2026-09-16 06:01:50 分类：科技
今年春天在杭州见一个做直播MCN的老朋友，茶还没泡开，他就掏出手机给我看裁员名单。裁了37个中腰部主播。不是卖不动货，是算法不给流量了。
被算法清场的直播电商中场
说实话，我之前一直以为机器学习是帮商家提高效率，选更能卖货的主播。这次才看明白，根本不是那回事。那个老朋友翻出后台数据给我看，被裁的主播里，有三个每个月能稳定出一百多万的货，佣金比例比头部主播还低两个点，纯纯给机构赚钱的奶牛。但机器学习模型就是不给流量，模型判定，用户点进直播间的平均停留时长，比头部顶流低0.78秒，就这不到一秒的差距，直接把你从流量池里踢出去。
现在头部顶流主播单场拿到的流量额度，相当于2020年整个抖音美妆垂类的月总流量。就是这么离谱。
2026直播电商机器学习流量分配示意图
整个直播电商这两年的增长早就见顶了，大盘流量就这么多，机器学习干的事，不是把蛋糕做大，是把蛋糕重新切一遍，把大多数中小玩家的流量，都抽到头部那几百个主播手里。你说这是效率提升？我看就是垄断提速。
争议还不止在直播圈。今年春招，我知道好几个互联网公司的算法岗，招进去的新人干的活就是调机器学习模型的参数，用来筛简历，筛面试候选人，说白了就是先把你卡过简历关，其实你的能力够不够，根本轮不到人来看，模型先把你pass了。很多人说自己莫名奇妙找不到工作，哪是你不行，是模型给你打了个低分。
不过话说回来，这事也不能全怪算法。算法背后都是人，是资本，是商业模式的选择。
算力账单喂出来的路径依赖
国内这三年大模型烧了多少钱，没人算得清。我之前跟某头部AI公司的算力主管吃饭，他偷偷给我透了个底，训练一个万亿参数的通用大模型，整体成本比国内三座1000兆瓦光伏电站的总造价还高出11%，但通用场景下的回答准确率，只比千亿参数模型提升了不到6%。就为了这6个百分点的提升，烧掉了几百亿。
这事用生物进化里的红皇后效应解释太合适了——你必须拼命不停地跑，才能留在原地。现在国内大模型圈的内卷就是这个德行，你不堆参数，资本就不给你估值，用户就觉得你不行，同行就看不起你。大家都在拼命跑，没人敢停下来问一句，我们跑这个方向到底对不对？
宁德时代这两年偷偷用机器学习干了件大事，很少有人对外说。他们在动力电池生产线上，用一个不到百亿参数的垂直机器学习模型，预测每一块电池的使用寿命，准确率能到98%以上，直接把不良品率降了12%，生产成本降了快两个点。整个模型训练加部署的成本，还不到头部大模型一次微调成本的零头。
中国人工智能企业算力成本占比柱状图
字节跳动为什么做豆包一直不急着堆参数？你以为他们没这个钱？不对，他们太懂了，通用大模型现在根本赚不到钱，真正能落地赚钱的机器学习，全在垂直场景里，给电商、给广告、给本地生活提效，赚的都是真金白银。反倒是那些成天喊着要做中国GPT的创业公司，融了一轮又一轮，除了堆参数，根本拿不出能落地的应用，烧钱烧到快崩了。
这里的博弈太清楚了，机器学习这条路，到底是给资本讲故事，还是给产业赚利润？本土公司选边站，早就分出了阵营。堆参数讲故事的，拿的是一级市场的钱，赚的是估值增长的钱；做垂直小模型落地的，拿的是产业的钱，赚的是效率提升的钱。谁对谁错，现在还看不出来，但账单已经出来了，讲故事的今年都在找下一轮接盘的，没人接就得爆。
大多数人不需要抢大模型船票
大多数人不需要抢大模型船票
说实话，现在全网都在贩卖焦虑，说不学大模型，不学机器学习就要被淘汰。我真的想说，别被骗了。绝大多数普通从业者，根本没必要去凑大模型的热闹。
我上个月去东莞出差，见了一个做高端实木家具的老板，他去年花了不到二十万，找人做了一个专门用来算开料的机器学习小模型，现在每一百平米的木材，能比之前人工开料省出来11.7平米，相当于每做十套家具，多出来一套的原材料。之前那个做了三十年的开料老师傅，原来每天要算大半天开料图，现在把尺寸输进去，模型几分钟就算好了，老师傅只需要盯着调整一下，每天能多做两套活，工资还涨了三千块。
你看，机器学习没有取代他，反而给他松绑了。
现在很多人一提到机器学习，就想到大模型，就想到ChatGPT，就想到要替代人。不对，绝大多数场景下，机器学习就是个工具，就是帮你把那些重复的、耗时间的破事干了，让你去干更值钱的事。真正会被淘汰的，不是普通人，是那种抱着旧经验不放，不肯用新工具的人。
整个产业链现在都被大模型的风口带歪了，都在抢通用大模型的那点份额，把垂直领域的无数需求都漏了。从农业的病虫害识别，到制造业的工艺优化，到服务业的客户需求匹配，到处都是缺口，到处都是机会，这些地方根本不需要万亿参数的大模型，一个几百万参数训练出来的小模型，就能解决大问题，就能赚不少钱。
当所有人都挤破头抢大模型的独木桥时，你敢不敢转身去捡那些掉在地上的碎银子？
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：机器学习不是效率问题，是分配问题
文章链接：https://m.lfdjt.com/info_23_20119.html
大讲堂