问题——高算力依赖与关键环节受制约曾长期制约产业升级 过去数年，大模型快速迭代带动全球产业竞争加速，但“高算力投入、高训练成本、高推理费用”的路径依赖也日益突出。对不少中小企业、科研团队而言，算力与成本成为进入门槛；关键软硬件环节上，供应链不确定性也加大了产业发展风险。如何在性能、成本、可用性之间实现再平衡，成为全球共同面对的现实课题。 原因——算法效率提升、工程化能力成熟与国产生态协同形成合力 业内人士分析，此轮进展的背后，是多条技术路线同步发力、相互叠加的结果。 一是算法与架构创新带来“同等算力更高性能”的效率跃升。以DeepSeek为代表的开源模型通过训练策略、推理优化和工程化改造等手段，在相对有限的计算资源条件下实现了较强的综合表现，推动训练与部署成本明显下降，打破了“堆算力才能出智能”的单一路径。 二是国产算力底座与软件栈加速完善。围绕国产芯片、算子、编译器、框架与模型的适配持续推进，一批面向大规模训练与推理的集群化能力逐步成熟，产业从“外部采购为主”转向“软硬协同自研与生态共建并重”，为规模化应用提供更可控的底层支撑。 三是面向未来的芯片与互连技术加快突破。随着数据中心能耗与传输瓶颈凸显，硅光等新技术路线受到高度关注。有关研究进展被认为有望在带宽、延迟和能效上带来改观，并未来数年进入更大规模的试点和商用验证阶段，为算力基础设施迭代提供新选项。 四是“面向科学”的新范式探索拓展了大模型边界。以AGI4S为代表的方法，聚焦复杂科学问题中常见的稳定性与泛化挑战，针对学界关注的“熵坍缩”等现象提出改进思路，有助于提升模型在多尺度、多物理量耦合任务中的可靠性，为气象预测、材料设计、药物研发等方向提供新的工具链。 影响——从成本结构到产业格局，多维度变化正在显现 首先，低成本高性能模型叠加开源策略，正在推动大模型能力加速下沉。更多中小企业能够以更可承受的成本开展定制化训练、行业微调与本地部署，应用侧创新空间被继续打开，行业从“拼规模”转向“拼效率、拼场景、拼工程落地”。 其次，国产算力与国产模型的协同增强了产业链韧性。全流程适配意味着关键环节的可控性提升，有助于在不确定外部环境下保持研发与交付连续性，同时也推动国内软硬件标准、工具链与生态伙伴加速集聚。 再次，国际市场竞争逻辑出现新变化。在部分新兴市场，强调轻量化、移动端体验与本地化服务的产品更易形成口碑扩散，国产模型应用在下载量与活跃度上的增长，反映出“以成本效率换规模”的路径正形成可复制的商业模式。 同时，科研范式的变化值得关注。面向科学研究的大模型从“拟合数据”走向“约束一致性、强化可解释、提升稳定性”的方向，有望加速从实验验证到工程应用的转化效率，推动科研与产业创新更加紧密耦合。 对策——以系统工程思维补齐短板，构建可持续创新体系 多位受访人士建议，下一阶段应在四上持续用力： 一是加强基础研究与关键共性技术攻关，围绕高效训练、推理加速、数据治理、评测体系等形成可复用的“工业级能力”，避免重复建设与低水平内耗。 二是推动算力基础设施与绿色能源协同发展，完善多层次算力供给体系，提升资源调度效率与能耗管理水平，降低规模化应用成本。 三是完善开源合规与安全治理，健全数据合规、模型安全、版权与内容治理等制度安排，推动开源生态可控可管前提下健康繁荣。 四是强化“应用牵引”的产业组织方式，聚焦制造、能源、交通、医疗、教育与科研等重点领域，支持龙头企业、科研机构与中小企业联合攻关，形成可验证、可复制、可推广的标杆项目。 前景——从技术突破走向规则与生态塑造，竞争进入“体系化”阶段 业内判断，大模型竞争正从单点指标转向体系能力较量：既要比模型本身的性能，也要比算力、工具链、数据、应用生态与治理能力。随着国产模型在效率、开源与工程化上的优势逐步显现，叠加国产算力体系完善与新型芯片技术探索深入，中国大模型产业有望在全球产业分工中形成更具影响力的能力组合，并在部分新赛道上实现从“参与者”向“贡献者”的角色升级。
人工智能的发展道路从来不是唯一的。中国AI产业近期取得的诸多突破充分说明了创新的多元性和技术进步的多种可能性。从算法优化到芯片自主，从成本控制到市场应用，这些成就说明了中国科技工作者创新精神和产业界的实践探索。当前全球AI产业正处于新一轮的调整和重构中，谁能更好地平衡性能与成本，谁能更深入地理解应用需求，谁就能在竞争中占据先机。中国AI产业的这些突破不仅对国内产业发展意义重大，也为全球AI产业的健康发展贡献了新思路和新可能。