•
2025 年底，一個明顯的訊號出現了：Google Gemini 追平了 OpenAI，Claude 短暫超越過 GPT-4，中國模型也在快速逼近。
頭部模型的差距，正在以肉眼可見的速度縮小。
1 月 14 日，《Big Technology Podcast》拋出了這個問題：
“如果所有頭部模型的表現都差不多，會發生什麼？”
坐在對面的是法國大模型公司 Mistral AI 的聯合創始人兼 CEO Arthur Mensch。
他的回答沒繞彎子。
“當大家的模型都差不多了，競爭就不在模型本身了。以前比誰更聰明，現在比誰能讓客戶真的用起來。光有一個強模型不夠，得讓它進到企業的系統裡、流程裡、業務裡。”
這不是技術問題，是商業問題。
而且，性能拉不開差距，價格就會被壓、毛利就會被擠。你再多加多少參數，也很難說服客戶為什麼要多掏一倍的錢。
那錢會流向那裡？
要回答這個問題，得先搞清楚：為什麼模型會差不多？
Mistral CEO Arthur Mensch 沒迴避：
沒錯，差不多了。開發模型本質上不是什麼獨門生意。
現在全球大概有十來個實驗室，用的是同一套方法、同樣的資料，做出來的模型效果越來越接近。更新速度快，誰都能追上，模型也就不再是護城河。
為什麼會這樣？
因為開源讓技術傳播得太快了。
Mistral 在 2024 年初開源了稀疏混合專家架構（Sparse Mixture of Experts），幾個月後，中國團隊做出了更聰明的版本 DeepSeek-V3，用更低的成本、更高的效率達到了同樣的效果，這種工程最佳化能力相當出色。反過來，DeepSeek 的一些訓練技巧也被歐美團隊借鑑。技術公開，大家互相學習。
Mensch 舉了個資料：2024年，預訓練模型要做到10的26次方 FLOPs（運算規模）還很難，現在任何有資源的團隊幾個月就能追上。
門檻在下降，差距在縮小。
但他更擔心的不是大家都差不多，而是模型只是看起來厲害，企業卻用不上。那投入再多也沒意義。
這個判斷不只是 Mistral 一家的。
幾周前，Sam Altman 在紐約告訴一群新聞負責人，OpenAI 2026年的主要優先事項之一是為企業建構應用程式。
Mensch 說：
“AGI 這個概念太簡單了。不存在單一系統能解決所有問題，就像沒有任何人類能解決世界上的每個任務一樣。”
過去三年，大家都在談模型有多聰明，卻很少有人問企業能不能真的用起來。現在競爭焦點變了：不追求模型最強，而是確保企業真能用得上。
那麼，“用得上”具體是什麼意思？
很多 AI 公司只會說模型多強，卻說不清怎麼幫企業用起來。
Mistral 給了明確答案。
CEO Arthur Mensch 把企業 AI 應用分成兩類：
一類是效率提升，讓原來 20 人幹的活，2個人就能搞定。
另一類是技術突破，幫企業突破以前做不到的事。 先看效率提升。
1、效率提升
法國航運巨頭 CMA CGM，每次大船靠岸，要協調碼頭、監管、卡車調度、港口裝卸……流程極複雜。以前，靠20多名員工輪班調度，系統雜、溝通難。
現在，Mistral 讓 AI 代替人跟 20 多個外部系統打交道，自動發消息、下指令、確認流程。
人還在，但變成了把關的，原來20人的事，最後2個人就能做完。AI 做的不是回答問題，而是真的在幹活。
背後的邏輯其實很簡單。
Mensch 解釋說，AI 不是自己什麼都能幹，而是人定規矩、AI 執行。
他把這個系統分成兩部分：
“以為 AI 能自己搞定一切，那是不現實的。這兩者配合起來，才是真正能用的系統。”
2、技術突破
再看第二類。
ASML 的光刻機製造過程，涉及極高精度圖像識別。過去要靠專家看圖識錯，找出晶片有沒有問題。
Mistral 的模型幫他們做的事，是把圖像和邏輯一起看，自己分析、自己標註、自己最佳化。
這不只是省人力，而是突破了晶片製造的精度瓶頸。AI 能看到人眼無法識別的缺陷，能加速人工標註太慢的流程。
精度提升帶來的變化是：晶圓廠的吞吐量上去了，晶片製程能往更小的奈米推進，整個半導體行業的物理極限在被 AI 推動。
在他看來：
“核聚變、更精細的半導體雕刻……在這些領域我們正遇到物理限制，而 AI 可以幫助解除這些限制。這才是技術進步的加速，這帶來的價值，比單純省人力大得多。”
這兩個案例說明了同一件事：AI 公司真正要做的，不是賣一個聰明的模型，而是讓 AI 進到企業的日常工作裡。
賣模型是賣能力，企業真正要的是能落地的方案。
很多 AI 實驗室在模型上投入巨大，但最後能掙到錢的，是那些真正讓 AI 在企業裡用起來的小公司。
說到讓AI用起來，Mistral靠的是三件事：能用、能控、不受限。
1、先看能用
他們家模型是開放原始碼的，不只是給你一個黑盒工具，而是允許企業根據自己情況動手改、接入系統、部署在自己機器上運行。
這在很多閉源大模型裡是做不到的。
2、再看能控
如果你的模型只能在供應商的雲上用，一旦那家公司修改了權限、更新了政策，甚至不讓你用某個功能，你就只能被動接受。
Mensch 打了個比方： 就像你接入了別人的電網，隨時可能被斷電。如果 AI 真的變成生產工具，你敢把主動權全交出去？
這就是閉源模型的隱藏風險：被供應商綁死。
“Anthropic、OpenAI 他們也會說'我們能幫你定製'，但你本質上是在信任他們的工程師會給你足夠的權限。萬一他們更新了 API、改了定價、限制了某些功能呢？你只能接受。”
還有更現實問題：如果你在閉源模型上訓練了自己的系統，積累了半年的資料，突然供應商漲價或者不讓你用了，你怎麼辦？
遷移成本極高，因為你已經被綁住了。
開放原始碼的價值就在這裡：客戶可以隨時切換、隨時自己部署，不用擔心被卡脖子。 所以，Mistral 的客戶更願意選擇它，不是因為它的模型一定比別人強，而是因為它在我手上，隨時可用。
3、不受限
Mistral 的優勢是：模型可以在本地運行，斷網照樣用。客戶可以根據自己的需求加功能、減參數，不需要再跟技術供應商反覆談判。
這套模式，已經在一些對穩定性要求極高的場景裡驗證了。
2026 年 1 月，法國與 Mistral 簽訂框架協議，要求 AI 系統必須在本土基礎設施上運行。原因很簡單：關鍵業務不能依賴外部供應商，一旦出問題，影響的是整個營運體系。
對企業來說，這不只是技術問題，也是成本問題。
把錢花在 Mistral 上，這筆投資會留在本地：招本地工程師、建本地資料中心、培養本地技術生態。企業未來需要技術支援、系統升級、人才儲備，都能在本地解決。
反過來，如果選擇閉源服務商，錢流出去了，技術能力留不下來。長期來看，企業的話語權會越來越少。
Mistral 能拿到這些訂單，靠的不是模型性能最強，而是讓企業能掌握自己的系統
回到最初的問題：當大模型都差不多了，AI 公司靠什麼賺錢？
答案已經很清楚了。
模型會商品化，技術門檻在消失。
真正值錢的，是讓AI在企業裡落地，以及把控制權交給企業。AI 越重要，控制權就越值錢。 (AI 深度研究員)