国产大模型发展史：大模型竞争进入“后暴力计算时代”

AI竞技场正静静见证着一场深刻的技术权力腾挪。

这场由DeepSeek引发的变革仍未见平息，大模型竞争进入“后暴力计算时代”，效率的重要性跃然纸上，而AI权力也面临重构，OpenAI“一家独大”的局面正不断受到冲击。

后浪凶猛进化，前浪披荆斩棘，“城头变幻大王旗”赢家尚未有定论，如何既通过开源获取生态的加持，又利用闭源实现商业变现，才是决胜的关键。

01、中国AI项目乘政策风“井喷”

国产AI的发展在不声不响间悄然酝酿。2023年被业内人士视为人工智能发展的分水岭。

人工智能科学家李飞飞曾说：“在历史上，2023 年有望因技术的深刻变化和公众觉醒而被人们铭记。”

而在此之前，关于人工智能的技术探索和创新早已不胜枚举。

1956年约翰·麦卡锡在达特茅斯会议上首次提出“人工智能”（Artificial Intelligence）概念,AI作为一门学科正式诞生。

但到了1973年，由于AI研究遭遇瓶颈，对AI的资金投入大幅缩水，发展进入 “寒冬”。

1986年，直到“AI教父”杰弗里·辛顿（Geoffrey Hinton）提出了反向传播（Backpropagation）算法，神经网络的复兴让AI发展再迎曙光，再到2017年Google提出基于自注意力机制（Self-Attention），取代RNN/LSTM，成为后续大语言模型（LLM）的核心架构……

回望国内的AI发展历程，2023年同样是“国产AI时代开启元年”。

据天眼查，仅2023年上半年与大模型直接相关的融资事件超20起，国内已发布的各类大模型数量超过100个，而到了2024年7月时完成备案并上线的生成式AI大模型数量接近200个。

直到今天，有机会冲进决赛圈的依然只有十几家。咨询机构弗若斯特沙利文指出，我们目前在通用基础大模型领域的竞争者已缩减至20余家，主要由互联网企业、云计算巨头及人工智能创业公司主导。

大家都是这场没有硝烟的“战争”的亲历者，站在2025年的开年回望，或许是经历了2024年 “百模大战”的大浪淘沙，DeepSeek才得以在2025年开年在全球科技行业投掷下“惊雷”，推动国产AI实现了”关键一跃”，站稳脚跟。

拥有持续创新能力的企业逐渐占据市场主导，从图文转视频到多语言广告生成，人工智能的应用范围正在迅速拓展。

与此同时，大模型和智能体技术也进入了加速发展阶段。无论是C端的用户体验优化，还是B端的企业解决方案，智能体和大模型正在重新定义技术与社会的连接方式。

决赛圈里目前有三股力量：一是阿里巴巴、字节跳动代表的互联网大厂、云服务商，介入大模型；二是科大讯飞代表的人工智能国家队，以G/B/C联动的方式，既做解决方案又做硬件产品；三是智谱、DeepSeek等AI创业公司，少数还在坚持基础模型创新。

产业链上下游处境分化，模型厂商发展路径分野。即便“AI六小虎”，也面临道路分化。例如，百川智能已转向医疗等行业大模型；零一万物将超级大模型训练交给阿里；月之暗面和MiniMax专注做C端应用和产品。

业内人士普遍认为，与产业链上下游相比，处于中游的模型厂商普遍面临盈利困境。2025年，大模型决赛圈的选手，还能在基础大模型层创新的企业，会进一步减少。

02、从“烧钱信仰”到“效率革命”

如果说“成本、AI Agent、多模态”是当下AI产业的三个关键词，代表着2024年大模型的进化方向，那么它们或许也代表着大模型迈向产业落地的关键节点。

首先，成本无疑是决定企业生死的关键，训练和部署大规模 AI模型对计算资源的庞大需求不容忽视，这也使得企业必须背负高昂的计算成本和运维成本。

DeepSeek-R1也正是抓了企业在效率和成本控制上的痛点，实现了在相对较低的算力投入下，可媲美甚至超越头部模型的性能表现。

传统人工智能发展模式往往依赖于“规模至上”的逻辑，追求超大规模模型和超大规模算力集群。DeepSeek R1的轻量化模型和开源策略，降低了人工智能应用的门槛，促进了中端算力设施和分布式数据中心的普及。

产业链上游的英伟达，因DeepSeek的出现开始面临一定需求结构调整的压力。

ASIC芯片厂商则迎来了新的发展机遇。由于ASIC芯片能够针对特定人工智能应用进行硬件加速，在能效比和成本控制上具有明显优势，更适应分布式算力发展的趋势。

对于算力服务端来说，区域性数据中心凭借低时延和贴近应用场景的优势，开始承接制造业智能质检、金融风控等对延迟敏感的应用需求。

AWS、阿里云等云计算巨头调整部分大型数据中心的建设策略，加大在边缘计算和分布式算力布局方面的投入。

而应用端则将受益于算力成本的下降，驱动人工智能在制造业、金融、医疗等领域的渗透加速。

在代码托管平台GitHub上，已涌现出大量基于DeepSeek模型的集成应用案例（awesome deepseek integration），形成“需求牵引供给”的正向循环，实现“算力+行业”的双向赋能。

人工智能技术将加速渗透到各行各业，成为推动产业升级和经济发展的重要引擎。

但值得关注的是，DeepSeek R1的技术突破，在降低人工智能应用门槛的同时，也可能引发“杰文斯悖论”。

杰文斯悖论由19世纪经济学家 William Stanley Jevons提出，他发现，随着煤炭使用效率的提高，煤炭的消耗总量反而增加。这一悖论揭示了一个深刻的经济规律：效率的提升并不必然导致资源消耗的减少，反而可能因为成本降低和应用范围扩大，刺激需求增长，最终导致资源消耗总量增加。

微软 CEO 萨提亚·纳德拉引用杰文斯悖论来解释DeepSeek R1可能带来的影响，可谓一针见血。

纳德拉认为，更实惠、更易于访问的人工智能技术，将通过更快的普及和更广泛的应用，导致需求的激增。随着人工智能技术的门槛降低，过去由于成本限制而无法应用人工智能的领域，例如中小企业、边缘计算场景等，将涌现出大量新的应用需求，从而导致算力调用密度指数级上升。

新兴应用场景的爆发，也将加速算力需求的裂变。智能驾驶、具身机器人等前沿领域对实时算力的需求极为庞大，远超DeepSeek技术优化的速度。即使单任务效率提升数倍，百万级智能终端的并发需求，仍将形成巨大的算力吞噬黑洞。

03、“开源”与“闭源”的协同

随着开源大模型DeepSeek的“爆火”，“开源”和“免费”等关键词频现。

如果说，在DeepSeek之前，国内大模型企业关于“开源”和“闭源”的路径仍多有分歧，现在“开源”、“开放生态”、扩大朋友圈的呼声似乎成了主流。

在DeepSeek这条鲶鱼的冲击之下，国内大模型企业展示出更“开放”的姿态，希望加快建立自己的开发者生态和应用生态。

而开源模型和闭源模型的关键差异，则可以从基础条件、技术层面和商业化三个维度来观察。

从基础条件看，开源模型以公开数据集、社区贡献数据为数据来源，以分布式的、开发者自有的GPU集群为算力支撑，为开发者、研究者、企业等提供了平等的接入机会，促进了技术的创新和共享。

闭源模型则是由公司或团队开发，以专有数据如用户行为日志、私有数据库、清洗后公开数据为数据来源，用户只能根据公司提供的接口或平台使用这些模型。

从盈利场景看，开源模型本身并不直接带来收益，但它们通常通过附加服务（如云计算、技术支持、培训、定制化开发等）来实现营利。公司可以通过商业化的方式提供增值服务，依托开源模型形成可持续的收入来源。

闭源模型的商业化路径相对直接，企业通过授权许可、订阅服务、平台收费等方式实现营利。闭源模型能为公司带来高利润，因为客户需要为其使用权限和服务支付费用。

开源与闭源并非“水火不融”，未来很可能会形成开源与闭源相互作用的形式，开源加速了AI技术的普及和创新，而闭源则确保技术能够在商业上获得长足发展并维持稳定性。

未来的赢家将是能同时掌握开源和闭源能力的多面手，，既通过开源获取生态势能，也利用闭源实现价值捕获。

正如纳德拉所说，“超大规模AI不会出现赢者通吃的局面，开源模式将制衡闭源。”

尾声

DeepSeek 在当下的AI时代将扮演重要角色，就像 Android 之于移动互联网革命。

重构产业生态，引发链式反应，加速上层应用发展与下层系统统一。这将调动起跨越软硬件和上下游的生态力量，促使各方加大 “模型 – 芯片 – 系统” 协同优化与垂直打通的投入，进一步削弱 CUDA 生态优势，为国产 AI 产业发展创造机遇。

DeepSeek 通过技术创新，在 AI 模型训练过程中实现了对高端进口芯片依赖的降低，这为国内企业展示了一条可行的技术路径，极大地增强了国内企业自主研发算力芯片的信心。

博弈，不仅仅是开源以及闭源的技术选择，更是涉及 AI 发展的话语权、市场主导权以及算力的分配的角逐。而这场AI权利争夺战已然开始。

*:not([class*=”icon”]):not([class*=”fa”]):not([class*=”logo”]):not([class*=”mi”]):not([class*=”code”]):not(i){font-family:PingFang SC,Arial,”Material Icons Extended”,stonefont,iknow-qb_share_icons,review-iconfont,mui-act-font,fontAwesome,tm-detail-font,office365icons,MWF-MDL2,global-iconfont,”Bowtie” !important;}[class*=”code”]{font-family: Consolas !important}