1. 从“全民狂欢”到“精英游戏”AI折叠时代的来临最近关于Fable 5和GPT-5.6的讨论在圈子里热度不减但讨论的焦点已经从“它能做什么”悄然转向了“谁能用得起它”。这种感觉很熟悉就像几年前我们谈论顶级显卡、高性能计算集群时一样一种无形的“折叠”正在发生。技术本身在飞速迭代但获取和使用最前沿技术的门槛正以前所未有的速度被拉高。所谓的“AI折叠”指的就是这种尖端人工智能能力正从一种普惠性的技术探索迅速演变为被少数机构、团队或个人所垄断的“特权”。这并非危言耸听。回想GPT-3刚问世时其强大的能力让全球开发者为之兴奋OpenAI提供的API虽然不便宜但至少为无数初创公司和个人开发者打开了一扇窗催生了海量的创新应用。然而到了GPT-4时代我们已经能感受到一丝寒意更复杂的模型、更高的推理成本、更严格的访问策略。而如今当Fable 5传闻中能生成高质量长视频的模型和GPT-5.6下一代大型语言模型的推测版本这些名词开始流传时它们所代表的已不仅仅是技术参数上的飞跃更是一道清晰的分水岭。这道分水岭的一边是拥有雄厚资本、顶尖人才和庞大算力储备的科技巨头与顶级研究机构另一边则是绝大多数中小团队、独立研究者和普通开发者。前者可以轻松调度成千上万的GPU集群进行模型的预训练、微调和推理而后者可能连运行一个中等规模模型的开销都难以承受。这种资源上的绝对差距直接导致了创新机会的“折叠”。当最强大的工具只掌握在极少数人手中时基于这些工具所诞生的下一代应用、新的交互范式乃至商业形态其定义权也自然被垄断了。我们正在经历的可能不是AI的“寒武纪大爆发”而是一场“奥陶纪大灭绝”大量缺乏“特权”访问能力的创新想法将在萌芽阶段就因资源匮乏而夭折。2. 成本高墙算力、数据与人才的三重门为什么Fable 5和GPT-5.6会沦为“特权”其根源在于支撑它们运行的三大基石算力、数据和顶尖人才每一道都是一堵难以逾越的高墙。2.1 算力燃烧的金钱与能源现代大模型的训练和推理本质上是一场对计算资源的极致消耗。以训练一个千亿参数级别的模型为例它需要的不是几块显卡而是由数千甚至上万张最新一代GPU如NVIDIA H100组成的集群持续运转数周乃至数月。这背后的直接成本是天文数字。硬件购置与折旧一个中等规模的AI算力集群硬件投入轻松超过千万美元级别。这还不包括配套的网络设备、存储系统和巨大的电力与冷却成本。云服务费用对于大多数团队自建集群不现实租赁云服务是唯一选择。但以当前主流云厂商对高端GPU的计价方式长时间、大规模地租用账单会以每小时数万甚至数十万美元的速度飙升。训练一次模型的成本可能就足以拖垮一家A轮融资后的初创公司。能源消耗这不仅是经济账更是环境和社会账。训练一个大模型所消耗的电力相当于一个小型城镇数年的用电量。这种级别的能源消耗使得运行此类模型本身就成了一种需要特殊审批和资源的“特权行为”。对于Fable 5这类视频生成模型挑战更为严峻。视频数据是序列化的高维数据处理一帧图像的计算量就远超处理一段文本而生成一段连贯、高清、长时长的视频所需的算力可能是文本生成的几个数量级。推理成本同样可怕用户生成一分钟视频所消耗的算力资源其成本可能高达数十甚至上百美元这注定无法作为一项普惠服务提供。2.2 数据稀缺的“高质量燃料”模型的能力上限很大程度上由训练数据的质量和规模决定。GPT-5.6或Fable 5若想实现质的飞跃需要的是前所未有规模的高质量、多模态数据。数据获取的合法性与成本互联网上的公开数据虽多但充斥着噪声、偏见和低质量内容。清洗、标注、构建高质量的训练数据集需要投入巨大的人力物力。而对于视频、音频等多模态数据版权问题更加复杂。获取大量高清、版权清晰的视频素材其成本是绝大多数机构无法承担的。合成数据与仿真环境为了突破数据瓶颈巨头们开始大量使用合成数据Synthetic Data和高度仿真的虚拟环境来训练模型。例如为了训练一个能理解物理世界的机器人模型可能需要在其构建的虚拟宇宙中运行数百万次仿真。构建和维护这样的仿真平台又是另一项极高的技术壁垒和资金门槛。数据闭环与生态优势像谷歌、Meta、微软这样的公司拥有数十亿用户的产品生态可以天然地形成“数据-模型-产品-反馈”的闭环。它们能从自己的搜索、社交、办公软件中持续获取高质量的用户交互数据用于迭代模型。这种生态优势是后来者几乎无法复制的。2.3 人才顶尖大脑的“军备竞赛”即使有了算力和数据没有顶尖的AI科学家和工程师一切仍是空谈。然而全球范围内能领导千亿参数模型研发的资深研究员凤毛麟角他们的薪酬早已进入“星球大战”级别。天价薪酬包为了吸引和留住一位顶尖的AI首席科学家科技巨头开出的薪酬包包括薪资、股票、奖金经常高达数百万甚至上千万美元每年。这仅仅是个人成本支撑其工作的还需要一支由数十名博士和高级工程师组成的团队。知识壁垒与经验积累大模型的训练不是简单的堆砌算力它涉及极其复杂的分布式系统优化、训练稳定性控制、损失函数设计、超参数调优等“黑魔法”。这些经验往往只存在于少数几个成功训练过超大模型的团队内部形成了极高的知识壁垒。团队协作规模开发Fable 5或GPT-5.6这样的系统已经不是一个实验室项目而是一项庞大的系统工程需要算法、基础设施、数据、产品、安全等上百甚至上千人的紧密协作。管理这样规模的尖端项目本身就是一种稀缺能力。这三重高墙共同构筑了一个坚固的堡垒将绝大多数创新者挡在了门外。能够同时攻克这三道难关的玩家在全球范围内屈指可数。3. 访问限制从开放API到“邀请制”与“白名单”即使模型被成功开发出来普通开发者能否用上又是另一重考验。近年来一个明显的趋势是最先进模型的访问方式正从相对开放的API转向更为封闭的“邀请制”或“白名单”模式。控制推理成本与滥用风险完全开放GPT-5.6级别的API意味着提供商需要为全球用户不可预测的、海量的推理请求准备算力成本无法控制。同时如此强大的能力一旦被滥用如生成大规模虚假信息、进行自动化攻击等后果不堪设想。因此通过“邀请制”筛选合作伙伴成为巨头们控制风险、确保服务质量的必然选择。构建战略生态联盟将早期访问权限授予特定的学术机构、大型企业客户或战略合作伙伴可以帮助模型提供方更快地在关键领域落地收集高质量的垂直领域数据并构建以自己为核心的商业生态。这远比向所有开发者开放更有战略价值。合规与监管压力随着全球对AI监管的加强对超大规模模型进行严格的访问控制、内容审核和使用追踪是满足合规要求的必要手段。一个完全开放的体系在监管层面面临巨大挑战。对于Fable 5这样的视频生成模型情况可能更极端。由于其潜在的深度伪造风险和社会影响开发者可能会采取极其保守的发布策略初期可能仅限于内部研究或与极少数经过严格审查的媒体、娱乐公司合作根本不会提供任何形式的公开API。这意味着在很长一段时间内普通开发者和公众连“体验”这种技术的机会都没有更不用说基于它进行创新了。注意这种访问限制带来的一个深远影响是“创新阶层的固化”。过去一个在车库里的天才开发者有可能通过开放的API调用最先进的AI能力做出惊艳世界的产品。但在“白名单”时代他的创意在第一步——获取核心工具——就被卡住了。机会不再平等。4. 开源模型的追赶与“能力代差”的无奈面对闭源模型的“特权化”开源社区一直是重要的制衡力量。Llama系列、Mistral等开源模型的崛起确实让更多人得以窥见大模型的能力并在其基础上进行微调和应用开发。然而我们必须清醒地认识到开源模型与顶尖闭源模型之间存在着一道可能正在扩大的“能力代差”。追赶而非引领当前最优秀的开源模型其目标往往是“复现”或“逼近”上一代闭源模型如GPT-4的能力。当GPT-5.6发布时开源社区需要相当长的时间可能是一年或更久才能聚集起足够的资源和人才尝试训练一个对标的新模型。这期间的时间差就是闭源巨头确立市场优势、构建生态壁垒的黄金窗口期。规模与成本的极限开源社区可以众筹资源训练一个数百亿参数的模型但要组织起训练一个万亿参数级别、需要上万张H100运行数月的项目目前来看几乎是不可能的。这不仅仅是钱的问题更是工程组织能力和持续投入决心的巨大挑战。多模态能力的差距在文本领域开源模型尚可一战。但在图像、视频、音频等多模态生成与理解方面闭源模型如DALL-E 3、Sora展现出的能力是断层式的领先。开源社区在多模态数据的收集、处理以及多模态统一架构的设计上仍处于早期探索阶段。Fable 5所代表的视频生成能力对开源社区来说更是一个短期内难以企及的高峰。因此开源模型更像是一种“普惠的基础设施”它确保了AI能力的下限不被垄断让中小企业和研究者有工具可用。但对于探索AI能力的上限、定义下一代人机交互范式决定权仍然牢牢掌握在拥有“特权”的少数巨头手中。5. 普通开发者与企业的破局思路面对“AI折叠”的趋势普通的开发者、创业公司和传统企业是否就毫无机会了答案是否定的。放弃在通用大模型底座上与巨头正面竞争转向差异化和垂直化是更为现实的生存与发展策略。5.1 聚焦垂直领域做深做透通用大模型AGI是巨头的战场但垂直领域的小模型Domain-specific AI则是广阔天地。利用开源的、能力足够好的基础模型如Llama 3、Qwen等在自己的专业领域内进行深度微调Fine-tuning构建行业知识增强的专属模型。数据优势在医疗、法律、金融、工业制造等领域企业往往拥有外部难以获取的、高质量的专业数据。这些数据是训练垂直模型最宝贵的资产。一个用大量精准医疗报告微调出来的模型在诊断辅助方面可能比通用的GPT-5.6更可靠、更专业。成本可控微调一个百亿参数模型所需的算力与预训练一个千亿参数模型相比完全不在一个量级。企业可以利用云上按需付费的GPU实例以可承受的成本完成模型定制。解决实际问题垂直模型的目标不是进行天马行空的对话而是解决具体的业务问题如合同审核、故障诊断、个性化推荐等。它的评价标准是业务指标的提升如审核效率、故障排除准确率而非在通用基准测试上的分数。5.2 成为“特权”的连接器与赋能者如果无法拥有“特权”那就成为连接“特权”与真实世界需求的桥梁。这指的是基于巨头提供的、有限的先进API即使是通过合作伙伴计划获得开发面向特定场景的深度应用。场景化封装将强大的但可能难以直接使用的AI能力封装成解决某个具体痛点的产品。例如利用有限的视频生成API额度为小型电商公司制作高质量的产品介绍视频利用高级代码生成能力为企业内部开发定制化的低代码平台。工作流集成不是简单调用API而是将AI能力深度嵌入到企业现有的工作流中。例如开发一个插件将文档撰写、数据分析、演示文稿生成等一系列任务串联起来用一个智能助手贯穿始终大幅提升知识工作效率。价值附加服务提供围绕AI模型的咨询、部署、优化、持续运维和安全保障服务。很多企业需要AI能力但缺乏技术团队来实施和管理这就是专业服务公司的机会。5.3 关注边缘与小型化模型另一个重要的趋势是模型的小型化Small Language Models, SLMs和边缘计算。随着模型压缩、蒸馏、量化技术的发展让具有一定能力的模型在手机、平板甚至物联网设备上本地运行已成为可能。隐私与实时性本地运行模型数据无需上传云端完美解决了隐私和安全顾虑同时也能实现毫秒级的实时响应这对于交互式应用至关重要。成本与可控性完全摆脱了对云端API的持续付费依赖一次部署长期使用。同时也避免了因服务提供商政策变动或服务中断带来的业务风险。创新场景小型化模型开启了无数新的应用场景如完全离线的智能车载助手、个人设备上的隐私AI助手、工厂巡检机器人上的实时视觉分析等。这些场景是云端巨型模型难以覆盖的蓝海。对于大多数团队而言与其仰望遥不可及的Fable 5和GPT-5.6不如扎实地研究如何将现有的、更易获取的模型包括小型化模型在特定场景下用到极致。技术的价值最终体现在解决实际问题上而非模型的参数规模上。6. 长期展望折叠是终点还是新起点“AI折叠”现象是技术发展周期中的一个必然阶段。任何革命性技术在爆发初期都会经历一个从实验室走向大众的“特权化”过程因为早期的研发成本和资源消耗极高。早期的计算机、互联网都曾是少数机构和精英的专属。关键在于这个“折叠期”会持续多久以及之后会以何种形式“展开”。这里有两种可能的路径路径一算力民主化与成本下降。历史告诉我们算力成本遵循摩尔定律般的下降曲线。专用的AI芯片如TPU、NPU正在快速迭代能效比不断提升。量子计算等新型计算范式也可能在未来带来突破。如果算力成本能降低一到两个数量级那么运行千亿级模型的成本将变得可以接受就像今天运行一个大型手游一样普遍。开源社区和云计算厂商的竞争也会加速这一进程。路径二算法效率的革命。我们可能不再需要如此庞大的模型来实现智能。新的模型架构如状态空间模型、MoE混合专家模型、更高效的训练算法、以及从根本上的理论突破或许能让一个小得多的模型达到甚至超越今天巨型模型的能力。这类似于从“堆料”到“精工”的转变。无论哪种路径都需要时间。在当下这个阶段认识到“折叠”的存在不是为了抱怨或躺平而是为了更清醒地规划自己的行动路线。对于资源有限的个体和团队放弃对“最前沿”的盲目追逐转向对“最适合”的深度挖掘是在AI时代生存和发展的智慧。技术的潮水终将漫过堤坝但在那之前找到自己的方舟远比徒劳地试图建造一艘巨轮更为重要。这场游戏的门槛确实在升高但游戏的场地和规则也远未到定型之时。在巨头们竞逐AGI圣杯的同时无数基于现有能力的微创新和垂直整合正在悄然塑造AI真正落地后的世界面貌。