现在的AI开发圈子里有个很诡异的现象：大家引以为傲的"创新"，本质上是在给同一个底座模型写填空题。OpenAI放出GPT-4，于是成千上万个基于GPT-4的"垂直应用"冒出来；Meta放出Llama，于是开源社区一夜之间长出一堆Llama的变体微调。你问这些开发者他们的核心壁垒是什么？十有八九会告诉你——prompt模板、专属数据、或者那点微调参数。这让我想起小学语文考试，题目是"我爱____"，有人填"祖国"，有人填"妈妈"，但卷子底下那行小字写着：请勿离开横线范围。
更讽刺的是，这种填空式开发正在制造一种新的技术依赖。团队不再关心模型是怎么推理的，不关心注意力机制的局限性，甚至不关心数据分布到底长什么样。出了问题怎么办？换更大的模型，或者加更多的示例。整个开发流程变成了一个黑箱调参循环：效果不好就调prompt，再不行就上RAG，还不行就微调——但没有人愿意倒回去重新审视问题的定义。我见过一个团队花三个月构建知识库问答系统，最后发现业务部门真正需要的是流程自动化，而不是一个会聊天的文档搜索框。AI开发被模型能力裹挟，很多人已经忘了"解决问题"才是起点，而不是"把模型接进来"。
这种同质化的根源在于，AI开发的技术门槛正在被重新定义。以前要做一个图像识别系统，你得懂机器学习算法、懂特征工程、懂模型训练；现在只需要调用一个现成的API，扔几张标注好的图片。门槛降低带来了繁荣，也带来了一种危险的错觉——大家都觉得自己是AI开发者，但实际上只是API的使用者。这种错位在生产环境里会结出恶果：推理成本被严重低估，延迟问题被轻描淡写，数据隐私被一句"加密传输"带过。我见过不少项目，demo阶段惊艳全场，一上线就崩——不是模型不行，而是整个系统的健壮性、可观测性、灾难恢复机制全都是空白。AI开发变成了搭积木，但没人关心积木下面的地基是沙地。
我觉得真正值得做的AI开发，不是继续在模型能力上堆叠新功能，而是把注意力转向那些"不性感"的工程难题：如何处理数据漂移？如何让模型在边缘设备上跑得既快又准？如何设计人机协作的反馈闭环？以及——如何承认AI在某些场景下根本不适用？这些问题的答案不会出现在任何模型卡的说明书里，也不会成为论文的卖点，但它们决定了AI系统能否在真实世界里活过一年。当整个行业都在追着SOTA跑的时候，反而是一些"退步"的尝试值得尊重：比如有人在用极小的模型解决具体问题，有人在做可解释的规则引擎和神经网络的混合架构。这群人才是真正的建筑师，而其他人只是拿着别人的图纸，在填色。
我不期待AI开发变得简单，相反，它正在变得复杂——因为简单的路已经被走烂了。如果你正在做一个项目，请先问自己：如果没有大模型，这个问题会以什么形式存在？如果你怎么都答不上来，那你可能只是在给填空题填上了一个看似高分的漂亮答案。而真正值得做的，是去出题——哪怕那道题一开始没有标准答案。
