7 月底，字节跳动创始人张一鸣在 Seed 全员会上给团队泼了一盆冷水：别把蒸馏当捷径，哪怕因此落后国内同行。这句话在今天格外刺耳——开源模型 token 占比半年翻倍、同一款 App 两份月活报告差出 1.46 亿、真正把 AI 部署进核心流程的企业只有 16%。数字越漂亮，裂缝越深。
不久前，张一鸣与 Seed 负责人吴永辉共同召开了一场全员会。除了给团队打气，他还专门谈了一个在今天的行业氛围里显得有点不合群的话题——模型蒸馏。
观点很直接：不要把蒸馏当作提升模型能力的捷径，哪怕这意味着可能会落后于国内同行。
这句话放在今天，像往沸腾的锅里浇了一勺冷水。
过去两年，AI 行业的默认叙事是「快」：参数从百亿堆到万亿，榜单从 MMLU 刷到 Arena Elo，KOL 加班做对比视频，结论永远是「国产又赢了」。朋友圈一片欢腾，仿佛 AGI 下周就来。
比参数、比榜单、比单项能力——一切以最容易量化、最容易写进 PR 稿、最容易让投资人兴奋的数字为中心。
不把蒸馏当捷径，宁可暂时落后，也要保住从第一性原理出发的研究能力与创新文化。
这套逻辑放在今天，指向一个反直觉的判断：AI 行业正在把数字游戏玩到极致，却很少有人去填模型与真实世界之间那道越变越宽的沟。
今年 7 月，月之暗面发布 Kimi K3，参数精确到 2.78 万亿，全球最大开源模型。那天朋友圈被刷了屏。三天后，官方公告：用户请求量大幅超出预估，逼近现有集群承载极限，即日起暂停 C 端新用户订阅。
2.78 万亿参数 · 全球最大开源模型
发布第 3 天，用户挤崩集群，暂停新订阅
豆包月活 5.28 亿，国内第一
另一家机构同月数据为 3.82 亿，差出 1.46 亿
可灵、即梦、Vidu 轮番登顶视频生成榜
创作者只关心：等多久、能不能用、人像崩不崩、版权有没有保障
注：三组对照均来自公开报道。「光环」为对外宣传口径，「现实」为实际发生或被真实使用者反复提及的问题。同一统计对象的差异，源于统计口径与测算方法不一致。
没有人造假。只是「月活」这个用了二十年的指标，到了 AI 产品上突然测不准了——插件调用算不算？API 访问算不算？连统计口径都没有共识，那些煞有介事的排名，看看就好。
视频生成领域的榜单竞赛，更是到了走火入魔的地步。每隔一段时间就有一家宣布在某个评测集登顶，KOL 迅速跟进出「深度评测」，结论永远是「国产又赢了」。可你问真正用它做内容的人，他们关心的根本不是 benchmark 上那零点几分。
这就像车厂造出一台发动机参数全球第一的跑车，开出来发现油箱只够跑十公里。模型在榜单上无所不能，到了具体工作里，更像一个聪明但不靠谱的实习生——什么都能聊两句，真交给他一件完整的事，你还得在后面收拾烂摊子。
为什么张一鸣对蒸馏这么敏感？
蒸馏本身是正经技术方向——用大模型输出训练小模型，让它在特定场景逼近大模型能力，同时大幅降低推理成本。但在今天的国内 AI 圈，它已经异化成一条抄近路的产业链。
这条流水线的规模有多大？OpenRouter 的数据给出了一个侧面：今年 1 月，开源模型处理的 token 占比为 34%；6 月，这个数字变成 65%，半年接近翻倍。
注：数据来自 OpenRouter 公开统计。占比跃升背后有多少是真实技术突破、有多少是蒸馏与榜单过拟合，无法从该数据直接判断。
占比翻倍，但有多少是真正的技术突破？不少人心里有数，只是不说。更要命的是，这种路径依赖会从根上废掉一个团队的研究能力——当工程师习惯了用别人的输出训练模型，就不会再想怎么从第一性原理改进结构、构建真正高质量的数据集。
更深的裂缝在底层。前 OpenAI 研究员 Diogo Almeida 指出，当年奠定 Scaling Law 的论文在计算推理最优分配时算错了一个参数；DeepMind 的 Sander Dieleman 转发称，这个 bug 大概率让行业在错误方向上浪费了巨额算力。
这么多顶级公司、上万张 GPU 烧进去，几年内竟没人发现——因为所有人都在同一条赛道上狂奔，没人停下来问路对不对。蒸馏，就是这条路径依赖的终极形态。
这已经不是 AI 行业第一次上演这样的剧本。
苹果是最新的注脚。2024 年 WWDC 上，Apple Intelligence 被吹得天花乱坠，之后跳票两年，直到今年 WWDC 才拿出像样的版本，核心能力还得靠接 OpenAI 和谷歌的 API。发布会当天，苹果股价从盘中 317 美元跌到收盘 301 美元，市值蒸发约 2300 亿美元。
华尔街的逻辑很简单：你演示的这些，ChatGPT 两年前就有了。我们等了两年，就等来了这个？
这就是参数繁荣掩盖下的真相——实验室里的胜利，到真实世界要重新打一次折，而这个折扣，经常大到让人怀疑人生。
当然，不是参数不重要，也不是榜单毫无价值。技术发展早期，量化指标确实能帮我们看清进步。但当整个行业把手段当目的、把指标当目标，事情就开始变味。
麦肯锡的一份报告显示，2025 年企业在 AI 上的投入比前一年翻了一番，但真正把 AI 部署到核心生产流程的比例，只从 12% 涨到了 16%。
换句话说，84% 的投入还停在 POC 和「用几次就搁置」。钱花了，热闹看了，AI 并没有像预期那样重构业务流程。
真实世界太复杂了：工业现场数据有噪声、生产环境动态变化，催化剂的活性、热态工件的变形量这类关键参数连采都采不到；金融风控一个错误判断就是几千万损失，医疗诊断一个幻觉就是重大事故。这些场景要的不是 99%，是 六个九、七个九的可靠性，以及每一步都可解释、可追溯、可审计。
好消息是，已经有人开始往这个方向走了。
纳德拉在财报会上转口讲财富 500 强里有多少家在跑 Azure AI 平台、企业自建 Agent 数量，商业模式从「席位」转向「席位 + 按量计费」。
Gemini at Work 展示的不是炫酷 demo，而是大众、华纳兄弟、Snap 这些公司怎么把 Gemini 真正嵌进生产流程。
腾讯 WorkBuddy、阿里 QoderWork、字节 TRAE、金山 WPS AI——不再比谁的模型更聪明，开始比谁能更深地嵌入工作流，谁能真正帮用户解决问题。
这条路注定更难走。它要求你沉到行业里去，理解客户的真实痛点，忍受很长时间没有高光时刻的寂寞。它不像发布万亿参数模型那样能上头条，不像刷到榜单第一那样让投资人兴奋，也不像 KOL 评测那样带来潮水般的流量。
但这才是真正的 AI 浪潮该有的样子。
把参数当结果，AI 是 PPT；把参数当起点，AI 才是生产力。
当数字游戏散场，真正的分水岭不在模型大小，而在谁先把 AI 嵌进真实世界的齿轮——这轮竞赛的终局赢家，不会是榜单上跑得最快的那个，而是最先在产业现场把账算清楚的那个。
你可以继续看榜单，也可以去看看那些正在默默改变生产流程的普通用户。但至少记住一件事：在 AI 行业，最容易量化的数字，往往最不值得追逐。