应用程序大模型化之路——从12306畅想看预设模式颠覆与数据觉醒（中）

梁敬彬

589人浏览 · 2026-01-28 19:54:20

梁敬彬 · 2026-01-28 19:54:20 发布

梁敬彬梁敬弘兄弟出品

应用程序大模型化之路——从12306未来畅想看预设模式颠覆与AI就绪的数据觉醒（原文链接）

3. 闻声知雅意，基石补时空（三阶段：非预设逻辑的意图时代）

真正的变革，始于第三阶段，我称之为意图觉醒期。这是应用程序大模型化真正起步的门槛。交互方式从GUI转向了CUI，应用程序终于开始听懂人话了。

回到12306的例子。在这个阶段，我妈不需要我的帮助，她对着APP说出了让程序员再次崩溃的要求：给我和5岁的孙子买去北京的票，对面最好也是带同龄孩子的，这样路上有个玩伴。

最好是望靠窗的位置，脚下还能充电。还有，要离餐车近点，但我腿脚不好，别让我走太远。若是从前，这段语音根本无效。但在第三阶段，APP背后的AI大脑会瞬间激活，像一位经验丰富的老列车长，将非结构化的语言拆解为精密的业务指令。

在这里插入图片描述

听到带孙子，触发儿童票逻辑；听到充电口，筛选配备插座的车型。更令人惊叹的是对隐性需求的挖掘：针对对面也是带小朋友的这一非预设难题，系统会潜入已售数据深海，分析旅客画像进行匹配；面对离餐车近又要少走路的矛盾需求，AI瞬间化身精算师，结合车站3D地图，为你求得步行距离最短的最优解。

在这里插入图片描述

然而，写到这里，我必须给大家泼一盆冷水。这也是为什么我反复强调应用程序大模型化目前在全世界都难以实现的根本原因。

请问：AI怎么知道哪个座位对面是小朋友？AI怎么知道此时此刻哪个插座坏了？

现有的数据库里，只有冷冰冰的已售/未售状态，可不会有哪些车型没有插座的记录，更不可能有哪列车厢的那个座椅插座好坏的实时记录。

这就是大模型的死穴：它无法理解世界模型，也无法实时更新自己的神经网络参数。昨天训练好的模型，不知道今天的最新情况。如果不能解决这个时空错位，所谓的大模型化就是痴人说梦。

所以，AI就绪的数据库成为了破局的基石。

在这里插入图片描述

既然模型不好改变，我们就让数据活起来。飞刀提到的AI就绪，本质上就是要让数据库打通多渠道的热数据：它需要分析历史行为数据，从对面座位的过往订单中推断出常带娃出行的特征；它需要整合UGC数据，实时抓取社交媒体上关于某车次插座故障的吐槽并标记；它需要接入IoT数据，让列车座椅传感器实时上报状态；它甚至需要融合跨场景数据，像全能Agent一样联动打车软件与地铁数据，安排好无缝接驳。

这正是AI就绪的深意：只有当数据库能在一个内核里同时处理承载高并发的热数据和代表用户意图的向量数据，大模型才能真正感知到世界的实时变化。没有这个基石，应用程序大模型化永远只是实验室里的玩具。

在这里插入图片描述

用我提出的应用程序大模型化标准来衡量，这一阶段算是有了真正的飞跃，我给它打60分。它已经不再是冷冰冰的预设机器，而是开始像人一样思考了。

4. 反馈聚源泉，内驱生伟力（四阶段：用户驱动的自进化时代）

当数据与推理在底层打通，应用程序在已经大模型化的前提下不断完善，将迎来更迷人的第四阶段：自进化期。

在进入这个阶段之前，我们需要警惕一种认知误区：很多人认为，只要接入了大模型，能对话交互，就是AI应用。其实，目前市面上绝大多数所谓的AI应用都是伪技术，它们只是静态的快照。

大模型的参数一旦训练完成就是静态的，它怎么成长？靠实时重训模型是不现实的。
答案依然在数据库里。这种成长，在第四阶段将由数据驱动成为现实。程序不再是死板的代码块，而是变成了有记忆、能进化的有机体。

还记得我妈上次去北京提的那堆要求吗？三个月后，她又要去北京。这一次，她变懒了，只是简单对APP说了一句：还是老样子，给我买一张去北京的票。

如果是在旧时代，这个老样子会让系统直接死机。但在第四阶段，系统瞬间调取了之前的交互记忆，结合她腿脚不好和需要充电的隐性偏好，做出了惊人的反馈：阿姨，已为您锁定去北京的GXX次列车。记得您上次提到腿脚不好，这次我特意为您筛选了靠近无障碍电梯的5号车厢，上下车少走200米，且座位带有充电口。另外，这次您是一个人出行，我优先帮您匹配了安静车厢。

在这里插入图片描述