夜雨聆风三年前，我在一个行业聚会上，碰到了一个搞AI的人。
我问他最近在做什么，他说在做大模型。我问大模型多少参数，他说1750亿。我点头，没再问，因为我也不知道1750亿意味着什么，只是觉得这个数字说出来很唬人。
那时候的对话基本都是这个调子——参数、算力、顶会论文、GPU卡的数量。大家说的是同一种语言，但落地到"能解决什么问题"这个层面，普遍语焉不详。
这种感觉大概从去年开始悄悄变了。
变化是从一组数据里看出来的。
上个月我看到一份报告，说中国大模型的周调用量已经达到12.96万亿Token，连续五周超过美国——美国那边是3.03万亿，不到我们四分之一。全球调用量前六名，清一色中国模型，阿里Qwen、小米MiMo、DeepSeek，挨个排下来。
我第一反应是：这个数字有没有算错？
翻了翻来源，没算错。
更让我挠头的是豆包的数据：日均Token调用量突破120万亿。三个月前这个数字还是60万亿出头。三个月，翻了一倍。
一开始我想，这些Token到底用在哪里了？后来想想，这本身就是答案——它在被用，在解决具体的事，在某个人的屏幕前替他处理一个他不想动手的任务。这不是实验室里的技术指标，这是有人真的在用。
"有人真的在用"，这句话听起来平淡，但放到三年前，挺难说出口的。
那时候的AI，更多是个演示品。发布会上跑得飞快，落地进企业就各种摩擦——用不惯、接不上、投入产出不明朗，最后很多项目拖一年就不了了之了。
现在不太一样了。
工商银行落地了500多个AI应用场景，AI数字员工一年干了相当于5.5万人年的工作量。我不知道这个数字是怎么换算的，但哪怕打个对折，也是极为可观的生产力。这还是工商银行——一家连ATM界面换个字体都要开会的机构。
蓝色光标AI业务收入占比超过了50%。做营销传播的公司，一半收入来自AI相关服务。这已经不是"在探索AI"的阶段，这是"靠AI吃饭"的阶段。
我找了一圈类似案例，越找越觉得：AI渗进实体的速度，比我以为的快得多。
为什么现在会有这个转变？我想了想，不复杂。
技术成熟了。大模型能做什么、不能做什么，大致摸清楚了，不用再花时间说服人"AI行不行"，可以直接聊"AI用在哪"。
成本降下来了。三年前训练一个大模型要几千万美元，现在缩到了几百万；开发一个应用，从几个月缩到几周。门槛低了，进来的人就多了。
需求急迫了。经济环境就那样，降本增效不是口号，是硬指标，AI恰好能填这个缺口。
还有一个不容易说清楚的原因：生态起来了。工具链成熟了，开发者多了，模板和方案也多了。以前搞AI应用要从零造轮子，现在很多东西拿来直接用。
这些加在一起，就是你看到的——调用量翻番，落地案例爆发，行业对话从"技术有多牛"转向"ROI算得过来吗"。
这种转变，用两个词概括就是：游戏规则变了。
以前评价一个AI产品，看的是MMLU分数、HumanEval通过率、论文发在哪本顶会上。
现在这些东西还重要，但它们已经不是对话的起点了。现在先问的是：用户留得住吗？客户满不满意？能帮企业省多少钱、赚多少钱？
这不是说技术不重要了。技术永远重要，只是它退到了背后，变成了支撑，而不再是招牌。
我做AI技术出身的一个朋友，最近转去做应用了。我问他为什么，他说："技术是手段，价值才是目的。技术足够好了，比的就是谁能把技术变成真实的价值。"
我觉得这话没什么毛病。
当然，这个阶段也有新的麻烦。
同质化会越来越严重。技术门槛一低，大家都做，做出来的东西长得都像。怎么建立差异化，是个真问题。
商业模式还很模糊。免费试用好说，用户愿不愿意掏钱，企业能不能持续盈利，还没有特别清晰的答案。
数据安全的压力也不会消失。应用越多，数据流越密，风险越大。这个不解决，扩张迟早会碰到天花板。
但麻烦的另一面，是还没被占住的位置。
垂直行业是其中最大的一块。通用大模型是个好的地基，但地基不等于楼。深耕某个行业的人，懂那套行话、那套流程、那套痛点，这是通用模型替代不了的。行业know-how，在这个阶段真的是壁垒。
还有"AI原生应用"这个方向——不是把AI功能贴到原有产品上，而是从头重新想：如果这个产品生来就是为了AI时代，它应该长什么样？这种产品，现在还不多，但我觉得迟早会出来。
上半场，大家证明了AI技术能做什么。
下半场，要证明的是：能为真实的人解决真实的问题，能创造可以被计算的价值。
比法不一样了，赢家的长相也会不一样。平台型公司、垂直应用公司、AI原生公司——谁能跑出来，我现在说不准，可能也不止一种答案。
但有一点我说得比较确定：在这个阶段，"我的技术全球领先"是不够用的台词了。
