参数崇拜退潮，价值创造崛起

《参数崇拜退潮，价值创造崛起》
——决定下一轮创新的，不是模型有多聪明，而是谁的问题被解决了

一边是模型排行榜每周刷新，一边是七个主要发达经济体里，六成已经用上人工智能的制造企业，算不清这笔账到底赚没赚。

这就是今天人工智能最真实的画面：跑分赢了，账本还是空的。

模型赢了跑分，不等于社会赢了效率。

讨论人工智能，不能只问"它又学会了什么"，还得问"谁的问题因此解决了"。前者衡量能力，后者检验价值。参数是能力的刻度，应用才是价值的考场。

一、技术越来越强，落地为什么还这么难

一项覆盖七个主要发达经济体的企业调查给出了一个耐人寻味的反差：在已经采用人工智能的企业中，62%的制造企业、56%的信息通信服务企业，把"投资回报说不清"列为主要障碍。

注意，它们不是没用，而是用了也算不清。

由此至少可以判断两件事：开始使用，不等于已经用好；完成采购，不等于完成转型。

不妨把镜头从发布会挪到车间。发布会需要一次漂亮的回答，车间需要三百六十五天稳定的结果。对一家小厂来说，值得追问的从来不是模型排第几，而是接进现有流程要花多少钱，老师傅学不学得会，出了错谁来兜底。

便宜的是一次调用，昂贵的是整套改造。

屏幕上一次成功的演示，和产线上每天不出事之间，隔着数据整理、系统适配、员工培训、持续维护一整套工程。只盯技术单价，就一定漏掉应用的总账。中小企业卡住的地方，也正是这里：成本、技能、基础设施、数据边界，每一样都不在模型里，每一样都在模型外。

二、政策的价值，不是替技术制造需求

既然需求摆在那里，市场为什么不会自己把技术送到车间？

因为企业缺的不只是工具，还有判断工具是否适用的能力。没有技能，没有信息，没有可以小步试错的条件，再强的技术也只能停在采购清单上。

还有一层更隐蔽的机制：外溢。一家企业花钱训练员工、清洗数据、改流程，收益却有一大半流向客户、供应商，甚至流向来挖人的竞争对手。谁先投，谁先亏。理性的结果就是，大家一起观望。

单个企业解决不了，市场自己也不会解决——这正是政策该站的位置。

市场解决"能不能"，政策解决"值不值"。

所以，社会与经济导向的政策，首先要把问题说具体。不是要求"必须上人工智能"，而是明确希望减少什么损耗、缩短什么等待、降低什么门槛。方向说清楚了，方案才有比较的依据。

同样是政务升级，与其先问能部署多少系统，不如先问能否让人少填一遍表、少跑一趟腿，让不会用手机的老人也能把事办成。这些应当是验收标准，而不是宣传稿里的附加项。

政策该降低的是落地门槛，不是创新标准。

建设性的路径并不复杂：让培训更容易获得，让试点允许小步验证，让数据使用边界更清楚，让合作规则更透明。把公共数据变成公共资产，把政府采购变成第一张订单，把人的技能当成基础设施来修。

但先踩一脚刹车。

应用导向，绝不等于只支持立刻赚钱的项目。基础研究需要耐心，探索性试验允许失败。一个制度如果只认即时回报，就会亲手掐掉下一轮突破的苗。把长期探索和实际需求连起来，而不是让它们互相排斥，才是完整的创新政策。

三、应用不是技术的终点，而是下一轮研发的起点

用户不是等技术做完才出现的验收员。

真实环境里的数据不完整，用户的表达不标准，业务规则三天两头变。这些"麻烦"会把模型在可靠性、适配性、可解释性上的短板全部暴露出来，而这恰恰是研发团队最缺的那张考卷。企业调查也显示，客户和用户的交互反馈，已经是人工智能应用企业最重要的数据来源之一。

需求不是创新的刹车，而是创新的方向盘。

这也给企业一个可操作的起点。选项目之前，先回答三个问题：谁会用，哪个指标该改善，效果怎么验证。先把问题说清，再决定要什么模型，而不是先买技术，再满世界找用途。

对中国企业来说，更现实的入口不是争论要不要自研模型，而是挑一个高频、可衡量的痛点：记录改造前的成本和质量，明确人工复核责任，在可控范围试用，有效就扩，无效就停。先把一件事做扎实，比同时铺开十个没有评价标准的项目更值钱。

对公共服务来说，效率和可及性必须一起算。不能只看系统处理得多快，还要看普通人是不是更容易办成事，出了错能不能找到一个活人。

新教传统里有句老话：工作不是为了被看见，而是为了被托付。技术也一样，不是为了被展示，而是为了被托付去创造。

归根到底，技术研发、产业应用与制度建设，不该被写成谁取代谁的故事。模型能力值得突破，应用障碍值得拆解，社会收益值得检验。

真正的应用领先，是把一次可用变成持续有用。

下一轮创新的胜负，不看机器变得多聪明，而看人的问题被解决了多少。

（唐加文，笔名金观平；本文成稿后，经AI审阅校对）