昨天，是國產 AI 六小虎之一百川智能成立的兩周年，CEO 王小川發布全員信強調公司方向：“ 減少多余動作，專注醫學方向。”

要知道，兩年前，百川智能剛成立的時候，其愿景可是“ 旨在打造中國版的 OpenAI 基礎大模型及顛覆性上層應用 ”，非常宏大。

無獨有偶，國產 AI 六小虎之中的零一萬物的創始人李開復，今年 1 月在與媒體 “ 連線 Insight ” 對話時表示：“ 零一萬物全面轉向 ‘ 小而美 ’。”

而在零一萬物剛成立的時候，其愿景則是宏偉的“ 打造 AI 2.0 全新平臺，加速 AGI 到來 ”。

曾經的雄心壯志和現在戰略收縮，讓外界不少人調侃 “ 小虎 ” 已經成了 “ 小貓 ”，那么，在 AI 大模型市場風云變幻的現在，這些地位不穩的曾經的 “ 虎 ”，如何找到活下去的理由呢？

為了探究這個問題，知危編輯部找到了大模型技術專家、頭部金融企業AI專家、頭部醫療AI專家、一線大廠AI技術專家等多位專家進行對話，探究大模型企業們面臨的問題以及如何更好的活下去。

表面上，今年春節 DeepSeek 爆火之后，整個大模型市場開始戰戰兢兢。它像是武松，幾碗酒下肚給還沒發育完全的 “ 小虎 ” 們打得頭昏腦漲，一眾大模型公司從最初斗志昂揚地同場競技，轉變到現在面對現實各自選擇了不同的命運。

但其實，這一變化比人們以為的時間節點發生的更早。

大模型技術專家、《 知識圖譜大模型 》作者王文廣告訴知危：“ 實際上，甚至還不到 DeepSeek V3 和 R1 的發布，在 DeepSeek V2.5 和阿里的 Qwen 70B 推出來的時候，國內有些大模型公司就已經開始放棄訓練大模型了，成本實在太高。他們感到無論在資源還是性能上都趕不上或拉不出距離，何況對方還是免費開源的。”

某人工智能技術服務企業專家梁賀（ 化名 ）則告訴知危：“ 大約 2024 年年中的時候，六小虎雖然還在訓練大模型，但投入力度已經明顯不如以往。”

直到 2025 年 1 月 DeepSeek R1 發布的時候，大部分中小企業發現徹底跟不上了。

這樣的劇變，導致六小龍集體從攻關 AGI，轉變為了現在的開始分流。

百川、零一萬物放棄預訓練大模型，分別押注醫療AI和全面行業落地；MiniMax 收縮 To B 業務，并專注 C 端視頻生成等場景的海外市場；智譜、月之暗面、階躍星辰在開源社區依然活躍，但并未有能超越 DeepSeek R1 的新模型；獲得大量融資和政企合作訂單的智譜不愁生存；因為效果遠不如開源而放棄了投流策略的月之暗面，其頭號產品 Kimi 因為元寶的后來居上，在定位上正顯得尷尬。

總體來看，六小虎與國內市場中 “ 最沒有想象力 ” 的一部分即 To B SaaS 市場，交集越來越大。

那么，為何 To B 市場如此 “ 無聊 ” ？

近期，零一萬物宣稱要全面接入 DeepSeek，將企業大模型一站式平臺在各行各業落地。對此，業內普遍謹慎看零一萬物的未來。

某金融企業AI專家姜紹（ 化名 ）甚至評價道：“ 零一萬物基本上是轉B端了，他們感覺是什么都想做，公司團隊整體過于技術，但 DeepSeek 出來后技術上也看不出差距，商業化水平又比較一般。”

王文廣則告訴知危：“大模型一站式平臺的技術門檻并不高。”

對于該類產品的技術門檻的評估，王文廣是有親身體會的，“ 我去年大概花了半年的時間，自己一個人就開發了這樣的平臺，現在也在通過個人的方式在售賣。而且我覺得這個產品通過公司來做很難賺到錢，但個人經營的方式還能慢慢賺到錢。”

“ 現在行業內有不少 To B 企業，他們不做大模型，但是也會做大模型的業務，只是缺少一個技術平臺。我就跟他們合作，價格可以壓得很低，只需要四五萬一套，中大型公司肯定做不到這么便宜的。”

“ 我現在開發的平臺，叫做 KAF，即 Knowledge-based Agent Factory，就是基于知識圖譜、向量數據庫、搜索引擎，通過檢索知識來提供大模型和 Agent 應用的平臺。目標是讓用戶可以不寫任何代碼，通過提示詞管理和模型管理就能構建自己想要的知識助手或 Agent。就這樣的平臺，市面上有非常多相似的，估計能有一千個，也很容易復制。”

“ 比如一家公司想做 To B 的大模型應用，即便創始人自己沒有這個能力，要想做出產品也很快。無非就是招兩三個特別牛的人，當然領頭人必須很厲害，不然可能沒法入手。這種方式的成本會比訓練大模型的成本低很多。即便是行業里的大牛，年薪千萬也差不多了，再加上兩三個年薪百萬的，就能組成核心團隊。實在不行，還可以找外部的AI公司合作。”

除了上述模式，還有 “ 企業大模型一站式平臺 ” 的模式，屬于一體機的類型，對于這類產品，平安保險技術平臺組負責人張森森認為，“ 一體機有足夠市場空間，但一體機是賣服務的，跟技術沒有太大關系。”

“ 一體機就是將核心硬件、軟件、執行環境進行打包，達到開箱即用，主要面向技術部署能力較弱的機構，比如政府、教育機構等，也有一些企業客戶，要點在于方便使用和技術自主性。當然它也有自己的優勢，比如數據安全、隱私合規，因為它是私有化部署，面臨監管的時候更容易通過安全審查。并且一體機是軟硬件深度優化的，對于推理專用的芯片、端側芯片，響應速度更快。還有另外一種考量，比如一體機對于國產芯片做了深度定制，從而繞過一些底層限制，提高效率。有些企業傾向一體機，是因為對成本比較敏感，更關注ROI，一體機的使用壽命更長，對于做財務報告的 ROI 可能更好一些。”

實際上，過去多年以來，無論在任何具體的領域，包括大數據、云計算、計算機視覺等，國內 SaaS 市場都有非常相似的特點，或者說這是各個領域最終會發展成的固有形態，包括定制化需求較高、產品偏向通用和同質化、市場競爭激烈、低價策略普遍、資本更關注短期變現等。這些 SaaS 企業的客戶數字化程度較低，付費意愿較弱。

相比之下，海外 SaaS 市場更注重專業化分工，企業專注于特定領域，提供深度服務，以大中型企業客戶為主，付費意愿更強。

大模型領域也正呈現這樣的特點，我們可以參考近期海外 SaaS 市場的重要事件：

• 2025 年 2 月，MongoDB 以 2.2 億美元的價格收購 Voyage AI，后者是一家剛成立 17 個月，專注于嵌入（ Embedding ）和重排序（ Reranking ）模型的 AI 初創公司。
• 2024 年，亞馬遜宣布與成立兩年的 AI Agent 初創公司 Adept 達成技術授權協議，Adept 部分成員將加入亞馬遜支持 AGI 團隊。

這些初創公司都通過專注大模型技術的一個細分領域獲得了資本成功或企業發展。但在國內，這種事例幾乎為零。據知危了解，不少中小型企業在發展自身技術和業務時，甚至還要時刻提防大廠也來 “ 搶肉吃 ”。

基于自身在 To B 市場多年的行業經驗，王文廣向知危描述了這個市場的殘酷性：“一站式平臺產品肯定有市場，而且市場還很大，但是會非常碎片化。我合作的這些小公司規模都不大，他們的運營成本相比中大型公司是更低的，可以把價格定在 30 到 50 萬之間，即便這樣也可以賺錢。因為他們不需要考慮研發成本，只負責實施，能夠覆蓋人力成本就行。如此一來，就會把整個 To B 場景的應用服務價格壓的很低，何況我參與的市場肯定不只有我在做。中大型創企參與的市場可能只能做大型的企業客戶，那也會面臨其它創企、傳統集成商等競爭對手。即便是大廠，在 To B 市場的業務策略也都差不多，大廠還能有自己的大模型和品牌優勢。”

“ 我也在用 DeepSeek，還有大量其他企業也在用 DeepSeek，那就沒有任何差異化的地方。國內有多少云廠商，就至少會有多少個競爭對手。國內 To B 市場一直是這樣，想要活下去，要么關系硬，要么服務好，要么價格低。”

梁賀向知危簡要地評估了零一萬物的當下選擇和未來可能性：

• 李開復目前將零一萬物的業務完全轉向To B應用，主推企業大模型一站式平臺，這個做法在商業上肯定是沒有問題的，但是市場會很卷。
• 零一萬物要做出比大廠更低價的大模型產品，其實也是沒辦法的事情，因為應用層面沒有什么能夠保持獨特優勢的地方。
• 零一萬物轉向To B，說明它AGI的想象力也就弱了，做的事情不夠性感了。這跟2017年以來的上一波CV浪潮的視覺公司后來的結果很類似。
• 如果零一萬物也做海外的市場，或許還有機會。

相比之下，業內對百川智能的未來，雖不算樂觀，但也沒那么悲觀。

一方面，百川智能進軍醫療，沒有其獨特的優勢，特別是在數據方面。

姜紹告訴知危：“ 百川轉向醫療，只是給自己找一條活路。但相比零一萬物，百川至少是在嘗試做一個細分市場。”

張森森表示：“相比科技公司，我更看好擁有醫療數據的公司做醫療大模型。這個對于任何想做行業大模型的公司都是同樣的道理。因為做醫療大模型的關鍵難點不在于大模型，而在于數據。中國有那么多好的醫院，醫院也可以自己用 DeepSeek 微調出一個大模型出來自己用。”

如何有效地獲取醫療數據？姜紹表示：“AI技術創業公司在數據上沒有優勢，如果想做醫療大模型，可能需要和原本就在幫醫院做信息化的公司去合作才行。”

而據知危所知，六小虎中已有公司跟國內大型醫生交流論壇進行獨家合作，利用該論壇中醫生交流產生的大量案例對模型進行訓練。

除了對細分市場相對樂觀，另一方面，業內對百川創始人王小川本人抱有希望。

梁賀認為：“ 王小川要專攻醫療，成不成，要看他是要做理想還是要賺錢。如果是要做理想，做出有突破性的醫療AI研究成果，那我更看好。從我對王小川的理解來看，他應該更傾向前者。”

王文廣則強調了這個市場陳舊的一面：“如果是想短期內做商業化，那其實醫療這個賽道也是很卷的，和 To B 市場整體的情況沒什么本質區別。商業化層面，用知識圖譜、向量搜索加大模型來做醫療，很多公司都能做。”

據知危與醫療 AI 專家的溝通，醫療本身還有巨大的知識盲區，新知識在快速增長。因此基于大模型做醫療基礎研究，有很大想象空間。以蛋白質結構預測的 AlphaFold 模型為例，據梅斯醫學報道，截至 2024 年 5 月，全球已經有 180+ 萬的科學家使用 AlphaFold 加速研究，包括開發生物可再生材料，或推進基因研究等。

除了理想和賺錢，醫療 AI 創業還有一個主要爭議點是：要不要、能不能做出通用醫療大模型。

對此，張森森表示：“通用醫療大模型目前在國內市場尚無明顯突破，主要原因在于大規模數據的收集和應用依賴于強大的醫療設備支持。國內許多醫療設備還沒有廣泛普及，因此AI難以進行精準診斷。但一些綜合實力強的醫院，如海外的梅森醫療中心等，已經開始探索推出自己的大模型。盡管短期內很難看到盈利機會，但從長遠來看，這類大模型有可能對醫療行業產生深遠影響。”

“ 醫療行業還面臨全自動診斷的挑戰，尤其是在國內設備不足的情況下，AI無法完全替代傳統診斷方式。部分醫療設備尚未普及，尤其在邊遠地區，醫療技術難以全面覆蓋，因此全自動診斷仍然存在較大的難度。”

“由于醫療行業具有嚴格的牌照和合規要求，大模型在進入醫療領域時必須解決合規問題。未來的 C 端醫療服務可能通過結合醫生技術和AI技術來提升診療效率，尤其是面向 80 后、90 后、00 后等年輕群體。”

最后，即便拋開國內 To B 市場本身的特點，單從大模型應用競爭的角度，To B 市場的存活難度也相當大。王文廣表示：“ 雖然整體上大模型 To B 產品的設計模式還在摸索中，但最終還是會趨同的。這方面不僅是國內，就連硅谷科技公司也類似，比如 OpenAI、Anthropic、谷歌等，只要模型本身的性能拉不開差距，在這個市場里就一定不能賺錢，最后會卷到大家都處于同樣的水平。”

“這也是為什么 DeepSeek R1 其實最大的影響力不在國內，而是在國外，特別是對硅谷科技公司。美股就是從 R1 發布開始持續高位震蕩然后開始下跌。背后的核心邏輯很簡單，就是硅谷的大模型被中國追上了。不能說超越，但是被追上了之后，硅谷這邊拉不開差距，就無法支撐這么高的估值，于是股價就下跌了。”

當然，To B 市場還有一種方式能夠很好地吸引客戶，那就是開源。企業開源的主要盈利模式包括額外提供收費級功能、云托管，以及基于開源技術的企業級咨詢、培訓等增值服務。

開源大模型最直接的作用就是推動技術的普及，張森森表示：“ DeepSeek 開源之后，對于企業在應用大模型上有非常大的加速作用。公司高層對大模型的應用是很支持的，隨著大模型在實際應用中表現良好，尤其是在降低人工干預、提升效率等方面優勢逐步顯現，支持力度將不斷加大。”

“ 金融行業作為數據質量最好的行業，在AI方面一直有豐富的技術積累，自然能夠很快跟上。不管有沒有 DeepSeek，金融都會落地 AI 技術。但有了 DeepSeek 之后，除了過去 AI 賦能的金融主營業務，現在也會將 AI 用到一些日常辦公、過去比較難做的運維等業務。”

“ 運維原本成本是很高的，比如對于根因分析，之前需要基于傳統的運維監控和 AIOps 來做，也需要專門訓練一些小模型來做，現在可以用 DeepSeek 結合知識庫去生成應用方案，來處理監控、告警、自助分析，以及溯源、自動化處理、穩定性提升等工作，這比 AIOps 更加靈活。”

“ 其次，對于運維工作，AI的覆蓋面也變得更廣了，現在會更加考慮到交互性和主動性，主動性也就是讓 AI 主動去做運維。從過去依賴規則、人工甚至個人經驗，人的經驗高低決定了運維能力的水平，現在可以用更加輕量級的 AI 模型來直接實現。”

“ 盡管 DeepSeek 的幻覺率依然較高，甚至與其它同類模型表現差距不大。但相比其它同類模型，DeepSeek 的推理和實際應用能力已足以抵消幻覺帶來的負面影響，我們會通過微調和優化，采用 RAG 等相關技術，將這一問題逐步改善。”

阿里大模型技術專家高鵬（ 化名 ）則認為，DeepSeek 的影響力對大型公司和中小型公司的影響有所不同：

“ 阿里內部使用的大模型一直是業內最先進的，所以 DeepSeek 出來之后對我們的影響沒那么大。我們會拿 DeepSeek 做性能評估和對比，對阿里而言，更多是技術上的啟發。DeepSeek 在 Reasoning 上的落地比較快，而技術細節上還是比較通用的，DeepSeek 也肯定有受到千問的影響。”

“相比之下，DeepSeek 對于中小型公司影響比較大，因為之前沒有一個模型可以達到 DeepSeek 那樣效果的同時，實現低成本的私有化部署。DeepSeek 出來以后，也涌現了大量賣 DeepSeek 一體機的公司。但實際上，跟很多開源模型一體機相比，DeepSeek 也不是最便宜的，要看具體的標準。”

無論怎樣，現階段國內開源大模型枝繁葉茂，并已經能參與全球競爭。然而，從平安保險自身落地大模型的情況，張森森認為開源大模型還有難以克服的局限性：

“ 對于我們而言，DeepSeek 主要是成本上的巨大優勢，在能力方面的話，比如在運維場景，在推理、泛化能力、上下文理解上可能比其它模型更好一些。但在金融風控等更復雜的場景下，DeepSeek 的表現并不突出。這是因為需要更細致的微調，甚至結合其它模型進行優化。因此還需要根據具體應用場景進行針對性的微調，來進一步提升模型表現。”

“ 平安自研的大模型，主要分為兩層，底層是基礎大模型，再往上是分別負責銀行、保險等業務等領域模型。我們內部使用的大模型在專業知識領域的表現確實超越了 DeepSeek，尤其是在金融和醫療等特定領域，模型的表現更加精準。然而，在推理能力上，DeepSeek 依然具備強大的優勢。有一些場景，我們希望先用 DeepSeek 做一個小規模的嘗試，看看能不能跑通。”

“對于阿里千問、百度文心和智譜 ChatGLM 這些開源大模型，它們在這方面與 DeepSeek 的區別并不明顯。判斷的依據是，這些模型在推理能力和知識庫結構上與 DeepSeek 并無太大差異。”

綜上來看，開源大模型的影響力目前還有限，并且它們彼此間追趕節奏緊張。

但 To B 競爭激烈，也不代表 To C 路線就更有希望。

大模型的 To C 產品競爭也是非常殘酷，但相比于 To B 市場，又有很大的不同。

一方面，市場格局瞬息萬變。

以海外市場為例，根據 a16z 發布的 “ Top 100 Gen AI Consumer Apps ” 最新報告（ 第四期 ），自 2024 年 8 月（ 第三期 ）以來，就有多達 17 家新公司進入了生成式 AI Web 產品的 Top 50 排行榜，比如國內的 Kimi、海螺AI、DeepSeek 等，其中 DeepSeek 尤為亮眼。

DeepSeek 在極短時間內強勢崛起，其月活人數從幾乎默默無聞到大大超越 Claude、Perplexity，只用了一個月的時間。

在移動端的使用時長方面（ 基于平均每周每位用戶的會話數和每位用戶的分鐘數 ），DeepSeek 也略高于Perplexity 和 Claude，但目前和 ChatGPT 相比仍有較大差距。

另一方面，To C 的變現難度很大。

最受歡迎的應用并不一定能帶來最多的收入。比如 ChatGPT 有最高的收入，OpenAI 卻仍然年虧 50 億美元，而大量 ChatGPT 的 “ 山寨 ” 應用倒是很可能實現了快速盈利；DeepSeek 火了以后，模仿者、仿冒者也是排山倒海而來。

從 C 端市場來觀察六小虎的境遇，實際上也不樂觀。綜合知危與業內專家的溝通，普遍認為大廠將帶來極大生存壓力。

姜紹表示：“ 消費市場方面，六小虎里面做的比較好的是月之暗面的 Kimi。但現在排第一的是騰訊的元寶，第二是DeepSeek，第三是豆包，頭三家公司幾乎占據了大部分市場份額。騰訊的元寶憑借微信生態圈獲得了大量的客戶流量，而 DeepSeek 則憑借其技術創新和在多個場景中的優異表現脫穎而出。”

梁賀表示：“Kimi 的大模型技術和競爭對手沒有太大區別，那就只能免費，這就導致月之暗面商業化變得特別困難。作為一個 To C 應用，看不出它跟元寶、豆包的區別在哪里。而且，豆包可以用字節其它業務來養，元寶可以用騰訊其它業務來養，它們可以投入 1000 億來養這些應用。”

姜紹補充道：“對于 C 端用戶，更加關心產品易用好用，騰訊和字節在這方面做得更好。當然阿里也有機會，阿里正在孵化名為 ‘AI聽聲 ’ 的應用，這個應用通過 AI 進行聊天和交互，目標是取代抖音在短視頻平臺中的地位。雖然抖音吸引大量創作者生成優質內容，但 AI 聊天應用通過提供更加個性化和互動的體驗，有潛力在一定程度上吸引用戶群體。兩者的差異主要在于內容創作和互動方式。如果阿里能夠突破這一塊，也有機會翻身，當然如果騰訊跟進仿制，就不好說了。”

對于 MiniMax，業內的看法稍微有些不同。

梁賀認為：“MiniMax 的海螺AI目前是挺賺錢的，它算是找到了自己的一條路，但這條路能不能讓 MiniMax 的估值做的足夠大，還是個未知數。由于偏向應用，MiniMax 在 DeepSeek 出來之后更輕松了，如果他們全部使用 DeepSeek 的模型，反而是節省了模型的研發成本，而它的應用還能繼續賺錢，甚至賺的更多。”

姜紹則認為：“ MiniMax 如果后面能夠做出一個爆款 APP 的話是有機會的，但阿里可能會超過它先做出爆款 APP，所以 MiniMax 即便有機會概率也不大。”

究其根本，產品差異化依然是 C 端應用的突破口。

根據 a16z 的 “ Top 100 Gen AI Consumer Apps ” 最新報告，許多使用率較低的應用其實實現了更好的收入。有些通用性很差的產品比如植物識別、營養等吸引付費用戶的能力反比通用產品而更大。

做通用的 AI 產品，很難打出差異化，用戶付費意愿低，盈利周期長，所以熬不過大公司。

而做差異化如果垂直深度不夠，也容易被基座大模型通過能力升級所內化。比如，最近 GPT-4o 的生圖能力就對 Midjourney 等文生圖創企帶來了降維打擊。這種覆蓋能力，很多時候都是隨機的、不可預測的，正所謂“ 毀滅你，與你無關。”

競爭對手的像素級模仿，基座大模型的快速升級，讓 C 端 AI 初創公司的風光幾乎永遠只保持很短的時間。

至于如何抓住這極低概率的成為爆款的機會，業內專家一致認為 “ 基本上還沒有經驗可循 ”。

六小虎走入今天的困境，很大一部分是因為當初在基座大模型上投注過大，低估了要在這個賽道上生存和拔尖需要的人力、財力、物力，導致現在在應用賽道上也很難打出差異化。

如今六小虎對攻克 AGI 的決心越來越弱，李開復近日還公開直言，國內的基座大模型最后只會剩下 DeepSeek、阿里、字節三家。

對此，與知危交流的業內專家也基本同意這個看法。

姜紹表示：“ 現在還在繼續死磕大模型技術的創業公司基本都得死。最有希望的肯定是 DeepSeek，第二是阿里巴巴，第三是字節跳動，第一名預計能分到 50%-80% 的流量，后面兩名可能分到 10% 的流量。核心在于誰先把 AGI 做出來，誰就是最后的贏家。”

“ DeepSeek 目前在大模型領域最具競爭力，其技術創新和在實際應用中的表現無可挑剔。阿里巴巴和字節跳動也具備較強的競爭力，尤其是在跨平臺應用和數據資源上的優勢。排名的依據主要是基于各家公司在基礎技術、算力、數據資源以及實際應用中的創新能力。”

“ 智譜和 Kimi 的團隊堅信，繼續增強基礎模型的能力才是未來的出路。與之相對，我認為隨著市場需求的變化和應用場景的多樣化，單純強化基礎模型的路線可能會受到局限，更靈活、適應性強的模型發展路徑才可能更加具備市場競爭力。”

“大模型技術競爭異常激烈，投入巨大的公司最終必須在創新、算力、數據和優化上有明顯突破，才能保持競爭力。其他未能跟上技術進步或無法應對市場需求的公司將逐漸被淘汰。”

梁賀表示：“國內的基礎大模型公司未來只會剩下 DeepSeek、阿里、字節三家公司，依據就是這三家能夠有實力和決心投入超大資源來研發。對于字節而言，它不可能錯失大模型這個機會，不然對它整體影響會非常大。而且DeepSeek的技術對于字節而言不會有太大的壁壘，更多是研發效率上DeepSeek目前更有優勢。阿里的千問開源模型本身水平比較高，在DeepSeek火起來以前，千問和Llama基本是你追我趕的狀態。對于阿里來說，千問模型可以不賺錢，但是相關的云業務可以賺錢，字節也是類似的，還能將大模型技術不斷用于優化抖音等App的體驗。而對于AI創業公司，如果模型本身不賺錢，就觸及了生存的根本。”

王文廣則表示：“DeepSeek 的優勢主要在于技術理想主義。春節前后兩三個月內，DeepSeek 的流量巨大，如果它想做商業化的話，很快就能達到全球第一，豆包等其它大模型根本沒有機會。只要 DeepSeek 不在最近的開源周把基礎設施相關的優化方法開源出來，以后它都可以依靠這個來賺錢，如此一來別人都沒有機會。DeepSeek 也沒有融資，不需要受到投資人的影響。技術理想主義和人才是最大的壁壘。對比 OpenAI，OpenAI 現在能看到的成果基本上都是在 Altman 和 Ilya 的紛爭發生之前的研究成果，至少創新點是已經確定了，如今最初那幫有理想的人才離開了之后，OpenAI 本身的創新幾乎就沒有了。目前 OpenAI 的創新更多是在應用層面，比如 Deep Research，應用層面的創新沒有什么壁壘，所以它也要跟著競爭對手一起卷。”

某大廠AI技 術專家王牧（ 化名 ）告訴知危：“ 除非有錢、有人才、有硬件，否則沒必要在預訓練大模型上浪費功夫，DeepSeek 起碼在 2021 年就有萬卡集群了，也不缺錢。反觀其它中小公司，基本湊不齊這個條件。”

高鵬表示：“AI創業公司要想活下去，還是要轉向應用，一兩年前我也是這么認為的，現在轉都可能太晚了。接下來第一批要被淘汰的 AI 公司就是做基座大模型的公司。大模型的訓練，其實有很多復雜的細節，非常依賴經驗的積累。Transformer 架構內部的細節是普遍比較了解的，但不管開源還是閉源模型的論文基本都不會告訴你數據是如何準備的，數據細節是什么，數據規模有多大，數據質量如何等等，業界也沒有一個統一的標準。”

“ 開源開一半 ” 在大模型賽道一直是典型做法，當前，會將代碼、權重、數據集、訓練過程全公開的大模型少之又少，比較知名的有 OLMo、BLOOM 等。

然而，即便轉向應用就能活下來了嗎？從前面對 To B 賽道和 To C 賽道的分析，AI創業公司在應用上幾乎很難形成自己的行業壁壘。對此，高鵬表示：“ 要想形成自己的行業壁壘，關鍵在于自己擁有哪些數據，模型誰都能用。數據分為兩個方面，一方面是創業者的領域經驗，一方面就是手里的數據了。”

從企業文化的角度，高鵬認為研發基座大模型需要的是一種實驗型、工程型的艱苦探索精神，“之前很長一段時間，國內很多AI創業公司都太高調了，做技術本來是先應該低調的做，做好再去高調地宣傳。有些團隊學術界的組成比較重，但學術界的人研究技術有時過于理論化。人才或團隊方面，一個大模型團隊能不能成功主要看老板理不理解大模型。如果老板都不理解大模型技術，或者沒有信仰去堅持，因為不賺錢就放棄了，是根本行不通的。DeepSeek 能成功更多是依靠自頂向下的組織模式，老板對技術細節很懂，帶大家一起干。國內符合這種模式的太少了。”

對于業內熱烈討論的國內基座大模型最后的贏家預測，高鵬認為這個論斷還太早，“ 能參與競爭的玩家，技術路線上不會有太大的差別，就按著 Transformer 架構去做細節優化就行，Mamba 和 RWKV 也有希望。關鍵是要踏踏實實做事，時間會證明一切。最后的贏家、前三名這種事都不好說，大模型技術棧是很復雜的東西，而且誰知道是不是還有很多人在默默地干一件事情，只不過時間還沒到而已。”

在模型贏家很難判斷的現在，數據開始變成了最重要的護城河。紅杉資本合伙人Konstantine Buhler 曾表示，OpenAI 在 ChatGPT 上犯的一個錯誤就是不允許編輯回復，而這本來可以在反饋循環中提供更高質量的數據，并構建更深厚的護城河。

數據能否讓某個行業在當下借助AI進一步發展或者帶來新的商業機會也很重要，張森森表示：“ AI 落地的成熟度更加接近金融、互聯網兩個行業的，我比較看好 AI 辦公、AI 政務、AI 電商。主要是基于其數字化程度高，以及業績的高確定性。”

“盡管電商已經比較成熟，但AI將繼續提升電商的效率，尤其是在商品推薦、客戶服務、物流優化等方面。AI 通過更精準的市場分析和決策優化，能夠提升電商平臺的效率。這種效率的提升將不僅僅是線下零售的繼續，而是能帶來新的電商形態，尤其是在跨境電商領域，AI 將助力其爆發式增長。”

“ 相比之下，金融行業在 2024 年就出現了一次業績爆發，2025 年隨著AI業務深入，業績能還有很大的增長空間。”

“反觀那些AI落地不成熟的行業，特別是智能制造，有大量的定制化的東西，每個企業生產的產品都是不一樣的，沒有一個統一的標準。所以企業想推動 AI 工作自動化比較困難，數據的價格很高，精度要求也很高。雖然說工業軟件基本是智能制造落地最早的解決方向，有比較好的效果。但是制造業的 AI 化升級是有歷史包袱的，大部分的制造行業的數據和信息化的水平是不夠的，就導致它們在做 AI 化的時候是缺乏數據的，特別是異常樣本的收集幾乎是沒有的。復雜度也高，比如設備種類繁多、數據標準不統一，導致算法可遷移性很差，常常忽略一些關鍵因素比如溫度、材料或者一些不可預測的變量的影響。而且，企業對傳感器數據的關注是有偏差的，對于各種傳感器故障數據，企業主要關注的是會影響生產結果的數據，但實際上，那些邊緣的傳感器數據，未來很有可能成為我們撬動整個制造業創新和商業化的一個支點。AI 能夠通過對這些數據的分析，發現潛在的優化機會，從而推動整個行業的進步。”

“ 而且，制造業的能力要求和其它行業也有一些不一樣，它要求必須實時處理問題，大模型的延遲性在這里會難被接受。所以，智能制造短期內是沒有投資回報率的，當然國家肯定會把這個行業的AI化給扶持起來。可能未來五年，會產生一個大規模增長，機器人化和 AI 化會做一個雙重結合。”

說到底，對于初創公司來講，無論是做基礎大模型還是做 To B 或是 To C，你都很難找到一個堅固的護城河，如果沒有長年積累的數據或技術經驗，都無法形成競爭壁壘。

所以，初創公司一旦沒有在小有名氣的時候把雪球滾起來，很容易就逐漸落寞最終找不到活下去的理由。

他們在某一刻摘到金蘋果時，不過是命運女神短暫地打了個盹。