新京报贝壳财经讯（记者潘亦纯）11月3日，赛迪顾问正式推出全英文专刊《Foresight》，首期以“商业化”（Commercialization）为主题，聚焦大模型、量子计算等六大新兴领域，发布最新行业观察。


其中，针对大模型，赛迪顾问人工智能与大数据研究中心高级分析师白润轩表示，团队对超过120家企业部署案例、基础设施成本模型与采用趋势展开系统分析后，发现技术雄心与经济现实之间的鸿沟正在持续扩大。


这一结论，与生成式AI热潮兴起后市场形成的认知不同——有观点认为，参数越多、算力越大，就离商业价值越近。要知道，仅2024年，全球流入基础模型研发的资金便超过500亿美元，其中80%投向千亿参数以上的大模型。


白润轩表示，对18款主流大模型在4类商业任务中的标准化评估显示，在客服摘要、财报生成等结构化场景中，模型性能于400亿—600亿参数区间即触及平台期，部分任务在500亿参数后不升反降。回报则与投入形成鲜明反差，千亿参数以上大模型的投资回报率仅为5%，而70亿—300亿参数的专属模型投资回报率高达35%。


此外，行业目光大多聚焦于动辄上亿美元的训练成本，但数据显示，对大规模部署大模型的企业而言，推理成本占模型全生命周期总成本的70%-90%。


“以一个典型零售场景测算，采用未经优化的1750亿参数通用模型，与采用任务适配的130亿参数专用模型相比，两年运营周期的成本差额高达2810万美元。”白润轩称。


目前，单体架构正在积累系统性的治理风险，全球AI监管持续提速，仅2025年就有27项主要AI法律提案进入审议，其中19项明确将“模型架构复杂度”纳入合规考核指标，不透明的巨型模型在合规灵活性、补丁更新效率与供应商依赖三大方面形成了风险暴露点，且模型规模越大，风险等级越高。


在规模扩张的经济困境与单体架构的治理风险双重压力下，精准智能（Precision Intelligence）正逐渐崛起。


白润轩表示，这并非对AI能力的降格，而是一种更具智慧的架构设计思路：不再以参数规模定义能力上限，而是让模型与任务的复杂度相匹配，用最少的模型资源实现最优的业务效果。


支撑这一范式的是四大核心组件的深度融合——以领域微调基础模型（70亿—300亿参数）降低训练成本，以检索增强生成（RAG）降低模型幻觉，以工具调用代理弥补轻量化模型在特定能力上的不足，以人在环中验证为高风险任务构筑人工审核闭环。目前，这一路径已在金融、制造、物流等行业得到验证。


“从‘规模竞赛’到‘效用竞赛’，生成式AI市场的竞争逻辑正在被改写。”白润轩表示，胜负将不再取决于谁能打造出最大的模型，而在于谁能部署最智能的架构。


编辑 岳彩周

校对 柳宝庆