前边讲过，大模型没有技术壁垒和护城河，只能依靠资本驱动，通过资源、工程管理、运营能力和场景化定制的差异来竞争。比如GPT5.5出来马上压过了Claude4.6，GLM5.2出来了媲美了GPT5.5，Fable5发布后变成最强，KimiK3出来以后又盖过GLM5.2。这些模型之间的差异非常小，再往下10个模型也都能完成相同的任务，只是某些基准测试上有一点差别。

模型变强不是更聪明了，也不是会思考了，而是训练的数据更多了，存储和算力更大了。也就是说资源的增长带动模型能力的增长，这种增长是不经济的，越来越高的成本，推升越来越小的差异，投资越大，回报越小。但你不投资烧钱，马上就落后，比如gemini和豆包，只能用于简单的搜索，而难以用于专业化生产场景。

但需求的增长完全无法对应投资的增长，付费意愿下降。AI大模型行业，正在面临一轮产能过剩，付费需求不足以跟上资本支出的压力。当增长放缓，用户群体需求见顶，这个资本驱动的商业模型有雪崩的危险。

模型的训练其实到了一个非常尴尬的境地，比如想要更强的专业模型，就需要完全闭源的专业数据集，而这些数据集很难买到，互联网的通识数据已经被挖掘尽了，保密数据只会留在相关组织内部进行专用微调训练，绝不可能开放给模型公司。所以现在很多模型公司偷用户的数据来解决训练数据不足的问题。但这解决不了根本性问题，大量的高价值数据模型厂商根本拿不到，最低一层的果子被吃完了。

人类的有效数据产出并不快，模型对数据的渴求，主要是差异化的需求太大了，自然产出的数据已经根本无法满足资本的故事要求，但敏感的数据拿不到，因此只能搞生成式合成数据，或是吃掉其他AI的生成式数据，产生数据的乱伦现象，这是相当危险的一个信号。

模型是固定静态的统计知识，一旦停止训练就会变傻，因为人类的知识理解是动态变化的。因此，必须不停的投入大量资源进行训练更新，以保持模型的智能。这就要吞噬更多的优质数据。当训练数据趋同，模型的能力也就趋同了。

结论，大模型不是不好，而是过去高估，期望值太大，以至于完全没有正常的商业模型逻辑了。