小团队，为什么能超越巨头，干出更能打的大模型

不同于互联网、移动互联网时代，几张桌椅、几个脑袋就能创造奇迹，而是需要动辄数千张的GPU集群、亿元级的算力投入、海量的语料数据、以及顶尖的算法人才……

这样的门槛与特性，曾让很多人感叹，AI大模型这条赛道，绝不属于初创小公司，只有巨头才配坐在牌桌上。

然而，现实却给出了鼓舞后来者的答案：

智谱GLM系列模型在中文理解与推理领域比肩国际顶尖水平，MiniMax的M2.5模型以极致效率打破算力内卷，DeepSeek R1将千亿参数模型训练成本压缩到行业的1/10，Kimi则以200万字长文本处理能力开辟全新赛道……

一批初创小公司都已在大模型领域成功破局，非但不比巨头们逊色，甚至开始逆袭巨头，引领风骚。

初创公司逆袭巨头的答案，首先藏在这些公司的创始人身上。

智谱的唐杰与张鹏、MiniMax的闫俊杰、DeepSeek的梁文锋、Kimi的杨植麟，这些创始人，有一个惊人的共同点：

他们已是人生赢家，却毅然告别了辉煌与舒适区。

2019年创立智谱时，唐杰已深耕自然语言处理与知识图谱多年，手握20多项专利，主持过多个国家级科研课题，是清华大学计算机系教授，全球人工智能领域的顶尖学者。

他原本可以安于象牙塔，享受科研与学术的安稳和荣光。但当人工智能的风口初现，他坐不住了，认为这是自己躬身实践的机会，也是中国AI弯道超车的机会。

▲唐杰在办公室

图源：北京大学王选计算机研究所

于是，他找到了同为清华校友的张鹏——一位在清华大学知识工程实验室工作近20年的学者，同样是技术圈内的资深大佬。

在一家小咖啡馆长谈了一个下午后，唐杰和张鹏做出了一个决定：离开清华园，搬进创业园区的小写字楼。

2021年创立MiniMax时，同样毕业于清华的闫俊杰，已是当时的AI大企商汤科技的副总裁，并主导了商汤深度学习工具链和通用智能技术体系的搭建。

彼时的商汤科技，即将港股上市，以闫俊杰的职级与贡献，继续供职，很可能成为亿万富翁。

但他觉得这不够劲，因为他已经对AI有了更大的想法——开发通用大模型，让AI像水电一样普及，融入并改变人类生活。

Kimi的创始人杨植麟，同样是“清华系”的成员，他本科时的老师正是唐杰教授。随后，他又在美国卡内基梅隆大学取得博士学位。在Facebook、google等一批巨头企业从事技术研究，并担任了清华大学的助理教授。

不出意外，这位17岁就被保送清华的天才少年，大概率将会在某家硅谷巨头获得千万级甚至更高年薪，或是成为某家国内大厂的首席科学家。

但2022年ChatGPT的发布，让他听到了新世界的敲门声。于是，他以最快速度破局入场，几乎是掐着秒表抢融资，只用四个月就创立了今天的月之暗面。

创办DeepSeek的梁文锋，更是愿景驱动的极致典型。

早在2010年，梁文锋的团队就靠着量化投资，将自营资金做到了超过5亿元。他创立的幻方量化，旗下基金规模在2021年一度超越千亿大关，位列国内量化四大天王。

按照世俗标准，他可以去买海岛、买私人飞机，顺手做做安逸的天使投资人。但凭借AI起家的梁文锋，眼光却看到了更远的地方：

“AI一定会改变世界，而中国AI不应该永远处在跟随的位置。”

曾经，创业是为了谋生，为了赚钱，改变命运，但这些创业者，他们或是学术界、产业界的大牛，手握令人羡慕的教职与履历；或是早已实现财富自由的隐形富豪，无需为经济担忧。

从第一天起，他们就为理想、为信念而勇往直前。

正是创始人的这种“拼命”底色，赋予了几家初创公司区别于大厂的独特气质——为了理想，而激情燃烧、孤注一掷，甚至无所畏惧。

智谱CEO张鹏曾有一句名言：“技术不是魔法，连惊叹都不该有，一切都是有迹可循的。”

在智谱内部，一直保持着一条清晰的技术路径——走自己的GLM算法之路。

GLM是一个巧妙的架构设计，既能做填空也能做续写，可以在相对低算力下，获得更高效的训练底座。

但在2021年，最紧迫的问题是：要不要在这条路上，训练一个千亿级参数的大模型？

GPT-3的训练成本是两千多万美元，智谱的成本控制再好，也需要千万级人民币以上，并且需要举全公司之力，花八九个月时间。

如果成功，一好百好，如果失败，什么也剩不下。

决策会上，大多数时间大家都在沉默。对于不爱说话的工程师而言，不说话，就是难度大，甚至不可能。

但核心团队最后认为：不做，不追，永远不知道自己能跑多快，跑多远。一个初创团队的前进，不应该背着经济包袱。

沉默过后的投票决策，工程师们全票通过。

相对于巨头而言，这的确是一场不对称的竞争。

大公司往往背负着沉重的“存量包袱”，它们有庞大的搜索、广告、社交、电商组成的业务生态，这些是过去的成功路径，也是某种意义上的镣铐，更重要的是，它们还需要对财务报表和投资者负责。

因此当颠覆与革命来临时，决策往往会陷入“创新的窘境”，对新技术和投入太狠，可能冲击基本面；投入太轻，又会被时代甩下。

“光着脚”的小公司则完全不同，它们没有业务包袱，没有需要维护的存量利益，只有ALL IN一条路。

今年年初，Kimi引爆了“长文本”战役。背后是看准就ALL IN的孤注一掷。

因为发现了用户“阅读长文档”的痛点，Kimi不惜血本投入算力，率先支持200万字上下文的处理能力。为了这个突破，整个公司仅在几周内，就经历了数次架构重构。

国内各大巨头并非没有技术储备，也都看到了其中的机会，但长文本处理的算力成本消耗，尚不明确的变现路径，都让其举棋不定。

这种不对称，并不只在决心与勇气。也更在于由决心与勇气激发出的方法和效率，在于对各种资源要素的调用，以及创新创造力的极致发挥。

国内某大厂的一位AI研究员曾在网上吐槽：他想要申请几张A100显卡做实验，审批流程就走了两周，等卡到位了，技术风向已经变了。

这是大公司常见的“大企业病”。哪怕一个小想法的落地，往往也要经历文本汇报，层层审批、跨部门协调、各级评审。更关键的是，大厂的研发人员还会不同程度地被KPI绑定，从而更倾向于获得稳定的考核成果。

但在小公司，战略和战术常常都是在战壕里完成。

在DeepSeek，没有明确的职级划分，也没有上下级分工，看不到冗长的决策链条；大家都是“写代码的人”，也都是“提想法的人”；每个人都可以拉人讨论，并随时调用公司训练集群的卡，无需审批，不设上限。

研发V2模型时，为了解决一个算子优化难题，几位工程师直接拉了个群，现场讨论，现场拍板，一个通宵就解决了。

这种差异，就是“成熟正规军”与“初创特种兵”的区别，正规军打仗要看地图、听指令；特种兵打仗，枪响了就冲，哪里有缺口就打哪里。

这些拿枪冲锋的特种兵里，甚至包括创始人——Minimax创立初期，闫俊杰本人就亲自参与了绝大部分核心代码的审查。

初创的智谱，团队仅有百人，且保持着极简的用人策略——绝大多数都是工程师。发布第一款大模型时，新闻稿是研发人员自己写的，Logo是一位工程师的女朋友帮忙设计的。

但正是这款大模型，1300亿的参数，直接对标OpenAI的CPT-3。并且，从2021年12月决策，到2022年8月发布，只用了9个月。

大模型的研发，固然是“烧钱游戏”，但钱烧得是否有效率，决定了最终的结果。在这一点上，创业公司每一分钱都要花在刀刃上的习惯，将资源的利用率逼到了极致。

就在2月底，OpenAI获得了来自软银、英伟达、亚马逊的新一轮投资，总计高达1100亿美元，它的背后，始终有微软的支持。而国内几家AI创业企业，始终没打过太富裕的仗。

月之暗面的天使轮总估值，只有3亿美元；Minimax靠上市前的8轮融资，总共拿到了15亿美元，但天使轮仅有3100万；DeepSeek的前期基本靠梁文锋与幻方量化的自有资金；智谱获得的第一笔投资，甚至只有区区4000万元人民币。

这种资源上的“有限战”，逼着创业小公司真的要像特种兵一样，用好手里的每一颗子弹。

算力，曾经是智谱最大的挑战，训练千亿级模型，需要数千块GPU芯片连续运转数月，智谱只能去东凑西借——2020年，它就向一家国内云服务供应商借了一批闲置GPU。

在最困难的时期，唐杰和张鹏每天最重要的事，就是观察两个窗口指标：一个训练进度，一个银行账户。

但这也磨练出了创业团队的极限生存能力：智谱的工程师们始终围绕着模型做极致优化，DeepSeek的团队甚至为了提升显存利用率，重写了底层的通信协议。

也正是因为极致的“算”与“省”，练就了国产大模型的优秀——DeepSeek-V3在性能比肩GPT-4o的同时，训练成本不到后者的二十分之一。

一位目睹了进程的投资人说：“大厂用钞能力掩盖工程能力的不足，小公司却用工程能力补上了钞能力的短板”。

从决策到组织，从效率到斗志，各种不对称的因素加在一起，让小团队不断逆袭大巨头，但其背后的核心逻辑，并非是大公司打不过小公司。

它的关键，不在规模大小，实力强弱，而在规模实力等硬指标背后的软实力。而当大公司的硬实力与小公司的软实力相结合，带来的将是大公司的更加所向披靡。

AI竞赛，正在上演类似的故事。

新春之际，字节跳动的Seedance2.0惊艳世界，连好莱坞大牌导演都惊叹不已，表示重塑影视行业的真正拐点正式到来。

该图片疑似AI生成
▲图源：CCTV4微信公众号

这样的追赶与突破，得益于字节保持至今的纪律性与饥饿感。在这家公司的历史上，类似的故事一抓一大把。

2016年，还在孵化阶段的抖音，由张一鸣亲自面试产品经理的岗位。一个毕业仅8个月的男生，只带了一张写着结论的A4纸，他唯一的资历，是每天刷12个小时短视频，拆解过2000个爆款视频的逻辑。

张一鸣当场给出了岗位：P7职级，专家档薪资，无试用期，进入抖音核心组，3个月看数据。

3个月内，这位应届生主导了抖音首页滑动逻辑、拍摄按钮交互，滤镜优先级三个核心模块，帮助用户时长提升21%，留存提升14%。

在字节内部，有着极其严格的日常开支要求，连打印纸都必须双面使用，但在战略投入上，算法研发、算力采购、AI大模型框架的建设，预算永远从实际需要出发，从无纸面上限。

它带来的结果是，超千亿元被投入GPU集群与自研训练框架的建设，帮助GPU利用率从30%上升到90%，成本下降了70%，训练速度提升3倍。

老牌大厂阿里，也在用行动证明，大象同样可以跳舞。

今年，通义千问Qwen系列模型在全球开源榜单上屡次登顶，成为能与Llama、GPT系列分庭抗礼的中国力量。这背后，是阿里对“云智一体”战略的长期坚守与自我革命。

在阿里内部，通义团队被赋予了特区般的“创业权限”。他们打破了层级森严的汇报机制，重构了一套敏捷的研发体系。为了在算力上实现极致性价比，团队主动发起“技术攻坚战”，将模型推理成本在一年内降低了超过90%，让大模型从“奢侈品”变成了“日用品”。

更关键的是，阿里不断对内“开刀”——为了推动AI落地，阿里云甚至不惜重构其产品逻辑，将通义大模型深度嵌入钉钉等超级应用中。

当大多数公司还在探索AI入口时，钉钉团队在短短几个月内就上线了“魔法棒”功能，只需输入一个“/”符号，AI就能自动生成文档、整理会议纪要。

为了这个“斜杠”功能，钉钉产品团队与通义实验室进行了封闭式开发，跳过了繁琐的跨部门审批，成为了打破大厂部门墙的经典案例。

这些不计代价，直奔彼岸，不讲程序，只看效率的规则，正是AI时代最宝贵的品质。

其实，在所有商业时代，这些都是最宝贵的品质，造就了许多商业传奇——今天的阿里、腾讯、字节跳动，都是从小公司逆袭而来。

在资本与技术更密集的AI时代，这些品质得到了进一步放大，让AI时代最震撼人心的技术突破，往往不属于那些躺在功劳簿上的企业，也不属于那些只盯着KPI报表的职业经理人。它一如既往地属于那些：

义无反顾冲向风暴中心的人。

THE END

主编：毕亚军 责编：周怡