過去半個世紀,全球科技產業的資本開支與創新節奏,都和一個規律緊密相連，那就是摩爾定律——晶片性能每18個月翻一番。在摩爾定律之外，還有一個“安迪-比爾定律”，它講的是，摩爾定律所主導的硬體性能提升的紅利，會迅速被軟體複雜度的增加所抵消。安迪指的是英特爾前CEO安迪·格魯夫，而比爾，指的是微軟創始人比爾·蓋茲。這種“硬體供給、軟體消耗”的螺旋上升,驅動了PC與網際網路時代的產業進化。時移世易，安迪、比爾都已經退出產業一線，但是規律的底層邏輯並未改變，而且被新的“安迪·比爾”推向更高的極致。ChatGPT的爆發拉開了生成式人工智能時代的大幕，在Scaling Law(規模法則)的主導下,模型參數指數級膨脹,軟體對算力的索取遠超摩爾定律的供給速度，AI發展的邊際成本急劇上升。當硬體供給遭遇能源、資料等天花板時，舊的“安迪比爾”式增長範式開始失效。產業需要一場逆向革命。大模型作為AI時代的“軟體”，需要通過極致的演算法與工程化重構，在現有硬體上爆發更強的能力。2025年，中國大模型公司成為這一路徑的最堅定實踐者。從DeepSeek V3通過細粒度混合專家(MoE)架構以1/10算力成本對標頂尖模型，到Kimi等團隊在稀疏注意力機制上的突破，被稱為“東方力量”的中國大模型公司，正試圖用架構創新努力拉平客觀存在的算力差距。清華大學電腦系副教授劉知遠及其聯合創立的面壁智能團隊，也是其中的典型代表。他們發佈的MiniCPM("小鋼炮")系列模型，僅用約1/10的參數規模,即可承載對標雲端大模型的智能水平，成為端側高效AI的案例。2025年11月，劉知遠團隊的研究登上全球頂級學術期刊《自然·機器智能》(Nature Machine Intelligence)封面，正式提出大模型的“密度法則”(Densing Law)。基於對51個主流大模型的嚴謹回測，論文揭示了驚人的非線性進化規律：從2023年到2025年，大模型的智能密度以每3.5個月翻倍的速度狂飆。這是一條比摩爾定律陡峭5倍的進化曲線。這意味著，每100天，就可以用一半參數量實現當前最優模型相當的性能。每100天成本減半，一年後成本就可能降至原來的十分之一。如此快的迭代速度，對技術創新、產業落地提出了不同以往的挑戰。劉知遠在與騰訊科技的對話中直言:如果一家大模型公司發佈一款新的模型後“3到6個月無法收回成本”，這家公司的商業模式就不可持續，因為後來者很快就能以四分之一的資源實現同等能力。當研發迭代周期被壓縮至百天量級,人類的智力供給已逼近極限,產業的終極形態必將發生質變。工業革命的標誌是機器製造機器,而劉知遠期待的AI時代生產力標誌，將是“用AI製造AI”。唯有如此,才能支撐這場超越摩爾定律的智能風暴。騰訊科技：我們今天的主題是您和團隊最新發表在《自然·機器智能》上的關於大模型“能力密度”（Densing Law）的論文。您能介紹一下這項研究的背景嗎？劉知遠： 雖然這篇論文是 2025 年發表的，但這個想法早在 2024 年上半年就已經開始萌生。2023 年初，ChatGPT 的出現引發了全球對大模型的追逐，中國團隊也不例外，當時大家都在研究如何復現 ChatGPT。到了 2023 年下半年，一線的團隊基本完成了復現工作。那時候我們開始思考大模型未來的發展路徑。有些團隊可能會繼續沿用 ChatGPT 的技術路線，通過增加參數規模、投入更多資料來訓練 GPT-4 水平的模型。這條路線雖然確定性高，但意味著要花費更多經費，這顯然不是一條可持續的發展路徑。你不可能無限地增加成本來換取更強的能力。因此，我們開始探討如何用更低的成本、更高的質量來實現模型能力。2024 年初，我們推出的 Mini CPM 系列模型驗證了這一點：我們可以用更少的參數，實現歷史上需要幾倍甚至幾十倍參數才能達到的能力。這是經驗性的結果，我們想尋找其背後的規律，於是促成了 2024 年對“密度法則”的探索。圖：Densing Law論文登上Nature Machine Intelligence封面騰訊科技：這項研究是否因為中國的國情，使我們更重視大模型的效率問題？它在國內外是獨一無二的嗎？劉知遠： 追求效率當然有中國算力有限的國情因素。我們必須關注如何用更少的算力實現更高品質的模型。這也是為什麼 2024 年下半年，《經濟學人》的一篇封面文章提到，中國企業正通過技術創新繞過“算力牆”，並舉了面壁智能和 DeepSeek 的例子。但同時，追求效率也符合人工智慧本身的發展規律。人工智慧是一場堪比工業革命的科技浪潮，如果要讓每個人都受益，技術就不能昂貴。我們必須像歷史上任何一次科技革命那樣，用更低的成本實現更高品質的產品和服務。因此，我們自信地認為，密度法則對人工智慧的未來發展具有重要意義。騰訊科技：在“密度法則”中，一個關鍵概念是量化“智能”，但這本身是一個難題。在研究開始前，您為什麼覺得這件事是行得通的？劉知遠： 這個問題問得非常好。實際上，我們在密度法則這篇論文裡並沒有真正解決“如何度量智能總量”這個科學問題，而是找了一條取巧的辦法：找一個參照物（Reference Model）。我們假設用同一套技術方案訓練的模型，無論尺寸大小，其密度大致相同。我們將這套方案訓練出的模型作為 Reference Model，並假設其密度為 1。然後，我們觀察目標模型達到某種智能水平時，Reference Model 需要多大參數才能達到相同水平。通過比較兩者達到相同能力所需的參數量，我們就可以算出目標模型的相對密度。這種方法規避了直接計算模型內部智能總量的難題。當然，如何衡量智能的總量（Mass）是未來幾年人工智慧需要攻克的基礎科學問題。歷史上任何大的科技革命背後都有科學理論支撐，如資訊理論之於通訊，熱力學之於蒸汽機。智能科學未來也需要解決如何衡量智能總量的問題。騰訊科技：您在2024年WAIC期間曾提到模型的“密度法則”周期是8個月，但最終論文的結果是3.5個月。為什麼進化的速度比您預期的快這麼多？劉知遠： 2024年年中我們剛有這個想法時，研究尚在初期，觀測的時間跨度和模型數量都有限，所以當時的資料不夠穩定。我們2024年下半年發佈的版本算出來是3.3個月，到今年正式發表時，我們補充了2025年的新模型資料，周期修正為3.5個月。其實，具體的周期是三個月還是八個月並非最重要，最重要的是，這個速度遠遠快於摩爾定律的18個月。這意味著我們正以前所未有的速度迎來一場智能革命。每100天成本減半，一年後成本就可能降至原來的十分之一。同時，我們確實觀察到了一個加速現象。2023年之前，這個周期接近五個月；2023年之後，則縮短到三個多月。我們猜測，這是因為ChatGPT引發了全球性的關注，更多的資源和人才投入加速了技術創新。所以，“密度法則”並非自然規律，而是我們人類社會在該科技領域的一種“自我實現”：投入越多，密度增長越快。騰訊科技： 剛才提到投入，大模型有暴力美學的 Scaling Law，您覺得 Densing Law 和 Scaling Law 是統一的還是矛盾的？劉知遠：我認為它們是硬幣的兩面，相輔相成。“規模法則”的表像是模型越大、能力越強，其背後是我們找到了一條通用的智能構造方案（Transformer架構+序列預測學習），使得在一個模型內持續增加智能成為可能。它開啟了通往通用人工智慧的道路。在坐標系中，“規模法則”是一條參數規模越大、模型能力越強的持續上升曲線。而“密度法則”告訴我們，通過在模型架構、資料治理、學習方法等方面的持續技術創新，我們可以用更小的參數承載更多的智能，從而找到一條更加“陡峭”的“規模法則”曲線。也就是說，用相同的參數實現更強的能力，或者用更少的參數實現相同的能力。所以，沒有“規模法則”就不會有“密度法則”，兩者都是人工智慧發展中至關重要的規律。騰訊科技：“規模法則”似乎正面臨資料、算力和能源的天花板。密度法則何時會遇到瓶頸？劉知遠： Scaling Law的持續發展確實面臨電力、算力、資料等約束。而 Densing Law 正是實現更可持續Scaling Law 的方式。通過技術創新提高密度，我們可以在算力或成本基本不變的情況下，持續提升模型能力。例如DeepSeek V3宣稱用 1/10 的算力實現同等能力，OpenAI 的 API 價格持續下降，都反映了內部通過技術創新用更小的模型提供同等服務。當然，資料枯竭問題可能需要依賴另一項技術——大規模強化學習來解決，即讓模型通過自我探索生成高品質資料進行學習。騰訊科技：2025年有那些讓您覺得驚豔的技術突破，能讓 Densing Law 更加陡峭？劉知遠：今年是模型架構創新的大年，主要有三個方向：第一，以DeepSeek V3為代表的細粒度混合專家（MoE）架構走向成熟，通過稀疏啟動少數專家來大幅提升計算效率。第二，稀疏注意力（Sparse Attention）機制大行其道，通過減少注意力計算中的內容參與度，有效處理長序列。這兩者分別最佳化了Transformer的FFN層和Attention層，實現了計算的“按需分配”。第三，復興循環神經網路（RNN）思想，通過與Transformer混合架構，利用其“記憶”機制降低計算複雜度。這些創新都在變相地提升模型密度。此外，大規模強化學習的應用也取得了巨大飛躍，尤其在數學和程式碼領域，模型通過自我探索持續提升能力，暫時還看不到盡頭。這解決了資料枯竭的問題。騰訊科技： 您覺得密度法則能推廣到多模態模型或世界模型嗎？劉知遠： 我認為這是一個普遍規律。雖然不同領域的倍增周期可能不同，但只要是通用的、遵循 Scaling Law 的模型，未來也一定會遵循 Densing Law。就像晶片摩爾定律和電池密度提升一樣，技術創新總是追求用更少的資源實現更高的性能。騰訊科技：您如何看待Google最新發佈的Gemini 3？它是否可被稱為里程碑式的突破？劉知遠：我們內部認為Gemini 3是一個非常重要的里程碑。它在圖像生成中對文字的控制達到了前所未有的高度，這表明其模型的可控性和對世界的理解能力達到了一個新水平。我們推測，它不只依賴於Diffusion模型，很可能將自回歸（Auto-regressive）的思想融入其中，實現了生成過程的逐層細化和高度一致性。歷史上，所有文生圖模型都難以處理好文字內容，Gemini 3的突破，在我看來是一個非常值得關注的新範式。這也印證了密度法則：只要能實現某種智能，未來一定可以在更小的終端上運行。比如 Gemini 3 現在的能力，未來一定可以在手機、PC 或汽車晶片上跑起來。騰訊科技： 現在還沒有出現能替代智慧型手機的端側 AI 裝置，是不是因為 Densing Law 還沒進化到位？劉知遠： 端側裝置的發展受限於多個因素。第一，還沒有形成好的端側應用場景。現在的手機助手雖然使用者多，但並未與硬體緊密結合。第二，端側技術生態尚未形成。AGI 發展還沒收斂，模型能力還在持續提升，且在產品設計上還沒法完全規避錯誤。就像早期的搜尋引擎也是經過產品打磨才普及一樣，AGI 結合智能終端也需要一個過程。一旦產品形態成熟，智能終端的廣泛應用就會成為可能。騰訊科技： 您提到 MiniCPM 4 可以看作一種“模型製程”，這個怎麼理解？劉知遠： 我更願意把這一代模型比作晶片製程。通過技術創新，我們形成了一套新的模型製程，無論建構什麼尺寸的模型，其密度都更高。例如 MiniCPM 4 在處理長序列時速度提升了 5 倍，意味著可以用更少的計算量承載更強的能力。但目前的挑戰在於，硬體支援還不夠好。我們正在努力做軟硬協同最佳化，希望在消費級硬體上真正跑出理想狀態。騰訊科技： 這需要和高通、聯發科等硬體廠商協同創新嗎？劉知遠： 我們跟硬體廠商交流密切。但硬體廠商受摩爾定律 18 個月周期的影響，架構調整更審慎。而模型每 3 個月就進化一次。所以短期內是軟體適配硬體，長期看硬體會針對穩定的新技術做最佳化。現在端側晶片廠商已經在認真解決大模型運行的瓶頸，比如訪存問題。騰訊科技： 之前大家嘗試過剪枝、量化等方法來做小模型，這和原生訓練的高密度模型相比如何？劉知遠： 我們做過大量實驗，剪枝、蒸餾、量化都會降低模型密度。量化通過後訓練可以恢復一部分效果，是目前端側比較落地的做法。但蒸餾現在已經融合進資料合成體系，不再是簡單的“大蒸小”。剪枝目前還沒找到保持密度的好方法。就像你不能通過剪裁把 14nm 晶片變成 7nm 晶片一樣，要把密度做高，必須從頭建構一套複雜的原生技術體系，包括架構設計、資料治理、學習方法和軟硬協同。這本身就是技術護城河。騰訊科技：“密度法則”對產業界意味著什麼？對於創業公司來說，機會在那裡？劉知遠：3.5個月的迭代周期意味著，任何一個投入巨資訓練的大模型，如果不能在3到6個月內通過商業化收回成本，這種模式就很難持續。因為很快就會有技術更新的團隊用更低的成本實現同樣的能力。因此，雲端API服務的競爭會極其慘烈，最終可能只會剩下幾家擁有海量使用者和強大技術迭代能力的頭部廠商。對於創業公司而言，機會可能在於“端側智能”。端側場景的約束條件非常明確（如功耗、算力、響應時間），這使得技術優勢，即誰能把模型密度做得更高，成為唯一的競爭點，大廠的“鈔能力”（如不計成本的投入）在這裡難以發揮。雖然手機廠商也在高度關注，但它們的決策會更審慎。我們認為，端側智能會先從智能座艙等對功耗不那麼敏感的場景開始，而最終，AGI時代一定會有屬於它自己的智能終端形態，這是我們希望探索的星辰大海。騰訊科技： 面對算力軍備競賽和快速折舊，您怎麼看泡沫論？劉知遠： 快速發展肯定伴隨局部泡沫，但整體上我們正進入智能革命時代。如果以 18 個月為周期，資訊革命走了 50 個周期；如果 AI 也走 50 個周期，按現在的速度，大概到 2030-2035 年就能實現全球普惠的 AGI。未來網際網路的主體不再只是人，還有無數智能體。雖然訓練模型的廠商會收斂，但推理算力需求會爆炸式增長。騰訊科技： 李飛飛（美國國家工程院院士）說 AI 是文明級技術，您對這場革命樂觀嗎？劉知遠： 我相當樂觀。騰訊科技：如果AI變得無比強大，未來人類會不會無事可做？劉知遠：我不這樣認為。未來一定是人機協同，人是把關人。人類知識大爆炸導致我們只能成為細分專家，阻礙了跨領域創新。人工智慧可以幫助我們成為知識的主人而不是奴隸，去探索宇宙、生命等更多未解之謎。騰訊科技： 您2026年最期待的創新是什麼？劉知遠： 我最期待“用 AI 製造 AI”。明年一個重要節點是自主學習（Self-play）。目前的強化學習還依賴人類給標準答案，未來模型如果能自主判斷探索結果的價值，就實現了自主學習。在此基礎上，結合密度法則的提升，我們有可能為每個人建構專屬的、持續學習的個人大模型。未來的生產標誌就是“用 AI 製造 AI”。不再依賴有限的人力，而是由 AI 來賦能 AI 的研發和製造。這將是一個指數級加速的過程。 (騰訊科技)

中國創業公司的3年存活率，大約是10%，AI創業公司只會更低，DeepSeek的出現，加速了中國國產大模型公司的生死戰。短短的兩年半，從“百模大戰”到“十模共生”，就連被給予厚望的大模型“六小虎”，其中兩虎已經宣佈退出基模的研發。中國國產大模型公司之間的競爭相當慘烈，並且還沒有到終局，本文就來聊一聊，近期對大模型產業的觀察與思考。01. 基礎大模型，開始進入可用階段1、Agent爆發，標誌著基模進入可用階段人工智慧科學家吳恩達，曾提出Agent的四個核心要素：反思、工具呼叫、規劃和多智能體協作。比如，一個電商 Agent 能根據使用者需求自動比價、生成購物清單、跟蹤物流；一個醫療 Agent 能分析病例、輔助診斷、制定治療方案，等等。而 Agent 的核心能力“反思”，本質上則是依賴大模型的推理和深度思考能力 。2025年被稱為Agent元年，各種Agent已遍地開花，從釘釘智能客服，到位元組的扣子空間，再到百度心響App，以及剛剛融資5億的Manus。Agent興起不僅僅是一個趨勢，更是基礎大模型能力達到一個臨界值的標誌。只有大模型具備了足夠強的理解、推理和決策能力，才能支撐起現實世界中的各種應用場景。同時這也意味著，基礎大模型開始從研究、炫技階段，邁入可用、產業化的新階段。2、基礎大模型公司，不超過3家李開復曾公開表示，最終基礎大模型公司可能也就2-3家，其實道理很容易理解，基礎大模型是典型的技術密集、資本密集、資料密集型行業，壁壘極高，馬太效應非常明顯。訓練一個頂尖大模型，動輒需要上萬張高性能GPU，數月乃至更久的訓練時間，海量的優質資料，以及頂尖的演算法科學家團隊。這樣的投入，堪比“軍備競賽”，小玩家根本上不了牌桌。這一特點也基本注定基礎大模型的終局----只會留下極少數的基礎大模型“寡頭”。02. 盤點國內“第一梯隊”基礎大模型根據K哥的觀察以及行業內的普遍共識，目前國內基礎大模型第一梯隊玩家，大致有以下幾家：1、阿里Qwen：開源生態的 “基建狂魔”阿里的通義大模型佈局全面，通義系列模型從 0.5B 到 110B 全尺寸覆蓋，阿里 Qwen 系列已開源 200 余個模型，全球下載量超 3 億次，Qwen 衍生模型數超 10 萬個，已超越美國 Llama 成為全球最大的開源模型，開發者生態規模僅次於 Hugging Face。這種 “開源獲客 - 商業版變現” 的模式，跟Android系統的生態邏輯，有異曲同工之妙：通過免費開源吸引開發者、建立技術品牌影響力，再通過企業版、定製化服務盈利。比如，淘寶用通義千問最佳化推薦演算法，有效提升使用者轉化率；夸克推出的 AI 作業助手，覆蓋 K12 教育場景。更關鍵的是，阿里雲未來三年投入 3800 億建設 AI 基礎設施，自研的“光系列”晶片和液冷資料中心，為模型訓練提供了底層保障，讓大模型成為水電煤一樣的基礎設施，也讓自己的全棧技術佈局，成為別的企業難以踰越的護城河。2、深度求索DeepSeek：用工程創新 “掀翻桌子”火爆出圈的DeepSeek，則是憑藉驚豔的工程創新，在大模型江湖殺出一條獨特血路。它搞出降秩 KV 矩陣，搭配混合專家架構，參數數量直接砍掉約 60%，算力消耗大幅削減，訓練成本低至行業頭部模型的 1/10。還有它的 GROP 演算法強化學習，跳過傳統 SFT 微調，用 “模糊思考 + 精確證明” 的訓練套路，讓數學、程式碼生成任務上表現無可挑剔，在 LMSYS Org 榜單奪魁。更具前瞻性的是DeepSeek的開源策略，不僅建構起了以中國為圓心的全球 AI 生態，還在其他公司追求“更大更強”之際，用自己的技術實力和戰略眼光開闢了“更省更快”的新賽道，直接“顛覆”API 定價，把 AI 服務從高端“奢侈品”，變成大眾用得起的 “日用品”。3、位元組豆包：流量加持的“全能選手”位元組的 AI 戰略帶著鮮明的 “張一鳴烙印”：低調佈局，卻步步精準。張一鳴作為“一把手”，親自掛帥 AI 戰略，整合超千人的頂尖 AI 科學家軍團。而抖音、今日頭條等旗下產品，每天產生的海量視訊資料，更為其多模態模型提供了充分的“養料”。一個典型案例是 “豆包 AI 助手” 的迭代：初期只是簡單的聊天機器人，如今已能根據使用者輸入的文字生成短影片指令碼、自動剪輯視訊，甚至通過分析使用者表情推薦內容。這種 “流量 + AI” 的閉環，讓位元組的模型訓練擁有天然優勢。此外，位元組在視訊生成、即時互動等領域的技術突破，也在一步步重新定義和拓展“內容創作”的邊界。4、百度文心大模型：搜尋巨頭的 AI 涅槃百度是國內最早佈局大模型的公司之一，文心大模型已經迭代到 ERNIE 4.0 版本。其核心優勢在於“搜尋 + 大模型”的深度融合。比如，使用者搜尋 “如何煮咖啡”，文心大模型不僅能給出步驟，還能生成對應的視訊教學、推薦咖啡豆購買連結。這種 “內容+服務” 的一體化能力，讓百度在 To C 場景中佔據先機。網盤、文庫、地圖等國民級應用，幾乎都用AI重新做了一遍，而且商業上的表現格外亮眼，是國內第一批找到PMF的AI產品。此外，百度還在努力破圈，實現大模型的落地應用。比如，在工業領域，百度與三一重工合作探索裝置智能化維護。在政務場景中，百度依託文心大模型為某地區打造 “政務雲腦”，提升服務效率等。這家老牌大廠正持續發力，努力為自己在AI時代扳回一城。03. 中國需要更多DeepSeek除了以上四家大模型公司 ，國內AI圈還有一批極具潛力的“後浪”在奮力追趕，試圖在基礎模型或其核心能力上實現突破，成為下一個“DeepSeek”。1、智譜AI：開源+閉源，生態完整背靠清華大學知識工程實驗室，智譜 AI 帶著濃濃的 “學院派” 基因。它的 GLM 系列模型在中文問答、程式碼生成領域表現優異，其所堅持的“開源+閉源”雙輪驅動策略，更是捷報頻傳。開源方面，智譜2025 年大手筆開源多款模型，吸引全球開發者挖掘潛在問題、貢獻最佳化思路，模型性能也因此一路飆升；閉源商業化同樣風生水起，2024 年中標 32 個政府及企業項目，攬金 1.29 億元。在金融、醫療、政務等 20 多個行業裡，智譜的模型都成了核心生產力工具。智譜的發展如同它的定位，2G/2B 業務齊頭並進，一邊紮根政府項目，助力數字政務升級；一邊幫企業智能客服、智能辦公，全方位提升效率，讓自己的生態更完整，發展更穩健。2、MiniMax：音訊、視訊，一騎絕塵在多模態賽道尤其是音視訊領域，MiniMax絕對是不容忽視的存在。其自研的語音大模型能夠生成媲美真人的、富有情感的語音，在社交、遊戲、教育等場景有巨大潛力。在視訊生成上也同樣出色，輸入文字指令碼，幾秒鐘就能渲染出特效炫酷、劇情緊湊的短影片，極大降低成本。MiniMax推出的AI社交應用“星野”、AI助手“海螺AI”等產品，也展現了其將技術快速產品化的能力。此外，創始人閆俊傑曾是商湯科技副總裁，對技術和商業都有著極為深刻理解。在當前短視訊、直播帶貨火爆全網，對音訊特效、視訊內容自動化生產需求井噴的市場環境下，帶領MiniMax和各大短影片平台、音訊內容創作社區深度合作，為創作者持續輸送 “彈藥”，在垂直賽道越跑越快，一騎絕塵。3、月之暗面：長文字、數學能力強月之暗面專注長文字處理與數學推理，這堪稱知識密集型場景的硬核需求。比如，在學術研究領域，長篇文獻綜述撰寫，它能梳理海量文獻脈絡，精準提煉關鍵觀點；在金融風控領域，又能靠它分析長篇財務報告、挖掘隱藏風險點，給出量化評估建議。Kimi在數學推理等領域也展現出不俗的實力，其推出的 k0-math 數學推理模型在多個基準測試中表現優異，並在中考、高考、考研及 MATH 等基礎數學測試中的表現超越了 OpenAI 的 o1-mini 和 o1-preview 模型。4、階躍星辰：多模態領域表現突出階躍星辰成立短短兩年，就推出 22 款自研基座模型，其中 16 款多模態模型，佔比超 7 成，被稱為 “多模態卷王”。它堅持理解生成一體化路線，這種技術遠見，完美契合當下 AI 從多模態融合邁向一體化的大趨勢。階躍的多模態模型不僅在國內外權威榜單上頻頻奪冠，更是和產業界展開了深度融合，比如和 OPPO 手機合作 “一鍵問屏” 功能，使用者長按手機介面，就能智能檢索螢幕內容相關資訊；和智元機器人攜手，為具身機器人裝上 “智慧眼睛”，精準識別環境、靈活規劃行動路徑。此外，階躍星辰的商業化之路也走得非常紮實，比如茶百道接入它家Step-1V 多模態理解大模型，實現智能巡檢、AIGC 行銷，門店營運效率大幅提升，也讓階躍星辰收穫了更多的付費使用者。04. 最終比拚的是商業化能力從當年的“百模大戰”，到後來的“AI六小虎”，再到如今的“新基模五強”，為什麼短短兩三年的時間，就有那麼多紅極一時的AI企業，或出局或“泯然眾人矣”？一個極為重要原因就是：有些企業只懂燒錢做技術，不懂賺錢做商業。如上文提到的，大模型是資本密集型、人才密集型、資料密集型行業。但僅僅有錢、有人、有資料，就能成功嗎？未必。商業的本質是創造價值並獲取價值。技術再先進，如果不能轉化為使用者願意買單的產品或服務，不能形成可持續的商業模式，最終也只是曇花一現。這就像“必要條件”和“充分條件”的關係，錢、人、資料是必要條件，但成功的商業化才是充分條件。所以我們會看到，無論是OpenAI與微軟的深度繫結，通過Azure雲服務和Copilot系列產品變現；還是國內的阿里、百度、位元組，依託自身的雲服務和豐富應用場景推動大模型落地，都體現了“技術+場景+商業”的閉環邏輯。而這也恰恰暗合了商業達爾文主義：能活下來的一定是踩中時代節奏、滿足市場剛需、又能實現商業模式自洽的企業，而不會是技術浪漫主義者，或AI理想主義者。最後，中國或許真的不需要幾十上百家公司，都去卷基礎大模型。這既不經濟，也不高效。少數幾家巨頭在基礎模型層面持續投入，提供穩定、強大、且成本可控的“AI底座”就足夠了。更多的創新和機會，應該在於應用層，在於如何利用大模型，結合行業Know-how，解決實際問題，創造真正的商業價值。 (技術領導力)

【震撼預言】OpenAI創始人薩姆·奧特曼最新表態：中國大模型發展速度超出預期，DeepSeek的效率令人印象深刻！ 國務院發佈的《"十四五"數字經濟發展規劃》明確提出：**"加快培育壯大人工智慧等數字經濟新興產業"**。科技部也將大語言模型列入2025年重點攻關項目，政策支援力度空前！ 根據彭博社最新報導，阿里巴巴、騰訊、百度三大科技巨頭已累計投入超過1500億元佈局大模型技術，華為更是宣佈未來五年將投資超2000億元發展AI原生應用生態。資本巨頭紛紛押注，行業爆發已成定局！ 【技術優勢】DeepSeek的四大顛覆性突破

1月27日，由國產大模型公司深度求索開發的移動應用DeepSeek超越ChatGPT登頂蘋果美國區免費應用榜單。同日，蘋果中國區應用程式商店的免費榜也顯示，DeepSeek為榜單第一。由於使用者源源不斷地湧入DeepSeek，繼昨天下午出現局部服務波動導致數分鐘的短暫系統崩潰後，DeepSeek今日上午又火到“當機”，服務狀態頁面顯示網頁/API不可用。據DeepSeek回應稱，可能與服務維護、請求限制等因素有關。 同時，DeepSeek這匹“AI黑馬”也在資本界掀起了滔天巨浪。由於DeepSeek通過結構化稀疏注意力、混合專家系統、動態計算路由等技術，顯著降低了模型訓練和推理的算力消耗，由此引發了市場關於算力需求下降的擔憂。受此影響，美股科技巨頭股價盤前集體大跌，輝達跌超8%，超威半導體一度跌超5%，台積電一度跌逾8%，博通跌近9%。除此以外，歐洲股市方面，光刻機巨頭阿斯麥跌近10%；A股AI算力指數今日跌3.94%，寒武紀一度跌10%，中際旭創跌超10%，工業富聯跌超8%。 DeepSeek火遍國內外 這兩天，爆火的DeepSeek已在海內外引發諸多討論。

科大訊飛，正是中國大模型發展的縮影，面對技術封鎖迎難而上，同時深入千百行業，變得更有生命力。 中美又在AI領域隔空交手了。 1月13日，美國歷史上第一個人工智慧出口管制規則出台，對先進計算晶片以及閉源AI模型實施新的管控措施，向中國等國家出口高端AI晶片和閉源AI大模型幾乎被全面禁止。 而72個小時之內，中國這邊也迅速給出了回應。作為央國企大模型產品的首選，科大訊飛全網直播，高調發佈了星火語音同傳大模型，和全面升級了底座能力的訊飛星火4.0 Turbo，以及當前唯一一個，在全國產算力平台上訓練的深度推理模型—訊飛星火X1。

能帶來收入增長和利潤的商業模式是新的行業焦點，大模型公司都要做好準備。 如果用一些關鍵詞總結中國大模型行業的2024年，第一個是行業瞬息萬變；第二個是Scaling Law效能放緩；第三個是模型推理成本大幅度下降；第四個是國內to C太捲了；第五個是國內to B有希望。 其實大模型賽道的發展還不到兩年，剛開始大家都是帶著好奇心投身進去，但很多人沒有看到，當時大模型的能力是不夠的，難以打造出好的應用，企業也很難落地創造價值。其次是大模型當時的訓推成本太高，就算找到一個好的應用（方向），也不一定做得起。但今天整個格局大大改變了，因為模型的水平在不斷提升，它的成本在大幅度下降。 在to C方面，國外使用者付費的習慣很好，但國內比較難賺錢，有可能越燒越賠；大廠也在to C方面大大發力，這不是一家創業公司能夠去參與競爭的。所以零一萬物在國內的to C策略是先在國外打造出好的產品，再回到國內去推，期待那時推出的是可收費、可賺錢的產品。

在全球最著名的科技峰會之一GITEX上，我們見到了來自中國的大模型，他們分別來自華為、騰訊、智譜AI、科大訊飛以及Soul App，在全球市場都在積極擁抱AI熱潮的當下，他們已經率先掀起了中東淘金熱。 已經是杜拜時間夜裡3點了，羅肯一行人扛著一台55吋的電視螢幕，往杜拜會展中心趕，此次距離杜拜當地最重要的海灣展會（也就是人們俗稱的GITEX）開幕，只剩下不到6個小時。 一個小時前，當地的供應商找到了這個“黑市”，儘管過程還算順利，但交易方式還是讓他的心臟加速跳動了幾下。商販坐在汽車裡，車窗搖下來，他們一邊招手一邊發出中英文混雜的叫賣聲，最後，“一手交錢一手拿貨”，買到了這款適配的螢幕。而在這之前，由於原先的螢幕不適配，帶來的素材無法順利播放，羅肯在現場見證了老闆的暴走，而前來杜拜打工的巴基斯坦工人只是告訴他們：“relax…（放輕鬆）”。 這不過是眾多企業在杜拜GITEX展會開幕前慌亂籌備的一則插曲，但也反映了這裡的市場情況，印度人、東南亞人與巴基斯坦人構成了杜拜廉價勞動力市場的主力，他們的月薪普遍低於1500迪拉姆（約等於3000元人民幣）。當地人則很少出來工作。

終於，中國國產大模型能在綜合能力上也能與GPT-4o一決雌雄了。 在12項指標的測試中，這個模型有11項都超過了GPT-4o，綜合能力則高出了10個百分點。 而且在詩詞賞析等中文特色領域優勢更加明顯，“最難中文Benchmark”弱智吧也有重大突破。 不過，這並不是一家大模型廠商單打獨鬥的結果，而是由16家廠商組成的“聯合戰隊”。