沃顿教授发文：数据主权趋势将撞上小模型微调的高成本墙

沃顿商学院副教授 Ethan Mollick 近日在 X 上发文指出，当前企业在 AI 部署中日益强烈的「数据主权」诉求，很可能将与一项现实挑战正面碰撞：在 AI 能力仍呈指数级增长的背景下，持续维护一套经过微调的小模型，使其稳定跑赢不断进化的大模型，既昂贵又困难。

Mollick 的核心观点

Mollick 的论述可拆解为三层：

• 趋势一：数据主权诉求上升。 出于合规、隐私、客户协议等考量，越来越多的企业希望将模型与数据留在自有环境内，避免将敏感信息送往第三方大模型服务商。
• 趋势二：对应手段是自建或微调小模型。 为了在自有环境中获得可用的 AI 能力，企业通常倾向于部署参数规模较小的模型，并基于自身数据做微调。
• 矛盾点：能力差距难以稳定维持。 当前大模型仍处于快速迭代期，通用能力持续上涨。企业在某个时间点微调出的小模型即便暂时领先，也很快会被新一代基础模型追平甚至反超，需要反复投入再训练、评估和部署。

这一观察的行业含义

Mollick 并没有给出具体数据或案例，其论述更接近一种结构性预判，但它确实触及了 AI 落地中的一个真实张力：

• 成本结构。 持续微调、再训练、构建评测流水线需要专门的 ML 团队和算力预算，对中小型企业并不友好。
• 节奏问题。 大模型厂商的版本迭代节奏通常以月计，而企业内部模型更新周期往往以季度甚至年计，时间差会导致能力落后。
• 替代路径。 部分企业开始转向 RAG、提示工程或在受控 API 环境中使用大模型，以兼顾数据主权与能力前沿，但这些方式各有取舍。

信源与限度

需要说明的是，Mollick 的这段内容仅为一条 X 上的简短观点，并非论文、报告或厂商一手披露。它反映的是一位长期关注生成式 AI 在企业中落地的学者的直觉判断，而非系统性的实证结论。因此其参考价值更多在于提供思考框架，而非作为决策依据。对于正在评估「自建小模型 vs 调用大模型」路径的团队，这一视角值得纳入讨论，但具体取舍仍需结合自身的合规要求、数据规模和工程能力来定。