大讲堂
2026年的展台，没人再吹万亿参数
搁2023年的同个展会，所有展台的易拉宝上最醒目的位置，全是“万亿参数、超越GPT、通用人工智能”的大字，恨不得把实验室里的训练集群照片直接印在海报上当卖点。2026年倒好，我绕着整个展厅转了两圈，找不到一张提参数规模的海报。所有头部券商的展台，屏幕上循环播放的都是“大模型内容溯源系统”“生成内容合规审计”“投资建议风险拦截”的演示流程，连之前喊得最凶的那家互联网系大模型厂商，半米高的易拉宝上三分之二的版面都是合规条款，模型参数的介绍缩到了最下面的脚注里，字小到要凑到跟前去看。
真正的博弈，从来不在预训练榜单上
我之前一直觉得，大语言模型的竞争核心是算法，是参数规模，是在公开榜单上的排名。直到2025年下半年跑了十几家做行业大模型的厂商，才发现之前的认知完全走偏了。现在国内大模型厂商的收入结构早就变了：2023年的时候70%的收入来自卖私有化部署license、卖预训练服务，2026年上半年70%的收入来自推理成本优化、模型量化压缩、合规规则搭建。 某国产大模型厂商给国有大行做的私有化部署项目最能说明问题。一开始他们用全精度的70B模型跑信贷风险审查流程，单次全行级别的推理成本是1200元，后来团队把模型量化到4bit，又自研了推理调度引擎，把重复计算的部分全部做了缓存，最后单次推理成本降到了180元——比原来的方案便宜了6.7倍，但风险识别的准确率只降了2.1%。这个方案直接把之前报价比他们贵3倍的国外厂商干出了竞标名单。
被忽略的岗位需求，正在悄悄换轨
说个扎心的事。我2023年的时候帮一个做NLP算法的朋友内推，当时他有3年的预训练模型优化经验，简历投出去一周收了5个大厂的offer，年薪开到80万。2026年他再换工作，投了20份简历，只有3个面试邀请，给的最高年薪才45万。不是他能力退步了，是整个行业的需求方向彻底变了：现在根本没有多少公司需要你再去训一个更大的预训练模型，大家需要的是你把已经训好的模型，把推理成本打下来，把出错率降下去，把合规流程搭起来。 招聘市场的风向早就转了。2023年的时候，大厂算法岗招的最多的是预训练算法工程师，要求会搭分布式训练集群、会调大模型的loss函数；2026年的招聘启事里，60%的大模型相关岗位是推理优化工程师、模型量化工程师、合规溯源开发，预训练相关的岗位需求直接降了70%。甚至连上游的机房生意都变了：之前大家挤破头去贵州、内蒙古拿的低价电指标，全是用来建高密度GPU预训练集群的，现在那些建了一半的机房，很多都在改造成边缘推理节点——因为预训练的需求已经饱和了，真正的流量是分散的推理请求，要离用户越近，延迟越低，带宽成本越便宜。 对普通开发者的影响更直接。之前很多互联网公司的后端开发团队，有近一半的工作是写重复的CRUD逻辑、搭内部知识库、做简单的规则引擎。现在这些工作，只要会调大模型API、会写简单的RAG检索逻辑，一周就能做完之前要花一个月的项目。某头部互联网公司的内部统计显示，2026年上半年，他们的后端开发团队人效比2024年提升了2.7倍，对应的初级开发招聘需求直接降了40%。那些只会写重复业务代码的初级开发者，已经被大语言模型吃掉了近4成的岗位需求。 上周和一个做了20年芯片的老工程师喝茶，他说现在还有一堆人在闷头训超过万亿参数的大模型，就像100年前的人想着怎么把蒸汽火车的速度提到每小时1000公里——但所有人都忘了，火车的核心从来不是跑的有多快，是拉的货够不够多，票价够不够便宜。 等所有大语言模型的推理成本降到和发一条普通短信差不多的时候，你现在攥在手里的那点所谓的技术壁垒，还能剩下多少？作者|大讲堂
排版|大讲堂
审核|安然