“百模大战”周年考|国内大模型盘点：305个大模型发布，备案率约四成，如何寻找变现、破局之路

【编者按】：

本周，OpenAI推出新一代旗舰AI模型——GPT-4o。而早在2023年3月15日，GPT-4就已正式问世，其强大的文本生成能力迅速使生成式AI成为全球焦点，掀起了一场AI技术竞赛的浪潮。

在国内，生成式大模型的发布同样风起云涌。2023年3月16日，百度发布“文心一言”大模型；2023年4月10日，商汤科技的日日新发布；2023年4月11日，阿里巴巴的通义千问发布；2023年7月7日，华为云推出盘古大模型3.0……各方力量争先恐后，争奇斗艳，这股热潮被形象地称为“百模大战”。

那么，一年多过去了，国内大模型企业的发展现状如何？硅谷的生态又有怎样的新变化？在这一领域中，科技巨头和初创企业展现出了怎样的发展方向？对此，《每日经济新闻》特推出《“百模大战”周年考》策划，深入探讨这些问题。

一年前的3月15日，随着OpenAI多模态预训练大模型GPT-4的发布，国内包括百度、华为、腾讯等科技巨头，百川智能等初创企业，以及智谱AI研究院等研究机构纷纷扬帆起航，投身到人工智能（AI）大模型开发，试图搭上这趟时代的列车，轰轰烈烈的“百模大战”也由此开启。

据《每日经济新闻》记者的不完全统计，截至今年4月底，国内共计推出了305个大模型。而截至5月16日，只有约140个大模型完成生成式人工智能服务备案，占发布总量的45.9%。这意味着，还有约165个大模型尚未获得“过审”机会。

这一严峻现实的背后除了有技术层面的难度，还有训练和推理过程中高昂算力成本的制约；即便是跨过这一关，大模型企业如何实现商业化，依然着面临不小的难度。而对这场竞赛中可能被“出局”的公司来说，未来的路又在何方呢？

现状：305个大模型发布，仅约四成完成备案 

GPT-4的发布在全球掀起了“炼大模型”的热潮，面对这一新蓝海，科技巨头、初创企业以及科研院校相继开启布局，没人想错过这趟时代的列车。

据《每日经济新闻》不完全统计，截至今年4月底，国内共推出了约305个大模型，在过去一年推动着语言理解、图像识别等多个领域的技术进步。

截至2024年5月16日，国内共有约140个大模型完成生成式人工智能服务备案，占305个大模型的45.9%左右。

此前，国家网信办有关负责人就《办法》相关问题回答媒体提问时介绍，《办法》规定，利用生成式人工智能技术向中华人民共和国境内公众提供生成文本、图片、音频、视频等内容的服务，适用本办法。

在已备案的大模型中，在地域分布上，北京以70个备案大模型领跑全国，凸显了其在AI领域的集聚效应。上海和广东紧随其后，分别有28个和19个模型备案。

而“140”这一数字同时也意味着，从备案层面来看，大约还有165个大模型依旧未通过备案，无法公开向公众提供服务。这些尚未能“过审”的大模型中，不乏一些备受关注的明星项目，包括曾号称是“国内首个ChatGPT”的元语智能大模型ChatYuan。

更多未完成备案的是“学院派”大模型。在305个大模型中，有60个大模型是由大学或研究院所研发。或许是由于研究机构的项目更偏重学术探索，而非商业应用，备案动力或流程可能不如企业迅速。也有大模型转向“境内深度合成服务算法”备案，例如恒生电子的大模型。

一名大模型行业创业者对《每日经济新闻》记者介绍称，当前模型相关的备案申请有点像专利申请，并不一定会通过，且申请周期较长，约在4~6个月。他表示，当下，大模型只要做To C服务，就需要备案，而在B端，一些大客户会要求大模型公司完成备案工作。

不过他同时强调，没备案的大模型也不代表就消失在市面上，很多来自研究所、大学的大模型仅仅只用于研究，就没有动机去完成备案。

一家大模型头部企业从业人士也告诉记者，来自大学的大模型，如果只做自己学术范围内的研究，是可以不用备案的。

“百模大战”行至此时，最终留下3~5家大模型已经成为行业对于这场竞赛最终结局的共识。“大模型这个行业（到最后）可能就不存在了，未来大模型就是几个最基本的底座，只有少数的几家公司。”行行AI董事长、顺福资本创始人李明顺曾在接受《每日经济新闻》记者采访时坦言。

难点：成本高，日活千万需年入超100亿元才能覆盖数据中心成本

算力资源的稀缺性是制约大模型发展的关键瓶颈。对不少大模型来说，没能挺过一周年，难搞的算力要负很大责任。对于模型厂商而言，目前主要的算力成本包括预训练成本和推理成本。模型推理应用阶段对算力的需求要远远高于训练阶段。

据中国工程院院士郑纬民计算，在大模型训练的过程中，70%的开销要花在算力上；推理过程中95%的花费也是在算力上。

以GPT-4为例，该模型的训练需要一万块英伟达A100芯片跑上11个月。假设每块A100的成本为10000美元（价格因供应商和购买数量而异），那么一万块A100的总成本约为1亿美元。

对于许多急匆匆踏上大模型赛道的创业公司或科技企业来说，在“烧”了一阵子钱后，他们绝望地发现，算力不仅越来越贵，质量也开始下降。

郑纬民表示，目前，市面上只有三类系统可支持大模型训练。其中，基于英伟达GPU的系统一卡难求；基于国产AI芯片的系统面临国产卡应用不足、生态系统有待改善的问题；而基于超级计算机的系统，虽然可在作好软硬件协同设计的情况下实现大模型训练，但需在超算机器尚未饱和的前提下操作，私人企业获得超算设备的机会并不大。

据英特尔方面介绍，在大模型领域，去年关注点更多是在模型训练上，对成本和功耗并不那么重视，彼时，企业都希望能训练一个自己的通用大模型。随着很多通用大模型被训练出来，今年关注的重点则转移到了推理。对企业来说，大模型训练出来是需要变现且能够盈利的。但目前市场上很多大模型都是基于开源的，性能差不多，用于训练的数据也差不多，很难通过差异化来盈利。

没有足够的资金支撑推理过程，成了很多创业者败退的原因之一。为了降低成本，部分企业正在尝试探索是否可以用CPU来做大模型推理。从当前一些案例来看，在130亿参数以下的大模型中，CPU是可以做到的这一点的。

然而，即便是熬过了推理关，企业要将大模型变现仍有不小的难度。在行云集成电路创始人季宇看来，大模型的商业落地与早期互联网时代相比区别很大，边际成本仍然非常高。大模型每增加一个用户，基础设施需增加的成本是肉眼可见的，一个月几十美元的订阅费用根本不足以抵消背后高昂的成本。

更为关键的是，眼下大模型要大规模商业化，在模型质量、上下文长度等方面还有进一步诉求，不排除会进一步增加边际成本。目前来看，日活千万的通用大模型一年需超过100亿元的收入才能支撑其背后的数据中心成本，未来大模型要像互联网产业一样服务上亿人，成本一定是迈不过去的槛。

寻找新“航道”：投身应用或专注垂类细分行业

如果说“百模大战”最后的赢家只属于少数几家公司，那在这场赛事中被淘汰的公司，未来会走向何方？

昆仑万维董事长方汉曾在接受《每日经济新闻》记者采访时表示，“百模大战”会淘汰一部分公司，剩下的科技公司肯定会继续全速前进。

在行云集成电路创始人季宇看来，当下和未来两三年，大模型的商业探索会在成本和Token质量上相互妥协，并逐渐分化为两派。

一派是质量优先，用高端系统打造高质量的通用大模型，寻找超级应用来覆盖高昂的成本。另一派是成本优先，用足够便宜的硬件提供基本够用的Token质量，寻找垂直场景的落地。若能在同样的成本下买到规格大得多的芯片，跑一个百亿千亿模型，支持超长上下文，商业化的空间会比今天大得多，就像曾经的显卡和游戏行业一样。

启明创投合伙人周志峰认为，当下，绝大多数的大模型企业是包着大模型的皮，裹着应用的心，“拥有模型能力的团队更容易在算法、模型、数据、模型的加速方面去做优化，以达到体验更好的产品，尤其对比那些用第三方模型纯粹做应用的公司。这一类公司其实不是模型公司，未来一定会是一家应用公司”。

周志峰以字节跳动为例，从今日头条到抖音到TikTok，背后的轴是AI驱动的推荐引擎。“字节跳动第一轮、第二轮融资的时候跟我们投资人讲得更多的故事是AI驱动的推进引擎，而今天不会再去说字节跳动是一家AI技术公司，只会记得是哪几个应用造成了这么大的规模。”同理，今天大部分的大模型公司未来也一定是靠它最终闯出了超级应用，大家因为这个超级应用而记住这家公司。

李明顺也持同样的观点，即不远的未来，有一部分大模型公司要转型成应用公司，因为大模型领域不需要这么多公司，“有一些大模型公司的创始人有Plan A和Plan B的双计划，就是一旦我的模型实在是拼不过前面的5家之后，就要被迫在一些垂直领域里面找到生存之地，它就会转型为一家应用公司。”

在备案成功的大模型中，部分模型已经从通用型转变为聚焦特定领域或行业的细分垂类模型。

中科闻歌董事长王磊在接受《每日经济新闻》记者采访时坦言，在过去的半年到一年内，适当做小行业大模型，降低参数规模的趋势已经变得非常明显。真正成功的商业应用不是制造一个巨无霸，而是能够被用户广泛使用且价格适中。“实用至上是关键，不必为了面子而去追求大规模，高昂的代价会影响产品的市场推广和用户的使用，实用性才是商业发展的主导原则。”

王磊表示，目前国内企业都意识到，最受欢迎的规模是70亿和130亿，300亿是单台推理的参数规模，比较受欢迎。“在我们的大模型发布时，国外网友评价这是企业级应用的小型参数规格。我认为一般的企业可能难以承受更大规模的产品。对于文本生成任务，这个规模基本上是足够的，但对于一些特定领域的任务，还需要强化模型的能力。”

第四范式也同样坚定选择投入行业大模型。“如果说无限把模型做大，往里面放无限多的数据，最后可能会达到AGI的状态，但是在每一个垂直应用，我们都要平衡好能力以及代价”。创始人戴文渊此前在第四范式的业绩沟通会上也表示，从技术的角度来说，第四范式也追求AGI，但是与此同时，“对于每一个客户的具体场景，我们也要做一定的裁剪，比如说这个考试只考数学，不一定需要让它有物理的能力。”