这是什么

英国工程师 Michael Gomes Vieira 这周在个人博客发了一篇短文，标题一句话「Thinking Is Slow. Copying Is Fast.」——点出一个被低估的视角：让 AI「思考」很慢（一次推理要算很久），让 AI「复制」别人的思考很快（一次蒸馏或微调就能搬能力）。

他用了一个比喻：与其训练一个新厨师从零学做菜，不如把米其林主厨的菜谱复印一份。蒸馏（即把大模型的能力压缩给小模型）这个动作本身不新鲜，但他放进「工程时间观」的框架里：AI 项目的瓶颈不在「能不能做」，在「做一次要多久」。

值得关心的是：这个视角解释了为什么过去一年大模型行业的成本下降速度，远超芯片进步速度——大家都在「复制」，没人重新发明轮子。

行业怎么看

我们注意到，做模型压缩的中国团队对这条规律早就在用——DeepSeek-V3 的蒸馏路径、Kimi 的长上下文方案、智谱的端侧小模型（跑在手机等本地设备上的小模型）矩阵，本质都是「不重新发明轮子」。

但反对意见也很直接。伦敦 AI 安全研究机构的一位研究员在原帖讨论区指出：蒸馏出来的模型在「边界情况」（即训练时没见过的极端或罕见输入）上系统性弱于原模型，复制速度掩盖了「隐性能力」的丢失。一位大厂基础设施工程师更直白：「复制快是因为放弃了可解释性，你不知道它什么时候崩。」

换句话说，「复制快」是一个工程优势，不等于能力等价。这是这条规律漏掉的那一半。

对普通人的影响

对企业 IT：选大模型 API 时，可以更放心地用小模型的蒸馏版——成本可能只有十分之一——但别假设它能完全替代原模型，关键业务留个备选。

对个人职场：AI 工具选型，「答得对不对」比「答得快不快」重要十倍，但后者往往被采购方和销售方先看到。把评估权重倒过来。

对消费市场：手机 AI 助手越来越聪明不一定是模型变大了，更可能是用了蒸馏——这是好事，意味着端侧 AI（跑在本地不联网）会更便宜、更普及。