本文深入探讨了AI行业从堆料狂欢到研究文艺复兴的转变，揭示了算力并非万能的真相，并提出了小团队在新研究时代下的逆袭策略。
2020 到 2025 这 5 年，AI 行业像被按下了 “堆料快进键”：巨头们信奉 “参数多 = 能力强”，拼着砸钱买 H100、建千兆瓦数据中心，仿佛只要算力堆到极致，智能就会自动涌现。全球 AI 基础设施预计要烧到 7.8 万亿美元，微软、谷歌带头掀起 “军备竞赛”，连产品经理的 KPI 都变成了 “模型参数破万亿”。但听完伊利亚的访谈我才猛然惊醒：这种 “工业炼油式” 的 AI 研发，早就走进了死胡同。他直言不讳的 “我们撞上了墙”，不是芯片不够用，而是预训练范式的科学极限 —— 低垂的果实早被摘光，翻倍预算再也换不来两位数的性能提升。
我曾天真以为 “更大模型 = 更好体验”，直到做企业服务时发现：客户要的不是能写诗歌的 AI，而是能稳定修 bug、不出错的工具。那些千亿参数模型，90% 的时间在炫技，10% 的时间在胡言乱语，反而需要我们投入更多人力监督，完全背离了 “降本增效” 的初衷。
伊利亚的访谈让我看清了规模化时代的两个致命问题，这也是我做产品时最头疼的痛点：
“文本数据是有限的，我们已经爬完了整个互联网”—— 伊利亚这句话颠覆了行业共识。Epoch AI 的预测更扎心：按当前节奏，公共人类文本 2026-2032 年就会耗尽，部分模型 2025 年已触顶。
过去我们做产品，总想着 “多喂数据就能优化效果”，但现在才发现：互联网的高质量知识矿脉已经挖空了。
更坑的是 “合成数据”—— 用 AI 生成的文本训练新 AI，就像让学生抄同学的作业再交差，只会陷入 “自我吞噬”：模型越来越偏爱安全废话，砍掉创新表达，5 代之后就变成 “语法满分、毫无洞察” 的平庸机器。
规模化时代的另一个谎言，是 “参数够多 = 通用智能”。但伊利亚举的例子太扎心了：模型能搞定理论物理测试，却修不好 “改 A bug 出 B bug” 的循环；MMLU 得分超 85% 的模型，在 225 道简单推理题上惨不忍睹。
这正是最崩溃的点：花大价钱接入千亿模型，结果它能写复杂报告，却算不清简单的库存逻辑；能翻译外文，却理解不了用户的模糊需求。这种 “偏科绝症” 让 AI 在关键场景完全不靠谱 —— 法律、医疗行业根本不敢用，企业客户宁愿用老系统，也不想冒 “AI 乱决策” 的风险。
“我们重新进入了研究的黄金时代”—— 伊利亚的这句话，让我看到了 AI 产品的新方向。他把行业分成三个阶段，戳破了 “算力神话”：
过去我们总被 “没算力没数据” 困住，但现在发现：巨头忙着建 5000 亿的 Stargate 数据中心，根本没精力做算法创新；而我们只要抓住 “样本高效学习” 这个核心，就能弯道超车。
伊利亚的 “情绪价值函数” 假设给了我很大启发：AI 缺的不是知识，而是像人类少年一样的 “高效学习能力”—— 人类读几本书就能懂物理，AI 却要啃完整个互联网还犯错，差距在 10 个数量级。未来的 AI 产品，不该再追求 “喂更多数据”，而是让 AI 拥有 “内部反馈机制”：比如思考时能 “感觉到” 自己走弯路，及时纠错，这才是解决偏科和可靠性的关键。
伊利亚的访谈明确了下一个方向：AI 要从 “快思考”（模式匹配）转向 “慢思考”（逻辑推理）。这对我们做产品来说，是彻底的思路革新 —— 不再比 “谁的模型大”，而是比 “谁的 AI 想得更清楚”。
规模化时代是 “花几百亿训练，几分钱调用”；推理时代是 “低成本训练，按思考时长收费”。比如让 AI 解决复杂工程问题，可能要生成 10000 个推理 token，成本从 1 分钱涨到几美元，但用户愿意为 “靠谱方案” 付费 —— 这正是小团队的机会：不用砸钱训练大模型，专注优化 “推理效率”，让 AI 用更少算力想更久，就能做出差异化产品。
2025 年 DeepSeek-R1 的爆发，给我们打了强心针。这家资源远不如微软、谷歌的公司，用纯 RL（强化学习）实现了逆袭，核心突破太值得产品人借鉴：
这让我反思：我们做 AI 产品，是不是太执着于 “堆功能”？其实用户要的不是 “AI 能做 100 件事”，而是 “1 件事能做 100% 靠谱”。小团队聚焦某个垂直场景，比如 “AI 数学推理”“代码纠错”，用算法优化推理效率，完全能 PK 过巨头的 “万能模型”。
伊利亚访谈后，行业分裂成两大阵营，这也决定了 AI 产品的不同方向：
OpenAI、软银搞的 Stargate 数据中心，花 5000 亿建 10 吉瓦算力底座，赌的是 “用推理模型生成结构化数据，绕过数据墙”，同时抢占主权算力市场。这种重资产玩法，小团队根本玩不起，也没必要跟风 —— 我们不可能比巨头更有钱，只能换赛道。
伊利亚离开 OpenAI 创办的 SSI，走了 “反行业” 路线：不做产品、不接订单，30 亿融资全砸在 “超级 15 岁少年” 目标上 —— 让 AI 像人类少年一样，看几本书就学会新技能，不 “学新忘旧”。
这给我们的启发是：小团队要 “放弃全能，聚焦极致”。我现在调整了产品方向：不再做通用 AI 助手，而是专注 “工业场景故障推理”，用纯 RL 训练模型，让它能像工程师一样拆解问题、验证方案，虽然场景窄，但可靠性大幅提升。
读完伊利亚的访谈，我彻底放弃了 “追逐大模型” 的执念，总结了 3 条实操建议，适合所有 AI 产品人：
用户为 “靠谱” 付费，不为 “参数” 付费。比如做客服 AI，不用接入千亿模型，而是优化推理逻辑，让它能 10 步内定位用户问题，比 “能说会道但解决不了问题” 的大模型更受欢迎；
数据墙下，能让 AI 看 10 个例子就学会新任务的产品，会碾压需要百万数据训练的竞品。我们正在做 “行业知识库快速适配” 功能，客户只需上传 100 份文档，AI 就能学会专业推理。
过去我们总在做 “AI 写诗”“AI 画画” 的炫技功能，但用户真正需要的是 “AI 帮我省时间、少出错”。
伊利亚说：“AlexNet 用 2 块 GPU 改变行业，现在我们需要的不是更多 GPU，而是更多敢想‘为什么 GPU 不够用’的人。” 这句话点醒了我：AI 行业终于告别了 “比谁钱多” 的粗旷时代，回到了 “比谁懂用户、有想法” 的精细阶段。
对小团队来说，这不是最坏的时代，而是最好的时代 —— 我们没有千亿预算，但我们能贴近用户，能快速迭代算法，能专注解决一个具体痛点。
未来的 AI 爆款产品，一定不是出自千亿数据中心，而是出自那些 “把用户需求放在参数前面” 的小团队手里。
本文由 @王俊 Teddy 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自作者提供
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。