我是Cloudera的首席战略官，以下是为什么你的$1 亿美元AI预算将变得过时的原因

人工智能正进入一个新阶段：其2.0时代。AI 1.0建立在非结构化数据之上，应用通用机器学习解决广泛的商业问题。它标志着从实验性AI向早期运营和代理系统的转变，基于这样一种信念：更大的模型自然会带来最强大的结果。这一理念得到了超级规模化企业竞相构建更大前沿模型的推动，形成了一场军备竞赛，推动了突破，但也带来了不可持续的计算需求和不断上升的基础设施成本。

推荐视频

AI 2.0不同于前者，它挑战了这一信念，因为在实践中更大的模型价值远不如预期。AI 2.0不再专注于建模语言或统计概率，而是关注模拟现实世界的动态。它依赖于物理信息机器学习——基于微分方程的严谨、仿真驱动模型，但由AI加速。这些模型不会产生幻觉；它们在现实操作的约束下进行计算和预测，使其更适合生产环境。这一转变也强化了企业不能再仅依赖超级规模模型的经济性。训练前沿规模模型需要的计算资源只有少数几家供应商能够支持，促使组织重新思考“更大”是否真的可行，甚至是否最优，尤其是在其应用场景中。

归根结底，AI 2.0的核心特征不是规模，而是克制。我们正朝着能够知道何时停止思考的AI系统迈进。这些模型以精准、成本效率和合理推理为设计目标，而非无限制的计算。

从AI 1.0到AI 2.0的转变

AI 1.0主要基于推理，盛行于试验和概念验证阶段，组织更关注演示和基准测试，而非运营成果。核心问题不是AI是否能以经济可靠的方式扩展，而是它是否能真正发挥作用。

在这一阶段，许多领导者陷入了所谓的“准确性陷阱”，只追求模型的准确率，而忽视计算能力或上下文感知。在受控环境中表现出色的模型，最终在实际部署中失败，因为它们要么太慢，无法满足现实需求，要么成本过高，难以实现良好的单位经济性。直觉上，他们倾向于从最大模型开始，认为适应性自然会提升性能。

AI 2.0重新定义了这一思维。领导者现在要对可衡量的投资回报负责，而非仅仅追求演示或基准分数。在2.0中，我们需要停止训练模型“知道一切”，而是训练AI模型模拟“重要的东西”。这是一种更专业的范式，目标是学习和完善一项或几项能力，而非为了泛化而追求。

在AI 2.0中，从医疗到制造再到金融服务的每个行业，都可以构建更小、更具领域特色的模型，模拟其独特的物理、约束和环境。这类似于从大规模汽车制造转向定制装配：人们将能够“自己造车”，因为生产不再仅由规模经济决定。例如，在医疗领域，更小的物理信息模型可以模拟疾病进展或治疗反应，无需依赖庞大的通用系统。这消除了幻觉风险，提高了在安全关键流程中的可靠性。

此外，超级规模模型的动态也在发生变化。企业不再通过庞大的集中模型运行一切，而是通过融合基础模型和小型语言模型，分散智能，减少对超级规模提供商的依赖，并优化特定本地环境的性能。

这种转变不仅是技术上的，也是经济和运营上的。

成功的关键：知道何时“停止思考”

在企业环境中，“思考”是有成本的。参数越多，通常对大多数工作负载的效果越不好。对于许多应用来说，GPT-5级别的模型过于强大、昂贵且缓慢，导致部署受阻和用例受限。

AI 2.0的基础是受约束的智能。世界模型允许系统构建任务特定的现实表示，使系统能够对重要内容进行推理，而不是每一步都从头重新理解。今年达沃斯会议上，AI先驱Yann LeCun也曾指出：“我们永远无法通过训练大型语言模型或仅用文本训练达到人类水平的智能。我们需要真实世界。”他的观点是，生成代码是一回事，但达到例如五级自动驾驶汽车的认知复杂度，远远超出当今大型模型的能力。

所有这些都表明，GPT-5类模型并未在真实场景中训练。而更小、更专业、调优高效的模型可以更快实现足够的准确性，提供极低的延迟，成本仅为其一部分，并能随着真实需求的变化进行可预测的扩展。实际上，AI不应无限思考，也绝不能采用“单一模型统治一切”的架构。它应在定义的决策空间内运行。新兴的架构包括将任务路由到最简单有效的模型，只有在必要时升级，并不断在准确性、速度和成本之间进行平衡。

换句话说，模型规模是仪表盘上最危险的指标。这是1.0时代的遗留，混淆了容量与能力。真正重要的是每个问题的解决成本：系统在实际操作约束下，能多高效地提供准确、可靠的结果。

企业不会通过运行最大模型获胜，而是通过运行最经济、能大规模解决问题的模型获胜。

AI 2.0中的人才套利

人才是AI 2.0的另一个关键变量，将极大改变行业格局，因为成功需要一支能够为高度多样化应用构建模型的团队。目前，全球只有少部分人才具备开发基础模型的能力，而大部分人才集中在少数几个全球科技中心。

目前，研究人员是超级明星，他们的报酬也相应高，因为需求旺盛。但向AI 2.0的转变要求从“魔术师”转向“机械师”：那些能够调优、维护和优化模型以解决具体实际问题的专业人士。这一人才转变将成为下一阶段AI最大的套利机会之一。如果AI要实现真正的普及，企业需要在各个行业都拥有理解行业物理的专业人才——无论是医疗、制造还是物流——并能将这些专业知识转化为专业的、可用的AI系统。

那么，这对2026年的AI路线图意味着什么？意味着我们需要更聪明地工作，而非更辛苦。预算和策略应转向效率和可用性，偏好更小、更优化的模型，混合和多模型架构，以及为规模化耐用性设计的系统。成功的衡量标准将从模型大小转向每个结果的成本、决策时间和实际影响。

AI 2.0并非放弃大型模型，而是有意识、经济地使用它们。采用这些做法的组织将比那些仍追求蛮力扩展的组织更快、更少花、更有成就。

《财富》网站评论文章中的观点仅代表作者本人，不一定反映《财富》的立场和观点。

加入我们，参加2026年5月19-20日在亚特兰大的《财富职场创新峰会》。新时代的职场创新已然到来——旧的策略正在被重写。在这个独家且充满活力的盛会中，全球最具创新精神的领导者将聚集一堂，探讨AI、人类与战略如何再次融合，重新定义未来的工作。立即注册。