1. 首頁 > 生活百科 > >

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

蘋果朋友圈ai阿里巴巴

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片

林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設

文章圖片



「按照原來安排繼續干」離職的消息最沸沸揚揚的時候 ， 在 Qwen 團隊的核心負責人林俊旸在朋友圈發了兩句話：
「Qwen 的兄弟們 ， 按照原來安排繼續干 ， 沒問題的 。 」
「安排好的」？這是什么？
林俊旸離開前夕 ， Qwen 團隊剛剛發布了一件被全球開發者社區刷屏的東西 。 Qwen 3.5 Small 系列 ， 參數量從 0.8B 到 9B ， 專為端側設備設計 ， 可以在普通筆記本電腦上運行 。
不是一個更大的模型——而是一組更小的模型 。 要知道 ， 過去三年里 ， AI 行業最強大的共識是「越大越好」 。 OpenAI 的 Sam Altman 四處籌措萬億美金建設算力基礎設施 ， 各家實驗室軍備競賽般地燒錢燒卡 ， 底層假設只有一個：模型越大 ， 就越聰明 。
這套邏輯被稱為 Scaling Law ， 它不僅僅是一條技術規律 ， 更像一種信仰——整個行業的融資敘事、人才分配、硬件投資都建立在這個前提之上 。
但 Qwen 3.5 Small 的發布 ， 和林俊旸的離開 ， 同時發生 。 一個技術信號和一個人事信號 ， 交織出一個更復雜的故事：小模型到底在發生什么？它為什么重要？

當 9B 打贏 120B即便不是開發者 ， 也可以跑分上一窺 Qwen 3.5 的戰績：
Qwen 3.5 Small 系列中 ， 9B 參數的模型在多項基準測試中全面超越了 OpenAI 的 gpt-oss-120B——一個參數量是它 13 倍的模型 。
這些不是邊緣指標上的微弱優勢 ， 而是在核心推理任務上的系統性領先 。 一個可以裝進筆記本的模型 ， 在數學、科學、視覺推理上全面擊敗了一個需要數據中心級硬件才能運行的對手 。
當然了 ， 摸著良心說 ， gpt-oss-120B 不是 OpenAI 的旗艦產品 ， 而是其開放權重的中端線 。 而且它采用 MoE 架構 ， 標稱 120B 參數 ， 但每個 token 實際只激活約 5.1B 參數——所以參數量的對比 ， 在工程層面并不像字面數字那么懸殊 。
但這不影響趨勢本身的成立 。 因為 Qwen 3.5 Small 并不是孤例 。
同一時期 ， Nature 報道了一個微型遞歸模型（TRM） ， 在 ARC-AGI 邏輯測試中擊敗了多個頂級大語言模型 。 Google Research 在 2026 年初發表論文 ， 證明小模型在意圖提取任務上的表現優于顯著更大的模型 。 PNAS 上的一項研究更直接——模型規模與說服力之間呈急劇遞減收益 ， 大到一定程度之后 ， 更大幾乎不帶來更好 。
《華爾街日報》早在 2025 年 10 月就已經敢說 ， 「大模型拿走了所有的關注 ， 但小模型才真正干活的那個 。 」
這些信號共同指向一個判斷：以小博大不是偶發事件 ， 而是大勢所趨 。
那么問題來了——小模型憑什么？

才不是大模型的替身文學直覺上 ， 人們容易把小模型理解為「大模型的平替」 ， 同樣的方法 ， 只是規模小一些 ， 性能差一點 ， 勝在便宜 。
但事實恰恰相反：今天的小模型之所以能以小博大 ， 是因為它們在技術方法論上 ， 走了一條和大模型完全不同的路 。
第一 ， 數據質量壓倒數據規模 。大模型的路線是「盡可能多地吞入互聯網數據」 ， 而小模型路線的代表——比如微軟的 Phi-4 系列——走的是精篩路線：用高質量的合成數據加上嚴格篩選的公開數據集 ， 讓模型在更少的數據上學到更精確的能力 。 這背后的邏輯轉變是根本性的：不是「喂得越多越聰明」 ， 而是「吃得精才學得好」 。
第二 ， 原生多模態設計取代了適配器拼接 。傳統做法是先訓練一個純文本大模型 ， 再通過適配器模塊接入圖像、視頻、音頻等能力 。 Qwen 3.5 采用了完全不同的架構：將視覺 token 和文本 token 在同一個潛空間中聯合訓練 ， 從底層就是多模態的 。 這意味著它是一個天生就同時理解文字和圖像的模型 。 這種架構在小參數量下反而更有優勢 ， 因為不需要額外的適配器開銷 。
第三 ， 量化技術帶來的不只是壓縮 。4-bit 量化常常被理解為「把模型壓小 4 倍以節省存儲」 ， 但它真正的意義在于減少 4 倍的內存吞吐量 。 在端側設備上 ， 瓶頸往往不是存儲空間 ， 而是內存帶寬 ， 也就是數據從內存搬運到處理器的速度 。 量化技術讓小模型在帶寬受限的手機和筆記本上 ， 獲得了決定性的速度優勢 。
這些方法論上的突破已經開始轉化為產品 。 3 月第一周 ， 蘋果發布了 M5 全線芯片 ， 每顆 GPU 核心內置 Neural Accelerator ， AI 性能較 M1 提升最高 8 倍 。 與此同時 ， 蘋果研究院公開了 Ferret-UI Lite——一個僅 3B 參數的端側 GUI 代理 ， 可以本地操控手機和桌面應用 。 加上 Apple Intelligence 約 3B 參數的端側基礎模型 ， 蘋果正在將「on-device AI」從概念推進到芯片、模型、交互三位一體的產品形態 。
微軟的 Phi-4 multimodal 也開始嘗試商用上線 Azure ， 3.8B 參數 ， 接受文本、音頻和圖像輸入 。 開源社區的反饋更加直接——Reddit 上的開發者實測后認為 Qwen 3.5 的 4B 版本是「甜點級」模型：跨任務穩定、無崩潰、遠快于 9B 版本 。
技術路線已經被驗證 ， 產品化拐點已經到來 ， 天邊泛起魚肚白 ， 曙光乍現 。
而就在此刻 ， 林俊旸選擇離開 。

最會做小模型的公司 ， 最沒有動力讓它成功Qwen 3.5 Small 在發布后獲得了開發者社區的廣泛認可 ， 開源社區的評測結果甚至超出了官方發布時的宣傳 。
但是 ， 他所在的公司是阿里巴巴 ， 阿里巴巴的商業引擎是阿里云 。
大模型和云計算之間存在天然的正向循環：模型越大 ， 推理所需的算力越多 ， 客戶就越需要購買云計算服務 。 對阿里云來說 ， 大模型是完美的商業敘事——它同時推高了客戶的算力需求和對云平臺的依賴 。
而小模型的邏輯恰恰相反 。 小模型的核心價值在于可以在端側設備上運行——手機、筆記本、邊緣服務器 。 這意味著客戶可以繞開云 ， 在本地完成推理 。 對用戶來說 ， 這意味著更低的成本、更好的隱私和更低的延遲 。 但對阿里云來說 ， 這意味著收入被侵蝕 。
Qwen 3.5 Small 做得越好 ， 對阿里云的商業敘事就越尷尬 。
這不是阿里一家的問題 。 放眼中國的科技巨頭 ， 幾乎所有 AI 領先的公司都面臨同樣的結構性矛盾 。 百度和騰訊的處境與阿里類似——商業模式建立在云服務和平臺抽成之上 ， 小模型的端側化趨勢直接削弱了它們的價值主張 。
字節跳動的豆包手機是一個有趣的例外 ， 但字節做硬件才剛起步 ， 遠沒有建立起「芯片+操作系統+模型」的垂直整合能力 。
華為理論上最有條件 ， 既有芯片 ， 又有終端設備 。 但在制裁的影響下 ， 它的算力上限本身就逼著它走小模型路線 ， 這更多是被動的求生策略 ， 而非主動的戰略選擇 。 至于小米、OPPO、vivo ， 它們有設備 ， 卻不是 AI-first 的公司 ， 缺乏自研模型的基因和持續投入的動力 。
全球范圍內 ， 真正打通端側 AI 全棧的公司 ， 可能只有一家：蘋果 。 芯片、設備、操作系統、自研模型 ， 全部自有 。 蘋果的動力來自復合型的商業模式 ， 這驅動它把一切計算盡可能留在設備上 ， 因為每一次端側 AI 體驗的提升 ， 都會轉化為硬件的溢價和生態的黏性 。
不過 ， 這里需要誠實地處理一個可能的反駁：云廠商難道不能走「端云協同」的路線嗎？用小模型做端側入口 ， 復雜的推理任務回調云端處理 ， 兩邊都不耽誤 。
理論上可以 。 但這恰恰說明了問題——在端云協同的框架下 ， 小模型對云廠商來說是「引流工具」 ， 而不是「獨立產品」 。 云廠商沒有動力把小模型做到好到不需要云 。
還有一個繞不開的反例：微軟也是云廠商 ， 但它在認真做 Phi-4 系列小模型 ， 而且已經商用上線 。 這是否說明「左右互搏」的論點站不住腳？
非也 。 微軟之所以能兩條腿走路 ， 是因為它同時擁有 Windows 和 Surface 的硬件生態、Azure 的云平臺以及 Copilot 的端側產品線 。 做 Phi-4 對微軟來說是防御性布局：如果端側 AI 的趨勢不可逆轉 ， 為了大局 ， 寧可壯士斷腕 ， 自折一臂 ， 也不能把端側市場拱手讓給開源社區和蘋果 。
但阿里沒有這個選項——沒有消費級操作系統、沒有主流終端硬件、沒有面向個人用戶的 AI 產品矩陣 。 Qwen 做得再好 ， 也沒有自家的「最后一公里」可以落地 。
動力不同 ， 產品的天花板就不同 。
這就形成了一個令人不安的畫面： 小模型從實驗室走向產品的真正瓶頸 ， 不是技術能力 ， 而是供需錯位；最擅長做小模型的公司（云廠商） ， 最沒有動力讓它真正成功；最需要小模型的公司（設備廠商） ， 又缺乏獨立研發的能力 。

「沒問題的」回到林俊旸的那條朋友圈 ， 「繼續按照安排好的干 ， 沒問題的」 。
也許技術路線確實沒有問題 ， 一切都在朝著正確的方向走 。 但在一家以云為重的公司里 ， 就算做出世界級的小模型 ， 團隊的處境注定不會舒適 。
這不是對阿里的批評——任何一家以云收入為生命線的公司 ， 面對一項可能侵蝕自身收入的技術路線 ， 都會陷入同樣的兩難 。 這是一個結構性矛盾 ， 不是個人或管理層的選擇問題 。
比人事更值得關注的 ， 是 Scaling Law 本身正在發生的變化 。
過去三年 ， 「越大越好」不僅僅是一條技術規律 ， 它是整個 AI 行業的信條 。 融資敘事圍繞它建立——投資人相信更大的模型意味著更強的能力 ， 所以萬億美金涌向算力基礎設施 。 人才分配圍繞它運轉——最頂尖的研究者被吸引到訓練最大模型的團隊 。 硬件投資圍繞它定價——英偉達的估值建立在一個前提之上：對算力的需求會永遠增長 。
現在 ， 這個前提正在松動 。 MIT 的研究估計 ， 效率提升將使中等硬件上的模型在 5 到 10 年內逐步追平最大最貴的模型 。 芝加哥大學的研究表示 ， 數據質量正在取代數據規模成為核心競爭維度 。
產品化的方向不再只有云端 ， 而是同時向端側擴散 。 Scaling Law 正在從一條單調遞增的曲線 ， 變成一張需要在多個維度上尋找最優解的地圖 。
不再是「越大越好」 ， 而是「在對的地方 ， 用對的大小」 。
林俊旸大概比大多數人更早地感受到了這個變化 。 他用 Qwen 3.5 Small 證明了一件事：在對的方法論下 ， 9B 參數可以擊敗 120B 。 但他同時也撞上了另一堵墻——技術上的正確 ， 不等于商業上的可行 ， 更不等于組織上的舒適 。
他說 ， 沒問題的 。 確實 ， 技術路線已經鋪好了 ， 而剩下的問題不在實驗室里 ， 而在實驗室外面 。
#歡迎關注愛范兒官方微信公眾號：愛范兒（微信號：ifanr） ， 更多精彩內容第一時間為您奉上 。
【林俊旸離開的48小時：一條朋友圈、一個小模型、和一個萬億美金的假設】愛范兒|原文鏈接· ·新浪微博

    推薦閱讀