目前全球约有十多个实验室采用相同的方法和数据集，生成的模型效果日益趋同。模型更新迭代速度快，任何团队都能快速跟进，模型本身已不再是决定性优势。
究其根本，开源模式极大加速了技术传播。
2024年初，Mistral 开源了稀疏混合专家架构（Sparse Mixture of Experts）。仅仅几个月后，中国团队便推出了更高效的版本 DeepSeek-V3，成本更低、效率更高，展现了出色的工程优化能力。与此同时，DeepSeek 的部分训练技巧也被欧美团队借鉴吸收。技术完全开放，全球协同进步，已无秘密可言。
Mensch 分享了一组数据：2024年，想要预训练模型达到10的26次方 FLOPs（运算规模）仍颇具挑战；而现在，任何具备资源的团队只需数月就能追平这一水平。
技术门槛正在迅速下降，各团队间的差距急剧缩小。
但他真正担忧的，并非模型能力趋同，而是虽然模型表现亮眼，企业却难以真正落地应用。若无法转化为实际生产力，再多的投入也只是徒劳。
这一判断并非 Mistral 独有。
几周前，Sam Altman 在纽约向一群新闻负责人透露，OpenAI 2026年的核心优先级之一，就是为企业构建实用应用程序。
Mensch 的表述更为直白：
“AGI 这个概念过于简单化。根本不存在一个能够解决所有问题的单一系统，就如同没有任何人能完成世界上每一项任务一样。”
过去三年，业界过度关注模型的聪明程度，却鲜有人认真追问：企业能否利用它高效开展实际工作？如今竞争焦点已彻底转移：不再是追求模型最强，而是确保企业能真正用上、用好。
第二节｜真正赚钱的，不是模型
那么，“用得上”具体体现在哪些方面？
许多 AI 公司只会宣扬模型多强大，却讲不清如何帮助企业落地实施。
Mistral 给出了清晰的答案。
CEO Arthur Mensch 将企业 AI 应用分为两类：
一类是效率提升——原本需要20人完成的工作，现在只需2人即可搞定。
另一类是技术突破——帮助企业实现过去根本无法做到的创新。
先看效率提升。
法国航运巨头 CMA CGM，每当大型船舶靠港时，需协调码头、监管、卡车调度、港口装卸等多个环节，流程极为复杂。过去，20多名员工轮班调度，系统繁杂、沟通难度大。
如今，Mistral 让 AI 替代人工对接20多个外部系统，自动发送消息、下达指令、确认流程。
人员依然保留，但角色转变为审核把关——原本20人的工作量，最后只需2人即可完成。AI 不仅仅是回答问题，而是实实在在地执行任务。
背后的逻辑其实非常简洁。
Mensch 解释，AI 并非无所不能，而是由人制定规则、AI 负责执行。
他将系统拆解为两部分：
人定的规矩：哪些步骤必须人工确认，哪些可以自动化，这些都是预先编写好的规则。
AI 的发挥：具体如何执行，AI 根据实际情况自主判断。例如，哪艘船先卸哪个集装箱，由 AI 根据情况灵活决策。
“指望 AI 独立搞定一切，是不切实际的。两者协同配合，才能构建真正可用的系统。”
再看技术突破。
ASML 的光刻机制造过程，涉及极高精度的图像识别。过去依赖专家肉眼查看图纸，寻找芯片缺陷。
Mistral 的模型能够同时处理图像与逻辑信息，自主分析、标注并持续优化。
这不仅是节省人力，更是突破了芯片制造的精度瓶颈。AI 能够识别肉眼无法察觉的缺陷，加速人工标注缓慢的流程。
精度提升带来的直接效益是：晶圆厂吞吐量大幅增长，芯片制程得以向更小的纳米级推进，整个半导体行业的物理极限正被 AI 所突破。
Mensch 的判断是：
“在核聚变、更精细的半导体雕刻等领域，我们正面临物理限制，而 AI 可以帮助解除这些束缚。这才是真正的技术加速，其创造的价值远高于单纯节省人力。”
这两个案例共同说明了一个核心问题：AI 公司的真正使命，不是兜售一个聪明的模型，而是让 AI 深度融入企业的日常工作流程。
卖模型只是提供能力，而企业真正需要的是可落地、可执行的方案。
许多 AI 实验室在模型研发上投入巨资，但最终能盈利的，往往是那些让 AI 在企业中真正发挥作用的小团队。
第三节｜控制权值多少钱？
说到让 AI 真正用起来，Mistral 依赖三大要素：能用、能控、不受限。
1、能用
他们的模型采用开源模式，并非提供封闭的黑盒工具，而是允许企业根据自身需求进行修改、集成系统，并在自有服务器上部署运行。
这一点在许多闭源大模型中根本无法实现。
2、能控
如果模型只能在供应商的云平台上运行，一旦该公司调整权限、更新政策，甚至限制某些功能使用，企业只能被动接受。
Mensch 打了个比方：就像接入了别人的电网，随时可能被切断供电。如果 AI 真的成为关键生产工具，谁敢把主动权完全交出去？
这就是闭源模型的隐藏风险——被供应商牢牢锁定。
“Anthropic、OpenAI 他们也会说‘能帮你定制’，但本质上你只能信任他们的工程师会给予足够权限。万一他们更新 API、调整定价、限制功能呢？你只能接受。”
还有更现实的问题：如果你在闭源模型上训练了自己的系统，积累了半年的数据，突然供应商涨价或者不再提供服务，你该如何应对？
迁移成本极高，因为你已被彻底绑定。
开源的价值恰恰在于此：客户可以随时切换、自行部署，不必担心被卡脖子。因此，Mistral 的客户更倾向于选择它，不是因为模型一定比别家更强，而是因为模型掌控在自己手中，随时可用。
3、不受限
Mistral 的优势还在于：模型可以在本地运行，断网也能正常使用。客户可以根据自身需求增加功能、调整参数，无需与技术供应商反复协商。
这套模式已在多个对稳定性要求极高的场景中得到验证。
2026 年 1 月，法国与 Mistral 签订框架协议，要求 AI 系统必须部署在本国基础设施之上。原因十分明确：关键业务不能依赖外部供应商，一旦出现问题，将影响整个运营体系。
对企业而言，这不仅是技术问题，更是成本问题。
把钱投入 Mistral，这笔投资将留在本地：招聘本地工程师、建设本地数据中心、培育本地技术生态。企业未来需要技术支持、系统升级、人才储备，均可在本地解决。
反之，如果选择闭源服务商，资金外流，技术能力无法沉淀。长期来看，企业的话语权将逐渐削弱。
Mistral 能够赢得这些订单，依靠的并非模型性能最强，而是让企业能够真正掌控自己的系统。
回到最初的问题：当大模型都差不多了，AI 公司靠什么赚钱？
答案已经非常清晰。
模型终将商品化，技术门槛正在消失。
真正有价值的是：让 AI 在企业中落地应用，以及将控制权交还给企业。AI 越重要，控制权的价值就越高。
