王 路 夏 天 李 帆
精华速览：
面对世界人工智能发展浪潮，以推动大模型大规模商业化落地为破局点，开辟推进新质生产力发展的新赛道是抢占发展制高点的关键。本文认为，当前各领域大模型在大规模商业化落地过程中还面临一些“堵点”“卡点”，迫切需要找准症结， 通过推动数据共享和数据供给、优化算力补贴政策、构建开放共享协同的产业生态体系、提高应用场景的识别能力、强化大模型“工具化”能力、建立多元化的资本结构等推进AI 大模型商业化进程。
人工智能作为引领新一轮科技革命和产业变革的战略性技术，已成为经济发展的新引擎和大国科技博弈的新焦点。立足超大规模市场和完备的工业体系，以人工智能大模型应用为牵引，通过丰富的应用场景推动人工智能技术迭代和商业模式创新，是中国实现人工智能加速发展的可行路径。当前，各领域垂类大模型加速落地，大模型赋能新质生产力的效应日渐显现，但真正实现大模型大规模商业化落地还面临一些“堵点”“ 卡点”， 亟须找准症结，“ 对症下药”。
大模型大规模商业化落地仍面临
一些挑战
第一，算力资源分布和利用有待均衡。一是算力需求旺盛但供给不平衡不充分。DeepSeek 大幅提高了算力效率， 但场景和用户数量的扩大、模型参数量的提高持续扩大算力需求。地区间差异明显，东部地区需求旺盛，但供给不足；一些智算中心虽然拥有大量算力资源，但由于缺乏具体应用场景、与市场需求脱节而未得到有效利用，GPU（图形处理器）利用率不均衡；一些低时延应用算力部署对距离有限制；软硬件协同不足导致用卡效率不高等。二是算力补贴政策呈现区域化现象。有些地方政府为服务本地经济和抢占竞争高地而未开放本地算力资源，出现算力资源“地区分割”和“域内封闭”现象，不利于算力全国统一大市场建设。
第二，高质量数据开放和供给仍需加强。在模型参数规模不变的前提下， 数据量和质的提高都能够大幅度提升模型效果。而缺乏高质量和标准化数据是中国大模型应用能力偏弱的重要原因。一是高质量中文语料库不足。国内许多从事大模型开发的研究机构和企业在进行模型训练时，不得不依赖外文标注数据集、开源数据集或是爬取网络数据。二是企业数据存在“孤岛”问题。高质量行业数据集中在行业头部企业且不对外开放。大模型垂类应用企业找不到行业头部客户，就找不到高质量的行业数据，以致难以优化垂类应用。反过来，使用低质量数据训练出的大模型应用也无法吸引头部客户。还存在一些数据被独家授权使用，限制了数据使用价值的情况。三是缺乏行业性的数据标签标准，有些细分行业的数据质量较低，数据清洗成本高。
第三，内卷式竞争制约行业可持续发展。现阶段国内大模型厂商间的竞争日趋激烈。一方面，在“百模大战”的背景下， 行业企业在实现收支平衡前进行大幅降价竞争。如， 截至2025 年上半年， 阿里通义Qwen-plus、字节豆包1.6 及百度文心4.5 turbo 部分规格输入价格低至0.8 元/ 百万token， 而OpenAI GPT-4.1 输入价格为2 美元/ 百万tokena。虽然短期内降价行为可以使用户获益，但这种商业逻辑不利于行业的可持续发展。另一方面，一些大模型厂商从基础层大模型到应用层全部布局， 还需充分发挥链主企业的作用。
第四，有效应用场景有待进一步识别。中国具备丰富的消费场景和工业场景应用优势，而且在一些应用场景中，中国已经涌现出自主研发的大模型应用产品，但距离人工智能应用全面开花还有一定距离。一方面，当前行业模型所展现的能力尚不能满足一些专业应用场景的需要，精准度和复用率不高。另一方面，市场识别有价值、有效的应用场景的能力尚有欠缺。对于金融等强监管类行业，大模型可以进入其中的应用场景也有待思考。
第五，融资难影响应用端创业活力。在大模型市场的投资方向上，投资者更注重大模型应用的商业变现能力，企业如果无法证明其商业化能力，就很难持续得到融资。虽然头部大模型企业新一轮融资竞赛加速，但基于开源模型的应用易迭代、ToC 应用商业模式不清晰和ToB 应用难以规模化等考量，当前资本市场对于大模型应用投资的观望情绪较高，大模型应用端创业公司融资面临挑战。在资金结构方面，美元基金退潮， 政府和央企等在人工智能投资中承担了主要角色，从积极的角度来看，随着这部分资本的参与，人民币基金投资周期较以前有所延长，但投资方往往基于考核要求设置了回本期限、有限分配、回购安排等条款，以确保投资风险可控。除了财务回报外，国家政策、地方招商引资的诉求等也成为投资方的考量因素。
第六，定制化部署和项目制开发限制了规模优势。大模型在ToB 领域的应用是推动整个行业持续进步的重要驱动力，但当前采购方多为规模和资金能力较强的央国企或专精特新“小巨人” 企业以及政府机构， 出于对上云和数据安全等的考量，这些机构倾向于定制专属模型或服务。但过多的私有化部署在一定程度上导致了重复建设、造成了市场碎片化、阻碍了产品和技术的标准化，并在一定程度上加剧了“信息孤岛” 效应，不利于效率的提升、技术的更新迭代，大模型厂商难以通过规模效应分摊大模型研发成本，被项目制割裂的市场也难以孵化具有持续竞争力的产业生态。
模型即服务（MaaS） 商业模式面临盈利挑战。模型即服务，指的是用户可以直接通过API 调用基础大模型为不同的业务场景构建、训练和部署专属模型。云平台会提供从数据、模型到应用服务的全周期管理服务和工具。随着人工智能技术逐渐应用于不同产业，未来对于细分的不同参数级、不同规格、不同场景的模型将产生大量需求。国内云厂商和头部人工智能企业基于自身基础设施和技术优势，探索为开发者提供调用、微调和部署等全流程开发工具和服务的“模型工厂”商业模式。但当前MaaS 平台的商业模式同质化严重，随着大众对DeepSeek 的使用需求激增，各平台为抢占市场推出低价或免费的API 调用服务， 但实际运营和算力成本居高不下，短期MaaS 服务毛利率低甚至面临亏损。
第七， 监管规则仍需完善。根据《生成式人工智能服务管理暂行办法》规定，提供具有舆论属性或者社会动员能力的生成式人工智能服务的，应当按照国家有关规定开展安全评估，并按照《互联网信息服务算法推荐管理规定》履行算法备案和变更、注销备案手续。通过API 接口或其他方式直接调用已备案模型能力的生成式人工智能应用或功能， 由地方网信办开展登记。但是目前备案和登记缺乏明确的政策解读和指引，许多中小企业不知道开发的模型和应用是否需要申请备案或者登记。此外，在内容安全风险管理上，人工智能大模型应用的监管有别于传统互联网内容安全监管。大模型企业需要对模型进行纠错调试，处理流程冗长，可能增加了企业的创新成本。
第八，专业人才供给相对短缺。当前机器学习、计算机视觉、智能语音和自然语言处理等方向的岗位人才供给普遍较少，尤其是计算机视觉和智能语音方向，人才短缺问题突出。垂直领域应用对专业性要求极高，如医疗行业大模型开发需要的既懂人工智能技术、又懂相关生物信息技术的复合型人才储备相对不足。与此同时，吸纳全球高端人才的竞争也相当激烈。
推进人工智能大模型商业化落地的对策建议
面对世界人工智能发展浪潮，以推动大模型大规模商业化落地为破局点，开辟促进新质生产力涌现的新赛道是抢占发展制高点的关键。应重点采取以下对策，进一步推动我国大模型规模化应用落地。
一是进一步推动数据共享和扩大数据供给。以数据上架奖励、数据交易补贴等方式支持和鼓励行业链主企业共享非商业隐私数据， 建立消费数据集和工业数据集。鼓励各行业协会、行业出版社与数据服务商合作， 提高行业高质量数据供给。明确数据安全、数据权益等边界，设计数据版权所有者、数据加工者、数据交易平台收益分配机制， 保障数据长期供给。支持跨境数据流动， 加快完善出境数据分类分级机制， 扩大实施范围， 使非敏感数据的处理可以充分利用境外算力资源， 减轻境内算力负载。
二是统筹协调算力资源，优化算力补贴政策。构建全国一体化算力体系， 要“摸清家底”，加快建立算力资源统筹和任务智能调度的枢纽设施。防止算力“ 重建设轻需求、重设施轻应用”， 做好供需匹配和设施应用精准对接。进一步统筹本异地算力补贴比例，对算力关联交易参照市场公允价格设置补贴标准，减少本地保护。统筹加大对推理算力和训练算力的补贴力度，更好地支持研发和应用。随着未来人工智能商业化落地水平的提高，应根据人工智能企业营收结构和模式调整提前策划支持性的长效机制，适时调整或退出算力补贴。
三是大力推进大模型应用生态建设，构建开放共享协同的产业生态体系。加大对产业链上下游和第三方服务的支持力度，包括硬件设备、网络服务、算力调度服务、数据清洗处理、开源框架、下游行业应用等。鼓励有序竞争，完善地方政府对大模型备案的激励机制，减少相似模型的重复性研发和备案，减少地方间的零和竞争。提升监管包容性和审慎度，对大模型的备案和登记提供更加清晰的政策解读和指导。强化部门协作，共同营造稳定包容的监管环境。鼓励地方通过共享开放、服务购买、创新券等方式，降低大模型应用的基础设施使用成本。加强舆论宣传和预期引导， 持续营造人工智能高质量发展和高水平应用的良好氛围。建立应用与基础研究并举的人工智能工程教育和培训系统。
四是加强对有价值和有效的应用场景的识别能力，搭建供需匹配的桥梁。鼓励地方政府、领军企业、行业协会和专业服务机构，搭建全国级、地方级、行业级等多层次人工智能大模型技术应用场景供需对接平台，推动各行各业的场景需求方通过平台面向全社会发布真实业务场景和行业需求，不断提升供需匹配效率。鼓励政府采购人工智能应用， 参考国际经验，制定人工智能政府采购需求指南，通过创新采购等方式扩大人工智能公共应用场景。
五是以强化大模型“工具化”能力为抓手，释放行业应用的规模效应。鼓励基础大模型厂商深度参与生态建设， 提供更加开放的合作架构和开发平台， 促进基础大模型生产走向工业化。鼓励头部MaaS 服务商在提供模型调用、开发工具及服务的基础上，探索差异化的增值服务，打造完整的MaaS 生态系统， 构建开发者创新生态、驱动行业技术标准化，同时拓展与上下游企业合作，促进行业实现规模经济。
六是培育更加包容和鼓励创新的投资环境，建立多元化的资本结构。推动政府和国资基金在大模型应用领域成为更为有效的长期资本、耐心资本，通过加强实施细则、健全内部控制和风险管理等配套制度，确保国资基金的容错机制的有效落实，在鼓励创新与防范国有资产流失之间找到平衡点。加强国有资本与市场化机构的合作，引进具备专业投资能力的人才团队，建立市场化激励机制。以政府产业基金和中央企业创业投资基金为杠杆，撬动更多社会资本参与推动人工智能大模型商业化应用的长期投资，营造国有资本领投、社会资本跟投的氛围，形成多元化的投资结构。
作者单位：中国发展研究基金会