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。