先抛出几个核心判断：AI赛道的“内卷化竞争”已经从应用层蔓延至底层架构。当行业普遍聚焦于大模型参数规模与算力堆砌时，真正决定长期竞争力的，其实是深入拆解“底层逻辑”的能力。这不仅关乎技术突破，更涉及对产业本质的重新审视。

底层“赛道”的激烈角逐

从去年至今，算力、数据、算法这三大核心要素的争夺已进入白热化阶段。但一个值得关注的现象是：当算力出现“过剩”苗头，大模型参数动辄千亿甚至万亿时，行业逐渐意识到，真正的瓶颈并不在于“堆料”，而在于如何更高效地利用现有资源。

这就好比，大家都想造一辆更快的车，但最终发现路况、驾驶员、交通规则这些“底层因素”才是决定速度的核心。于是，行业目光从“跑得更快”转向“如何跑得更聪明”。

拆解AI底层的底层：三个维度

在近期思想者论坛上，多位资深专家提出了一个清晰的拆解框架，可概括为以下三个核心维度：

第一层：硬件底层的“重新定义”

过去，行业焦点集中在GPU的算力峰值上；如今，共识已转向“算力利用率”与“系统协同效率”的重要性。例如，英伟达B100虽然性能强悍，但真正拉开差距的是其CUDA生态与网络架构。这背后涉及芯片设计、内存带宽、互联技术等一系列底层创新。

市场上不乏此类案例：一些初创公司绕开传统GPU架构，直接采用存算一体芯片进行推理，在特定场景下实现了10倍以上的能效比。这充分说明，硬件底层的“重新定义”正在发生，而不仅仅是参数竞赛。

第二层：算法底层的“范式转移”

大模型热潮持续至今，行业终于承认一个事实：纯粹的“暴力美学”已走到尽头。参数越大，训练成本越高，边际收益却在递减。接下来，真正有价值的突破，很可能来自对模型“底层范式”的革新。

例如，从“连接主义”走向“符号主义”与“连接主义”的混合架构。简单来说，就是让模型不仅依靠统计概率来“猜”答案，还能够真正理解逻辑关系与因果关系。这听起来像是学术界的“老生常谈”，但一旦落地，可能就是质的飞跃。

经验表明，那些在底层算法上做“减法”的团队，往往比单纯堆参数的团队走得更远。比如，通过引入稀疏化、量化和蒸馏技术，一个7B的模型在某些任务上竟能媲美70B的模型。这才是真正的关键所在。

第三层：数据底层的“价值重构”

数据是AI的燃料，但当前的问题是“燃料太多，质量太差”。行业共识是，未来AI的竞争将从“数据规模”转向“数据质量”与“数据效率”。

如何从海量、嘈杂、低质量的数据中自动提取出高价值、高信噪比的信息？如何实现“数据飞轮”的闭环，让模型在部署后持续从真实场景中学习？这些底层问题，远比“多买几块GPU”更棘手，也更具价值。

举例来说，部分企业已开始使用“合成数据”训练模型，既解决了隐私问题，又大幅提升了数据效率。但背后所需的底层技术，包括数据标注自动化、数据增强策略、数据质量评估体系等，仍处于早期探索阶段。

谁在拆解这些底层？

回答这个问题，实际上就是在回答“谁在定义未来AI的规则”。目前，几类玩家正在加速入场：

• 顶级硬件厂商，在芯片、互联、存储等层面持续投入，试图构建“底层生态壁垒”。
• 头部云厂商，在算力调度、模型部署、推理优化等层面探索“系统级”的底层创新。
• 一批硬核创业公司，专注于某个细分底层技术（如存算一体、AI编译器、数据治理），试图以“一招鲜”打破现有格局。

值得注意的是，这些玩家之间并非简单的“竞争”关系，而是形成了复杂的“共生”与“博弈”网络。芯片厂商需要云厂商的生态，云厂商需要创业公司的技术，而创业公司则需要大客户的场景验证。这种“协同进化”的底层逻辑，才是未来5-10年AI产业的主旋律。

结论：底层才是真正的“护城河”

回到开头的判断：当赛道陷入疯狂内卷时，谁在拆解AI底层的底层？答案是：那些愿意在“看不见的地方”持续深耕的团队。硬件、算法、数据——这三个底层维度的任何一点突破，都可能引发连锁反应，重塑整个AI产业格局。

从历史经验来看，任何技术的“大爆发期”往往都伴随着“底层基础设施”的成熟。AI也不例外。当大家都在追逐风口时，或许更应问一句：我们真的把“底层”拆解清楚了吗？