夜雨聆风
看到 Prukalpa Sanwal 的这篇《Intelligence is Abundant, What is the Moat?》，我的第一反应是：又是一篇高大上的 AI 文章，估计没什么干货。
结果我错了。她讲的东西我越看越觉得扎心——尤其是"你的 AI 预算可能都花错地方了"这个判断。读完停了一下，里面的案例和失败现场，我居然都见过。这篇值得认真说说。
Prukalpa 是 Atlan 的联合创始人，Atlan 做数据治理平台。她的写作背景是数据基础设施，不是 AI 研究，所以她看问题的角度跟大多数 AI 评论者不一样。
01 一个你可能每天都在经历的悖论
:::先说数字。过去两年，前沿模型推理的成本下降了 300 倍。Gartner 预测到 2030 年，LLM 运行成本还会再降 100 倍。Gemini 3.1 Pro 在博士级科学推理测试里达到 94%，GPT-5.4 Pro 解出了真正数学家都没解出来的开放难题。我们已经到了需要持续发明更难的测试，才能拦住模型继续涨分的程度。
但另一边：MIT 的研究显示，95% 的生成式 AI 试点项目失败了。IDC 报告说，88% 的 AI 概念验证从来没有走到生产环境。
模型越来越聪明，价格越来越便宜，可选项越来越多——但几乎一半的企业 AI 项目正在被砍掉。
Prukalpa 用了一个比喻：我们把一台老旧的垃圾场引擎改造成了赛车涡轮，但车还是停在车库里没动。
02 一个公式，把问题说清楚了
:::Prukalpa 提出的核心框架只有一行：
Performance = Intelligence × Context
注意是乘法，不是加法。这意味着：如果 Context 是零，Performance 也是零。不管你用了多强的模型。
更麻烦的是反方向：用高智能配上错误的 Context，会产生负的 Performance。一个越聪明的模型，用错了上下文，会产生更精巧、更有说服力、更危险的错误。它的幻觉不是更少——而是更让人信以为真。
Labs 已经把 Intelligence 这边的问题解决了，而且还在加速。但 Context 这边——你公司的数据资产、语义定义、内部规则——要靠你自己建。
这就是为什么换模型解决不了问题。
03 三种失败模式，你公司大概率中了一个
:::Prukalpa 举了几个失败现场，我印象最深的是这三个。
第一个：同一个客户，在不同系统里换着马甲。CRM 里叫 "John Doe"，账单系统里叫 "J. Doe"，工单系统里叫 "User_882"。模型再聪明，也被这些小号绕晕了——光靠数据推理，根本不知道这三个是同一个人。
第二个："营收"在财务和销售口中根本不是同一件事。销售算签单金额，财务算已入账现金。模型选了一个，信心满满地生成报告——技术上无懈可击，业务上一点用没有。
第三个：合规 Agent 条条框框一条没落，结果还是错了。因为六个月前合规负责人开了一次审计，发了一封内部备忘录，给某类实体永久豁免。那份知识埋在没人打开的 PDF 里，活在一位资深同事的记忆里。Agent 不知道，也没有办法知道。
三种失败，没有一种是因为模型不够聪明。从 GPT-4 升级到 GPT-5，从 Claude 换成 Gemini，一个都解决不了。这些都是 Context 的问题，不是 Intelligence 的问题。你可以把引擎换成最贵的那种，车还是开不出去，因为路根本没建好。
还有一个细思极恐的小算数：AI Agent 在十步工作流里，每步成功率 85%，你以为稳了？全流程一次走通的概率只有 20%。第一个错误像骨牌一样翻下去，而且越聪明的模型闹出来的幻觉越像真的，越难被发现。我见过不少项目就这么死在细节里。
04 认知科学早就说过这件事
:::Prukalpa 说，这不是什么新观点——是我们把认知科学的老道理忘了。
1987 年，Lucy Suchman 研究了人们怎么用施乐复印机，发现了一件工程师们很不想听到的事：人会即兴发挥，而不是执行计划。复印机上那套"智能"帮助系统失败了，因为它只能看到按钮被按下；它看不见用户实际面对的处境。今天的 Agentic AI 和那台老复印机犯的是同一个错误——给 LLM 一个 prompt 或者一套"工作流"，期待它完美执行。但真实世界的表现需要对 context 的持续适应，而这是没办法提前写进脚本里的。
1979 年，James Gibson 提出"可供性"（affordances）：椅子对人来说"提供了"坐的可能，对鱼来说没有。物体的用处不在物体本身，而在物体与环境的关系。AI 模型的「智能」也不是它的内在属性——它可以在一个问题上表现卓越，在另一个问题上胡说八道。变的只是 context，不是模型本身。
1980 年，Dreyfus 兄弟提出技能习得的五个阶段：新手按规则走，专家靠直觉应对情境。越智能的系统，其智能应该越依赖 context，而不是越不依赖。我们追求的 AGI 路径，其实是在建造一个永远停留在新手阶段的系统。
1990 年代，Edwin Hutchins 研究海军导航团队时发现：没有任何一个人"知道"怎么驾驶一艘大船。智能是分布在人、工具、地图和流程之间的——它是系统的属性，不是个人的属性。这把今天的 AI 竞赛整个翻转了：从"模型有多聪明"，变成"系统有多智能"。一个能力平平但配置良好的模型，在一个信息完备的系统里，可能比世界上最强的模型在一堆垃圾数据里表现得好得多。
还有一个有意思的例子：2026 年 Yann LeCun 离开 Meta，拉了 10.3 亿美元去做他的"世界模型"——欧洲史上最大的种子轮。那么多钱，就为了赌一把：脱离现实语境的智能是死路一条。你可以理解成，连 AI 界的大拿，现在也在押注 context，而不是押注更大的模型。
05 OpenAI 自己也踩过这个坑
:::OpenAI 在内部为自己建了一个数据 Agent。
他们以为可以直接把模型对准数据库，然后开始跑。结果发现，他们需要六层 context 才能让这个东西正常工作：
第一层，表的使用情况和结构；第二层，人工标注；第三层，从代码里推导出的定义；第四层，从 Slack 消息和文档里挖出来的机构知识；第五层，从历次纠错记录里积累的记忆；第六层，每次查询时的实时上下文。
整整六层。而且每一层都需要持续维护，因为公司在变，数据在变，业务逻辑在变。这不是一次性工程，是一套必须持续投入的基础设施。
OpenAI 这么一家公司，做自己内部的 AI 工具，也绕不过去。做你自家产品的公司，没理由能绕过去。
06 Context 不能被商品化
:::Prukalpa 的核心论点：你不能靠 AI 本身建立护城河。你不能在一个每年指数级变便宜、竞争对手都能从 API 里调出来的资源上，建立持久竞争优势。今天你用 GPT-5 比对手快半年，但这半年内对手追上来的成本几乎是零。
但 context 不能被商品化。你公司对自己数据的理解、独特的语义定义、历史上"为什么这么做"的原因——这些东西没有办法被训练进一个通用模型里，也没有 API 可以调。你积累的这些知识，对手复制不了，即使你愿意卖，他们也没法直接用。
Intelligence 在收敛，Context 在复利。
这里有一个飞轮效应。你部署的第十个 AI Agent，会继承为前九个 Agent 建立的 context。随着你把更多业务流程 AI 化，你积累的 context 越多，每新增一个 Agent 的准确率越高，部署成本越低。先建好 context 基础设施的公司，会越来越难被追上。
07 对我们意味着什么
:::Prukalpa 把她的结论叫做「大翻转」（The Great Inversion）。
几年前，"难题"是造一台能推理的机器。模型是一切讨论的中心，给它提供什么基础设施、什么信息是事后再说的事。
现在，难题换了。造推理引擎——曾经是人类工程的巅峰——正在被几个实验室解决。让推理变得有用的 Context？那才是新边界。
而且这个边界没有全局解。它必须针对每一家公司、每一个领域、每一个不断演变的情境单独去解。这不是发布一个模型就能解决的问题。
"帮公司建 context 基础设施"——说出来不性感，远没有"用最新的模型做出了酷炫的东西"听起来刺激。但 Prukalpa 的意思是，这才是差距真正会拉开的地方。
我不知道她的判断最终是否完全正确。
但我知道那三个失败现场——客户在不同系统里换马甲、财务和销售说的不是同一个营收、合规知识躺在没人打开的 PDF 里——我见过太多次了。
换模型，从来不是解决方案。
◇ ◆ ◇
资料来源：Prukalpa Sanwal (@prukalpa), "If Intelligence Is Abundant, What is the Moat?", Context & Chaos, May 2026
