最终，Krishna 认为未来的企业 AI 架构将呈现分层特征：绝大多数常规任务（Routine Tasks）将由成本低廉、高效的开放权重模型承担；而仅有极少数极其复杂的特定任务才会调用昂贵的前沿模型。
【小编观点】
IBM 的这一论调反映了当前企业级 AI 应用从“追求极致性能”向“追求经济效益”的战略转型。随着推理成本（Inference Cost）成为企业大规模落地 AI 应用的核心痛点，能够提供高性价比、可私有化部署且性能达标的开放权重模型（如 Llama 系列或 Mistral 等），无疑将成为企业构建稳健 AI 工作流的首选基石。
【核心提要】
【正文报道】
IBM 首席执行官 Arvind Krishna 近日在公开表态中强调，对于寻求高效部署 AI 能力的企业而言，采用“开放权重”（Open-weight）模型正变得极具吸引力。他认为，随着技术迭代的加速，开源生态系统正在迅速缩小与闭源顶尖模型之间的差距。
Krishna 在对比 2024 年与 2025 年的技术趋势时给出了具体的量化预测。他指出，在 2024 年，闭源前沿模型（Frontier Models）在基准测试中的表现往往显著优于开源方案——例如，当前沿模型获得 70 分时，开放权重模型可能仅能获得 20 或 30 分。然而，到 2025 年底，这一差距预计将大幅收窄，得分比例可能变为 70 分对 50 分。
除了性能的追赶，成本优势是推动企业转向开放权重模型的关键驱动力。Krishna 指出，目前这些模型在处理 Token（字符/词元）时的成本仅为前沿模型的 10% 到 25%，而在实际应用效果上却能达到前沿模型的 90%。
他通过一个简单的商业逻辑来阐述这一趋势：对于任何企业而言，如果一种方案的成本仅为顶尖方案的十分之一，且其有效性能够达到顶尖水平的九成，那么大多数企业都会选择追求性价比更高的方案，而非支付高出十倍的溢价。
最终，Krishna 认为未来的企业 AI 架构将呈现分层特征：绝大多数常规任务（Routine Tasks）将由成本低廉、高效的开放权重模型承担；而仅有极少数极其复杂的特定任务才会调用昂贵的前沿模型。
【小编观点】
IBM 的这一论调反映了当前企业级 AI 应用从“追求极致性能”向“追求经济效益”的战略转型。随着推理成本（Inference Cost）成为企业大规模落地 AI 应用的核心痛点，能够提供高性价比、可私有化部署且性能达标的开放权重模型（如 Llama 系列或 Mistral 等），无疑将成为企业构建稳健 AI 工作流的首选基石。
背景链接：
https://www.theregister.com...