企业AI需要灵活编排，而非冒险锁定模型

企业AI领域正在经历一场清算。那些花了两年时间匆忙将前沿模型接入业务的首席执行官们，如今正在提出更尖锐的问题。

钱花出去了，我们到底得到了什么？当我们的数据流经别人的模型时，数据去了哪里？当我们去年统一采用的那款模型今年已经不是最好的了，我们有多少业务已经不知不觉地交到了一个我们无法掌控的供应商手里？

最后一个问题才是真正该让领导者睡不着觉的，因为对大多数公司来说，诚实的答案是：远比他们以为的要多得多。

关于AI的讨论大多集中在哪个模型最好。

这是个错误的问题。

在一个领先地位每隔几个季度就易手的领域，“最佳模型”只是一个快照，而非战略。

真正重要的问题是架构层面的：当最先进的技术发生转移时——它总是会转移——你能随之而动吗，还是每次都得重建你的业务？

模型都是暂时的，规划要跟上

在生产规模上跑了十年AI，你会学到一些任何基准图表都教不了你的东西——模型就是消耗品，而且年年都在加速贬值。我们刚起步时引领市场的那个转录引擎，现在已经成了脚注。

三年前还占据主导地位的计算机视觉系统，如今已经被一轮又一轮地甩在身后。我们已经在实时客户工作流中反复替换过一流的引擎数百次——涵盖语音识别、翻译、目标检测、人脸脱敏，以及如今的大语言模型——而每一次更替都比上一次来得更快。

一家跟单一供应商硬绑在一起的公司，就等于把供应商的路线图、定价和优先级全盘照单接收。当供应商涨价时，你就得付钱。当它弃用你所依赖的版本时，你就得重建。

当一个更小的开源模型，在你自己的数据上微调后，实际上能更好、更便宜地完成工作时，你却无法使用它，因为你的工作流只认一种“语言”。那不是合作关系。那是依赖——而依赖一个不断移动的靶子，是你所能陷入的最昂贵的处境。

这就是为什么我们要构建这样的系统——从第一天起，模型锁定就不该是一个选项：一个编排层，连接并管理跨不同认知任务的数百个商业、开源和专有模型，把每个任务分派给最适合它的引擎，并随着技术前沿的变化替换模型——而无需任何人重建工作流。

模型变成了一个零件，而不是地基。真正的基础是编排层及其底层的数据，而这些始终归企业所有，而非供应商。

让模型多元化真正落地的那门功夫：评估

模型多元化在主题演讲里听着很美，但实践中缺了一样东西就会垮掉：能够在你自己的数据上证明哪个模型实际上更适合你的工作。“最好”不是一个排行榜位置。

一个在公开基准测试里排第一的模型，放到你的口音、你的摄像头角度、你的法律红线、你对“够用就行”的定义上，可能差得远。公开基准测试测的是通用能力，不是你的场景。

这些评测几乎不会告诉你，一个模型在你特定的工作流程中会表现如何。因此，下一个时代的真正硬通货不是模型——而是评估。

脱颖而出的公司，是那些能让任何引擎与任何其他引擎在自有内容上进行对比、按自己的质量标杆来比，并基于证据而非供应商营销做出替换决策的公司。

这意味着要持续地、基于真实客户数据对各个引擎进行相互评分，让“选哪个模型”始终是一个有据可依的决定，行业格局一变就能随时重新做决定——而不是一次选定就被绑死。

这种评估能力本身就是一项战略资产。正是它将一堆可互换的模型转变为越滚越大的优势——而这恰恰是企业一旦标准化到单一黑盒上就会丢掉的能力。

对自己音视频的所有权

这事在音视频领域最关键，原因很明确。文本到现在基本已经商品化了。企业里专有的、守得住的、难以复制的数据，是公司实际说过、做过、造过、亲眼见过的东西的记录——数十年的广播、影像、通话和记录事件。它是多模态的，带着权利包袱的，且不可替代，这也恰好使它成为这一代人工智能最馋的东西。

对训练和微调数据的需求已经超过了开放网络能供应的量。现在真正需要的是企业档案中已经存在的东西：海量的、权利已经理清的、真实世界的多模态数据，再加上专家对“好”长什么样的人工判断。

这让过去两年的默认做法显得很拧巴——企业支付了高昂的价格，把专有的音频和视频塞进第三方模型里跑，却不太清楚这些东西被留了什么、学了什么，或者哪天会不会反过来跟自己竞争。如果你的数据是所有人都在追逐的稀缺输入，你最不该做的，就是把它当软件采购的添头白白交出去。

另一种选择是以相反的方式构建企业业务：将组织的原始档案转化为AI就绪的、经过增值处理的资产，这些资产是企业真正拥有的，在数据创建的那一刻就把权利和治理元数据嵌入其中，而不是事后才补上去——因为当所涉及的数据是证人的声音、运动员的肖像或受权利约束的广播时，数据来源和知情同意绝不是可有可无的附加项。

在此基础上，权利持有人可以自己把这些数据用起来——按自己的条件来将其授权给模型开发者和云提供商，并将同意、来源和补偿纳入交易中。

世界正朝着微调和开源的方向发展

观察成熟买家的走向，规律非常明显。过去那种惯性做法——将所有事情都交给最大的前沿模型——正在被一种更有章法的做法取代：一种组合方法，由更小的、开源的和微调的模型处理大多数日常工作负载，而巨型模型则保留给真正需要它们的问题。

原因很实际——成本、延迟、数据控制，以及能够用专有数据对模型进行专门训练，直到它在你的特定任务上打败通用大模型。

这两个思路就在这里汇合了。微调和开源只有在您真正拥有用于调优的数据并拥有可部署的架构时才对您有利。一家锁定于单一供应商的公司无法在自己的素材上微调开源模型并将其投入生产，因为底层架构根本不允许。

拥有编排层和受治理的、AI就绪数据的企业恰恰可以做到这一点，并且可以随着更好的基础模型出现而持续这样做。只有真正拥有自己的数据、并且在架构上有自由度，你才能真正用上这个专业化、微调、开源模型的新时代。没有这些，你只能站在场边看着一场本该属于你的优势转变从眼前溜走。

主权是一种姿态，而非产品

对“主权AI”这么快就变成一个营销品类保持警惕，这没问题，因为通过新的单一供应商依赖来实现的主权，不过是换了个更好看的牌子来锁定你。真正的主权是一种架构上的立场，包含三个承诺。

第一，模型多元化，且经过评估验证：每一个模型——无论是商业模型、开源模型还是微调模型——都在你的数据上经过测试，可以随时替换。

第二，跟着数据走的治理机制：来源可追溯、可审计、知情同意，以及在数据层落实的策略。

第三，真正的所有权：你的音频和视频，作为你主动部署的资产来丰富和管控，而不是无意间泄露出去的东西。这一切都不是对前沿实验室的反对——它们构建了非凡的技术，许多公司每天都在使用它，通过让主动权始终留在自己这边的架构设计。

企业不必在使用世界上最好的模型和控制自己的未来之间做出选择。关键在于两者兼顾：调度每一个值得使用的模型，在你自己的数据上证明哪一个胜出，并真正拥有那些让任何模型值得运行的音频、视频和判断力。

模型是暂时的。你的数据和你的判断力不是。围绕这一点来建设，未来十年，你积累的优势会不断叠加，而你的竞争对手只是租来用了一下就丢了。

本文作为 TechRadar Pro Perspectives 的一部分制作，这是我们展示当今科技行业顶尖人才的栏目。

本文观点仅代表作者个人，不代表TechRadarPro或Future plc的立场。有兴趣投稿的话，点这里了解更多：https://www.techradar.com/pro/perspectives-how-to-submit