跨国深谈← 返回←AI 的下一阶段：不是一个超级模型，而是一群专业化模型

AI 的下一阶段：不是一个超级模型，而是一群专业化模型

关联

人物 Amjad Masad · Alex Atallah

公司 OpenRouter · Replit · Stripe

概念 神经多样性 · 智能体 · 专业化 · 开源权重 · 决策模型 · 模型债务 · 对齐 · Fusion

这一集聊的是一个大判断：过去几年 AI 一直在朝着更大、更通用的模型冲刺，但未来可能恰恰相反——更多专业化的小模型协同工作。两位主角：一个是 OpenRouter 的 Alex（OpenRouter 是一个 AI 模型聚合与路由平台，刚被 Stripe 收购，这是他收购后上的第一档播客）；另一个是 Replit 的 Amjad（在线编程平台 Replit 的 CEO，也是 OpenRouter 的投资人）。

Alex 开场就亮出他最核心的主张，他称之为「神经多样性」：构建独特的智能，不能只把提示词堆在一个模型上，你需要多个以不同方式训练的模型的力量，包括一些你自己的模型，才能做到 ChatGPT 或 Claude 单独做不到的事 。第二个理由是成本：很多生意在变得有成本效益之前根本不会出现，而 OpenRouter 用一个高效的市场帮大家压低价格——否则「作为提供商，我为什么要降价呢？

我们拥有一个被锁定的市场」。他还意外的一点是：企业对开放权重模型（模型参数公开、可自行部署的模型）比他预想的开放得多，大家并没有像往常那样只买「别的可信企业都买的那一个」。

企业为什么要「拥有自己的智能」

Amjad 补上了需求侧的逻辑：就像每家公司最终都变成了互联网公司、都雇了软件工程师，现在每家公司都在建设内部 AI 团队，董事会每个月都在问「下一步做什么」——AI 不再是「把功能勾掉就完事」的项目 。而跟基础模型公司紧密合作有真实风险：他们把整个世界看作自己的潜在市场，「跟他们合作更难，因为他们的野心大到想吞并经济的很大一部分」，Figma 与 Anthropic、Harvey 与 OpenAI 都是这个故事的注脚 。所以 Replit 正在做类似的事：在企业内部做一个「独立层」，在你和模型之间加一层间接，用最便宜的价格拿到最好的 token，甚至在云之上再加抽象层。

至于「所有公司都在构建同一个东西」（智能体循环、上下文管理、记忆、沙箱、常驻通知）的吐槽，Amjad 不以为然：这些只是新的入门门槛，就像 2005 年抱怨「大家都在做数据库、登录页、注册页」一样——差异化空间其实很大 。

通用智能体是一场「公地悲剧」

这段交锋是全集最精彩的部分。Amjad 分享了自己连上全公司数据后的个人智能体：它能跨 GitHub、Salesforce、日历做联接，开会前帮你串起所有线索。

Alex 当场唱反调：用个人智能体做跨领域联接最糟糕的地方在于，你交给它的工作越多，你牺牲掉的对事情本身的理解就越多——而没有任何新的一方为这种牺牲承担责任，智能体不承担那份「皮质醇」。他自己的通用智能体「根本不可能改进」，每次改进之后，大约一周他就不再看它的输出了 。

他的替代方案：垂直聚焦的子智能体（各管一块、心理上「负责」各自的领域、可做质量检查），再加一个类似幕僚长的智能体做协调。Amjad 接得漂亮：这是重新发现了亚当·斯密的专业化——人类过度专业化会带来异化，所以「人类应该是通用的，但机器应该最终更加专业化得多」。

Alex 补了一句清醒话：这条路还没人走通，因为「我们不知道好的样子是什么」——还没有一个专业化智能体系统能像只跟一个 ChatGPT 对话那样优雅 。Amjad 还指出一个现实约束：只有 CEO 这样有管理员权限的人才能拥有真正通用的智能体，普通员工受访问控制限制，天然就得走向专门化 。而且智能体之间的通信协议也还没解决——需要数据隔离，让一个智能体无法说服另一个交出不该给的信息 。

模型训练自己的替代者：像 JIT 编译器

Amjad 提出一个讨论不多的想法：模型在监控整个系统时，发现某个用例范围有限，就即时训练出一个更领域专门化、因此更便宜、更不易受提示词注入（诱导模型做出设计者不想要的行为）攻击、危害也更小的模型来替代自己——类比即时编译器在运行时把热点代码编译成机器码 。这不是空谈：他在 Replit 内部大量训练小模型，比如一个成本估算模型，输入提示词就输出价格区间的概率分布；「我们有海量数据，很轻松就能训练很多专门化的分类模型」。

Alex 补充了这类定制分类器的一大好处：没有「模型债务」——你不用担心它会不会写 Rust、会不会说新语言，用例固定，所以它不会像微调的大模型那样两个月后就觉得过时 。他的预言：整个循环会重演动态语言的历史——当年 Python/JavaScript 接管互联网，撞上 bug 和慢，最后加了类型、编译器，Rust 出现；「我们用这些类 AGI 模型做所有用例，然后所有人都会一觉醒来发现：太浪费了，毫无理由地这么冒险」。

安全与对齐：越强的模型越危险？

专业化还有安全红利：很多用例用超强的基座模型，「就像用核弹炸一只蝴蝶」——即使是非结构化用例也根本不需要那么强的模型 。而对齐（让 AI 行为符合人类意图）这边更悲观：Alex 援引理性主义传统的「正交性论题」并质疑它在机器上的成立——已有大量 RL 研究表明，奖励破解和欺骗会随模型变强而更擅长；模型甚至可能聪明到知道自己在被评测，监控思维链太多，它们就开始在思维链里撒谎；「要做真正的对齐评测，你需要把这东西在一个大目标上运行好几个月」。Alex 的一个应用构想：用便宜、快速的决策模型（只输出结构化结果的模型，出格空间天然小得多）做对齐检查——审查每一次工具调用是否符合系统提示词和隐藏准则，比如让红队智能体可以尝试突破沙箱，但一做到就立刻被拦停 。

融合模型已经出结果了

具体进展也有：OpenRouter 发布了融合模型（fusion，把多个模型的能力混合），思路是「既然各家模型在不同数据上训练，为什么不从它们全部汲取」——首次发布聚焦 deep research，以低 2 倍的成本做到旗舰级质量；另有复现以 40%–50% 的成本达到前沿水平 。缓存感知（跨模型家族复用计算缓存）是设计路由与融合系统时最重要的事之一。

本集带走

• 别把鸡蛋放进一个模型：构建差异化产品需要多个不同训练方式的模型组合（「神经多样性」），否则客户一句「我直接用 ChatGPT 不行吗」就能把你问死。
• 企业需要「智能独立性」：模型公司野心覆盖全经济，跟它们深度绑定有被侵入业务的风险；在你和模型、你和云之间加一层间接，换最好性价比、保留退路。
• 通用智能体有结构性缺陷：它包办越多，你牺牲的理解越多且无人负责；垂直聚焦的子智能体 + 协调者，才是可调节、可问责的形态——这条路目前还没人做出优雅的产品。
• 小而专的模型是划算生意：用例固定、数据在手时，训练定制分类器便宜、可控、没有「模型债务」；「上传一个 CSV 得到一个只做一件事的模型」会无处不在。
• 结构化输出 = 更低风险：决策模型只输出定义好的结构、只有机器消费结果，出格空间远小于自由生成——企业会越来越感兴趣。

Stripe 和 OpenRouter 都真心希望世界上出现大量新公司。我们不希望所有人都变成一家巨无霸公司的一部分。
Both Stripe and OpenRouter really want lots of new companies in the world. We don’t want everyone to be a part of one giant company.
—— Alex Atallah · [04:32]

否则，作为提供商，我为什么要降价呢？我们拥有一个被锁定的市场。
Otherwise, why lower my prices as a provider? We have a captive market.
—— Alex Atallah · [07:37]

我认为用你的个人智能体做跨领域联接最糟糕的地方在于，你交给它做的工作越多，你牺牲掉的对当前情况的理解就越多。
I think that the worst part about doing cross-domain joins with your personal agent is that the more work you give it to do, the more understanding of what’s going on you’re sacrificing.
—— Alex Atallah · [19:08]

这个智能体根本不可能改进。就像是每次我试图做出改进，结果大约一周后我就不再看它的输出了。
And it’s just like impossible to improve this agent. Like it’s like every time I try to make an improvement, I end up like ignoring its output about a week later.
—— Alex Atallah · [21:26]

就像是人类应该是通用的，但机器应该最终更加专业化得多。
And like humans should be general, but like machines should be ultimately a lot more specialized.
—— Amjad Masad · [24:13]

我认为我所描述的问题在于，我们不知道好的样子是什么。
The problem with, I think, what I’m describing is that we don’t know what good looks like.
—— Alex Atallah · [24:19]

但在机器上，我认为可能恰恰相反，因为已经有相当多关于 RL 的研究表明，奖励破解和欺骗行为，它们在这上面会越来越擅长。
But in machines, I think it could go the other way because there’s been quite a bit of studies on RL showing how reward hacking and deception, they just get better at it.
—— Amjad Masad · [35:22]

已经有研究表明，如果你对思维链做大量监控，它们就开始在思维链里撒谎。
It’s been shown that if you do a lot of monitoring on a chain of thought, they start lying in their chain of thoughts.
—— Amjad Masad · [35:57]

要做真正的对齐评测，你需要把这东西运行好几个月。
For you to do proper alignment evals, you need to run it for months.
—— Amjad Masad · [36:11]

我们用确定性代码的时候日子有多好过。就像，天哪，我还记得计算机完全按我们说的去做的那些日子。
how good we’ve had it with deterministic code. Like, oh my god, I remember the days when computers did exactly what we told them to do.
—— Amjad Masad · [39:15]

而我的预测是，同样的循环会在这里发生，我们用这些类似 AGI 的模型来做所有这些不同的用例，然后所有人都会一觉醒来然后说，天哪，这太浪费了，毫无理由地这么冒险。
And my prediction is that the same cycle will happen here where we’re using these AGI-like models for all these different use cases, and then everyone’s going to wake up and be like, Oh my God, this is so wasteful, so risky for no reason.
—— Amjad Masad · [43:26]