OpenAI的开发者日活动刚落幕，GPTs模式就把AI热潮又推上了一层。开发者调用实在太火爆，以至于OpenAI的服务器都一度崩溃。随之而来的，是各种花式把玩GPTs的经验分享，以及围绕这种新形态的争议——越来越多、越来越大。中国的IT从业者、软件开发者与AI工程师自然也没闲着，积极加入到这场新的AI狂欢中。

但在这片热闹中，有股沉默显得格外扎眼——绝大多数大模型公司，仿佛集体失声了。为了追赶类GPT的大模型，中国AI圈用了一年时间，像雨后春笋般打造了上百个大模型。可其中，能诞生明星应用的、能推动产品创新的、甚至能拥有规模化用户的，都寥寥无几。当OpenAI的飞轮效应开始显现，这些大模型公司反而越模仿越觉得差距拉大。索性不去追新的热点，先把眼前能做完的事做完。

年初那个节点，社交网络和媒体都在讨论：中国到底能不能做出大模型？

当时市场信号就很明确：这其实是个伪命题。中国早就有大模型。ChatGPT爆火之后，中国AI遇到的问题，一定不是大模型太少，而是大模型过剩。

现在，这个问题开始浮出水面了。此刻中国AI行业最大的问题，就是大模型太多，而且还挺乱。

摩肩接踵的大模型

中国到底有多少AI大模型？经过一年的井喷式发展，这已经变成了一笔糊涂账。上半年，答案大概还是几十个；到了11月，有人说一百多个，有人说是二百多个。毫无疑问，中国此刻是世界拥有大模型最多的国家，远远超过美国。

但这一百多个大模型，有人用过吗？有人对比、评测过吗？恐怕没有。除了几个头部大模型形成了用户规模，其他大部分都躺在开源社区里，还有一部分，只活在通稿里。

这就像什么呢？很多人不知道，据相关数据，中国有2600万足球人口，同样世界第一。没人能说清这数据从哪来的，反正周围踢足球的人看着不多，国足的成绩有目共睹。

为什么会出现这么多大模型？

首先是赛道好，机会难得。科技板块的VC市场整体低迷，互联网创投项目普遍失效，虚拟货币又被严格限制，AI大模型几乎成了今年唯一能讲的故事。所以即使热钱不多，还是集中涌向了大模型创业。

其次，与很多人设想的不同，大模型创业并没有真正意义上的高门槛。用股权、期权吸引到合适的人才之后，大模型创业公司的费用支出其实没那么离谱。相比其他科技领域——产品研发、用户推广、硬件化——那些烧钱黑洞，在大量开放数据集和免费工具支持下，仅仅训练一个大模型，成本门槛并不高。更重要的是，一个大模型项目，往往一个科研团队就能支撑，不需要像互联网创业公司那样搭建复杂的业务体系。

此外，还有一种“刷业绩”式的大模型，在数量增长上贡献巨大。通常是高校、科研机构的相关团队，选报大模型方向的课题，更容易立项。结项报告一发布，大模型数量就又多了一个；或者大型企业的上级要求做大模型，IT部门就拿开源框架搭一个出来，哪怕效果不佳、落地困难，也要对外宣传。

赛道好、成本低、需要完成任务——这几股力量，共同推动中国大模型越来越多，而且效率越来越快。

问题在于，足球人口规模也许重要，但更重要的，是有一支能踢进世界杯的球队。

没有希望的窄赛道

那么，大模型数量多，难道不是优势吗？靠数量出奇迹，说不定总能挑出拔尖的？

这恐怕不现实。从种种迹象来看，今天庞大的大模型规模，根本不可能持续。用通稿打造出类GPT模型，然后挤进下一个科技时代的美好幻想，已经把AI大模型变成了一条没有希望的窄赛道。

不妨正视几个问题：

1.大模型数量多，本质上是与大模型背道而驰的。

说起大模型，我们都会想到它的优点：泛化性、高鲁棒性，继而带来“智能涌现”的效果。每次惊叹OpenAI的成就，都是因为GPT系列始终在深度挖掘模型的泛化性。也就是说，大模型的优势就是一个顶一群——用一个模型代替一堆模型。结果反而出现了数量过剩的大模型，这与初衷南辕北辙，还浪费了海量社会资源。

2.大模型是底层技术，底层技术的玩家不可能很多。

以AI开发为例，模型之上还有AI芯片、AI框架。过去几年，这些领域有很多厂商布局，最后大多不了了之。AI芯片出不了货，AI框架无人问津，能剩下的只有头部一两家。大模型也是同理，这是个注定洗牌到存量极少的赛道。

3.大模型，距离开发者很远。

绝大多数初创大模型，都选择开源吸引开发者的模式。但现实是，这些模型无论与国外开源大模型还是国内头部大模型相比，都没有实际竞争力，形不成规模化的开发者聚合效应。普遍是开源时大力宣传一波吸引关注，开发者实际体验后，立刻就冷下来了。

4.大模型，距离用户很远。

在可见的场景中，绝大多数大模型都缺乏商业化支撑，这是这个赛道最大的问题。那些大模型创业型企业，一开局就是最艰难的局面。后来广受诟病的机器视觉公司，在开局阶段至少还有智能安防市场作为支撑；大模型公司呢？只有算法，甚至连一条可行的商业化通道都找不到。

这些问题，让堆积了巨大数量的大模型赛道，开始变得不那么美好。今天它的情况是：说算法，各个创新；说参数，各个庞大；说调用，根本没人用；说商业，根本没去想。

模型一多，乱象也多

大模型一多，产业赛道热络起来，必然也会伴随一些问题。这就是我们说的，大模型不仅有点多，还有点乱。

目前，“大模型用不用不重要，先要拥有大模型”的思潮蔓延，因此有各种方式降低大模型的开发成本，通过话术夸大价值，甚至硬蹭热度，把不是大模型技术的项目包装成大模型。大模型圈子里，开始出现良莠不齐、鱼龙混杂的态势，不妨列举几种：

1.打榜刷分型大模型。大模型数量庞大，实现思路基本一致，不同公司之间的差异化微乎其微。为了凸显自己的差异化与领先性，常见做法是硬造一个技术术语，然后宣称通过这项技术，自身项目刷新了某榜单纪录，在某测试中跑出了多少分。其实大部分榜单只测试模型的某个维度，可以针对性调参。打榜刷分并不难，而且有比较大的操作空间。类似的还有社区开发者打了多少星、发了多少篇顶会——都是惯用的包装方案。

2.结项为主型大模型。很多课题结项、企业数字化成果结项的大模型，评审结束、结项成功、开源开放——这三条做完，就是它们的生命终点。这类大模型根本不考虑应用场景与后续更新，有种朝生夕死的精神特质。

3.动辄开源型大模型。软件开源当然是大势所趋，但随着近几年中国开源事业的兴旺，AI模型开源似乎变成了一种“时尚”。加上一些企业更愿意把开源和免费当作流量聚拢工具，开源逐渐成了低质量、低维护大模型的遮羞布。

4.冒名顶替型大模型。大模型火了，有些公司就动起了蹭热点的念头。用并非标准预训练大模型的技术冒充大模型，甚至干脆把古早的对话机器人、应用软件包装成大模型——这种案例屡见不鲜。大模型的瓶子，装其他老酒，也成了一门生意。

5.套壳变身型大模型。最近，一些创业公司套壳国外开源模型的事件引起争议。其实类似的业界手法并不少见：把开源大模型改写和包装，摇身一变，就成了自研大模型。

这些大模型队伍里的妖魔鬼怪，纷纷通过发明术语、加强定语的方式，宣传自己的创新能力和差异化。最终的结果，就是把真正的技术创新，淹没在了一堆“伪装创新”当中。

中国AI之春，在去掉90%的大模型之后

看看美国的大模型产业结构，会发现它处在一个每层数量差异不大的金字塔结构里：OpenAI一家独大，谷歌、微软、Meta、X保持持续竞争力，还有20多个比较常用、开发者群落活跃的大模型。

当然不是说一定要照搬美国，但从中大概能看清一个科技大国，在目前情况下大模型产业的体量。

中国大模型，已经在短时间内发展出了远远超过本身应有存量的大模型。数量过于庞大，一方面浪费了大量研发、算力和数据资源；另一方面也蕴藏着一场并不太久的“危机”。

资本泡沫相对冷却之后，很容易看到这样的情况：忽然之间，众多大模型开始停止更新，紧接着大模型领域的公司大量倒闭。资本退场，员工待遇下降等问题开始发生，媒体开始唱衰大模型寒冬，社交媒体上也冷嘲热讽AI这门技术。

这种行业猛然转冷，大概率会给真正有竞争力、创新能力的中国AI企业带来巨大的麻烦。

但是请记住，这不是AI不行了，而是这些AI公司和大模型项目本来就不行。

这不是AI寒冬，而是中国AI的春天刚刚要真正开始。产业优化重组后的大模型产业形态，才能真正发挥出中国在应用创新、产品打磨、产业智能化落地等领域的优势。

在中国，一个相对良性的大模型产业形态，应该是：5家左右可以互相竞争的主流大模型；1-2个能够进行底层技术创新、保持全球竞争力的大模型体系；一系列开源大模型作为补充；以及一些学术领域的大模型，作为AI for Science的支撑。同时还要具备较为完善的大模型配套设施，包括AI芯片、AI计算、深度学习开发框架、AI开发工具——而且这些领域，都要有较高的自主化程度。换句话说，要淘汰今天超过90%的大模型。

在这些底层软硬件基础之上，应该有大量创业公司和AI开发者去探索C端和B端的大模型落地。在大模型与行业结合的垂直领域，组成推广和复制的产业生态；在主要C端市场，比如大模型+办公、大模型+娱乐、大模型+信息获取，涌入成千上万家公司，形成互联网经济之后的AI经济奇迹。

从“百模大战”中能留到那时的，只有三种公司：具备核心技术创新的、形成平台型产业链的、以及能够快速找到商业出口、形成正向资金循环的。

我们依旧笃信，有一天AI技术上会出现新的抖音、微信、Office，甚至更多此前无法想象的东西。

但今天绝大多数的大模型，结局恐怕只能是躺在历史空隙与开源平台上，成为大时代的小脚注。