Research Notes · Industry Perspective

当智能不再稀缺:我们为什么还在训练这么多模型?

从 Anthropic、Cursor 到具身智能:技术能力、融资叙事与经济边界

Yaoliang Bian (Jeff) · November 20, 2026 · Personal perspective

用 AI 阅读和讨论 · ChatGPT / Claude

选择 ChatGPT 或 Claude,在新对话中讨论这篇文章。如果模型无法读取网页,可以复制下面的提示词并粘贴文章。

技术进步 ≠ 产品价值 ≠ 商业收入 ≠ 资本回报。

01|模型能力不等于商业价值

过去几年,AI 创业逐渐形成一套熟悉的路径:融资、购买算力、训练模型、刷新 Benchmark、展示 Demo,再以技术进展争取下一轮融资。这不意味着模型研究没有价值,却容易让人忽略一个问题:能力提升是否真的会转化成客户愿意持续付费的结果?

一个针对金融、法律或机器人任务进一步训练的模型,可能显著优于开源基座;但客户真正的替代方案,可能是已经完成大规模通用 Pre-training 和 Post-training 的 Frontier Model,加上检索、工具、记忆、验证与工作流。比较不能只停留在一个排行榜。

02|垂直领域真的需要额外训练吗?

问题不是“Post-training 和 ICL 哪个更好”。Frontier Model 本身已经经过大量 Post-training。真正的问题是:当充分训练的通用模型进入一个新行业或任务时,额外的 Domain-specific Weight Adaptation 何时值得?

金融与法律常常需要及时、获授权的数据、引用追溯、专业责任和企业系统接口。知识缺失可能先由 Retrieval 与 Tools 解决;若模型在特定决策行为上持续失败,才值得测试进一步 SFT 或 RL。具身智能则还有连续动作、接触动力学和低延迟控制,可能需要训练专门的动作策略,但不必因此默认从零训练整套通用基模。

03|训练是否值得,是动态的经济问题

在质量和可靠性达到相同要求的前提下,可以用一个最简单的门槛表示专项训练的经济性:

N × (cfrontier − cspecialized) > Ctrain + Cmaintain

这里的 N 是生命周期内任务量,c 是每次任务的期望总成本。这只是决策起点:现实还需包括失败、重试、人工接管、部署、数据授权、硬件折旧和资本成本。尤其重要的是,通用模型的能力和 API 价格会继续变化。因此,一次额外训练的竞争优势可能在收回投入之前就已经折旧。

大市场不是从头 Pre-training 的充分理由。 真正的理由应来自现有模型无法经济补齐的基础能力缺口、合法可用的数据、跨任务复用和可回收的投入。

04|Anthropic:上市证明需求,不证明股东回报

Anthropic 在 2026 年 11 月 19 日于纳斯达克交易,发行价为 83 美元,首日收于 97.17 美元。根据路透社报道,收盘时完全稀释估值约为 1.77 万亿美元;约 2 万亿美元是盘中触及的量级,不能混为一谈。[1]

根据其 IPO 文件,2026 年前九个月收入为 332.42 亿美元,同时披露了高额计算与基础设施开支及长期合同承诺。[2] 这些数字证明了真实的商业规模,却不能直接证明每一轮 Frontier 训练都能创造足够的投入资本回报。

一套 AI 系统可能为律所节省巨额人力成本,但模型供应商未必能够捕获同等价值。技术价值、社会价值、供应商收入和股东回报,必须分别衡量。

05|Cursor:工作流与模型供应链的博弈

Cursor 的起点不是自建最强基础模型,而是获得开发者的工作入口:编辑器、项目上下文、工具和 Agent 执行系统。更强的上游模型理论上可以成为产品红利。

但 Cursor 于 2026 年 8 月被 SpaceX 收购,随后 OpenAI 宣布拟终止相关模型供应合同。[3][4] 这一特定合同事件并不证明模型供应商必然封锁应用平台,却说明了依赖上游的战略风险。

Cursor 的路径提示了另一种资本配置顺序:先用产品验证任务和付费需求,再决定哪些模型能力值得自己研发。 但其客户级毛利、不同模型的实际采购成本和长期留存仍缺乏完整公开数据,不能把高收入自动等同于持久护城河。

06|为什么 VC 可能偏爱模型叙事?

一位投资人曾问我:“如果已有订单和现金流,也不需要烧钱训练模型,为什么还需要融资?除非是扩大规模。”这句话指向的是公司的资金需求与基金的收益目标之间的区别。

模型训练需要的算力、数据和人才很容易形成一套资本需求叙事;真实工作流的长期壁垒——客户复购、低成本交付、数据使用权、执行可靠性——反而需要更长时间验证。这可能令一些资本密集型路线更容易被看见。

但 VC 并非只偏好模型公司,资本密集也不等于低效。需要防止的是把技术复杂性、融资能力和商业护城河当成同一件事。真正有价值的融资,应让新增资本产生足够高的增量回报,而不是把花钱本身变成能力证明。

07|具身智能:进入工厂不等于改善生产率

机器人能进厂、拿到订单、完成验收,是重要进展;但它们分别不等于连续生产、相对传统自动化的成本优势和规模化复购。面对焊接、标准分拣和固定工位搬运,专机、机械臂与 AMR 往往已经很成熟。

通用机器人可能真正具有增量价值的地方,是传统自动化不值得覆盖的频繁换线、多品种小批量、非标准化操作,以及家庭中的跨场景家务任务。

这个价值最好由三个指标检验:Cost of Adaptation(面对新任务需要多少示教、计算与人工调试),Cost per Successful Operation(每次合格操作的完整成本),以及实际客户复购。单纯将机器人卖给工厂,不能替代这些证据。

08|从 Demo 到现实,还需要检查评测本身

NVIDIA 的 Astranomy 研究发现,通用 Frontier Model 在 RoboLab-120 仿真任务中可以取得很强的具身表现:其 Direct 和 Agentic 两种方案报告的成功率分别为 66.3% 和 74.8%,但 Agentic 方案平均消耗约 3090 万 Token,估算成本约 36.40 美元/Episode;实验中推理期间仿真暂停。[5]

这不是“通用模型已经取代专用机器人”的证据,而是提醒我们:能力前沿和经济可部署前沿可能相距很远。 仿真结果还依赖动力学、关节约束、控制接口与成功判定的有效性。要判断真实经济边界,需要审计评测、记录全部失败与人工介入,再对关键结论做真机验证。

09|当智能不再稀缺,什么仍然稀缺?

我越来越倾向于把长期价值放在三件事上:Execution(真正执行任务的权限与能力)、Verification(可靠检验成果的方法)和 Distribution(客户入口与工作流)。但它们也不是天然护城河:工具可以复制,评测可以开源,入口可以迁移。

因此,对一家 AI 公司我会做三个测试:更换底层模型后还剩下多少价值?下一代模型能力提升、价格下降时会受益还是受损?用户入口发生变化时,还拥有哪些不可替代的资源?

模型能力不断提高不意味着所有训练都不值得。 它意味着每一笔领域训练投入,都需要与当时最强的可用替代方案,以及持续变化的技术成本进行比较。

结语|从 Model-first 到 Value-first

我们的研究问题不应该是“能不能再训练出一个更强的模型”,而应该是:What is the most economical way to turn intelligence into reliable outcomes?

对于金融、法律和具身智能,答案可能不同;有时是额外训练,有时是更好的数据与工具,有时是专用控制器,有时是可靠执行与验证。

五年后,当今天最先进的模型不再先进,一家公司究竟还拥有什么?如果答案只是某个 Checkpoint,它的价值可能很脆弱;如果是持续的客户需求、有效的执行系统、反馈数据和可验证的交付,则更有机会跨越技术周期。

Sources & Notes

  1. Reuters: Anthropic market debut, November 19, 2026 (distinguishes intraday peak and closing valuation).
  2. Anthropic SEC S-1/A, November 17, 2026.
  3. Cursor: Cursor is now a part of SpaceX, August 14, 2026.
  4. OpenAI: Decision on Cursor after the acquisition, August 28, 2026.
  5. NVIDIA: Astranomy, October 14, 2026. Simulated results, not industrial ROI.
  6. PostTrainBench: Can LLM Agents Automate LLM Post-Training? A study of automated training, not a controlled economic comparison against frontier ICL.

本文为个人观点。假设、财务披露和实验结果使用不同证据标准;关于行业训练必要性及长期商业护城河的观点仍需更多实证检验,不构成投资建议。