所谓垂类大模型，指的是针对某一特定细分行业的 AI 大模型。比如医疗类、教育类等等。一直以来，我都不看好垂类大模型，垂类 AI 应用倒是可能有些发挥的空间。

为什么不看好垂类 AI 大模型呢？有人说，我给模型灌注垂直领域的知识用来训练，不就可以做出一个这个领域的模型了吗？就像世界上有很多行业一样，厨师需要厨师的技能，码农需要码农的技能。

在我看来，通用大模型最终会将所有的知识都纳入其中，成为一个无所不能的百科全书。这是基于信息技术行业的特征得出的结论。对于信息产业，增加训练知识库的边际成本极低。这与传统的图书馆不一样。传统的图书馆，增加某种知识，需要有作者写一本一本的书籍，书籍出版后，还需要书架，归类编目入库等等。加入图书馆后，查询起来也比较困难。新知识加入到图书馆，读者再从图书馆获取知识，是一件比较复杂的事情。

在搜索引擎时代，上面这些信息入库、查询的流程就已经得到了极大的简化。但存在知识入库了，但没结构化，没关联性的问题。用户查询起来，也可能因为使用的关键词不对，查询不到相关知识。大模型则相较搜索引擎更进一步。入库的知识被组织起来了，用户也可以用自然语言查询而非用关键词查询。

这些看上去似乎并不能证明垂直领域大模型没有意义，其实不然。理解了上面说的情况，就会明白用传统行业的行业细分来评估信息技术行业是不可靠的，因为两者对知识的收集、整理和输出能力的效率差异太大。信息技术对效率的巨大提升，会直接抹掉因为效率带来的行业沟壑。一个人一生都不可能学完所有的知识，甚至不能学完某个细分领域的知识，但计算机可以。

那么，留给垂类 AI 应用的施展空间就只剩交互设计层面了。交互设计层面的确也是可以产生价值的。

比如阿里出的这个 AI 应用。用户进入，就能看到一些问题，直接点击就可以开始了解。输入问题，解答完后引导上传照片、引导问出其他问题。这些设计能提升使用效率。

但最终，用户会学会使用通用大模型，使用大模型大能力应该是未来时代的一项基础能力。对于国内这些大厂来说，在当下推出这些垂类 AI 应用并且大撒币的目的，应该是想抓住窗口，从垂类应用切入，把用户留在自己的大模型中。