经常有人来问我一句特别魔幻的话：“你们啥时候搞个自己的大模型？”，客户们似乎并不关心“AI能做什么”。

问这话的人跨度极大——有做投资人的同学、有医药行业的客户，甚至什么都不懂的亲戚。 他们大多不能把 transformer 讲明白，但又都很相信一个观点： “没有自研大模型，就不算真正的 AI 公司。”

所以当我看到任正非那句“别盯着发明，要盯着应用”，心里其实是大大点赞的： 原来不是我们太保守，是这几年整个行业里的方向一直就有跑偏。

说句实在的，大模型本质上就是个复杂函数。既然是函数，那它必然有“在某个具体任务上最靠谱的那一两个解”。 你做“高炉铁水硅含量预测”，最后能稳定跑赢的模型就那么几类； 你做“港口自动靠泊”，不可能真的让十几家公司各训一个百亿参数模型来比试——这不是比武大会。

所谓“通用模型”，听上去范围巨大，其实本身也是一种“场景边界”——比如“人类语言的普适理解”。而这类东西一旦收敛，能真正打到全球第一梯队的，也就几家。剩下的，有些不过是换个数据、改个名字，再讲一遍融资故事。

所以任正非说“建几百个大模型都是探索”，我更认同后半句的隐含逻辑： 重点不在建，而在筛。 筛出那个能在真实场景里站得住、跑得动、经得起业务冲击的模型。

我在这个行业待了快九年，早期也写过算法、摸过底层架构，当然，这些一开始是跟着公司里的老人弄的。这9年下来，越往后越清楚一件事： 对大多数企业和工程师来说，“自己造一个底层突破”，已经是几乎不存在的选项了。 Transformer 定型以后，真正的红利更多是在“怎么把它用得好”，而不是“再去发明一个新的底层”。

任正非举的那些例子特别接地气： 洗煤精度提高 0.1%，乘以中国 40 亿吨的产量，省出来的是看得见摸得着的钱； 高炉效率提 1%，节约的燃料是以“天文数字”计的。 这些场景并不需要 1000 亿参数，也不需要论文上 SOTA，只需要你愿意钻进轰隆作响的厂房控制室，跟老师傅一起熬夜，把模型往生产节奏里揉进去。

我们团队之前给一个医药公司做过AI智能医助。模型本身真的普通到不能再普通，ResNet 改几层就结束了。 但是，在医药行业的合规严格，为了让AI里分辨哪些是必须转人工而不能自动回答，我们硬是折腾了半年。 这才是 AI 落地的真实成本： 不是 GPU，而是环境适配，需要和业务流程的深度咬合。

至于“算力会过剩”这句话，外界有人觉得乐观得离谱。 但我理解的是另一层意思：未来缺的不是算力，而是能真正用到业务里的“有效算力”。

现在大量 GPU 被花在重复训练、性能一般的 demo、甚至没人用的副项目上。 最终算力可能会便宜得像电一样，但“智能插座装在哪”“这根线会不会松”，才是真问题。 这也是为什么华为强调自己是“技术公司”而不是“科学公司”： 不是不尊重发明，而是知道当下最稀缺的不是新定律，而是把已知技术做到极致的工程能力。

说到底，任正非这番话，表面是谈 AI，骨子里是在画一条线： AI 的价值不在实验室的 SOTA，而在那些能在工厂、医院、企业里‘真正跑起来’的东西。