过去两年，全球AI行业最显眼的叙事就是参数量竞赛。千亿、万亿，模型一个比一个大，训练一次烧掉的电费够一个小城市用半年。这条路确实带来了惊人的能力跃迁，GPT-4让所有人见识到了大力出奇迹的威力。大模型的能力本身值得认可，真正值得追问的是：如果整个行业只押注这一条路线，最终会走向什么？
互联网底层逻辑正在发生变化
上一代互联网的本质是连接公开信息，搜索引擎把散落在全球服务器上的网页串成了一张知识网络。移动互联网更进一步，把场景化的信息（位置、支付、社交关系）也纳入了这张网。但无论形态怎么演变，互联网连接的核心资源始终是人的时间和注意力。你打开手机的时候，你的判断力和决策力才被接入网络；你关上屏幕，这些算力就离线了。整个互联网经济本质上是在争夺人类每天那十几个小时的清醒时间。
Agent的出现正在改变这个底层假设。一个Agent可以7×24小时不间断运行，不需要休息，不会分心，一个人可以同时管理十几个Agent各自执行不同任务。这意味着"人的注意力"不再是网络中唯一的稀缺资源了，计算可以脱离人的在场而持续发生。这很可能是互联网诞生以来最大的架构层变化，底层资源模型本身正在被重新定义。
与此同时，另一件事在加速这个转变：信息可信度正在坍塌。当AI可以大规模制造以假乱真的文本、图片甚至视频，建立在公开信息聚合基础上的旧互联网范式会逐渐失效。你搜到的东西越来越难判断真假，信息过剩反而带来信息贫困。在这个背景下，新一代AI互联网的核心价值正在从信息的堆砌和检索，转向Agent之间可验证的连接与协作：谁产出了什么、经过了什么处理、最终结论的依据链条是否可追溯。
Scaling Up路线的结构性问题
回到大模型本身。Scaling Up的逻辑非常简洁：把模型做得足够大，喂足够多的数据，能力会持续涌现。这条路线在过去几年确实被验证了，也因此带来了很多之前不可想象的能力。但如果从系统架构的视角来审视这条路线，它有几个绕不开的结构性问题。
第一是极端中心化。当模型大到只有少数几家公司能训练和部署，全世界的AI能力就集中在这几个节点上。这已经超越了技术范畴，涉及权力结构的问题。历史反复表明，过度中心化的基础设施最终都会成为瓶颈甚至风险源。
第二是黑盒不可审计。一个万亿参数的模型内部发生了什么，目前没有任何人能完全解释清楚。它为什么给出这个答案？中间推理经过了哪些步骤？出错的时候责任怎么界定？这些问题在模型越大的时候越难回答。对于医疗、金融、法律这些对可解释性有刚需的领域，这个问题不是锦上添花，是准入门槛。
第三是资源效率的天花板。大模型的训练和推理成本都在指数级增长，但能力提升的边际收益在递减。继续往上堆参数，ROI曲线早晚会拐头向下。
需要强调的是，以上分析并非否定大模型的价值。大模型是AI能力的重要来源，这一点毫无疑问。一个合理的质疑指向的是"只有这一条路"的假设：把所有鸡蛋放在一个越来越大的篮子里，这个架构选择本身是值得商榷的。
Scaling Out：一种不同的架构思路
如果不是一个模型包打天下，那替代方案是什么？过去一年多，行业内逐渐形成的一个判断是：Scaling Out，让不同的AI通过互联网连接、协作、共同完成任务。
这个思路并不新鲜，分布式系统的理念在软件工程领域已经被验证了几十年。微服务替代单体应用、容器编排替代巨型服务器，核心逻辑都是一样的：用多个专精的小单元通过协议协作，替代一个试图什么都做的庞然大物。AI领域正在发生类似的范式迁移。
具体到实现层面，MOA（Mixture of Agents）这种架构模式值得关注。区别于传统MoE在模型内部做黑盒路由，MOA让每个Agent使用各自适合的模型（可以大可以小，可以是通用模型也可以是领域微调模型），通过互联网连接协作完成复杂任务。关键的区别在于：每个Agent做了什么是透明的，整个协作链条是白盒的，每一步都看得见、查得到、管得住。
这带来几个很实际的好处：可监管性大幅提升，因为你能审计每个Agent的输入输出；安全性更好，因为单点失效不会导致全局崩溃；对人类更友好，因为人可以理解和干预系统的运作方式。从某种意义上说，Scaling Out是一条更符合人类社会组织方式的技术路线，人类文明本身就是通过分工协作来解决复杂问题的。
更远的可能性：AI研究的平权
如果Agent之间的协作网络足够成熟，一个很有意思的方向是AI for Science。不同领域的专精AI通过Internet of Agents组合在一起，共同推动科学发现，比如一个擅长文献检索的Agent配合一个擅长实验设计的Agent再配合一个擅长数据分析的Agent，形成一个虚拟的研究团队。
这个愿景再往前推一步，意味着AI研究本身有可能被平权化。今天做AI研究基本上需要顶级高校或大厂的资源背书，但如果各行各业的从业者都能通过组合开源Agent来构建自己领域的AI系统，那"AI Researcher"这个角色就不再被少数机构垄断了。每个领域的专家都可能成为自己领域AI的构建者，而不只是使用者。
写在最后
大模型不会消失，它仍然会是AI能力供给的重要来源之一。行业需要的是第二条路线，一条更去中心化、更透明、更可控的路线。Scaling Out与Scaling Up之间的关系更接近补充和制衡，一个健康的AI生态应该同时容纳这两种范式，让它们在不同场景下各自发挥优势。
你觉得AI的未来更可能是一个超级大模型统治一切，还是多个专精模型协作共生？或者说，有没有第三种可能性是大家都还没想到的？
