中国大模型简史:从狂热扩张到冷静反思,模型越大越好吗?

📌 起点: 一场规模竞赛的开启

故事要从 2021 年讲起。那年六一儿童节 , 北京智源大会上, 清华大学教授唐杰将“悟道 2.0”比作一个刚刚诞生的“孩子”。这个“孩子”拥有 1.75 万亿参数, 超过了当时谷歌的 Switch Transformer(1.6 万亿) 和 OpenAI 的 GPT-3(1750 亿)。尽管参数规模并不等同于智能水平, 但它标志着中国 AI 研究进入了一个全新的阶段——大模型不再是实验室里的小打小闹, 而是需要海量数据、大规模算力和跨机构协作的巨型工程。

这一变化的催化剂,是 2020 年 OpenAI 发表的 GPT- 3 论文。它展示了一种可能性: 一个在海量文本上预训练的模型, 通过简单的提示就能完成翻译、问答、摘要等多种任务。这种“大一统”的图景, 让国内研究者感到震撼。清华大学的刘知远回忆, 当时团队还在用单机、两三张 GPU 做研究, 而 GPT- 3 的规模差距一下子拉到了另一个数量级。他随即向智源研究院申请更多算力, 并获得了批准。

🔍 理念分野: 发电厂、工业化与知识增强

在追逐大模型的道路上,不同机构有着各自的理念。智源研究院理事长张宏江提出“发电厂”比喻: 数据是燃料, 大模型将数据转化为智能, 再输送给各类应用, 最终形成一张“智网”。华为云首席科学家田奇则强调“工业化”, 希望用盘古大模型改变当时 AI 开发“作坊式”的现状——每个场景都从头训练模型, 浪费且低效。而百度 CTO 王海峰则坚持“知识增强”路线, 从 ERNIE 1.0 到 3.0 Titan, 始终试图将知识图谱融入模型, 使其更懂实体和关系。

💡 转折: 从参数竞赛到价值回归

进入 2023 年,资本疯狂涌入, 众多创业公司拿到巨额融资, 但产品形态模糊不清。到了 2025、2026 年, 行业开始分化。曾经“拥有自己的大模型”不再足以定义一家公司, 模型、公司与产品开始解耦。Agent 的出现, 又将竞争推进到文件处理、浏览器和真实工作场景。一些早期的判断被证明是错的, 而一些不被看好的选择却存活下来。

📊 行业观察: 几个值得关注的转变

• 从规模到效率:企业不再盲目追求万亿参数, 而是通过 MoE(混合专家)、蒸馏等技术, 在性能与成本之间寻找平衡。
• 从通用到垂直:金融、医疗、法律等垂直领域的大模型成为新热点, 它们更懂行业术语和业务逻辑。
• 从单点突破到生态协同:算力、数据、算法、应用的协同创新, 比孤立的模型发布更重要。
• 从技术驱动到需求驱动:用户真正需要的不是“聪明的模型”, 而是能解决具体问题的工具。

🚀 总结: 雕琢未来的群像

回望这段历史,我们看到的不仅是技术的演进, 更是人在未知面前的抉择与坚守。那些在 2021 年还看不清方向的研究者和创业者, 凭着信念和判断, 一步步塑造了今天的 AI 格局。他们的故事提醒我们, 技术发展的真正价值, 不在于参数的大小, 而在于它能否回应真实世界的需求。未来的路, 或许就在这个问题的答案之中。