简介：AI技术路线正在经历一次深刻转向。本文围绕“白板式强化学习”与“预训练大模型”两条路线展开对比，分析它们在架构逻辑、能力来源、扩展路径、适用场景和长期价值上的差异。文章还结合基础设施投入与应用收入之间的错配问题，讨论企业如何在技术快速迭代中避免陷入“自动扶梯式”的同质化竞争。适合关注AI架构选型、研发投入决策和技术演进趋势的开发者与决策者阅读。
在AI系统研发中，一直存在一个核心问题：智能能力应该从哪里来？是从零开始，让系统在特定环境中通过不断试错自行涌现；还是先在一个大规模、多样化的数据基础上进行预训练，让模型先掌握通用能力，再迁移到具体任务中？
这个问题不只是学术讨论，它直接决定了研发周期、算力投入、系统架构、团队能力模型和产品化路径。2017年前后，行业主流观点倾向于前者，即“白板策略”：让智能体在游戏或模拟环境中反复试错，逐步学习策略。几年后，行业重心明显转向了后者：以大规模预训练为基础，再结合任务微调或智能体框架来完成复杂工作。
这两条路线的对比，已经成为AI团队在立项、架构设计和资源规划时必须回答的问题。
白板式路线的基本思路是：智能体不携带任何先验知识，只通过与环境交互获得的奖励信号来更新策略。典型做法是让AI在《星际争霸》《Dota2》等复杂游戏环境中进行数百万甚至数十亿局对局，逐步学习资源调度、空间判断、长期规划和多单位协同。
这种方法的优势在于，理论上可以摆脱对人类经验的依赖，学到人类未曾发现的策略。但它的代价也很明显：训练周期长、环境搭建复杂、奖励函数设计困难、泛化能力有限。游戏环境中的智能体很难直接迁移到真实业务场景。
预训练大模型路线采用完全不同的逻辑。它先在海量文本、代码、图像等多模态数据上进行自监督预训练，让模型掌握语言理解、逻辑推理、知识表示和指令跟随等通用能力。然后，再通过微调、提示词工程或智能体框架，将通用能力适配到具体任务。
这条路线的核心支撑来自Transformer架构和缩放定律。Transformer让大规模并行训练变得可行，而缩放定律揭示了一个可预测的规律：在合理范围内，投入更多数据和算力，模型能力会稳定提升。这意味着能力提升不再是黑箱，而是可以被工程化和规划的过程。
尽管两条路线在技术哲学上差异明显，但它们并非完全对立，也存在一些共同点：
目标一致。 两者都希望构建能够完成复杂任务的智能系统，都追求在开放或半开放环境中做出合理决策。
都依赖大规模计算。 白板式路线需要海量环境交互和策略更新，预训练路线需要大规模集群训练和大数据集处理。两者对算力的消耗都不可忽视。
都面临工程化挑战。 前者需要构建稳定的模拟环境、设计有效的奖励机制、处理策略收敛问题；后者需要解决数据清洗、训练稳定性、推理成本、对齐效果和部署效率等问题。
最终都走向智能体方向。 值得注意的是，无论哪条路线，最终应用形态都在向智能体靠拢。区别在于，预训练路线给了智能体一个更高的起点，而不是从零开始。
白板式路线的能力完全来自环境交互中的奖励信号，系统在训练初期几乎不具备可复用经验。预训练路线的能力主要来自大规模语料和代码语料中的统计规律与结构模式，模型在接触具体任务前已经具备了语言理解、逻辑推理和知识泛化基础。
这个差异的直接影响是：前者每次面对新任务都需要重新训练或大量微调；后者可以通过少量样本或指令快速适配。
白板式路线通常依赖强化学习框架，核心组件是策略网络、价值网络、环境模拟器和奖励信号。预训练路线则以Transformer为骨干，核心组件是注意力机制、自监督训练目标和大规模参数化表征。
前者的系统边界通常局限于特定模拟环境；后者的系统边界更宽，可以覆盖文本、代码、图像等多个模态，并通过接口接入外部工具。
白板式路线的能力扩展往往需要在新的任务环境中重新训练或设计新的奖励函数。预训练路线则可以沿着“预训练—微调—对齐—工具调用—智能体”的路径持续扩展。缩放定律还提供了一种可预测的扩展方式：增加参数量、数据量和训练时长，能力会随之提升。
白板式路线更适合规则封闭、奖励明确、可大规模模拟的环境，例如棋类游戏、电子竞技或工业控制仿真。预训练路线更适合开放域任务，如文档生成、代码编写、知识问答、内容分析、智能客服和自动化流程。
白板式路线的投入主要集中在训练环境和算力上，但能否收敛、能否学出可复用策略存在较大不确定性。预训练路线的投入集中在数据、训练平台和推理部署上，能力提升相对可预期，但也面临数据质量、模型对齐、幻觉控制和长期维护成本等问题。
| 维度 | 白板式强化学习路线 | 预训练大模型路线 |
|---|---|---|
| 能力来源 | 环境交互与奖励信号 | 大规模数据预训练 |
| 初始状态 | 接近零知识，从零探索 | 具备通用语言与推理能力 |
| 核心架构 | 策略网络、环境模拟器 | Transformer、注意力机制 |
| 训练周期 | 长，且受环境复杂度影响大 | 长，但可规划、可预测 |
| 任务适配 | 通常需重新训练或大量微调 | 少量样本或指令即可适配 |
| 泛化能力 | 较弱，跨环境迁移困难 | 较强，可跨文本、代码、多模态 |
| 典型场景 | 游戏对局、工业仿真 | 内容生成、代码助手、知识问答 |
| 工程风险 | 策略不收敛、奖励设计失效 | 数据质量差、推理成本高、幻觉问题 |
| 长期演进 | 受限于环境设计 | 可沿缩放定律持续扩展 |
场景一：封闭规则环境中的策略优化。 如果任务边界清晰、规则固定、可以通过模拟器大量生成训练数据，白板式路线仍有价值。例如，在设备调度、路径规划或局部博弈场景中，强化学习可以找到超出人类直觉的策略。
场景二：开放域内容理解与生成。 如果任务涉及自然语言、代码、知识检索或不固定输入，预训练路线明显更适合。例如，企业希望构建智能问答系统、文档摘要工具或代码审查助手，预训练模型可以大幅降低冷启动成本。
场景三：需要快速适配多任务的平台型产品。 如果团队希望在同一个底座上支撑多个业务方向，预训练路线更具复用价值。一次底座训练，可以通过微调支撑客服、文案、数据分析等多个应用。
场景四：需要长期自主执行复杂流程的智能体。 当前趋势是将预训练模型作为智能体的“大脑”，再配合工具调用、记忆模块和任务分解。这类系统既不是纯白板试错，也不只是单次文本生成，而是两者的融合：用通用能力负责理解与规划，用工具和反馈负责执行与修正。
选型时需要重点评估三个问题：
第一，任务环境是否封闭？ 如果环境封闭、奖励可定义、问题相对固定，可以评估强化学习方案。如果环境开放、任务多变、输入输出具有高度非结构化特征，预训练路线通常是更稳妥的选择。
第二，团队是否具备大规模训练能力？ 预训练模型对训练平台、数据管道、分布式调度和评估体系要求较高。如果团队缺乏这类能力，可以选择成熟的开放权重模型作为基础，在此基础上做微调和应用开发，而不是从头预训练。
第三，业务是否存在同质化竞争压力？ 如果所有竞争者都在使用类似的基础模型，那么单纯调用模型并不构成长期壁垒。真正的差异化来自对业务数据的理解、工具链整合能力、用户体验设计和持续迭代效率。这一点在技术路线选择中容易被忽视，但对商业结果影响很大。
从白板式路线迁移到预训练路线，或者从单模型调用升级为智能体架构，都会遇到一些现实问题：
数据准备。 预训练模型需要高质量、结构化的业务数据。数据分散在多个系统、格式不统一、标注缺失是常见问题。需要提前建设数据清洗、去敏、质检和版本管理能力。
接口与权限适配。 大型模型通常通过服务化接口或被集成到内部平台中使用。接入时需要重新设计认证、鉴权、限流、审计和错误处理机制。尤其在涉及用户隐私或企业机密时，需要评估数据是否允许用于推理和微调。
推理成本与延迟。 通用模型在复杂任务上的推理开销可能很高。需要根据任务难度选择合适的模型规模，并通过缓存、批处理、蒸馏、量化等方式控制成本。尤其在高并发场景下，延迟和吞吐需要提前测试。
评估体系。 传统规则系统可以基于准确率、覆盖率等指标直接评估，但大模型输出往往是开放式文本，评估更复杂。需要结合自动化指标和人工评审，建立分层评估体系。
运维与版本管理。 模型版本升级可能导致输出风格和稳定性变化。需要建立灰度发布、回滚、日志追踪和效果对比机制。每一次模型更新都需要重新评估下游任务质量。
一个值得警惕的问题是：当AI能力来自同质化的基础模型时，企业投入大量资源建设AI能力，可能只是赶上了行业标配，而没有形成真正的竞争优势。这类似于一个经典场景：街对面的商店装了自动扶梯，你也不得不装。最终顾客体验趋同，成本同步上升，利润率并没有改善。
当前AI基础设施投入也存在类似现象。大量资本涌入芯片采购和数据中心建设，但终端应用产生的收入远未跟上基础设施投入规模。芯片在快速更新，今天采购的硬件可能两三年后面临性能落后。如果企业只是跟随行业节奏上马AI项目，而缺乏对业务价值和差异化的清晰判断，就可能承担较高沉没成本。
因此，对开发者和决策者来说，真正需要回答的不是“要不要上AI”，而是“在哪一层的投入能带来持久价值”。通常来说，越靠近底层芯片和通用算力，同质化越高；越靠近业务理解、数据资产和用户体验，差异化空间越大。
白板式强化学习和预训练大模型代表了两种不同的AI能力构建方式。前者强调从环境中自主学习，适合封闭规则和可大量模拟的场景；后者强调从大规模数据中预训练通用能力，适合开放任务和快速适配场景。当前行业的主流趋势是以预训练模型为底座，再叠加智能体、工具调用和反馈机制，形成更灵活的复杂任务执行系统。
技术选择本身不是目的，重要的是判断自己的任务类型、团队能力和业务壁垒在哪里。在AI能力加速商品化的背景下，真正的长期优势往往不在模型本身，而在于如何用模型解决具体问题、积累独特数据和优化用户体验。选择哪条路线，最终应回归到业务逻辑和可验证的投入产出关系上。