Online Learning是AI的下一場革命。

新眸原創(chuàng)·作者 | 鹿堯

上個月，MIT NANDA項(xiàng)目發(fā)布了一份《2025年商業(yè)AI現(xiàn)狀報告》。這份報告在業(yè)界引起了不小的震動，甚至一度導(dǎo)致AI概念股集體下跌。

報告揭示的現(xiàn)實(shí)令人驚訝，盡管企業(yè)在生成式AI上的投資已高達(dá)400億美元，但其中95%的組織獲得的實(shí)際回報幾乎為0。

數(shù)字背后則是一個日漸鮮明的悖論，一方面，AI技術(shù)正以前所未有的速度發(fā)展，模型能力日新月異；另一方面，企業(yè)花重金采購的AI工具卻被員工悄悄棄用，形成了一個龐大的“影子AI經(jīng)濟(jì)”——超過90%的員工寧愿使用個人版的ChatGPT等工具來完成工作。

這讓我們不得不正視一個正在發(fā)生的轉(zhuǎn)變，AI創(chuàng)業(yè)的底層邏輯，在2025年這個節(jié)點(diǎn)上，發(fā)生了根本性的改變。成功的關(guān)鍵不再僅僅是擁有更強(qiáng)大的模型，而是能否讓AI在真實(shí)的業(yè)務(wù)場景中持續(xù)學(xué)習(xí)與進(jìn)化。這聽起來像是老生常談，但問題的關(guān)鍵在于，怎么做永遠(yuǎn)比想更難。

01

舊邏輯的崩塌

如果說面向AI的95%的投資未能產(chǎn)生回報，那我們有必要回頭看看，過去的路徑到底哪里出了問題。

許多企業(yè)習(xí)慣于將軟件視為即插即用的工具，他們以同樣的邏輯對待AI：一次部署，永久生效。

但事實(shí)上，AI的本質(zhì)相比一套標(biāo)準(zhǔn)化軟件，更接近于一位專家。專家需要不斷學(xué)習(xí)、接收反饋、積累經(jīng)驗(yàn)，才能保持其專業(yè)水準(zhǔn)。一個無法從使用中學(xué)習(xí)和改進(jìn)的AI系統(tǒng)，就像一本多年未再版的教科書，其價值會隨著時間持續(xù)折舊。

其次在“通用”與“專用”的選擇上，MIT的數(shù)據(jù)同樣反直覺。報告顯示，在調(diào)研初期，有60%的企業(yè)考慮采用特定任務(wù)型GenAI。然而，從試點(diǎn)到成功實(shí)施，這個比例驟降至僅剩5%。與之相比，通用大語言模型的表現(xiàn)則穩(wěn)健得多。

這說明，為特定任務(wù)量身定制的AI，反而面臨著更嚴(yán)峻的落地挑戰(zhàn)。它們往往需要復(fù)雜的場景適配、高昂的定制和維護(hù)成本，最終很可能因?yàn)闊o法靈活適應(yīng)實(shí)際工作流，而淪為一個個“流程孤島”，被員工繞道而行。

影子AI的盛行是員工最直接的無聲投票。當(dāng)公司提供的工具笨拙、僵化，無法理解具體的工作語境時，員工自然會選擇用腳投票，轉(zhuǎn)向那些更靈活、更懂他們的個人AI工具。這暴露了企業(yè)級AI工具的致命傷，頂層設(shè)計(jì)的產(chǎn)物，我那個我那個無法自然地適應(yīng)“人”的工作習(xí)慣，也缺乏從用戶側(cè)收集反饋并即時改進(jìn)的閉環(huán)。

從這樣的視角來看，舊邏輯的核心是“交付即結(jié)束”，追求的是功能清單的完美勾選。而現(xiàn)實(shí)已經(jīng)證明，AI的成功應(yīng)用要求“交付即開始”，價值是在使用過程中通過持續(xù)學(xué)習(xí)和優(yōu)化而不斷累積的。

02

新邏輯的浮現(xiàn)

95%的失敗陰云下，仍有5%的企業(yè)找到了方向，后者做對了什么，對于勾勒AI創(chuàng)業(yè)的新范式具有重要的啟示作用。

接著上一部分提到，成功的組織首先改變了與AI的相處方式，將AI當(dāng)作需要共同成長的外部專家。

比如一家設(shè)計(jì)公司采購AI助手時，相比選擇了某個功能最全的系統(tǒng)，成功的案例往往是選擇最能理解設(shè)計(jì)師需求、并能隨著團(tuán)隊(duì)風(fēng)格不斷進(jìn)化的那個。他們每周會與AI團(tuán)隊(duì)復(fù)盤：哪些建議被采納了，哪些被忽略，設(shè)計(jì)師在使用過程中遇到了什么困惑。

這種關(guān)系下，商業(yè)模式或許也會改變。傳統(tǒng)的軟件許可證銷售正在被“成長服務(wù)”取代——企業(yè)購買的不僅是當(dāng)下的能力，更重要的是，他們獲取了一套保證AI持續(xù)進(jìn)步的機(jī)制。這就像聘請一位顧問，你支付的不僅在于他的現(xiàn)有知識，真正看重的是他未來在公司業(yè)務(wù)場景中的成長潛力。

另一方面，當(dāng)大多數(shù)用戶抱怨企業(yè)AI重復(fù)犯同樣的錯誤時，我們意識到問題的核心不在模型大小，而在學(xué)習(xí)機(jī)制的缺失。

那些成功的5%，都把“如何讓AI持續(xù)學(xué)習(xí)”作為技術(shù)架構(gòu)的核心。這需要構(gòu)建真正意義上的Online Learning系統(tǒng)——作為時下最熱的AI概念，從技術(shù)內(nèi)核看，它是模型與環(huán)境持續(xù)交互、通過獎勵信號動態(tài)優(yōu)化整個智能系統(tǒng)的能力。

簡單來講，他們不會簡單依靠收集用戶反饋來進(jìn)行定期的訓(xùn)練，更重要的是讓AI能在每一次交互中即時調(diào)整自己的策略。你可以把它理解成一種新的交互和推理范式，它要求模型在測試階段仍能學(xué)習(xí)，如同人類在解決問題時實(shí)時調(diào)整策略——和傳統(tǒng)強(qiáng)調(diào)預(yù)訓(xùn)練的AI有著本質(zhì)區(qū)別。

我們看到三個關(guān)鍵特征在這些系統(tǒng)中顯現(xiàn)：

首先是情境理解，優(yōu)秀的AI能記住用戶偏好，并在后續(xù)交互中應(yīng)用這些知識。比如當(dāng)一位市場專員第二次要求"制作社交媒體海報"時，AI會主動采用上次驗(yàn)證過的風(fēng)格和色調(diào)，而不是重新開始。

其次是記憶管理，AI系統(tǒng)為用戶建立了個性化的記憶檔案，記錄有效的工作模式和決策邏輯。這些記憶并非簡單的聊天記錄堆疊，而是讓提煉的工作習(xí)慣，能在合適的場景被主動喚醒。

最重要的是反饋閉環(huán)的設(shè)計(jì)。那些失敗的AI系統(tǒng)總是會把反饋?zhàn)兂闪朔爆嵉?點(diǎn)贊/點(diǎn)踩"按鈕，成功的系統(tǒng)其實(shí)是將學(xué)習(xí)機(jī)制無縫嵌入工作流程。

從功能清單，到對學(xué)習(xí)能力的評估，一定程度上體現(xiàn)了企業(yè)對于AI標(biāo)準(zhǔn)的改觀。過去采購時最關(guān)心支持多少種功能，現(xiàn)在更看重學(xué)習(xí)新技能需要多久。一個能在一周內(nèi)適應(yīng)公司報告風(fēng)格的AI，遠(yuǎn)比一個功能齊全但僵化的系統(tǒng)更有價值。

我們也看到了一些很有代表性的案例，比如某個電商企業(yè)選擇客服AI時，放棄了功能更全面的方案，選擇了那個能根據(jù)客戶投訴數(shù)據(jù)快速調(diào)整應(yīng)答策略的系統(tǒng)。數(shù)月后這個"不夠完美但善于學(xué)習(xí)"的AI，在處理他們特定的退貨問題時，效果遠(yuǎn)超那些功能更豐富的競爭對手。

03

尋找2025年后的賽點(diǎn)

站在這個轉(zhuǎn)折點(diǎn)上，尤其對于AI創(chuàng)業(yè)者而言，幾個關(guān)鍵的生存法則正在浮現(xiàn)。

隨著場景的深度取代技術(shù)的廣度，成為新的競爭壁壘，大模型確實(shí)正在成為水電煤般的基礎(chǔ)設(shè)施，但真正創(chuàng)造價值的，永遠(yuǎn)是那些懂得如何用好穩(wěn)定資源的人。就像擁有穩(wěn)定的電力供應(yīng)不等于能造出好電器，接入強(qiáng)大的基礎(chǔ)模型也不等于能解決實(shí)際問題。

在醫(yī)療等專研領(lǐng)域，我們能夠開始看到行業(yè)對于理解特定場景下的細(xì)微需求，一些創(chuàng)業(yè)團(tuán)隊(duì)放棄打造全科醫(yī)生AI的野心，轉(zhuǎn)而專注在皮膚病診斷、影像分析等細(xì)分領(lǐng)域，通過持續(xù)學(xué)習(xí)特定類型的病例數(shù)據(jù)，在這些垂直場景中達(dá)到了實(shí)用級的準(zhǔn)確率。

另一方面，關(guān)于ROI的認(rèn)知需要被刷新。報告顯示，70%的AI預(yù)算流向了營銷部門，這反映出企業(yè)普遍將AI視為增長工具。但現(xiàn)實(shí)中，“降本型AI”往往能帶來更直接、更可衡量的回報。

問題來了，Online Learning崛起，究竟會對AI市場帶來哪些影響呢？

答案可能是徹底的洗牌。

當(dāng)OpenAI、Anthropic等頭部玩家不斷刷新模型能力的上限時，那些依賴傳統(tǒng)靜態(tài)數(shù)據(jù)訓(xùn)練的企業(yè)將面臨巨大壓力。模型的保鮮期正在縮短，實(shí)時學(xué)習(xí)能力將成為新的分水嶺。

其次，AI產(chǎn)業(yè)落地邏輯被重構(gòu)。在推薦系統(tǒng)領(lǐng)域，我們已經(jīng)看到分鐘級更新如何改變用戶體驗(yàn)；在醫(yī)療診斷等高價值場景，如果AI能夠通過持續(xù)的臨床反饋不斷優(yōu)化判斷標(biāo)準(zhǔn)，其價值將呈指數(shù)級增長。

這種越用越精準(zhǔn)的特性，將顛覆現(xiàn)有的定制化模型商業(yè)模式。相應(yīng)地，算力分配的權(quán)重也在發(fā)生變化。一次性的訓(xùn)練投入可能要讓位于持續(xù)優(yōu)化的推理算力池，模型更新頻率將成為比參數(shù)規(guī)模更重要的指標(biāo)。

這就意味著，AI創(chuàng)業(yè)的下半場，屬于那些在最具體場景中，展現(xiàn)出最強(qiáng)適應(yīng)力的團(tuán)隊(duì)。是時候放下對模型規(guī)模的執(zhí)念，回歸到創(chuàng)造真實(shí)價值的軌道上來了

本文系新眸原創(chuàng)，申請轉(zhuǎn)載授權(quán)、商務(wù)合作請聯(lián)系微信： ycj841642330，添加好友請備注公司和職位。

更多內(nèi)容，點(diǎn)擊下方關(guān)注