关于人工智能最大的商业决策，为何不是选择哪个模型

您收到了来自人工智能服务提供商的邮件。您的企业已集成到应用程序中的模型即将停用。替代模型即将推出，并且有足够的时间进行迁移。

这一切听起来似乎是例行公事。

接着，您的团队开始提出问题：替代模型会产生相同的结果吗？成本会更高吗？围绕旧模型构建的应用程序是否仍能按预期工作？在迁移截止日期前需要进行多少测试？

这就是人工智能热潮中不那么光鲜的一面。每个人都在讨论选择哪个人工智能模型，仿佛这才是最难的部分。但实际上，更换模型可能比选择模型更具挑战性。

在整个亚太地区，越来越多的公司开始在内部部署人工智能。在全球范围内，F5公司的《2026年应用策略状态报告》发现，78%的组织现在于内部运行人工智能推理。换言之，他们现在在自己的硬件或私有云基础设施上运行人工智能模型。

然而，将推理能力部署在内部并不能解决前面提到的模型切换问题，反而会使问题变得更复杂。当企业在内部托管并运行其模型时，一旦其中一个模型需要更换，企业也必须承担由此产生的全部责任。

不妨考虑一下其规模。如今，一个普通机构在生产或活跃评估中平均运行着七个人工智能模型，每个模型都负责将请求（例如总结文档或回答客户咨询）转化为响应。

有三大力量正在推动这一内部部署的转变。

成本是驱动因素之一，因为按使用量计费的第三方托管服务越来越难以预测。数据主权是另一个因素，因为监管机构正在收紧对信息处理地点的规定。最后，地缘政治的不确定性如今在影响技术决策方面的作用，不亚于其对贸易决策的影响。

不同任务需要不同模型

将推理能力部署在内部，并不意味着偏爱某一个模型。没有哪个单一模型能适用于所有任务：常规查询可能适合较小的模型，复杂问题需要更强大的模型，而敏感数据则需要本地托管的模型。

以一家在区域内运营的银行为例。它可能会使用一个轻量级模型处理常规的英文贷款申请，使用另一个针对印尼语或华语进行优化的模型，并保留第三个本地托管的模型，专门处理任何涉及客户财务记录的事务。三个任务，三种模型，三套截然不同的要求。

对于亚太地区的企业而言，这种灵活性至关重要。语言性能、法规、数据要求和成本可能因市场而异，从而影响哪种模型能发挥最佳效果。

规模化后，选择变得更加困难

当只有少数几个人工智能试点项目时，管理这种混合模型组合还算简单。但当人工智能普及到数十个甚至数百个应用程序时，管理难度就会大大增加。

届时，这些系统可能已在后台悄然运行，支持着处理客户投诉的聊天机器人、候选人筛选工具或标记可疑交易的系统。

许多组织将选定的模型直接构建到应用程序中，因此更换模型就意味着要重建应用程序。在规模化的情况下，听起来简单的模型更换，会演变成一个涉及数十个应用程序的开发项目，每个应用都需要更新和测试。

模型本身也会发生变化，因为可能会出现更便宜或功能更强大的选择，首选模型可能不再可用，或者法规对信息处理地点的要求发生改变。

最初的技术选择，后来会演变成业务上的制约。

集中化规则，而非模型

随着企业使用越来越多的模型，它们需要制定一致的规则，来规定数据可以传输到何处、可以使用哪些模型以及如何监控模型的使用情况。

一致性并不意味着将所有人工智能模型都放在同一个云或数据中心。模型可以运行在不同的地方，但管理它们的规则应该是集中化的，例如将常规任务导向成本较低的模型，并将敏感信息保留在经批准的环境中。

应用程序应使用最适合任务的模型，而无需每次都重新设计，同时企业也不会失去对成本、数据或风险的控制。

企业需要一个控制层，使其能够在不重写应用程序本身的情况下，更换应用程序底层的模型。

早期值得提出的问题很简单：这项任务究竟需要哪个模型？数据允许传输到哪里？如果明天我们需要更换模型会怎么样？

为下一个模型而构建

企业领导者无法预知哪个人工智能模型会脱颖而出。他们的首要任务应该是为变化做好准备，以便在出现更好、更便宜或更合适的模型时，能够在不中断业务的情况下加以采用。

随着当今的首选模型被新模型所取代，这种灵活性将变得更有价值。那些最能适应变化的企业，将是那些为自己保留了未来做出不同选择的自由的企业。

问问您的技术团队：如果我们的人工智能模型明天更换了，有多少应用程序需要重建？如果得到的坦诚回答是“我们不知道”，那这才是需要关注的真正问题。

（作者是 F5 公司亚太、中国和日本区首席技术官）