大模型混战这一年：进化之赛、效率之争、落地之战

日行千里，烈火烹油的两年过去，飞速发展的大模型行业怎么样了？

与两年前“百模大战”为技术争夺的景象不同，玩家们有两个速度之争:一是技术迭代和产品更新的速度，二是商业化赚钱和应用落地的速度。

技术和产品的迭代很直观，直接推动大模型行业的百舸争流。从语言大模型，到文生视频大模型，再到3D生成大模型，几乎每隔几个月就会有让人眼前一亮的大模型出现。

大家都在尝试和摸索。每一次技术的扩大亮相，都会将具有前瞻性的大模型厂商推到聚光灯下，并引发新一轮的行业追随。

有人*，就有人追赶。这些尚未成熟的技术，给了探路者弯道超车的机会，也带来了商业化的压力。

尤其是进入今年下半年，整个行业的风向更加微妙。市场逐渐对大模型祛魅，资本也回归理性，行业的两股势力也发生了站位的转换。

一边是阿里、字节等巨头投入的动作明显加快，收编大模型创业公司的核心人才，推出一系列AI产品；一边是创业公司开始重新评估自身的路线，国内“AI六小虎”有两家逐步放弃预训练模型，业务重心转向AI应用。

这背后，直指行业第二个速度之争:商业化的效率。

毋庸置疑，当下的大模型赛道高度拥挤，随着算力成本上涨、算力分配有限，对创业公司而言，大模型这场战役时间线拉得越长，创业公司的压力就越大。

“AI大模型，将只剩下10家企业扮演重要角色。”中国工程院外籍院士张亚勤曾表示。这几乎是行业的共识，最后的胜利属于少数的玩家。

大模型最终会进化成什么样，还不确定，但可以确定的是，大模型浪潮下，技术仍在迭代，场景仍在惊艳，商业化也始终在探索的路上。

过去两年，大模型不缺惊艳时刻，行业也处于百家争鸣的阶段，无论是暂时*的玩家，还是奋力追赶的玩家，都有机会在奔跑中，抢到更多的蛋糕。

01

3D世界、自主 Agent、

思考大模型……大模型惊艳迭代

从ChatGPT的惊艳亮相开始，新一轮的AI浪潮整整奔涌了两年。AI想象力被重启，大模型站上C位，围绕大模型的讨论和尝试也爆发式增长。

大模型的终局是什么样的？这一问题的答案吸引众多玩家前赴后继地卷技术、卷应用。

根据lifearchitect.ai数据，截至目前，全球总共有467个大模型。新技术不断涌现，行业竞速赛愈演愈烈，大模型厂商都在不断迭代升级，旨在离AGI更进一步。

进入到今年，除了应用上的百家争鸣，一个明显的变化在于，以ChatGPT为代表的大语言模型局限性日益显现。比如，他们只能处理文本领域的任务，无法与物理和社会环境进行互动；虽然大模型语料库已经十分丰富，但关于人类的价值观的文本，他们并不具备理解能力……

技术被重构，大模型行业也在不断改进和进化中，行业在寻找下一个更“类人”的模型或应用。

北京时间12月3日，“AI教母”李飞飞创立的World Labs推出最新成果:世界模型，一张单个图像即可生成3D世界。

以往，我们熟知的大多数GenAI工具仅能制作图像/视频2D内容。World Labs则实现了在3D中生成，视频的控制性、一致性能得到改善。World Labs称，他们所生成场景的独特之处在于它们具有交互性，而且是可修改的。

这是今年9月份创立World Labs以来，李飞飞团队推出的*成果，也是其迈向空间智能的*步。早在成立之初，李飞飞团队瞄准的就是空间智能，其初衷就是空间智能的AI，能够对世界进行建模，同时根据3D时空中物体/地点/交互进行推理。

李飞飞的个人影响力，加之空间智能的想象力，World Labs成立三个月，有消息称其估值达10亿美元。

两天后，北京时间12月5日，Google Deepmind紧随其后发布了最新基础世界模型Genie 2。作为今年初推出的Genie模型的升级版，Genie 2只需要一张图就能生成可玩的AI系统。DeepMind透露，Genie 2具备从不同视角生成连贯世界的能力，这些生成的世界可持续时间长达一分钟，尽管多数情况下维持在10到20秒之间。

如果说世界模型展现的是模型理解虚拟世界运作规律，并准确做出预测的能力，那OpenAI今年9月推出的o1系列模型则在于会思考。

彼时，OpenAI CEO奥特曼对o1信心满满，“我认为这次 o1 模型发布最重要的信息是，AI 发展不仅没有放缓，而且我们对未来几年已经胜券在握。”

与GPT系列模型不同，o1系列模型有更强大的“思路链”，模型会在思考后回答用户问题，输出高质量的内容，而非迅速回应无效回答。此外，o1系列更擅长推理，推理能力大幅提升，特别是在奥数、编程等领域展现出了优势。

行业风向标的新动作，引发国内大模型厂商的追赶。11月16日，月之暗面公布了k0 math；11月20日，Deepseek上线DeepSeek-R1-Lite大模型；11月27日，昆仑万维推出“天工大模型 4.0” o1 版……无一不在强调大模型的逻辑思考能力。

无论是哪种路线的大模型进化，都让人类离AGI更进一步。

其中，在应用层面，今年还有一个趋势不能忽视，人类与机器的互动方式正在发生范式转变，拥有对话功能的GPT逐渐进化能行动的AI Agent。

市场研究机构 Research and Market在11月11日发布的报告中指出，未来五年AI智能体的市场规模将增加420亿美元。麦肯锡也表示，AI智能体将是生成式AI的下一个前沿。

具体到玩家的动作上，“有手、有脑、有眼睛”的AI Agent成为玩家抢滩的对象。

10月份，作为最早探索Agent的初创企业智谱，推出自主智能体AutoGLM ；一个月后的Agent OpenDay上，智谱展示了AI Agent的最新成果，包括AutoGLM、AutoGLM-Web、GLM-PC三个版本，对应手机、浏览器、电脑的应用场景。

新升级的AutoGLM能够理解超长指令，执行超长任务，在多步、循环任务中，AutoGLM的速度表现超过人手动操作。可以预见的是，当技术足够成熟，一个Agent就能帮助人操控一切。

此前，微软Ignite大会上，微软宣布已建立全球规模*的企业级AI Agent生态系统；前OpenAI高管创办的初创公司Anthropic推出名为Claude的AI智能体；OpenAI被传出将在2025年1月发布代号为Operator的智能体。

在国内，智能体也百花齐放。一边是手机厂商开始拿出智能体、智能助力讲故事；一边是巨头下场做智能体。比如字节跳动的扣子、腾讯云的腾讯元器、百度智能云千帆AgentBuilder、阿里云大模型平台百炼、……

这一年，大模型不缺惊艳时刻。会思考的大模型、会想象的大模型、会预测的大模型，站在大模型技术的潮头，走向AGI的路上，更惊艳的产品迭代一直在发生。

02

AI视频，新的角逐中谁都不甘落后

时间回到今年2月，行业军备竞赛持续一年，OpenAI再次将大模型行业推至高潮。OpenAI以世界模拟器的名号发布了视频生成模型 Sora，让“一句话生成视频”变成可能。

行业的加速器来自Sora。追赶Sora、超越Sora，几乎成了海内外大模型玩家的共识。

在海外，今年5月，谷歌发布对标Sora的文生视频模型Veo；6月，Luma推出Dream Machine视频生成模型，AI视频生成初创公司Runway推出Gen-3 Alpha模型。

将视角放到国内，玩家们为“中国版Sora”争先恐后，催生两轮爆发期。

先是今年5月开始，生数科技Vidu、快手可灵、字节即梦、智谱清影、商汤Vimi等都相继发布文生视频模型。

今年9月，国产视频生成大模型又迎来了新一轮爆发。MiniMax正式发布视频模型video-01、阿里云在云栖大会上发布通义万相全新视频生成模型、美图宣布MiracleVision大模型完成视频生成能力的升级。

今年11月，腾讯混元大模型正式上线视频生成能力。目前的生成视频支持中英文双语输入、多种视频尺寸以及多种视频清晰度。另一边，月之暗面旗下Kimi被爆出正在内测AI视频生成功能“Kimi创作空间”，可通过12种预设风格模板和自定义创作功能，为用户制作个性化音乐视频。

两轮爆发期间，随着初创企业和巨头的入局，AI视频赛道正变得拥挤。更关键的是，经过上半年密集发布新产品的阶段，想要在竞争中突出重围，行业的比拼从“有没有”升级为“好不好用”。

为了变得好用，升级更新是玩家们的统一动作。在国内，动作最快的莫过于有视频基因的快手和抖音。

截至今年9月，快手可灵经历了十次迭代升级。目前，在可灵1.5模型的支持下，可灵AI可以直出1080p高清视频，挑战大屏清晰度与质感。在图生视频方面，可灵1.5模型可以响应更复杂的文本描述要求。此外，可灵AI还支持运动笔刷、对口型等功能。

同为视频赛道的字节，与快手正面交锋。今年一季度，字节AI研发团队将视频生成模型的优先级排在前列。3月底，即梦开启视频生成功能内测；9月，字节发布豆包模型家族的两款视频生成模型Seaweed和Pixeldance，并通过即梦AI、火山引擎小范围邀测。

相比于之前的视频生成模型大多只能完成简单指令，字节的这两款模型能让视频在大动态与运镜中自由切换，拥有变焦、环绕、目标跟随等多镜头语言能力，能更好地服务在视频、电影领域的专业创作者。

11月，Seaweed面向平台用户正式开放。据字节方面介绍，本次开放使用的豆包视频生成模型Seaweed是该款模型的标准版，仅需60秒即能生成时长5秒的高质量AI视频，*国内业界3至5分钟的所需生成时间。

从底层技术看，AI视频赛道玩家的路线基本一致，即采用Transformer架构的新型扩散模型DiT，进行相关扩散、生成的技术突破。也就是说，玩家更多是通过训练数据丰富产品功能。

这也是字节、快手在AI视频赛道跑得更快的原因。“Sora们”切入的60s视频正是字节、快手的基本盘。在短视频生态下，二者有丰厚的视频土壤滋养，这种视频数据的训练，正是推动大模型“好用”的关键因素。

历经近一年，国内文生视频大模型赛道进入了Sora时刻。AI视频大模型的生成能力迈入新阶段的同时，我们也要看到行业的焦虑。

从实际落地层面上看，如果是B端商业生产，短剧、电影、广告对画面的连续性、一致性要求很高；如果是C端用户娱乐，对AI生成的*要求是真实性。

需求倒逼技术，想实现真正的好用，并不容易。

从技术上看，当下视频模型在理解、创作物理世界方面的表现依旧有限，画面的连贯稳定、主体的一致真实以及视频的时长都亟需迭代进化。

从成本上看，当下的视频技术很难下放到寻常百姓家，名噪一时的Sora至今仍处于研究阶段，仅面向少数专业人士进行内测，很大一部分原因就在于高昂的成本。

再回到AI视频是行业趋势的这个问题上，厂商们之所以纷纷下注，一方面是因为行业需求催生了市场规模。

头豹研究院数据显示，2021年中国AI视频生成行业的市场规模为800万元，预计2026年，这一市场规模将达到92.79亿元。

另一方面，大模型的商业落地进度越来越迫切，相比于ChatGPT这种聊天机器工具，AI视频生成是大模型技术商业化落地更具潜力的赛道。

03

效率之争、落地之战

两年，给行业带来技术革命，也让行业变得冷静。

今年7月，2024世界人工智能大会上，百度创始人李彦宏在演讲中提到，“2023年国内出现了百模大战，其实造成了社会资源的巨大浪费，尤其是算力的浪费。”

李彦宏言辞激烈的背后，是整个行业更加理性。市场期待在模型之中长出能落地的应用，为大模型厂商赚到钱、为各行各业提供效率。

抛开技术问题，这注定是一场应用落地的效率之战，这也就回到了商业化的问题上。

从去年“百模大战”，到今年应用之战，无论是哪个阶段，商业化都是大模型行业反复提到的话题。大模型的特殊性在于“烧钱”，技术上的研发成本，应用上的运行成本，每一步都少不了真金白银的支持，这也是大模型企业们的“紧箍咒”。

在国内，相比于两年前焦灼地坐上牌桌，争做“中国OpenAI”的执念，这群AI明星企业将重点放在了商业化落地应用的探索上。

据智能涌现报道，被称为“AI六小虎”的6家中国大模型独角兽中，已经有两家逐步放弃预训练模型，缩减了预训练算法团队人数，业务重心转向AI应用。

这透露了市场两个曲线，一个是部分初创企业正被困在商业化的焦虑里；二是行业商业化战线拉长，巨头的战斗力更足。

比如去年只发布了语言大模型的字节，今年一口气补全了视频、3D、音乐等多领域的大模型。在应用层面，字节陆续推出了十几个AI应用，覆盖了娱乐、对话、Agent等多个产品方向。

在C端表现上，下半年巨头商业化的影响力更为突出。据数据分析机构QuestMobile，字节豆包App今年9月的日活已达760万，成为中国日活*的AI产品。

这一趋势下，大厂和创业公司的角色站位也发生变化。尤其是步入今年下半年，当资本冷静，一些AI明星创业公司被巨头收编，大模型创业公司高管加入大厂。

这验证了大厂坚决投入AI的重要性。AI是个增量，不仅能为大厂原有业务带来新的想象力，大厂原有的业务场景也可以为AI提供商业闭环。

不过，尽管是资源和场景更为丰富的大厂，面对市场对其巨额AI投入何时能换来回报的质疑时，也有些迷茫。

迷茫的背后，还有个更重要的问题:Scaling Law还成立吗？

所谓Scaling Law，是大模型行业的一个重要技术原理。具体而言，OpenAI四年前曾经发布过一篇论文表示，模型的性能会随模型参数量、数据量、计算资源增加而指数提升。

只要Scaling Law 还成立，那么大模型的能力就可以通过算力、参数、数据的训练实现AGI。

行业仍是积极的。特别是OpenAI推出o1后，标志着大模型能力突破到了L2阶段。大模型开始真正拥有了逻辑思维能力，在无人力干预的情况下进行规划、验证和反思。

某种程度上，o1打破了预训练的 Scaling Law 瓶颈，商业上解锁了新的可能。在OpenAI和智谱给出的“通往AGI五阶段”的定义中，两家公司均将多模态和语言能力归在L1阶段，也就是最为基础的能力配备。

这个行业，从ChatGPT，到Sora，再到o1，OpenAI仍是具有时代性的公司。也许和过去一样，哪个大模型厂商能*追上o1，市场还会迎来一波新高潮。

追赶技术的路上，玩家们不能忽视的是如何把钱花到刀刃上，这是一场技术、应用、场景的效率之战。

眼下，行业的淘汰赛已经开始，李彦宏曾预测，在未来AI浪潮里，市场中99%的伪创新都将被淘汰，只有1%的企业能够脱颖而出。谁是这1%，谁能创造“新”世界，要等市场给出答案。