473 人工智能大模型。 (第3/3页)

，但真正拉开代差的几乎没有。性能上你追我赶，价格战却已经打得血流成河——API调用的单价在过去一年里下跌了超过百分之九十，从千tOkenS几分钱跌到了几分钱、甚至零点几分钱。

    行业的核心痛点有三个。

    第一，算力成本居高不下。训练一个千亿参数的大模型需要数千张甚至上万张GPU，电费、硬件折旧、集群维护加起来，单次训练的成本就要数千万美元。这还不算后续的迭代优化、推理部署。即使是头部大厂，也在为高昂的算力成本头疼。

    第二，推理速度和成本难以兼顾。模型越大，推理越慢、越贵。为了控制成本，很多厂商不得不牺牲模型精度，采用量化、蒸馏等技术缩小模型体积，但这样做又会损失能力。用户想要一个既聪明又快速还便宜的模型，但目前的技术做不到。

    第三，长上下文和多模态能力仍是瓶颈。虽然各家都在宣传百万级上下文，但实际应用中，长文本处理的效果远不如宣传的理想。多模态的融合也大多停留在“看图说话”的初级阶段，真正的视频理解、音视频协同生成还远远不够成熟。

    更关键的是，大模型尚未出现真正“杀手级”的应用。聊天、写作、翻译、代码辅助——这些场景虽然有用，但不足以支撑起一个万亿级的市场。行业共识是，大模型需要与硬件结合、与物理世界结合，才能真正释放价值。

    苏阳翻完最后一份报告，靠在椅背上，嘴角浮起一丝笑意。

    算力成本高？盘古大模型的训练成本只有行业平均的二十分之一。推理慢？推理速度快十倍。能力不够？两万亿参数、百万上下文、多模态，每一项指标都碾压现有产品。商业模式？价格只要三分之一，中小企业也能用得起。

『加入书签，方便阅读』