近期，國產(chǎn)大模型領(lǐng)域呈現(xiàn)出“周周有新品、月月有突破”的井噴式發(fā)展格局，在通用模型、垂直場景及開源生態(tài)等方面均取得了顯著成果，令人目不暇接。

　　近日，交通運(yùn)輸部已啟動綜合交通運(yùn)輸大模型（簡稱交通大模型）建設(shè)工作，并組建工作專班，多次組織專題調(diào)研和論證，研究交通大模型架構(gòu)和建設(shè)路徑。

　　這一繁榮景象的背后，不僅有技術(shù)迭代的推動，更有政策與資本的雙重助力，同時在交通、能源等多個行業(yè)也涌現(xiàn)出諸多創(chuàng)新應(yīng)用案例。

　　交通運(yùn)輸大模型建設(shè)采用“1+N+X”體系，即基于1個通用基礎(chǔ)大模型，開發(fā)N個行業(yè)垂域模型，服務(wù)于物流調(diào)度、交通規(guī)劃、應(yīng)急響應(yīng)等典型場景。對物流行業(yè)意義重大，有望推動物流行業(yè)的智能化升級，提高運(yùn)輸效率和服務(wù)質(zhì)量。

　　2024年11月，深度求索DeepSeek-R1以數(shù)學(xué)推理和代碼生成能力為核心，借助強(qiáng)化學(xué)習(xí)顯著提升了性能，成為首個對標(biāo)OpenAI o1的國產(chǎn)深度推理模型。

　　第三方即配平臺順豐同城成為首批接入DeepSeek大模型的物流企業(yè)，將依托DeepSeek低成本、高性能、高開放度的三重優(yōu)勢，為順豐同城全場景業(yè)務(wù)和全生態(tài)鏈參與者提升智慧化賦能。

　　同期，阿里通義QwQ系列推出32B參數(shù)推理模型。12月，月之暗面Kimi-K1突破200萬字長文本處理能力，重點(diǎn)優(yōu)化法律合同解析與學(xué)術(shù)研究場景，成為長文本領(lǐng)域的標(biāo)桿。

　　今年2月，阿里通義Qwen2.5-Max基于MoE架構(gòu)的千億級模型，在Chatbot Arena盲測中綜合性能躋身全球前五，多模態(tài)能力顯著提升。華為昇騰DeepSeek系列接入國家超算互聯(lián)網(wǎng)平臺，實(shí)現(xiàn)低成本推理服務(wù)，獲微軟CEO納德拉公開認(rèn)可其計算效率。

　　一季度，MiniMax-Text-01和首個全國產(chǎn)算力訓(xùn)練的深度推理模型訊飛星火X1相繼問世。

　　我國通過政策引導(dǎo)和資本投入，大力推動算力基礎(chǔ)設(shè)施的規(guī)模化建設(shè)。如今，覆蓋全國的智算中心和算力網(wǎng)絡(luò)已初具規(guī)模，如合肥第二總部、中國移動“九天”大模型平臺等。

　　我國龐大的用戶基數(shù)和豐富的應(yīng)用場景，如電商、物流、工業(yè)等，產(chǎn)生了海量多模態(tài)數(shù)據(jù)，為AI大模型訓(xùn)練提供了豐富的“燃料”。同時，數(shù)據(jù)基礎(chǔ)設(shè)施不斷完善，MineData平臺、國汽智圖等通過數(shù)據(jù)脫敏、合規(guī)傳輸機(jī)制，有效解決了數(shù)據(jù)安全與隱私問題，加速了數(shù)據(jù)流通，使得數(shù)據(jù)能夠更好地服務(wù)于模型訓(xùn)練。

　　國產(chǎn)AI企業(yè)紛紛通過“芯片-框架-模型-應(yīng)用”全棧布局，形成閉環(huán)生態(tài)。京東物流超腦大模型與智能倉儲硬件實(shí)現(xiàn)端到端調(diào)度，提高了物流運(yùn)作的智能化水平。

　　供應(yīng)鏈各環(huán)節(jié)的智能化需求倒逼大模型技術(shù)創(chuàng)新。在制造業(yè)，AI大模型用于需求預(yù)測，菜鳥“天機(jī)π”將交付周期縮短；在物流領(lǐng)域，智能調(diào)度和OCR識別技術(shù)得到廣泛應(yīng)用，百度地圖物流大模型做到了運(yùn)輸成本的優(yōu)化。

　　國務(wù)院國資委將出臺專項(xiàng)支持政策，持續(xù)深化中央企業(yè)“AI+”專項(xiàng)行動，工信部“大模型產(chǎn)業(yè)化應(yīng)用”政策等為技術(shù)研發(fā)和場景落地提供了有力的政策支持。例如，北京市車路云一體化項(xiàng)目通過政企合作探索數(shù)據(jù)共享機(jī)制，推動了AI大模型在智能交通領(lǐng)域的應(yīng)用。

　　我國AI大模型的爆發(fā)是供應(yīng)鏈全鏈路數(shù)字化升級的必然結(jié)果。上游算力與數(shù)據(jù)的突破、中游技術(shù)生態(tài)的整合、下游場景需求的拉動，疊加政策與資本紅利，共同推動了國產(chǎn)AI大模型的快速發(fā)展。

　　AI大模型的爆發(fā)助推了我國全社會物流成本的有效降低。但在繁榮背后，也面臨著諸多隱憂與挑戰(zhàn)。

　　從技術(shù)層面來看，技術(shù)同質(zhì)化與資源分散問題較為突出。當(dāng)前，南宮28登錄入口大多數(shù)機(jī)構(gòu)研發(fā)的大模型集中于通用對話、代碼生成等場景，導(dǎo)致在這些領(lǐng)域競爭激烈，而在部分垂直領(lǐng)域，如農(nóng)業(yè)、能源等，仍缺乏高質(zhì)量模型。這不僅限制了國產(chǎn)大模型在更多行業(yè)的應(yīng)用，也造成了資源的浪費(fèi)。

　　同時，盡管國產(chǎn)芯片適配率有所提升，但大部分頭部模型仍依賴英偉達(dá)A100/H100進(jìn)行訓(xùn)練。華為昇騰等國產(chǎn)算力集群雖然取得了一定進(jìn)展，但尚未完全解決軟件生態(tài)兼容問題，這使得國產(chǎn)算力在市場競爭中處于劣勢。

　　訓(xùn)練資源的限制也是一大難題。據(jù)公開信息，訓(xùn)練GPT-4消耗了約2.4億度電，使用2.5萬塊英偉達(dá)A100 GPU（每塊功耗 400W），單次訓(xùn)練耗時3個月。

　　而國內(nèi)擁有1萬枚GPU的企業(yè)很少，且單枚GPU普遍弱于英偉達(dá)A100。由于英偉達(dá)A100及以上性能GPU被列入管制清單，中國企業(yè)能獲取的替代品為英偉達(dá)A800，但A800也存在缺貨和溢價的情況。這導(dǎo)致國內(nèi)大模型訓(xùn)練面臨硬件資源不足和成本高昂的雙重困境。

　　商業(yè)化與可持續(xù)性難題同樣不容忽視。多數(shù)廠商依賴API調(diào)用收費(fèi)，但DeepSeek- R1等開源模型的出現(xiàn)擠壓了付費(fèi)空間，得部分創(chuàng)業(yè)公司因資金鏈斷裂而退出市場。

　　面對這些挑戰(zhàn)，國產(chǎn)大模型需探索從“量”到“質(zhì)”的轉(zhuǎn)型路徑。國產(chǎn)大模型在取得一定成績的同時，需警惕低水平重復(fù)與資源分散問題。通過開源協(xié)作、數(shù)據(jù)共享與垂直深耕，推動從“量”到“質(zhì)”的轉(zhuǎn)型，才能實(shí)現(xiàn)可持續(xù)發(fā)展，在人工智能領(lǐng)域占據(jù)更有利的地位。