微调如何重划AI价值分配

大模型泛化能力的提升，正在把人工智能的价值分配从"定制开发"环节向两端转移。过去小模型时代，每个应用场景都需要重新训练、调参调优，研发成本高、效率低，价值大量沉淀在针对单一场景的定制开发中。而大模型泛化能力强，基于微调（利用下游特定任务上的小规模标注数据做二次训练），甚至不做微调，即可完成多个应用场景的任务，有效降低了AI应用研发门槛，也缓解了应用场景数据量少、模型精度低的问题。由此，过去由小模型定制开发承担的价值，正向上层应用与基础模型两侧转移——应用层因开发门槛下降而涌入更多参与者，基础模型层则因成为通用底座而集聚价值。

两侧为何同时受益

这一转移并非零和。基础模型层受益于"一次训练、多场景复用"的规模效应，模型规模达到某个阈值时还会出现涌现能力，性能突然快速增长，进一步强化其底座地位。应用层则受益于门槛下降：无需从零训练模型，凭借对场景的理解和数据积累即可快速落地。从产业结构看，具备优质应用场景的C端企业，以及有数据积累的B端企业，有望率先受益。

全球格局为价值分配提供参照

据国内 OpenBMB 开源社区统计，在全球超千亿参数大模型中，中国企业或机构贡献了1/3，美国贡献了1/2，世界其他国家或组织贡献了剩下的1/6；在拥有大模型数量及参数量前十名的组织中，中、美分别占据4席和6席。这一分布说明，基础模型层的竞争高度集中，而应用层的空间则相对分散，价值分配的天平因此更依赖各环节的稀缺性。

常见问题

微调降低门槛后，价值主要流向哪里？

价值同时向基础模型层和应用层转移。基础模型成为通用底座，应用层则因开发门槛下降而容纳更多参与者，过去沉淀在小模型定制开发中的价值被重新分配。

应用层企业凭什么获得价值？

凭借对具体场景的理解与数据积累。有优质应用场景的C端企业和有数据积累的B端企业，有望率先受益，无需从零训练模型即可快速落地。

中美在大模型上的差距是否影响价值分配？

据 OpenBMB 开源社区统计，全球超千亿参数大模型中，中国贡献约1/3、美国约1/2，前十组织中中、美分占4席和6席。基础模型层竞争集中，应用层空间相对分散，价值分配更依赖各环节稀缺性。