我是Cloudera的首席策略官，這就是為什麼你的$1 億AI預算變得過時的原因

AI 正進入一個新階段：其 2.0 時代。AI 1.0 建立在非結構化數據之上，應用通用機器學習來解決廣泛的商業問題。它標誌著從實驗性 AI 轉向早期運營和代理系統的轉變，基於一個信念：較大的模型自然會產生最強大的結果。這一概念被超大規模模型競相打造的熱潮所強化，形成了一場軍備競賽，推動了突破，但也帶來了不可持續的計算需求和日益上升的基礎設施成本。

推薦影片

AI 2.0 不同於過去，並挑戰了這種信念，因為實踐中較大的模型證明價值遠低於預期。AI 2.0 不再專注於語言或統計概率建模，而是著重於模擬現實世界的動態。它依賴於物理知識驅動的機器學習——嚴謹的、基於微分方程的模擬模型，並由 AI 加速。這些模型不會產生幻覺；它們在現實運作的限制下進行計算和預測，使其更適合用於生產環境。這一轉變也強調企業不能再僅依賴超大規模模型的經濟性。訓練前沿規模模型需要的計算資源只有少數幾家供應商能支持，促使組織重新思考「更大」是否真的可及，更不用說是否最適合其用例。

最終，AI 2.0 的核心特徵不是規模，而是克制。我們正朝著能知道何時停止思考的 AI 系統邁進。這些模型被設計為追求精確、成本效率和合理推理，而非無盡的計算。

從 AI 1.0 到 AI 2.0 的轉變

AI 1.0 主要建立在推理之上，並由實驗和概念驗證主導，企業優化的是演示和基準測試，而非運營結果。主要問題不在於 AI 是否能以經濟可靠的方式擴展；而是它是否能運作。

在這一階段，許多領導者陷入了所謂的「準確性陷阱」，只追求模型的準確性，而忽略了計算能力或上下文感知。在受控環境中表現良好的模型，最終在實際部署時失敗，原因可能是速度太慢，或成本過高，無法以合理的單位經濟規模擴展。當時的直覺是從最大模型開始，認為適應性自然會提升性能。

AI 2.0 重新定義了這種思維。領導者現在要對可衡量的投資回報率負責，而非僅僅是演示或基準分數。在 2.0 時代，我們需要停止訓練模型以了解一切，而是訓練 AI 模型來模擬重要的內容。這是一個更專業的範式，目標是學習並完善一個或多個能力，而非為了追求泛化能力而盲目追求。

在 AI 2.0 中，從醫療到製造再到金融服務的每個行業，都能建立較小的、領域專用的模型，模擬其獨特的物理規律、限制和環境。這類比於從大規模汽車生產轉向定制組裝：人們將能「自己打造汽車」，因為生產不再僅由規模經濟決定。例如，在醫療領域，較小的物理知識驅動模型可以模擬疾病進展或治療反應，而不依賴於龐大的通用系統。這樣可以消除幻覺風險，並提高在安全關鍵流程中的可靠性。

此外，超大規模模型的動態也在轉變。企業不再依賴所有任務都由巨型集中模型來完成，而是通過結合基礎模型與小型語言模型來分散智能，降低對超大規模模型的依賴，並優化特定本地環境的性能。

這一轉變不僅是技術層面的，更是經濟和運營層面的。

成功的關鍵：知道何時「停止思考」

在企業環境中，「思考」是有成本的。對大多數工作負載來說，參數越多並不一定帶來更好的結果。對許多應用來說，GPT-5 這樣的模型過於強大、昂貴且速度緩慢，導致推廣受阻和用例受限。

AI 2.0 的基礎是受限意識的智能。世界模型讓系統能建立一個針對任務的現實表示，讓系統能夠推理重要的內容，而不是每一步都從頭重新理解。這個概念今年在達沃斯再次引發討論，AI 先驅 Yann LeCun 表示，我們「永遠無法通過訓練大型語言模型或僅用文本訓練來達到人類水平的智能。我們需要現實世界。」他的觀點是，生成代碼是一回事，但達到像五級自動駕駛車那樣的認知複雜度，遠超出當前大型模型的能力。

所有這些都表明，GPT-5 這類模型並未在現實場景中訓練。而較小、專用且高效調整的模型能更快達到足夠的準確性，提供顯著更低的延遲，成本也只有其一小部分，並能隨著現實需求進行可預測的擴展。實踐中，AI 不應該無休止地思考，也絕不能採用「一個模型統治一切」的架構。它應在一個明確的決策空間內運作。新興的架構包括將任務路由到最簡單有效的模型，只有在必要時才升級，並持續在準確性、速度和成本之間取得平衡。

換句話說，模型大小是儀表板上最危險的指標。這是 1.0 時代殘留的，混淆了容量與能力。真正重要的是每解決一個問題的成本：系統在現實運作限制下，能多高效地提供準確可靠的結果。

企業贏得比賽的關鍵不在於運行最大模型，而在於運行最經濟、能大規模解決問題的模型。

AI 2.0 的人才套利

人才是 AI 2.0 另一個關鍵變數，將劇烈改變 AI 行業的動態，因為成功需要一支能為高度變化的應用構建模型的團隊。目前，全球能開發基礎模型的人才比例很少，而且大多集中在少數幾個科技中心。

目前，研究人員是超級明星，並獲得相應的高薪，因為他們需求旺盛。但向 AI 2.0 的轉變，要求從魔術師轉向機械師：能調整、維護和優化模型以解決具體現實問題的專業人士。這種人才轉變將成為下一階段 AI 最大的套利機會之一。如果 AI 要真正普及，企業需要在醫療、製造、物流等各個行業都擁有理解行業物理規律的專才，並能將這些專業知識轉化為專用、可用的 AI 系統。

這將如何影響 2026 年的 AI 路線圖？意味著我們需要集體變得更聰明、更高效。預算和策略應轉向提升效率和實用性，偏好較小、經過優化的模型，混合和多模型架構，以及為大規模持久運行而設計的系統。成功的衡量標準將從模型大小轉向每個結果的成本、決策時間和實際影響。

AI 2.0 並非放棄大型模型，而是有意識且經濟地使用它們。採用這些做法的組織將更快、更少花費，並取得比仍追求純粹規模的企業更多的成就。

《財富》網站評論文章中的觀點僅代表作者本人，並不一定反映《財富》的觀點與立場。

加入我們於 2026 年 5 月 19-20 日在亞特蘭大的《財富職場創新峰會》。下一個職場創新時代已來臨——舊的策略正在被重寫。在這場獨家且充滿活力的盛會中，全球最具創新精神的領導者將齊聚一堂，探討 AI、人性與策略如何再次融合，重新定義未來的工作。立即報名。