问题——大模型竞赛进入新阶段，核心胜负手正发生变化。随着大模型能力快速迭代，市场上闭源与开源路线并行发展，应用侧对性能、成本、可控性与适配效率的综合要求不断抬升。采访中，杨植麟提出一个值得关注的判断：若未来开源与闭源模型在能力层面趋于同一水平，开源模式因更易形成生态协同，将在产业扩散与应用渗透上形成更强的竞争力。另外，行业竞争的关键正由单纯的算法领先，转向大规模算力供给、推理效率与成本控制能力，体现为“token工厂化”的趋势。 原因——开放协作与基础设施约束，共同推动竞争重心迁移。其一，开源的本质是以更低的协作门槛形成生态合力。模型、工具链、应用开发者和行业客户在同一技术底座上共同迭代——能够更快催生渠道与应用——进而带动推理调用增长与产业规模扩大。其二，随着模型能力提升，单位性能提升带来的边际收益下降，而推理调用量的增长成为商业化与规模化的主战场，算力、能耗与工程效率的约束随之凸显。其三，底层架构在形成事实标准后仍存在被突破的空间。当前主流大语言模型多基于Transformer架构或其改进版本，经过长期实践已成为产业底座，但在统一建模、结构创新与训练范式各上仍可能出现新的技术路径，推动性能与效率更跃升。其四，研发方式本身也变化。随着工具与算力普及，研发链条中更多环节将被自动化能力覆盖，从任务生成、环境构建到奖励机制探索与架构搜索，研发节奏可能整体提速，进而加快产业迭代。 影响——产业组织方式、成本结构与国际竞争逻辑同步重塑。一上，开源路线有望加速技术扩散与应用普及，形成“模型—工具—应用—数据反馈”的正循环，推动行业从少数头部产品竞争转向多层次生态竞争。对企业来说，竞争不仅体现模型指标，更体现在平台化能力、开发者生态、推理成本与交付效率。另一上，“token工厂”意味着产业竞争逐步转向系统工程：从芯片、服务器、网络到数据中心能效管理，再到推理框架与调度系统，任何环节的效率提升都可能转化为成本优势与规模优势。对我国而言，能源与基础设施建设、工程化能力与产业配套，可能成为支撑大模型能力规模化供给的重要条件。再一方面，AI智能体的加速落地将重塑组织生产方式。相较传统对话式应用，智能体更强调长时间运行与复杂任务闭环，更贴近真实工作流程，也意味着对数据、工具调用、安全治理与可靠性提出更高要求。对应的预测显示，知识工作中可被自动化覆盖的重复性环节占比将持续提升，产业对“可控、可用、可规模化”的智能体需求将快速增长。 对策——以开源生态为牵引，以基础设施与治理能力为支撑，形成系统性竞争力。首先，推动开源与产业需求深度耦合，在通用底座之外强化行业模型、工具链与评测体系建设，提升可复用、可迁移与可交付能力，减少“能用但难落地”的断层。其次，面向“token工厂化”趋势，加快算力供给体系与推理工程体系建设，围绕能耗、成本、时延与稳定性开展联合攻关，提升全链路效率。再次，完善人才培养与工程团队供给，形成算法、系统、硬件、运维、安全等多学科协同的人才结构，支撑规模化落地。与此同时，智能体应用要把安全与治理前置，围绕数据合规、工具调用边界、可解释与可审计机制等建立规则与标准，推动“能用”向“可信”升级。政策层面，相关行动计划已将智能体列为创新突破方向，后续应进一步推动重点行业试点、开放测试与标准共建，形成可复制的落地范式。 前景——开源生态扩张与智能体普及或将成为下一轮增长主线。综合业内观点与产业趋势判断，未来一段时期，大模型能力的提升仍将继续，但真正拉开差距的更可能是生态构建与规模化工程能力：谁能以更低成本生产与交付更多高质量token，谁就更可能在应用扩散中占据先机。开源模式若在能力、工具链与治理机制上持续成熟，将进一步降低创新门槛，带动更多中小开发者与行业客户参与，形成更繁荣的产业分工。同时，智能体在政务、制造、金融、科研与服务业等场景的渗透，将把大模型从“问答工具”推向“流程执行者”，带来生产力工具的结构性升级。可以预见，围绕算力基础设施、能效管理、推理加速与可靠性治理的竞争，将与模型创新并行成为产业主赛道。
中国人工智能正处于快速成长阶段，以开放理念、技术创新和强大基础设施为支撑，引领全球行业格局调整。大模型开源及“token工厂”模式的发展，将为经济社会带来广阔空间，也呼唤持续投入与协作。面对新一轮科技革命，中国需把握时代机遇，不断深化研发与应用，为全球人工智能事业贡献更大力量。