“人工智能的商業模式，是要創造一個市場，而非一個算法”。這是世界AI泰斗Michael I.Jordan的觀點。

而當前的全球AI市場，占據主導地位的中美雙方，卻也走出了兩條截然不同的技術路徑，前者執著于前沿技術的探索，后者則發力應用優化和商業化落地。

南轅北轍的兩個方向，或許已經無法直接進行排位先后、優劣的對比，但對于應用和落地，中國明顯有自己的鮮明主張，甚至即將完成超越。谷歌中國區前負責人李開復表示，預計到明年年初，中國的應用普及速度將遠遠超過美國。

只是，這一路走來，中國企業付出了多少，鮮為人知。

國內AI大模型：從“雨后春筍”到“銷聲匿跡”

2022年11月，自ChatGPT推出后，國內市場被激發出前所未有的熱情。隨后在2023年初，國內涌現出首批大模型創業者，掀起了一陣大模型創業的小高潮。同年6月，百模大戰正式打響。

耗時不到三個月，中國就誕生了超200款大模型，但到23年12月，持續更新的模型便迅速減少至156款。再到今年5月，便僅剩19款。很多大模型如同曇花一現，稍縱即逝。

而被業界稱為"六小虎"的智譜AI、零一萬物、百川智能、MiniMax、月之暗面和階躍星辰，也開始進行業務調整，有的暫停了預訓練模型的研發，有的則逐漸退出C端市場，轉而聚焦B端業務，甚至還有公司進行了人員縮減。

這一現象背后，可以預見的是單靠融資驅動的商業模式已經成為過去式。面對全球AI大模型百舸爭流的形勢，中國AI產業需要深刻反思并尋求破局之機。而首要目標就是回歸商業本質，摒棄單純追求技術參數競賽的浮躁心態，更加注重市場需求導向的研發與應用創新。

彼時，國內AI大模型開始進一步分化。按模態劃分，大模型可分為自然語言處理（NLP）大模型，視覺（CV）大模型、多模態大模型等；按照部署方式劃分則可以分為云側大模型和端側大模型兩類。

其中，云側大模型又有通用大模型和行業大模型兩種，通用大模型具有適用性廣泛的特征，目前更具代表性的有文心一言、通義千問、訊飛火星等，行業大模型則具有專業性強的特點，針對特定行業（如金融、醫療、政務等）的需求進行模型訓練。

可見，國內AI大模型的應用路線開始日漸清晰，大致途徑為“基礎大模型→行業大模型→終端應用”。

值得注意的是，繼百模大戰降溫、應用路線清晰后，價格戰也開始了。一個典型例子就是，今年5月21日，百度宣布兩款大模型免費開放：Speed和Lite，這兩個相對輕量的大模型免費提供，而最強大的大模型依然收費。

盡管，低價甚至免費可以增加用戶基數，但也給企業帶來了不小的生存壓力，畢竟這違背了最基本的商業邏輯。但如果技術和產品的競爭力足夠強，那么也無需主動去參與價格戰。

如此一來，價格戰的開啟雖然不是一個好兆頭，但也從側面推動AI技術創新進入了新的加速期。

中美多維差異背后，技術落地路徑已然不同

在全球人工智能持續競速的背景下，中美雙方孰強孰弱一直是備受關注的議題。據悉，目前全球發布的大模型總數中，中美合計占約80%，處于絕對的主導地位。

具體來看，中美雙方之間在技術背景、文化屬性、市場環境、人才培養、算力、數據等維度上都存在差異。

技術背景方面，美國的科技發展尤其注重“技術優先”和“知識密度優先”，行業、企業之間重視基礎創新，對于新興的事物保持著較強的鼓勵和促進態度。同時，整個生態上的分工也更為明確，形成了一套較為完整且兼具創新的生態鏈，從而共同推近統一目標。

國內相較更為多樣化，并嘗試依托于更多的應用爆發以及市場的多樣性來加速發展。同時在發展過程中，對于安全、可控，以及持續性和自主性等維度的要求會更高。

又因為技術背景和市場環境的緣故，雙方在商業模式上的區別也較為明顯。美國AI公司更多用的是軟件模式，可以快速起量；國內公司則更擅長性能調優，多采用個性化定制的服務方式。

圖源來自知乎@hayley

人才培養方面，從上圖可以看出，國內在人工智能人才培養上的比例分布情況。國內人工智能人才的本科比例較高，但碩士和博士比例逐漸下降。

原因在于大量人才選擇出國深造和工作。相關數據顯示，美國39.52%的人工智能人才實際上來自于中國。這使得錯失更多高端人才的中國，在基礎研發上阻力相對較大。

算力方面，由于國內在先進制程芯片以及計算密度上不占優勢，所以仍處在落后于美國的階段。但基于國內政策及資本的積極態度，長遠來講，算力難題是有解的。

而算力之外，數據是另一個限制中國AI產業發展的重要因素。一方面是因為大量數據的私有化，導致獲取數據的成本高，另一方面，因為處理數據的成本居高不下，所以企業之間對自己的數據策略（包括數據配比，數據來源，數據加工等等）高度保密。

最后也最關鍵的是，產業發展路徑方面，美國傾向于從底層開始限制開源生態的分發過程，并試圖通過限制開源來抑制產業創新。而國內則傾向于大力推動開源模型的發展，從而更加貼合垂直行業的應用落地。

就影響而言，美國所主張的限制開源，對國內不會造成太大影響。盡管底層研發技術仍有差距，但GPT-3.5的出現意味著技術取得了階段性的突破，而且因為開放使用，國內已經獲取了開源模型。因此，技術革命的傳播速度快于立法監管的速度，導致監管是失效的。

綜合來看，多個角度上的差異造成了中美雙方在技術落地路徑上的大相徑庭，美國仍舊處于從0-1技術探索的前沿陣地，而國內則更關注商業落地并貼合市場需求進行應用優化。

想“超車”美國，還得看“應用線”

在國內企業轉向美國的開源人工智能模式以求迎頭趕上的同時，美方也陷入一個相對尷尬的境地。因為，他們一直試圖通過限制微芯片銷售和遏制投資來減緩國內的進步，但卻無法阻止企業為了促進軟件的普及而選擇公開發布的做法。

美國在開源模型上的“兩頭為難”恰好為國內企業實現“超車”提供了機會。

從Sora和GPT-4這兩大爆款來看，Sora在算法上的突破并不大，效果展示上的驚艷更多源于巨亮算力的堆集，它解決了決幀與幀之間的時序一致性問題，但同時導致Sora的視頻生成成本短時間內無法降低。

而GPT-4雖然強大，其成本高企同樣是當下最難跨越的現實問題之一。這也使得企業在實際應用中往往選擇性價比更高的解決方案，如開源模型或規模更小的商用模型。

而且，一旦最好的開源技術來自于中國，美國開發者最終將由主動轉為被動，甚至需要在中國技術的基礎上構建自己的底層系統。

可見，追求技術領先的美國，在跨出商業化落地的“臨門一腳”時已經被成本“絆倒”，未來還有可能因此陷入僵局。

形成鮮明對比的是，中國的科技投資者在推動人工智能時追求盡快轉虧為盈，這意味著資金正在流向易于執行的應用，而不是更具抱負、專注于基礎研究的目標，杜克大學約翰·科克電氣與計算機工程杰出教授陳怡然這樣說到。

與此同時，中國對人工智能的投資中，多達50%投向了監控所需的計算機視覺技術，而不是為生成式人工智能建立基礎模型。

尤其對于國內本地市場的需求，百度文心一言、阿里通義千問等國內自主研發的大規模模型，在應對廣泛且普遍的應用場景時，已經充分展現了其實用性與高效性。誠然，在應對極其復雜或特定復雜需求時，這些模型與全球頂尖的大模型相比，尚存在一定的性能差距。

然而，就當前多數生產工具的實際需求而言，無論是通過開源途徑獲取的模型，還是國內商業化提供的解決方案，均能提供基本且相對令人滿意的服務支持。

尤為值得一提的是，隨著各類應用場景的不斷拓展與深化，國內大模型的實際應用落地進程正顯著加速，展現出蓬勃的發展態勢。

由此來看，中國雖然暫時無法通過現有的大模型實現技術上的全面超越，但美國也無法進行有效封鎖，開源技術既是中國AI發展如此迅速的關鍵原因，也將是中國取得領先地位的機遇。

而技術路徑上的差異已經讓美國陷入階段性停滯不前，國內應該繼續專注于應用開發，從而縮小商業化價值上的差距。

長遠來看，美國如果真限制開源，那么這將是技術衰落的開始，同時也是中國正式崛起的開始。

戰局最終將如何演化，我們靜待時間揭曉。

作者：璟松

來源：港股研究社

       原文標題 : “創造市場”與“算法進化”，中美AI競速的岔路口