“巨头主导+初创突围”格局已定 大模型行业进入“洗牌”期

　   DeepSeek凭借开源、高性能、低成本的独特优势将大模型带到了技术平权的时代。当越来越多的企业开始享受到这一技术红利之后，大模型领域的竞争格局也在悄然发生变化。整个行业越发呈现出鲜明的“马太效应”，OpenAI、谷歌、微软，阿里巴巴、腾讯、字节跳动等科技巨头凭借强大的技术实力、资金支持和丰富的数据资源，持续在大模型领域深耕和布局。

　　与之形成较大反差的是，起初十分活跃的大模型企业，如月之暗面、百川智能、零一万物、智谱清言等，在行业内的声量却越来越小，在诸多科技巨头的挤压之下，寻求突围势在必行。

　　赛迪顾问人工智能与大数据研究中心高级分析师白润轩表示，中国大模型行业已进入“巨头主导+初创突围”的双轨竞争阶段。大型科技公司(如阿里、华为、百度)凭借资源、数据积累和规模化算力占据头部位置，而初创企业则聚焦细分领域或技术突破寻求差异化。

　　从技术研发到场景化应用的转变

　　在科技巨头环伺的时代，一度十分耀眼的明星科技公司月之暗面开始寻求新的发展方向，不仅宣布与财新传媒合作，试图通过垂直领域内容增强公信力，又自建内容社区，在小红书里开对话框。同时，也在积极探索新的盈利模式，以缓解资金压力。据悉，DeepSeek火爆以来，Kimi的月活用户不断流失，从去年11月的3600万腰斩到今年3月的1820万。

　　百川智能已经明确将业务重心转向医疗保健领域，专注于开发医疗领域的AI技术。同时，开始砍掉非核心业务，精简团队规模，以提高运营效率，降低运营成本。而由李开复创建的零一万物早在2024年底就停止了大语言模型的预训练，转而专注于提供定制化的AI解决方案，并且将其基础模型团队并入阿里巴巴，并与阿里云合作成立“产业大模型联合实验室”，借助大厂的资源和技术优势，专注于小参数高性价比模型的研发和行业应用。

　　此外，还有一些大模型企业，一方面选择采用DeepSeek等开源模型，通过优化和定制化开发来满足自身业务需求;另一方面，选择深耕细分领域，如智谱AI专注于认知智能大模型研发，阶跃星辰在多模态领域持续发力等。

　　白润轩表示，初创企业的独特优势在于“场景穿透力”。例如在法律领域，一家初创公司用三年时间积累了200万份裁判文书和行业术语库，训练出的合同审查模型在特定场景的准确率反而比GPT-4高15%。这种在垂直领域“挖深井”的能力，是巨头标准化产品难以快速复制的。另外，部分团队正在尝试“反规模”策略，比如用MoE(混合专家)架构把多个百亿模型组合成虚拟千亿模型，成本降低40%却能达到类似效果。

　　差异化发展才是正道

　　白润轩表示，目前，大模型初创企业主要面临以下几个方面的挑战：一是资金与算力的高门槛，大模型训练成本高昂，初创企业对融资或政府补贴的依赖性较强;二是人才争夺激烈，头部企业虹吸效应显著，初创企业需以技术愿景或股权激励吸引人才;三是客户对AI的认知不足(如部分企业仍倾向低价方案)也延缓了商业化进程;四是技术迭代压力下，初创企业需在通用能力与垂直深耕间找到平衡，避免陷入“复刻巨头”的低效竞争。

　　对此，浪潮数字企业人工智能产品研发部副总经理丁一凡也有着同样感受。他表示，在当前大模型行业竞争格局重塑的过程中，企业面临着多方面的挑战。 首先，技术迭代的速度极快，企业需要不断投入研发，以保持技术领先。然而，高昂的研发成本和快速变化的技术趋势，使得企业在技术投入上面临巨大压力。其次，资金筹集成为制约企业发展的关键因素。接下来，在商业化落地的过程中，许多企业在数字化基础较为薄弱，数据孤岛现象普遍存在，导致大模型的落地应用面临困难。最后，大模型的研发和应用需要具备深厚技术背景和业务理解能力的复合型人才，人才缺乏也是企业面临的重要挑战。

　　白润轩认为，这些企业应该找到差异化的发展方向。“差异化创新的关键在于‘做减法’。近期接触的一家工业质检企业很有意思，他们放弃追求模型的多任务通用性，转而把90%的算力聚焦在螺丝螺纹缺陷检测这一个点上，通过融合高精度传感器数据，把检测速度做到毫秒级。这种在细分场景构筑的技术壁垒，反而让巨头找不到合适的切入点。”白润轩如此说道。

　　不过，他也提醒道，尽管未被充分挖掘的领域确实存在黄金机会，但也需要警惕“伪垂直市场”。比如教育行业看似空间巨大，但实际能付费的细分场景可能只有语言学习中的发音纠正这类强需求点。真正值得深耕的领域往往具备三个特征：行业数据封闭(如核电设备维修记录)、决策链条短(如广告文案生成)、试错成本高(如药物分子筛选)。“除了垂直场景，大模型初创企业还可以从打造开源生态、选择错位地缘市场、抢抓政策红利以及创新商业模式中找寻方向。”白润轩建议说。

　　丁一凡表示，企业应该围绕自身定位和优势在以下几个方面持续发力：一是价值导向，深入业务，挖掘智能化的真需求、强场景;二是持续推进企业数据和知识的治理，打造面向AI的高质量数据集;三是联合生态伙伴构建复合式AI技术平台，通过试点落地高价值场景，快速迭代，并且在实践中逐渐的积累经验、培养人才、强化认知、沉淀数据知识，不断构建体系化的AI能力，最终实现全面的、深入的智能化转型;四是做好算力和组织的人才保障。此外，还要重视生态的建设，携手行业伙伴抓住AI转型机遇，同谋发展。

(本文不涉密)
责任编辑：路沙

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处。