文/观察者网 张广凯

2025开年伊始，国内大模型行业似乎正酝酿着一场剧烈的格局变动。

一边是零一万物与阿里云达成合作，不再独立追求超大模型的预训练；另一边，以豆包为代表的大厂模型仍在快速进化，“不差钱”的DeepSeek更是以创新架构，让人看到超越OpenAI的可能性。

这似乎印证了一段时间以来的流言：国内大模型企业将进一步收敛，一些过去的头部玩家也开始掉队？

另一个有趣的现象是，此前一直走闭源路线的MiniMax，最近突然发布了自己的开源模型。开源是弱势方争夺市场的捷径，还是本身就具备比闭源更好的商业逻辑闭环？

当然，美国对中国愈加严厉的政策限制，一直都是不容忽视的巨大风险。国产大模型行业准备好迎接进一步脱钩了吗？

围绕上述话题，我们邀请AI生态专家、曾任零一万物开源及开发者生态负责人的林旅强，以及Hugging Face工程师王铁震进行对话，收获了不少新颖的观点。

林旅强

王铁震

摘要如下：

·中国大模型行业的研发能力与OpenAI没有明显差距，即使放弃预训练的团队，也并非因为训练效果不佳，只是更好的商业选择。

·随着主流模型能力基本够用，一味追求模型能力最强或许是个误区。以操作系统为例，性价比才是大规模应用的决定性因素。

·当算力成本进一步降低，开源模型的性价比将更加突出。

·开源的优势还在于更容易成为行业标准。

·开源的AI开发工具链，对大模型的国产化替代意义巨大。

以下为对话全文：

放弃预训练，不是能力不够

观察者网：可以聊聊最近零一万物预训练团队并入阿里的事吗？这是不是意味着，国内头部大模型公司之间的能力已经在分化，零一发现自己预训练的效果不够好？

林旅强：完全不是这样的。零一的团队很强，预训练出来的东西也很强，去年5月发布的Yi-Large，10月发布的Yi-Lightning都很好，尤其是Yi-Lightning，可以说是当时时间点上最强的之一。

但是模型强不强，跟商业上能不能走通是两回事。零一绝对不是没能力做预训练，而是作为一个小公司，必须面对现实——你投入巨大的资源去做预训练，能不能做到self sustainable？是不是对投资人负责？

所以一个公司最终还是要去找到符合商业规律的生存之道。

王铁震：对，我非常同意。我要补充一下，其实中国的research非常强，这两年中国的大模型追得非常快，包括最近的DeepSeek，甚至让OpenAI都感到一些危机。

如果说中国跟美国的头部模型存在一些差距，我觉得不能说是人的问题，主要还是因为资金的分配、公司的政策方向等等。像零一这样的中国公司，有最优秀的团队，有开复老师的领导，那么如果给它像OpenAI一样的资金，它绝对也能做出同样好的产品。但是这样的条件在中国是很稀缺的。

大部分中国公司，不可能把无止境的资金投入到一个非常烧钱的项目里。在“六小虎”中，所有人一开始都是to b也要做，to c也要做，to developer也要做，foundamental research也要做，但是很快大家就会发现，我不可能每一件事情都做得好，每一件事情的竞争都是非常激烈的，我需要把所有的精力放到某一个自己很擅长的事情上面，才能做出最好的效果。

可能零一也经历了这样一波周期，发现必须把全部精力集中在做APP，或者专注做to b。我觉得这完全没有问题，因为很少有公司能够像DeepSeek或者阿里巴巴一样，有另外赚钱的业务去养活不赚钱的foundamental research。

所以我觉得国内做预训练的公司会越来越少，其实是一个好事，是更好的资源调配。想做预训练的人也可以更集中，资金也可以更集中，可能最后只有四五家模型，但每家都可以得到非常多的资金支持，可以走得更远更好。

中国很多行业都走过了类似的路，比如说电动汽车、光伏，都经历了自然淘汰的过程，从无序竞争到有序收敛，这是一个市场比较理想的状态。

观察者网：也就是说国内的大厂也好，“六小虎”也好，在大模型能力上还没有显著差距。

王铁震：我认为还在牌桌上的玩家，水平都没有太大的差距，有差距的自己已经放弃了，所以牌桌上的玩家确实在减少。

林旅强：很多行业应用，也未必非要去做预训练。例如百川很早就宣布把重点放在医疗，那么医疗大模型是不是一定需要做预训练？基于别人的基座大模型，拿行业数据去做后训练是不是足够了？

所以退出牌桌的人，也不一定是失败，而是调整。所有公司都要找到适合自己的路。

观察者网：那么当初为什么大家一拥而上都去做预训练？是战略选择错误，还是担心使用别人的模型，不是好的商业模式？

林旅强：首先，你要向资本市场讲一个故事。2023年上半年，资本市场会觉得一个团队能做预训练，代表团队的能力是很扎实的。

另一个原因是当时的基座模型还不够强，后续去做fine-tune的效果也不好，所以只能自己去做基座。

现在，很多大模型效果已经好到一定的程度，甚至10B以下的小模型都比当时强很多了，对很多场景来说完全够用了。所以大家不会再盲目追求超大模型。

王铁震：对，刚开始的时候，你必须向资本市场证明自己的团队实力。只做fine-tune的团队，估值不会很高，后续做很多事情就会非常受限。而且最开始的那段时间，市场上资金是最充裕的，越往后融资越难，如果开始拿不到足够资金，后面可能很快就死了。

还有很重要的一点，是对人才的争夺。那个时候大模型人才是相当稀缺的，很多公司都需要开出非常高的薪水挖人。

做预训练更有利于去培养自己的团队。如果只是做微调，你只能看到世界的一小部分，只有懂预训练的人才能告诉你，一个问题到底应该用预训练解决，还是后训练解决。

但在今天这个时间点，基于很多开源模型去做后训练，已经能达到比较好的效果，预训练可能就更多是一种情怀了。

最好的大模型，未必要最强

观察者网：那么在今天这个时间点上，开源模型跟闭源模型的能力还有差距吗？

林旅强：我想先correct一下这个问题本身。模型就是模型，不会因为它是开源或者闭源就更强或更弱，模型强弱跟是否开源是完全两个维度的事情。

观察者网：但是最早Llama之所以选择做开源，可能是因为它不够强，要通过开源来抢市场。

林旅强：开源确实有利于抢占市场，但是它想抢市场，跟它够不够强，不能建立直接关系。现在DeepSeek也是开源，难道是因为它不够强？所以我个人觉得Llama只是开源中一种情况，并不代表开源的本质。

开源和闭源的参与者也是动态变化的，比如之前一直闭源的MiniMax，最近突然也做开源了，这并不只是取决于模型强弱。

王铁震：这是一个经常被问到的问题，最近我刚好也有一些新的想法。

首先就像前面提到的，没有开源强的闭源模型已经死掉了，所以结果就变成，闭源模型永远是大于等于开源模型。

之前我也觉得，开源模型跟最头部的闭源模型相比，还是有非常大的差距。但是最近DeepSeek发布的成果，以及国内在推理模型上面的进展，都让我觉得差距没有那么大了，反而是OpenAI更应该感到焦虑。

视频生成模型也是一个很好的观察角度。Sora是一个闭源模型，它刚出来的时候大家都惊叹，中国跟它的差距非常大。但是现在大家惊叹的反而是，Sora怎么一直都像个期货，好像还不如中国的开源模型给力。

所以开源模型是可以很强的。但这个问题仍然很有价值，我会想问，如果开源模型厂商真的做出了比OpenAI更好的模型，它们还会不会继续开源？整个开源生态本身已经在收敛，如果再有更多厂商放弃开源预训练，对行业将是巨大损失，因为没有市场竞争的话，很难保证大家都还愿意在这个牌桌上玩。

观察者网：所以仍然可以说，闭源模型大于等于开源模型？究竟有没有哪家开源模型，能够达到跟OpenAI差不多的能力？

林旅强：其实对于开发者跟行业来说，很多开源模型的能力是足够的。那么在同等能力情况下，如果有开源的选择，我一定选开源，因为性价比就是开源强。

所以你怎么去评判强不强？论性价比开源超强。你的问题其实暗含了一个假设，认为模型能力一定要达到最强，这件事情是很重要的。如果从科研角度或者公司估值的角度，追求最强确实是有意义的，但是从我们开发者角度，性价比高才能普及。

我举个例子，PC端操作系统，最强的肯定是Windows或者macOS，但是Linux对于全球行业的影响力或许更大。你看得到的机器上跑的都是Windows或者macOS，你看不到的机器上跑的基本都是Linux，后者的数量可能更多。

Linux甚至根本不需要一家公司去推动，它成立一个基金会，IBM、谷歌都会捐钱。每家捐几百万美元，就能换来持续可用的操作系统，而且不会被人卡脖子。

所以究竟是Linux最强，还是macOS比较强，现在已经没有人care这一点了。

观察者网：有支持闭源的人，说开源模型是“智商税”，认为即使从成本来看，闭源也比开源要低。

林旅强：我尊重他们的选择，但我不认同这个结论，开源相比闭源成本一定是低的。因为购买一个闭源模型本身就是很大的支出，在此之外，开源不会比闭源增加任何成本。

王铁震：一些现在做闭源的公司，其实在过去的时代也在做开源，对NLP、OCR等领域都有很大帮助。后来在大模型领域转向闭源，虽然很可惜，但是一定是经过了深思熟虑，甚至可能也有激烈的内部讨论。那么一旦选定了技术路线，对外也只能这样说。