2025年AI大模型行业局势深度报告：路径分化，拥抱开源

2025年，AI大模型领域正经历着深刻的变革，“下半场”呈现出全新的发展态势，路径分化与拥抱开源成为两大显著特征。

一、发展路径：“大力出奇迹”与“四两拨千斤”之争

一边是部分国家为维持AI领域的领先，不断在算力、数据和规模上进行激烈竞争，如美国人工智能企业xAI发布的Grok 3推理模型，其训练依赖于“Colossus”超级计算集群，消耗高达20万张英伟达GPU ；另一边则是我国AI发展路径逐渐清晰，在推进算力基础设施建设的同时，追求普惠AI，以形成差异化优势。典型代表为国内AI厂商深度求索(DeepSeek)发布的开源推理模型DeepSeek-R1，在多个基准测试中与OpenAI公司的o1模型持平，成本却仅为o1的三十分之一 ，开启了低成本训练模型的新风潮。

这种路径分化的背后，与“Scaling Laws”(尺度定律)的性价比降低密切相关。在大模型发展前期，遵循“Scaling Laws”，不断提升算力、算法和数据规模，能使大模型的智能表现实现跃升，即“智能涌现”。GPT-4时期，“Scaling Laws”性价比极高，模型效果随参数增加呈指数级提升，各大AI厂商纷纷购入高性能GPU。然而如今，情况发生了变化。例如，Grok 3的计算量是DeepSeek的几十倍，但性能提升却远未达到几十倍，这表明“Scaling Laws”的性价比在降低。中国信息通信研究院云计算与大数据研究所所长何宝宏也指出，2024年全球训练大语言模型效果普遍未达预期，OpenAI产品迭代速度放缓，意味着大模型竞赛上半场已进入“垃圾时间” 。

尽管如此，“预训练阶段的‘Scaling Laws’已经遇到瓶颈，但推理阶段的‘Scaling Laws’依然有很大机会”，田丰强调，DeepSeek正是在模型推理阶段找到了新解法，为全球AI发展开辟新路径，为大模型落地普及拓展了更广阔空间。

对于不同的发展路径，AI厂商各执一词。xAI的“Colossus”超级计算集群仍在扩张，2025年年底规模有望达50万张GPU；OpenAI等也在推进“星际之门”AI基础设施投资项目，未来4年计划投入5000亿美元 。与此同时，越来越多科研团队开始角逐低成本AI模型，如美国一研究团队研发的“s1”模型，在数学和编码能力测试中可媲美o1和DeepSeek-R1等模型，训练成本却只需几十美元。

关于哪条路径才是通向AGI（通用人工智能）的正确道路，业内看法不一。清华大学计算机科学与技术系长聘副教授、面壁智能创始人刘知远认为，极致高效、善用现有资源，走可持续、高质量发展路线才是正途；而天使投资人、资深人工智能专家郭涛则觉得，“大力出奇迹”凭借大规模数据和超强算力，更有机会模拟人类全面智能，逼近AGI，“四两拨千斤”的工程创新在特定场景高效，但难以快速拓展到全面智能程度 。近期，国泰君安、中信证券等多家研究机构肯定了算力的作用，华泰证券研报提出Grok 3证明预训练在算力提升下仍能突破，中信证券认为算力堆积仍是模型进步的关键变量之一 。

站在我国角度，“花小钱办大事”的DeepSeek路径更符合当前AI产业发展实际。一方面，国产算力芯片产能和良品率逐渐提升，未来3 - 4年有望取得较大突破；另一方面，国内企业通过软件层面的性价比优势，提升模型训练效率、降低成本，形成“剪刀差”，推动AI产业快速发展 。并且，DeepSeek的出现促进AI技术普及，带来推理算力需求增长，这为国产芯片，尤其是专用推理芯片的发展提供了机会，我国在推理芯片研发制造上具有优势，若能快速实现量产，将在全球AI芯片市场占据主动。国内AI厂商已积极行动，2月24日，阿里巴巴集团CEO吴泳铭宣布，未来3年阿里将投入超3800亿元建设云和AI硬件基础设施，总额超过去10年总和 。

二、拥抱开源开放：新趋势下的产业变革

除了发展路径的分化，2025年大模型领域呈现出的另一个重要趋势是开源开放。在人工智能和数字时代，开源不再局限于“开放源代码”，更意味着“开放资源”。在DeepSeek-R1发布前，o1模型已具备深度思考能力，但OpenAI秉持闭源策略，未公布技术方案，而DeepSeek自主探索并全面开源相关技术，引发全球热潮 。

在DeepSeek的带动下，越来越多AI厂商开始拥抱开源。2月14日，百度宣布文心大模型4.5系列将于6月30日正式开源；OpenAI表示正在讨论公开AI模型权重；马斯克宣布xAI将在Grok 3稳定后对Grok 2开源 。在2025全球开发者先锋大会上，商汤科技、MiniMax、阶跃星辰等多家企业纷纷展示最新开源模型 。

开源对企业自身意义重大，它可以吸引更多关注和使用者，激发开源社区的创新活力，推动技术快速发展，同时通过共享资源和知识，降低企业研发成本。从行业角度看，高水平模型的开源让大众免费体验优秀大模型技术能力，推动人工智能技术普及和渗透率提升，吸引更多开发者参与，共同促进行业发展。不同开源模型各有所长，保持产品开放性有助于博采众长。站在开发者视角，开源还能帮助AI大模型提高内容生成准确率，这也是未来大模型竞争的重要指标 。国内开源生态的成熟促使厂商跟进，开源大模型发布后能迅速得到云厂商、社区、芯片厂商的跟进适配，助力厂商更好地进行迭代。

大模型技术的突破离不开成熟的产业生态。我国已出台一系列政策支持和规范人工智能产业发展，北京、上海、广东、浙江等地积极构建人工智能产业生态。以上海的模速空间为例，作为全国首个大模型创新生态社区，涵盖了大模型产业链的各个环节，包括算力层、数据层、基础大模型和应用层等 。良性产业生态也离不开安全保障，近两年人工智能安全治理备受关注，中国率先出台生成式人工智能服务管理办法法规，通过相关大会加强国内外人工智能治理交流合作，共同应对风险挑战 。据艾瑞咨询研究院预测，到2028年，中国人工智能产业规模有望达8110亿元，人工智能和机器人等新兴产业将释放巨大市场潜力和发展空间 。

 

三、AI大模型的应用与挑战

（一）应用场景“百花齐放”

AI大模型的应用场景日益丰富，在2025全球开发者先锋大会现场，基于AI大模型开发落地的人工智能应用令人目不暇接。商汤科技的代码小浣熊2.0和办公小浣熊，为企业、开发者、个人用户提供丰富服务；宇树科技的人形机器人和机器狗吸引众多目光，机器狗在变电站巡检、消防救援等场景得到应用，降低人工作业风险，实时回传信息 。人工智能大模型已与众多场景深度融合，工业和信息化部表示2025年将实施“人工智能 + 制造”行动，加强通用大模型和行业大模型研发布局及重点场景应用 。稀宇科技(MiniMax)副总裁刘华认为，大模型应用边界仍在不断拓展，在广告、教育、客服等领域已取得较好落地成果 。我国完整的制造业产业链为大模型训练提供实操场景，开发者相信大模型应用未来还会迎来新突破 。

 

（二）面临的挑战

1. 复杂决策能力不足：尽管大模型在开放性闲聊方面表现出色，但在复杂决策领域存在明显缺陷。如在金融投资和医疗诊断等需要专业知识、复杂逻辑推理、任务分解、规划以及不确定性推断能力的领域，大模型难以胜任。

2. 幻觉问题：生成式大模型存在“幻觉”现象，即可能产生不准确或虚假信息，这在医疗等对准确性要求极高的应用场景中可能造成严重后果，若不解决该问题，将阻碍大模型在行业中的真正应用。

3. 领域忠实度缺乏：大模型通过互联网通用语料学习了大量通用知识，但应用到特定行业时，倾向于使用通用知识回答问题，缺乏对特定行业规范和专业知识的忠实度。

4. 不可控与难以编辑：大模型本质是统计模型，面临不可控和难以编辑的问题，随着知识更新，如何高效更新模型知识成为挑战，尤其在金融、医疗、司法等知识持续变化的行业，可控性和可编辑性至关重要。

5. 数据理解困难：大模型难以理解行业专有数据和企业私域数据，行业数据专业性强，企业内部数据具有私有性，反映企业业务习惯和命名规范，大模型对这些数据的理解存在障碍。

6. 成本问题：大模型虽然降低了在行业中训练不同模型的成本，但自身训练成本巨大，如ChatGPT一轮训练需消耗6300多万美元，且生成回答速度较慢，在大规模在线应用中会带来严重的时间成本问题 。

 

（三）解决方案与发展路径

1. 合理定位与流程融合：在商业应用中，将大模型视为智能引擎，驱动企业数字化转型，与企业流程无缝融合，与人类员工有效协同。

2. 知识注入与解耦：持续向大模型注入领域行业知识，将企业智能解耦为知识、能力和价值三个维度，利用大模型重塑企业信息化和数字化形态；同时解耦企业流程，将其分为提示、生成和评价三个基本环节，生成环节由大模型负责，人类负责提示和评价 。

3. 探索新落地模式：采用大模型离线处理，结合知识图谱组织信息，再通过小模型提供在线服务的模式，充分利用大模型能力，保证服务的可控性和效率 。

4. 完善数据科学与工程：大模型落地本质是数据工程，需重视数据规模和质量，收集、清洗、转换数据，构造指令数据，注重特殊类型数据使用，建立行业大模型训练语料和指令集的评测标准和筛选机制，以数据为中心进行大模型研发 。

5. 大小模型协同：发挥小模型在训练成本、使用成本、推理速度以及可控性、可编辑性、可理解性和可解释性等方面的优势，与大模型协同使用，解决不同类型问题 。

6. 模型与知识图谱协同：知识图谱中的知识可理解、可解释和可控，与大模型协同，通过挖掘思维链、检索增强、约束和检验生成结果等方式，提升大模型性能 。

7. 建立数据治理体系：从合规、安全、隐私、版权、偏差等方面治理大模型训练语料，同时利用大模型支持数据治理工作，如验证知识库知识正确性、清洗规范化数据等 。

8. 解决幻觉问题：从预训练语料准备、指令集构造、检索增强、应用到事后检验等多个环节入手，提升模型知识准确性，降低幻觉发生，如提升模型引经据典、自知之明、置信度表达等能力 。

9. 提升认知能力：增强大模型的复杂指令理解、数量推理、单位换算、逻辑推理等能力，系统性提升其认知能力 。

AI大模型行业在2025年正处于关键的发展转折点，路径分化与开源开放的趋势将深刻影响产业格局，尽管面临诸多挑战，但随着技术的不断创新和应用的深入拓展，AI大模型有望在各行业发挥更大的价值，推动社会和经济的变革与发展。