简介

经过大规模预训练的大模型，能够在各 种任务中达到更高的准确性、降低应用 的开发门槛、增强模型泛化能力等，是 AI 领域的一项重大进步。大模型最早的 关注度源于 NLP 领域，随着多模态能力 的演进，CV 领域及多模态通用大模型也 逐渐成为市场发展主流。政企的极大关 注带动了行业领域大模型的高速发展， 逐渐形成了多模态基模型为底座的领域 大模型和行业大模型共同发展的局面。

伴随基于大模型发展的各类应用的爆发， 尤其是生成式 AI，为用户提供突破性的 创新机会，打破了创造和艺术是人类专 属领域的局面。AI 不再仅仅是“分类”， 而且开始进行“生成”，促使大模型带 来的价值进一步升级到人类生产力工具 的颠覆式革新。同时，数据规模和参数 规模的有机提升，让大模型拥有了不断 学习和成长的基因，开始具备涌现能力 （Emergent Ability），逐渐拉开了通用人 工智能（AGI）的发展序幕。

过去几年，国内外的 AI 厂商均在大模型 领域有所布局。OpenAI 在 2019 年发布了 GPT-2 大模型，国内互联网科技厂商也 集中在 2020-2022 三年期间相继发布了自 己的大模型。ChatGPT 的发布，掀起了 一波发展热潮，原有厂商基于自身大模 型开始推出一系列生成式 AI 应用，并对 外提供 API 接口。更多的创业公司、科 研机构和新的科技厂商涌入该市场，发 布相关的产品服务。 大模型人气高涨，吸引了用户的关注， 不仅是 CIO、CTO 等技术决策人员， CEO、CFO 等业务决策人员也同样希望 发挥此类模型在业务用例中的潜力。用 户关注度的跃升成为对厂商自身能力的 考验，前期已具备全栈大模型构建能力 的厂商开始显现积累优势。 为帮助用户了解国内大模型市场的发展 情况、厂商格局和竞争地位，沙利文研 究团队通过详实的访谈调研，对中国市 场提供大模型产品服务的厂商进行了深 入的分析和评估。

关键发现点

AI 大模型的高速发展离不开底层技术支 持和应用场景迭代。大模型作为 AGI 时 代的曙光，相关厂商也将迎来广阔的发 展空间。本报告将呈现从发展现状、驱 动因素洞察 AI 大模型厂商竞争与发展关 键点，并推演竞争格局的逻辑分析过程：

• 前瞻洞察：通向 AGI 的技术路径具 有多元性，目前大模型是最佳实现方 式。大模型具有强大的泛化性、通用 性和实用性，能够降低 AI 开发门槛、 提高模型精度和泛化能力、提高内容 生成质量和效率等多种价值，实现了 对传统 AI 技术的突破，并成为 AGI 的重要起点。进而将 AI 发展由数据 飞轮升级到智慧飞轮,最终迈向人机共 智。大模型和人类反馈的强化学习 （ RLHF ）的结合，进一步重构了 AI 开发范式，进入大模型主导的软 件 2.0 时代。另一方面，AI 开发则形 成新的“二八定律”，开发者的生产 力将得到极大释放。

• 驱动因素：大模型“基础设施 - 底层 技术 - 基础通用 - 垂直应用”发展路 线逐渐清晰，国内各厂商加速战略布 局，加大资金和技术投入，迎头赶上 全球大模型产业化浪潮，本土化大模 型迎来发展新机遇。整体上，行业驱 动因素主要包含三个层面:

（1）政策端：政策环境持续优化， 赋能AI 大模型市场高速发展。

（2）供给端： 下一代 AI 基础设施等 快速发展，助力大模型应用落地。

（3）需求端：AI 市场高景气，大模 型下*行游**业需求旺盛。

• 行业观点：大模型未来发展将趋于通 用化与专用化并行 、 平台化与简易化 并进。同时，MaaS 模式将成为 AI 应 用的全新形式且快速发展，重构 AI 产 业的商业化结构生态，激发新的产业 链分工和商业模式。未来，大模型将 深入应用于用户生活和企业生产模式， 释放创造力和生产力，活跃创造思维 、 重塑工作模式，助力企业的组织变革 和经营效率，赋能产业变革。

• 关键成功因素：大模型面临算力需求 大、训练和推理成本高、数据质量不 佳等挑战。一个可对外商业化输出的 大模型的成功，要求其厂商拥有全栈 大模型训练与研发能力、业务场景落 地经验、AI 安全治理举措、以及生态 开放性 4 大核心优势，才能保证其在 竞争中突出重围。其中，全栈大模型 训练与研发能力还包括数据管理经验， AI 基础设施建设与运营，以及大模型 系统和算法设计 3 个关键要素。

• 竞争格局：在竞争格局渐趋明晰的过 程中，相关厂商需跨越技术、人才、 资金等壁垒，在产品技术能力、战略 愿景能力、生态开放能力三大维度上 展开角逐。通过遴选，报告选择了 5 家大模型厂商，分别为商汤、百度、 阿里巴巴、华为、腾讯，评价模型包 含 15 个一级指标、56 个二级指标，对 厂商大模型的各个能力进行评估。

• 用户建议：通过此报告能够了解大模 型厂商的竞争态势，关注领先厂商， 内部创建大模型战略文件，明确其优 势、带来的风险和机遇，以及部署路 线图，针对具体的用例，权衡模型的 优势和风险，并选择合适场景试点、 评估大模型的应用价值。

章节一

AI大模型掀起时代浪潮，加速通用人工智能（AGI）时代的来临

• 以 ChatGPT 的发布为里程碑事件，AI 的发展进入到了继突破工业红线之后的，以 AGI 为发 展目标的全新通用智能时代。

• 大模型是通向 AGI 时代的最佳技术路径，并开始在以自动驾驶为代表的场景下所体现。同 时，大模型也带来了全新的 AI 开发范式，基模型 + 人工反馈闭环的模式给开发者带来了新 的“二八定律”。

• 生成式 AI 成为大模型能力应用的爆发点，以文生文、文生图等内容生成为代表的大模型应 用快速增长，并逐渐成为日益完善的生产力工具。

AI 大模型是人工智能预训练大模型的简称，包含了“预训练”和“大模型”两 层含义，二者结合产生了新的人工智能 模式，即模型在大规模数据集上完成预 训练后，仅需少量数据的微调甚至无需 微调，就能直接支撑各类应用。这些模 型通常具有多层神经网络结构，并使用 高级的优化算法和计算资源进行训练， 具有强大的泛化性、通用性和实用性， 可以在自然语言处理、计算机视觉、智 能语音等多个领域实现突破性性能提升。

AI 大模型是人工智能迈向通用人工智能的里程碑技术。以目前热门的 ChatGPT 为例，ChatGPT 的最大贡献在于基本实 现了理想 LLM 的接口层，能够使 LLM 自主适配人的习惯命令表达方式，由此 增加了 LLM 的易用性，提升了用户体验。 InstructGPT/ChatGPT 首先意识到这个问 题，并给出了相应解决方案，较之前 few shot prompting 方案更符合人类表达习惯。

人工智能发展进入以 AGI 为代表的新里程碑阶段

人工智能近年来高速发展，现已经进入 了以 AGI 为代表的新里程碑阶段。随着 AI 基础设施逐步完善，深度学习技术不 断进步，人工智能应用场景逐渐增多， 过去模型参数规模和数据量也实现了大 幅度增长，为 NLP、CV 等领域带来更 强大的表达能力和性能。人工智能发展 历程中主要有两大里程碑：

里程碑一：2012 年 CNN 获得 ImageNet 第一，标志着机器视觉识别能力开始逐 渐超越人眼识别准确率，开启了人工智能革命。随着深度学习技术不断突破， 诞生了一批“AI＋场景应用”的专属模 型，但是整体研发成本比较高、研发时 间比较长。

里程碑二：2022 年 ChatGPT 的出现， 掀起了又一波人工智能发展热潮，以大 模型 + RLHF 为核心的技术落地意味着 人工智能开启 AI 新范式。人工智能相关 产业开始基于强大的基模型进行发展， 通过人类反馈和强化学习不断解锁基模 型的能力，以解决海量开放式任务，带 来了新的研究范式。

通往 AGI 的技术路径多元，目前大模型是最佳实现方式（1/2）

AGI 技术能够精准识别人类情绪意图、 理解人类语言、学习人类知识并进行类 脑推理与创造。OpenAI 的 CEO 山姆 （Sam Altman）对 AGI 的定义相当明确： 如果 AI 模型具有一个“普通人”学习解 决问题的综合技能，能够在任何领域变 得优秀，那就拥有了 AGI。

大模型是目前通往 AGI 的最佳实现方式。 以 ChatGPT 为代表的人工智能技术已经 具备 AGI 的核心技术和特征，能够自动 化地学习任何可以符号化的知识及信息， 不断自我优化，充分理解和流畅表达人 类语言，同时逻辑推理能力强，实现了具备一般人类智慧的机器智能。

相较于过去 AI 应用与部署难以全面覆盖产业的短板，大模型能覆盖全产业流程 的每个环节。以自动驾驶场景为例，在 输入层，大模型能全链条覆盖感知环境，并生成大量实景图片。在输出 层，解码器负责重构 3D 环境、预测路 径规划、解释自动驾驶的动机等。大模 型能实现自动驾驶感知决策一体化集成， 更接近人的驾驶行为预判断，助于提升 自动驾驶的安全性、可靠性和可解释性。

通往 AGI 的技术路径多元，目前大模型是最佳实现方式（2/2）

AGI 将实现从“数据飞轮”到“智慧飞 轮”的演进，最终迈向人机共智。现有 AI 体系主要基于数据飞轮，AGI 催生了 新的研究范式——智慧飞轮，通过强化 学习和人类反馈不断解锁基模型新的能 力，以更高效地解决海量的开放式任务。

 数据飞轮：现有 AI 体系主要从前端 获取大量数据并进行人工标注，通过更新后的模型反馈到前端，以获取高 质量数据，但是研发时间长和成本高。

 智慧飞轮：AGI 体系则将实现人与模 型的互动，基模型将不断理解人的意 图以解锁更多技能，并能实现自动化 标注，成本约 AI 体系的 1%，有助于 推动数据进行快速迭代与优化，以输 出更高质量的智慧内容。

人工智能生产范式发生转变，新的“二八定律”形成（1/2）

大模型的出现，将重构人工智能生产范式。 传统的软件开发模式是通过任务/业务数 据集形成专属模型，小模型不断迭代，开 发人员用明确的代码去表达程序执行的逻 辑，而随着业务场景从通用场景发展到长 尾、碎片场景，该模式则逐渐显现出开发 成本高，精确度不佳等一系列挑战。 在大模型的加持下，逐渐形成围绕大模型 结合人工反馈强化学习为核心的软件开发 新范式，通过模型微调的手段，可以基于 超大规模基模型，打造出领域大模型或者 行业大模型，进而覆盖更多行业自场景。 与此同时，通过提示工程，只需用示例向 计算机表达预期目标，计算机将通过神经 网络自行找出达到目标的方法。

传统软件开发时期，解决单一问题的深度 学习方法与工业化小模型生产工具逐步成 熟，现阶段在一些垂直领域仍会应用，如 医疗影像、工业检测等。未来软件开发新 范式将是 AI 大模型驱动的商业模式与产 品设计的基础。 人工智能的小模型时代下，解决单一问题 的深度学习方法与工业化小模型生产工具 逐步成熟。在大模型时代，在 AI 原生基 础设施上，大模型即服务（Model as a Service) 结合数据反馈闭环是未来人工智 能大模型驱动的商业模式与产品设计的基 础，在此前景下，新范式将会更加注重基 础设施成本、算力与数据规模、以及实时 用户大数据的反馈和迭代。

人工智能生产范式发生转变，新的“二八定律”形成（2/2）

新的“二八定律”形成，AI 大模型将释 放开发者的生产力。在传统软件时代， 100% 的计算机代码由程序员编写程序逻 辑，计算机中约 20% 的指令承担了 80% 的工作。到小模型时代，AI 模型可以替 换 20% 的人工代码逻辑，但手工开发的 业务逻辑仍占到 80%。进入大模型时代， 未来软件 80% 的价值将由 AI 大模型提 供，剩余 20% 会由提示工程和传统业务 开发组成，新的“二八定律”由此形成。 大模型通过机器学习训练代码，直接生 成满足需求的程序代码。原特斯拉 AI 总 监 Andrej Karpathy 曾表示自己现在 80% 的代码由 AI 完成，而商汤内部实测日日 新大模型提升代码编写效率约 62%。

大模型不仅能生成代码，补全必要的代码 块 ， 还 能 够 保 证 一 定 的 准 确 率 。 DeepMind 的 AlphaCode 在 Codeforces 上 托管的 10 个竞赛中总体排名前 54%，清 华大学开发的多编程语言代码生成预训 练模型在 HumanEval-X 代码生成任务上 取得 47%~60% 求解率。基于大模型的 高精度代码生成，能够提高软件开发的 效率，标志着人工智能向 AGI 更进一步。

AI 大模型技术创新，助推生成式 AI 应用场景加速落地

伴随 AI 技术升级和大模型成熟，AI 绘画 与 ChatGPT 的成功破圈， 生成式 AI 技 术迎来发展拐点，行业关注度大幅提升。 生成式 AI 是指基于大模型、生成对抗网络 GAN 等人工智能技术，通过已有数据 寻找规律，并通过适当的泛化能力生成 相关内容的技术，可生成如图像、文本、 音频、视频等原创内容变体。例如，以 ChatGPT、Midjourney、文心一格、商汤 商量、Codex 为代表的生成式 AI 应用拥 有文本语言理解能力、涌现能力以及思 维链推理能力，能够完成文学创作、新闻写作、数理逻辑推算、代码生成、图 片生成等多项任务。目前，国内电商、 游戏、文娱、设计等行业正在积极使用 相关的生成式 AI 应用来提高自身工作效率，尤其以文生图应用为主。

生成式 AI 不仅能够增强并加速下游多领域的设计，而且有潜力“发明”人类可 能错过的新设计、新对象。生成式 AI 有 生成大规模、高质量、低成本内容优势， 在算力和算法支持下生成大量内容，生 成的内容质量将持续超越 UGC 与 PGC。 未来有望为各行业提供内容支持并促进 其内容繁荣，最大化释放内容生产力。 文字生成属于发展成熟、易于跨界转化 的赛道，而跨模态生成赛道的发展潜力 最高。生成式 AI 应用根据模态划分为文 字生成、音频生成、图像生成、视频生 成、跨模态生成。语音合成、文本生成、 图像属性编辑等技术应用目前较为成熟， 跨模态生成、策略生成是高增长潜力的 应用场景，在自动驾驶、机器人控制等 领域有极高应用价值，随着未来技术不 断发展成熟，预计 3-5 年可实现稳定落地。

章节二

大模型迎来发展新机遇，未来前景可期

关键发现

• 人工智能的政策引导逐渐覆盖到大模型生态，并开始出台相应的生成式 AI 监管建议，进 一步支撑大模型生态的有序发展；

• 大模型的神经网络架构和训练大模型的 AI 基础设施，均逐渐发展成熟，推动大模型的生 产更加系统化和工程化；

• 下游企业用户的 AI 部署需求进一步规模化发展，急需在上游大模型支撑下，获得 AI 应用 开发门槛降低，部署精度提高等基础价值，进而降低 AI 规模化部署的成本；

• 大模型的发展趋于通用化与专用化并进，平台化与简易化并进；

• 依托 Model as a Service，大模型建立起面向政企、消费者群体等差异化的商业模式，并逐 渐形成基模型、领域、行业大模型一体的商业化架构。

在“基础设施支撑 + 顶层设计优化 + 下 游需求旺盛”三轮驱动下，AI 大模型迎 来了良好的发展契机。 通过数据交互和任务反馈，优秀的大模型 能够赋能各行各业开放任务，满足对未来 AI 应用的期待。展望未来，大模型“训 练基础设施 – 底层技术 – 基础应用 –垂直应用”发展路线逐渐清晰，随着底层 技术逐步革新，基模型和领域大模型持续 完善，大模型应用边界不断拓宽，将加速 赋能交通、医疗、金融等各个行业和领域， 引发一场以强人工智能和通用人工智能为 代表的新一轮智能革命浪潮，大幅提高生 产和生活效率，带来深刻的经济、社会和 产业变革。

政策环境持续优化，助力 AI 大模型市场高速发展

从“十二五”到“十四五”规划，国家 从宏观层面上对人工智能新技术、新产 业给予巨大支持，顶层设计从方向性引 导到强调落地应用与场景创新，进一步 细化、深化。地方政府积极响应国家战 略，加快规划人工智能产业建设，如北 京市经济和信息化局发布《2022 年北京 人工智能产业发展白皮书》，支持头部 企业打造对标 ChatGPT 的大模型，着力构建开源框架和通用大模型的应用生态。 国家重视人工智能产业的安全可信和伦 理秩序，*会两**期间科技部部长十天两提 ChatGPT，强调规范科技伦理，趋利避 害。国家近日出台人工智能相关管理条 例，如《生成式人工智能服务管理办法 （征求意见稿）》，进一步促进 AI 技术 的规范应用和产业整体的高质量发展。

AI 基础架构及基础设施快速发展，助推大模型应用落地

从基础架构来看，Transformer 是 AI 大 模 型 演 进 的 基 础 。Transformer由论文 《Attention is All You Need》提出，是一 个新的简单网络架构，遵循 Encoder – Decoder 架构流程来实现结果，完全基于 注意力机制 ， 摒 弃 了 循 环 和 卷 积 。 Transformer 模型结构与基于 RNN 模型 结构相比，不仅提升了自然语言处理任 务的精度和质量，而且可并行化程度更 高，所需的训练时间明显减少，能够提 升 计 算 效 率 和 资 源 利 用 率 。 目 前 Transformer 已逐步取代 LSTM 等 RNN 模型，成为 NLP 问题的首选模型，并有 逐步统一图像处理等领域的趋势。可以 说，Transformer 促成了 GPT 和 BERT 两大 LLM 模型主流技术的出现。 BERT 使用掩码语言模型，可以双向处 理输入序列，适用于理解类或某个场景 的具体任务。GPT 使用自回归模型进行 语言建模，适合生成类以及多任务场景。

LLM 应该具备自主学习能力，理解人类 的命令，执行并完成尽可能多类型的任 务 ， 而 生 成 模 型 更 容 易 做 好 zero shot/few shot prompting 方式的任务，因 此当前几乎所有参数规模超过千亿的 LLM 模型都采用了 GPT 路线。

高效率、低成本、规模化的 AI 基础设施 成长迅速，帮助夯实大模型基础。底层服 务支撑层包含 AI 计算、存储、加速、容 器核心套件，能够提供高性价比的算力， 承载海量数据的处理、超大模型的训练和 推理。AI 开发平台层集成数据处理、模 型开发、部署运行、资产管控等功能工具， 能够围绕 AI 模型/算法的生命周期提供工 具，连接不同层次开发者对 AI 模型设计、 训练、部署等活动。大模型及服务层能够 提供基础大模型，应用于下游多个场景中， 且能够通过数据反馈实现模型的持续优化 迭代。如商汤 AI 大装置、百度 AI 大底座、 腾讯云新一代 HCC 高性能计算集群、字 节-火山引擎发布的高速训练引擎等，能 够提供大算力和大数据，实现高性能的模 型开发应用。

核心技术层协同发展，共同赋能 AI 大模型生态

AI 大模型的技术架构通常涉及多个层次， 可以分为基础层、技术层、能力层、应 用层、终端层五大板块，其中核心技术 层涵盖 AI 技术群和大模型的融合创新， 为各行业深度赋能。 基础层： AI 大模型的基础层涉及硬件基 础设施和数据、算力、算法模型三大核 心要素。随着 AI 大模型规模的不断扩大， 对计算资源的需求也在增加。因此，高 性能的硬件设备、海量场景数据、强大 的算力基础和升级迭代的算法模型成为 了支持 AI 大模型发展的关键。深度学习 模型的不断升级和迭代，增强了 AI 算法 的学习能力；同时，开源模式将使 AI 大 模型成为海量应用、网络和服务的基础 。

技术层： AI 大模型的技术层主要涉及模 型构建。目前， Transformer 架构在 AI 大模型领域占据主导地位，如 BERT、 GPT 系列等。AI 大模型 包括 NLP 大模 型、CV 大模型、多模态大模型等。这些 模型采用预训练和微调的策略，先在大 量无标注数据上学习语言或图像的基本 表示，然后针对特定任务进行微调。

能力层、应用层及用户层： 在基础层和 技术层的支持下，AI 大模型拥有了文字、 音频、图像、视频、代码、策略、多模 态生成能力等，具体应用于金融、电商、 传媒、教育、游戏、医疗、工业、政务 等多个领域，为企业级用户、政府机构 用户、大众消费者用户提供产品和服务。

AI 市场高景气，大模型下*行游**业需求旺盛

人工智能能够赋能经济社会发展各领域， 下游各个领域的产业升级对大模型的需 求持续走高。例如，在泛交通领域,人工 智能能够在自动驾驶、智能座舱、运行 管理优化等多个方面为汽车行业创造价值；在医疗方面，人工智能可以提高疾 病检测的效率以及医学影像领域的智能 化分析。据测算，2022 年中国人工智能 行业市场规模为 3,716 亿人民币，预计 2027 年将达到 15,372 亿人民币，有望在 下游制造、交通、金融、医疗等多领域 不断渗透，实现大规模落地应用。

下*行游**业对人工智能需求呈现出碎片化、 多样化的特点，从开发、精调、优化、 迭代到应用都需要投入巨大的人力和财 力，成本极高。而大模型能够向外赋能， 包括通过开放 API 的形式，降低 AI 应用开发门槛，提高落地部署效率和精度等， 进而降低 AI 规模化部署的成本，满足各 行业场景的应用需求,进一步推动人工智能进入工业化发展阶段。

大模型的多种价值，将加速人工智能的技术进步和规模化应用

AI 大模型具有降低开发门槛、提高模型 精度和泛化能力、提高内容生成质量和效率等多种价值，实现了对传统 AI 技术 的突破。一方面，大模型可以帮助降低 机器学习和自然语言处理应用的开发门 槛，能够对复杂的模式和规律进行更准 确的建模，通过不断地学习和更新自己 的参数来提高其性能和准确度，提高模型的精度，更好地泛化到新的数据集和 任务中。另一方面，大模型通常能够更 好地泛化到新的数据集和任务中，可以 提高内容生成质量和效率，例如生成对话、摘要、翻译等。除此之外，大模型的开源性和可复制性可以促进学术研究 的发展和技术的普及，增强生态繁荣度， 从而加速人工智能技术的进步和应用。

大模型将趋于“通用化”与“专用化”并行

AI 大模型未来发展将趋于通用化与专用 化并行。通用化是指模型能够适用于多 个领域和任务，而专用化则是指模型被 设计用于特定领域或任务。

AI 大模型将逐渐实现在多个领域和任务 中的通用性和灵活性，未来会有更多模 型被设计和优化用于特定的任务和领域。 受制于数据规模和模型表达能力的约束， 传统模型往往只能有针对性地支持一个 或者一类模态，而无法支持其他任务。 相比之下，AI 大模型得益于其“大规模 预训练﹢微调”的范式，可以很好地适 应不同下游任务，展现出强大的通用性。

通用大模型即为多模态基模型，偏重统 一架构、 统一知识表达、 统一任务。通 用大模型能够使用统一的模型框架，并 采用相同的学习模式，构建可适用于多 种模态的通用词表，将所有任务统一成 序列到序列任务。例如，GPT 系列模型 在自然语言处理领域的多个任务中都取 得了非常好的表现，包括文本生成、问 答、摘要、翻译等任务。同样，BERT 模型也被证明可应用于多种自然语言处 理任务中，包括文本分类、命名实体识别、问答等。

专用大模型则通过通用预训练和专用预 训练实现业务场景应用。专用大模型包 括领域大模型（如 NLP、CV 等）和行 业大模型（如金融、能源等）。例如， 近期彭博社发布了专门为金融领域打造的大型语言模型 （ LLM ） —— BloombergGPT。BloombergGPT 是专门 为金融领域开发的一种语言模型，可以 更好地处理金融领域的数据和任务。

大模型将趋于“平台化”与“简易化”并进

基于模型开发、场景适配和推理部署， AI 大模型未来将趋于平台化与简易化并 进，将形成全能简易开发服务平台。

大模型发展趋于平台化，主要是指提供 AI 模型开发和应用的完整解决方案。例 如 OpenAI 的 GPT-3 Playground，为开发 者和研究者提供了在线使用 GPT-3 模型 的平台。在 AI 加持下，GPT 内部插件 带来的用户体验优于直接使用外部的原 生应用，用户的使用场景得以迁移到 GPT 模型内部。目前插件商店内部的应 用主要由 OpenAI 邀请的第三方开发， 包括办公协作、电商、旅游等。随着外 部成熟应用的交互圈层扩大，GPT 与用 户日常生活将结合得更加紧密，参考移 动互联网时代的端转手趋势，主流应用

即将展开向 AI 平台的迁移，即迅速适应 并布局 GPT 内的 AI 插件，探索 AI 加持 下自身应用的新场景。这些应用可以依 赖 GPT 的 AI 技术提高用户体验，而 GPT 则借助这些应用吸引更多用户，网 络效应进一步加强了这种相互促进的趋 势，从而提升 GPT 平台的生态价值。

大模型的简易化则指使模型的使用更加简单易懂。AI 大模型突破传统 AI 适用 性弱的局限，传统的 AI 模型通常只针对 性的针对一个或者一类任务，而 AI 大模型中大规模的参数量可以提升模型的表 达能力，更好的建模海量训练数据中包 含的通用知识，通过“预训练+微调”， AI 大模型已经具有强大的通用性，例如， ChatGPT3.0 通过 prompt-tuning 免去微调 步骤，为开发者和用户提供了更加便捷 的 AI 技术应用方式。

大模型发展路线逐渐清晰，MaaS 将重构商业化生态（1/3）

大模型“训练基础设施–底层技术–基 础应用–垂直应用”发展路线逐渐清晰。

大模型以训练基础设施及底层技术构成 的技术底座为基点，在海量通用数据上 进行预训练，集成多样化的 AI 核心技术， 构建具有泛化能力的多模态基大模型以 及领域大模型，如 CV 大模型、NLP 大 模型、多模态大模型等。随着多模态能力的演进，CV 领域及多模态通用大模型 将逐渐成为市场发展主流。

领域大模型能够结合垂直场景及应用行业需求进行模型微调和应用适配，结合 ToC 端用户交互数据或 ToB/ToG 端行 业专业知识，为下游 C 端业务场景和 B/G 端商业生态进行技术赋能，助力大 模型不断向上生长。 国内大模型商业应用大幕徐徐拉开，厂商加速战略布局，加大资金和技术投入， 持续打磨大模型，迎头赶上全球大模型 产业化浪潮。

大模型发展路线逐渐清晰，MaaS 将重构商业化生态（2/3）

MaaS，即 Model as a Service，能够降低 AI 应用开发门槛，重构 AI 产业的商业化结构生态，激发新的产业链分工和商业模式不断涌现。MaaS 将可能成为未来大模型的主流商业模式。

MaaS 模式将由基础层、中间层以及应用层三部分组成：

• 基础层将提供多模态基模型以及 CV、 NLP、多模态等领域大模型，输出泛化能力，对外开放大模型的调用接口；

• 中间层将付费使用接口，直接调用基础模型，基于行业特色数据与知识进行精调开发行业大模型，精准适配 AI 具体应用需求，如汽车领域的自动驾驶、医疗领域的蛋白质解析等，以及企业私有模型；

• 应用层上将进行多样化的 SaaS 应用以及新一代智能硬件的开发，杀手级应用、现象级产品未来将有望出现。

基础层需要具备大算力、大数据、强算法等核心技术能力，是科技巨头以及部分科研机构高校的竞赛。基础层以上，包括中间层和应用层，将存在巨大的商业机遇， 不仅限于科技巨头，各类公司都将有机会拿到入场券。创业公司更多的机会也在基础层以上，在大模型精调、应用开发、边缘模型部署等领域参与到 MaaS商业化生态，例如基于Stable Diffusion设 计的 Riffusion 音乐创作工具等 AI-enabled 的各类软件。能够实现最后一公里商业化落地的公司更有望脱颖而出。

大模型发展路线逐渐清晰，MaaS 将重构商业化生态（3/3）

MaaS 模式在 B/G 端和 C 端的商业化落地有所区别。

• C 端用户量巨大，工具使用门槛较低， 落地以及未来成长速度更快，“应用 商店”等创新商业模式不断涌现。通过“对话+插件”形式将大模型单点工 具接入厂商自有或第三方应用，将打 造新的用户交互界面和入口。目 前 Chat-4 已应用于微软必应搜索引擎， ChatGPT 接入第三方网上购物及机票预订等平台、阿里巴巴“通义千问” 大模型将连接旗下所有产品。插件形式将覆盖用户生活的方方面面，打造完整的生态系统。而随着 Adept 等无需 App 交互，自动执行操作响应用户 需求的产品出现，未来 MaaS 模式下 C 端商业化落地形式将不断创新，颠覆传统，具有广阔的想象空间。

• B/G 端需要针对行业领域和业务场景 进行大量工程工作，尤其是传统行业 的知识获取和积累需要较长时间，即使是同一个行业下，细分场景的痛点 不同，AI 大模型渗透率也有明显差异。 应用场景碎片化的特点导致低成本、 易用、泛化能力较强的能力平台构建 需较长周期，但 B/G 端客户付费能力 更强，未来盈利空间及成长空间广阔。 据分析，从美国市场看，目前 ToB 应 用的数量大于 ToC 应用，通用工具数 量大于具体场景应用数量主要集中于 市场销售、客服/CRM/CEM、企业内 部生产力工具等。

未来 B/G 端市场，MaaS 落地的主流商业模式将按照数据请求量和实际计算量计算。 通过对外开放大模型的 API 调用接口，让 开发者灵活地使用基模型服务，典型案例是 GPT 基于对外 API 的收费模型。基于此，垂直行业厂商可以提供 SDK 产品或 一体化落地解决方案变现。大模型厂商也 可以通过推出 ToB/ToG 的单点工具，按 文本、图像或语音等不同形式的内容量收费，如 DALL·E 可以根据每张图片的分 辨率和请求计算量计费。 未来 C 端市场，MaaS 落地的主流商业模 式为软件订阅费用，以及第三方 App 的 推广和订阅分成费用。基础层大模型厂商可以基于大模型推出类似 ChatGPT 的单点工具，以月度或年度订阅费提供产品功 能使用，为用户提供灵活和便捷的购买方式。未来盈利模式也将可能向 App Store 式靠拢，通过排行榜、广告位等收取费用。

章节三

AI 大模型挑战犹在，企业发展仍需迎难而上

关键发现

• AI 大模型面临算力需求大、训练和推理成本高、数据质量不佳、隐私和安全问题等挑战；

• 大模型考验全栈大模型训练与研发能力，如数据管理经验、算力基础设施工程化运营能力、 底层系统优化和算法设计能力等，而厂商过往技术积累的 know-how 能够成为关键优势；

• AI 大模型厂商积极探索大模型的商业化应用，在实践中积累海量多元数据以及业务场景 落地经验，能够帮助大模型加速走向产业；

• 大模型厂商构建数据安全等 AI 安全治理举措，能够保证 AI 大模型进入市场并商业化应用 的可靠、可信，推动 AI 技术可持续发展； • 生态开放性的高低程度决定了大模型厂商能否成功打造“技术-商业”闭环。

技术和安全伦理等层面的多重挑战，成 为大模型发展和应用道路上的阻碍，考验大模型厂商的技术和 AI 治理能力。 大模型厂商在数据管理、AI 基础设施建 设与运营、模型系统和算法设计等全栈 大模型训练与研发能力的积累对于大模型的开发落地不可或缺。基于繁荣的开 源生态，厂商近年来业务场景落地经验 的沉淀，能够孵化迭代更优秀的技术产品。在先进且持续的 AI 安全治理举措的加持下，AI 大模型厂商能够规避 AI 技术对伦理秩序的破坏，推动大模型的商业化落地。掌握关键成功因素，大模型 厂商将构筑竞争优势，在市场上展开角逐。

AI 大模型发展面临多重挑战

“算力刚需+成本高企”拔高行业进入门槛。大模型的训练成本包括 GPU 等算力芯片成本、服务器成本、标准机柜成本、 训练时长内的电力消耗费用、人力投入费用等。以 ChatGPT 为例，ChatGPT 每日处理 1300 万独立访问量，需要 3 万+片 NVIDIA A100 GPU 以庞大的计算和存储资源支持，初期投入高达 8 亿美元。而据估算，1750 亿参数的 GPT-3 的总训练成 本高达 1200 万美元。

“优数据+强算法”为大模型开发训练的两大关键点。From Big Data to Good Data， 以数据为中心的 AI 对数据质量、数据隐私和安全提出更高的要求。大模型的输入数据通常有重复、文本格式多样化、非文本内容多等噪声问题，容易对大模型的训 练及模型质量造成不良影响。而除公开训练文本数据集外，其他输入侧的数据需要数据主体的授权，且大模型过度依赖训练 数据，在数据输入层面可能会存在舆论操控、虚假信息、隐私泄露等风险。此外， 算法能力的持续优化、算法的可解释性都将对厂商的技术能力和 AI 治理能力产生 更大的考验。

高稳定性需求考验厂商实操经验及系统工程能力。训练过程中易出现不稳定现象， 如训练不收敛、调试困难等。训练时大模 型还常遇到“梯度爆炸”或者硬件故障造 成机器过载迭机，以前迭机频率是 10 分 钟一次，会牵连整个系统受到影响，成为 厂商技术经验的挑战之一。

全栈大模型训练与研发能力成为厂商关键优势之一

超大规模模型全栈大模型训练与研发能力， 如数据管理经验、AI 基础设施建设与运 营、大模型系统和算法设计等，而厂商过 往技术积累的 know-how 能够成为关键优 势。 厂商过往大量的实验研究和经验积累，能 够在大模型数据的标注、评测、调优，数 据训练时的先后顺序以及选择性上起到重要作用，并基于此训练出优秀的大模型。

厂商的充足基础计算资源储备将成为大模型的强力底层支柱。大模型的基础条件是 算力资源，模型训练往往需要几千甚至上 万张卡来完成，而 A100 等海外芯片的储 备、国产芯片供应把控、自研算力基础建 设等，能够有效支撑厂商训练开发大模型。 厂商在大规模分布式训练的运行和调度的 工程经验，能够帮助提升模型训练的速度 和精度。AI 计算能力不仅仅依赖于算力 堆叠，随着数据量的不断增加，超大模型 训练需要提升训练速度，减少训练时间， 因此需要将数据和计算负载切分到不同设备上，降低设备间通信所需的代价，在多张卡上实现超大规模并行计算。在模型并行、流水并行、数据并行等分布式训练的 基础上，还需要考虑计算、存储、网络以 及上层的框架等各个环节全面协调配合， 考验的是厂商全栈全流程的综合能力。

厂商过往的技术以及工程经验积累能够能够 在通讯、计算、调优等方面起到关键作用。 厂商优秀的系统架构和高性能网络架构设 计能够高效连接 GPU，保证多卡并联的 计算效率，而硬件集群管理和软件框架设 计能够提高硬件的可靠性和软件的容错度。 例如，商汤在底层训练系统优化、模型设 计、模型训练、模型优化、模型服务等方 面均储备了技术能力和经验知识，目前在 千卡级能够达到 90% 以上的线性度，并 且可以做到七天以上的不间断稳定训练； 腾讯新一代 HCC 高性能计算集群基于自 研的星脉高性能计算网络、存储架构、 TACO 训练加速引擎等，能够带来 3.2T 超高互联带宽 TB 级吞吐能力和千万级 IOPS。

业务场景落地经验为大模型应用打下商业基础

AI 大模型厂商积极探索大模型的商业化 应用，在实践中积累业务场景落地经验 和海量多元数据，能够帮助大模型加速走向产业。 在 ChatGPT 掀起大模型浪潮前，国内 AI 大模型厂商已有各自的预训练模型，基 于深耕的业务场景探索大模型的商业化 落地应用。百度 2019 年发布自研的中文 预 训 练 语 言 大 模 型 ERINE 1.0 以 及 ERINE 2.0，能够直接在度小满的风控识 别等性能不敏感的场景中直接使用，也 可以应用于其搜索引擎业务，在搜索问 答 Query 识别和 QP 匹配场景中，赋予召回系统强大的语义匹配能力，提升召回 率约 7%。

而阿里达摩院在 2021 年发布超大规模多模态预训练模型 M6，结合自身电商背景，通过 M6 大模型优异的文生图能力，将其落地于天猫虚拟主播、 服饰设计等 40 多个创造相关场景，应用 于支付宝、淘宝、犀牛等平台，参与跨 模态搜索、文案撰写、图片设计等工作。 厂商前期的业务实践能够积累多元化的 海量数据，不断训练迭代大模型，推进大模型的商业化落地。数据一方面来源 于公开训练集，另一方面则源于原有业 务沉淀的私有数据，如百度的搜索引擎 数据、百度智能云的行业数据，商汤的 自动驾驶图像数据等。厂商的业务积累 能够储备业务场景相关的数据，在数据 量和丰富度上掌握优势，实现对大模型 更进一步的专业训练，满足特定领域对 准确度等方面的要求，推动大模型在行 业级、产业级中的应用赋能。

AI 安全治理举措规范大模型商业化落地

大模型厂商构建 AI 安全治理举措，有助 于 AI 技术的可靠、可信以及可持续发展。 厂商在推出大模型前充分的 AI 安全治理 的思考和持续性的洞察输出，能够保证 在大模型推向市场时，即将其纳入原有 的规范流程中，以实际行动践行并不断 更新理念，进而构筑治理闭环。 企业在人工智能领域具备覆盖全生命周 期的数据安全能力是应对数据风险的基础。大模型厂商在数据采集、数据分析、 数据处理、数据资产管理等环节建立相 应的责任和评估机制，防止数据滥用、 恶意入侵等风险，进一步实现数据的高质量利用，促进大模型的准确度以及可信性。

厂商 AI 伦理研究和敏捷治理工作能够促 进 AI 大模型健康发展。由于 AI 技术发 展迅速，而法律制度的建立需要更加谨 慎的考量，往往政策出台落地需要较长 的时间，因此企业需要自我规制，承担 更大的社会责任感，通过加强制度建设、伦理联合研究、伦理风险审查及风险控 制机制设立等措施，统筹推进伦理治理 工作体系建设，并与政府、学术研究院 等多方合作建立治理框架，系统性应对 数据、算法及应用等不同层面的人工智 能伦理风险，推动 AI 大模型及 AI 行业 可持续发展。

生态开放性帮助大模型厂商打造“技术-商业”闭环

大模型的生态开放性高低程度决定了大 模型厂商能否成功打造“技术-商业”闭 环。所谓的开放性能够体现在大模型的开源、生态圈的打造等方面。

一方面，大模型的全面开源和基础设施能力的开放能够孵化更强的技术产品， 加速商业化落地。大模型厂商通过投入 自有研发资源，主动拥抱开源体系，接 受监督，升级为开源社区的引领者，而 庞大的开发者群体能够以贡献源代码的方式为大模型注入创新动力，完善大模 型底层架构的同时，提高大模型架构的 拓展性，满足多生态的互相调用。如智 源研究院建立 FlagOpen 大模型技术开源 体 系 、 已 在 通 用 视 觉 开 源 平 台 OpenGVLab 开源的商汤的“书生 2.5” 多模态通用大模型、阿里巴巴达摩院推出 的 中 文 模 型 开 源 社 区 “ 魔 搭 ” （ModelScope）等，均致力于以开源的 形式加速大模型的发展迭代，推动通用 AI 技术的规模化应用。

另一方面，大模型生态圈的建立能够提高产品兼容性，并以数据反哺模型加强迭代。从产业链来看，大模型和上游合 作能够提高大模型的对软硬件适配性， 大模型和下游的生态合作能够拓展 C 端 和 B/G 端的应用，以更多的用户需求反 馈规划基础模型和行业模型的迭代方向， 增强用户和客户持续使用的信心，帮助 大模型厂商构筑竞争壁垒。长期广泛地 适配各种类型的场景，开发者、高校、 国家实验室、算力联盟机构等生态的汇 聚，能够改善模型能力，提升 AI 大模型 的价值和意义。

章节四

中国 AI 大模型主要厂商竞争力评价

评价门槛

本次评估模型设立“中国市场落地”、 “全栈能力”“商业基础”、“产品市 场”、“沙利文研究视野”五项基线， 同时满足这五项基线要求的大模型厂商， 将入围竞争力评估。

中国市场落地：截止目前，海外大模型 厂商尚未在中国落地，其产品服务和生 态圈打造等关键能力在中国市场均有缺 失，而非官方渠道使用相关服务的企业 将面临高风险。例如，OpenAI 尚未向中 国用户开放 ChatGPT 及 GPT-4 服务，类 似的情况同样出现在谷歌、Meta 等大模 型厂商提供的相应服务上。相较而言， 接入国产及自主研发的大模型更加现实、 稳定且具有可控性。

全栈能力：大模型服务考核厂商从算力 基础设施、深度学习框架到算法设计优 化的全栈大模型解决方案能力，以及相应的工程化和运营经验与水平。因此， 入围的厂商应具备相关全栈能力，如应有自建且自运营的算力基础设施、领先 的算法设计等能力。

商业基础：大模型厂商在技术层保持投入的同时，还应拥有大模型商业输出能 力的积累，将大模型技术赋能现有业务 之中，积累行业 know-how 和应用认知， 应对大模型市场的爆发性增长和颠覆式创新时具备稳定性。

产品市场：在行业赛道日趋拥挤的情况 下，厂商目前需已有成形的大模型和商业化产品，入场竞争博弈，保持先发优势，后续以获取的用户和行业数据不断 迭代优化大模型。

沙利文研究视野：本篇报告将集中于沙利文认为重要的，并且有大量企业客户 关注和向沙利文问询的大模型厂商，其市场影响力较大，且发展方向符合沙利文洞察的大模型行业未来趋势。

评价模型及指标体系

三方维度诠释主要厂商综合竞争力

• 产品技术能力：训练数据、算力支撑、 模型开发等多个维度决定了 AI 大模 型的性能效果和应用表现。产品能力 越强，则证明该厂商大模型的底层技 术越坚实可靠、应用服务表现越好。

• 战略愿景能力：主要从风险缓解措施、 市场认知与理解等多个评价指标衡量 大模型厂商的战略愿景。此维度得分越高，代表厂商战略愿景完整性越高。

• 生态开放能力：主要从生态开放性、 生态体系建设、联合创新这三个维度 来评价大模型厂商的生态能力。生态 能力越强，则证明该厂商大模型的开 放性程度越高、产业协作能力越强。

评价模型及指标体系

三方维度诠释主要厂商综合竞争力

评价模型及指标体系

部分指标中的厂商基本情况

综合竞争力表现

本报告将根据最终评价的 AI 大模型在产品技术能力、战略愿景能力、生态开放能力三个维度的综合表现对比相关厂商在 AI 大模型领域的综合竞争力

中国主要 AI 大模型厂商介绍

商汤：SenseCore 商汤 AI 大装置 + 商汤日日新 SenseNova大模型体系

◼ 从基础设施到模型研发的全栈能力

基于“大模型+大装置”的技术路径，商汤推进 AGI 为核心的发展战略。商汤领先发布 “日日新 SenseNova”大模型体系，提供自然语言、内容生成、自动化数据标注、自定义模型训练等多种大模型以及能力，结合决策智能大模型，为 AGI 实现提供重要起点。除 语言大模型“商 量 SenseChat”外,“如影 SenseAvatar”、“琼宇 SenseSpace”、“格物 SenseThings”、“秒画 SenseMirage”一系列生成式 AI 模型，能够在文生图创作、2D/3D 数字人生成、大场景/小物体生成实现应用。

历时五年，商汤建设了 AI 大装置，成为国内稀缺大模型建设基础设施，并以此作为打造 AGI 时代的底座。基于大装置，商汤拥有了大模型生产的核心平台，不仅对内支持打造 了日日新大模型体系，同时具备对外提供大 模型训练赋能的服务，包括从工程开发到生产部署，截止目前，已经服务 8 家大型客户。

◼ 具有前瞻性的开放生态

商汤开源多模态多任务大模型“书生 2.5”， 具有 30 亿参数，全球开源模型中 ImageNet准确度最高、规模最大，同时也是物体 检测标杆数据集 COCO 中唯一超过 65.0 mAP 大模型 。 商 汤 构 建 了 包 括 OpenMMLab、OpenDILab、OpenXRLab、 OpenPPL 在内的开源算法框架体系，与 业界共享创新成果。 商汤积极助力国产芯片厂商，提高 GPU 的训练能力，并合作上线大模型推理服 务，攻关千卡国产训练集群，大装置已 完成 58 款国产芯片的适配与应用。

◼ 体系化研发能力下产业应用积累

商汤构建了从底层训练系统到算法设计优化 的体系化大模型研发能力，如兼容解码建模 Uni-Perceiver，将不同模态数据编码到统一表示空间，统一不同任务范式，从而以相同架 构和共享的模型参数同时处理各种模态和任 务；采用更先进的大模型结构设计与大 batch 训练优化算法，使得“秒画 SenseMirage”模 型参数量为 Stable Diffusion 数倍，且具备更 优的文本理解泛化性、图像生成风格广度以 及图像高质量生成细节。

商汤通过 API 对外提供大模型服务，同时也 将其作为自身业务创景创新提效的发动机。 “商量 SenseChat”具备多轮对话和超长文本 的理解能力，并支持编程助手，可帮助开发 者更高效地编写和调试代码等一系列创新应用。另外，商汤将大模型的能力全面赋能自 身的业务体系，围绕智慧商业、智慧城市、 智慧生活和智能汽车四大关键领域，构建 AGI 核心能力。目前商汤超大模型已经覆盖 公司核心业务，有 20+落地场景大模型交付， 5+ 个项目生产 Serving 交付。

中国主要 AI 大模型厂商介绍

百度：AI 大底座+文心大模型

◼ 产业级知识增强大模型，夫嫩行业大模型发展

百度文心大模型源于产业、服务于产业， 是产业级知识增强大模型。百度通过大模 型与国产深度学习框架融合发展，打造了 自主创新的 AI 底座，大幅降低了 AI 开发 和应用门槛。文心大模型一大特色是“知 识增强”，百度自研的多源异构知识图谱 拥有超过 5,500 亿条知识，被融入到文心 大模型的预训练中。文心大模型凭借海量 数据和大规模知识的融合学习，能实现更 高的效率、更好的效果、更强的可解释性

◼ 大模型架构分三层体系

百度文心构建了文心大模型层、工具与平 台层、产品与社区三层体系：建设更适配 场景需求的基础、任务、行业三层大模型体系，提供全流程支持应用落地的工具和方法，孵化基于大模型的任务系统与创新产品。目前文心大模型已经建设了 36 个 大模型。文心 API 和提供全流程开箱即用大模型能力的 EasyDL 和 BML 开发平台， 全方位降低应用门槛；新增产品与社区层， 包括“文心一格”、“文心百中”和旸谷 社区，让更多人零距离感受到先进的 AI 大模型技术带来的新体验。

◼ 飞桨平台助力大模型落地

预训练大模型市场正处于高速发展阶段， 需要解决差异化水平下开发者和企业的应 用需求。百度飞桨深度学习平台向下适配 各种硬件，支持文心大模型的开发、高性 能训练、模型压缩、服务部署的各种能力， 贯通 AI 全产业链，串联起全栈化的产业 生态体系。文心大模型+飞桨深度学习平 台生态共享，在市场生态方面持续发力以 百度飞桨为代表的国产开发框架已经逐步 与产业融合，在社区生态建设上持续发力。

文心大模型是飞桨模型库的重要组成部分， 与飞桨共享生态，包含产业级知识增强大模型体系，以及工具平台、API 和创意社区助力大模型的高效应用。飞桨深度学习 平台能助力解决大模型研发和部署的各类 问题，大模型使得 AI 模型的研发门槛更 低、效果更好、流程更加标准化，硬件厂商、开发者以及模型应用企业在文心+飞 桨生态中，紧密链接、相互促进，形成共 聚、共研、共创的健康生态。

◼ 拓展产业链生态，赋能大模型

百度聚焦生态的打造，积极拓展生态伙伴， 协力推动行业发展。百度文心联合深圳燃 气、吉利、泰康保险、TCL、上海辞书出 版社等各领域的企业发布了行业大模型， 覆盖电力、燃气、金融、航天、传媒、城 市、影视、制造、社科等领域，加速推动 行业的智能化转型升级。目前生态已凝聚 535 万开发者，服务 20 万家企事业单位， 与 12 家硬件伙伴联合发布飞桨生态发行 版，推动深度学习平台与更多硬件适配； 还与国内科研院所、实验室以及高校强强 联手，一同攻克 AI 技术难关，目前已赋 能 389 所高校，服务 747 名教师，学分课 培养 10 万余名 AI 学子 。

阿里：M6-OFA +“通义”大模型系列

◼ 统一底座为基础，构建层次化 的模型体系 阿里巴巴通义大模型以统一底座为基础， 构建了层次化的模型体系，其中通用模型 层覆盖自然语言处理、多模态、计算机视 觉，专业模型层深入电商、医疗、法律、 金融、娱乐等行业。通用与专业领域大小 模型协同，让通义大模型系列可兼顾性能 最优化与低成本落地。

自 2020 年起阿里先后发布多个版本的多 模态及语言大模型，在超大模型、低碳训 练技术、平台化服务、落地应用等方面实 现突破。通义大模型系列已在超 200 个场 景中提供服务，实现了 2%～10% 的应用 效果提升。为加快大模型规模化应用，达 摩院还研发了超大模型落地关键技术 S4 框架，百亿参数大模型在压缩率达 99% 的情况下多任务精度可接近无损。

◼ 关键技术开源，丰富合作生态

通义大模型系列中语言大模型 AliceMindPLUG 、 多 模 态 理 解 与 生 成 统 一 模 型 AliceMind-mPLUG、多模态统一底座模型 M6-OFA、超大模型落地关键技术 S4 框架 等核心模型及能力已面向全球开发者开源。

华为：ModelArts + 盘古大模型

◼ 全栈式 AI 解决方案助力 AI for Industry & AI for Science

华为云于 2020 年内部立项 AI 大模型，并 于 2021 年 4 月正式对外发布盘古预训练 大模型，强调模型数据、网络结构、泛化 能力三大核心设计。华为云规划“L0 基 础大模型-L1 行业大模型-L2 细分场景大 模型”的发展路径。L0 阶段的盘古大模 型由 NLP 大模型，CV 大模型、语音大模 型、多模态大模型、科学计算大模型等组 成，其中 CV 大模型超 30 亿参数，预训 练时输入 10 亿级图像数据，兼顾图像判 别与生成能力；NLP 大模型具备领先的 中文语言理解和模型生成能力。L1 阶段， 基于已有的行业基础，华为云推出盘古气 象大模型、盘古矿山大模型、盘古 OCR 大模型等行业大模型，能够在 L2 阶段的 煤矿场景下的瓦斯浓度的超前预警、气象 领域的天气预报等多个细分场景实现落地。 华为云聚焦全栈式 AI 解决方案，大模型 与昇腾 （ Ascend ） / 鲲 鹏 芯 片 、 昇 思 （MindSpore）语言、ModelArts 平台深度 结合，以算力底座、服务器、全场景深度 学习框架及开发平台共同助力大模型发展。

◼ 拓展产业链生态，赋能大模型

华为云积极拓展产业链上下游生态，通过鲲鹏凌云等合作伙伴计划，在算力、软硬 件等方面建立生态伙伴网络，为 AI 大模 型持续赋能，同时华为云与下游厂商联合发布行业解决方案，推动 AI 大模型商业化落地。

腾讯：HCC 高性能计算集群+混元大模型

◼ 新一代 HCC 高性能计算集群为大模型提供底层支持

2022 年 4 月，腾讯首次对外披露混元 AI 大模型，协同了腾讯预训练研发力量，以 统一的平台实现技术复用和业务降本，支 持更多的场景和应用。当前，混元 AI 大 模型完整覆盖 NLP 大模型、CV 大模型、 多模态大模型、文生图大模型及众多行业 与领域任务模型 ， 先后在 MSR-VTT、 MSVD 等五大权威数据集榜单中登顶，实 现跨模态领域的大满贯。目前，HunYuan

NLP 1T 大模型已在腾讯多个核心业务场景落地，并带来了显著的效果提升。近日 腾讯正式发布全新的 AI 智能创作助手 “腾讯智影”，推出了智影数字人、文本 配音、文章转视频等 AI 创作工具。 2023 年 4 月，腾讯云发布的新一代 HCC 高性能计算集群将为混元大模型提供底层 支撑。新一代集群基于自研星脉高性能计 算网络及存储架构，集成了腾讯云自研的 TACO 训练加速引擎，大幅缩短训练时间， 节约训练调优和算力成本。腾讯太极机器 学习平台自研的训练框架 AngelPTM，也 已通过腾讯云TACO 提供服务，帮助企业加速大模型落地。

◼ 用户生态繁荣，促进模型迭代

腾讯在社交、阅读、游戏等领域拥有庞大 用户群体与强大生态，具有丰富的语料资源、数据积累和场景优势。腾讯高级执行 副 总 裁 汤 道 生 表 示，腾 讯 正 在 研 发 类 ChatGPT 聊天机器人，将集成到 QQ、微 信上。目前在智能写作、AI 绘图、游戏 场景生成等方面都有新产品发布或迭代升级，有望助力其大模型在自有生态中快速迭代成长。

附录

名词解释