AI科普馆部分垂类内容转移至?
【长三角人工智能联盟】公众号，快点进去瞧瞧！
翻开人工智能的2023-2025年篇章，我们看到的不只是一场技术革命，更是一部产业演进的生动教材。从ChatGPT引发的全球狂热，到多模态模型的技术突破，再到推理侧应用的商业落地——大模型的发展轨迹正在勾勒出一条清晰的S型曲线：技术突破触发资本关注，资本投入驱动产业扩张，而产业实践又在重新定义技术方向。
当2026年的序幕即将拉开，一个关键问题摆在我们面前：在经历了算力军备竞赛和参数规模大战之后，大模型的发展将走向何方？国信证券最新发布的《大模型发展趋势复盘与展望》报告，为我们提供了一份详实而深刻的分析蓝本。这份报告不仅复盘了过去三年行业发展的关键节点，更重要的是揭示了从“暴力美学”到“算法工程”的范式转变，以及从“模型能力”到“应用价值”的价值链迁移。
在这份长达49页的专题研究中，分析师团队通过详实的数据、清晰的逻辑和深刻的洞察，为我们描绘了一幅大模型发展的全景图：技术架构如何演进、商业格局如何分化、投资逻辑如何变迁、应用生态如何重构。更为难得的是，报告不仅告诉我们“发生了什么”，更深入分析了“为什么发生”以及“接下来会怎样”。
让我们跟随这份报告的指引，深入探索大模型发展的内在逻辑，理解这场正在重塑全球科技格局的深刻变革。
一、资本市场的三年轮回：AI叙事如何重构科技巨头格局
2023年：技术奇点引发的估值重估
当ChatGPT在2022年底横空出世，市场还处于观望状态。然而2023年GPT-4的发布，真正触发了全球范围内的认知转变。这份报告清晰地指出：这一年，OpenAI通过GPT-4在逻辑推理和复杂指令遵循上建立了“SOTA基准”（State-of-the-Art），这意味着大模型不再仅是“聪明的聊天机器人”，而是具备了解决复杂问题的潜力。
在这一阶段，微软成为最大赢家。其与OpenAI的独家合作，使市场重新评估了云服务与AI结合的价值。从年初到年末，微软市值增长超过1万亿美元，其中AI叙事贡献了显著的估值溢价。
2024年：从模型能力到应用价值的转向
一个有趣的转变发生在2024年。报告敏锐地捕捉到：市场开始怀疑“单纯扩大模型规模”的可持续性。此时，投资者更关注的是谁能率先将AI能力转化为商业价值。
Meta成为这一阶段的焦点。并非因为其模型能力领先——实际上Llama模型当时仍落后于GPT系列——而是因为Meta拥有两大核心资产：社交垄断生态（潜在的Agent入口）和成熟的广告变现场景。投资者相信，Meta可以快速将AI能力融入现有业务，实现商业化闭环。
同时，报告揭示了一个关键数据点：2024年2月，英伟达在业绩会上透露，其数据中心收入中约40%来自推理。这个数字意味着什么？意味着AI正从“训练阶段”走向“部署应用阶段”，从实验室走向生产环境。
2025年：格局重塑与生态优势凸显
这一年最值得关注的变化是竞争格局的动态演进。报告用“模型差距与OpenAI明显收敛”来描述这一现象——追赶者们正在快速缩小差距。
谷歌的崛起是2025年的主旋律。凭借对原生多模态路线的坚持、自研TPU芯片的算力优势、以及搜索与YouTube的优质数据生态，Gemini系列模型在多方面达到了新的SOTA基准。这种“芯片-模型-应用”的闭环优势，让市场重新评估了谷歌在AI时代的竞争地位。
然而，并非所有巨头都如此顺利。报告指出，亚马逊由于“资本开支启动较晚，且自研芯片、模型均缺乏竞争力”，在2025年的表现相对平淡。这提醒我们，在AI这场长跑中，技术路线选择和执行时机同样重要。
2026年展望：差异化和推理侧的机遇
报告预测，2026年将呈现两个关键趋势：一是模型厂商将着力打开差异化应用市场，二是推理侧需求可能进入放量拐点。这意味着竞争将从“谁的模型更强”转向“谁能更好地服务特定场景”。
二、算力投资的狂欢与隐忧：当电力成为稀缺资源
资本开支的惊人增长
数据最能说明问题：2025年，北美四大科技巨头（微软、亚马逊、谷歌、Meta）的资本开支同比增长均超过50%。微软约1160亿美元，亚马逊1250亿美元，谷歌910-930亿美元，Meta 700-720亿美元——这些数字背后是对AI基础设施的疯狂投入。（拓展阅读：每秒烧掉一座金矿：科技巨头正在“赌命”抢建AI帝国）
更重要的是，这些公司在全年过程中持续上修资本开支预期。以Meta为例，从2月预计的600-650亿美元，到11月上调至700-720亿美元。这种动态调整反映了企业对AI需求增长的持续乐观。
电力瓶颈：算力扩张的阿喀琉斯之踵
然而，报告揭示了一个严峻的现实：电力正成为制约算力增长的核心瓶颈。微软CEO的表态令人印象深刻：“手里积压着成堆的英伟达AI芯片，却因为缺电、缺乏变压器，只能让这些昂贵的GPU在仓库里‘吃灰’。”
数据中心的电力需求增长速度令人震惊。根据FERC预测，2024年美国夏季用电负荷峰值为929GW，预计到2029年的五年间将累计新增120GW。而Grid Strategies估计，这120GW增量中大约80GW来自数据中心。
电力供给为何跟不上？报告指出了三大原因：环保目标下大量煤电厂退役；变压器、输电线等配套设施建设周期长达5-8年；电力需求要求冗余设计，进一步推高了对电网的供给要求。
企业的应对策略
面对这一挑战，科技巨头正在采取多种应对措施：
与能源公司深度绑定：谷歌收购Intersect Power，亚马逊收购Talen Energy位于核电站旁的数据中心园区
“计量表后”供电方式：直接将电力接入数据中心，绕过公共电网
向海外寻找电力支撑：欧洲、亚太等电力资源相对丰富的区域
这些举措不仅是成本考量，更是确保AI算力供给的战略布局。
三、技术演进的三阶段：从规模红利到算法突破
第一阶段：Scaling Law的红利期（2023年）
这一时期的核心逻辑是“扩展带来进步”。OpenAI之所以能在2023年确立领先地位，很大程度上是因为其在Scaling Law上的先发优势。报告引用了DeepMind团队的Chinchilla Scaling法则：每增加1倍参数量，对应的训练数据量也应该增加1倍，最佳配比为每10亿参数至少需要200亿tokens数据。
但这一阶段也存在局限性。模型仍以文本为主导，多模态只是雏形；受限于推理能力和上下文长度，在编程等场景中仅具备“本科学生级别”的基本代码能力。
第二阶段：多模态与推理模型涌现（2024年）
2024年见证了两个重要突破：一是以GPT-4o为代表的多模态模型，使AI能够理解并生成图像、音频等内容；二是以GPT-o1为代表的推理模型，通过引入“思维链”机制，显著提升了模型在复杂问题解决上的能力。
这一时期的一个重要变化是竞争格局的多元化。在LMSYS Chatbot Arena榜单中，Claude3 Opus首次完成了对GPT系列的超越。开源模型Llama3、Gemini也达到了接近OpenAI旗舰模型的能力水平。
第三阶段：算法与工程并重（2025年）
2025年最值得关注的技术进步是强化学习可验证奖励（RLVR）的应用。报告指出，这一方法最早在OpenAI的o1推理模型中得到了使用，其核心创新在于：通过可验证的奖励函数，逼迫模型自行寻找最佳的思维链，而不需要人工编写思维链作为监督。
DeepSeek R1的发布成为这一阶段的标志性事件。它通过RLVR结合GRPO算法，证明了算法创新可以比单纯扩大模型规模更有效。OpenAI联合创始人Karpathy在其博客中评价：“2025年AI的进步，很大程度上是因为实验室把原本用于预训练的算力，挪到了RLVR上。”
谷歌则在另一个方向上取得了突破。Gemini系列坚持原生多模态路线，将图像、视频、音频和文本统一编码到同一个语义空间中。这种设计使模型能够真正理解多模态内容之间的关联，而非简单地将不同模态“拼接”在一起。
四、架构创新的十字路口：后Transformer时代的探索
Transformer的局限性日益凸显
报告明确指出，当前Transformer架构面临两大核心痛点：
训练阶段的计算量和内存消耗瓶颈：随着上下文长度增加，自注意力机制的计算复杂度呈O(N²)增长
推理时的记忆能力有限：对话的临时信息存储在KV Cache中，缓存清空就会“失忆”
谷歌Titans：让模型拥有“长期记忆”
Titans架构的核心创新在于引入了一个“神经长期记忆模块”。与传统Transformer在训练后冻结参数不同，Titans能够在推理过程中根据上下文动态更新参数，实现持续学习。根据论文数据，这一架构能够处理超过200万tokens的超长序列。
然而，Titans并非完美。报告指出两个潜在问题：由于压缩了信息，幻觉率可能更高；在推理的每一步都需要执行反向传播，单个token的算力消耗远高于传统Transformer。
Mamba：效率导向的新选择
Mamba采用了完全不同的技术路线——基于结构化状态空间模型（SSM）。其优势在于计算量低于Transformer，推理速度更快，显存占用更低。Mamba-2通过引入结构化状态空间对偶性理论，使核心计算能够充分利用GPU的Tensor Cores，大大提升了训练效率。
国内厂商的务实创新
在算力相对受限的背景下，国内厂商更关注成本效率的优化：
Qwen3-Next：采用混合注意力机制，75%的层使用计算成本更低的Gated DeltaNet
DeepSeek V3.2：引入动态稀疏注意力，在计算前预先筛选最相关的tokens
这种务实的技术路线，反映了不同资源禀赋下的创新策略差异。
五、商业化路径分化：从技术领先到生态竞争
OpenAI：C端基本盘与记忆护城河
OpenAI坚持“消费者优先”的战略，ChatGPT已积累超过8亿用户。报告指出，OpenAI的护城河不仅来自技术领先，更来自用户习惯、一致性和个人体验积累出的信任感。用户在ChatGPT中的历史对话记录，使模型能够提供更加个性化的服务。
2026年，OpenAI的战略重点将转向企业业务。报告预测其2025年收入将达到130亿美元，其中C端订阅约占61%，付费用户约4000万+。长期目标是2028年实现1000亿美元收入，这需要企业端收入、广告、电商等多渠道变现共同推动。
谷歌Gemini：生态闭环的优势
谷歌的崛起得益于三大优势的协同：正确的技术路径（原生多模态）、丰富的高质量数据（搜索和YouTube）、充足的算力资源（自研TPU）。这种“芯片-模型-数据-应用”的完整生态闭环，构成了强大的竞争壁垒。
报告中的数据支持了这一判断：谷歌在生成式AI流量中的份额持续增长，月度tokens消耗量快速攀升。
Anthropic：垂直深耕的专业化路线
Anthropic选择了不同的发展路径：专注编程和企业级市场。其Claude系列在代码能力上表现突出，根据报告数据，44%的流量与计算机和数学类任务相关，在企业大模型API市场份额达到32%，编程市场份额达到42%。
这种专业化战略带来了更高的定价能力和利润率。Claude Opus 4.5的定价为百万tokens输出25美元，远高于其他厂商。报告预测，Anthropic最早可能在2027年实现现金流转正。
xAI（Grok）：“大力出奇迹”的激进策略
马斯克的xAI信奉“快速扩展算力与数据处理能力将是决定性因素”。Grok系列以3-6个月一迭代的速度快速演进，在Grok4中甚至将后训练算力投入增加到预训练的10倍。
这种策略的背后是独特的资源优势：特斯拉的自动驾驶数据、社交平台X的内容数据、以及充足的资金支持。马斯克宣称，2026年将推出的Grok5将达到6万亿参数，进一步扩展Scaling Law的天花板。
六、应用爆发的黎明：推理侧需求即将放量
Tokens消耗的结构性变化
根据大模型聚合平台OpenRouter数据，2025年的周tokens消耗量已从年初的5000亿增长至年末的3.67万亿。报告分析发现，编程是当前tokens消耗的主要驱动力，从单次请求的tokens结构来看，编程相关任务需要最大的输入上下文。
但报告也指出一个有趣现象：2025年各模型厂商的消耗更多聚焦于自身业务发展。例如谷歌Gemini的内部消耗占比约90%，OpenAI的tokens消耗更多用于ChatGPT。这意味着，真正的商业化应用浪潮尚未完全到来。
SaaS市场的重构与机遇
大模型正在重塑整个软件生态。一方面，它降低了软件开发门槛，打开了需求天花板——IDC预计2029年全球SaaS市场将达到近1万亿美元。另一方面，它也在重新洗牌现有玩家。
报告构建了一个风险评估矩阵，将SaaS应用分为四个象限：
高风险区域：轻量级、低复杂度的通用工具，如基础文案生成、简单翻译
中高风险区域：垂直领域的聊天机器人、检索与摘要工具
中等风险区域：技术复杂度较高的创意工具，如高级视频编辑、复杂数据可视化
低风险区域：拥有数据壁垒、工作流复杂或对准确度要求极高的专业应用，如医疗健康分析、金融监管合规
爆款应用的涌现与启示
2025年见证了多个AI原生应用的快速崛起：
Cursor：ARR在两年内从100万美元增长到10亿美元，展示了AI编程的巨大市场潜力
Manus：8个月内ARR达到1亿美元，作为通用Agent能够自主完成网站开发、PPT制作等复杂任务
Perplexity：从AI搜索向AI Agent演进，ARR接近2亿美元
这些成功案例的共同点是：不是简单地将AI功能“附加”到现有产品，而是用AI重新定义工作流程和用户体验。
端侧AI的新战场
随着模型能力的提升，AI正从云端走向终端：
AI手机：字节豆包手机助手通过系统级权限，能够实现跨应用操作，大幅提升用户效率。技术实现上采用云端大模型与端侧小模型协同的架构。
AI眼镜：雷朋眼镜在添加AI功能后，销量增长了10倍。Omdia预测2026年全球AI眼镜出货量有望达到1000万台。这一场景解决了手机“无法持续在线”的痛点，为AI提供了全新的交互界面。
企业市场的渠道价值
随着大模型厂商发力企业业务，咨询公司和系统集成商的价值正在凸显。IBM、埃森哲、Cognizant等公司通过帮助企业部署和定制AI解决方案，获得了显著的业务增长。例如IBM在2025年第三季度的生成式AI业务订单额达到95亿美元。
结语：从狂热到理性，从通用到专用
这份报告描绘的AI发展图景，是一个从技术突破到产业深耕的演进过程。2023-2025年，行业经历了从“技术奇点”的兴奋，到“商业落地”的务实，再到“生态竞争”的深化。
展望2026年，几个趋势已经清晰可见：模型架构的创新将继续突破现有瓶颈；推理侧需求将迎来爆发式增长；应用生态将从通用工具向垂直场景深度渗透；端侧AI将开启全新的交互范式。
在这个进程中，单纯的技术领先已不足以保证成功。如何构建可持续的商业模式、如何深耕特定应用场景、如何构建完整的产业生态——这些将成为下一阶段竞争的关键。
对于投资者和从业者而言，理解这一演进逻辑，把握从基础设施到应用场景的价值传导链条，识别不同技术路线的优劣势，将是把握AI时代机遇的重要基础。而这份报告的价值，正是在于它系统性地梳理了这一复杂图景，为我们的决策提供了有价值的参考框架。
本文内容基于报告内容整理提炼，若想获取更多核心数据与深度分析，可至文末下载完整PDF报告。
以下是报告全文↓↓↓ 文末点击链接免费下载pdf,扫二维码加入交流群
AI科普馆：打开AI世界之窗
