猜你想问
中美大模型性能差距缩小了吗？具体表现如何？
研报指出中美顶尖大模型性能差距已显著缩小，纯性能差距在5%以内，综合差距约10%。当前竞争重点已从单纯性能比拼转向数据飞轮、工具链及递归自我改进（RSI）等综合能力。海外GPT-6 Austra模型参数量或达10T，使用10万张B300卡训练，已进入RSI阶段，展示出AI递归训练飞轮的启动迹象。国内头部模型则通过工程优化和算力压缩，在较低参数量下接近海外效果，如10T参数量模型算力需求仅为海外1/3-1/2，需3-5万张卡。这表明国内模型在特定领域已具备较强竞争力，但整体仍需在数据积累和工具链完善上持续努力。
AI递归自我改进（RSI）技术发展现状如何？
RSI技术是当前AI领域的前沿方向，需模型达到GPT-4.8以上水平才能有效实施。海外已进入RSI的第二阶段，模型可自主操控陌生系统、设计实验，展现出高级智能体特征。国内距离这一阶段约半年到1年差距，主要制约因素为算力资源不足和数据使用习惯的局限性。例如，海外GPT-6 Austra模型已进入RSI阶段，利用10万张B300卡进行训练，标志着AI递归训练飞轮的正式启动。而国内模型虽在参数量上有所优化，但算力需求仍较高，需3-5万张卡支持10T参数量模型。这表明国内在RSI领域仍需追赶，但通过持续投入和技术创新，有望逐步缩小差距。
中国大模型行业竞争的关键要素是什么？
中国大模型行业竞争需兼顾模型性能、数据飞轮与工具链三大要素。模型性能方面，国内头部模型通过工程优化和算力压缩，在较低参数量下接近海外效果。数据飞轮是关键环节，需持续积累高频可验收领域的数据以加速迭代。工具链方面，DeepSeek自研Harness系统可收集交互数据，适配自身模型提升体验与竞争力。此外，算力资源也是重要支撑，国内升腾960集群在互联效率和性价比上有优势，但生态和规整算力需求仍需完善。综合来看，中国大模型需在模型、数据、工具链和算力上协同发展，才能在激烈竞争中占据优势地位。
当前AI大模型市场发展面临哪些挑战？
当前AI大模型市场发展面临多重挑战。首先，算力资源是主要瓶颈，高性能计算需求巨大，而国内算力生态和规整算力供给仍需完善。其次，数据获取难度增加，海外反蒸馏措施可能小幅提升国内模型训练成本，若水印技术落地且获法律认可，将直接影响数据获取效率。此外，AI快速迭代带来的安全风险也需重视，海外头部企业虽呼吁放缓迭代，但行业实际仍在加速发展。最后，国内模型在数据使用习惯上与海外存在差异，这也制约了RSI技术的应用进程。这些挑战要求国内企业需在技术创新和资源整合上持续发力。
研报提示的主要风险有哪些？
研报提示的主要风险包括数据获取风险、技术迭代风险和算力供给风险。数据获取方面，海外反蒸馏措施和水印技术可能限制国内模型训练效率，影响模型性能提升。技术迭代方面，AI快速迭代可能带来未知的安全风险，需在加速发展的同时关注风险管控。算力供给方面，国内算力资源相对不足，尤其是在预训练场景中，升腾960集群虽在互联效率和性价比上有优势，但整体算力供给仍需提升。此外，国内模型在数据使用习惯上与海外存在差异，也可能影响模型性能和竞争力。这些风险要求国内企业在发展AI大模型时需全面评估，制定合理的发展策略。