饥渴的大厂，面对大模型还需新招

文 | 王智远

昨天晚上，跟朋友聊起大模型。

他说现在各家都“卷”到一个新阶段，模型之间差距已经很小，只能用“遥遥领先”或者“吊打同行”这种词来形容。

从基准测试和数据来看，很多模型都远超 DeepSeek R1、GPT-4o，但继续往下比的空间已经不大了，真正的差异更多在使用方式上。

这让我开始思考：大模型竞争，是不是已经进入存量博弈阶段？

1

说到“存量”，就绕不开一个字：“卷”。不卷，哪来的存量？那问题来了：这个卷，到底在卷什么？

我觉得，表面看到的就三点：算力成本、数据质量和场景渗透。

以前大模型拼参数多，现在开始拼谁的成本低。

阿里家的 Qwen3，用“混合推理”的技术，简单问题用低算力能快速回答，复杂问题再慢慢思考，这样部署成本直接降到了 DeepSeek-R1 的 1/3 到 1/4。

腾讯混元 T1，3890 亿参数的模型，通过稀疏激活机制，算力利用率比传统模型提升了 30% 以上。

百度的文心大模型，虽然没公开具体成本，但它的推理速度在工业级场景里比竞品快 20%，也算是有自己的优势。

字节跳动没直接在公开场合提到过算力优化，但它通过抖音、今日头条的场景化落地，间接降低了通用大模型的部署压力。

所以，算力成本上，大家是看能不能在不牺牲性能的前提下，把成本降下来。

降下来之后呢？

关键还不能影响数据质量，卷谁的训练数据更硬核。

阿里家 Qwen3 训练数据量达到了 36 万亿 token，支持 119 种语言和方言，数据质量更有普适性。百度文心一言依托搜索、地图等产品，积累了海量的真实用户行为数据。

腾讯的混元则通过开源生态积累开发者数据，在游戏和内容生成领域有独特优势；字节跳动则利用抖音、今日头条的庞大流量池，捕捉用户偏好数据，让内容生成模型更接地气。

所以，数据质量的卷，是从“广度”到“深度”的升级，不仅要数据多，还要精准、垂直。

技术再强，不能解决实际问题，也只是“空中楼阁”，再看看场景渗透，谁更狠一些。

Qwen3 深耕电商、金融、医疗等垂直领域，通过定制化微调提供行业解决方案；百度文心一言是嵌入搜索、地图、智能音箱等产品，形成了“技术-场景-用户”的闭环。

腾讯的混元聚焦游戏和内容生产，通过混元3D等工具抢占多模态赛道；字节跳动是把大模型融入抖音和今日头条的内容生产流程，甚至用 AI 生成短视频脚本，直接打通了“技术-内容-流量”的链条。

看到了吗？场景渗透的卷，是从“技术堆叠”到“价值创造”的转型，谁能在细分场景里跑通商业模式，谁就能突围。

因此，我认为这个“卷”是：卷技术、成本、场景的三角博弈；算力成本决定了谁能撑到最后，数据质量决定了谁能跑得更稳，场景渗透决定了谁能活出差异化。

2

但这种“卷”，背后隐藏着一个更深层的矛盾：

当技术突破趋缓时，大家一个劲地开源、吊打同行，是不是意味着用这些手段，在掩盖真正的技术瓶颈？

我认为：是的。但不是完全没进步，而是技术方向有点小调整。

为什么这么说？

先说数据。阿里家的 Qwen3-235B-A22B，虽然总参数量有 2350 亿，但每次实际用到的参数只有 220 亿，激活效率才 9.4%。

什么概念，说白了，“轻量化”策略确实降低了成本，这是对原来那种“参数越多越好”模式的一种妥协。现在单纯堆参数已经没有太大的效果了。

再看看腾讯的混元 T1：

总参数量 3890 亿，激活参数量 520 亿，上下文长度也很长，但它的稀疏激活机制，本质上还是在想方设法在不牺牲性能的前提下，把参数规模压一压。

文心大模型就更不用说了。4.5 Turbo 总参数量 1970 亿，但每次推理最多用到 28 亿参数。这说明什么？

参数量已经不是唯一的衡量标准了，激活效率才是新的竞争点。这种调整不是在掩盖瓶颈，而是把技术突破的方向从“规模扩张”转向了“效率优化”。

然后，再看看技术优化路线，阿里直接赶在五一前，推出“快慢思考”混合推理。本质是什么？

想通过架构创新来缓解技术瓶颈。Qwen3 的“快思考”是用低算力处理简单任务，“慢思考”用高算力处理复杂任务，这是在对原来的 Transformer 架构进行适应和改造。

腾讯混元的 T1 也一样，官方说模型内存占用减少了 40%，性能提升了两倍；这种优化还是依赖 MoE 架构的稀疏激活机制，但也受限于硬件兼容性和算法复杂度。

所以，技术优化的核心目标是延长现有架构的生命周期；说白了，更像「技术瓶颈下的权宜之计」，而不是真正的突破。

结论很明显：

短期来看，参数激活效率、混合推理、MoE 架构这些优化确实缓解了算力成本压力，但改进只是对现有技术框架的修补。

长期来看，技术瓶颈没消失，变成了“效率瓶颈”、“场景适配瓶颈”。开源生态的普及为技术迭代提供了数据和场景基础，但真正的突破还得靠底层架构的创新。

所以，这波“卷”不是在掩盖技术瓶颈，而是在重新定义瓶颈的形态。技术进步的速度是慢了，但方向更明确了：聚焦在效率、成本和场景落地。

3

既然这样，问题就来了：

大厂在“模型卷”的浪潮里，到底该怎么找到“看家本事”？是继续在技术细节上抠来抠去，还是把精力放在怎么把技术用到实际场景里，或者去构建一个更大的生态呢？

我觉得，技术细节优化（比如调整激活参数、搞混合推理）确实能减轻算力的压力。

但说到底，优化的核心价值是让现有的架构能多撑一会儿。不过，这里面有个风险：技术带来的好处会比我们想象的更快地消失。

为什么这么说？举个简单的例子：

你买了一款新手机，一开始觉得电池续航特别厉害，比旧手机好很多，这就是技术红利。但用了一段时间后，你发现电池老化得很快，续航优势很快就没了，甚至比你预期的更早。这就是红利衰减速度超出预期。

换句话说，技术带来的优势不会一直持续下去，会逐渐减弱，减弱的速度比我们预想的更快。

有个研究，来自 DeepMind 的 Chinchilla 模型，提到通过参数补偿来降低剪枝带来的性能损失，可以在不依赖大规模后训练的情况下低成本压缩模型，提升推理速度，同时最大程度保留性能。

什么意思呢？

大模型的性能提升和算力投入之间的关系已经到了一个瓶颈阶段，有点像“帕累托最优”（Pareto Optimality）——再怎么努力，提升的空间也越来越小了。

说白了，现在大家都在过度依赖参数规模和稀疏激活机制，可能会陷入一种“技术幻觉”：以为解决了成本问题，其实并没有真正解决通用大模型的深层瓶颈。

换句话说，技术越来越同质化，竞争也越来越内耗。

文心一言的多模态能力虽在行业里领先，但核心还是依赖 Transformer 架构，没办法突破通用大模型的扩展性限制，这就是算法优化的天花板。

再比如，Qwen 系列虽然全球下载量突破 3 亿次，看起来很厉害，但实际上模型的功能差异很小。

那怎么办呢？各家短期直接把架构推倒，重新来过吗？肯定不可能。真正的路线是从“技术堆叠”到“价值创造”。

我觉得，对于大厂来说，价值锚点的核心在于能不能真正解决实际问题，而不是单纯追求技术指标的极致；很明显，技术细节优化只是手段，场景落地和生态协同才是根基。

就像艾媒咨询在 2024-2025 年中国 AI 大模型市场研究报告里提到的：谁能找到自己的“价值锚点”，谁就能在“下半场”突围。

4

所以，大家到底怎么才能突围呢？

现在看来，真正能落地到企业实际场景里的，是一个“三重共振”：云厂商 + 行业应用 + MCP 协议。

为什么说 MCP 是关键？因为它本质上是重新定义了企业与 AI 怎么合作的规则。

以前企业用大模型，就像给厨师一把刀，但没告诉他菜在哪、锅在哪、调料在哪——他只能靠猜。

现在有了 MCP，相当于给 AI 装了一个“导航系统”，它能自动找到企业的数据库、API、业务流程，甚至还能跨系统操作。

高德地图是阿里云的客户，如果接入 MCP，以后导航建议就不是简单的“绕开拥堵”，而是能结合用户的消费记录推荐周边餐厅，甚至直接跳转到外卖 App 下单。

这背后是 MCP 把高德的数据和阿里云的 AI 能力打通了。

那MCP到底怎么驱动ToB的范式变化？我认为，有两点：

一、从“模型为中心”变成“数据为中心”；以前企业做 AI，总盯着模型参数、推理速度这些技术细节。但 MCP 让重点转向数据流通 。

二、从“孤岛”变成“协同”；企业内部的系统通常互不联通，比如：财务系统、供应链系统、客户管理系统。一个公司用了谁家的云，云厂商就可以基于 MCP 把这些系统全打通。

打通之后，MCP 就从一个简单的工具变成了生产力基础设施。所以，这才是新范式。

它让AI不再局限于“参数规模”或“推理速度”，而是通过数据协同和场景嵌入，成为企业运营的“操作系统”。这才是企业的刚需。

这也是我为啥说，在大模型和 AI 的推动下，自下而上看，未来可能会出现新的飞书、钉钉这样的平台。它们不像飞书、钉钉那样有通讯、协同功能，但至少能把企业的各种业务流程整合起来。

叙事还在继续，到底会不会这样呢？deepseek R2出来后，就见分晓了。