大讲堂
他夹着毛肚涮到半熟的时候突然吐槽，说团队今年的训练预算直接砍了六成，之前斥资搭的万卡集群，现在有近三分之一的算力在跑没有业务需求的闲置任务，老板天天追着问，”你们搞深度学习的，除了烧卡能不能搞出点真东西？”
这话听着刺耳，却是现在整个AI产业的真实写照。三年前大家聊深度学习，张口就是AGI，闭口就是参数规模，仿佛只要把显卡堆到十万张，就能造出跟人一样聪明的机器。
现在呢？
钱烧了几百亿，能落地的场景，算来算去还是那些早就跑通的老路子。
被神化的“万能学习”，其实早就撞上了能力天花板
很多人对深度学习的认知，还停留在十年前的新闻里——能识别猫的神经网络，能下赢围棋的AI，仿佛这东西无所不能。但只要真的沉下心做过项目就知道，它的核心逻辑从来没有变过：就是靠多层神经网络，对海量标注数据做统计拟合，说白了就是“见的样本多了，能猜出下一个最可能出现的结果”。
没有真正的理解。没有自主的逻辑推演。它甚至不知道“猫”是什么，只是能准确把“猫”的图片和其他图片区分开而已。
之前行业里奉为圭臬的缩放定律，说只要模型参数翻一倍，训练数据翻一倍，算力翻一倍，模型的能力就会按比例提升。但从2023年开始，这个定律的边际收益已经陡降到了让人难以接受的程度：为了提升不到10%的实际场景效果，训练成本要翻三倍甚至五倍。真的。这种投入产出比，别说中小企业扛不住，就算是头部互联网公司，也得算着花。
说穿了，我们之前以为深度学习的能力是个没边的桶，现在才发现，桶的底早就漏了。
从实验室到生产线：深度学习的落地，从来不是技术问题
之前很多创业公司的逻辑错得离谱。
他们觉得只要把通用大模型做的足够强，自然会有客户上门买单。但真到了谈合作的时候才发现，工厂里的客户根本不关心你能不能写诗歌、能不能写代码，他们要的是能识别流水线上比头发丝还细的裂纹的检测模型，要求推理速度在10毫秒以内，全年宕机时间不能超过8小时，整体成本还得压到传统机器视觉方案的一半。
你拿个能跟人连续聊两小时天的70亿参数大模型去做检测，就像开着法拉利去拉煤——有劲是有劲，完全用错了地方。
上次在苏州的工业展上，我碰到一个做光伏板表面检测的团队。他们最开始也追过潮流，拿开源的百亿参数模型做微调，实验室环境下的检测准确率能到92%，但是部署到生产线上才发现，单张图片的推理时间要200毫秒，一条光伏板生产线一秒要过3块板，根本赶不上传输速度。后来团队花了整整半年时间，靠模型量化、结构剪枝，把原来70亿参数的模型砍到了1200万参数，最终落地的准确率只掉了2%，推理速度却提了150倍，整体部署成本直接压到最初方案的十分之一。现在这套系统已经在西北三个大型光伏电站跑了快一年，故障率远低于之前的传统检测设备。
现在整个产业链的风向早就变了。之前大家追着买最新的A100、H100显卡，比谁的集群规模大；现在大家抢着找能做模型压缩、推理优化的团队，算着怎么把每一分算力的价值最大化。之前靠“万卡集群”“千亿参数”拿融资的公司，今年的融资难度比去年高了三倍，反而是那些扎在垂直行业里、把小模型做的足够实用的团队，订单已经排到了明年。
没人敢明说的风险：深度学习的“黑箱”，正在变成治理难题
技术本身的瓶颈还好解决，真正麻烦的是那些藏在模型背后的风险。
最核心的问题就是黑箱属性。你永远没法百分百说清楚，一个经过海量数据训练的深度学习模型，为什么会给出某个特定的结果。之前有个做信贷风控的团队，训练出来的模型给某一类县域用户的拒贷率高得离谱，团队翻遍了所有特征权重，都找不到明确的依据。最后才发现，模型在训练数据里学到了一个隐蔽的关联：某几个手机号段的用户，历史逾期率比平均水平高3个百分点，于是模型直接把这个特征作为了核心风控依据。
这种隐蔽的偏见，你如果不刻意去挖，根本发现不了。但它带来的后果是实实在在的——没有任何过错的用户，可能因为一个跟自身信用完全无关的特征，被拒绝了贷款。
更让普通人没有防备的是深度伪造技术。现在用深度学习生成的换脸视频、合成语音，普通人根本分辨不出来。之前某短视频平台的内部统计，平台每天要删掉的涉及诈骗的深度伪造内容，比去年同期涨了七倍。最吓人的是什么？是你根本不知道对面跟你视频通话的人，到底是真人，还是一段训练好的数字人。
现在的治理规则其实还没跟上技术的速度。比如规定生成式AI的内容要做显式标识，但对于很多追求短期流量的小团队来说，加标识意味着要增加推理成本、降低生成效率，能省就省。毕竟没人会主动为了长期的规则，牺牲眼前的流量收益。
跟几个在大厂AI实验室、垂直领域创业的朋友聊，大家对未来三到五年的行业走向，判断其实出奇的一致。
首先，靠堆算力、堆参数换效果的模式会彻底走到头。接下来的深度学习竞争，核心不是谁的模型更大，是谁能在更少的算力、更少的标注数据下，把垂直场景的模型做的足够准、足够快。之前大家追捧的万亿参数通用模型，会逐渐退回到行业的幕后，变成基础能力的提供者，真正面向用户的，是那些参数规模只有现在百分之一、但在具体场景里完全够用的小模型。
其次，产业链的利润分配会彻底洗牌。之前上游芯片厂商拿走近八成利润、中游模型公司烧钱换规模的格局不会持续太久。当大家不再追求最大的模型，开始追求最优的效率，国产推理芯片、模型优化工具、垂直场景解决方案的价值会快速上升。最后真正能赚到钱的，不是卖显卡的，也不是吹AGI概念的，是那些能把模型扎进农场、医院、工厂、农田里，帮客户解决真问题的团队——比如能准确识别小麦锈病的农业模型，能帮医生读病理切片的医疗模型，能提前预判设备故障的工业模型。
最后，黑箱的治理规则会逐步落地。未来所有用于公共决策、金融风控、民生服务的深度学习模型，必须通过可解释性认证。你不能拿一个说不清楚决策依据的模型，去决定谁能拿到低保，谁能通过信贷审核，谁能拿到公共资源的补贴。毕竟，技术是为人服务的，不是用来制造新的不公平的。
作者|大讲堂
排版|大讲堂
审核|见微