#AIInfraShiftstoApplications 过去两年里，关于人工智能的讨论一直被一个词主导：基础设施。我们痴迷于GPU clusters（GPU集群）、CUDA kernels（CUDA内核）、vector databases（向量数据库）、模型训练成本，以及永无止境地竞逐打造更大、更聪明的基础模型。但如果你仔细听，就会从硅谷到Shenzhen（深圳）的种种信号中察觉到，正在发生一种深刻的变化。崇拜原始AI基础设施的时代，正在让位于一位新的王者：应用层。

欢迎来到#AIInfraShiftstoApplications ——这是一场重塑创业方式、推动企业扩张、以及在生成式AI经济中实现价值捕获的地壳级运动。

### 基础设施“淘金热”正在走向成熟

先把话说清楚：基础设施不会消失。Nvidia（英伟达）的H100芯片不会凭空消失，OpenAI的GPT-5仍然需要以“exabytes（艾字节）”级别的数据为支撑。但纯粹靠基础设施的“低垂果实”已经被摘完了。市场已经出现了大量资本涌入：算力提供商、模型编排层，以及微调平台。现在，投资者、创始人和CTO们追问的已不再是“哪个模型的基准最高？”而是“我用它到底能实际构建出什么，来解决一个真实问题？”

这种转变让人联想到早期互联网。20世纪90年代，大家都在谈路由器、光纤和服务器机架(基础设施)。然后来了互联网泡沫——但真正持久的巨额财富，并不只由Cisco（思科）独揽，而是由像Amazon（亚马逊）、Google（谷歌）和eBay这样的公司赚走：它们利用这些基础设施去构建具有变革性的应用。今天同样适用这一逻辑。模型正走向商品化；如今真正的差异化，体现在用户体验、工作流程整合，以及围绕某个应用的独特数据护城河。

### 为什么应用现在正在赢

有几股力量正在推动#AIInfraShiftstoApplications：

1. 模型商品化与价格崩塌
像GPT-4o-mini、Claude 3.5 Haiku或Llama 3.2这样的模型，其运行推理的成本在短短18个月内下降了90%以上。开源模型在许多基准测试中，已经可以与封闭源的巨头相抗衡。当底层的原始材料(intelligence（智能）)变得廉价且唾手可得时，价值就转向你如何把它打包成产品。一个能够聪明地编排多个廉价模型的应用，每次都将击败那种单体式、昂贵的基础设施路线。

2. 复合AI系统的兴起
没有任何单一模型能把所有事情都做得最好。如今最强大的应用，并不只是围绕某一个LLM的“外壳”，而是复合系统——把检索增强生成（RAG）(RAG)、代码解释器、外部API以及多个专门化模型组合在一起。设计、测试和优化这些系统，是一项应用层能力，而不是基础设施能力。像Perplexity (search + synthesis（搜索+合成）) 或Harvey (legal AI（法律AI）)这样的公司之所以成功，是因为它们擅长的不是从零训练一个新的LLM，而是应用逻辑。

3. 用户体验与垂直整合
基础设施是看不见的。用户并不在意token吞吐量或延迟基准。他们关心的是：这款应用能否帮助他们更快起草合同、生成逼真的产品图片，或在不频繁切换上下文的情况下调试一条SQL查询。应用浪潮的胜者，是那些真正深刻理解“要完成的特定工作”（job-to-be-done），并围绕AI构建出无缝界面的人。想想Canva的AI设计助手，或Replit的Ghostwriter——它们把所有基础设施的复杂性都隐藏在令人愉悦的UX背后。

4. 以专有工作流数据构成护城河
基础模型训练当然会用到公开数据，但应用会产生专有数据：用户如何使用、会做哪些修正、以及他们更喜欢哪些输出。随着时间推移，这些工作流数据会逐渐形成难以逾越的护城河。一个能从数百万真实用户会话中学习的应用，即便模型在技术层面更强，也仍会胜出。由此竞争优势从“模型规模”转移到“应用迭代速度”。

### 转变正在发生的实例

环顾四周，你会发现到处都是：

· 客户支持：不再构建自定义的微调模型，而是部署诸如Intercom的Fin或Zendesk的Answer Bot这样的应用——轻量封装，但同时具备深度CRM集成。
· 编程：GitHub Copilot一开始是个很酷的演示；如今它已成为必不可少的应用，能够在整个代码仓库范围内提供基于上下文的建议。像Cursor或Windsurf这样的竞争者，靠的是应用设计，而非模型权重。
· 医疗：没有任何一家医院会从零开始训练放射学LLM。它们使用像Abridge (clinical note-taking（临床笔记）)这样的应用——利用现有模型，但增加了工作流特定的隐私、合规与集成层。

就连Big Tech（大科技公司）也在转向。Microsoft（微软）的Copilot全栈，Google（谷歌）面向Workspace的Gemini，以及Amazon（亚马逊）的Q，全部都是“先应用、后基础设施”的押注。它们拥有自己想要的全部基础设施——但它们也知道：收入与粘性来自应用层。

### 这对你意味着什么 (—— 构建者、创始人或技术领导者)

如果你在打造创业公司：别再去想该微调哪个LLM。开始关注用户工作流里仍然痛苦地手工完成的那5%。你能否用一个简单的UI把模型包装起来，配上自动化评估，并引入人类参与的反馈？这就是你的应用。你不需要$100 百万的GPU——你需要的是产品洞察和速度。

如果你是企业领导者：你的竞争优势在于你的专有数据和业务流程。不要浪费时间从零构建自定义模型。把基础设施当作公用事业来采购，同时把内部人才集中用来打造能够把AI接入你特定CRM、ERP或工单系统的定制应用。投资回报率将高出10倍。

如果你是开发者：你在编排（orchestration）、评估（evaluation）和用户体验（UX）方面的能力，现在比知道如何运行torch.distributed更有价值。学习LangChain、DSPy或LlamaIndex——但更重要的是，学会构建反馈闭环和评估流水线。新的“全栈”是：prompt（提示）→ retrieval（检索）→ action（行动）→ feedback（反馈）→ fine-tune（微调）。

### 前路展望：混合未来

先讲清楚：这并不是对基础设施的讣告。我们永远都需要更快的芯片、更好的数据中心，以及更高效的模型架构。但创新与价值创造的重心正在转移。#AIInfraShiftstoApplications 意味着，下一批独角兽不再是“XYZ的Nvidia”，而是“AI的Salesforce”——那种深度嵌入日常工作，以至于变得不可或缺的应用。

我们正在进入一个阶段：AI不再只是科学实验，而开始像电一样成为一种“公用型能力”。就像真正的工业革命发生在：人们停止制造发电机，而开始制造电动机、工厂与家用电器；真正的AI革命也会在我们停止痴迷模型、转而开始痴迷那些能改变我们生活、工作与创造方式的应用时发生。

所以，让我们拥抱这种转变。构建一款能让医生每位患者节省5分钟的应用。打造一款能帮助小型企业在几秒钟内写出像这样的、成千上万字的帖子工具。设计一个界面，让青少年变成电影制作人。

基础设施已经就绪。现在轮到应用大放光彩。

你将会构建哪种应用？把你的想法告诉我们。