文 | 王智遠

昨天晚上，跟朋友聊起大模型。

他說現在各家都 " 卷 " 到一個新階段，模型之間差距已經很小，只能用 " 遙遙領先 " 或者 " 吊打同行 " 這種詞來形容。

從基準測試和數據來看，很多模型都遠超 DeepSeek R1、GPT-4o，但繼續往下比的空間已經不大了，真正的差異更多在使用方式上。

這讓我開始思考：大模型競爭，是不是已經進入存量博弈階段？

1

說到 " 存量 "，就繞不開一個字：" 卷 "。不卷，哪來的存量？那問題來了：這個卷，到底在卷什么？

我覺得，表面看到的就三點：算力成本、數據質量和場景滲透。

以前大模型拼參數多，現在開始拼誰的成本低。

阿里家的 Qwen3，用 " 混合推理 " 的技術，簡單問題用低算力能快速回答，復雜問題再慢慢思考，這樣部署成本直接降到了 DeepSeek-R1 的 1/3 到 1/4。

騰訊混元 T1，3890 億參數的模型，通過稀疏激活機制，算力利用率比傳統模型提升了 30% 以上。

百度的文心大模型，雖然沒公開具體成本，但它的推理速度在工業級場景里比競品快 20%，也算是有自己的優勢。

字節跳動沒直接在公開場合提到過算力優化，但它通過抖音、今日頭條的場景化落地，間接降低了通用大模型的部署壓力。

所以，算力成本上，大家是看能不能在不犧牲性能的前提下，把成本降下來。

降下來之后呢？

關鍵還不能影響數據質量，卷誰的訓練數據更硬核。

阿里家 Qwen3 訓練數據量達到了 36 萬億 token，支持 119 種語言和方言，數據質量更有普適性。百度文心一言依托搜索、地圖等產品，積累了海量的真實用戶行為數據。

騰訊的混元則通過開源生態積累開發者數據，在游戲和內容生成領域有獨特優勢；字節跳動則利用抖音、今日頭條的龐大流量池，捕捉用戶偏好數據，讓內容生成模型更接地氣。

所以，數據質量的卷，是從 " 廣度 " 到 " 深度 " 的升級，不僅要數據多，還要精準、垂直。

技術再強，不能解決實際問題，也只是 " 空中樓閣 "，再看看場景滲透，誰更狠一些。

Qwen3 深耕電商、金融、醫療等垂直領域，通過定制化微調提供行業解決方案；百度文心一言是嵌入搜索、地圖、智能音箱等產品，形成了 " 技術 - 場景 - 用戶 " 的閉環。

騰訊的混元聚焦游戲和內容生產，通過混元 3D 等工具搶占多模態賽道；字節跳動是把大模型融入抖音和今日頭條的內容生產流程，甚至用 AI 生成短視頻腳本，直接打通了 " 技術 - 內容 - 流量 " 的鏈條。

看到了嗎？場景滲透的卷，是從 " 技術堆疊 " 到 " 價值創造 " 的轉型，誰能在細分場景里跑通商業模式，誰就能突圍。

因此，我認為這個 " 卷 " 是：卷技術、成本、場景的三角博弈；算力成本決定了誰能撐到最后，數據質量決定了誰能跑得更穩，場景滲透決定了誰能活出差異化。

2

但這種 " 卷 "，背后隱藏著一個更深層的矛盾：

當技術突破趨緩時，大家一個勁地開源、吊打同行，是不是意味著用這些手段，在掩蓋真正的技術瓶頸？

我認為：是的。但不是完全沒進步，而是技術方向有點小調整。

為什么這么說？

先說數據。阿里家的 Qwen3-235B-A22B，雖然總參數量有 2350 億，但每次實際用到的參數只有 220 億，激活效率才 9.4%。

什么概念，說白了，" 輕量化 " 策略確實降低了成本，這是對原來那種 " 參數越多越好 " 模式的一種妥協。現在單純堆參數已經沒有太大的效果了。

再看看騰訊的混元 T1：

總參數量 3890 億，激活參數量 520 億，上下文長度也很長，但它的稀疏激活機制，本質上還是在想方設法在不犧牲性能的前提下，把參數規模壓一壓。

文心大模型就更不用說了。4.5 Turbo 總參數量 1970 億，但每次推理最多用到 28 億參數。這說明什么？

參數量已經不是唯一的衡量標準了，激活效率才是新的競爭點。這種調整不是在掩蓋瓶頸，而是把技術突破的方向從 " 規模擴張 " 轉向了 " 效率優化 "。

然后，再看看技術優化路線，阿里直接趕在五一前，推出 " 快慢思考 " 混合推理。本質是什么？

想通過架構創新來緩解技術瓶頸。Qwen3 的 " 快思考 " 是用低算力處理簡單任務，" 慢思考 " 用高算力處理復雜任務，這是在對原來的 Transformer 架構進行適應和改造。

騰訊混元的 T1 也一樣，官方說模型內存占用減少了 40%，性能提升了兩倍；這種優化還是依賴 MoE 架構的稀疏激活機制，但也受限于硬件兼容性和算法復雜度。

所以，技術優化的核心目標是延長現有架構的生命周期；說白了，更像「技術瓶頸下的權宜之計」，而不是真正的突破。

結論很明顯：

短期來看，參數激活效率、混合推理、MoE 架構這些優化確實緩解了算力成本壓力，但改進只是對現有技術框架的修補。

長期來看，技術瓶頸沒消失，變成了 " 效率瓶頸 "、" 場景適配瓶頸 "。開源生態的普及為技術迭代提供了數據和場景基礎，但真正的突破還得靠底層架構的創新。

所以，這波 " 卷 " 不是在掩蓋技術瓶頸，而是在重新定義瓶頸的形態。技術進步的速度是慢了，但方向更明確了：聚焦在效率、成本和場景落地。

3

既然這樣，問題就來了：

大廠在 " 模型卷 " 的浪潮里，到底該怎么找到 " 看家本事 "？是繼續在技術細節上摳來摳去，還是把精力放在怎么把技術用到實際場景里，或者去構建一個更大的生態呢？

我覺得，技術細節優化（比如調整激活參數、搞混合推理）確實能減輕算力的壓力。

但說到底，優化的核心價值是讓現有的架構能多撐一會兒。不過，這里面有個風險：技術帶來的好處會比我們想象的更快地消失。

為什么這么說？舉個簡單的例子：

你買了一款新手機，一開始覺得電池續航特別厲害，比舊手機好很多，這就是技術紅利。但用了一段時間后，你發現電池老化得很快，續航優勢很快就沒了，甚至比你預期的更早。這就是紅利衰減速度超出預期。

換句話說，技術帶來的優勢不會一直持續下去，會逐漸減弱，減弱的速度比我們預想的更快。

有個研究，來自 DeepMind 的 Chinchilla 模型，提到通過參數補償來降低剪枝帶來的性能損失，可以在不依賴大規模后訓練的情況下低成本壓縮模型，提升推理速度，同時最大程度保留性能。

什么意思呢？

大模型的性能提升和算力投入之間的關系已經到了一個瓶頸階段，有點像 " 帕累托最優 "（Pareto Optimality）——再怎么努力，提升的空間也越來越小了。

說白了，現在大家都在過度依賴參數規模和稀疏激活機制，可能會陷入一種 " 技術幻覺 "：以為解決了成本問題，其實并沒有真正解決通用大模型的深層瓶頸。

換句話說，技術越來越同質化，競爭也越來越內耗。

文心一言的多模態能力雖在行業里領先，但核心還是依賴 Transformer 架構，沒辦法突破通用大模型的擴展性限制，這就是算法優化的天花板。

再比如，Qwen 系列雖然全球下載量突破 3 億次，看起來很厲害，但實際上模型的功能差異很小。

那怎么辦呢？各家短期直接把架構推倒，重新來過嗎？肯定不可能。真正的路線是從 " 技術堆疊 " 到 " 價值創造 "。

我覺得，對于大廠來說，價值錨點的核心在于能不能真正解決實際問題，而不是單純追求技術指標的極致；很明顯，技術細節優化只是手段，場景落地和生態協同才是根基。

就像艾媒咨詢在 2024-2025 年中國 AI 大模型市場研究報告里提到的：誰能找到自己的 " 價值錨點 "，誰就能在 " 下半場 " 突圍。

4

所以，大家到底怎么才能突圍呢？

現在看來，真正能落地到企業實際場景里的，是一個 " 三重共振 "：云廠商 + 行業應用 + MCP 協議。

為什么說 MCP 是關鍵？因為它本質上是重新定義了企業與 AI 怎么合作的規則。

以前企業用大模型，就像給廚師一把刀，但沒告訴他菜在哪、鍋在哪、調料在哪——他只能靠猜。

現在有了 MCP，相當于給 AI 裝了一個 " 導航系統 "，它能自動找到企業的數據庫、API、業務流程，甚至還能跨系統操作。

高德地圖是阿里云的客戶，如果接入 MCP，以后導航建議就不是簡單的 " 繞開擁堵 "，而是能結合用戶的消費記錄推薦周邊餐廳，甚至直接跳轉到外賣 App 下單。

這背后是 MCP 把高德的數據和阿里云的 AI 能力打通了。

那 MCP 到底怎么驅動 ToB 的范式變化？我認為，有兩點：

一、從 " 模型為中心 " 變成 " 數據為中心 "；以前企業做 AI，總盯著模型參數、推理速度這些技術細節。但 MCP 讓重點轉向數據流通 。

二、從 " 孤島 " 變成 " 協同 "；企業內部的系統通常互不聯通，比如：財務系統、供應鏈系統、客戶管理系統。一個公司用了誰家的云，云廠商就可以基于 MCP 把這些系統全打通。

打通之后，MCP 就從一個簡單的工具變成了生產力基礎設施。所以，這才是新范式。

它讓 AI 不再局限于 " 參數規模 " 或 " 推理速度 "，而是通過數據協同和場景嵌入，成為企業運營的 " 操作系統 "。這才是企業的剛需。

這也是我為啥說，在大模型和 AI 的推動下，自下而上看，未來可能會出現新的飛書、釘釘這樣的平臺。它們不像飛書、釘釘那樣有通訊、協同功能，但至少能把企業的各種業務流程整合起來。

敘事還在繼續，到底會不會這樣呢？deepseek R2 出來后，就見分曉了。