1
0这两年只要你关注AI，几乎一定听过同一句话：大模型是巨头的游戏。
理由也很简单——训练一个顶级模型，投入动辄上百亿美金，算力、数据、人才、工程体系，缺一样都不行。
于是很多人默认结局早就写好：最后只会剩下几家超级巨头，其他公司只能当“应用层小作坊”，跟着吃点边角料。
然而，欧洲AI明星公司Mistral的创始人、CEO Arthur Mensch 反而抛出一个非常“反直觉”的判断：基础模型正在走向商品化，它迟早会像电力一样成为基础设施。真正的战场会从“模型本身”迁移到“模型之上的系统与企业私有资产”。
Mistral AI 是一家总部位于法国的人工智能(AI) 初创公司，主要以其开源大型语言模型(LLM)而闻名。自2023 年成立以来，短短三年时间估值已经超过120亿欧元，它已成为全球领先的生成式AI开发商之一。
当模型不再稀缺，谁还能赚钱？当模型差距难以拉开，企业到底在为什么付费？闭源模型那么强，企业为什么还需要开源模型呢？
一、基础模型的商品化
Mensch的第一句话就很刺耳：基础模型的商品化是不可避免的。
很多人第一反应是反驳：怎么可能？你看全世界都在拼命砸钱，甚至还流传着“要投入约1.4万亿美元级别基础设施”的说法。如此昂贵的资产，怎么会迅速变成“谁都能用”的商品？
关键点在于：昂贵，不等于稀缺；投入巨大，也不等于形成壁垒。
Mensch的解释可以概括成三层：
第一层：能把模型训练出来的“科学见解”，其实并不长。
他所谓“核心知识很简短”，并不是说整个工程不复杂，而是指驱动模型跃迁的那类根本性洞见——比如 Transformer 的关键思想，本身非常精炼，一旦论文公开，传播速度会非常快。科学知识一旦扩散，最难用来做长期护城河，因为它天然具有可复制性。
第二层：真正拉开差距的是工程，但工程优势往往是短期的。
你每天看到的“突破”“刷新榜单”，背后往往是工程团队在做大量细碎却必须做的工作：数据清洗、训练稳定性、对齐策略、推理效率、成本优化、评测体系、无数边角问题的修补。它们确实能让你在排行榜上领先几个百分点，但很难把对手挡在门外很多年——只要对手足够聪明、有资源、有耐心，很快就能沿着类似路径追上来。
第三层：当差距是“工程上的领先”，而不是“原理上的代差”，砸钱就会变成一场危险的竞速。
这就是“流沙上建城堡”的含义：领先者可以暂时建得更高，但地基会一直在滑。当意识到这项昂贵资产正在以极快速度商品化，企业的战略重心就必须改变，否则投入越大，未来折旧越快，越容易被迫陷入“以更高成本换更短领先”的死循环。
到这里，问题就变得非常现实了：如果模型差距越来越难拉开，AI行业的赛点到底在哪里？
二、从“AGI”梦想到现实的“企业应用”
你可能也注意到了一个微妙变化：过去一年里，很多大模型公司谈论“企业应用”的频率，明显高过“AGI叙事”。甚至有一种感觉——风向变了。
Mensch对此的判断更直接：AGI这个概念对企业来说过于简单化。
他说得很像一句大白话：在现实世界里找不到一个能解决所有问题的人，同样也造不出一个能解决所有商业问题的“单一AI系统”。企业不是在寻找一个万能天才，而是在管理一套复杂系统：供应链、财务、风控、客服、合规、采购、仓储、生产、销售……每一个环节都有边界条件、有业务规则、有异常情况、有责任链条。
这意味着，企业真正需要的不是“什么都会一点的通才”，而是能深度嵌入流程、理解专有数据、长期稳定执行任务的专家系统。在这样的系统里，大模型更像一个强大的引擎，但它绝不是全部。
于是行业开始从一种“魔法思维”回归到“系统思维”：不再期待天降一个无所不能的神，而是认真思考如何把AI变成一套可靠的生产系统。
三、一个成功的AI系统=静态系统+动态系统
Mensch把成功的AI系统拆成两部分，静态系统+动态系统。这个框架几乎解释了“企业AI为什么难做”，也解释了“未来钱从哪里来”。
1）静态系统：人类写下的“作战计划”
静态部分更像一份编排手册，由领域专家制定规则与护栏：流程怎么走、边界在哪里、什么情况下触发什么动作、哪些决策必须升级人工、哪些风险必须拦截。
比如库存低于某个阈值，系统应自动启动采购；客户投诉属于某类场景，应自动分配到对应部门；合同金额超过某个范围，必须触发合规审查。这些规则相对固定，是企业经验的沉淀，也是企业治理的底盘。
2）动态系统：AI智能体作为“突击小队”去执行
动态部分就是我们常说的 Agent：它不是只会聊天的模型，而是在规则框架内拥有自主行动能力的执行者。它可以自己决定先去数据库查数据，还是调用API向供应商发邮件；可以自己理解邮件、文档、表格、图像，再决定下一步该做什么。
如果用一个更直观的比喻：当我们给实习生一个目标和规则（静态框架），但不会手把手告诉他每一步怎么点鼠标。他需要自己判断先打开Excel，还是先去数据库拉数，再去找财务补齐缺口。这个“自己决定如何完成任务”的能力，就是动态系统的价值。
更重要的是：动态部分越强，人类就越能围绕它设计更复杂、更大胆、也更有商业价值的静态作战计划。
这才是AI解决现实世界那些“脏活累活”的正确姿势，而不是指望一个模型“神奇地解决一切”。
四、闭源这么强，企业为什么还想要开源？
聊到这里，商业模式的分岔路口就出现了。
一种路线是典型的闭源模式：把模型做得最强，然后像“看门人”一样出售API调用权。你越强，你收费越高，别人越离不开你。
问题在于：当模型趋同、商品化不可避免时，“看门人”的议价能力就会被稀释。很快你会遇到更便宜的看门人，甚至免费的看门人。到那时，你卖的不是稀缺资源，而是一个越来越普通的门票。
Mistral选择的路线更像另一套哲学：模型本身不是最终产品，模型更像免费送给厨师的一台顶级烤箱；真正收费的，是围绕烤箱的实施经验、系统集成、持续维护、深度定制。
说白了，它卖的是“把AI接进企业血管里”的能力。
那企业为什么愿意走这条看起来更麻烦的路？Mensch给出三个理由，几乎每一个都戳中企业的软肋。
1）控制权与独立性：没人愿意把“电网总闸”交给别人
当AI变成企业运营基础设施，它就像电力、网络、ERP一样关键。你愿意让全公司的电网被另一家公司控制，对方随时涨价甚至拉闸吗？大企业对这种依赖性天然恐惧。
开源+私有化部署至少给了企业一个选项：关键能力可以留在自己手里，成本与风险不被外部一家公司绑定。
2）真正的护城河在“私有知识”，而不是通用能力
Mensch用了一个很传神的说法：企业最值钱的东西，往往是员工的“民间传说知识”。
它不是写在手册里的流程，而是“老律师面对某类客户时的沟通分寸”“老师傅凭声音判断机器异响的诀窍”“销售冠军建立信任的微妙节奏”。这些经验高度非结构化，却往往决定了企业效率、质量与利润。
企业只有在更强控制权下，才能把这些私有知识用自己的数据做微调、做训练，最终沉淀成别人拿不走的能力。到那时，AI不再只是“通用聊天”，而是企业独有的工作方式被固化成系统。
注：这部分可以参考黄仁勋之前关于软件的观点，可谓英雄所见略同。
3）地缘政治与主权：敏感行业无法把核心数据交给外部云
政府、金融、工业制造、关键基础设施这些领域，核心数据与系统完全托管给国外科技巨头，风险巨大。对它们来说，“能否私有化部署”“数据能否不出域”，往往比“模型再强一点”重要得多。
五、开源在企业的落地案例
如果前面还是战略推演，那么接下来Mistral给出的案例就把逻辑落到了现实里：AI已经开始进入“物理世界的流程”，并且能创造真金白银的价值。
案例1：集装箱货运调度——AI做总调度员，效率提升80%
这个场景典型得不能再典型：集装箱到港之后，要协调港口、海关、监管机构，还要在二十多种老旧软件里反复切换，信息散落在邮件、文档、表格、系统记录中。过去需要大量人力去做“跨系统的协调与搬运”。
AI系统在这里扮演的不是“问答机器人”，而是总调度员：它能理解传入的邮件和文档，从不同系统抓取数据，自主决策下一步动作——把集装箱安排到哪个堆场、调用工具预定卡车、生成文件发给海关……当流程大部分跑通后，效率提升非常可观。
注意，这里真正值钱的不是“模型聪明”，而是“模型能在工具链里行动”，能把分散系统编排成一个连贯流程。
案例2：与ASML合作——在晶圆缺陷检测里，数据与部署方式决定一切
另一个更震撼的案例来自半导体行业：ASML的设备在晶圆制造过程中需要极其精密的检测能力，问题往往是纳米级别的异常。要做好这件事，AI不仅要“看见图像”，还要理解背后的物理机理与工艺逻辑，才能判断一个异常到底是不是缺陷、为什么会产生、需要怎样的处理。
更关键的是：训练所需的扫描图像属于高度机密的知识产权，根本不可能随便上传到公有云。于是“可私有化部署、可深度定制”的路线就不再是加分项，而是合作前提。
当你把两个案例放在一起，就会得到一个非常清晰的结论：AI正在成为企业的编排者（Orchestrator），像中枢神经系统一样感知信息、做出决策、调用工具执行动作。
六、AI使用者的角色
Mensch最后提到一个细节，我认为比任何豪言壮语都更重要，因为它直接决定企业AI能不能规模化。
他说：把一个AI应用从80%“能用”提升到99%“生产级可靠”，方法和传统软件开发完全不同。不能像以前那样回去改几行代码修个bug就完事了，而更像是在培养一个新员工：需要不断给它反馈、给它纠错案例、给它示范边界条件，让它通过再训练逐步变得可靠。
这句话背后藏着一个角色转换：当我们管理的不再是一个只会严格执行命令的程序，而是一个需要从反馈中成长的系统时，在企业里的身份也会发生变化——我们不再只是软件的操作者，而是这些“数字同事”的老师和教练。
这也许就是AI时代最具颠覆性的地方：技术在变，组织与管理方式也会被迫重构。
结语：AI重构企业
回到一开始那个问题：大模型是不是巨头的游戏？
如果你只把AI理解为“训练一个更大的模型”，答案很可能是肯定的。但如果你把AI理解为“重构一套企业系统”，局面就完全不同了。因为模型会趋同，会商品化，会被价格战拉平；而真正难的部分在于：如何把AI嵌入流程、接入工具、吃进私有知识、在合规边界内稳定运行，并且从80%走到99%。
这才是Mistral这类公司真正押注的方向，也是接下来几年企业AI最可能诞生价值的地方。
当AI变成基础设施之后，竞争的关键不再是谁“拥有电厂”，而是谁能把电送到每台机器、每条产线、每个岗位，并且让它稳定、安全、可控地运转起来。这样的能力，才是新的护城河。
