模型之外：边缘端和具体领域才是真正的赛场

模型厂商会持续完成的事情，不适合作为独立产品的长期壁垒。

这并不意味着相关功能没有价值，而是意味着：如果一项能力会随着基础模型升级被自然吸收，那么围绕它建立的产品优势很可能只是暂时的。

提示词补全、意图理解和任务规划等能力，属于模型能力的纵向提升；文本、图像、语音和视频等多模态能力，则更像模型边界的横向扩展。两者都会不断增强，并逐渐成为通用基础设施。

因此，判断一个 AI 产品是否值得长期投入，不能只看它今天是否领先，还要看模型下一次升级之后，它是否仍然成立。

真正的战场有两个维度

模型之外的 AI 产品竞争，不只发生在边缘端，也发生在一个个具体领域内部。

边缘端决定 AI 如何进入现实场景、感知环境并产生行动；具体领域则决定 AI 能否理解场景、作出可靠判断并约束自己的行为。

前者主要解决工具问题，后者主要解决上下文问题。

只有边缘设备而没有领域知识，AI 可能能够感知和行动，却无法作出可靠判断；只有领域知识而没有合适的工具系统，AI 又容易停留在提供建议的 Cyber 空间里。

边缘端和具体领域并不是两个彼此分离的市场，而是 AI 产品落地过程中必须同时解决的两个维度。

边缘端提供工具系统

手机在相当长的时间内仍会承担入口和部分算力，但入口并不必然永远属于手机。

眼镜、耳机、车载设备、工业终端以及各种专业外设，都可能成为新的交互入口。

入口的价值不只是接收指令。它决定 AI 能看到什么、能够持续感知什么，以及能否在正确的时间理解用户所处的环境。

在入口之外，AI 还需要执行工具。

AI 不应该始终困在 Cyber 空间中。它最终需要影响物理世界：控制设备、调度资源、完成检测、辅助操作，或者推动某个现实流程继续向前。

这种连接不应被简单等同于人形机器人。“机器人”是一个非常宽泛的概念。任何能够接收智能决策并在现实中产生结果的设备、系统或专业工具，都可能成为 AI 工具系统的一部分。

因此，边缘端的机会并不只在于制造一种新设备，而在于建立一套深入具体场景、覆盖入口、持续感知和现实执行的完整工具系统。

具体领域提供高质量上下文

如果把 Agent 的基本结构概括为：

模型 + 工具 + 上下文

那么将它放大到现实世界，仍然是同一个结构。

模型提供通用认知能力；边缘端的入口、感知设备和执行系统构成工具；具体领域长期积累的知识，则提供高质量上下文。

零散的消息、聊天记录和临时指令都是上下文，但它们与结构化的领域知识并不等价。上下文的数量不等于上下文的质量。

真正有价值的领域上下文，需要包含稳定的概念体系、业务关系、判断规则、历史经验和现实约束。

它不仅告诉 AI 发生了什么，还帮助 AI 理解什么重要、为什么重要，以及在特定条件下应该如何行动。

这也是资金和算力雄厚的模型厂商与基础设施厂商难以穷举完善的部分。

它们可以持续提升通用能力，却很难自动获得每个领域内部长期积累的隐性知识。越是专业、分散和规模有限的利基市场，这种差距越明显。

AI 产品的长期壁垒

未来 AI 产品的核心壁垒，可能不是拥有一个更强的模型，而是掌握两项难以被通用模型吸收的资产：

1. 一套深入真实场景，覆盖入口、感知和执行的工具系统；
2. 一组持续积累、结构化且难以复制的领域上下文。

工具决定 AI 能接触什么、感知什么，以及能够改变什么；领域上下文决定 AI 如何理解场景、作出判断并约束行动。

模型则是位于二者之下、持续增强的通用基础设施。

好的产品不应该害怕模型升级。相反，模型越强，它所掌握的工具系统和领域上下文就应该越有价值。

如果模型升级会直接消灭一个产品，这个产品更像是在暂时填补模型的能力缺口；如果模型升级会放大它在工具和领域上下文上的优势，它才更接近一个能够长期成立的产品。