【AI淘金热的下半场：为什么“不可训练”才是最深的护城河？】

2026年AI投资界正陷入一种集体焦虑：如果大模型（Frontier Models）持续变聪明，所有应用层不都成了随时被吞噬的“轻包装”（Thin Wrapper）？

投资人Sarah Guo给出了一个极具穿透力的反直觉视角：AI确实在吞噬一切可度量的任务，但真正的护城河，恰恰藏在那些“不可训练”（Untrainable）的非共识角落。

底层逻辑很简单：凡是能被标准化度量、放上Leaderboard跑分的任务，都会被迅速商品化和低成本化。而真正的商业壁垒，是那些“私有的绝对真理”（Private Ground Truth）。比如，一个运行了十年的复杂银行系统，其代码背后的业务历史、合规责任和非正式工作流，根本无法被外部数据训练。

这不是技术问题，而是“准入许可”与“责任归属”的壁垒。大模型再聪明，也无法替医生承担诊断责任，无法直接拥有银行的系统根权限。最值钱的不是算法，而是深入行业毛细血管、定义“什么是正确结果”的行业话语权。

x.com/saranormous/status/2064510215056400652