AI 切换成本:当模型从你的使用中学习,变聪明的到底是谁?

我在同一周里使用三个 AI 工具——常常是同一天。Cursor 是我的主力:它替我起草营销 brief,一步一步带我通过 SSH 在服务器上装好 OpenClaw,还运行着我每天用来吸收新东西的、基于文件的知识系统。Codex 负责需要浏览器的工作——对目标域名做深度调研——因为它的浏览流程目前是三者中最顺的。Claude 是我系统性理解一个行业或一个难题的地方,也是换个角度解开卡点的地方;最近也用它做设计,因为它从模板出发,先和我确认样稿再动手构建。在它们之间来回移动,我几乎不付任何代价。我的项目上下文放在仓库里的 Markdown 文件中:规则文件、项目 brief、agent 替我维护的笔记。三个工具都能读它们。三个工具都不拥有它们。

读完 Dwarkesh Patel 的 8 Predictions for the Era of Continual Learning 之后,我开始问:切换为什么这么便宜——这个局面还能维持多久。他对第一个问题的回答很有说服力。但那篇文章基本没有检视第二个问题,而我认为正是第二个问题决定了谁最终获胜:当一个模型通过你的使用而改进时,它是专门为你改进,还是为所有人改进?

为什么今天在 AI 工具之间切换是免费的

我能在 Cursor、Codex 和 Claude 之间跳来跳去,原因是它们没有一个把关于我的任何东西保留在模型本身里。今天的「记忆」功能——Cursor 的 memories、CLAUDE.md 文件、自定义指令、对历史对话的检索——全都是上下文注入。模型的权重是冻结的。它「知道」的关于我项目的一切,都是推理时被粘进 prompt 的文本。

文本是可迁移的。如果我明天换工具,把规则文件复制成新工具的格式,几乎什么都不损失。积累下来的上下文属于我,存在我的仓库里,任何竞品都能读。

准确地说,我的切换成本并不严格为零——只是它与学习无关。真正把我锚在 Cursor 上的是界面:左侧边栏把我的对话、产出和项目文件夹收在同一个视图里,这种掌控感是 Codex 的浮动文件面板复制不了的。这是一种普通的软件切换成本,每个产品品类都有,一周的习惯调整就能打破。值得点名,是因为本文要谈的那种切换成本——模型学到了关于我的工作的、我无法导出的东西——是叠加在它之上的、量级完全不同的一种。

Dwarkesh 的核心论点是这套架构有天花板。在无状态的模型实例之间传递的会话笔记,无法替代积累在权重里的经验,正如人与人之间传递的笔记无法替代亲手练习。如果这是对的,那么当前的机制——冻结权重加可迁移文本——是暂时的,今天我随意切换的这些工具,终将在权重层面从使用中学习。

我认为天花板是真实存在的。但我也认为它比他的表述所暗示的更高——而这改变了当前机制能维持多久。

冻结权重的天花板比「笔记」这个表述所暗示的更高

Dwarkesh 的论证把会话之间传递的东西当作笔记:对经验的描述,每个新模型实例必须读取它并从中重新推导出正确的行为。对严格意义上的笔记,他的观点成立。

但这不是一个无状态系统能积累的全部。Lilian Weng 关于 harness engineering 的文章梳理了一条研究线:agent 通过重写自己的 harness——模型外围负责规划、工具调用、记忆和评估的代码——来改进,而权重保持冻结。标志性结果是 Darwin Gödel Machine:一个基于冻结的 Claude 3.5 Sonnet 的编码 agent,迭代重写自己的 harness 代码,只保留得分更高的版本,把 SWE-bench Verified 从 20% 推到 50%,一个权重都没动。

冻结权重之下 30 个百分点的提升,很难与「天花板很低」相容。解释是:harness 里积累的东西包括可执行的工件,不只是笔记。一套调试流程变成一个脚本。一次过往的失败变成一条回归测试。一个反复出现的子任务变成一个工具函数。这些工件在推理时运行,直接产生正确的行为——模型不需要内化任何东西,因为能力就存在工件里。

所以真正的边界不在「文本与权重」之间,而在可外化与不可外化的能力之间:

• 能被编译成工件的能力——流程、检查、工具、playbook——在冻结权重之下积累得很好。而且工件和笔记一样是可迁移的:它们是我仓库里的文件,任何工具都能执行。
• 无法预先编译的能力——对真正新颖输入的判断、识别一种陌生的失败模式、品味——是 Dwarkesh 的论证成立的地方,权重层面的学习在这里不可替代。

这对切换成本的叙事很重要。持续学习胜过可迁移工件的领地只有第二类——比「笔记」表述所暗示的更窄。权重层面的学习仍然会到来,但零切换成本的机制比标题论点所暗示的有更长的存续期,而且第一类里积累的一切,在它到来之后依然可迁移。

当权重层面的学习真的到来时,切换就不再免费了。但它以何种方式不再免费,取决于学习流向哪里。

那篇文章跳过的问题:为谁学习?

Dwarkesh 只用一个从句碰了一下这个问题——「更新单个用户的一套权重」与「把这些不同的权重分叉汇回主模型」是有区别的——然后就继续往下走了。我想在这里放慢速度,因为这两种机制的后果完全不同,而且两者之间还有第三层,我在任何地方都没见人讨论过。

第一层:你的分叉——模型只为你一个人改进

在这种机制里,你的使用更新的是一套只服务于你或你的组织的权重(完整分叉,或一个 adapter)。和你的代码库共事了六个月的模型,在你的代码库上可度量地强于同一基座模型的全新实例。

这是制造切换成本的一层,也是 Dwarkesh 的锁定预言所依赖的一层。离开这家供应商,意味着放弃你无法导出的权重。他的类比是:解雇一个带着几个月组织上下文的员工,再从零培训一个替代者。

注意这一层不做什么:它不会让基座模型变得更有能力。你的分叉的改进,按设计就属于你。别人得不到好处,而反过来——你的分叉捕获了你自己会话中 100% 的学习。

第二层:池子——模型为所有人改进

在这种机制里,来自数百万部署会话的学习流回共享的基座模型。所有人受益,包括什么都没贡献的用户。

与第一层不同,这一层已经存在——只是以慢动作运行。使用数据变成偏好信号,偏好信号变成下一个模型版本,周期以月计,而不是 Dwarkesh 描述的持续更新。这就是实验室今天想要获得用你的会话做训练的许可的原因。

关键的不对称在这里:你个人对池子的贡献在统计上可以忽略——数百万会话中的一个。所以第二层不给你制造任何切换成本。基座模型因所有人的使用(包括你的)而变好,但你明天就可以离开,不损失任何专属于你的东西。第二层筑起的是实验室之间的护城河(谁的部署量最大,谁学得最快),不是围住用户的护城河。

第三层:生态——模型在你这类工作上改进

这是我觉得最有意思的一层,它由 Dwarkesh 的另一个预言——AI 心智会随着从不同经验中学习而分化——与汇池机制组合推出。

如果模型从部署中学习,那么一个模型的能力画像就由其部署的构成塑造。使用量被编码会话主导的模型,在编码上进步最快。被大量部署到法律工作中的模型,在法律工作上进步最快。

这意味着我选择工具也是在投票。我在 Cursor 里跑的每一个会话,都在边际上把那个模型的学习分布推向我这类工作。乘上数百万用户,在某个领域使用量最大的产品就在那个领域复利式扩大优势——不是因为任何个体被锁定,而是因为集体的使用模式决定了共享模型在哪里变好。可以称之为生态锁定:没有任何单个用户被困住,但社区聚合起来的选择,决定了哪个模型成为这个社区的工作的最佳工具。

边界画在哪里——价值被谁拿走

所以对我最初那个问题的回答是:两者都是,通过不同的机制,而这个划分决定了商业模式。

在讨论双层交易之前,有一个约束先决定了谁付得起第一层:推理经济学。Dwarkesh 的粗略估算把 DeepSeek V3 这类稀疏模型的最优推理 batch size 放在 2,400 个并发序列以上——一套权重只有在数千个请求同时对它解码时才能被高效地服务。一家员工和 agent 能产生这么大流量的大公司,可以高效地服务自己持续更新的分叉;一个以 batch size 1 服务个人分叉的个体,可能要付出 100 倍以上的算力代价。所以,如果个性化需要完整的权重更新而不是低秩 adapter,完整权重的分叉主要在组织层面才有经济可行性——数千名员工和 agent 把流量汇集到同一个共享分叉上。注意单位:分叉属于公司,不属于任何员工。个人层面的个性化——无论你在企业内部还是独立工作——会以 adapter 或上下文的形式叠在上面:服务成本更低(来自许多用户的 adapter 可以在同一个 batch 里共享基座权重),但也更浅。这意味着第一层锁定的最强形式先落在企业身上,而像我这样的个人用户保持低切换成本的时间,比标题预言所暗示的更长。

现实的结局是一个双层系统,有意思的争夺在于边界画在哪里。实验室想要可泛化的技能——怎么调试竞态条件、怎么组织一次迁移——汇入基座模型,因为那是它们的能力飞轮。企业想要专有知识——它们的代码库、业务逻辑、数据——圈在自己的分叉里,因为那是它们的保密要求,而且日益成为谈判筹码。

Dwarkesh 预测实验室会同时用激励和限制来获取训练权限:给允许的用户折扣,对拒绝的用户收回最强模型的访问权。我会把这个说法磨得更尖:谈判不会是二元的。它会围绕你的会话喂给哪一层展开。「用可泛化的部分训练,把专有的部分圈起来」是一个稳定的交易,全有或全无则不是——而以可验证的方式画出这条线,据我所知,是一个尚未解决的技术问题。

在此期间我在做什么

在权重层面的个性化上线之前,个人用户的实用策略很直接:把你积累的上下文保持在可迁移的形态,放在任何单一产品之外。

具体来说,我今天的做法:

• 项目上下文放在仓库里的 Markdown 文件中,组织成三个文件夹:Rules(agent 必须遵守的约定与标准)、Skills(可复用的技能定义),以及按项目的上下文文件,记录目标、决策和当前进度——写法上刻意保证任何工具里的任何 agent 都能接着上一个的进度继续。没有任何一部分放在某个产品的记忆功能里。
• 工具专属的配置很薄:每个工具一个规则文件,内容大多是指向共享上下文的引用。
• 当我用 Codex 或 Claude 处理同一份工作时,我把它们指向这些文件夹。唯一真实的摩擦是项目理解——一个没有长期待在这个仓库里的工具需要先熟悉环境。我的解法是在文件夹里放一个系统级的「先读这个」文件,每个 agent 在会话开始时读它,在会话结束时更新它。

只要当前机制还在,这就把我的切换成本保持在零。一旦某家供应商推出可见地产生复利的权重层面个性化——用到第三个月的效果可度量地好于第一个月,而且我无法靠粘贴上下文复现——形势就反转了,选定一家供应商成为理性选择。那个时刻才是要盯住的东西。在它之前的一切都是站位。

FAQ

AI 模型今天会从我的对话中学习吗? 不是实时的。你的会话可能被用作未来模型版本的训练数据(第二层,周期以月计,取决于你的数据设置),但你正在对话的这个模型权重是冻结的。它对你表现出的「记忆」是被检索出来的文本,不是学到的权重。

现在的 AI 切换成本是多少? 对个人接近零。积累的上下文(规则文件、记忆导出、项目文档)和可执行的工件(脚本、测试、技能定义)都是可以在产品之间搬移的文件。真正的切换成本只有在供应商按用户或按组织更新权重时才会出现。

持续学习会让一家 AI 供应商赢下一切吗? 它会集中优势——部署规模喂养池子,池子改进产品——但生态层指向的是按领域产生的赢家,而不是一个通吃的赢家:编码部署量最大的模型成为编码上最好的模型,它可能不同于主导其他领域的那个模型。

参考:Dwarkesh Patel, 8 Predictions for the Era of Continual Learning, 2026 年 8 月。Lilian Weng, Harness Engineering for Self-Improvement, 2026 年 7 月。