人人都在做垂直 AI 產品，為什么要反其道而行？

原標題：70年AI研究得出了《苦澀的教訓》：為什么說AI創業也在重復其中的錯誤？
文章來源：機器之心
內容字數：7911字

AI 創業的“苦澀教訓”: 垂直化浪潮下的反思

當前AI創業領域流行垂直化，但本文作者Lukas Petersson基于Rich Sutton的“苦澀的教訓”和近期觀察，認為這種做法可能重蹈AI研究領域的覆轍，最終被更強大的通用AI模型所超越。

1. “苦澀的教訓”重現：算力為王

文章的核心觀點源于Rich Sutton在2019年提出的“苦澀的教訓”：70年的AI研究史表明，依賴純粹算力的通用方法最終總是勝出。從語音識別到計算機視覺，精巧的工程設計屢屢敗于簡單粗暴的“加大算力”方案。如今，AI創業者們似乎正在重蹈覆轍，過度關注垂直領域的精細化工程，而忽視了更強大模型的潛在顛覆性力量。

2. 垂直化AI產品的局限性

大多數AI創業項目都專注于解決特定領域內的簡單問題，通過軟件工程對AI模型進行約束和限制。這雖然能在當前模型能力有限的情況下提升產品性能，但隨著更強大模型的出現，這些工程優化將迅速貶值。例如，OpenAI的o1模型的發布就降低了提示詞工程的重要性。

3. 模型升級 vs. 工程升級

提升AI產品性能有兩條路徑：模型升級和工程升級。文章指出，隨著模型性能的提升，工程升級的價值遞減。當前的工程優化只是因為模型不夠完善的權宜之計，未來更強大的模型將使得許多工程努力變得多余。

4. AI產品分類及未來趨勢

文章將AI產品分為兩類：垂直型（專注特定領域）和水平型（更通用），以及工作流（按預設路徑運行）和智能體（自主決策）兩類。作者認為，雖然當前垂直化工作流產品更易實現，但長期來看，更強大的水平型智能體將占據主導地位，因為它們能更靈活地處理復雜問題。

5. 統計學視角下的“苦澀教訓”

從統計學角度來看，“苦澀的教訓”意味著選擇靈活的模型（高方差）勝過選擇規則死板的模型（高偏差）。因為只要有足夠的算力和數據，靈活的模型最終會變得穩定可靠，而死板的模型則受限于其固有的規則。

6. 擁抱通用性，而非過度垂直化

文章總結道，過度依賴軟件工程來彌補當前AI模型不足的做法是不可持續的。AI創業者應該關注更強大的通用模型，并構建能夠充分利用這些模型能力的產品。與其在垂直領域投入大量工程資源，不如等待更強大的模型出現，從而以更低的成本實現更高的效率和更強的競爭力。 這需要AI創業者們從長遠視角出發，擁抱通用性，而非執著于暫時的垂直化優勢。

聯系作者

文章來源：機器之心
作者微信：
作者簡介：專業的人工智能媒體和產業服務平臺