在QCon伦敦大会的演讲中，explosion.ai联合创始人Ines Montani指出：规模经济不足以在AI领域形成垄断，开源技术和模型将让所有人跟上"生成式AI革命"的步伐。

Montani通过现场举手调查展示了开源技术的普及性，并强调机器学习领域已形成共享代码、数据和模型权重的完整开源生态。她将当前AI模型分为三类：

1. 任务专用模型（如spaCy、DaCy等）

   • 体积小、运行成本低
   • 泛化能力弱，需特定数据微调

2. 编码器模型（如Bert系列、T5等）

   • 中等规模，可在本地运行
   • 需要微调实现特定功能
   • 通常作为任务专用模型的基础

3. 大型生成模型（如Falcon、Mixtral等）

   • 通过简单粗暴的规模扩大实现创新
   • 依赖提示工程约束输出范围
   • 部署资源需求高

Montani剖析了科技巨头通过请求批处理实现规模效益的机制——如同伦敦地铁通过高频班次分摊固定成本。但她强调，当前AI产品实际包含两个独立层：

• 人机交互层（收集用户行为数据优化体验）
• 模型层（基于公开研究和数据构建）

这种架构使得任何公司都难以在基础模型层面形成垄断。Montani将大模型实践任务分为：

• 生成类任务（摘要、推理、风格迁移等）
• 预测类任务（文本分类、实体识别等）

她梳理了AI开发范式的演进路径：

1. 规则编程时代
2. 样本训练时代
3. 上下文学习时代（混合使用规则、指令和示例）

通过知识蒸馏和迁移学习技术，开发者可快速将原型转化为生产系统，获得与开源软件开发类似的优势：模块化、无供应商锁定、可测试性等。Montani最后指出，AI领域唯一可行的垄断途径是政策监管，呼吁行业应聚焦用例监管而非技术限制，避免人为制造垄断。