文 | 王智遠
昨天晚上，跟朋友聊起大模型。
他說現(xiàn)在各家都“卷”到一個新階段，模型之間差距已經(jīng)很小，只能用“遙遙領(lǐng)先”或者“吊打同行”這種詞來形容。
從基準測試和數(shù)據(jù)來看，很多模型都遠超 DeepSeek R1、GPT-4o，但繼續(xù)往下比的空間已經(jīng)不大了，真正的差異更多在使用方式上。
這讓我開始思考：大模型競爭，是不是已經(jīng)進入存量博弈階段？
1
說到“存量”，就繞不開一個字：“卷”。不卷，哪來的存量？那問題來了：這個卷，到底在卷什么？
我覺得，表面看到的就三點：算力成本、數(shù)據(jù)質(zhì)量和場景滲透。
以前大模型拼參數(shù)多，現(xiàn)在開始拼誰的成本低。
阿里家的 Qwen3，用“混合推理”的技術(shù)，簡單問題用低算力能快速回答，復雜問題再慢慢思考，這樣部署成本直接降到了 DeepSeek-R1 的 1/3 到 1/4。
騰訊混元 T1，3890 億參數(shù)的模型，通過稀疏激活機制，算力利用率比傳統(tǒng)模型提升了 30% 以上。
百度的文心大模型，雖然沒公開具體成本，但它的推理速度在工業(yè)級場景里比競品快 20%，也算是有自己的優(yōu)勢。
字節(jié)跳動沒直接在公開場合提到過算力優(yōu)化，但它通過抖音、今日頭條的場景化落地，間接降低了通用大模型的部署壓力。
所以，算力成本上，大家是看能不能在不犧牲性能的前提下，把成本降下來。
降下來之后呢？
關(guān)鍵還不能影響數(shù)據(jù)質(zhì)量，卷誰的訓練數(shù)據(jù)更硬核。
阿里家 Qwen3 訓練數(shù)據(jù)量達到了 36 萬億 token，支持 119 種語言和方言，數(shù)據(jù)質(zhì)量更有普適性。百度文心一言依托搜索、地圖等產(chǎn)品，積累了海量的真實用戶行為數(shù)據(jù)。
騰訊的混元則通過開源生態(tài)積累開發(fā)者數(shù)據(jù)，在游戲和內(nèi)容生成領(lǐng)域有獨特優(yōu)勢；字節(jié)跳動則利用抖音、今日頭條的龐大流量池，捕捉用戶偏好數(shù)據(jù)，讓內(nèi)容生成模型更接地氣。
所以，數(shù)據(jù)質(zhì)量的卷，是從“廣度”到“深度”的升級，不僅要數(shù)據(jù)多，還要精準、垂直。
技術(shù)再強，不能解決實際問題，也只是“空中樓閣”，再看看場景滲透，誰更狠一些。
Qwen3 深耕電商、金融、醫(yī)療等垂直領(lǐng)域，通過定制化微調(diào)提供行業(yè)解決方案；百度文心一言是嵌入搜索、地圖、智能音箱等產(chǎn)品，形成了“技術(shù)-場景-用戶”的閉環(huán)。
騰訊的混元聚焦游戲和內(nèi)容生產(chǎn)，通過混元3D等工具搶占多模態(tài)賽道；字節(jié)跳動是把大模型融入抖音和今日頭條的內(nèi)容生產(chǎn)流程，甚至用 AI 生成短視頻腳本，直接打通了“技術(shù)-內(nèi)容-流量”的鏈條。
看到了嗎？場景滲透的卷，是從“技術(shù)堆疊”到“價值創(chuàng)造”的轉(zhuǎn)型，誰能在細分場景里跑通商業(yè)模式，誰就能突圍。
因此，我認為這個“卷”是：卷技術(shù)、成本、場景的三角博弈；算力成本決定了誰能撐到最后，數(shù)據(jù)質(zhì)量決定了誰能跑得更穩(wěn)，場景滲透決定了誰能活出差異化。
2
但這種“卷”，背后隱藏著一個更深層的矛盾：
當技術(shù)突破趨緩時，大家一個勁地開源、吊打同行，是不是意味著用這些手段，在掩蓋真正的技術(shù)瓶頸？
我認為：是的。但不是完全沒進步，而是技術(shù)方向有點小調(diào)整。
為什么這么說？
先說數(shù)據(jù)。阿里家的 Qwen3-235B-A22B，雖然總參數(shù)量有 2350 億，但每次實際用到的參數(shù)只有 220 億，激活效率才 9.4%。
什么概念，說白了，“輕量化”策略確實降低了成本，這是對原來那種“參數(shù)越多越好”模式的一種妥協(xié)。現(xiàn)在單純堆參數(shù)已經(jīng)沒有太大的效果了。
再看看騰訊的混元 T1：
總參數(shù)量 3890 億，激活參數(shù)量 520 億，上下文長度也很長，但它的稀疏激活機制，本質(zhì)上還是在想方設(shè)法在不犧牲性能的前提下，把參數(shù)規(guī)模壓一壓。
文心大模型就更不用說了。4.5 Turbo 總參數(shù)量 1970 億，但每次推理最多用到 28 億參數(shù)。這說明什么？
參數(shù)量已經(jīng)不是唯一的衡量標準了，激活效率才是新的競爭點。這種調(diào)整不是在掩蓋瓶頸，而是把技術(shù)突破的方向從“規(guī)模擴張”轉(zhuǎn)向了“效率優(yōu)化”。
然后，再看看技術(shù)優(yōu)化路線，阿里直接趕在五一前，推出“快慢思考”混合推理。本質(zhì)是什么？
想通過架構(gòu)創(chuàng)新來緩解技術(shù)瓶頸。Qwen3 的“快思考”是用低算力處理簡單任務，“慢思考”用高算力處理復雜任務，這是在對原來的 Transformer 架構(gòu)進行適應和改造。
騰訊混元的 T1 也一樣，官方說模型內(nèi)存占用減少了 40%，性能提升了兩倍；這種優(yōu)化還是依賴 MoE 架構(gòu)的稀疏激活機制，但也受限于硬件兼容性和算法復雜度。
所以，技術(shù)優(yōu)化的核心目標是延長現(xiàn)有架構(gòu)的生命周期；說白了，更像「技術(shù)瓶頸下的權(quán)宜之計」，而不是真正的突破。
結(jié)論很明顯：
短期來看，參數(shù)激活效率、混合推理、MoE 架構(gòu)這些優(yōu)化確實緩解了算力成本壓力，但改進只是對現(xiàn)有技術(shù)框架的修補。
長期來看，技術(shù)瓶頸沒消失，變成了“效率瓶頸”、“場景適配瓶頸”。開源生態(tài)的普及為技術(shù)迭代提供了數(shù)據(jù)和場景基礎(chǔ)，但真正的突破還得靠底層架構(gòu)的創(chuàng)新。
所以，這波“卷”不是在掩蓋技術(shù)瓶頸，而是在重新定義瓶頸的形態(tài)。技術(shù)進步的速度是慢了，但方向更明確了：聚焦在效率、成本和場景落地。
3
既然這樣，問題就來了：
大廠在“模型卷”的浪潮里，到底該怎么找到“看家本事”？是繼續(xù)在技術(shù)細節(jié)上摳來摳去，還是把精力放在怎么把技術(shù)用到實際場景里，或者去構(gòu)建一個更大的生態(tài)呢？
我覺得，技術(shù)細節(jié)優(yōu)化（比如調(diào)整激活參數(shù)、搞混合推理）確實能減輕算力的壓力。
但說到底，優(yōu)化的核心價值是讓現(xiàn)有的架構(gòu)能多撐一會兒。不過，這里面有個風險：技術(shù)帶來的好處會比我們想象的更快地消失。
為什么這么說？舉個簡單的例子：
你買了一款新手機，一開始覺得電池續(xù)航特別厲害，比舊手機好很多，這就是技術(shù)紅利。但用了一段時間后，你發(fā)現(xiàn)電池老化得很快，續(xù)航優(yōu)勢很快就沒了，甚至比你預期的更早。這就是紅利衰減速度超出預期。
換句話說，技術(shù)帶來的優(yōu)勢不會一直持續(xù)下去，會逐漸減弱，減弱的速度比我們預想的更快。
有個研究，來自 DeepMind 的 Chinchilla 模型，提到通過參數(shù)補償來降低剪枝帶來的性能損失，可以在不依賴大規(guī)模后訓練的情況下低成本壓縮模型，提升推理速度，同時最大程度保留性能。
什么意思呢？
大模型的性能提升和算力投入之間的關(guān)系已經(jīng)到了一個瓶頸階段，有點像“帕累托最優(yōu)”（Pareto Optimality）——再怎么努力，提升的空間也越來越小了。
說白了，現(xiàn)在大家都在過度依賴參數(shù)規(guī)模和稀疏激活機制，可能會陷入一種“技術(shù)幻覺”：以為解決了成本問題，其實并沒有真正解決通用大模型的深層瓶頸。
換句話說，技術(shù)越來越同質(zhì)化，競爭也越來越內(nèi)耗。
文心一言的多模態(tài)能力雖在行業(yè)里領(lǐng)先，但核心還是依賴 Transformer 架構(gòu)，沒辦法突破通用大模型的擴展性限制，這就是算法優(yōu)化的天花板。
再比如，Qwen 系列雖然全球下載量突破 3 億次，看起來很厲害，但實際上模型的功能差異很小。
那怎么辦呢？各家短期直接把架構(gòu)推倒，重新來過嗎？肯定不可能。真正的路線是從“技術(shù)堆疊”到“價值創(chuàng)造”。
我覺得，對于大廠來說，價值錨點的核心在于能不能真正解決實際問題，而不是單純追求技術(shù)指標的極致；很明顯，技術(shù)細節(jié)優(yōu)化只是手段，場景落地和生態(tài)協(xié)同才是根基。
就像艾媒咨詢在 2024-2025 年中國 AI 大模型市場研究報告里提到的：誰能找到自己的“價值錨點”，誰就能在“下半場”突圍。
4
所以，大家到底怎么才能突圍呢？
現(xiàn)在看來，真正能落地到企業(yè)實際場景里的，是一個“三重共振”：云廠商 + 行業(yè)應用 + MCP 協(xié)議。
為什么說 MCP 是關(guān)鍵？因為它本質(zhì)上是重新定義了企業(yè)與 AI 怎么合作的規(guī)則。
以前企業(yè)用大模型，就像給廚師一把刀，但沒告訴他菜在哪、鍋在哪、調(diào)料在哪——他只能靠猜。
現(xiàn)在有了 MCP，相當于給 AI 裝了一個“導航系統(tǒng)”，它能自動找到企業(yè)的數(shù)據(jù)庫、API、業(yè)務流程，甚至還能跨系統(tǒng)操作。
高德地圖是阿里云的客戶，如果接入 MCP，以后導航建議就不是簡單的“繞開擁堵”，而是能結(jié)合用戶的消費記錄推薦周邊餐廳，甚至直接跳轉(zhuǎn)到外賣 App 下單。
這背后是 MCP 把高德的數(shù)據(jù)和阿里云的 AI 能力打通了。
那MCP到底怎么驅(qū)動ToB的范式變化？我認為，有兩點：
一、從“模型為中心”變成“數(shù)據(jù)為中心”；以前企業(yè)做 AI，總盯著模型參數(shù)、推理速度這些技術(shù)細節(jié)。但 MCP 讓重點轉(zhuǎn)向數(shù)據(jù)流通 。
二、從“孤島”變成“協(xié)同”；企業(yè)內(nèi)部的系統(tǒng)通?；ゲ宦?lián)通，比如：財務系統(tǒng)、供應鏈系統(tǒng)、客戶管理系統(tǒng)。一個公司用了誰家的云，云廠商就可以基于 MCP 把這些系統(tǒng)全打通。
打通之后，MCP 就從一個簡單的工具變成了生產(chǎn)力基礎(chǔ)設(shè)施。所以，這才是新范式。
它讓AI不再局限于“參數(shù)規(guī)模”或“推理速度”，而是通過數(shù)據(jù)協(xié)同和場景嵌入，成為企業(yè)運營的“操作系統(tǒng)”。這才是企業(yè)的剛需。
這也是我為啥說，在大模型和 AI 的推動下，自下而上看，未來可能會出現(xiàn)新的飛書、釘釘這樣的平臺。它們不像飛書、釘釘那樣有通訊、協(xié)同功能，但至少能把企業(yè)的各種業(yè)務流程整合起來。
敘事還在繼續(xù)，到底會不會這樣呢？deepseek R2出來后，就見分曉了。
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論