Your Model Is Not Your Moat

你的模型并非你的护城河 - Gradient Flow

你的模型并非你的护城河

作者：

Ben Lorica

2026年9月2日

2026年8月25日

分类：

未分类

.meta-info

.post-thumbnail

在最近的一篇文章中，我写到越来越多的公司正在将自身的数据、工作流程和生产反馈转化为他们日益掌控的专用智能。更深层的逻辑是复利效应。重要的不是模型今天是否表现良好，而是使用它是否能创造让系统明天变得更好的资产。越来越多的AI团队开始围绕这个理念构建系统。这让我不断思考一个问题：如果每个人都能越来越容易地租用同样的智能，那么究竟什么才变得具有防御性？

Gradient Flow的存在得益于读者的支持。考虑成为付费支持者 🙏

##### 护城河是你在运营中学到的内容

强大的模型正变得更容易被所有人获取。竞争对手无法购买的是你组织实际运作方式的理解。哪些信息对决策至关重要？经验丰富的员工会注意到哪些例外情况？哪些工作流程值得自动化？什么是好的结果，又如何判断系统何时失败？

这使得运营背景和评估变得异常重要。一个能让代理访问400份报告的连接器虽然有用，但并不能构成真正的护城河。知道你最优秀的分析师使用哪五份报告，以及他们使用的时间和原因，这要难得多。随着时间推移，生产追踪记录、评估结果、权限设置、工作流程、客户知识和专家决策会形成一个特定于公司的运营层。我会减少对特定模型访问权限的防御投入，而将更多精力放在捕捉组织通过使用模型所学到的内容上。

这个观点在经济层面同样成立。拥有AI堆栈的某一层并不保证有吸引力的利润率。一个通用的内存组件可能成为商品，但一个能显著提升代理性能的深度集成内存系统则未必如此。深度和结果比简单地画出某一层的边界并宣称其具有防御性更为重要。

##### 为一个持续变化的平台构建

据一些估计，最好的开源权重模型已从大约落后前沿16个月缩短到约2个月。我谨慎对待这个具体数字，但趋势方向至关重要。一旦考虑基础设施和运营所需人员，开源模型并不自动变得更便宜。它们越来越多地提供的是一种新的选择。

这很重要，因为完全依赖一个供应商是商业风险，而不仅仅是技术选择。价格会变化。模型可能消失。条款会被修订。供应商可能限制功能或开始与之前供应过的公司竞争。安全团队甚至描述过封闭模型拒绝执行合法防御工作的情况，因为从模型视角来看，攻击软件和测试其防御可能看起来相似。

我的应对方式不是预测哪个模型或代理框架会胜出。我会让系统中重要的部分具有可替换性。保持模型、业务逻辑、状态、策略和执行合理分离。在有助于实现的地方使用开放接口。处理不同问题的团队不断在不兼容系统之间构建翻译层，我认为这是一个有用的信号。平台仍在动荡中，因此互操作性具有战略价值。

##### 构建留下某些东西的产品

一个我反复思考的观点是，并非每款产品都需要永远存在。当下一代模型吸收了使某款AI应用独特的功能时，一些AI应用会失去其差异化优势。但这并不意味着当初开发它们是错误的决定。

假设某款产品仅存在18个月，却为你带来了数千次真实的客户互动、更强大的评估套件、工作流数据、分发渠道以及对问题的深入理解。这些资产可以为后续的产品提供养分。更值得思考的问题可能不是“有人能否复制这个功能？”，而是“在运营这款产品后，我们会获得哪些新知识，而这些是明天才开始的人所不具备的？”

这一逻辑同样适用于界面设计。一些团队正在将完整功能引入主流AI助手，而不是坚持要求用户停留在自己的应用内。其背后的逻辑是，价值存在于提供的智能和上下文，而非用户查看的窗口本身。如果用户越来越倾向于使用助手，那么固守封闭容器可能是一种低效的投入。

对于初创公司，我特别喜欢将其与移动互联网进行类比。传统企业最终几乎将所有重要的网络产品都迁移至智能手机。而定义新一代公司的企业，往往来自智能手机使新事物成为可能的领域，包括摄像头、GPS和持续连接。AI的发展可能遵循类似的模式。自动化现有工作流确实有价值，但传统企业同样可以做到这一点。我更关注的是，由于廉价的智能和软件生成能力的出现，哪些以前不可能实现的事情现在变得可能。

遗留系统的现代化是值得更多关注的一个例子。企业通常推迟这类项目，因为文档不完整、专家退休，且没人愿意承担迁移风险。有趣的方法并非简单地让模型将COBOL重写为Python。应将旧系统视为规范，从其生成测试用例，翻译代码，并使用确定性方法验证新系统的行为是否与旧系统一致。这将原本充满风险的开放式迁移转化为可以逐步验证的检查清单。

##### 当生成变得廉价，判断变得稀缺

这种转变也存在人类层面的对应现象。随着代码、分析、文本和其他输出的生成成本降低，产生第一个答案的重要性下降，而判断这个答案是否正确的价值则显著上升。

这将价值导向判断、调试、评估和问题选择。有人能否将模糊的目标转化为系统可执行和测试的方案？他们能否发现看似正确实则失败的案例？他们能否解释代理为何出错，并据此改进系统？传统编码测试可能不如实际完成的项目和对失败项目的坦诚复盘更能体现这些能力。

我也不会假设快速提升的生产力意味着组织会一夜之间发生变革。工具的演变速度远快于职位描述、激励机制和管理结构。第一阶段可能主要表现为熟悉的团队产出更多成果，人们花更多时间指导和检查自动化工作。

##### 当客户拥有复利循环

这正是问题回到 OpenAI 和 Anthropic 的地方。挑战不仅仅是开源模型可能在基准测试中暴露他们的弱点。他们最优质的客户如今可以越来越多地将专有数据、工作流程、工具、评估体系和生产反馈结合在一起，形成仅在内部组织中提升的智能。

这改变了竞争格局。前沿实验室之间仍然在通用模型能力上相互竞争，但越来越多地，他们也必须与客户在下游构建的累积智能展开竞争。企业能够捕获的这种学习越多，就越需要问清楚：究竟谁真正拥有这个复利循环的主导权。

模型、功能、接口和常规输出变得越来越容易获取。而运营背景、评估体系、客户知识、分布网络和判断能力则会随着使用而不断增强。将商品化的东西购买进来，将产生复利效应的部分自行构建。