---
title: "从"堆参数"到"组网络"：协作式 AI（Model over Models）范式对产业的影响与思考"
date: 2026-09-13
description: "基于世界人工智能大会杨红霞、陈海青、吴建民独家观点，深度拆解从 Model over Data 到 Model over Models 的范式转变：95%对65%专用小模型跑赢通用大模型的内在逻辑，FP8低比特训练、模型融合、Agent原生操作系统、Co-GenAI协作平台四大基石的产业含义，以及数据质量、精度损失、安全治理等批判性反思。"
tags: ["协作式AI", "Model over Models", "专用小模型", "FP8低比特训练", "模型融合", "Agent-Native OS", "Co-GenAI", "人工智能产业"]
schema_type: Article
---

> 作者：前沿人工智能探索者
> 发布日期：2026-09-13
> 数据说明：本文基于 2026 世界人工智能大会官方公众号（WAIC）刊发的杨红霞、陈海青、吴建民独家观点（2026-09-13），并对其关键论断进行了外部事实交叉验证；文中"95%对65%"等数据为嘉宾自述口径，部分技术参数以 InfiMed 公开技术报告合理推断，读者引用时应注意原始语境。

## 一、引言：当"Scaling Law"的边际收益开始递减

如果你正在为算力预算发愁、为数据合规反复拉扯，或是发现通用大模型始终啃不动自己所在的垂直场景——来自香港理工大学杨红霞团队的一番判断，或许正是你在寻找的答案。

过去几年，AI 行业默认了一条"真理"：算力越大越强，Scaling Law 是通往 AGI 的唯一路径。但杨红霞、陈海青、吴建民三位嘉宾在 WAIC 上的独家观点提出了一个反向命题：

> **大模型的未来不在"更大"，而在"更协作"。**

支撑这一判断的理由有三：其一，训练成本极度高昂，动辄百万级 GPU Hours，形成难以跨越的算力门槛；其二，医疗、金融、制造等高价值行业数据因隐私合规无法集中到统一平台训练；其三，通用模型知识虽广，却进不去需要专业判断的垂直场景。当成本、数据、专业知识同时成为瓶颈，"把所有数据集中起来再训练一个更大模型"的路线，已经难以覆盖千行百业。

他们的答案是 **"Model over Models（MoM）"**：不同机构保留自己的数据与模型，通过连接、融合与协作，形成持续演化的能力网络。这个判断是否成立、能否落地、风险几何，值得一探究竟。

## 二、最有力的证据：95% 对 65%，专用小模型凭什么跑赢

三位嘉宾给出的一个佐证极具冲击力：团队自研的 InfiMed 模型基于医院本地病理数据训练，在某项癌症诊断任务中准确率达 **95%**，而通用大模型（Gemini 系列）在同一任务上约为 **65%**。

一个体量小得多的专用模型，为什么比参数量领先的通用大模型更懂行业？拆开看，原因有三：

1. **数据资产的私有壁垒**。通用大模型无法触达医院内部的病理数据；而专用模型基于本地真实数据训练，天然贴着任务分布。
2. **任务边界极窄**。诊断任务高度标准化、结果可评测，专用模型把全部容量押注在单一能力上，而通用模型把容量分散在数千种能力上。
3. **评测驱动的定向优化**。围绕明确指标（准确率/召回率）做闭环强化，比"堆参数"更经济地逼近任务上界。

这一逻辑对任何垂直行业都成立。**它揭示的核心事实是：AI 能力的高地不一定在"参数规模"，而在"数据触达 + 任务聚焦"的组合**。当通用模型的边际收益递减，细分场景的深耕者反而可能跑赢巨头。

## 三、范式内核拆解：从 MoD 到 MoM 意味着什么

"Model over Data（MoD）"是过去十年的训练范式——数据越多越好、模型越大越好。杨红霞团队提出的 **MoM 协作范式**，本质上是把"集中式生产"替换为"分布式协作"：

- **MoD**：把全部数据搬进一个中心的训练集群 → 产出一个巨型模型 → 分发到所有人。
- **MoM**：各方保留自己的数据与模型 → 通过接口相互连接、融合、校准 → 形成一张持续演化的能力网络。

如果说 MoD 是"工业时代的标准品制造"，MoM 更像是"开源社区的协作开发"——**前者比拼产能，后者比拼治理与连接能力**。协作式 AI 的价值，不在某一次训练，而在长期演化的网络效应。

## 四、四大基石：协作式 AI 如何"落地生根"

要让"协作"从理念变成工程，团队给出了四大技术支柱。逐一看它们解决了什么问题。

### 基石一：FP8 低比特训练——把算力门槛"砍半"

"FP8 相比 FP16/BF16，相当于把大模型训练的'油耗'直接砍半——同样的 GPU 能训练更大的模型、更快完成训练，还能显著降低电费和算力成本。"

据嘉宾口径，相比 BF16 训练，相同算力下实现了约 **43% 的训练加速**，且显著降低显存占用，使更低成本的 GPU 也能支撑大模型训练。从 FP8 走向 FP4，训练能力有望从大型数据中心下沉到本地服务器、边缘设备与更多低成本硬件。

**意义**：只有算力门槛真正下降，"分散在不同机构中的数据与专业知识"才可能进入协作网络。低比特训练不是简单的工程优化，而是**协作范式得以成立的"入场券"**。

### 基石二：模型融合——已有模型不必推倒重来

行业默认"模型是训出来的，越大越好"。模型融合则提供另一条路径：已有模型不必推倒重来，而是通过知识对齐、融合与校准，将数学、代码、推理、领域知识聚拢到同一个模型中。

团队搭建的自动化训练流水线包括三个阶段：先对输入输出信息压缩优化，减少传输与计算开销；再对不同模型的知识做对齐与融合，提升跨领域泛化；最后用融合后的 fused 模型作为"老师模型"，让学生模型学习能力更强、更符合真实场景与人类偏好。

**意义**：这条路线用更少的 GPU 小时实现更好的训练效果，让大模型训练从"只有少数超级算力中心能做"，逐步走向"更多企业都能参与"。

### 基石三：Agent 原生操作系统——操作系统从"让应用运行"到"让智能体完成任务"

传统 OS 负责"让应用运行"，而 Agent-Native OS 让智能体直接面向任务——主动整合底层硬件、工具、数据、协议与服务能力，自主拆解目标、规划步骤并执行。

其核心是 **"动作—观察—反馈"闭环**：大模型拆解目标、调度规划，调用浏览器、终端、数据库等功能模块；环境返回状态、错误与约束；验证器、监控器与人类反馈转化为纠偏信号；通过 memory 和 skills 将运行轨迹压缩为可复用经验。

在这一架构下，传统 OS 的每一层都在被重定义：**调度器不只分配 CPU 时间，还分配上下文窗口、工具额度、子 Agent 与成本预算；长程任务像进程一样持续运行；文件系统扩展为知识、记忆与技能库；网络层从连接设备演化为连接 API、工具协议与 Agent 间协作协议。**

**意义**：Agent 由此从"调用单一应用的工具使用者"，变成组织多种资源协同完成任务的"操作系统本身"——操作系统本身正在被重写。这是标杆从"模型能力竞赛"转向"执行体系竞赛"的重要信号。

### 基石四：Co-GenAI 协作平台——把实验室能力变成产业"新基建"

低精度训练降低算力门槛，模型融合连接分散知识，Agent-Native OS 组织行动链——但三项技术要真正走向产业，还需要一个承载全流程的平台。团队搭建的 **InfiXspeed Co-GenAI 协作平台**覆盖数据处理、模型训练、评测调优、推理部署及业务集成全流程。

其差异化的核心在于：深度适配 FP8 低精度训练范式，形成成熟的低成本规模化训练方案；同时支持不同领域、不同精度模型的兼容适配与协同推理，实现能力互补。**传统平台只能训练"一个模型"，Co-GenAI 平台可以协作"一群模型"**——为分布式模型共建、全域智能协同提供核心支撑。

**意义**：平台化的价值在于把"协作"变成一个可上手的公共品，而非少数研究机构的特权。

## 五、批判性反思：协作范式的三个"隐含前提"与风险敞口

任何新范式在热情之外都需要冷却审视。协作式 AI 至少有四个容易被忽略的隐含前提，也是产业落地时必须正视的风险敞口：

**1. 数据维度：协作不等于"数据可共享"。** MoM 的连接发生在模型层而非数据层，这缓解了隐私合规问题——但跨机构"模型知识对齐"本身仍可能逆向泄露训练分布特征（模型反演攻击）。对医疗、金融等高敏行业，协作框架必须内置"差分隐私/加密计算"的边界设计，否则协作本身会成为新的数据泄露通道。

**2. 精度维度：低比特的"代价"被低估了。** FP8/FP4 在训练加速的同时引入量化误差。对容错率极低的场景（如诊断、风控、定价），43% 的训练加速换来的是可解释性与精度的损耗——"算得快"与"算得准"存在权衡，验收标准必须前置，而非上线后补救。

**3. 治理维度：能力网络的责任归属更复杂。** 当一个由多个机构模型拼接成的融合模型出错，责任归"老师模型"、参与对齐的模型，还是调度平台？协作网络越大，追责链条越长。**分布式能力必须以集中化治理对冲**，否则"协作"会退化为"责任稀释"。

**4. 安全维度：Agent 原生操作系统的攻击面。** 当 OS 层直接调度浏览器、终端、数据库与成本预算，prompt 注入、工具滥用、越权调用就不再是"模型层面的小问题"，而是**系统级安全漏洞**。Agent 能自主执行任务，意味着系统管理员必须把"权限最小化 + 行为留痕 + 关键动作人工授权"从模型层下沉到操作系统层。

## 六、产业落地：什么样的组织最适合吃这块"蛋糕"

结合四大基石与上述风险，协作范式对不同组织的适配度并不相同：

| 组织类型 | 协作范式的机会 | 主要挑战 |
|---|---|---|
| 拥有高敏私有数据的机构（医院、银行、制造） | 数据不出域，本地训练专用模型，95%胜65%的场景 | 算力、AI 人才、量化验收能力 |
| 中小型科技企业 | 借力低比特+融合，以低门槛入局 | 模型治理与安全投入 |
| 行业云/算力提供方 | 提供 Co-GenAI 协作平台，卡位"新基建" | 跨机构信任、合规框架 |
| 监管与标准组织 | 制定协作网络的互操作与责任标准 | 技术快速迭代下的滞后 |

**最可能的早期赢家**：既握有高价值私有数据、又具备合规意愿的垂直机构，与能把这些机构"连接起来"的平台运营方。**协作范式的稀缺资源，正在从"算力"让位于"数据触达 + 治理能力"。**

## 七、对我国产业的启示与建议

1. **把"数据不出域"从合规约束转化为竞争优势**。谁能在本地数据上训练出更精准的专用模型，谁就拥有了通用厂商无法复制的护城河。
2. **低比特训练按场景分级采用**。对容错敏感场景采用"高精度底座 + 低比特微调"混合策略，验收标准前置。
3. **平台化布局要趁早**。协作网络的先发优势强，行业平台应尽早确定互操作协议与治理规则，避免未来各自为战。
4. **治理框架与开源对齐**。在分布式模型协作中同步沉淀原创的安全评估、责任界定与追责机制，形成"中国方案"。
5. **警惕"协作叙事"被滥用为低成本包装**。无论范式如何演进，"数据质量、可解释、可追责、可补救"始终是 AI 治理的不变底线。

## 八、结语

杨红霞团队的观点价值，不在于预言"通用大模型已死"，而在于指出一个正在发生的事实：**AI 竞争的下半场，增量不在"更大的模型"，而在"更聪明的协作"。** 95% 对 65% 的案例说明，当算力与数据的边际收益递减时，深耕垂直场景、手握私有数据的机构，正迎来属于它们的窗口期。

协作式 AI 的四大基石——FP8 低比特、模型融合、Agent 原生操作系统、Co-GenAI 平台——共同描绘了一幅"分布式生产、网络化演进"的图景。而它与任何范式革命一样，都将在"算得快"与"算得准"、"协作"与"责任"、"开放"与"安全"之间，接受长期检验。

**对产业而言，真正的分水岭不是"能不能用上协作范式"，而是"能不能在协作中守住数据、精度、责任与安全四条底线"。守住者，将在下一轮竞赛中赢取超额回报。**

*参考与数据来源：世界人工智能大会官方公众号《WAIC UP!》杨红霞&陈海青&吴建民独家观点（2026-09-13）；InfiX.ai 官方公开资料；InfiMed 系列技术报告；领域公开评测基线。部分数据为嘉宾访谈口径，引用前请核实原始语境。*