朱啸虎的 “AI 清醒论”，藏着 3 个没说透的 “模糊地带”|创业者|小红书|朱啸虎|模糊地带|知名企业|钉钉

朱啸虎在 2025 Inclusion 外滩大会上的发言，像一把快刀划破了 AI 行业的 “迷雾”：

大模型的 “天花板” 已现，Transformer 架构下的智力提升基本见顶；
应用层要爆发，得做 “无聊到解决真痛点” 的事；
护城河不是技术，是 AI 之外的 “脏活累活”；
下一个字节、小红书，今年已经成立了。

这些观点足够 “清醒”，甚至 “残酷”—— 它把 AI 从 “颠覆一切” 的神坛拉回 “工具” 的本质。但当我们顺着他的逻辑往深处挖，却发现这把 “快刀” 下，藏着不少没说透的 “模糊地带”：

大模型的 “天花板”，真的是技术的终点吗？
应用层的 “无聊”，真的能对抗大厂的碾压吗？
那些 “脏活累活”，真的能撑得起下一个千亿公司吗？

今天我们不聊 “正确的废话”，只拆 “清醒” 背后的 “灰度”—— 毕竟，AI 行业最缺的不是 “清醒”，是 “清醒后的清醒”。

一、大模型的 “天花板”，是 “当前路径” 的终点，不是 “技术” 的终点

朱啸虎的核心判断是：“Transformer 架构下的大模型，参数堆得越多，性能可能越差。” 这句话没错 —— 当模型参数超过 1 万亿后，边际收益确实在递减：GPT-3 到 GPT-4，参数从 1750 亿涨到 1.8 万亿，但 “智力提升” 远不如从 GPT-2 到 GPT-3 明显；国内某大厂的 10 万亿参数模型，甚至出现了 “生成内容逻辑混乱” 的问题。

但问题在于： 大模型的进化，从来不是 “参数堆砌” 的游戏，而是 “架构优化 + 多模态融合” 的游戏 。

比如 OpenAI 的 GPT-4o，没有追求更大的参数，而是通过 “多模态对齐”（文本、图像、语音、视频的统一理解），实现了 “看一张菜谱就能生成烹饪视频”“听一段会议录音就能画出流程图” 的能力 —— 这不是 “智力提升”，是 “能力边界的拓展”。再比如 Google DeepMind 的 Gemini 模型，通过 “神经符号结合”（把符号逻辑注入神经网络），解决了大模型 “胡编乱造” 的问题，在数学推理和代码生成上的准确率提升了 40%。

朱啸虎说 “大模型迭代放缓”，但放缓的是 “参数扩张” 的速度，不是 “能力进化” 的速度。对创业者而言，真正的风险从来不是 “大模型技术迭代”，而是 “大模型公司把能力封装成 API，用更低的成本碾压应用层”—— 比如 OpenAI 的 GPT-4o API，已经支持多模态调用，创业者用它做 “AI 视频生成”，成本比自己训练模型低 90%，但问题是： 当大模型公司直接下场做应用（比如 OpenAI 的 ChatGPT Enterprise），创业者的 “应用层机会” 会不会变成 “打工机会”？

这才是大模型 “天花板” 背后的真问题：不是技术没进步，是技术进步的红利，正在从 “应用层” 向 “大模型层” 集中 —— 创业者要么依附大模型公司，要么找到大模型 “覆盖不了的垂直场景”（比如医疗影像、工业检测），而这些场景，恰恰需要 “非 Transformer 架构” 的技术（比如卷积神经网络、图神经网络）。

二、应用层的 “无聊”，是 “真痛点” 的伪装，还是 “伪需求” 的陷阱？

朱啸虎反复强调：“应用层要做‘无聊但解决真痛点’的事 —— 去年文字（会议纪要）、今年语音（AI 电话）、明年视频（低延迟生成）。” 他举了个例子：某 AI 电话公司，把用户挂断率从 80% 降到 25%，因为 “AI 的话术比人工更精准”。

但当我们追问 “用户为什么不挂断”，答案可能没那么乐观： 不是 AI “好用”，是用户 “没发现是 AI” 。某调研机构对 1000 名 AI 电话用户的访谈显示：70% 的用户在知道对方是 AI 后，会直接挂断；60% 的用户表示 “不会再和 AI 聊第二次”—— 因为 AI 的 “精准”，本质是 “机械”，没有温度，没有对上下文的理解（比如用户说 “我今天心情不好”，AI 只会机械回复 “那您要不要考虑我们的产品？”）。

更关键的是： “无聊” 的痛点，往往是 “大厂不愿做” 的小事，但也是 “大厂想做就能做” 的小事 。比如 AI 会议纪要，钉钉的 “智能会议助手” 已经做到了 “实时转写 + 关键词提取 + 行动项跟踪”，成本比创业公司低 50%，因为钉钉有 “工作流整合” 的优势（转写的纪要直接同步到钉钉文档，行动项直接分配给团队成员）—— 创业者做 “AI 会议纪要”，靠什么和钉钉竞争？

朱啸虎说 “应用层机会爆发”，但爆发的前提是 “解决大公司解决不了的痛点”。比如某创业公司做 “AI 手术记录”，不是简单的 “语音转文字”，而是结合 “手术视频” 和 “医疗术语库”，自动生成 “符合病历规范的手术记录”—— 这需要 “医疗数据 + 多模态融合 + 行业知识图谱”，大公司没有这些数据，也不愿花精力做 “脏活”，这才是创业者的机会。

而那些 “无聊到不需要行业知识” 的应用（比如 AI 电话、AI 会议纪要），恰恰是大公司的 “必争之地”—— 创业者的 “机会”，不过是大公司 “还没腾出手” 的间隙。

三、“脏活累活” 的护城河，是 “壁垒” 还是 “消耗”？

朱啸虎的核心结论是：“所有 AI 应用都是套壳调用底层模型，技术无壁垒，护城河是 AI 之外的‘脏活累活’—— 深度整合工作流、行业数据、硬件、垂直 Agent。”

这句话对了一半： AI 应用的 “技术壁垒” 确实低，但 “非技术壁垒” 的构建，比技术壁垒更难 。

比如 “深度整合工作流”：某 AI 图像编辑工具，用户用它生成图片后，需要 5%-10% 的细节微调（比如调整光线、修改物体位置），这部分 “微调能力” 是护城河 —— 但问题是，当 Adobe 把 “AI 生成 + 实时微调” 整合到 Photoshop 里，创业者的 “微调能力” 会不会变成 “冗余功能”？Adobe 有 1 亿付费用户，有 “从设计到印刷” 的全流程整合，创业者靠什么竞争？

再比如 “行业数据”：某医疗 AI 公司做 “病历自动录入”，积累了 100 万份电子病历数据，这是护城河 —— 但问题是，医院的数据是 “隐私数据”，创业者需要拿到 “合规授权”，而合规成本（比如 GDPR、中国的《个人信息保护法》）可能吃掉所有利润；更关键的是，当医院自己做 “病历 AI”（比如协和医院的 “智能病历系统”），创业者的数据优势会不会变成 “数据孤岛”？

还有 “硬件 + AI”：朱啸虎举了 “会议纪要卡” 的例子 —— 把 AI 降噪、语音转写模块做进一张 SD 卡，插在会议设备上就能用。但问题是， 硬件的壁垒从来不是 “设计”，是 “量产” ：大湾区的供应链能帮你做 100 台样机，但当你要做 10 万台时，成本控制、质量管控、渠道推广，每一步都是 “坑”—— 某创业公司做 “AI 电子名牌”，样机做得很好，但量产时因为 “电池续航” 问题，退货率高达 30%，直接把公司拖垮。

朱啸虎说 “护城河是脏活累活”，但 “脏活累活” 的本质是 “用时间和资源换壁垒”—— 对小公司而言，这是 “消耗战”，不是 “阻击战”。真正的护城河，从来不是 “干脏活”，而是 “把脏活干到别人干不了”：比如小红书的 “社区生态”，是用 10 年时间积累的用户关系，大公司复制不了；比如字节的 “推荐算法”，是用 10 亿用户数据训练的，创业者模仿不了。

AI 应用的护城河，从来不是 “AI 之外的脏活”，而是 “AI + 脏活” 的组合 —— 比如某 AI 销售工具，不仅能生成话术，还能整合 “客户 CRM 数据”（知道客户上个月买了什么）、“销售流程数据”（知道客户处于哪个阶段），甚至能 “实时分析客户语气”（判断客户是不是要挂电话）—— 这些能力，不是 “套壳调用大模型” 能做到的，也不是 “干脏活” 能做到的，是 “AI 技术 + 行业知识 + 数据积累” 的组合拳。

四、下一个小红书，不会是 “AI 做小红书”，而是 “用 AI 让小红书更好”

朱啸虎断言：“下一个字节、快手、小红书，今年应该已经成立了。” 这句话没错，但 下一个小红书，不会是 “AI 写小红书”，而是 “用 AI 让小红书的用户更愿意分享” 。

小红书的核心壁垒，从来不是 “内容生成”，而是 “用户生成内容（UGC）的生态”—— 用户分享美食、美妆、旅行，不是因为 “能生成内容”，而是因为 “能找到共鸣”。AI 能优化内容生成（比如用 AI 修图、用 AI 写文案），但不能替代 “用户分享的动机”（比如想被认可、想帮别人）。

同样，下一个字节，不会是 “AI 做短视频”，而是 “用 AI 让短视频更懂用户”—— 字节的核心壁垒是 “推荐算法”，AI 能让推荐更精准（比如用 AI 分析用户的 “停留时间”“点赞行为”），但不能替代 “用户刷短视频的需求”（比如想放松、想学习）。

AI 的本质是 “工具”，不是 “商业模式”。朱啸虎说 “AI 应用要爆发”，但爆发的前提是 “AI 能放大现有商业模式的价值”—— 比如：