2024年，不少曾立下“做中国OpenAI”军令状的模型公司，开始打脸。
据《智能涌现》了解，被称为“AI六小虎”的6家中国大模型独角兽中，已经有两家逐步放弃预训练模型，缩减了预训练算法团队人数，业务重心转向AI应用。
（本文希望重点讨论国内AI公司对“预训练”大模型的路线选择，及其背后的思考与后续侧重点，为了不引起不必要的纷争，遂隐去放弃预训练模型的企业名称。）
赶大模型早集的百度，9月也一度传出“大概率放弃通用基础大模型研发，主要做应用”的消息。即便后续被百度辟谣，但“放弃预训练模型”，已经成了行业的一个转折点。
可以说，能让厂商上大模型牌桌的，就是“预训练”。所谓的“预训练（pre-train）”，就好比大模型的基础教育阶段，赋予模型海量而通用的知识，是决定模型性能最关键的阶段，也是模型厂商最核心的技术壁垒。
对于AI行业而言，随着第三方预训练模型的性能提高，应用层企业逐步放弃预训练模型，专注于让模型更懂用户的“后训练（post-train）”环节，是节省算力成本考量下的正常趋势。
2024年8月，硅谷的明星AI企业、角色扮演类应用的典范Character.AI，宣布放弃预训练，转向与第三方模型合作。他们在官方博客中给出的理由是：这使我们能够投入更多资源进行后训练，并为不断增长的用户群体创造新的产品体验。
然而，模型层企业放弃预训练模型，意味着主动走下AGI竞速的牌桌。
更何况，“自研预训练模型”的故事，曾在短短一年间，给这些模型层企业带来丰厚的融资、*的人才，以及市场的声誉。模型公司放弃预训练，戳破了AI技术的泡沫。
就如一位AI从业者对《智能涌现》所评价的那样：
“不少厂商从OpenAI身上得到的不是通往AGI的技术，而是盲目跟随的自信。”
但对于AI赛道而言，放弃预训练，也不算全然消极的信号。在资金、算力紧缺的当下，现有的大模型厂商，也开始对自身的能力和资源现状，进行了重新评估。
从模型转向应用，意味着在追赶AGI之前，AI公司先选择了活下去。
钱不够烧了，模型和产品二保一
狂堆参数的Scaling Law，目前是预训练的主流路径，同时也意味着高昂且持续的算力和数据投入。
马斯克曾估算，GPT-5的训练可能需要3万-5万张H100，仅芯片成本就超过7亿美元（约50亿元），几乎是百度一整个季度的净利润。
对于尚未盈利的创业公司而言，继续堆参数炼模型，筹钱首先就是一个难关。
据《智能涌现》了解，随着估值跨上200亿元台阶，国内大模型公司最新的单轮次融资规模在50亿元左右。估值的抬高，也会伴随着融资难度的加剧。
一名投资人告诉《智能涌现》，今年最后一季度，大模型独角兽不会再积极布局融资，“无论是企业还是一级市场，对下一轮融资都保持悲观”。
数十亿元的融资，模型厂商不仅要分摊给持续堆参数的模型训练，还要喂给不断烧钱营销、却盈利能力有限的AI应用产品。
当下，与OpenAI的技术差距仍然难以弥合，国产模型之间的性能，也尚未拉开鲜明的差距。不少国内模型厂商开始借助“数据+场景”的长板，在AI应用上发力，试图率先跑出AI时代的“微信”和“抖音”——就连ToB基因显著的智谱AI和百川智能，也先后推出了“智谱清言”和“百小应”等C端应用。
规模化的AI应用，逐渐代替了*的模型性能，成为模型厂商留在AI牌桌上的筹码。因此，用户数据，成了模型厂商不得不重视的指标。
《智能涌现》曾报道，月之暗面在B站给出的CPA（用户转化人均成本）报价高达30元左右。而另有知情人士告诉《智能涌现》，如今模型厂商最高的报价，来自于字节跳动的“豆包”，“几乎是Kimi报价的2倍”。
2024年以来投流刷脸的营销打法，让不少模型厂商的营销预算翻了数倍。营销价格水涨船高，但在AI产品差异化程度还不够的当下，砸钱买流量几乎是获客的*出路。
一家大模型独角兽的员工告诉《智能涌现》，公司曾在2024年中，中止了AI对话产品在部分社交媒体的投放，“当月获客数据立马变得很难看”。一个月后，公司又恢复了投流。
并不是所有的大模型公司，都能从暂无尽头的烧钱中看到希望。
如今，AI产品所消耗的推理成本，较一年前已经下降了近99%。但不少业内人士反映，模型的训练依然占算力成本的至少7成。
这意味着，放弃预训练模型，是资源紧缺的当下，*性价比的决定。
放弃预训练模型的其中一家独角兽，据多名知情人士透露，自2024年中，整家公司的目标重心已经放在了海外的AI应用产品，以及上市。
大模型公司，困在变现焦虑
为什么在模型和产品中选择舍弃前者保证后者？核心原因还是在于，目前靠大模型本身，没有明晰的变现渠道。
多名从业者对《智能涌现》反映，2024年开启的模型降价潮，并没有提高模型的营收能力。
“模型API的降价，本质上是为了让客户体验模型能力，并转化成本地部署等高净利业务的付费。”一名模型厂商大客户经理对《智能涌现》表示，“但表现没有达到预期，今年上半年大部分模型厂商的ToB业务，营收是砍半的。”
他记得，在一款模型宣布免费后，后台涌入了不少“白嫖”的开发者，“有一个做研究的开发者，一天用的Token数，就占了所有用户的60%。”
模型付费转化的失败，很大程度是因为，被称为“价格屠夫”的开源模型更强了。
随着Llama 3.1、Mistral Large 2、DeepSeek V 2.5等一系列开源模型，性能已经达到了叫板GPT-4，甚至GPT-4o的程度。
相对地，闭源模型的竞争力正在被削弱。“付费能力高的企业，一般有自己的技术团队，可以基于开源模型直接做开发。”上述大客户经理表示，对于技术能力不足的企业而言，“开源模型影响的是客户对模型价格的心理预期。”
一个典型案例是，2023年Llama 2发布后，某大模型独角兽接到的客户报价，直接砍了一个“0”。
模型变现能力不足，意味着当下模型厂商的现金流，几乎只能依靠融资，以及能够快速找到PMF（产品-市场匹配度）的AI应用。
但如今，能为模型厂商吸引到融资的，除了漂亮的用户数据，只剩下跃升的模型性能。
一名投资人告诉《智能涌现》，模型厂商谁能先把o1（OpenAI最新模型）的能力追平，一级市场还是会为其小沸一番。
但2024年，不少大模型厂商，已经卡在了技术的瓶颈。
GPT-4后，大模型技术的发展已经进入了深水区。9月，前OpenAI首席科学家Ilya Sutskever——他曾将Scaling Law成功使用在ChatGPT等关键模型上——在宣布成立新公司SSI时直言：“每个人都只说Scaling假设。但每个人都忽略了一个问题：我们到底在Scaling什么？”
大语言模型的迭代速度变慢、多模态仍处于攻坚早期，是模型赛道的现状。“GPT-4之前，OpenAI有公开的详细技术报告，大家还能对着‘抄’。之后技术报告不公开了，国内厂商的参考答案也没了。”一名从业者表示，“更何况，OpenAI的答案也不一定正确。”
一群失去方向的大模型公司，需要在技术的不确定性中，重新找到稳定性。
放弃预训练的模型厂商，抓住的是尚有盈利潜力的AI应用。多名知情者都对《智能涌现》表示，其中一家厂商的某款海外AI生产力工具产品，贡献2024年以来的大部分营收，“公司现在70%的人力都在做产品”——而这款出海应用的底层模型，也逐渐从自研的，换成了GPT-4和GPT-4o。
而另一家在国内靠ToB起家的模型公司，也在2024年中推出了生产力和娱乐相的C端AI应用。
剩下仍在坚持预训练的厂商，则开始在技术上降本增效。
一家模型独角兽的员工告诉《智能涌现》，今年公司在算力采购上很克制，计划先采取优化训练框架等方式，降低模型的训练成本。
再比如，OpenAI最新模型o1所采用的Self-play（自博弈）策略，能够在不增加参数的情况下提升模型性能，也成了不少模型厂商低成本训练模型的稻草。
对于整个AI行业而言，放弃预训练模型，并不是一个消极的信号。拾象科技CEO李广密近期也公开对外表示，未来80%的公司会放弃预训练，硅谷逐渐形成的共识是RL（强化学习）是接下来的突破点，能在控制算力成本的情况下，提升特定参数模型的能力。
这意味着从技术狂热重回理性后，厂商对技术范式和行业资源，开始重新思考和整合。
