这两年扩散模型、RAG、Transformer 这些概念几乎从讨论中消失了

AI Weekly Index，它用一份报表呈现了 2015–2026 年的 AI 话语趋势。

其中有一个观察很有意思：这两年，扩散模型、RAG、Transformer 这些概念几乎从讨论中消失了。但它们消失，并不是因为失败，而是因为它们已经沉淀成了一种”不可见的基础设施”。

这句话可以从三个层面来理解。

一、为什么”消失”不等于”失败”

我们之所以会反复谈论一项新技术，往往是因为它还停留在”需要被解释、需要被证明”的阶段。

Transformer 在 2022 年被高频提及（0.44 次/期），正是因为人们还在争论它的潜力；而到了 2026 年，提及次数归零，恰恰是因为它已经成为所有主流大模型的底层架构。它不再需要被讨论，因为它已经被默认了。

这就像今天没有人会特意说”我用互联网来发邮件”：互联网早已融入一切，反而不再作为一个独立话题存在。扩散模型和 RAG 走的是同一条路：从”前沿概念”变成”标准工具”，于是话语自然向更上层迁移。

二、”不可见的基础设施”意味着什么

报表里的数据把这个模式呈现得很清楚：机器学习在 2021 年达到峰值（3.72 次/期），到 2026 年降为 0；深度学习晚两年，但走出了同样的曲线；扩散模型只”存活”了两年（2022–2023）便淡出了讨论。

但它们并没有退出舞台，恰恰相反，它们渗透进了每一个产品、每一篇论文、每一次对话的底层。

当一项技术不再需要被特意命名，就说明它已经从”创新”变成了”常识”，从”需要被选择”变成了”无需选择”。这正是技术走向成熟的最强信号。

三、”消失得最快 = 最成功”的深层逻辑

这句话真正精妙的地方，在于它翻转了我们判断”成功”的标准。

我们通常用热度、讨论量、搜索指数来衡量一项技术的影响力。但这份数据揭示了相反的规律：真正改变行业的技术，往往是最快从话语中退场的那一批。原因很简单：当所有人都已经在用它，就没人再需要谈论它了。

反过来看，那些长期停留在讨论阶段的概念（比如”伦理”在 2019–2022 年持续高热），往往意味着行业还没有形成共识、找到解法，问题仍然悬而未决。

到这里，这让我想起 skills 刚出来的时候，很多文章把它和 MCP 拿来对比，断言”MCP 被推翻了”。

我当时专门调研过，发现 MCP 不仅没有退场，反而沉到了更底层，渗透进了 agent 技术的基础之中。

skills 和 MCP 本就是两个不同维度的东西，很多人把它们放在一起比较，其实是不了解二者的本质：skills 是一套稳定的工作流，MCP 是一种通信协议。

它们唯一可比的角度，是对上下文的影响：skills 按需加载，对上下文友好；MCP 偏向全量加载，更容易让上下文膨胀。除此之外，二者并不在同一条赛道上。

每当一个新概念出现，人们总是习惯性地把它和最近一个”看起来相关”的旧概念做替代式对比，而不是去理解它们各自在技术栈中所处的位置。

身处技术栈内部的人，能感知到各层之间的相对位置和依赖关系；而身处外部的人，只能看到话语层的表面，哪个词上了热搜，哪个词消失了，就据此判断谁赢谁输。