近年来，人工智能特别是生成式人工智能（GenAI）的快速发展引发了全球企业的高度关注。许多企业首席信息官（CIO）和技术领导者被大型语言模型（LLM）及其背后承诺的“魔法”能力所吸引，纷纷将巨额资金投入到构建和部署规模庞大的AI系统中。然而，伴随着这些大型模型的普及，问题也逐渐浮出水面：模型越大，却越容易出错、产生幻觉，且成本成倍增长，投资回报率（ROI）反而令人堪忧。澳洲金融机构ANZ的人工智能工程师乌特卡什·坎瓦特（Utkarsh Kanwat）通过详细的数据分析指出，大型生成式AI模型在多步骤自主工作流程中的可靠性极低，从数学角度来看，随着步骤增加，系统出错的可能性迅速累积，难以达到企业生产级别所要求的99.9%以上的稳定表现。简单来说，即使每一步的准确率高达95%（这是对当前模型来说非常乐观的估计），五步流程的成功率就只有77%，十步则降至59%，二十步更降低至36%。这一点对于追求高效和安全的企业应用来说，无疑是致命的短板。
因此，规模越大，导致可靠性越低的规律，正严重制约着大型模型的实际效用和经济性。与之形成鲜明对比的是，越来越多的行业分析师和AI专家倡导“小而美”的模型策略。Moor Insights & Strategy的首席分析师杰森·安德森（Jason Andersen）强调，企业在AI部署时，应避免“宽泛无边界”的大模型盲目崇拜，而应聚焦于明确且特定的应用场景。这种方法不仅能有效降低错误率，还能显著提升系统整体的可控性和稳定性。真实世界中的AI应用，往往需要定义清晰的边界和规则，确保模型能围绕既定目标发挥作用，而非孤立运行。安德森提出的“AI模型究竟应该是驾驶员还是导航员”的思考，更是揭示了人机协作的核心——优秀的AI应辅助而非取代人类，帮助完成复杂任务而非单打独斗。
Info-Tech Research Group的技术顾问贾斯廷·圣莫里斯（Justin St-Maurice）指出，复杂的社会技术系统中，AI代理难免面临反馈循环和模型“走偏”的风险，而大型语言模型的随机性更是加剧了这一风险。因此，如何在利用生成能力的同时，嵌入规则和限制，使其表现得更加确定和稳定，成为了设计AI系统的关键。坎瓦特进一步从经济学角度揭示了大型模型的不可持续成本。他提出，生成式对话系统中的上下文窗口机制导致费用呈现二次方扩展，即每次交互都需处理前序对话，令费用迅速飙升。例如，一段100轮对话，仅代币成本就可能高达50至100美元，用户数量若达到数千，则支出显然难以承受。对于那些试图通过完全自主、多步骤工作流程征服市场的创业公司来说，这种成本压力极易造成烧钱过快、效率低下的资金困境。
大型模型秒招来引发企业成本攀升的另一大症结是，随着上下文长度增加，定价模型呈现对数上升趋势。换句话说，企业在实际部署中，想要维持高质量体验，往往不得不承担指数级别的成本增长。此外，业界普遍认为，大型模型的训练和维护需要巨量数据和计算资源，这给IT团队和数据科学家带来了沉重负担。安全专家钱斯特·维兹涅夫斯基（Chester Wisniewski）也表达了对“小模型优先”策略的认可。他强调，将神经网络特别训练专注于单一任务，不仅速度更快、成本更低，且表现更稳定。遗憾的是，构建海量小型模型需要更多专业人才和前期投入，而企业往往选择“一劳永逸”的大模型方案，其实是一种“用大而全掩盖问题”的捷径。
微软的一位高管也指出，对于尚未明确AI应用目标的企业而言，大型模型依然是将模糊需求快速转化为可用软件的高效途径。但一旦任务类型清晰，定制化、轻量级模型反倒能带来更优的成本效益和响应速度。微软提出的“标准化安全监控体系，灵活混合使用不同模型”的策略，正是现阶段企业实现AI效能最大化的最佳实践。资本一等金融集团则示范了如何围绕企业内数据构建受控AI系统，通过严格限制查询范围和权限，极大降低了不确定性和系统整合风险。总体来看，大型生成式模型作为当今AI领域的“明星”，虽然在研发和宣传层面炙手可热，但其内部深藏的技术限制和经济瓶颈，使其难以单独满足企业全方位多步骤复杂应用的需求。更为理想的路线是通过精心设计、精准定位的“小而专”模型，结合有效的规则和人机协作机制，打造具备高度可靠性与成本效益的实用AI解决方案。
企业应慎重评估当前AI投资方向，避免被规模幻觉所左右。根植于现实业务场景之中的AI战略，应聚焦解决具体问题而非盲目追求模型庞大，从而真正释放生成式人工智能的潜力，提升投资回报率，实现长期可持续发展。随着行业持续发展，“大模型”与“小模型”的融合应用或将成为未来趋势。企业领导者应积极拥抱多样化的技术组合，推动制定灵活且科学的AI战略，充分利用模型优势，规避风险陷阱，纵深挖掘生成式AI在各行各业的创新价值。AI技术的发展永远不是单纯追求规模的竞赛，而是智能、效率与成本三者之间的博弈。唯有把握这一本质，才能在快速变化的数字时代立于不败之地。
。
