老宗门追到山门，先结金丹就能先成元婴？

AI模型江湖04 / 专题研究 · 产业与投资

谁说前沿实验室成不了元婴？

# 老宗门追到山门，先结金丹就能先成元婴？

普通人的红利：产业 × 投资 × 交易，寻找AI时代的Google、Amazon ｜ 于AI诸相中，普皆共证菩提

本系列纯属个人兴趣，仅为AI江湖的八卦交流，不构成任何投资建议！如有侵权，联系删稿！｜2026年10月

<strong>问题｜</strong>大厂追到同等模型能力以后，先行者是否仍有可跨代生效的生产积累与客户建设机会？

<strong>判断｜</strong>先结金丹不保证先成元婴。领先能否持续，要看双方变化、旧成果的复用和客户下一轮选择；多模型接入也不能替大厂保住未来生产的组织位置。

<strong>看什么｜</strong>同任务的CADEF与TQC变化、有权反馈的实际增益、跨代资产的归属，以及下一轮任务、采购和建设围绕谁组织。

第1章 大厂追平一招，就算追上整身修为？

前一篇把自营的条件逐项打开，又看了十三家山门的现状。但今天修到哪一步，还不能回答下一代由谁领跑。丹炉可以自己掌，老宗门也可以买卡、招人、改算法。前沿实验室究竟凭什么相信，自己多走的这段路，不会很快被追平？

这个问题不能靠“小团队更专注”或者“大公司更有钱”来回答。两句话都可能描述某种优势，却都没有说明优势如何进入实际生产。独立实验室会失手，大厂也可能重组资源、迅速推进；研究必须同时保留这些可能。

不妨把条件设得更严一点：假设某家大厂已经在客户关心的任务上，追到了Lab这一代模型的水平。接下来，客户是不是马上就能把原厂换掉？Lab下一代是不是必须从头开始？即使先行者已有持续关键建设、跨代复用的金丹证据，这些积累又能不能支撑下一次冲关？

如果什么都没留下，那么对手的渠道、资金和组合销售确实更容易发挥作用。如果留下了可继续使用的系统、验证、研发方法，以及客户下一轮建设的机会，追平某项效果就没有结束竞争。双方仍要争谁能更快、更可靠地组织下一次生产。

本篇所说的内功，就是这些可以跨代生效的积累。金印判断位置，CADEF与EDP解释修为及其持续性。客户下一代还愿意继续建设，才把能力积累接到金丹固化；规则、分配和合理收益，则还要等经营结果证明。先行者有机会把领先留下，却没有凭年资成婴的资格。

第2章 都说内功精进，究竟谁跑在前面？

判断领先，最先要分清三件事：自己有没有进步，和对手的差距怎样变化，有价值的任务边界是否继续扩大。三者可能同向，也可能完全不同。

用一个假设说明。完成同样质量任务的成本，Lab从10个单位降到6个单位，对手从12个单位降到5个单位。Lab进步很大，但相对成本位置已经落后。若Lab因此仍宣称“效率大幅提高，所以领先扩大”，就把自己的纵向变化，误当成了双方的横向关系。

追到旧版本也一样。对手今天达到先行者半年前的水平，可能说明追赶有效，却还需要看先行者今天到了哪里。反过来，先行者刚发布的版本成绩更高，也要检查用了多少额外资源、是否能够稳定交付。发布时间与模型名称，并不能直接换算成领先多久。

斯坦福《AI Index 2026》在截至2026年3月的Arena材料中，记录了四家公司处于25个Elo点以内，同时指出开闭模型差距在2025年重新扩大。[1] 这是特定评价体系下的历史切面。Elo点差不能解释成整体能力相差某个百分比，也不能独立覆盖客户的生产要求。

因此，对照要落到同一项实际工作：输入难度、验收质量和可用时间是什么，运行哪个版本，用了多少资源，失败重试和人工补救是否计入成本。硬件不同可以比较最终交付，但若要归因于算法或工程，就要继续拆开差异。口径不齐时，只能并列材料，不能硬排谁的修为更深。

<strong>表1　沿用原有指标，怎样比较自身进步与相对领先？</strong>

明确任务、版本、质量、硬件、预算、时期及失败口径；CADEF的C是算力工程，TQC的C是完整交付成本。分项比较，不另加总分。

任务边界继续移动时，还要把新旧工作分开。大家都能处理某类成熟请求，可能意味着这部分竞争主要转向成本；有人开始完成过去做不了的研究或生产，又会出现新的比较范围。不能用旧任务的趋同证明全部前沿停止，也不能用一项新任务掩盖成熟业务里的退步。

持续领先并不要求一家公司在所有榜单、每个时点都第一。需要证明的是，它在自己争取的关键任务与生产关系中，仍能提供足以影响客户选择的价值。这个范围要说清，不能每次落后就换一个对自己有利的考场。

第3章 上一代练成的功夫，下一代还用得上吗？

领先会不会积累，首先看上一轮留下的东西，是否改变了下一轮的起点。系统团队已经解决的通信和恢复问题，可能减少后来试验的等待；有效评测能够排除重复错误；研发团队知道哪些方向不值得继续，也可能省下新的试错。

这些好处要沿CADEF追到实际作用：C的系统工程能否复用，A的研发方法能否改进下一代，D的学习信号是否可信，E的真实经验是否有效回流，F能否支持持续试错。只有旧成果仍适用、确实被使用，年资才可能变成内功。架构、硬件或任务变化，也可能让一部分积累失效。

DeepSeek-R1在2025年1月的论文中，描述了用强化学习后的模型生成、筛选样本，再用于后续训练，并用整理后的数据蒸馏Qwen和Llama的小模型。[2] 这个例子说明，已有能力可以生产新的学习材料，也能帮助其他模型取得进步。这里首先是数据工厂D与算法A的作用，不能把合成样本直接计成真实客户经验E。

研发自动化也已经有具体的改进对象。Google DeepMind于2025年6月发布的AlphaEvolve论文，报告了改进数据中心调度、优化Gemini训练内核等成果。系统由模型提出代码修改，再经过自动评估和筛选；其中部分成果部署到了实际生产中。[3] 这类结果可以进入C或A相关能力项，而且老宗门同样能够使用。

但论文里的任务、初始程序和评估机制由研究者指定，真实部署还有验证环节。[3] 它支持有边界的AI辅助研发改进，不能据此宣布完整自主的递归自我改进已经成立。若模型帮助发现方法，方法又改善后续训练，确实可能加快积累；每一轮仍须核对验证质量、搜索成本和实际收益。

<strong>表2　领先的时间，可能留下哪些内功？</strong>

是否可用、由谁掌握、是否产生改进，分别取证；拥有历史记录不等于自动形成优势。

领先会积累，成果也会扩散，两股力量同时存在。若同一研发工具对所有团队都容易取得，它可能加快整个行业，却未必扩大某家Lab的相对领先。差别还在于谁有更有效的任务、验证环境、工程系统和反馈。所谓内功复利，要把这些作用一段段接起来，不能只看自动循环转了多少轮。

第4章 客户一起磨功法，积累还是包袱？

客户越多，经验就越厚吗？有时是，有时留下的主要是维护责任。这里要沿CADEF的经验飞轮E，把调用、反馈、改进和复用拆开观察。

设想一个客户项目。客户在实际运行中发现模型常把某类任务处理错，双方建立了明确的验收集，原厂在获得授权后分析原因、修正模型或交付系统，再在后续版本里减少这类错误。如果相同问题出现在其他合适场景，修正也能复用，原厂才可能得到跨项目的能力增益。

另一种情况是，客户自己修改提示、加上规则、建立人工复核，原厂并未得到相关过程与结果。项目同样可能获得很大价值，但能力主要沉淀在客户系统里。客户继续付费，证明合作仍有用；它没有证明模型商已经学到了这些经验。

Anthropic在2025年9月17日的故障复盘中，说明用户反馈怎样帮助定位基础设施问题，公司如何修复问题、增加检测，并提出扩大生产环境评测。[4] 这些经验首先改善运行与质量保障，不能直接视为模型参数能力提高；已完成的修复与后续计划，也须分别看待。

因此，真实任务的数量、深度、轨迹、结果与回流，必须接到可核变化上。有权接触数据，不等于已经有效使用；已经训练，也不等于能力提高；能力提高了，还得看是不是新任务也受益。这里只沿既有标准追因果，不能用一句“数据飞轮”把中间过程略去。

兼容维护则是另一面。客户的重要系统已经投入运行，原厂升级不能轻易破坏它们。若每次新版本都要为大量特殊流程单独打补丁，旧客户积累可能拖慢研发。自主建设带来的优势，必须与这些持续责任一起计算，才看得见净效果。

较好的情形，是共同底座把重复问题逐步解决，验证和迁移方法让升级更可预期，客户个性化部分仍由适合的团队负责。客户越深用，原厂越能提高可重复交付能力；客户自己的建设也减少返工。至于关系是否已达到金丹的占据与固化，第六篇再沿持续投入与现实替代来判断。

第5章 大厂守着山门，下一轮生产还由它组织吗？

现在可以回答一个更尖锐的问题：老巨头既有客户和渠道，又能调用各家的模型，究竟还可能失去什么？我的判断是，风险在客户下一轮任务怎样定义、采购怎样选择、生产怎样组织。把当下的模型接进产品，扩大了这一轮的供给选择；客户未来围绕谁建设，还需要继续争。

以下是一种需要验证的竞争情景。客户遇到新的复杂任务，先向某家Lab寻求完整方案，并围绕其能力建设验证、工具和运行流程。Lab在授权范围内帮助拆解任务，影响哪些环节可以自动执行、怎样验收，继而参与工具、算力与行业伙伴的选择。客户的新投入，开始按这套生产方式安排。

此时，原有大厂仍可能销售云资源，也可能在自己的产品里提供同一个模型，但它未必继续主导下一项工作的形成。它保留了供给收入，新增需求、产品设计和采购安排却可能先在另一家展开。这是“最强模型我也能拿来”尚未回答的经营问题。

模型能力仍是这场变化的关键。若Lab没有持续解决新难题的能力，客户未必愿意让它承担更重要的角色。强模型打开新的任务范围，可靠生产使这些任务能够长期运行，企业才有进一步组织工具与交付的机会。多包一层界面，并不会自动带来这样的山门。

老宗门还面临时间上的不对称。等它追平某一代模型，客户可能已经完成一轮产品设计与验证。新供给即使足够好，也要证明迁移或下一代改建值得。追到相近能力，与争回下一轮建设机会，未必发生在同一天。

相反的路径也能成立。AWS在2024年12月公布的Bedrock路由预览，能够在同家族的不同模型间分配请求，展示了平台参与模型选择的机制。[5] 如果客户仍在原工作平台定义任务、保存资产、完成验收，并由平台组织模型替换，Lab就可能主要留在后台。这个历史案例说明一种组织能力，并不证明平台已经守住全部未来。

<strong>表3　下一轮生产的组织权，可能向哪里移动？</strong>

两列是机制情景，不是已对具体公司作出的境界判断；真实分工也可能介于两者之间。

客户始终保有自己的预算、资产和业务决定权。这里讲的组织作用，是谁被客户持续选来承担关键工作。要看新增项目、开发投入、合同与交付职责怎样安排，不能只认登录账号，也不能以挖人、发布频率判断谁已失去山门。大厂能够反击，Lab也可能把积累留在别人的平台中。

第6章 一代换一代，内功会积厚还是归零？

用什么事实判断先行优势究竟留下了没有？最有解释力的时点，往往是替代者已经足够好以后。此前客户选你，可能只是缺少现实选择；此后还围绕你建设，才值得继续追问原因。

如果模型效果被追平，原厂仍能以更可预期的时间和成本支持客户下一项重要产品，已有评测、工程和共同流程也继续有用，就说明过去的领先没有全部消散。技术窗口留下了可复用的生产成果。若客户在现实替代存在时仍持续关键建设，再去核验这些投入是否跨代固化，才有金丹的位置证据。

若客户轻易换走模型，旧资产对下一代无用，原厂没有可核的反馈增益，还因为兼容负担放慢研究，那么领先可能只属于上一代产品。继续融资和发布新型号，不能替这种缺口作答。这时，大厂的资源、渠道和组合供给就可能更快转成优势。

也要警惕把暂时留存过度解释。旧合同还没结束、迁移尚未排期，都可能让调用继续。最值得追到的是下一次真正有选择的时刻：新产品、新项目或下一代启动时，客户为什么仍然围绕这一底座投入？旧项目没搬走，与新增建设继续选你，所说明的事情并不相同。

对于大厂，同样要看资源是否完成重组。它原来就有客户，并不意味着新的任务反馈已经进入模型训练；它原来就有云，也不意味着当前架构最适合前沿生产。只要能把研究、工程、真实任务与交付串起来，老巨头也完全可能形成持续积累。不能只因组织大，就预设它一定迟钝。

持续领先的结果可能有多种。某家Lab扩大前沿差距，另一家凭同等能力下的生产效率站稳，也可能有企业不再争通用山门，转向供货或具体行业。第三篇提出的这些去向，在这里取决于积累究竟还支持什么。下一项生意可以有前途，但应重新明确经营范围，不能沿用原通用平台的境界。

金印不会因为公司自己变好就自动升阶。自身进步说明它如何前行，相对变化和客户选择说明它有没有守住位置。若替代者足够好、客户低成本迁走、旧资产失效，便要承认这一轮先发优势没有沉淀下来。对实验室与老宗门，都用同样的事实检验。

第7章 内功留下了，金丹就一定结在你这里？

老宗门追到山门，先结金丹就能先成元婴吗？先结丹，意味着已有持续关键建设与跨代固化的证据；能否继续冲关，要看这些关系和背后的内功在下一代还怎样生效。模型效果被追平，未必意味着生产、验证与交付全被追平，先发身份也不能代替这些事实。

我的判断是，领先的价值取决于企业怎样使用那段时间。它若把窗口转为下一轮仍有效的研发与生产能力，再使客户愿意继续建设，就可能扩大主动；若每一代都要从头争取客户，过去的热闹便不足以支撑长期位置。领先多久只是开头，究竟留下什么，才决定后续冲关的底气。

大厂面对的风险，是能采购某一代强模型，却没有保住客户下一轮任务、采购与生产组织的位置。Lab面对的风险，则是模型始终有用，积累却主要留在平台和客户自己的系统里。双方都得追到同条件的能力变化和客户下一代选择，才能知道金丹究竟结在哪里。

内功留下以后，实验室还可以作另一项经营选择：既然下游用我的能力创造价值，我能否亲自经营那门生意？这可能是领先者扩张，也可能是通用山门没有立稳之后的转型。原有积累带得过去多少，新的功课还差哪些，必须重新打开来看。

下一篇：<strong>《丹是我炼的，下游江湖为何不能亲自闯？》</strong>，就看能力怎样变成下游产品、服务与成果。随后第六篇再回到客户共修、经营实权与两高两稳。另一门生意做成了，和通用平台修成元婴，是两项需要分别证明的结果。

资料来源

[1] Stanford HAI｜AI Index Report 2026, Chapter 2: Technical Performance（2026年版；文中相关截点为2026年3月）。印刷页71、76—78，Chapter Highlights及Overall Performance Trends；沿报告的Arena历史序列说明差距会变化，不将Elo差值当成整体能力百分比或2026年10月排名。 <https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_2_technical.pdf>

[2] DeepSeek-AI｜DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning（2025-01-22，v1）。第2.3.3、2.4节；模型生成和筛选样本，后续训练，以及向Qwen、Llama较小模型蒸馏。公司研究披露，未据此推定长期相对领先。 <https://arxiv.org/html/2501.12948v1>

[3] Alexander Novikov等／Google DeepMind｜AlphaEvolve: A coding agent for scientific and algorithmic discovery（2025-06-16，v1）。第2.1节及第3.3.1—3.3.2节；任务与评估由研究者定义，作者报告数据中心调度、训练内核的生产改进。有限任务成果不外推为完整自主RSI。 <https://arxiv.org/html/2506.13131v1>

[4] Anthropic Engineering｜A postmortem of three recent issues（2025-09-17）。Timeline of events、Why detection was difficult、What we’re changing；用户反馈帮助定位基础设施问题，区分已实施修复、新增检测与后续评测计划。 <https://www.anthropic.com/engineering/a-postmortem-of-three-recent-issues>

[5] AWS News Blog／Danilo Poccia｜Reduce costs and latency with Amazon Bedrock Intelligent Prompt Routing and prompt caching (preview)（2024-12-04）。同家族模型路由的预览公告；只证明平台可以参与模型请求分配，不推定当前支持范围或客户未来建设必归平台。 <https://aws.amazon.com/blogs/aws/reduce-costs-and-latency-with-amazon-bedrock-intelligent-prompt-routing-and-prompt-caching-preview/>