人工智能赛道 1943—2026

首页/赛道

Chapter 06 · The Race

谁在跑，跑什么

2026 年的赛道上，选手比任何时候都多。有人押注规模，有人押注效率，有人押注开源。没有统一的路线，只有不同的赌注。

2015 — 202613 家车队阅读约 16 分钟
车队地图 算力与电力 供应链 五个问题 应用层
OA

OpenAI

旧金山 · 2015

把前沿能力最快变成产品：聊天、编程、图像、语音，一条产品线接一条。

GPT 系列

闭源前沿产品化
AN

Anthropic

旧金山 · 2021

把安全与可解释性放进模型研发的主线，主攻企业与代码场景。

Claude 系列

闭源前沿安全
DM

Google DeepMind

伦敦 · 2010

研究纵深最深的一支车队：从围棋到蛋白质，再到通用多模态模型。

Gemini / AlphaFold

闭源前沿全栈
ME

Meta AI

门洛帕克 · 2013

用开放权重抢生态：模型放出去，开发者把生态建起来。

Llama 系列

开放权重生态
xAI

xAI

帕洛阿尔托 · 2023

用超大算力集群和实时数据切入，建设速度本身就是策略。

Grok 系列

闭源算力
DS

DeepSeek 深度求索

杭州 · 2023

用极致的工程效率压缩训练与推理成本，再把权重开放出去。

DeepSeek-V3 / R1

开放权重效率
QW

阿里通义

杭州 · 2023

开源模型家族 + 云服务，把模型变成企业可以自己部署的基础设施。

Qwen 系列

开源家族云
GL

智谱

北京 · 2019

学术基因出身，走政企落地与行业模型路线。

GLM 系列

混合行业
MI

Mistral

巴黎 · 2023

欧洲的“主权 AI”叙事：开源小模型打底，闭源大模型冲锋。

Mistral 系列

部分开源欧洲
BD

百度文心

北京 · 2019

搜索基因加全栈自研，把大模型接进搜索、云与办公。

ERNIE 系列

闭源全栈
BY

字节豆包

北京 · 2023

用流量入口和低价推理，把模型变成大众产品的一部分。

豆包 / Doubao

闭源应用
TX

腾讯混元

深圳 · 2023

把模型接进社交、游戏与内容生态，强调场景闭环。

Hunyuan 系列

闭源生态
HW

华为盘古

深圳 · 2020

算力自主加行业大模型，主攻政企、制造与气象。

Pangu 系列

混合行业

开源权重

  • 权重可下载、可私有化部署，数据不出门。
  • 生态扩散快，微调与垂直模型的门槛低。
  • 安全边界弱：一旦放出，很难收回。

适合把能力变成基础设施。

闭源前沿

  • 能力迭代快，算力与数据集中投入。
  • 供应商可控，适合对稳定性要求高的企业。
  • 成本高、依赖单一供应商，审查集中。

适合把能力变成产品。

中国赛道：从追赶到分岔

  1. 国家议程。《新一代人工智能发展规划》提出，到 2030 年人工智能理论、技术与应用总体达到世界领先水平，核心产业规模超过 1 万亿元。
  2. 百模大战。一年内上百个模型发布，算力、数据、人才同时紧张，价格战提前到来。
  3. DeepSeek 时刻。开放权重与低成本训练证明，前沿能力不再是少数公司的专利。
  4. 分岔口。一边是更强的通用模型，一边是深入制造、医疗、政务的行业模型。两条路都要算力，也都要场景。

代价 · The Cost

模型变强，电表变快

规模定律说：参数、数据、算力同时放大，能力会以可预测的方式提升。它没有说的是，账单也会以可预测的方式放大。

2022 年的 Chinchilla 给出了一个朴素的经验比：每个参数大约需要 20 个 token 的训练数据。想更强，就要同时加参数、加数据、加算力。三者一起涨，成本是指数级的。

于是赛道出现了三堵墙。

数据墙

高质量公开文本接近见底。合成数据、私有数据、多模态数据成为新的战场，也带来新的污染与版权问题。

电力墙

单机柜功率从 10 kW 级走向 100 kW 级，数据中心开始直接和城市抢电网。选址的第一约束变成了电。

资本墙

一次前沿训练的成本进入亿美元量级。能持续下注的玩家越来越少，竞赛从技术问题变成资本问题。

415TWh2024 年全球数据中心用电量，约占全球用电 1.5%（IEA）
945TWh2030 年的预测用电量，约为 2024 年的两倍多（IEA）
20: 1Chinchilla 经验比：每个参数约配 20 个训练 token
100kW+新一代 AI 机柜的功率量级，传统机柜约为其十分之一

参数量的四个数量级

代表性模型的参数规模，横轴为对数刻度

数据：各模型公开资料

查看数据表
模型年份参数量
Transformer201765M
BERT-Large2018340M
GPT-220191.5B
GPT-32020175B
PaLM2022540B
Llama 3 405B2024405B
DeepSeek-V32024671B（37B 激活）

DeepSeek-V3 采用混合专家架构：671B 是总参数，37B 是每次推理激活的参数。GPT-4 未公开参数量，因此不在图中。

供应链 · The Stack Below

模型之下，还有一条更长的赛道

从一块芯片到一次回答，中间隔着制造、封装、互联、供电、散热和调度。任何一环紧张，都会传导到模型。

芯片

GPU/TPU、HBM 高带宽内存、先进封装。算力不是单一的“芯片性能”，而是内存带宽、互联与软件栈的组合。

集群

万卡互联、液冷、电力调度、故障恢复。训练一个前沿模型，集群要连续数周稳定运行。

模型

预训练、后训练、推理优化。同样的算力，工程效率可以拉开数倍成本差距。

应用

产品、工具、工作流、责任边界。模型能力只有进入流程，才会变成收入。

三个卡点：先进制程与封装、电力与散热、以及能把集群跑稳的工程人才。它们都不在模型论文里，却决定了模型能有多大。

判断 · Five Questions

看一家 AI 公司，先问五个问题

一、收入从哪里来？

是 API 调用、订阅、企业合同，还是广告与云资源捆绑？不同收入结构的毛利率、留存和周期完全不同。

二、单位经济成立吗？

每百万 token 的推理成本，与售价之间的差额，能否覆盖研发、获客与基础设施？降价换增长可以，但要有终点。

三、护城河是什么？

数据、分发渠道、算力、生态、切换成本，还是单纯的“现在最强”？模型能力会被追平，分发与工作流更难。

四、依赖谁？

芯片、云、模型供应商、监管许可。任何单点依赖，都可能在供应链或政策变化时变成风险。

五、监管在哪里？

训练与部署发生在哪个司法辖区，内容责任如何分配，数据能否跨境。合规成本会越来越像基础设施成本。

落地 · Application Map

能力之外，价值发生在应用层

同一个模型，放进不同的工作流，价值可以差一个数量级。

编程

补全、重构、测试、代码审查。反馈快、可验证，是目前最成熟的 AI 工作流之一。

医疗

影像辅助、病历整理、文献检索。价值高，但责任、隐私与验证门槛也最高。

科学

蛋白质、材料、气候、数学猜想。AI 在这里更像加速器，而不是替代者。

教育

个性化辅导、练习生成、反馈。效果依赖教学设计，不是模型单方面能决定的。

制造

质检、排程、预测性维护。数据在工厂里，价值也在工厂里。

内容

写作、图像、视频、游戏。生成速度极快，版权与真实性成为新的瓶颈。

一条经验：越容易验证结果的任务，AI 落地越快；越依赖责任与信任的任务，落地越慢。模型能力不是唯一变量。