主流观点

多年来，人工智能领域的主导叙事一直是”规模就是一切”。通往人工智能霸主地位的竞赛，被简化为一个核心指标：参数量。从 GPT-3 到 Gemini，整个行业都在一个假设下运转——更大、更通用的模型是通向更优性能的必然路径。这让许多企业领导者相信，唯一可行的战略就是去授权那些昂贵的单体式前沿模型。近期一篇研究论文 DeepLens 诊断智能体：智能体式工作流设计让小型推理模型足以与前沿大语言模型竞争 为这种蛮力路线提供了一个有力的反证，凸显出智能体式工作流日益上升的重要性。

我们的立场 企业人工智能价值的竞赛已不再关乎模型规模，而在于工作流的智能程度。面对专门化的高风险任务，由聪明的智能体式工作流所编排的小型模型，将持续带来更高的准确率、成本效率与可控性。

数据究竟说明了什么

DeepLens 论文提供了关键证据。研究者取用了一个规模相对较小的 70 亿参数医学人工智能模型，并将其嵌入一套结构化的五阶段推理流程。这一系统在一项复杂的医学基准测试中取得的诊断准确率，足以与体量庞大的通用前沿模型相抗衡。关键并不在于模型本身的原始能力，而在于围绕它搭建的智能脚手架——那套把复杂问题拆解为可管理、可验证步骤的智能体式工作流。

这并非孤例。它反映出一个更广泛的行业趋势：更小、更专门的模型在特定用例中正展现出极高的有效性，这一转变已在人工智能研究界得到广泛记录。数据已经很清楚：以蛮力堆砌规模是一条收益递减的路径，而聪明的系统设计才是新的力量倍增器。

真正的含义

这改变了每一位首席信息官与首席数据官的战略算式。只依赖少数几家大型黑箱模型供应商已不再是唯一路径，甚至可能构成竞争劣势。它带来厂商锁定、让机构暴露于不可预测的成本之下，而且几乎不提供任何持久优势——因为任何竞争对手都能调用同样的 API。真正可守御的护城河并非模型本身，而是机构围绕模型设计出的、专属于自身任务的工作流。正是在这里，深厚的领域专长转化为难以轻易复制的市场优势。掌握工作流设计的公司，能够以一小部分成本构建出更准确、更高效、也更可审计的人工智能系统。

应该怎么做

与其追问”哪个模型最大？“，领导者更应该问”针对我们的问题，最聪明的工作流是什么？“这需要重心与投入的转移。第一，把流程梳理与任务拆解置于优先，而不是一味围绕通用模型调试提示词。第二，建设系统设计与编排的内部能力，而不只是数据科学能力。第三，重新评估自建与采购的取舍——用更小的开源模型打造定制化高性能人工智能系统的可行性已大幅提升。这正是现代企业人工智能的核心：从租用通用智能，转向拥有创造价值的逻辑本身。在 Thinkia，我们在多智能体人工智能系统的设计与部署上的工作正是围绕这一原则展开：通过智能的工作流架构构建可守御的人工智能资产，而不只是获取最新的模型。