告别“模型崇拜”：AI开发的下一个十年是“环境工程”

过去十年，AI开发的焦点几乎完全被模型占据。从深度残差网络到Transformer，从GPT到各种多模态大模型，每次参数规模的跃升都会引发新一轮的“朝圣”。“更大、更深、更复杂”成了这个时代的技术宗教。研究者们比拼排行榜上的小数位，工程师们热衷蒸馏、剪枝和量化以驯服巨兽。这种“模型崇拜”给我们带来了令人惊艳的demo，却也让AI系统在真实世界中频繁暴露出脆弱、错位和失控。模型被当作万能圣杯，而数据、场景、反馈和生态则被降格为配角。我们似乎忘记了：任何模型都只在其所嵌入的环境中才具有意义。孤立地优化模型，就像在真空中打磨一把没有把手的利刃，即使再锋利，也无法真正被挥舞。

对比“模型中心”与“环境工程”这两种开发范式，差异是本质性的。前者假设智能存在于参数中，于是把重心放在架构搜索、损失函数设计和训练技巧上，测试集和基准被当作唯一的“现实”；后者则认为智能是系统与环境持续协商的结果，模型只是这个协商过程的一个零件。以自动驾驶为例，模型中心主义试图用更好的感知模型来“穷尽”路况，而环境工程思维则会构建一个包含边缘案例生成、传感器噪声注入、驾驶员行为模拟以及在线纠错机制的综合系统。前者追求的是“在图像识别上得分更高”，后者追求的是“在复杂交通现场不出事故”。同样，在医疗AI中，模型中心主义只顾提高影像分类准确率，却忽视临床工作流、医生信任度、患者隐私法规和误诊后的归责机制——这些恰恰是决定AI能否落地的“环境变量”。从评估方式看，传统开发用静态指标衡量模型，环境工程则用动态指标衡量系统；从迭代逻辑看，前者是“换模型”，后者是“调环境”；从失败根源看，前者归咎于“数据不干净”，后者归咎于“设计未能适应环境的复杂性”。这种对比揭示了AI开发长期被低估的盲区——我们缺的不是更强的特征提取器，而是一种能对环境进行建模与干预的方法论。

我认为，AI开发的下一场革命不会是又一种新架构，而是“环境工程”的诞生。所谓环境工程，指的是以AI系统所栖身的物理空间、数据流、协作网络和反馈机制为第一设计对象，主动构建一个可进化的“生态位”。在这个范式下，模型不再是静态的智能体，而是环境中的一个适应性有机体。我们应当像城市生态学家那样，先去考察土壤、气候、物种关系，再决定种什么树、如何灌溉。具体而言，这要求我们做三件事：第一，将数据视为活水而非矿藏。数据不是被挖掘后一股脑喂给模型的“原材料”，而是需要设计采集管道、漂移监测器、异常注入器和合成数据发生器的动态资源。第二，把反馈回路提升到核心位置。预测结果如何被用户修正？失败场景如何回流为新的训练信号？多智能体之间如何协同竞争？这些环路必须被显式建模，而不是依赖事后的人工标注。第三，引入“环境评测”机制。在真实的部署环境中构建模拟沙箱，允许AI与人工、其他系统进行高频交互，以演化式的指标替代一次性基准。这样，AI开发就从“训练-测试-发布”的流水线，变为一个持续参与的生态工程。

有人会质疑，环境工程听起来美好，但如何度量其成功？实际上，环境工程的成功标志不是模型分数，而是系统在未经预演的真实场景中，能否展现出鲁棒的适应性和可修正性。我们可以设想一个具体的操作框架：定义一组“环境契约”，明确系统在不同干扰下的行为边界；建立“退化预警”机制，通过随时间漂移的数据分布和用户交互指标来提前感知危险；设计“人工介入接口”，让非专家的终端用户能够自然地将错误反馈转化成改进指令。这远比在测试集上刷分要难，但却是通往可靠AI的必经之路。以大型语言模型为例，如果开发者将重点从扩大上下文窗口转向设计“记忆管理环境”和“价值对齐环境”，那么幻觉和滥用问题可能获得结构性缓解。一个AI系统如果不能理解自己在何种环境下运转、何时应当沉默、如何向环境求证，那么它的“智能”永远只是统计上的巧合。因此，我坚信：模型是水，环境是渠。下一个十年的AI开发者，必须成为开渠筑堤的工程师，而不是只会灌注混凝土的泥瓦匠。当我们把目光从参数空间移向现实世界，AI才真正开始生长。