{"text":[[{"start":10.78,"text":"本文为我们《AI变革》(The AI Shift)新闻通讯的网络版文章。高级订阅用户可在此注册，每周四接收该通讯。标准订阅用户可在此升级为高级订阅，或浏览所有FT新闻通讯"}],[{"start":24.97,"text":"欢迎回到《AI变革》，这是一档每周探讨模型和智能体如何重塑工作的栏目。本期我们将关注一项新近发展：通过“微调”成本较低的人工智能模型，让其在专业领域形成专长；并探讨这一趋势对顶尖知识经济公司与美国人工智能大公司可能产生的不同影响。"}],[{"start":45.43,"text":"

约翰(John)撰文

"}],[{"start":46.67,"text":"近几年，人们常说，在医疗、教育、法律等特定领域，面向这些领域的专用AI模型，在相关任务上的表现可以媲美OpenAI和Anthropic推出的前沿模型。此类专用模型通常的做法是：先选用成本更低、通用能力也较弱的基础模型，再通过微调来“进修”某一专业领域——例如集中训练其医学诊断能力，并调整模型内部机制，从而让其更有可能给出正确回答。"}],[{"start":74.88,"text":"这些实验的确颇为有趣，偶尔也令人印象深刻，但仔细审视后就会发现，结果整体上“中看不中用”。在很多情况下，那些声称能够匹敌体量更大、成本更高模型的说法，只是在与美国大型实验室较早期的非前沿(non-frontier)一代产品相比时才成立。"}],[{"start":94.34,"text":"但我们现在看到了一些有趣的新进展，显示在某些情况下，针对特定企业（而非整个专业领域）进行的专项微调，不仅有可能追平前沿模型的表现，甚至可能超越它们，而且这种优势也许还能长期保持。"}],[{"start":109.22,"text":"直到最近，大多数领先的微调实践还都类似于今年早些时候的一次案例：法律AI公司Harvey AI与平台Fireworks AI合作，训练了一个专门处理法律问题的AI智能体。从操作上看，他们选用了廉价的中国模型Kimi 2.6，让模型在受控监测下回答法律AI智能体基准测试中的问题，剔除回答错误的样本，再利用回答正确的样本对模型进行再训练，从而让模型日后更多地产生类似的正确结果。这个过程带来了将近40%的性能提升，使其表现足以追平前沿模型，而成本却只有对方的十一分之一。"}],[{"start":147.99,"text":"但这些结果归根结底仍属“惊艳却短暂”一类。就在研究结果发表前几天，Anthropic发布了新版Opus模型，在相同的法律测试中创下新纪录，这很可能会把这款经过微调的模型重新挤回第二名。不过，成本节约依然相当惊人。在许多风险不高的商业场景中，“表现相近但成本大幅降低”的取舍肯定是值得的，这也引出一个问题：实际对前沿模型能力的需求究竟有多大。"}],[{"start":178.38,"text":"但在上个月，一起新案例更进一步：雷•达里奥(Ray Dalio)旗下投资公司桥水基金(Bridgewater Associates)与AI平台公司思维机器实验室(Thinking Machines Lab)合作，对一款模型进行微调，使其专门按照桥水自家投资经理的工作方式运作。思维机器实验室由OpenAI前首席执行官米拉•穆拉蒂(Mira Murati)创立。与法律领域的案例类似，这一做法的结果大幅优于前沿模型，而且这一次成本仅为后者的十四分之一。更关键的是，使用公司自有的专有记录，以及高度专业化员工的知识与经验，有望让这种优势更加持久。"}],[{"start":214.24,"text":"桥水请自家专家撰写定制提示词，用特定方式设问，引导模型给出正确答案。这样确实带来了稳步提升，但准确率依然没能突破80%。"}],[{"start":226.63,"text":"提示词所能传递的，只是专业人士能够用语言表述出来的那部分专业知识——远不如直接向他们的实际行动学习来得有效。在微调阶段，他们整理出一套任务，来源于自家投资人日常的工作流程，更关键的是，还由员工把关，确保用于指导模型训练的理想回答不仅是“正确答案”，而且“完全符合我们投资专业人士处理这些问题的方式”。"}],[{"start":251.7,"text":"在这一流程结束时，他们得到了一款定制模型，其行为已经按照桥水对“卓越”的自有评估标准进行了调校，准确率提升至85%，相比前沿模型将错误率降低了近30%，而成本却只是一小部分。"}],[{"start":267.21999999999997,"text":"性能提升和成本下降如果能够长期持续，将极具吸引力。到目前为止，专业医疗模型之所以往往只是阶段性地优于前沿模型，其中一个原因在于，更新一代的通用模型接触了更多训练数据，能更好地推理出正确答案。但在像桥水这样的案例中，性能提升来自模型无法获取的专有信息和人类判断。"}],[{"start":291.96999999999997,"text":"这并不意味着专家微调带来的优势最终不会消退，但这肯定需要更长时间（需要指出的是，这些结果目前只由相关公司自行公布，尚未经过独立核实）。这也说明了为什么许多AI公司正在以临时合同雇用知识型员工，从而将这类高度专业化的职业知识直接输入到其训练数据中。"}],[{"start":313.63,"text":"我不禁思考起几件事。"}],[{"start":315.54,"text":"这种方法是否可能从根本上改变AI在企业环境中执行任务的意义？前沿模型常被比作聪明又不知疲倦的实习生，但在我看来，企业内部训练的专用模型更像一位已经花了几年时间吸收公司最佳实践的见习生。"}],[{"start":332.21000000000004,"text":"下一批赢家会不会是那些提供“模型即服务(model as a service)”、帮助企业创建并维护定制模型的公司？"}],[{"start":338.67,"text":"鉴于正是企业级使用推高了AI公司的巨额收入和估值，这是否会对Anthropic和OpenAI的商业模式构成巨大威胁？"}],[{"start":347.68,"text":"萨拉(Sarah)，你觉得事情接下来可能会如何发展？"}],[{"start":351.5,"text":"

萨拉写道

"}],[{"start":352.7,"text":"我认为你说得对，约翰，如果这一趋势真的腾飞，对Anthropic和OpenAI等公司来说将是个坏消息。但我认为，对于那些拥有技术人才和资金实力来利用这一优势的企业而言，这将是极大的好消息。不仅因为这在成本上可能划算得多，还在一定程度上缓解了人们的不安——大家担心大量公司会日益依赖少数几家供应商提供的少数几个专有“黑盒”模型。"}],[{"start":379.95,"text":"微软(Microsoft)的萨蒂亚•纳德拉(Satya Nadella)最近在一篇贴文中提出了这一点。他写道：“我们所有人最不愿看到的，就是一个各行各业的每家公司都把价值拱手让给少数几个‘见什么吃什么’的模型的世界。如果所有的价值都被极少数模型攫取，政治经济体系根本无法容忍。”"}],[{"start":400.45,"text":"一个由各家公司基于自家员工的专业知识来微调较小模型的世界，听起来更可取。不过，这仍然引发了许多有趣的问题。约翰，你提到的一些实验使用了中国的基础模型（例如桥水使用了Qwen3-235B）。我在想，这是否会让公司陷入一种新型的地缘政治风险之中（不过，正如我们最近看到的，当白宫对Anthropic的Fable 5和Mythos实施出口管制时，也表明美国模型同样无法对政治风险免疫）。"}],[{"start":432.96999999999997,"text":"其次，从桥水的案例可以清楚看出，公司自家投资专业人士所掌握的默会知识和制度性知识，是提升模型表现的关键所在。但员工会觉得，拿自己花了几十年才在头脑中积累起来的专业知识去帮雇主微调模型，符合自身利益吗？他们会信任雇主不去榨取这些知识，然后彻底将他们弃之不用吗？"}],[{"start":457.53999999999996,"text":"或者，他们会不会将此视为一个机会，借此帮助创建一些不如OpenAI和Anthropic等公司提供的工具那样泛泛、实际上更贴合自身需求的工具？对此我也没有答案，这可能在很大程度上取决于每个工作场所中信任与权力的平衡。读者们，请发邮件告诉我们你们的想法。邮件地址aishift@ft.com我们两人都能收到。"}],[{"start":483.54999999999995,"text":"

最后一点……

"}],[{"start":484.5799999999999,"text":"在上周的Newsletter Publisher Awards评奖中斩获三项大奖（其中包括含金量最高的“最佳整体通讯”奖）后，《AI变革》现已正式成为一份“屡获殊荣”的新闻通讯。我们非常高兴！在此要特别感谢我们的编辑伊莱恩•摩尔(Elaine Moore)、斯里尼迪•巴拉克里希南(Srinidhi Balakrishnan)和艾丽斯•菲什伯恩(Alice Fishburn)，以及制作人乔治娜•夸奇(Georgina Quach)，他们功不可没。"}],[{"start":508.63999999999993,"text":"

推荐阅读

"}],[{"start":510.0299999999999,"text":"这篇刊登在《纽约客》(New Yorker)上的文章讲述了一个美国家庭如何与AI互动，读来引人入胜且发人深省。由于篇幅较长，你可能想留到下班回家的通勤路上阅读。（萨拉）"}],[{"start":523.7699999999999,"text":"哈佛大学(Harvard)的戴维•德明(David Deming)写了一篇精彩的文章，论述了在人类彼此学习（以及了解彼此）的效率方面，我们相对于AI拥有的巨大优势。（约翰）"}],[{"start":534.4199999999998,"text":"《Lex专栏通讯》(The Lex Newsletter)——我们的投资专栏Lex由屡获殊荣的作者撰写分析，为你深度解析本周的关键投资主题。请在此订阅"}],[{"start":544.3399999999998,"text":"《职场精英》(Working It)——助你在职场脱颖而出的所有资讯，每周三发送至你的邮箱。请在此订阅"}]],"url":"https://audio.ftcn.net.cn/album/a_1784417640_8547.mp3"}