我叫苏砚，某家头部互联网公司的算法工程总监，带着一支一百多人的团队，被外界简单归类成那群“在办公室里制造人工智能”的人。
外面看，我们仿佛每天在“创造未来”；里面看，我们更像在给一个极度挑剔的孩子喂食：你喂的数据不干净，它当天就给你闹情绪；你给的算力不够，它立刻变得“又笨又慢”；你不设好边界，它可能一边回答用户问题，一边“乱讲”。这篇文章，想给你看的不是神话，而是我日常在做的、和“制造人工智能”真正相关的决策、权衡和坑。
如果你是企业决策者、产品负责人、技术管理者，或者准备入行的人，这篇文字会尽量把我们在一线做的事拆开，让你知道：要落地一个真的能用的“人工智能”，你到底要准备什么、担心什么，以及该如何少踩一些昂贵的坑。
外界常问我：“你们公司现在到底是在制造人工智能，还是在堆一些会说话的玩具？”
先把定义说清，不然所有讨论都漂在空中。
从我在行业里的经验，所谓“制造人工智能”，在工程层面更多是在制造三个东西的组合：模型、数据、场景。
- 模型，是那堆看起来高大上的“Transformer、LLM、多模态架构”，本质是一张复杂函数。
- 数据，是喂给这个函数的“世界”，决定它能理解什么、习惯什么、误解什么。
- 场景，是你让它活在哪儿：客服？编程助手？工业质检？医学影像？不同场景对“聪明”的定义完全不同。
2026 年，各大公开报告给出的趋势都非常一致：
- 参数规模已经不再是唯一核心，比如 OpenAI、Google、国内多家机构都在更强调“效率”和“对齐”；
- 行业数据更重要，例如金融、医疗、制造业公司在内部搭建的“行业私有模型”，在垂直任务上明显优于通用大模型；
- 以我自己的感受，现在的竞争，从“谁的模型更大”转向“谁更能把模型精细地塞进一个业务场景里”。
当有人说他们在“制造人工智能”，你可以追问一句：
我跟企业客户聊“制造人工智能”项目时，发现无论行业差异多大，最后都会落在三个问题上：
- 要花多少钱，值不值？
- 安全、合规会不会出事？
- 真的能替代/增强人，而不是增加麻烦？
先说投入。2026 年，如果你要从零做一个具备实用能力的专属模型，不算极端规模，粗略预算常见是这样的感受：
- 一次像样的数据清洗+标注，动辄几百万起步，大量人工和工具协同。
- 模型训练，如果用主流云厂商的 GPU 集群，即便是中型项目，算力账单到上线时有很大概率来到千万级别。
- 期间还会夹杂着各种隐形开销：数据安全体系、审计系统、评测平台、中台服务等等。
于是很多老板问我：“既然通用大模型已经那么强了，我是不是只要买 API，用 prompt 堆一堆就行？”
这一点上，我的观点比较稳定：如果你的业务没有特别强的专业性和合规要求，API+精心设计的业务层，往往是更划算的选择。把钱投在“拼装”和“治理”上，比一头扎进从零训练模型，更现实。
但只要涉及金融风控、医疗诊断、政企业务、核心工业控制等高风险场景，我会有点保守：
- 通用大模型往往训练于开放网络数据，对你的行业规则不敏感；
- 合规审计要有足够的可控性，模型可解释、数据来源可追踪；
- 一旦出现“幻觉”或违规输出，处罚、舆情和用户信任损失是很难量化的。
所以制造人工智能的关键决策之一，是清醒地界定：哪些能力可以托管给通用大模型，哪些必须握在自己手里。这一步如果糊涂，后面都在补漏洞。
很多人以为我们在内部开会时讨论的是“要不要上 10 万张卡训练一个巨无霸模型”。过去一年我花在“数据”上的时间，远比在“模型结构”上的多。
让模型真正“像你的人”，常常靠的是数据的“气质匹配”。
举个我们内部做客服机器人的真实经历：
- 公司最早直接用通用大模型接在客服入口上，效果一开始惊艳：用户各种问，它都能接住；
- 三个月后，投诉开始出现：
- 有的回答“过于热情”，给用户承诺了业务上根本做不到的方案；
- 有的在不确定时，把 B 方案当成 A 方案来讲；
- 偶发“自创政策”，声称系统已支持某个功能，结果造成批量误导。
我们回溯数据才发现：
- 通用网络数据中的客服话术以“安抚＋承诺”为主，偏“讨好型”；
- 我们真实业务里，对于金融合规、风控等环节更强调“清晰边界和风险提示”，偏“谨慎型”。
于是我们重做了一件看似无聊但极耗时的事情：
- 从真实客服记录中筛选出高满意度对话，做成高质量语料库；
- 对敏感问题、边界场景、投诉场景做了专项标注；
- 把这套“业务气质”通过微调和对齐训练，强行灌输给模型。
再上线，事故率明显下降。用户不一定觉得“更聪明”，但明显“更像我们自己的客服”。制造人工智能时，最容易被低估的，是这种气质、价值观层面的对齐，而不是参数量。
2026 年，行业里不少公司已经开始把“对齐团队”当成必备职能：
- 有做安全审查的；
- 有专门负责“语气风格”的；
- 有负责伦理问题和偏见检测的；这些人不需要会写模型代码，却在根本上决定了你制造出来的“人工智能”，到底是一个什么性格的“同事”。
很多管理者会误以为：“我买了某个大厂的大模型能力，接个 SDK，就算完成了智能化。”
从工程的角度看，模型只是一个“核”，不搭配周边系统，它活不过试运营阶段。
例如现在常见的企业级“制造人工智能”项目，通常还需要一堆基础设施：
- 知识库｜用于存储企业内部文档、政策、FAQ，配合检索增强（RAG）让模型“说话有依据”；
- 日志与审计系统｜记录每一次模型调用的输入输出，方便追责与定位问题；
- 模型评测平台｜定期用一批固定测试集跑，监控能力是否退化、是否引入新的偏差；
- 权限与脱敏体系｜控制谁能访问什么数据，哪些字段必须做脱敏；
- 人机协同流程｜比如客服场景中，当模型置信度低于阈值时，自动转人工接管。
从 2026 年我在项目里的实际观察，那些被夸为“智能转型做得好”的公司，有一个共同点：他们管理层已经不再把“模型”当成一个单一产品，而是当成整个业务系统中的一个“新角色”。这个角色需要考核、需要监管、需要培训，也需要和人类协作。
当别人问你：“你们公司有没有在制造人工智能？”你可以反问自己：
- 你有能力在生产环境里持续监控它的表现吗？
- 你有机制在它犯错时，快速止损并更新它的“认知”吗？如果没有，那你拥有的更像是一个随时可能被关掉的 demo，而不是一个真正融入组织的“智能同事”。
站在一线，我很少再用“取代”这个词。更常见的，是岗位内部的“拆解和重组”。
以我们团队为例，2026 年的变化非常明显：
- 传统“纯算法工程师”减少，更多人需要先懂业务再做算法规划；
- 标注岗位发生变化，一部分转向做“数据策展人”，负责从海量数据中挑选、设计和维护高价值样本；
- 客服团队中出现了“机器人教练”角色，专门通过监控机器人对话、标记问题、写提示词和策略，来“训人＋训机”。
对外部企业来说也是类似的故事。一个典型的客服中心改造案例里，我们测算过：
- 引入大模型辅助后，简单问题由模型直答，人类专注复杂和情绪问题；
- 运营半年后，客服总人数下降并不夸张，更多是岗位技能结构改变；
- 客服被要求具备使用内部 AI 工具、调试话术和反馈模型问题的能力。
也就是说，制造人工智能本身并不会简单砍掉一个岗位，而是改变这个岗位的工作内容和能力要求。
如果你是个人从业者，我会更建议你这样看这个变化：
- 问问自己：我的工作里，哪些环节是高度重复、可以被模式化的？
- 把这些环节“交出去”，而在人的注意力上，转向更难标准化的部分：沟通、判断、博弈、选择。
从我们内部的实践来看，真正被边缘化的，是抵触使用工具、拒绝学习新协作方式的人，而不是某个传统岗位的名称本身。
聊到这，你可能已经有点画像：如果你准备在企业里推进一个“制造人工智能”的项目，应该从哪走起，才不至于把预算烧在不必要的炫技上。
我把这些年踩过的坑压缩成几条经验，更偏“生存指南”而不是教科书步骤：
一，不要一上来就问要用哪个模型，先问：你能承担多大失败成本。
- 高风险场景（医疗诊断、金融决策等）更适合从小闭环、灰度环境做起，用人监督；
- 低风险场景（内部知识问答、办公自动化）可以更大胆，用通用模型试错，再逐步专门化。
二，不迷信“最新”，迷信“可控”和“可维护”。每年都会有更大的模型、更炫的能力出现，这是行业常态。但企业系统一旦上线，稳定演化比追最前沿更关键：
- 有没有能长期维护的团队；
- 模型切换、升级时会不会引发大量兼容性问题；
- 供应商是否能和你的安全体系、运维体系打通。
三，提前把“失败”的出口设计好。这点说得现实一点：
- 项目做不下去时，哪些组件是可以沉淀复用的（数据、工具链、知识库）；
- 哪些采购能转向其他用途（算力、平台服务）；
- 哪些指标能说服公司：“这次试验虽然没有达到最初雄心，但产生了可观的中间价值”。
我见过太多项目，技术上其实不算惨烈，但由于没有被设计成一个“可被总结、可被拆解复用”的工程试验，最后被整体贴上“失败”的标签，导致几年内没人敢再动这个方向。
而真正成熟的组织，会把“制造人工智能”当成一个持续增长的能力，而不是一次性赌注。
从业十年，我对“通用人工智能”这种宏大概念的兴趣越来越淡，对“让一个具体场景更聪明一点”的兴趣越来越浓。
2026 年的现实是这样的：
- 在多轮对话、文案创作、代码辅助等领域，大模型已经达到“高位均衡”：边际提升变贵，但业务价值仍然可观；
- 多模态能力（图像、文本、语音融合）开始扎实落地在制造质检、医学影像辅助评估等场景里，效果比很多人想象的更务实；
- 监管和伦理讨论越来越细致，尤其是在欧盟、东亚等地区，这直接影响“你能做什么、多久上线”。
站在我这个一线“制造人工智能”的人的视角，反而更清晰了一点：
我们并没有在制造一个神，而是在一点点制造可以合作的“工具人格”。
它可以帮你写代码、撰写报告、审查合同、分析数据，但它不是决策者。它像一个始终在线、反应极快但有时会固执的同事，需要你给清楚边界，也需要你愿意在它犯错时教它一遍。
如果你打算在自己的公司、团队或职业生涯里，认真地踏进“制造人工智能”这件事，也许可以先记住三句话：
- 不要被神话吓住，行业内的人每天也在被 bug 和数据折磨；
- 不要只盯着技术名词，真正决定成败的是你想解决的业务问题；
- 不要把它当敌人，也不要当救世主，把它当成一个有潜力但还不成熟的同事，培养它、利用它，也管住它。
这，大概就是我这几年在一线“制造人工智能”的全部底色。
