| 回應 : 0 | |||||||
（原文发表于2026年9月4日）
 最近我看到一条新闻，中国农业大学发布了“范蠡大模型4.0”，号称是首个渔业大模型。我当时扫了一眼标题，4000亿参数教人养鱼，第一反应是，好家伙，现在连养鱼都要上大模型了。 本来我就是当做一个行业官方新闻来看看，没有打算深入研究。但我从新闻稿里看到了一句话，说“4.0版本算力跃升到3970亿参数”。咱们AI学习圈的老同学都知道，参数指的是这个底座模型的尺寸大小，而算力指的是运行这个模型有多少卡，很少有把算力和参数放在一起说的。当然，尽管新闻稿里把参数说成了算力，也还是让我对这个项目有了一点儿好奇心。 等我真去翻了翻资料，我发现这事儿比口误有意思多了。它掀开的，其实是我最近一直在琢磨的一个问题：AI这么强了，接下来到底拼什么。 先说这个模型本身是个啥。8月17日，它是在北京开的一个国际智慧渔业大会上发布的，官方给的数字是3970亿参数，覆盖八个养殖维度：水质、品种、饲料、健康、运营、装备、能源、经济，整合了101个主要养殖品种的知识。 同时还发布了一套公开数据集，11.6万帧图像，69.8万条任务标注。FAO，也就是联合国粮农组织的官员也到场了。 先说说这大模型的名字，范蠡。为啥叫范蠡呢？范蠡就是那个帮越王勾践复国，功成之后带着西施泛舟五湖的那位。他退隐之后干了两件事，一是做生意做成了陶朱公，被后世当财神拜；二呢，相传他写过一本《养鱼经》，是中国最早的养鱼专著。我这里之所以加个“相传”，是因为有人考证，这本书多半是汉代人托了范蠡的名，未必是他亲笔。但不管怎么说，两千多年前，中国人就开始琢磨怎么科学养鱼了。 所以你看，一个AI模型叫范蠡，这名字本身就在提醒你：这不是AI来了之后才凭空冒出来的新东西。 这一点特别重要。我去扒了一下这个模型背后的团队，中国农大李道亮教授这一拨人，他们干这行不是三年五年了。九十年代末就在做鱼病诊断的专家系统，2004年以后，又从软件一路往硬件走，开始搞水质传感器等研究，2019年成立了国家数字渔业创新中心，一直到2024年才有了范蠡大模型1.0。 你算算，从九十年代末到现在，快三十年。三十年，一代人的时间，全泡在鱼塘边上，一点一点攒水质数据、攒鱼病样本、攒投喂记录。这才是重点。 范蠡大模型4.0不是AI时代的从0到1，它是一个已经干了近三十年的老研究，在2024年前后，突然接上了AI这台加速引擎。之前用最笨的办法一条一条采、一年一年攒下来的东西，AI来了之后，突然能吃得下、能算得动、能一下子融会贯通了。 现在回到前面提到的那个数字，3970亿参数。 我猜，这个3970亿，大概率不是他们从零训出来的。一个渔业团队，再有钱，也不太可能自己烧一个近4000亿参数的大模型出来，那可能是几千万美元一次的训练成本，不是一般学术机构能扛的。更合理的解释是，他们拿了一个现成的开源通用大模型做底座，再往上叠自己的渔业数据。 而且这个数字巧得有点过头。阿里前阵子开源的Qwen3.5，恰好就是3970亿总参数，单次激活170亿。数字精确重合到这个地步，你说是巧合，其实我是不太信的。再结合前面把参数说成算力的那个口误，你大概就能明白，参数和模型训练这块可能真不是他们最熟的部分，他们熟的是鱼。 但在这里，我必须要说一句，这么干，一点儿问题都没有，这是现在最现实、最高效的做法。你的核心竞争力是三十年的养殖数据和行业洞察，那你就应该把钱和精力全砸在这上面。 底座这种通用能力，市面上有强大又免费的，拿来用就好了，何必自己重复造轮子。其实这也是我们国内AI的优势所在，从DeepSeek到智谱到千问到Kimi，有众多强大的开源免费模型可以选择，会帮助更多类似的研究团队站在巨人的肩膀上，发挥自己的特长。 但这么一想，一件特别有意思的事情就浮出来了。 既然范蠡大模型4.0是通用底座加专有数据，那它的能力增长就有了两个轮子。一个轮子是底座，通用大模型每升级一次，它啥都不用干，能力就跟着涨一波。今年是Qwen3.5，明年可能就是4.0、5.0，底座越来越聪明，它就越来越聪明。 另一个轮子是数据，鱼塘边上的传感器一天24小时不停地采，专有数据越攒越多，模型对渔业的理解就越来越深。 两个轮子，一个靠外部的通用技术进步，一个靠自己的持续积累，同时往前转。这就形成了一个复利：你不用两头都使劲，只要守住数据这一头，另一头的红利会自动飘过来。滚着滚着，这个雪球就越来越大，而且是加速变大。 聊到这儿，本来可以收尾了。但我顺着这个逻辑往下想，会发现一个更有意思的东西。复利只是个结果。你得再往回问一句：凭什么是它能吃到这个复利，别人不行？ 底座是公开的，谁都能拿。所以底座这一头，不构成任何护城河。真正让范蠡大模型4.0跟别人拉开差距的，是另一头，是那三十年攒下来的、别人买不到也偷不走的东西。 这个东西具体是什么呢？我原来以为，就是那三十年攒下来的数据本身。你想啊，跨季节、跨品种、跨地域，每一条都带着最终的产量和死亡率结果，这种连续了三十年的真实数据，别人有钱也买不到，有时间也补不回来，这护城河还不够深吗？ 我一开始也是这么想的，但后来越想越觉得不对。数据这东西，其实也会过时，会被新的采集方法、新的品种替代。今天最全的数据，十年后可能就是一堆老黄历。 真正更难贬值的，是比数据更底层的一样东西：那套让鱼塘能被机器读懂的标准。 你想想看，鱼塘边上插一根传感器，测出来一个溶氧量的数字。这个数字要有用，你得先定义清楚：什么叫溶氧、单位是什么、多久采一次、什么范围算正常、什么范围算鱼要出事。 一条鱼健不健康，用哪几个字段来描述；一台投喂机，按什么接口、什么格式把数据传上来，全都得你来定。 这一整套定义，就是我说的操作系统。它规定了整个渔业世界，该怎么被翻译成机器能听懂的语言。你把这套标准定下来了，全行业的传感器、投喂机、增氧机就都得说你的语言，往你的坐标系里传数据。 而这套东西，恰恰是最难、最花时间，也是最值钱的。 传感器会越来越便宜，通用底座会越来越强，这些都会慢慢变成白菜价。真正难以替代的，是谁定义了这套坐标系。一旦全行业的鱼塘、投喂机、增氧机都按你这套标准来接、来传数据，你就成了这个行业的地基。后来者哪怕模型比你强，也得先接入你的标准，才能跟这个行业对话。 而这个道理一旦想通，你会发现它早就在别的地方发生了。之前在广播站里，我也和你提到过很多次，有人在悄悄收购旧书，尤其是2022年之前出版的书，还有那之前的各种资料。最近我还了解到，有人在收集县级图书馆里存下来的县志、水文志等等。这些东西，都是平时很多人基本看不上，觉得不是什么有价值的数据。 你可能好奇，现在网上信息这么多，收这些老掉牙的资料干啥。我再给你举个例子，有一天，罗老师跟我说，他问了几个AI一个问题：“在北宋的时候，要用水陆结合的方式，从寿春到南阳应该怎么走？” 你看，就这么一个问题，其实要调用的专门知识非常多。最起码，你得知道北宋时期淮河的河道走向、当时有哪些码头，水路和陆路又是怎么衔接的。像这种问题，如果只靠通用模型，就特别容易瞎编。 2022年，是ChatGPT出来的那一年，也是AI开始大规模往互联网上灌内容的分水岭。在那之前，不管是书还是数据，相对来说更干净，是真人写的、真事采的，没有被大规模AI生成内容混进去。而在那之后，网上越来越多东西是AI产的，真假难辨，喂给模型还可能把模型自己带沟里去。 所以现在真正稀缺的，就是那批干净的、未被污染的、带着真实行业洞察的专有数据。 范蠡4.0那三十年的鱼塘数据，收书人抢的旧书，说到底，都是类似的这种东西。底座平权的时代，大家的起跑线越来越接近，胜负手全在上面那一层，就看你手里有没有一份别人搞不到的、脏不了的专有数据和标准。 写到这儿，我突然有个想法，想跟你说说。我们聊范蠡4.0、聊养鱼、聊3970亿参数，看起来好像离咱们普通人挺远的。但你把这个逻辑抽出来看，它其实特别近。 每个人身边，可能都藏着这么一个小小的复利领域，一条别人看不见的护城河。 可能是你干了十年的那个特别细分的活儿，攒下来一肚子只有你知道的门道；可能是你为了带孩子、为了照顾家里，摸索出来的一套别人复制不了的经验；也可能，就是你一直在记的某种东西，比如一堆你自己都没太当回事的笔记、录音、日记。 在过去，它们可能就是散落在角落里，激活不了，用不上。但在AI底座越来越强的今天，这些原本沉睡的、独属于你的积累，突然就有了一个能把它激活的引擎。三十年的鱼塘能等到范蠡大模型4.0，你那一份不起眼的积累，说不定也在等一个属于它的时刻。 所以，不妨留意一下，你手里那份别人拿不走的东西，到底是什么。那可能就是接下来这几年，最有价值的东西。 |
