2024年大模型落地与前沿趋势研究报告

大模型市场落地概况总结

大模型业务模式概览

• 模型服务：数据准备和模型训练是关键内容，对交付服务的深度和细致程度要求高，是国内市场目前最重要的商业模式。
• 模型API：国内各厂商模型能力无明显差异化，API市场低价竞争阶段将长期持续，整体用量快速增加但难以贡献营收。
• 应用搭建平台：旨在释放大模型的应用潜力，但目前产品形态尚未获得市场验证，用户规模较小，未来1-2年将更加成熟覆盖更多用户。

大模型市场宏观和落地分布

• 市场结构：以B、G端客户为绝对主力的市场结构在短期不会改变，但长期随技术进步和行业发展，市场化需求的份额将逐渐增加。
• 部署方式：云上部署是目前最普遍的部署方式，成本和运维复杂性相对较低，尤其受中小型客户欢迎，上云趋势未来仍将持续。
• 行业分布：大模型项目在教科、通信、能源、政府、金融等行业落地较多，第二、三季度增长明显。从数量上看，教科类、通信（运营商）、能源、政务、金融是目前公开披露落地项目最多的行业。从金额上看，政务、能源、通信（运营商）、教科类、金融是项目落地总成交金额最大的行业。
• 地域分布：大模型项目在一线城市和沿海省份落地较多，大规模项目主要集中在北京，其他地区今年第二、三季度增长明显。从金额上看，落地项目高度集中在北京，头部大客户数量较多。从数量上看，北京、广东（深圳）、上海、浙江、江苏等地大模型的落地数量最多，高度集中在经济发达一线城市。

大模型落地与前沿发展趋势

• 落地逻辑：模型能力是关键要素，现有模型已实现多行业广泛覆盖，但进一步深度整合需要模型能力大幅提升。
• 模型能力决定：落地应用形态、商业模式以及定价权，2025年将实现下一个阶段性跨越，解锁更多应用空间。
• 模型能力提升：需要大量资源支撑技术突破，进而自底向上打开市场，国内玩家需要积极追赶海外领先实践。
• 技术驱动：多个技术方向驱动模型能力提升，推动应用深度和应用广度增加，长期将向自动化系统演进。

模型能力

• 预训练：资源投入的边际提升已放缓，仍是驱动模型能力提升的核心因素之一。GPT-4采用MoE架构，下一代模型在参数规模上可能增加3-5倍。目前模型规模增加的主要限制因素在硬件层面。
• 后训练：强化学习成为后训练阶段的关键技术，相比预训练技术路径尚未收敛，需要高质量数据带来边际提升。
• 推理：o1标志着深度推理范式走向台前，推理侧的资源需求正在快速增加，可以高效提升模型能力，未来空间广阔。

模型技术趋势

• o1模型：代表新范式对技术创新能力、工程能力和算力资源有更高要求，并驱动算力分布向后训练和推理加码。
• 并行发展：o1模型代表的深度推理模型、推理算力（Test-timecompute）开辟了新的模型发展路径，将与GPT系列并行发展、相互促进。
• 规模与精简：大模型的扩展规模（Scaleup）和精简优化（Scaledown）将同步进行，小模型将更快更便宜，但仍需训练大型模型作为基础。

关键分析

• 规模扩展：主要是继续扩大模型参数规模、训练数据规模，以及有充足的算力来完成训练，模型的规模扩展（Scaleup）依然是发展主线。
• 精简优化：目前主流方式包括蒸馏、量化、剪枝等。
• 模型应用趋势：随着模型能力提升，基于结果、价值创造的商业模式将逐渐涌现，但目前仅限于少量场景。不同类型应用对于模型的需求各异，模型API和模型服务在未来将出现更多垂直优化方向以满足不同类型应用需求。
• 开源模型：主要由促进自有业务和模型业务B端获客驱动，将长期存在并促进生态发展、刺激下游应用构建。2025年训练成本10亿美元级的开源模型（MetaLlama4）将公开可用。

大模型竞争趋势与玩家格局

• 竞争特点：互联网时代成功应用的核心要素不再适用，大模型业务模式没有清晰的护城河，模型厂商需要持续投入竞争。
• 基础模型厂商：目前普遍处于早期亏损状态，投入周期长，亏损大，商业模式更类似制药、光伏等行业。
• 模型能力决定市场份额：模型能力领先程度决定市场份额，因此模型厂商需要进行持续投入，以保证产品用量和营收增长。
• 竞争趋势：从成功要素上看，模型能力>生态能力>渠道能力，总体上云厂商/互联网公司优势全面，通用模型未来格局将持续向其集中。通用基础模型领域竞争激烈，将驱动部分模型厂商向针对垂直场景的模型服务和产品进行转型，大厂将持续押注通用类产品。模型厂商难以在所有维度达到最佳水准，细分差异化是国内模型厂商的未来方向。

模型厂商概览

• 国内：大厂模型业务将结合自身场景推动闭环，并持续投入，创业公司开始聚焦解决商业化问题，格局未来1-2年将迎来洗牌分化。
• 海外：格局已收敛到头部5家超级公司，预期未来几年持续巨量投入实现AGI，残存腰部玩家生存空间将被进一步挤压。