“大模型六小虎”多高管离职：商业化靠掘金B端，试水端侧

21世纪经济报道记者孙燕 上海报道

“2025年将是大模型商业化的大考年。”今年年初，零一万物创始人兼CEO李开复预言。

2025年尚未过半，“大模型六小虎”中已有十余位高管“出走”。其中，多位离职高管是商业化负责人，包括智谱首席运营官张帆、MiniMax商业化合伙人兼副总裁魏伟，以及百川智能联合创始人、商业化负责人洪涛。

人事变动背后，AI大模型企业的商业化焦虑浮出水面。

主动披露商业化收入的大模型公司少之又少。在“大模型六小虎”中，智谱AI曾透露，该公司2024年商业化收入同比增长超过100%，平台日均Tokens消耗量增长150倍。据市场预测，Minimax2024年的年化收入（ARR）有望达7000万美金。

但全球300余个大模型中，仅有少数企业实现了商业化的初步探索。面对亏损泥潭，牌桌上所有玩家都在追问：

产业化大方向究竟在哪里？

C端还是B端？

从客户定位来看，“大模型六小虎”走出了C端、B端两条路径。

MiniMax、月之暗面、阶跃星辰的重心均在C端：MiniMax推出了视频生成产品“海螺AI”、AI陪伴应用“Talkie”；月之暗面推出了Kimi助手；阶跃星辰推出了AI助手“跃问”、开放世界“冒泡鸭”。

智谱AI在C端推出了“智谱清言”，但更偏向B端业务。该公司CEO张鹏曾坦言，推C端产品的主要目的，是为了向B端客户展示能力。

零一万物、百川智能也以B端为重心：零一万物聚焦零售和电商等场景，推出了“AI2.0数字人”解决方案，百川智能以医疗为核心场景。

商业化压力之下，大模型企业也在边探索边调整：如零一万物早期宣称“坚决做ToC，不做赔钱的ToB”，但2024年起战略转向全面聚焦B端，收缩C端业务。

国泰海通证券研究指出，虽然当前仍处于商业化初期，但参照互联网发展历程，AI产业很可能遵循从B端到C端再到B端深化的演进路径，最终实现全产业链的协同繁荣。

在C端，大模型主要通过订阅实现价值，但正面临叫好不叫座的流量困局：数据显示，超八成用户拒绝为对话功能付费，多数人同时使用多个免费模型抵消体验限制。

相较C端用户“谁免费用谁，谁补贴跟谁”的主流思维，B端企业对于生成式AI的投入预算越来越多，但对于投入ROI也越来越重视。

“目前业界还很难给出一个确切的ROI中位数，因为大多数企业的AI应用仍处在价值发现和初期探索阶段。”毕马威中国技术和新经济管理咨询服务主管合伙人高人伯在2025年上海世界移动通信大会（MWC上海）期间告诉21世纪经济报道记者，目前已实现正向收益的场景，普遍集中在能够快速提升内部运营效率的领域，如利用AI辅助软件开发、自动化生成营销文案、优化内部知识管理与报告总结等。

在他看来，生成式AI的产业化方向之一是“深度垂直化”：通用大模型的能力应与金融、医疗、法律、制造等行业的专业知识深度融合，形成能够解决核心业务问题的专用AI，将是价值创造的关键。

云侧还是端侧？

从技术部署来看，“大模型六小虎”普遍采用云端训练+云端推理，依赖公有云厂商提供算力。

云侧的核心盈利方式主要有两种，一是按API调用次数或Token量付费；二是定制化解决方案，如智谱AI为金融、教育、制造等行业企业提供定制模型，收取开发与运维费用。

这主要面向B端用户。高人伯告诉记者，B端企业会根据自身业务的成熟度、数据敏感性以及战略目标，在“标准化”到“定制化”的光谱上动态移动：许多企业在初期会倾向于采购标准化的API服务，这种方式能够快速验证AI在通用场景下的潜力；但当单纯的标准化服务无法满足需求，企业便会转向探索定制化的行业模型。

目前，纯API调用模式盈利压力较大：由于产品同质化、难以深度满足场景需求等问题，规模效应较难达成，无法通过海量用户调用分摊模型训练与维护成本。定制化行业模型盈利能力相对较强：有头部厂商通过“通用大模型+行业精调”模式，向制造业客户收取模型定制费及数据服务费，单项目可达数百万元。

在部署云侧的基础上，今年以来，智谱AI、阶跃星辰也在拓展端侧：智谱AI今年与珠海市合作搭建“城市级GLM大模型”，覆盖端侧；阶跃星辰则将智能终端列为2025年重点场景。

但对于“大模型六小虎”而言，部署端侧一方面需要从硬件厂商手中“抢蛋糕”；另一方面生成式AI在端侧部署仍然面临技术挑战，进一步加大了研发成本。

“将生成式AI模型部署到手机、汽车等终端设备上，是实现普惠AI的关键一步，尤其对于需要即时响应和保护数据隐私的场景至关重要。”高人伯指出，但大型AI模型巨大的计算和存储需求与终端设备有限的资源（如算力、功耗、内存）之间存在天然的矛盾。

如何在保证模型性能的同时，克服这些硬件限制，并为用户提供流畅、可靠的体验？据高人伯观察，业界正在从多个层面积极探索解决方案。首先是通过模型压缩、知识蒸馏等先进技术，在保证核心功能的前提下，将大模型变得“小而美”，使其能够在端侧高效运行。

芯片厂商也在不断创新，推出集成NPU等专用AI处理单元的硬件，为端侧AI提供更强劲、更节能的算力支持。

此外，“端云协同”被认为是一种非常务实且灵活的路径，即在终端部署一个轻量级模型处理高频、简单的任务，当遇到复杂请求时再智能地调用云端更强大的模型，从而兼顾效率、成本与用户体验。