每經記者 可楊  楊卉    每經編輯 蘭素英    

【編者按】：

本周，OpenAI推出新一代旗艦AI模型——GPT-4o。而早在2023年3月15日，GPT-4就已正式問世，其強大的文本生成能力迅速使生成式AI成為全球焦點，掀起了一場AI技術競賽的浪潮。

在國內，生成式大模型的發布同樣風起云涌。2023年3月16日，百度發布“文心一言”大模型；2023年4月10日，商湯科技的日日新發布；2023年4月11日，阿里巴巴的通義千問發布；2023年7月7日，華為云推出盤古大模型3.0……各方力量爭先恐后，爭奇斗艷，這股熱潮被形象地稱為“百模大戰”。

那么，一年多過去了，國內大模型企業的發展現狀如何？硅谷的生態又有怎樣的新變化？在這一領域中，科技巨頭和初創企業展現出了怎樣的發展方向？對此，《每日經濟新聞》特推出《“百模大戰”周年考》策劃，深入探討這些問題。

一年前的3月15日，隨著OpenAI多模態預訓練大模型GPT-4的發布，國內包括百度、華為、騰訊等科技巨頭，百川智能等初創企業，以及智譜AI研究院等研究機構紛紛揚帆起航，投身到人工智能（AI）大模型開發，試圖搭上這趟時代的列車，轟轟烈烈的“百模大戰”也由此開啟。

據《每日經濟新聞》記者的不完全統計，截至今年4月底，國內共計推出了305個大模型。而截至5月16日，只有約140個大模型完成生成式人工智能服務備案，占發布總量的45.9%。這意味著，還有約165個大模型尚未獲得“過審”機會。

這一嚴峻現實的背后除了有技術層面的難度，還有訓練和推理過程中高昂算力成本的制約；即便是跨過這一關，大模型企業如何實現商業化，依然著面臨不小的難度。而對這場競賽中可能被“出局”的公司來說，未來的路又在何方呢？

現狀：305個大模型發布，僅約四成完成備案 

GPT-4的發布在全球掀起了“煉大模型”的熱潮，面對這一新藍海，科技巨頭、初創企業以及科研院校相繼開啟布局，沒人想錯過這趟時代的列車。

據《每日經濟新聞》不完全統計，截至今年4月底，國內共推出了約305個大模型，在過去一年推動著語言理解、圖像識別等多個領域的技術進步。

圖片來源：每經制圖 

截至2024年5月16日，國內共有約140個大模型完成生成式人工智能服務備案，占305個大模型的45.9%左右。

此前，國家網信辦有關負責人就《辦法》相關問題回答媒體提問時介紹，《辦法》規定，利用生成式人工智能技術向中華人民共和國境內公眾提供生成文本、圖片、音頻、視頻等內容的服務，適用本辦法。

在已備案的大模型中，在地域分布上，北京以70個備案大模型領跑全國，凸顯了其在AI領域的集聚效應。上海和廣東緊隨其后，分別有28個和19個模型備案。

圖片來源：每經制圖 

而“140”這一數字同時也意味著，從備案層面來看，大約還有165個大模型依舊未通過備案，無法公開向公眾提供服務。這些尚未能“過審”的大模型中，不乏一些備受關注的明星項目，包括曾號稱是“國內首個ChatGPT”的元語智能大模型ChatYuan。

更多未完成備案的是“學院派”大模型。在305個大模型中，有60個大模型是由大學或研究院所研發。或許是由于研究機構的項目更偏重學術探索，而非商業應用，備案動力或流程可能不如企業迅速。也有大模型轉向“境內深度合成服務算法”備案，例如恒生電子的大模型。

一名大模型行業創業者對《每日經濟新聞》記者介紹稱，當前模型相關的備案申請有點像專利申請，并不一定會通過，且申請周期較長，約在4~6個月。他表示，當下，大模型只要做To C服務，就需要備案，而在B端，一些大客戶會要求大模型公司完成備案工作。

不過他同時強調，沒備案的大模型也不代表就消失在市面上，很多來自研究所、大學的大模型僅僅只用于研究，就沒有動機去完成備案。

一家大模型頭部企業從業人士也告訴記者，來自大學的大模型，如果只做自己學術范圍內的研究，是可以不用備案的。

“百模大戰”行至此時，最終留下3~5家大模型已經成為行業對于這場競賽最終結局的共識。“大模型這個行業（到最后）可能就不存在了，未來大模型就是幾個最基本的底座，只有少數的幾家公司。”行行AI董事長、順福資本創始人李明順曾在接受《每日經濟新聞》記者采訪時坦言。

難點：成本高，日活千萬需年入超100億元才能覆蓋數據中心成本

算力資源的稀缺性是制約大模型發展的關鍵瓶頸。對不少大模型來說，沒能挺過一周年，難搞的算力要負很大責任。對于模型廠商而言，目前主要的算力成本包括預訓練成本和推理成本。模型推理應用階段對算力的需求要遠遠高于訓練階段。

據中國工程院院士鄭緯民計算，在大模型訓練的過程中，70%的開銷要花在算力上；推理過程中95%的花費也是在算力上。

以GPT-4為例，該模型的訓練需要一萬塊英偉達A100芯片跑上11個月。假設每塊A100的成本為10000美元（價格因供應商和購買數量而異），那么一萬塊A100的總成本約為1億美元。

對于許多急匆匆踏上大模型賽道的創業公司或科技企業來說，在“燒”了一陣子錢后，他們絕望地發現，算力不僅越來越貴，質量也開始下降。

鄭緯民表示，目前，市面上只有三類系統可支持大模型訓練。其中，基于英偉達GPU的系統一卡難求；基于國產AI芯片的系統面臨國產卡應用不足、生態系統有待改善的問題；而基于超級計算機的系統，雖然可在作好軟硬件協同設計的情況下實現大模型訓練，但需在超算機器尚未飽和的前提下操作，私人企業獲得超算設備的機會并不大。

據英特爾方面介紹，在大模型領域，去年關注點更多是在模型訓練上，對成本和功耗并不那么重視，彼時，企業都希望能訓練一個自己的通用大模型。隨著很多通用大模型被訓練出來，今年關注的重點則轉移到了推理。對企業來說，大模型訓練出來是需要變現且能夠盈利的。但目前市場上很多大模型都是基于開源的，性能差不多，用于訓練的數據也差不多，很難通過差異化來盈利。

沒有足夠的資金支撐推理過程，成了很多創業者敗退的原因之一。為了降低成本，部分企業正在嘗試探索是否可以用CPU來做大模型推理。從當前一些案例來看，在130億參數以下的大模型中，CPU是可以做到的這一點的。

然而，即便是熬過了推理關，企業要將大模型變現仍有不小的難度。在行云集成電路創始人季宇看來，大模型的商業落地與早期互聯網時代相比區別很大，邊際成本仍然非常高。大模型每增加一個用戶，基礎設施需增加的成本是肉眼可見的，一個月幾十美元的訂閱費用根本不足以抵消背后高昂的成本。

更為關鍵的是，眼下大模型要大規模商業化，在模型質量、上下文長度等方面還有進一步訴求，不排除會進一步增加邊際成本。目前來看，日活千萬的通用大模型一年需超過100億元的收入才能支撐其背后的數據中心成本，未來大模型要像互聯網產業一樣服務上億人，成本一定是邁不過去的檻。

尋找新“航道”：投身應用或專注垂類細分行業

如果說“百模大戰”最后的贏家只屬于少數幾家公司，那在這場賽事中被淘汰的公司，未來會走向何方？

昆侖萬維董事長方漢曾在接受《每日經濟新聞》記者采訪時表示，“百模大戰”會淘汰一部分公司，剩下的科技公司肯定會繼續全速前進。

在行云集成電路創始人季宇看來，當下和未來兩三年，大模型的商業探索會在成本和Token質量上相互妥協，并逐漸分化為兩派。

一派是質量優先，用高端系統打造高質量的通用大模型，尋找超級應用來覆蓋高昂的成本。另一派是成本優先，用足夠便宜的硬件提供基本夠用的Token質量，尋找垂直場景的落地。若能在同樣的成本下買到規格大得多的芯片，跑一個百億千億模型，支持超長上下文，商業化的空間會比今天大得多，就像曾經的顯卡和游戲行業一樣。

啟明創投合伙人周志峰認為，當下，絕大多數的大模型企業是包著大模型的皮，裹著應用的心，“擁有模型能力的團隊更容易在算法、模型、數據、模型的加速方面去做優化，以達到體驗更好的產品，尤其對比那些用第三方模型純粹做應用的公司。這一類公司其實不是模型公司，未來一定會是一家應用公司”。

周志峰以字節跳動為例，從今日頭條到抖音到TikTok，背后的軸是AI驅動的推薦引擎。“字節跳動第一輪、第二輪融資的時候跟我們投資人講得更多的故事是AI驅動的推進引擎，而今天不會再去說字節跳動是一家AI技術公司，只會記得是哪幾個應用造成了這么大的規模。”同理，今天大部分的大模型公司未來也一定是靠它最終闖出了超級應用，大家因為這個超級應用而記住這家公司。

李明順也持同樣的觀點，即不遠的未來，有一部分大模型公司要轉型成應用公司，因為大模型領域不需要這么多公司，“有一些大模型公司的創始人有Plan A和Plan B的雙計劃，就是一旦我的模型實在是拼不過前面的5家之后，就要被迫在一些垂直領域里面找到生存之地，它就會轉型為一家應用公司。”

在備案成功的大模型中，部分模型已經從通用型轉變為聚焦特定領域或行業的細分垂類模型。

中科聞歌董事長王磊在接受《每日經濟新聞》記者采訪時坦言，在過去的半年到一年內，適當做小行業大模型，降低參數規模的趨勢已經變得非常明顯。真正成功的商業應用不是制造一個巨無霸，而是能夠被用戶廣泛使用且價格適中。“實用至上是關鍵，不必為了面子而去追求大規模，高昂的代價會影響產品的市場推廣和用戶的使用，實用性才是商業發展的主導原則。”

王磊表示，目前國內企業都意識到，最受歡迎的規模是70億和130億，300億是單臺推理的參數規模，比較受歡迎。“在我們的大模型發布時，國外網友評價這是企業級應用的小型參數規格。我認為一般的企業可能難以承受更大規模的產品。對于文本生成任務，這個規模基本上是足夠的，但對于一些特定領域的任務，還需要強化模型的能力。”

第四范式也同樣堅定選擇投入行業大模型。“如果說無限把模型做大，往里面放無限多的數據，最后可能會達到AGI的狀態，但是在每一個垂直應用，我們都要平衡好能力以及代價”。創始人戴文淵此前在第四范式的業績溝通會上也表示，從技術的角度來說，第四范式也追求AGI，但是與此同時，“對于每一個客戶的具體場景，我們也要做一定的裁剪，比如說這個考試只考數學，不一定需要讓它有物理的能力。”