DeepSeek正在杀死国产大模型

以下文章来源于技术领导力，作者 Mr.K

导读

中国创业公司的 3 年存活率，大约是 10%，AI 创业公司只会更低，DeepSeek 的出现，加速了国产大模型公司的生死战。短短的两年半，从 " 百模大战 " 到 " 十模共生 "，就连被给予厚望的大模型 " 六小虎 "，其中两虎已经宣布退出基模的研发。

作者 | Mr.K，科技博主

来源 | 技术领导力管理智慧 AI+

国产大模型公司之间的竞争相当惨烈，并且还没有到终局，本文就来聊一聊，近期对大模型产业的观察与思考。

基础大模型，开始进入可用阶段

1、Agent爆发，标志着基模进入可用阶段

人工智能科学家吴恩达，曾提出 Agent 的四个核心要素：反思、工具调用、规划和多智能体协作。比如，一个电商 Agent 能根据用户需求自动比价、生成购物清单、跟踪物流；一个医疗 Agent 能分析病例、辅助诊断、制定治疗方案，等等。而 Agent 的核心能力 " 反思 "，本质上则是依赖大模型的推理和深度思考能力。

2025 年被称为 Agent 元年，各种 Agent 已遍地开花，从钉钉智能客服，到字节的扣子空间，再到百度心响 App，以及刚刚融资 5 亿的 Manus。Agent 兴起不仅仅是一个趋势，更是基础大模型能力达到一个临界值的标志。只有大模型具备了足够强的理解、推理和决策能力，才能支撑起现实世界中的各种应用场景。同时这也意味着，基础大模型开始从研究、炫技阶段，迈入可用、产业化的新阶段。

2、基础大模型公司，不超过 3家

李开复曾公开表示，最终基础大模型公司可能也就 2-3 家，其实道理很容易理解，基础大模型是典型的技术密集、资本密集、数据密集型行业，壁垒极高，马太效应非常明显。训练一个顶尖大模型，动辄需要上万张高性能 GPU，数月乃至更久的训练时间，海量的优质数据，以及顶尖的算法科学家团队。这样的投入，堪比 " 军备竞赛 "，小玩家根本上不了牌桌。这一特点也基本注定基础大模型的终局 ---- 只会留下极少数的基础大模型 " 寡头 "。

盘点国内 " 第一梯队 " 基础大模型

根据 K 哥的观察以及行业内的普遍共识，目前国内基础大模型第一梯队玩家，大致有以下几家：

1、阿里Qwen：开源生态的 " 基建狂魔 "

比如，淘宝用通义千问优化推荐算法，有效提升用户转化率；夸克推出的 AI 作业助手，覆盖 K12 教育场景。更关键的是，阿里云未来三年投入 3800 亿建设 AI 基础设施，自研的 " 光系列 " 芯片和液冷数据中心，为模型训练提供了底层保障，让大模型成为水电煤一样的基础设施，也让自己的全栈技术布局，成为别的企业难以逾越的护城河。

2、深度求索DeepSeek：用工程创新 " 掀翻桌子 "

火爆出圈的 DeepSeek，则是凭借惊艳的工程创新，在大模型江湖杀出一条独特血路。它搞出降秩 KV 矩阵，搭配混合专家架构，参数数量直接砍掉约 60%，算力消耗大幅削减，训练成本低至行业头部模型的 1/10。还有它的 GROP 算法强化学习，跳过传统 SFT 微调，用 " 模糊思考 + 精确证明 " 的训练套路，让数学、代码生成任务上表现无可挑剔，在 LMSYS Org 榜单夺魁。

更具前瞻性的是 DeepSeek 的开源策略，不仅构建起了以中国为圆心的全球 AI 生态，还在其他公司追求 " 更大更强 " 之际，用自己的技术实力和战略眼光开辟了 " 更省更快 " 的新赛道，直接 " 颠覆 "API 定价，把 AI 服务从高端 " 奢侈品 "，变成大众用得起的 " 日用品 "。

3、字节豆包：流量加持的" 全能选手 "

一个典型案例是 " 豆包 AI 助手 " 的迭代：初期只是简单的聊天机器人，如今已能根据用户输入的文字生成短视频脚本、自动剪辑视频，甚至通过分析用户表情推荐内容。这种 " 流量 + AI" 的闭环，让字节的模型训练拥有天然优势。此外，字节在视频生成、实时交互等领域的技术突破，也在一步步重新定义和拓展 " 内容创作 " 的边界。

4、百度文心大模型：搜索巨头的 AI 涅槃

百度是国内最早布局大模型的公司之一，文心大模型已经迭代到 ERNIE 4.0 版本。其核心优势在于 " 搜索 + 大模型 " 的深度融合。比如，用户搜索 " 如何煮咖啡 "，文心大模型不仅能给出步骤，还能生成对应的视频教程、推荐咖啡豆购买链接。这种 " 内容 + 服务 " 的一体化能力，让百度在 To C 场景中占据先机。网盘、文库、地图等国民级应用，几乎都用 AI 重新做了一遍，而且商业上的表现格外亮眼，是国内第一批找到 PMF 的 AI 产品。

此外，百度还在努力破圈，实现大模型的落地应用。比如，在工业领域，百度与三一重工合作探索设备智能化维护。在政务场景中，百度依托文心大模型为某地区打造 " 政务云脑 "，提升服务效率等。这家老牌大厂正持续发力，努力为自己在 AI 时代扳回一城。

中国需要更多 DeepSeek

除了以上四家大模型公司，国内 AI 圈还有一批极具潜力的 " 后浪 " 在奋力追赶，试图在基础模型或其核心能力上实现突破，成为下一个 "DeepSeek"。

1、智谱 AI：开源 + 闭源，生态完整

背靠清华大学知识工程实验室，智谱 AI 带着浓浓的 " 学院派 " 基因。它的 GLM 系列模型在中文问答、代码生成领域表现优异，其所坚持的 " 开源 + 闭源 " 双轮驱动策略，更是捷报频传。

开源方面，智谱 2025 年大手笔开源多款模型，吸引全球开发者挖掘潜在问题、贡献优化思路，模型性能也因此一路飙升；闭源商业化同样风生水起，2024 年中标 32 个政府及企业项目，揽金 1.29 亿元。在金融、医疗、政务等 20 多个行业里，智谱的模型都成了核心生产力工具。

智谱的发展如同它的定位，2G/2B 业务齐头并进，一边扎根政府项目，助力数字政务升级；一边帮企业智能客服、智能办公，全方位提升效率，让自己的生态更完整，发展更稳健。

2、MiniMax：音频、视频，一骑绝尘

在多模态赛道尤其是音视频领域，MiniMax 绝对是不容忽视的存在。其自研的语音大模型能够生成媲美真人的、富有情感的语音，在社交、游戏、教育等场景有巨大潜力。在视频生成上也同样出色，输入文字脚本，几秒钟就能渲染出特效炫酷、剧情紧凑的短视频，极大降低成本。MiniMax 推出的 AI 社交应用 " 星野 "、AI 助手 " 海螺 AI" 等产品，也展现了其将技术快速产品化的能力。

此外，创始人闫俊杰曾是商汤科技副总裁，对技术和商业都有着极为深刻理解。在当前短视频、直播带货火爆全网，对音频特效、视频内容自动化生产需求井喷的市场环境下，带领 MiniMax 和各大短视频平台、音频内容创作社区深度合作，为创作者持续输送 " 弹药 "，在垂直赛道越跑越快，一骑绝尘。

3、月之暗面：长文本、数学能力强

月之暗面专注长文本处理与数学推理，这堪称知识密集型场景的硬核需求。比如，在学术研究领域，长篇文献综述撰写，它能梳理海量文献脉络，精准提炼关键观点；在金融风控领域，又能靠它分析长篇财务报告、挖掘隐藏风险点，给出量化评估建议。

Kimi 在数学推理等领域也展现出不俗的实力，其推出的 k0-math 数学推理模型在多个基准测试中表现优异，并在中考、高考、考研及 MATH 等基础数学测试中的表现超越了 OpenAI 的 o1-mini 和 o1-preview 模型。

4、阶跃星辰：多模态领域表现突出

阶跃星辰成立短短两年，就推出 22 款自研基座模型，其中 16 款多模态模型，占比超 7 成，被称为 " 多模态卷王 "。它坚持理解生成一体化路线，这种技术远见，完美契合当下 AI 从多模态融合迈向一体化的大趋势。阶跃的多模态模型不仅在国内外权威榜单上频频夺冠，更是和产业界展开了深度融合，比如和 OPPO 手机合作 " 一键问屏 " 功能，用户长按手机界面，就能智能检索屏幕内容相关信息；和智元机器人携手，为具身机器人装上 " 智慧眼睛 "，精准识别环境、灵活规划行动路径。

此外，阶跃星辰的商业化之路也走得非常扎实，比如茶百道接入它家 Step-1V 多模态理解大模型，实现智能巡检、AIGC 营销，门店运营效率大幅提升，也让阶跃星辰收获了更多的付费用户。

最终比拼的是商业化能力

从当年的 " 百模大战 "，到后来的 "AI 六小虎 "，再到如今的 " 新基模五强 "，为什么短短两三年的时间，就有那么多红极一时的 AI 企业，或出局或 " 泯然众人矣 "？一个极为重要原因就是：有些企业只懂烧钱做技术，不懂赚钱做商业。

如上文提到的，大模型是资本密集型、人才密集型、数据密集型行业。但仅仅有钱、有人、有数据，就能成功吗？未必。商业的本质是创造价值并获取价值。技术再先进，如果不能转化为用户愿意买单的产品或服务，不能形成可持续的商业模式，最终也只是昙花一现。这就像 " 必要条件 " 和 " 充分条件 " 的关系，钱、人、数据是必要条件，但成功的商业化才是充分条件。

所以我们会看到，无论是 OpenAI 与微软的深度绑定，通过 Azure 云服务和 Copilot 系列产品变现；还是国内的阿里、百度、字节，依托自身的云服务和丰富应用场景推动大模型落地，都体现了 " 技术 + 场景 + 商业 " 的闭环逻辑。而这也恰恰暗合了商业达尔文主义：能活下来的一定是踩中时代节奏、满足市场刚需、又能实现商业模式自洽的企业，而不会是技术浪漫主义者，或 AI 理想主义者。

最后，中国或许真的不需要几十上百家公司，都去卷基础大模型。这既不经济，也不高效。少数几家巨头在基础模型层面持续投入，提供稳定、强大、且成本可控的 "AI 底座 " 就足够了。更多的创新和机会，应该在于应用层，在于如何利用大模型，结合行业 Know-how，解决实际问题，创造真正的商业价值。

文章仅代表作者本人观点

—— · END · ——