可以让它把一份合同摘要写得又工整又漂亮，但一碰到行业里那些特殊的简称、嵌套的表格，或者带歧义的数字，它可能就给你编出一个看起来合理但实际错误的结果。
另一个特征是，各家模型之间的差距越来越小。几个月前我做过一次匿名盲测，把几个主流模型放在同一批任务上跑，除了极少数需要复杂推理的题目，大多数结果已经很难拉开明显差异。你可以用评测集的零点几分排出个一二三名，但真实用户根本感受不到。这说明通用能力的天花板正在变得可视化，大家不是在突破极限，而是在彼此趋同。
1.2 数据红利正在见底
大模型训练这个行业流行一句话：只要规模够大，效果就够好。但规模要起作用，前提是有足够多的高质量数据喂进去。问题是互联网上的公开文本、图片、代码，基本都被那些大团队爬了一遍又一遍。公开数据集的重复率越来越高，模型吐出来的内容也开始有些“千篇一律”的味道。更尴尬的是，用模型合成数据去补贴训练数据，短期内看着可行，时间长了会出现内容趋同、错误叠加的问题，也就是行内常说的“近亲繁殖”，模型在自我重复中逐渐丢掉原本的多样性，遇到真正新一些的问题反而更容易懵。
另一个现实是，真正有价值的私域数据都在企业手里，但数据格式脏、标准不一，很多还牵涉权益和保密问题，想直接用也未必能用。数据工程师每天都在跟这些烂摊子较劲：字段缺失、同名不同义、历史版本混在一起。整理出来能用的量，跟预训练时动辄几千亿Token的规模相比，完全不是一个量级。对绝大多数做落地的团队来说，这个落差直接限制了项目的上限。
数据层面的瓶颈还体现在标注成本上。早年做模型微调，人工标注一批高质量指令数据就能显著提升效果。现在要想靠标注数据撬动模型能力，需要的量级越来越大。而人工标注的速度是固定的，质量也参差不齐。我见过不少项目因为标注标准前后不一致，模型学了一堆互相矛盾的模式，效果反而不如不微调。数据不再是一块可以无限开采的富矿，它已经变成了需要精耕细作的农田。
1.3 评测分数很好看，实际落地却露馅
现在的公开评测集已经陷入了一种“刷榜饱和”的状态。你去看那些排行榜，分数差距有时只有零点几个百分点，但榜单之外的真实表现可能天差地别。我见过最典型的例子：在公开基准上排名前几的一个模型，拿到一个具体的客服工单场景里做测试，同一批问题，答不对的比例高达四成。为什么？因为公开评测集里全是那些被反复刷过的题目，模型在训练时早就“见过”类似答案了。评测集被过度学习之后，分数已经不代表真实能力。
这也是为什么越来越多团队开始在内部建立私有评测集，用自己业务里的真实数据去验证模型。一旦用真实数据去测，很多模型的光环都会消失。比如一个法律领域的检索问答任务，模型可能把法条背得滚瓜烂熟，但面对一个实际合同条款的语义歧义，它给出的解释往往缺乏可执行性。又比如制造业的故障排查，模型看过大量的说明书，但到现场数据有噪声、传感器读数缺失时，它就不会转弯了。
这种落差带来的直接影响是，客户对AI的信任度在变化。早期大家愿意为了“未来可能性”买单，现在客户越来越精明了，要求你先做试点、看效果、再谈规模化。这不是坏事，但从行业节奏上看，确实让AI从一波流的爆发行情进入到了需要苦熬细节的阵地战阶段。
2. 为什么会出现瓶颈：不只是一句“遇上墙了”
2.1 Scaling Law的边界：规模化收益递减
过去几年，这个行业的核心逻辑就是Scaling Law：更多的参数、更多的数据、更多的计算，模型能力就往上走。这个逻辑在前期是成立的，但它不是一条永远向上的直线，而是会逼近某种天花板。打个比方，就像用水杯往水池里倒水，前面倒几杯水面明显上升，到了一定高度之后，再倒水也只是溢出边缘，水面并不见得更高。
具体到工程上，你会发现大模型的训练曲线已经变得非常平。同样的损失下降，需要消耗的算力是以往的好几倍。集群规模越大，通信开销、故障恢复、能耗管理全都跟着上去。很多时候，团队从两千张卡扩到八千张卡，获得的提升根本无法覆盖成本。单纯堆规模，已经不是一门好生意。
这里还牵扯到推理成本的问题。模型越大，在线服务的单次调用成本越高。即便可以通过分布式推理和缓存来摊薄，但面对海量请求时，成本依然是线性上升的。我见过一些做SaaS的团队，为了保持响应速度，把大模型换成小模型，结果效果掉得厉害；换回大模型，成本又扛不住。最后只能做模型路由，用分类器把简单请求交给小模型，复杂请求才交给大模型。这说明，规模化带来的边际效益正在被工程成本一点点吃掉。
2.2 技术范式没有下一个跳跃点
瓶颈的另一种来源在架构层面。现在的主流模型基本都在同一个范式框架里做文章：自监督、注意力机制、下一项预测。你说它是生成器也好、概率模型也好，本质上没有跳出这个框架。大家都等着新的范式带行业突破，但直到现在，我们看到的大多还是在原有框架下做修补：改进注意力算子、优化推理流程、设计更好的采样策略。这些东西有价值，但要靠它们打开一个新的能力维度，明显还不够。
最直接的表现是，模型在复杂推理、长期规划、记忆一致性这些方面，进步非常缓慢。你让它写一段宣传文案，它行云流水；你让它连续执行一个包含十几个步骤、并且需要不断修正中间结果的任务，它经常走一半就迷路了。这个问题不解决，很多高端应用场景就始终只能停留在Demo阶段。
往深一层说，现在的模型本质上是“高维模糊检索”，它擅长从训练数据中找出和问题相关的模式，但真要让它在脑子里构建一个世界模型，并且基于这个世界模型去推演未来，目前还看不到可靠路径。这也是为什么做智能体的人都会有一种感觉：单步调用模型没问题，多步决策一旦出错，错误会被不断放大，就像接力赛中一个人跑错方向，全队都跟着乱套。
我不是说模型架构没有改进空间，只是说，这个行业已经度过了靠小改动就能获得大提升的窗口期。接下来需要的不只是“继续做”，而是“换一种做法”，但在新范式出现之前，大家只能围绕着旧框架修修补补，瓶颈期自然会显得很长。
2.3 商业闭环还撑不起高昂的研发成本
大模型从训练到部署都是烧钱的事。训练一次大模型，算力、电费、人工成本加起来就是一个天文数字。可问题在于，当前真正愿意持续为之付费的场景并不多。C端用户习惯了免费或极低价格，B端客户则是对效果极挑剔，且每家的环境都不一样。很多项目看起来签了合同，实际上都是定制化开发，毛利很低，做完一单也不一定能复制到下一单。
更现实的是，靠模型能力本身形成差异化越来越难。当几个主流产品都能做到差不多的问答、摘要、写作能力时，用户凭什么叫出更高的价格？最后只能打价格战，而价格战的终点就是研发投入被压缩。我见过一些做模型服务的厂商，API报价已经降到几乎贴地飞行的水平，但依然很难靠规模盈利。
这带来的结果是，资本对于大模型基础设施层面的热情开始降下来了。前两年遍地都是“要做基础大模型”的创业项目，现在再聊，更多人问的是：你的模型到底能在哪个行业里做出别人做不出的东西？回答不上来，基本就融不到下一轮了。这不是某个团队的运气问题，是整个商业模式还没有跑通。
3. 瓶颈期先影响的是人：从业者和行业都在被重塑
3.1 岗位需求变了：从“会调参”到“懂业务”
我认识不少算法工程师，前两年靠几篇热门领域经验就能拿高薪，今年明显感觉到面试官的关注点变了。比起你训练过多大的模型，他们更关心你有没有在真实业务环境里把模型用好、调试好、降本增效过。会写模型代码只是入场券，能理解业务流程、能定义正确的优化目标，才是真正的分水岭。
有个很典型的例子，某团队原本做通用的对话模型，后来转向做企业内部的知识库问答。他们发现最难的不是模型，而是把散落在一堆文档里的知识整理成模型可以理解的形式。光是文档解析、表格抽取、术语对齐这三件事，就占了整个项目百分之七十的精力。会做这件事的人，比只会微调模型的人更值钱。这也说明行业正在从“技术驱动”转向“工程与业务驱动”。
岗位结构也在变化。过去AI团队里算法工程师的比例最高，现在数据工程师、提示词工程师、评测工程师、运维工程师的比例在上升。那些只会按着开源代码微调、跑个评测、写个报告的人，处境会越来越尴尬。因为工具越来越成熟，这些操作已经在被平台化和自动化。但这对于真正理解业务的人来说，反倒是好消息。
3.2 投资和研发方向开始收缩
资金面最敏感。之前大家讲的是“未来空间”，现在资方要求的是“当下落地节奏”。一大批纯算法研究的岗转向了应用工程、数据工程和产品化方向。某创业团队前年拿到一笔不小的融资，想做全自主的通用智能体，今年已经悄悄把目标改成先解决某个行业的知识检索问题。这是务实，也是被环境逼的。
大公司也一样，内部项目开始做减法。那些特别前瞻、短期看不到收益路径的项目被暂停或边缘化，资源往能够写进财报的方向集中。这本身不是坏事，但确实会让整个行业短期看起来缺少“大新闻”。媒体报道当然愿意追热点，但热点变少之后，大众自然会觉得AI好像不热了。其实不是不热了，是热的方式变了，从天上飞的概念变成了地上跑的项目。
不过收缩不等于消失。很多研发资源开始转向工程效率、模型压缩、推理优化、可解释性、数据安全这些方向。这些领域不如通用大模型性感，但它们才是让AI真正进入生产环境的基础。瓶颈期最需要的不是百米冲刺选手，而是能做基础设施的人。
3.3 焦虑与机会并存的结构性调整
瓶颈期最让人难受的不是没活干，而是不确定感。有人担心自己的技能被淘汰，有人担心公司裁掉整个AI实验组。我个人的观察是，AI不会消失，它只是在挤泡沫。挤泡沫的过程里，短期有些岗位会减少，但行业整体对AI能力的依赖其实还在加深。关键是你要站在那棵值得长期生长的树上。
比如前两年做“通用大模型”的项目特别多，现在倒掉一批，剩下的人会流向更难但更实的赛道，比如机器人控制、文档智能、工业视觉、医疗辅助。技术在应用里沉淀下来，比在发布会上炫技更有价值。对从业者个人来说，这时候反而应该慢下来，想清楚自己到底在哪个领域积累得最深，然后把这口井挖到足够深。
行业的情绪也在经历周期。前几年是“AI替代人类”的恐慌，今年变成了“AI能不能落地”的怀疑，两种声音都很极端。真实情况大概率在中间：AI确实能替代一些重复性劳动，但在复杂、不确定、需要担责任的场景里，它还需要人扛住最后一环。这种“人机协同”的状态，才是未来很长一段时间的常态。
4. 瓶颈期里，我们这些干活的还能做什么
4.1 别追参数，去追场景里的刚需
别总盯着模型排行榜了。对绝大多数团队来说，与其训练一个通用大模型，不如把一个开源模型吃透，在你的行业场景里做出一个真正稳定可用的方案。我见过一个偏传统的制造团队，用开源模型做设备故障诊断，模型本身并不大，但他们把设备数据梳理得非常好，再加上一套精心设计的提示词模板和人工反馈机制，最终准确率比通用大模型还高。这就是场景的壁垒。
怎么做？我建议分三步走。第一，找业务里最痛、最重复、最消耗人力的环节，比如客服、工单分类、文档信息抽取、代码注释生成；第二，用现有模型快速搭一个原型，拿真实业务数据去测，发现问题再迭代；第三，人工审核和模型输出形成闭环，错误的样本沉淀下来，定期重新训练或微调。模型可以是行业里已经被验证过无数次的，不用追求新，关键是你能不能围绕它把数据闭环跑起来。
很多人会陷入一个误区，觉得必须先有大模型才能做AI。其实不少场景里，一个几十亿参数的小模型加一套实用工作流，已经能解决百分之八十的问题。你会发现，门槛不在模型，而在你怎么定义问题、拆解任务、组织数据。这些事情想清楚了，模型反而成了最后一环。
4.2 把模型变小、变快、变便宜
瓶颈期拼的不是谁的模型最大，而是谁的推理成本最低。蒸馏、量化、剪枝这些技术，过去是学术圈的水土，现在是工程团队的标配。能跑在消费级硬件上的小模型，配合合理的模型路由，既能覆盖大多数常见需求，又能把成本压到原来的十分之一。
具体操作上，我会建议你在业务入口加一层意图识别和任务路由。简单问题走小模型，复杂问题才上大模型。配合缓存策略，重复问题直接返回历史结果。这一套组合拳打下来，整体成本能降很多，效果反而更稳定。我试过在一个问答系统里加路由层，原本百分之六十的流量可以落到小模型上，月成本直接降了近一半，响应时间也从几秒缩短到几百毫秒。
模型部署也不能粗枝大叶。要做压测，搞清楚在并发请求下，模型服务的响应曲线和显存占用，别等到线上翻了车才去救火。还要考虑升级和回滚机制，模型版本可以预发一小部分流量，观察关键指标后再全量上线。这些工程细节才是把AI用起来的真正壁垒。
4.3 数据工作是永远绕不开的基本功
数据质量比模型参数更重要，这个观点我在不同场合强调过很多次。瓶颈期尤其要做三件事。第一，梳理清楚你的业务里到底有哪些高频问题、哪些长尾问题，把语料分类建库；第二，建立一套持续的数据标注和质量审核流程，别让脏数据继续流进模型；第三，对线上模型做定期抽样评估，及时发现数据分布漂移。
数据清洗里面有很多容易被忽视的细节。比如文本里重复的抬头页脚、换行符、特殊符号、繁体简体的混用，都会影响模型理解。又比如标签体系的统一，很多公司不同部门对同一个业务概念的说法都不一样，模型看到“用户”“客户”“会员”三种说法，可能就需要你统一成一种。数据管道搭建比较繁琐，但它决定的是模型能力的上限。
我还建议每个项目都建立一个“badcase库”，专门收集模型在线上答错或答得不够好的例子。这个库的价值体现在两个方面：一是用来做回归测试，避免模型迭代后以前能解决的又不行了；二是用来指导数据补充的方向，缺哪块补哪块。别指望一次性把数据做到完美，先把回流机制跑通，让数据越滚越干净。
4.4 重新认真做评测和效果衡量
既然公开榜单已经不太能说明问题，那就回到业务本身建立评测体系。我通常建议团队维护一个“业务黄金集”，每个月从真实流量中抽取有代表性的样本，标注标准答案，每次模型迭代都用它做回归测试。黄金集不用很大，几百条就好，但一定要覆盖业务的典型场景和边缘情况。与此同时，还要做一定量的人工盲测，让业务方参与打分。分数是手段，不是终点，最终要回答的问题只有一个：用户对你的模型输出满意吗？
评测指标也得挑着用。有些场景看重准确率，有些场景更看重召回率；有些场景宁愿不做回答也不该给错答案，那就要注意怎么设置拒答机制，降低误导风险。我见过一个医疗咨询项目，模型遇到不确定的问题时会直接给出标准化的免责提示，反而比强行回答更让用户放心。评测体系不是越复杂越好，而是要跟你的业务风险、用户期望对齐。
另外，模型迭代不能只盯着效果指标，还要看成本和延迟。同样效果下，一个更快更便宜的方案就是更好的方案。我会建议团队在每次迭代时都做一个“效果-成本-延迟”三张表的对比，让决策更理性。这也能减少团队内部因为“我用的模型更高级”这样的理由而产生的分歧。
5. 写在最后：我的几点个人体会与实操建议
5.1 降低预期，但不放弃深耕
在瓶颈期里，我学到最多的就是预期管理。对自己的预期、对客户的预期、对行业新闻的预期，都要从“一夜颠覆”调整成“长期演进”。这不代表躺平，而是把精力从追逐热点挪到做好手上的事。能在一个领域里持续深耕，大概率比频繁追风口的人走得更远。
我也见过不少同行因为焦虑而频繁换方向，今天觉得大模型火就做大模型，明天觉得智能体火就做智能体，过两天又开始看具身智能。结果每一个方向都只摸着皮毛，简历上看起来热闹，实际没有积累。反倒是那些认准一个行业、一个场景、一个具体问题，踏踏实实做上两三年的人，现在已经有拿得出手的项目和经验。
5.2 给团队和业务留出冗余
做AI项目一定要有Plan B。尤其在做一些非决策型场景时，可以设计人工兜底流程，防止模型抽风造成业务事故。所谓兜底，包括设置置信度阈值，低置信度的问题自动转人工；也包括人工审核队列，让模型输出先经过一道“确认”再对外发布。很多时候，模型并不能百分百保证正确，那我们就用流程去兜住它。
技术上的冗余也一样。关键模块要有降级方案，模型服务挂掉时，系统能平滑切换到备用方案。这些都是被真实事故教育出来的经验。曾经遇到过模型服务因为上游接口超时，导致整个问答流程僵在那里，用户以为系统坏了。后来给服务加了一级本地缓存和超时熔断，哪怕模型回答不了，也能返回一个友好的提示，体验立刻好了很多。
5.3 保持学习节奏，更警惕热点泡沫
最后想说的是，别因为行业进入瓶颈期就停止学习，也别因为各类新闻标题而焦虑。保持一个稳定、持续的学习节奏，比如每周读几篇技术文章、每季度自己做一个小项目，比盯着热点风向靠谱得多。AI仍然是一把好用的工具，只是它不再是一个能让人一夜暴富的童话。真正能长期获益的，永远是那些愿意踏踏实实做事情、持续解决问题的人。
我也越来越觉得，瓶颈期其实是好事。它把那些光靠PPT讲故事的人筛出去，把资源留给真正做事的团队和个人。对普通开发者来说，少一点对“下一个大新闻”的期待，多一点对当前业务和基本功的关注，反而更容易在行业里站稳脚跟。与其焦虑AI还能不能再进一步，不如先把眼前的问题解决好。它能帮你写一段代码、整理一篇文章、总结一堆数据，这已经是很实在的价值了。把这份价值用好、用透、用得接地气，才是我们在瓶颈期里最值得做的事。
