「模型疲勞」蔓延:AI實驗室幾乎每週發布新版本

2026年9月初的一週內,全球四大人工智慧實驗室相繼發布新模型。Anthropic推出了Claude Fable 5.1與Claude Mythos 5.1。Meta發布了Muse Spark 1.3。Google推出了Gemini 3.8 Flash。OpenAI隨後發布GPT-6 Astra,該公司表示這款模型專注於網路安全與電腦操作能力,是「多年研究與重大投注」的成果。同一週,位於阿布達比的穆罕默德·賓·扎耶德人工智慧大學也將自家的K2 Horizon系列模型加入開源陣營,晶片製造商輝達(Nvidia)同意以129億美元收購開源平台Hugging Face。根據接受CNBC採訪的高階主管與研究人員表示,這一切催生出一種他們稱之為「模型疲勞」的現象:一種在打造這些系統的工程師,以及必須在其中做出抉擇的企業買家之間持續蔓延的倦怠感。

實驗室為何不肯放慢腳步

聖母大學門多薩商學院教授、投入人工智慧研究25年的阿邁德·阿巴西表示,這種發布扎堆並非巧合。他說,各大開發商「都在爭奪客戶預算的份額」,競相提醒客戶與開發者,自己的創新速度至少不輸對手。Anthropic與OpenAI皆被私人投資者估值近兆美元,兩者在邁向未來可能上市之際格外積極衝刺。OpenAI執行長山姆·奧特曼告訴CNBC,「我們都在轉向更快的節奏」,並將部分加速歸因於團隊結束暑假返回崗位。

龐大的財務利益解釋了這種急迫感。Gartner預測,2026年全球人工智慧支出將達到2.59兆美元,較2025年成長47%,其中逾1兆美元將流向服務、軟體、資安、模型及其他工具,而非單純的基礎建設。任何一個模型系列一旦在發布節奏上落後,就有可能將部分預算拱手讓給願意更快發布的對手——儘管正如AI金融新創公司Farsight技術長諾亞·法羅所指出的,本週大多數發布其實都是「小版本更新」,是既有模型的升級,而非全新創作。法羅表示,真正帶來實質突破的最近兩次發布,分別是Anthropic六月發布的Fable 5,以及Moonshot AI七月發布的Kimi K3。

我覺得模型疲勞是真實存在的。別誤會,我對眼前發生的這一切創新感到非常興奮,但我確實認為,我們所處的環境太過喧囂浮躁,每個人都得製造聲量才能被看見。

讓工程師與買家都疲於奔命的跑步機

這種節奏在數據中清晰可見。根據Crypto Briefing的分析,整個產業頂尖模型重大發布之間的中位間隔,已從2023年的37.5天壓縮到2026年迄今僅11天。OpenAI自身的發布節奏也訴說著類似的故事:其模型發布間隔的中位數從2023年的170.5天降至今年的49天。中國實驗室進一步加劇了這股壓力——Moonshot AI擁有2.8兆參數的Kimi K3模型,已經以約六分之一的部署成本,達到與封閉式專有系統相當的效能水準,而在輝達收購Hugging Face之前的2026年春季,中國模型已占該平台下載量的41%。

Gartner分析師在2026年6月便指出了這項深層問題:「能力趨同」——新一代頂尖模型在標準基準測試中的得分愈來愈接近,幾乎讓搶先發布的優勢瞬間消失。這種代價在人員層面也已顯現。2026年7月,各大人工智慧實驗室逾1000名員工聯署請願,呼籲採取更為節制的開發步調,理由是基準測試已趨於飽和,留給文件撰寫與安全測試的時間也不斷被壓縮。

• 頂尖模型重大發布的中位間隔:2023年為37.5天,2026年迄今為11天
• OpenAI自身的發布節奏:2023年間隔170.5天,2026年縮短至49天
• Gartner預測2026年全球人工智慧支出:2.59兆美元,較2025年成長47%
• 2026年春季Hugging Face下載量中,中國開源模型所占份額:41%
• 2026年7月聯署請願、要求放慢發布節奏的AI實驗室員工人數:逾1000人

這種消耗直接落在企業IT團隊身上。企業級人工智慧新創公司Clockwork Systems執行長蘇雷什·瓦蘇德萬表示:「要把現在發布的每一款模型都評估一遍,真的非常困難。」他說,如果公司想為某項任務測試十款候選模型,可能乾脆只選五款,放棄其餘的——並非因為其餘模型較差,而是根本沒有時間一一查核。「每一次發布都好到很難分辨出真正的質變了,」瓦蘇德萬補充道。

對必須選擇模型的企業意味著什麼

對於必須決定押注哪款人工智慧模型的台灣企業而言,模型疲勞把一個技術選擇變成了不斷移動的目標——尤其是在美國實驗室與中國開源陣營同時快速迭代的當下。把產品路線圖鎖死在單一供應商的某一款模型上,幾個月後就可能面臨昂貴的重寫:屆時或許有競爭對手推出明顯更強的產品,或是供應商本身已經淘汰了目前使用的版本。企業買家間正在形成的因應之道,呼應了瓦蘇德萬的說法以及Gartner關於「能力趨同」的判斷,就是不再把底層模型本身當作可長期依賴的資產:愈來愈多企業轉而搭建一層抽象層——一種能在不重寫應用程式碼的前提下切換模型的路由或編排層,讓更快或更便宜的模型可以按季更新採用,而不必觸發一次徹底的架構重整。對於仍在挑選首個主力模型的台灣企業而言,這還疊加了跨太平洋供應商依賴的額外考量:把轉換成本與供應商鎖定的權重,看得和本週的基準測試分數同樣重要,因為今天占據頭條的模型,很可能在十一天內就再度落後於新一輪的小改版。