Databricks首席科学家：别急着造新模型，企业AI更难的选择题在这里

Databricks 首席 AI 科学家 Jonathan Frankle 结合 Mosaic 与 Databricks 服务 1.2 万家企业的经验，系统讲清了一个被严重低估的问题：企业到底该预训练、微调，还是只做提示工程？他还分享了对新模型架构、Anthropic“计算机使用”、以及 AI 在医疗和自动驾驶中如何被社会接受的真实看法。

为什么“要不要自己训模型”是企业AI的第一道坎

对大多数企业来说，是否要训练自己的模型，远比“选哪个大模型”更关键。Jonathan Frankle 在对话一开始就点出了一个现实背景：Databricks 目前服务着大约 12，000 家客户，而真正从头训练模型的公司，其实是极少数。

他的核心判断非常克制：多数企业低估了模型训练的复杂度，也高估了它带来的边际收益。基于他在 Mosaic 和 Databricks 的实践经验，企业通常会在三种路径中犹豫——直接用基础模型做提示工程、在现有模型上微调，或者完全预训练一个自有模型。

Jonathan 强调，这不是“技术先进性”的问题，而是“投入产出比”的问题。他在节目中直言，很多场景下企业真正需要的是“a better cost quality tradeoff（更好的成本—质量权衡）”，而不是一个参数更多、但并不能显著提升业务指标的模型。

这也是为什么 Databricks 内部在与客户共创方案时，往往会先从最轻量的方式入手：如果提示工程能解决问题，就没必要微调；如果微调足够，就不必预训练。这种自下而上的决策顺序，几乎成为他们服务企业 AI 的默认方法论。

从 Mosaic 到 Databricks：哪些场景“公司专属模型”真的值得做

Jonathan 被反复追问的一个问题是：什么时候公司特有的数据，真的值得用来训练或微调模型？这是 Mosaic 当年最核心的价值主张之一，也是它被 Databricks 收购的重要原因。

他的回答并不理想化。Jonathan 观察到，学术界和工业界对“领域模型”的态度差异很大。在论文中，领域模型几乎总是更优；但在真实企业环境中，数据质量、标注一致性、持续维护成本，往往才是决定成败的关键。

他提到，Mosaic 的很多工作之所以“对客户产生了巨大差异”，并不是因为模型多复杂，而是让客户第一次能够系统性地评估：公司数据是否真的提供了不可替代的信息增量。如果这些数据只是通用模式的重复，那么微调带来的收益通常有限。

在节目中他总结道，有“很多情况”公司特定模型是合理的，但前提是：它们必须在成本、推理效率或可控性上，明确优于直接使用通用模型。否则，这类项目很容易在上线后，变成一个持续消耗资源却难以证明价值的技术负担。

新模型架构不会频繁出现，真正的竞争在评估与使用

在一个容易被标题党放大的话题上，Jonathan 的态度异常冷静：他并不认为“全新的模型架构”会在短期内频繁出现。相反，现有范式还有大量潜力，关键在于如何训练、评估和使用。

这也是为什么他在对话中多次提到 Databricks 即将推出的“evaluations（评估）产品”。在他看来，企业 AI 的瓶颈已经从“模型够不够强”，转移到“我们是否真的知道它在业务中表现如何”。

他用一种半开玩笑的方式回忆模型上线前的冲刺阶段，称那两周像是在打“King of the Hill（擂台赛）”，模型不断被新版本挑战、替换。这种经历让他更加确信：没有系统化评估，就谈不上可控的模型迭代。

与其期待颠覆性的结构创新，他更看好工具链的成熟——包括可重复的评测、对不同任务的基准，以及让非研究员也能理解模型行为的可视化。这些能力，才是企业真正规模化使用 AI 的前提。

从 Anthropic 到自动驾驶：AI 最终是社会选择题

对话的后半段明显从技术转向了更宏观的问题。Jonathan 被问及对 Anthropic “computer use”相关工作的看法时，并没有陷入细节，而是把话题拉回到一个更大的判断：AI 的边界，最终由社会决定。

他提到，无论是医疗、自动驾驶，还是更广泛的高风险场景，真正的问题不是“模型能不能做到”，而是“我们愿意在什么条件下使用它”。他原话说的是：“you have to figure out kind of what we are comfortable with（我们必须搞清楚自己到底能接受什么）。”

这也是他看待 AI 政策的核心立场——政策不是为了阻止技术，而是为了让社会建立信任。当激励机制、责任划分和透明度设计合理时，人们才会愿意把关键决策交给系统。

在 Jonathan 看来，这个过程并不悲观，反而“really exciting”。因为它意味着，AI 的下一阶段不只属于模型研究者，也属于产品经理、法律专家，以及每一个需要对结果负责的人。

总结

Jonathan Frankle 的分享之所以有价值，不在于给出标准答案，而在于揭示了企业 AI 的真实约束：资源有限、风险真实、回报必须可解释。从“别急着训练模型”，到强调评估与社会接受度，他反复提醒一个事实——AI 的成熟，更多来自选择的克制，而不是技术的激进。对每一个正在思考 AI 落地的团队来说，这可能比任何模型参数都重要。

关键词： Databricks， Mosaic， 模型微调， 企业AI， AI政策

事实核查备注： Jonathan Frankle：Databricks 首席 AI 科学家，经 Mosaic 收购加入；Databricks 客户数量：约 12，000 家（视频提及）；核心话题：预训练 vs 微调 vs 提示工程、无监督学习、模型评估、AI 政策；涉及公司：Anthropic（computer use 相关工作，未展开技术细节）；引用短语来源于播客原话或近似原话，如“better cost quality tradeoff”“King of the Hill”“figure out what we are comfortable with”。