随着人工智能领域的快速发展，行业正步入一个前所未有的大模型时代，但与此同时，一场关于创新与生存的考验也悄然来临。
近期，被誉为AI大模型“六小虎”之一的零一万物，成为了科技界的焦点话题。据多方报道，零一万物已决定调整战略方向，不再盲目追求训练超级大模型。今年1月初，该公司与阿里云携手成立了“产业大模型联合实验室”，零一万物的大部分训练和AI基础设施团队将并入该实验室。这一举动，标志着国内首家AI大模型独角兽公开宣布了战略的大幅调整。
这一系列的变化，在2025年初就引起了业界的广泛关注与深思。其中，关于Scaling Laws（扩展定律）的争议尤为激烈。
零一万物CEO李开复在接受媒体采访时，多次表达了对传统Scaling Laws边际收益递减的担忧。他指出，仅仅一年多时间，依靠巨量资源训练超大参数规模模型的性价比已大打折扣，对于初创公司而言，这显然不是一个明智的选择。李开复的这一观点，再次引发了行业对于Scaling Laws的广泛讨论。
Scaling Laws最早由OpenAI在一篇论文中提出，简单来说，就是AI大模型的性能会随着模型参数规模、训练数据量和计算资源的增加而提升。在过去几年里，国内外大模型平台纷纷投入巨资，抢购成千上万张GPU，以提升计算能力；模型参数规模也从数亿推高到数千亿，甚至上万亿。然而，自去年以来，Scaling Laws的有效性开始受到质疑。
据报道，OpenAI的下一代模型（代号Orion）在某些任务上的改进并不显著，与GPT-3到GPT-4的飞跃相比，提升幅度明显缩小。尽管OpenAI的CEO对此予以否认，但GPT-5的迟迟未推出，还是让外界产生了诸多猜测。同时，Google的Gemini 2.0和Anthropic的Claude 3.5 Opus也遭遇了类似的困境。
然而，并非所有人都认为Scaling Laws已经失效。英伟达CEO黄仁勋在CES 2025上表示，基础模型预训练的Scaling Laws仍然有效，并且出现了后训练扩展定律和测试时间扩展定律等新的扩展定律。其中，“测试时计算”为扩展模型算力和提高AI性能开辟了新途径，如OpenAI的o3等新型推理模型，能够在推理过程中进行计算，通过增加推理计算量来解锁新的能力。
尽管存在不同声音，但行业普遍认为，单纯依靠堆算力、堆参数的粗放发展模式已经难以为继。李开复的呼声，无疑在国内捅破了这层窗户纸。
事实上，Scaling Laws遭遇瓶颈，更深层次的问题在于高昂成本导致的边际效益严重递减。近年来，大模型训练成本的增加有目共睹。据浙商证券的分析报告指出，字节跳动2024年在AI领域的资本开支高达800亿元，其中约900亿元将专门用于AI算力的采购。而一个英伟达Hopper架构芯片的价格就高达3.3万至4万美元，即便是租用GPU，每块GPU每小时的租金也需要数美元，而一个模型的训练往往需要几百万甚至几千万个GPU小时。
除了训练费用高昂外，大模型在提供服务时还需要大量消耗其他资源。据国外某研究机构报告，ChatGPT每天要响应大约2亿个请求，消耗超过50万度电力。市场推广同样是一笔不小的开支，随着竞争日益激烈，竞价成本也在不断攀升。
与此同时，国内市场的竞争也日益白热化。某些大模型的API调用价格大幅降低，有的降幅甚至高达97%。如此巨额的投入，显然不是每个创业公司都能承受的。李开复认为，未来只有大厂才有能力做超大模型。
面对这样的形势，“六小虎”们也开始展现出不同的战略选择。马斯克旗下的xAI、OpenAI和Anthropic凭借高额融资在全球AI融资排行榜中斩获前三，而国内六小虎的融资额则相对较低。去年下半年以来，多家企业出现资金链吃紧的情况。零一万物选择放弃对超大参数规模模型的追求，转而专注于更轻量化、性能也不错的模型。据透露，零一万物的新旗舰模型Yi-Lightning的训练成本仅为GPT-4o的1/30。
同样地，DeepSeek-V3也凭借降低训练成本和出色的评测成绩，成为开源模型的新王者。该模型每训练1万亿token仅需要18万个GPU小时，相比之下，GPT-4o等模型的训练成本高达1亿美元。成本的下降，使得DeepSeek-V3的API调用价格更低，吸引了大量开发者。
其他公司也在探索不同的技术路线和商业化路径。智谱AI加大了对Agent的投入；阶跃星辰在B轮融资后将继续投入基础模型研发；月之暗面和MiniMax在C端市场表现强劲；百川智能则独辟蹊径，将AGI与医疗结合。
随着竞争的加剧，这些创业公司正面临着不同的挑战和机遇。像新能源汽车领域进入淘汰赛一样，AI大模型领域也正迎来这一关键时刻。
