“大模型与具体应用场景的深度融合，才是当前亟待解决的核心问题”

这句话实际上贯穿了整个行业无法回避的关键命题。此前已多次强调：技术的真正价值在于落地应用，从本质上讲它只是一项工具。我们应当学习的是如何高效运用这项工具，而非一味执着于制造工具。

人工智能归根结底也是一种工具——只不过这个工具的构建过程确实更为复杂罢了。

然而目前仍有不少人深陷于“大模型”本身无法自拔：要么致力于研发更强大的通用大模型，要么专注于打造某个行业专属的专用模型。坦白说，这条路径已经有些偏离了方向。

为何不建议大家继续死磕“造模型”？原因其实相当直接。

入门大模型的门槛很低——网上各类教程、开源框架随处可见。但真正要做出一个既可用又好用的模型，其门槛却高得惊人。仅第一步：收集足够规模的行业数据，就已经把绝大多数个人和企业挡在了门外。

试想，如果不是在某个领域深耕多年，谁能积累到如此高质量的行业数据？难道全靠网络爬虫抓取、或靠砸钱购买？这显然不现实。

再往后看，设计一个能够适配特定行业的大模型，需要足够深厚的技术积累。然而技术并不是最致命的——资金、数据、人才才是真正的三座大山。

可以类比一个经典案例：世界上绝大多数国家造不出原子弹，是因为他们缺乏原子弹的理论吗？原子弹的设计图纸早已公开。问题在于工业能力无法支撑，仅第一步提纯铀235，就淘汰了90%以上的国家。即便勉强造出了原子弹，如何有效投送又成了另一个难题。

构建行业大模型也是同样的道理：数据收集这第一道关卡，就已经让无数企业望而却步。再加上多次训练和微调所需的硬件成本、电力消耗，又淘汰掉一批。因此，在这个时代，学会如何利用大模型、如何将大模型与具体业务场景相结合，远比制造模型更为重要。

大模型还有一个无法回避的弱点：通用大模型在垂直领域表现往往不够理想；而垂直领域的专用模型，能力边界又过于狭窄。对于大多数企业的业务而言，无论是通用模型还是专用模型，单一模型很难覆盖所有场景。不同的业务类型，可能需要多个模型组合起来才能实现有效解决。

所以说，即便是有能力自建大模型的企业，通常也只会把资源集中在一个核心业务模型上。至于那些边缘业务，最理性的选择就是调用第三方大模型的接口——没必要所有事情都亲力亲为。

从业务视角来看，技术只是实现目标的手段。用户不会关心你用的是自研模型还是第三方模型，他们只在意问题是否得到解决。因此，把大模型当作底层基础设施即可——谁家的好用就用谁的。只有在万不得已的情况下，例如数据必须保密、整个业务运行在内网无法暴露到公网，才需要考虑自建模型。

所以核心公式非常清晰：大模型 + 知识库 + 应用 = 产品

对待大模型最好的态度就是：把它当作一个工具，根据具体需求决定是否要自己制造这个工具。未来或许会出现专门为其他企业设计和训练模型的服务商——但只提供设计方案，不直接参与训练过程。这确实是一个值得关注的趋势。