《AI产业全景图谱》新书节选｜智能跃迁：大模型的三大发展方向

转自中信智库、中信建投证券研究发展部出品 武超则等著《AI产业全景图谱：技术范式、投资机遇与未来生态》，中信出版集团。

《AI产业全景图谱》新书第一章“模型为王：AI 新范式的确立与演进”内容节选——智能跃迁：大模型的三大发展方向。

模型是“电力+算力+数据+人才”的综合产物，围绕大模型衍生出的一系列应用，终将深刻改变我们的世界形态。站在今天看未来，大模型发展将围绕以下三点展开：更强大、更高效、更可靠。

一、模型更强大

一是规模法则依然有效。与人类对比，参数量在某种程度上类似于神经元——神经元数量的增加会推动生物个体智能涌现。直到今天，提升模型参数规模、扩大训练语料库仍然是大语言模型性能提升的重要手段。而在多模态数据、模型推理、生物数据、世界模型构建、智能体应用等领域，规模法则刚刚崭露头角，未来它将从以文本为主的大语言模型训练迁移到更加广阔的人工智能领域。

二是增强的推理模型及更长的上下文窗口。在后训练阶段，通过强化学习可实现推理能力的自主进化，模型开始学会深度思考。为了做对题目，大模型会自发进行更长时间的思考，因此最终回答效果也更好。在这个过程中，“反思”“多步验证”等复杂推理行为会自发涌现，当推理过程出现问题时，模型会自动纠正早期错误。这种“智能”的出现，为未来更有智慧的智能体的诞生铺平道路。

三是多模态的集成。模态信息的扩充让大模型对世界的理解维度变得更为宽广。文本、语音、图片等单模态模型已经相对成熟，大模型正朝着多模态方向快速发展，原生多模态较好地解决了输入延迟等问题。同时，基于Transformer架构的扩散模型展现出更好的扩展性，文生视频的质量也有明显提高。

四是智能体及群体智能出现。迈向通用人工智能的核心任务之一是拓展能力树，大模型不能停留在理论层面。智能体的出现将快速把大模型能力从“做题”延伸到“工作”中，简而言之，大模型开始从“对话”迈入“执行”。生物群落带来生物群体智能涌现，多智能体集群也将推动人工智能群体智能涌现，进一步提升大模型性能。

五是实时数据集成和检索增强生成。2025年，大模型的实时数据集成能力呈现显著提升态势。检索增强生成架构是典型代表，其核心价值在于通过将大语言模型的生成能力与真实、具备时效性的外部知识进行“锚定”，有效缓解大模型固有的“幻觉”问题，即生成内容时编造不实信息的倾向。类似微软Copilot等工具，通过接入实时互联网进行信息验证，进一步减少模型输出偏差，使响应结果更贴合人类认知与实际需求。

六是合成数据助力。数据作为模型能力提升的核心基石，其供给规模与质量直接影响技术演进节奏。据研究机构Epoch AI预测，人类生成的公开文本数据总有效存量约为300万亿token；若按当前消耗速度，互联网上所有高质量文本数据或将在2028年耗尽，而机器学习所依赖的高质量语言数据集的枯竭时间节点甚至可能提前至2026年。此外，机器人领域的相关数据集因采集难度高、场景覆盖有限等问题，获取成本显著上升，一定程度上制约着具身智能的发展进程。因此，合成数据的需求越发迫切，可喜的是，以Kimi K2为代表的开源大模型，通过大规模智能体数据合成，显著提升了模型性能。

二、模型更高效

一是MoE架构进一步优化。通过多个专家网络处理不同特征，从而提升模型的整体能力。在全球范围内，中国大模型在MoE架构优化方面处于领先地位，这不仅体现在专家数量的优化配置上，还体现在门控模型及注意力机制的深度创新上。典型的模型包括DeepSeek-R1、Kimi K2。

二是FP8等低精度应用。低精度大模型训练始终是行业难题，难以在效果和成本间取得平衡。而以DeepSeek-R1为代表的模型成功应用FP8精度实现了模型的训练。后续FP6/FP4等精度的推出，将为不同应用领域在成本与效果上提供更多的选择。

三是探索超越标准Transformer的新型架构范式，如Mamba此类状态空间模型、循环神经网络与Transformer等一系列新的架构。部分新架构的探索体现在对Transformer的二次时间复杂度的注意力机制优化上。状态空间模型如Mamba，通过引入状态空间的动态演化机制，摒弃传统Transformer的二次时间复杂度的注意力机制，在处理长序列数据时，展现出线性复杂度的计算优势，大幅提升计算效率，尤其适用于语音识别、时间序列预测等需要处理长序列信息的任务。此外，循环神经网络与Transformer融合架构的探索也取得进展：结合循环神经网络对序列顺序依赖的良好建模能力与Transformer的并行计算优势，提升模型在复杂序列任务中的表现，为大模型架构创新开辟新方向。

四是计算效率提升。英伟达每一代芯片的性能都有显著提升，另外，针对底层的流水线并行策略等一系列优化，也进一步推动了计算效率的提升。从谷歌推出的TPU到英伟达推出内置Tensor Core（张量核心）的GPU，再到寒武纪的NPU（神经网络处理器）及Groq提出的LPU（语言处理单元），大规模计算时代对于计算架构的探索在不断进行，大的演进趋势是从存算分离的架构，逐步到存算耦合度提高，再到存算一体，其演进节奏背后既有产业趋势的强支撑，也有商业化各方利益角逐的约束。

三、模型更可靠

更可靠体现为以下三点：一是规模法则依然有效，GPT 4.5幻觉明显下降；二是实时事实验证；三是思维链等。有些方法实际上兼而有之，如实时数据集成和检索增强生成，既可以提升性能，也可通过更多的事实验证降低幻觉；以思维链为核心的推理模型同样可以大幅提升问题答案的准确率。

大模型领域呈现推理模型深化、智能体模型爆发的格局。时至今日，美国在探索更强大模型上仍具备全球领先性。OpenAI o3领跑全球，但受到Claude 4、Gemini 2.5 Pro升级版的挑战，大模型竞争格局逐渐从OpenAI一家独大转变为北美头部厂商竞相霸榜。

中国在算力受限的情况下，在更高效上做到了全球领先。从地理分布上看，全球已经形成人工智能的“两极格局”，且这一格局未来仍将长期保持。截至2024年，中美两国自研大模型数量占全球总量的80%以上，其中中国大模型数量已经接近100款。根据斯坦福大学以人为本人工智能研究院发布的《2025年人工智能指数报告》，截至2024年底，中美顶级人工智能模型能力的差距（以多项基准测试得分加权平均计算）已由2023年的20%缩小至0.3%。从中国视角来看，DeepSeek-R1迈出了中国人工智能全面追赶美国的关键一步。DeepSeek-R1依托架构创新、软件优化及前沿方法，在推理能力上逼近国际顶尖水平，且训练成本大幅降低。其开源策略为本土人工智能发展提供了技术参考，缩小了与美国的技术差距。如今，豆包Seed 1.6、通义千问、Kimi K2等国产模型呈现百花齐放的发展局面，并且开源的Kimi K2再次体现国产模型更高效的优势。从大模型的技术本质与人才储备来看，中国大模型企业的能力并不逊色，2025年是世界认知中国人工智能潜力的第一年，未来更多中国大模型有望走出国门，走向世界。

在中美两国的引领下，全球对更强大、更高效大模型的探索持续深化。2025年，大模型的应用落地进程显著加速。我们总结了目前海外典型大模型年化收入情况：OpenAI已实现百亿美元的年化收入，月收入仍然保持10%的环比增速，Claude 4凭借代码优势，半年内年化收入就从10亿美元增长至30亿美元，月收入环比增速超过20%，海外大模型正加速实现商业化落地。然而，这只是开端。结合皮尤研究中心的样本调查，截至2025年第一季度，34%的美国成年人已经采用ChatGPT，相当于美国PC互联网2003—2004年的渗透率水平，也就是说，ChatGPT用两年零一个季度便达到了PC互联网10年的渗透进度。可见，人工智能大模型对产业的渗透速度超过此前互联网革命，并且展现出来的商业化潜力和用户付费意愿也超过传统应用。根据Sensor Tower的应用内购收入统计，人工智能应用占整体应用（除游戏）比例约1.73%。从人工智能应用的下载量来看，2024年人工智能应用下载量达14亿次，占全球所有应用下载量的约1.0%，付费比例超过了下载比例。

最后，以大模型为核心的产业链深刻改变了全球资本市场。美国当地时间2025年7月9日，英伟达成为全球首个市值突破4万亿美元的公司。复盘美股主要算力与模型标的，2023年至2025年7月算力板块累计涨跌幅达496.6%，模型与应用板块累计涨跌幅达151.1%，两者均受益于人工智能浪潮实现大幅上涨；从涨幅趋势对比来看，算力与模型板块涨跌幅存在高度相似的波动趋势，任何算力降本抑或模型突破范式，最终都将转化为对两个板块的同时利好。从涨幅绝对值对比来看，2023—2024年初基于“模型爆发到应用爆发”转化时间的不确定性，算力与模型板块涨幅差距相对不大。但2024年以来伴随模型规模法则的持续演进，以及算力板块业绩的快速兑现，算力板块开始较模型板块跑出巨大的收益差距；直至2025年1月DeepSeek的发布对模型规模法则范式产生一定冲击，叠加宏观因素，算力板块收益率才大幅下行。此后，伴随海外新一代模型陆续发布，后训练、测试时训练等层面的规模法则仍在持续演进，同时人工智能+传统应用催生大量推理需求，二者共同推动算力板块进入触底反弹阶段，并在2025年6月逐渐达到新高。

近期热门视频