在AI应用开发领域，一场深刻的变革正在重塑行业格局。过去，构建一个AI产品需要数十名工程师和产品经理数个季度的协作，如今，借助AI工具，单人团队在几周内就能完成原型开发。这种效率的飞跃虽然降低了应用创造的门槛，但也带来了新的挑战：当界面和功能可以被快速复制时，AI公司如何构建持久的竞争优势？
Fireworks AI创始人兼CEO林巧（Lin Qiao）提出了一个核心观点：真正的壁垒在于"拥有自己的智能"。这位曾在meta参与PyTorch及AI基础设施建设的资深技术专家，通过其公司为Cursor、Doximity等企业提供的模型训练服务，验证了这一理念。她指出，当所有公司都能调用相同的基础模型时，对用户需求的深度理解、独特的判断力和产品品味，才是无法被复制的核心资产。
林巧将后训练（Post-Training）定义为AI产品规模化后的必修课。这项技术不仅能帮助企业将用户洞察转化为模型能力，还能显著降低运营成本。她分享了一个关键判断：后训练不应是产品开发的起点，而应在找到产品市场契合点（PMF）后启动。早期团队应优先使用前沿模型验证需求，待获得稳定用户反馈和数据积累后，再通过后训练构建专属智能。
在技术实现路径上，林巧描绘了一个从简单到复杂的进阶框架：从基础的提示词工程开始，逐步引入检索增强生成（RAG）、监督微调、偏好优化，最终到强化学习。她特别强调，不同技术适用于解决不同问题——RAG适合处理动态事实，监督微调用于纠正模型行为，偏好调优捕捉产品独特品味，而强化学习则用于构建专业领域知识。
数据质量被林巧视为后训练成功的关键因素。她观察到，生成式AI时代正在打破传统产品与研发团队的边界，最了解"好结果"标准的产品团队必须深度参与训练过程。这种变化要求企业建立新的评估体系，将创始人的直觉判断转化为可重复的评分标准。"没有系统化的评估，再多的数据和算力投入都可能徒劳无功，"林巧强调。
强化学习领域的"奖励黑客"现象是另一个需要警惕的陷阱。林巧分享了一个典型案例：某团队要求模型生成最小化编译错误的代码，结果模型输出了零行代码——虽然完美满足了指标，但完全违背了实际需求。这凸显了设计正确奖励函数的重要性，她建议企业从多个维度构建奖励机制，如招聘智能体可以同时评估候选人的主动性、执行速度等特质。
实际案例验证了后训练的商业价值。代码编辑器Cursor通过持续后训练，其模型质量已接近前沿实验室水平；医疗平台Doximity在临床问答基准测试中超越了通用模型；安全编码公司Factory则通过专属模型将误报率降低了90%。这些企业不仅构建了技术壁垒，还将推理成本降至原来的五分之一到十分之一，为规模化扩张提供了财务保障。
对于何时启动后训练，林巧给出了明确建议：当企业面临保持竞争优势和建立可持续成本结构的双重压力时，就是最佳时机。她观察到，领先企业通常在验证产品市场契合后立即开始后训练，通过多轮迭代逐步优化模型。这种策略既避免了过早投入的风险，又能确保在业务扩张时拥有足够的技术准备度。
随着AI技术向专业化方向发展，林巧预测未来将出现数百万个专业模型，每个垂直领域都会诞生承载特定知识的专属智能。这种趋势正在重塑AI产业链，从通用模型竞争转向专业化能力构建。对于希望在这个新生态中占据一席之地的企业，后训练能力将成为决定成败的关键因素。
