AI大模型时代：从DeepSeek的荣耀到创业公司的困局与破局
1. 从一场发布会说起：当“遥遥领先”成为AI的日常
上周，朋友圈又被一场AI发布会刷屏了。主角是DeepSeek，一家国内AI公司。演示视频里，一个看起来平平无奇的对话界面，被要求“帮我写一份关于量子计算的科普文章，要求生动有趣，适合高中生阅读，并在最后附上三个思考题”。不到一分钟，一篇结构清晰、比喻恰当、连思考题都颇具启发性的文章就生成了。评论区一片“牛X”、“这理解力绝了”、“感觉我的工作要没了”。紧接着，各种测评博主蜂拥而至，从代码生成、逻辑推理到创意写作，把DeepSeek的最新模型里里外外测了个遍，结论高度一致：在多项核心基准测试上，它已经可以和国际顶尖的闭源模型“掰掰手腕”，甚至在中文理解和特定任务上“略有优势”。
几乎在同一时间，我的一个老朋友，一家专注AI生成视频的创业公司CEO，在深夜给我发来一条长语音，语气疲惫。他的公司叫“Evolver”，做了三年，产品迭代了十几个版本，团队从最初的激情澎湃到现在的精疲力尽。“融不到下一轮了，”他说，“投资人的问题永远只有一个：‘你的技术壁垒是什么？和Sora比怎么样？和Runway比怎么样？’我们吭哧吭哧优化算法、打磨产品，但好像永远在别人的阴影下。市场只认第一名，或者那个最会‘讲故事’的。”
这两个场景，像一枚硬币的两面，构成了当下中国AI创新最真实的图景。一面是DeepSeek们高举技术突破的大旗，在掌声与聚光灯下，展示着“中国速度”与“技术自信”；另一面是无数个“Evolver”在实验室、在孵化器、在拥挤的写字楼里，面对技术、资本、市场的多重挤压，在生存线上挣扎。我们热衷于讨论前者带来的“荣耀”，却常常选择性忽视后者所处的“困局”。而这两者，并非割裂，它们血脉相连，共同定义着这场技术革命的深度、广度与可持续性。这篇文章，我想抛开宏大的叙事，从一个一线观察者和参与者的角度，聊聊这“一体两面”背后的技术逻辑、市场法则与生存哲学。
2. DeepSeek的“荣耀”：不止是技术指标的胜利
当我们在谈论DeepSeek的“荣耀”时，我们在谈论什么？仅仅是发布会PPT上那几个超越了某个版本GPT-4的红色箭头吗？远远不止。这种荣耀，是一个复杂系统协同作用的结果，它至少由四层“护城河”构筑而成。
2.1 第一层：工程化能力与数据飞轮
技术指标的领先，首先源于恐怖的工程化效率。训练一个千亿乃至万亿参数的大模型，是一场消耗巨量算力、数据和时间的“马拉松”。这里的核心能力，不是某个天才的算法灵感，而是如何将成千上万张GPU卡高效组织起来，让它们7x24小时稳定运行数月，同时处理PB级的数据吞吐。
这背后是极其深厚的系统工程功底。包括但不限于：定制化的训练框架（如何减少GPU间的通信瓶颈、如何做高效的模型并行与数据并行）、超大规模集群的稳定性运维（一张卡出问题不能导致整个训练任务崩溃）、数据管线的极致优化（从原始互联网数据清洗、去重、质量过滤到最终token化，每一步的效率都影响巨大）。国内头部团队在这方面的积累，通过过去几年在推荐系统、搜索等业务上锤炼的超大规模分布式系统经验，实现了快速迁移和迭代。他们构建的数据飞轮也初具雏形：更好的模型吸引更多用户，更多用户产生更多反馈数据和多样化使用场景，这些高质量数据反过来用于改进模型，形成正向循环。这个循环一旦启动，后来者就很难单纯靠算法论文追上。
2.2 第二层：场景深耕与“接地气”的优化
国际顶尖模型是“通才”，但有时在具体的“战场”上，打不过本地的“专家”。DeepSeek们的另一个关键优势，在于对中文场景和国内用户需求的深度理解与快速响应。
举个例子，代码生成。不仅支持Python、Java，对国内开发者常用的Go、Vue、微信小程序语法也支持得非常好。再比如，长文本理解与处理。国内很多办公场景涉及长文档（如政府公文、法律合同、学术论文）的总结、审核、对比，模型在32K甚至128K上下文窗口下的表现，以及处理中文时特有的“关键信息不丢失”能力，就变得至关重要。还有对中文网络用语、文化梗、诗词歌赋的精准理解与生成，这些是建立在海量、新鲜、高质量中文语料基础上的，是海外模型短期内难以逾越的壁垒。
这种“接地气”的优化，不是简单的数据灌入，而是产品思维与技术能力的结合。团队需要深入业务一线，理解用户到底在用AI解决什么具体、细微的痛点（比如“帮我把这份会议纪要按照‘背景、决议、待办’三部分重构”），并将这些需求转化为明确的模型优化目标（如指令遵循的准确性、输出格式的稳定性）。
2.3 第三层：开源生态的“杠杆效应”
近年来，国内一些领先的AI团队在“开源”策略上表现得越来越激进。将部分模型权重、代码、甚至训练细节开放出来，这看似放弃了部分商业机密，实则是一步高明的棋。
首先，开源建立了技术公信力。社区里成千上万的开发者、研究者会自发地去测试、验证、甚至“挑刺”。任何夸大或虚假的宣传在开源代码面前都无所遁形。这种来自全球社区的认可，是最硬核的品牌资产。其次，开源能极大地降低生态构建成本。开发者们基于开源模型，创造了无数的工具、插件、应用场景。这些创新反过来丰富了模型的能力边界，也为模型的商业化提供了潜在的落地渠道。最后，开源是一种顶级的人才招聘广告。最优秀的AI人才，往往希望在最前沿、最开放的技术环境中工作。一个活跃、受尊敬的开源项目，对顶尖人才的吸引力是巨大的。
2.4 第四层：资本与资源的“压强式”投入
荣耀的背后，是天文数字般的投入。训练一次顶尖大模型的成本，以千万甚至亿级美元计。这需要投资机构有长远的眼光和承受风险的魄力，也需要公司有强大的现金流业务作为支撑（或背靠有实力的集团）。这种“压强式”投入，确保了团队可以心无旁骛地攻关最核心的问题，不用为明天的算力账单发愁。它创造了一个“资源高地”，让领先者可以持续探索更庞大的参数规模、更创新的架构、更昂贵但高质量的数据配方。
然而，正是这第四层“护城河”，像一道天堑，将少数“荣耀者”与大多数“困局者”区隔开来。当我们将目光从金字塔尖向下移动，看到的便是Evolver们所面临的真实世界。
3. Evolver的“困局”：在巨头的阴影下寻找裂缝中的光
如果说DeepSeek的战场是“正面军团作战”，比拼的是综合国力；那么Evolver们的战斗则是“特种游击战”，在巨头定义的赛道和规则下，寻找那些未被充分满足、或巨头暂时看不上的细分需求。他们的困局是系统性的，存在于技术、市场、资本的每一个环节。
3.1 技术困局：永远在追赶的“创新”
对于创业公司而言，最残酷的现实之一是，基础模型的突破越来越依赖于“大力出奇迹”。当OpenAI、Google、以及国内的DeepSeek们，动辄投入数万张H100，训练万亿参数模型时，创业公司那几百张A100的集群，在算力规模上就已被碾压。这导致一个恶性循环：因为算力弱，所以无法训练出最顶尖的通用模型；因为没有顶尖模型，就吸引不到足够的用户和资金；没有资金，就更无法扩充算力。
于是，很多创业公司被迫选择另一条路：在开源基础模型（如LLaMA、ChatGLM）上进行微调（Fine-tuning），做垂直场景的优化。这听起来是个务实的选择，但隐藏着两个致命问题。第一，模型能力的上限被锁死。你的天花板就是那个开源基础模型的天花板。当基础模型升级换代，你的所有微调工作可能都需要推倒重来。第二，同质化竞争极其严重。你能拿到的开源模型，你的竞争对手也能拿到。最后大家比拼的，往往不是技术深度，而是谁更会包装概念、谁更舍得烧钱做营销、谁更能搞定几个标杆客户。技术壁垒变得非常薄。
以AI视频生成为例。Sora的出现，几乎重新定义了行业的benchmark。之前创业公司还在比拼视频的几秒连贯性、分辨率，Sora直接展示了分钟级、多镜头、物理规则高度拟真的生成能力。这对于所有该领域的创业公司都是一记重击。Evolver的CEO跟我吐槽：“我们团队花了一年时间，好不容易把人物口型同步的准确率从85%提升到92%，感觉是重大突破。结果Sora的演示视频里，口型同步和表情自然度几乎是完美的。投资人立刻问，你们和Sora的差距有多大？我们没法回答，因为那已经不是同一维度的竞争了。”
3.2 市场困局：“卖水”还是“淘金”？
AI创业公司的商业模式，始终在“卖水”（提供工具/平台）和“淘金”（提供解决方案/直接创造价值）之间摇摆，而两者都充满挑战。
选择“卖水”（做AI开发平台、提供API、做MaaS模型即服务），意味着你要直接与巨头竞争。巨头们凭借其庞大的云计算基础设施，可以将模型推理的成本压到极低，甚至作为吸引用户使用其云服务的“钩子”。创业公司的技术如果没有数量级的优势，在价格战面前毫无还手之力。更何况，巨头拥有完整的生态，模型可以与其云存储、数据库、数据分析工具无缝集成，这种便利性是创业公司难以提供的。
选择“淘金”（深入某个垂直行业，提供端到端的AI解决方案），比如用AI做药物发现、工业质检、金融风控。这条路听起来更性感，壁垒似乎也更高。但它的挑战同样巨大。首先，行业Know-how的门槛极高。你需要既懂AI，又深刻理解那个行业的业务流程、数据规范、合规要求和利益格局。这需要长时间的积累和行业专家的深度参与，速度慢。其次，销售周期极长。面向企业（To B）的销售，尤其是涉及核心业务流程的改造，决策链复杂，试错成本高，一个项目从接触到落地，以年为单位计算是常态。这对于需要快速验证模式、需要现金流续命的创业公司来说，是巨大的煎熬。最后，容易被“摘桃子”。当你辛辛苦苦教育了市场，证明了某个场景AI可行，巨头可能会凭借其品牌、资金和集成优势，快速推出一个类似的产品，或者直接收购你的竞争对手。
3.3 资本困局：从“狂热追捧”到“灵魂拷问”
资本市场的风向，在过去两年里发生了180度的转变。2021-2022年，只要你的PPT上有“GPT”、“AIGC”、“大模型”这些字眼，融资相对容易。那时的逻辑是“投赛道”，赌的是未来巨大的可能性。但到了2023年下半年，尤其是2024年，资本的态度变得极其谨慎和务实。口号从“投赛道”变成了“投落地”。
现在投资人最爱问的几个问题，每一个都直击创业公司的命门：
- 你的营收在哪里？增长率如何？毛利率多少？（从故事回归财务基本面）
- 你的客户是谁？他们为什么必须用你的产品而不用巨头的？你的续费率是多少？（验证产品价值和市场定位）
- 你的技术壁垒到底是什么？是算法专利？是独家数据？还是团队背景？（质疑长期生存能力）
- 如果巨头明天做一个一模一样的东西，并且免费，你怎么应对？（终极生存拷问）
对于很多像Evolver这样，还在产品打磨期、尚未实现规模营收的创业公司，这些问题很难给出令人满意的答案。资本变得愈发向头部集中，因为头部公司（DeepSeek们）至少证明了技术上的可行性，拥有了品牌和用户基础，想象空间更大。而大量的中小创业公司，则陷入了融资寒冬，不得不节衣缩食，甚至面临生存危机。
3.4 人才困局：被虹吸的“大脑”
人才是AI行业最核心的资产。但现状是，顶尖的AI人才（尤其是那些有大规模模型训练经验的算法工程师、系统架构师）正加速向少数几家资金雄厚的大厂和明星创业公司聚集。这形成了一个“人才虹吸效应”。
对于Evolver这样的公司，开出比大厂更有竞争力的薪资几乎不可能。他们能提供的，通常是“更大的技术挑战”、“更快的成长空间”和“潜在的股权回报”。但在行业前景不明朗、融资困难的情况下，这些承诺的吸引力在下降。更糟糕的是，当团队中的核心成员被大厂以两倍甚至三倍的薪资挖走时，对公司的打击是毁灭性的。项目可能中断，技术积累流失，团队士气受挫。
4. 破局点：在夹缝中生存与崛起的可能性
困局固然严峻，但并不意味着没有出路。历史证明，每一次技术革命浪潮中，最终能成长为参天大树的，未必是最早出发的，也未必是资源最雄厚的，但一定是最能适应环境、找到独特生态位的。对于当下的AI创业者，我认为有几个可能的方向值得深入思考和探索。
4.1 方向一：极致垂直，深挖“脏活累活”
与其在通用大模型的战场上与巨头正面抗衡，不如选择一个足够细分、足够垂直的领域，扎进去，做到极致。这个领域最好是巨头看不上、或者因为“太重”而难以快速切入的。
什么是“脏活累活”？就是那些需要大量人工标注、需要深入行业现场、需要理解极其复杂非标流程的工作。例如：
- 法律AI：不是简单地生成法律文书模板，而是能理解具体案件卷宗、司法判例，甚至能结合某个法官的过往判案风格，进行诉讼策略分析。这需要与律所深度合作，构建高质量、高保密性的专属知识库。
- 医疗AI辅助诊断：在特定病种（如皮肤癌病理切片识别、眼科OCT影像分析）上，追求超越人类专家的准确率。这需要与顶尖医院合作，获取脱敏的、标注精准的医疗数据，并经历漫长的医疗器械认证流程。
- 工业AI：为某个特定工厂的特定生产线，定制化开发质检模型。需要应对光线变化、产品批次差异、设备磨损等现实干扰，追求99.99%以上的检出率。这需要工程师长期驻扎在工厂，与工人同吃同住，理解每一个生产环节。
这些领域门槛高、周期长、起步慢，但一旦建立起壁垒，就非常稳固。因为你的壁垒不仅是算法，更是领域知识、高质量数据、行业信任和定制化服务能力的复合体。巨头很难用一套标准化的产品来取代你。
4.2 方向二：拥抱开源，成为生态的“关键组件”
既然无法在基础模型层面竞争，那就彻底拥抱开源生态，并努力成为这个生态中不可或缺的一环。不要总想着做一个“平台”或“入口”，可以尝试做一个优秀的“插件”或“工具”。
具体来说，可以围绕某个流行的开源大模型（比如国内外的各类优秀开源模型），开发：
- 极致的性能优化工具：比如专门针对该模型的量化压缩工具，能在精度损失极小的情况下，将模型大小压缩数倍，推理速度提升数倍，让其能在消费级显卡甚至手机上流畅运行。
- 垂直领域的高质量微调数据集与配方：比如整理和清洗了数十万条高质量的中文法律问答对，并开源了最佳的微调参数设置（LoRA配置、学习率策略等），让所有想做法律AI的开发者都能站在你的肩膀上。
- 创新的应用框架：比如基于多模态大模型，开发一个专用于“产品设计灵感生成”的框架，用户只需输入模糊的概念和风格关键词，就能生成一系列协调的产品外观、UI界面、宣传海报。你的价值在于对设计工作流的深度理解和产品化封装。
通过这种方式，你将自己的命运与整个开源生态的繁荣绑定在一起。你贡献价值，也从生态的增长中获益。即使未来基础模型迭代，你的工具和方法论依然有迁移价值。
4.3 方向三：聚焦“边缘场景”，解决“最后一公里”问题
大模型的能力再强，最终要产生价值，必须与具体的硬件、具体的场景结合。这里存在着大量的“边缘场景”和“最后一公里”问题，是巨头标准化产品难以覆盖的。
例如：
- 端侧AI：如何让一个百亿参数模型在手机、IoT设备、汽车座舱上，以低功耗、低延迟的方式稳定运行？这涉及到极致的模型剪枝、蒸馏、编译优化和芯片适配。这是一个软硬件深度结合的领域。
- 特定环境下的鲁棒性：在嘈杂的工厂环境下，语音识别模型如何准确识别工人的指令？在网络信号不佳的农田，视觉模型如何实时识别病虫害？这些场景对模型的鲁棒性、轻量化提出了特殊要求。
- AI与传统自动化流程的集成：很多企业现有的IT系统是“烟囱式”的，如何将AI能力（如文档理解、智能审核）无缝嵌入到已有的OA、ERP、CRM工作流中，而不需要推翻重来？这需要大量的集成开发和业务理解。
解决这些问题，需要的不仅是AI算法能力，更是对硬件、对具体业务场景、对系统集成的深刻理解。这恰恰是创业公司可以发挥灵活性和专注度优势的地方。
4.4 方向四：重新思考团队与节奏：小而美，慢就是快
在资本狂热期，很多创业公司盲目扩张，追求“大而全”，仿佛不做一个平台就不配叫AI公司。在当下的环境中，或许应该重新回归“小而美”的创业本质。
- 团队构成：与其组建一个庞大的全栈团队，不如聚焦核心。一个5-10人的精锐团队，如果成员都是多面手，且对某个垂直领域有狂热兴趣和深厚积累，其战斗力可能远超一个50人的泛泛团队。核心创始人必须既是首席产品经理，又是首席销售，深度理解客户。
- 商业模式：从追求“GMV”、“用户量”的互联网思维，转向追求“健康毛利率”、“高客户满意度”和“正向现金流”。可以先从一个付费意愿强的细分客户群做起，哪怕只有十几个客户，但服务到极致，让他们离不开你，用他们的成功案例和付费，支撑公司活下去并迭代产品。
- 融资策略：不要为了融资而融资，不要过度稀释股权。在估值不理想的时候，可以考虑债权、政府扶持资金、产业资本合作等方式。活下去比估值高低更重要。将精力更多放在创造真实营收上，用经营现金流证明自己的价值。
5. 给从业者的个人思考：在浪潮中定位自己的价值
无论是身处DeepSeek这样的“荣耀之舰”，还是Evolver这样的“奋斗之舟”，作为AI行业的个体从业者，我们都需要在这场漫长的竞赛中，找到自己的锚点。
对于技术研究者/工程师，我的建议是：深度与广度结合，保持动手能力。不要只沉迷于追最新的论文和模型架构。花时间去深入理解一个垂直领域（比如医疗、金融、教育），了解其真实的数据格式、业务约束和评价指标。同时，保持强大的工程实现能力，能快速将想法转化为可运行、可评估的代码。在AI时代，一个既懂算法原理，又能解决实际工程问题，还理解业务痛点的人，价值是巨大的。
对于创业者/产品经理，我的建议是：从“技术驱动”转向“价值驱动”。不要再问“我的模型能做什么？”，而要不断追问“我的产品为用户解决了什么具体问题？这个问题有多痛？用户愿意为此付出什么代价？”。学会用最简单的技术方案去验证核心价值假设，而不是一上来就追求技术的先进性。很多时候，一个基于规则引擎+少量机器学习模型的解决方案，如果能完美解决用户问题，其商业价值远大于一个炫酷但难用的大模型应用。
对于投资者和行业观察者，或许需要一点更多的耐心和更细致的眼光。AI带来的变革是深刻的，但也是漫长的。它不会在几年内就颠覆所有行业。那些在细分领域里默默耕耘、解决真问题、拥有真实客户和现金流的公司，即使现在规模不大，声量不高，也可能在长期中展现出更强的生命力和回报潜力。避免“追涨杀跌”的羊群效应，去发现那些被低估的“实干家”。
这场由AI掀起的浪潮，远未到终局。DeepSeek们的荣耀，是中国AI产业技术实力和工程能力崛起的鲜明注脚，它给了我们信心和标杆。而Evolver们的困局，则是这场产业深化过程中必然经历的阵痛与筛选，它提醒我们创新的艰难与商业的残酷。荣耀与困局，一体两面，共同构成了创新的完整图谱。或许，真正的突破，就诞生在那些看清了困局，却依然选择在裂缝中执着寻找光亮的团队之中。他们的故事，可能没有发布会上的掌声雷动，但那份在艰难中创造价值的坚持，同样是这个时代最值得书写的篇章。