数据文件，请登录您的会员账号进行下载！
Deepseek的商业化与下一代模型储备20260621_导读
2026年06月22日 01:28
关键词
大模型 算力 数据 国产化 商业化 OpenAI ARR MOE 定价策略 市场格局 信创 毛利率 融资 技术文档 地缘政治 风险 国产模型 deep seek 技术合作 开源
全文摘要
中国大模型与国际大模型的竞争与差距主要体现在商业化应用的成熟度、算力成本、数据资源以及定价策略上。尽管国产化努力显著，短期内国际技术仍主导训练领域，数据不足尤其是高质量公开数据的缺乏，限制了中国大模型的迭代速度。面对国际厂商的激烈竞争，国产大模型需在性价比、国产算力适配及垂直行业应用上寻求突破，同时注重算力成本控制、模型架构创新，并加强本土企业合作，以期在未来的市场竞争中占据有利地位。
章节速览
00:00 中美大模型商业化差距及解决路径探讨
对话深入分析了中美大模型在商业化层面存在的差距，指出中国大模型在算力成本、数据质量和架构设计等方面落后于美国，尤其是开源模式限制了数据获取和用户反馈，影响模型迭代速度。短期内，国产化算力替代和生态完善面临挑战，预计需3-5年才能显著改善。此外，西方在模型话语权上的优势，导致中国厂商在高端市场竞争力不足，需通过提升模型能力和优化定价策略来追赶。
03:31 国内大模型竞争格局与海外厂商策略分析
对话讨论了国内大模型市场的竞争格局，指出国内玩家众多且市场相对分散，与海外双寡头格局不同。小米等新加入者凭借生态优势寻求补位，而中小模型厂商则专注于模型能力的商业化。DBC等厂商通过性价比策略争夺市场，但海外厂商凭借高端定位和成熟市场结构，短期内难以被撼动。未来，模型架构的演进可能改变市场格局。同时，提及deep CK等开源厂商的商业模式，以及国内在透明工厂方面的合规性问题。
07:27 信创市场国产芯片适配进展与性能对比
讨论了信创市场中国产芯片如升腾寒武纪的适配情况，指出950PR在推理方面已完全适配，920BC则部分适配，性能与H200持平。但整体上，国产芯片在训练侧应用较少，仍以英伟达为主，性能和利用率与国际标准有较大差距，行业尚处于初级阶段。
10:18 早期商业化企业估值逻辑与国产化替代烧钱速度分析
对话讨论了早期商业化企业的估值逻辑，尤其是国产化替代对公司估值的影响，以及在特定毛利率下，国产化替代烧钱的速度和持续时间。企业估值不仅基于当前商业化情况，还考虑了未来国产化后市场份额的预期。以华为卡为主的推理毛利率在25%-30%，且随着折扣力度加大，毛利率有所下降。国产化替代在训练端的推进，预计短期内资金消耗较大，但五百多亿的融资规模或能支撑一到两年的运营需求。
12:43 大模型国产化与市场格局分析
讨论了下一代大模型的核心突破方向，包括架构创新、注意力机制优化及国产化适配，强调了多模态能力提升的重要性。分析了国产化对市场竞争格局的影响，预测市场将收敛至少数几家主导，同时提及了价格战策略与行业解决方案的潜在应用。
16:34 中国大模型厂商面临的风险与机遇
中国大模型厂商面临技术代差拉大、商业化天花板、地缘政治影响等风险。算力受限、token出海可能带来正面影响，但地缘政治可能限制海外市场。未来或形成两方格局，中美博弈影响市场走向。
18:23 国产化大模型生态与商业前景探讨
讨论了国产化大模型的收入结构演进，包括API调用、本地化部署与云厂商合作的比例，强调技术合作与开源闭源合作对模型能力优化的重要性。指出在coding产品生态中，大厂与deep sick可能的合作模式，预测短期内资金投入仍集中于模型研发而非产品化。评估了国内大厂如DS与豆包在技术底蕴和数据储备上的优势，认为它们在追赶AGI方面有潜力。最后，预测国内厂商实现盈亏平衡的时间节点至少在2027年中之后，当前毛利普遍下降，盈利挑战大。
22:48 垂直领域AG能力积累与开源模型商业化探讨
讨论了在垂直领域，如医疗，AG能力积累的关键在于专业数据的获取与回传，DPC和kimi等企业凭借与行业深度合作积累优势。同时，对于国产模型开源策略的持续性提出质疑，认为开源可能限制大模型厂商的商业化进程，预计未来将转向更加封闭的商业模式。
24:40 大模型商业化与未来能力发展方向探讨
讨论了评估大模型厂商商业化速度的数据指标，如ARR、DAU、MAU等，以及模型能力涌现对商业化的影响。分析了面向C端的AI产品对未来模型能力需求的潜在引导作用，包括非传统领域的落地应用，如AI做PPT和电商运营。指出智能体脚手架的成功依赖于模型性能，强调市场格局对大模型厂商研发方向的影响。
27:18 大模型商业化路径与智能水平展望
讨论了大模型在商业化上的不同路径和发展预期，认为API和B端本地化部署模式具有优势，同时分析了未来智能水平的竞争态势，指出国内国产模型参数量可能成为竞争关键。
要点回顾
中美大模型在商业化上的主要差距是什么？
中美大模型商业化的主要差距体现在应用场景的成熟度、底层算力成本以及推理算力储备等方面。此外，中国头部公司在全年ARR和数十亿人民币的量级上也与全球格局存在差异。短期内，由于全国产化尚未实现全面适配，尤其是训练方面的不兼容，生态搭建仍处于初级阶段，难以替代海外模型，并且数据资源缺乏也限制了模型迭代能力。
国内大模型竞争格局相较于国外有何特点？
相较于国外OpenAI和SOP双寡头格局，国内大模型竞争格局更为分散，玩家数量较多，小米等新加入的厂商在IOT、智能车机、手机等生态位置上有较大优势，通过用户路径和数据反馈快速迭代和优化模型。而中小类独立模型厂商则依赖于模型能力进行盈利，各家策略有所不同。
国内大模型厂商如何应对商业化挑战？
国内厂商如DBC等正致力于推动大模型定价平权，利用国产算力带来的成本优势抢占市场。同时，海外厂商虽有强大的模型能力和高端市场定位，但不太可能模仿国内去做低价竞争，因为这会对其品牌形象造成负面影响。不过，未来随着底层架构和技术的演进，市场格局可能发生改变。
国内是否有大模型厂商间的合作模式，例如token工厂与deep CK的合作？
目前尚未观察到国内大模型厂商如token工厂与deep CK之间有合作透明工厂这类商业模式，尤其是在国内合规性不足的情况下，此类合作较少。
信创市场中，国产芯片适配DPCV4模型的进展如何？
国产芯片适配DPCV4模型的进展正在推进中，其中950PR已在部分国产芯片上实现完全推理适配，但具体的适配进度和性能差异还需进一步了解。
920BC在推理测试方面的适配情况如何？
920BC目前在推理测试上可以部分使用华为卡进行适配，但如果按照MMCU衡量，华为卡与H200的性能相当。但在训练册方面，仍主要依赖英伟达的卡，整体而言，目前仍处于初级阶段。
对于DGC的估值和融资逻辑是怎样的？
DGC因其商业化处于早期阶段，估值较为复杂。它的估值并非基于传统的ARR模型，而是考虑到其作为国产化产品的潜力，以及未来可能占据市场份额带来的用户增量和订阅、API销售等收入，通过复杂公式计算得出估值。
DGC现在推理业务的毛利率大概在什么水平？
目前DGC的推理毛利率大约在25%到30%多，由于折扣和成本控制等因素，毛利有所降低。其在训练端的国产化替代过程中，烧钱速度很快，对于融资能支撑多久的问题难以给出确切答案，但预计至少能维持一两年。
DGC下一代模型的核心突破方向可能是什么？
下一代DGC模型的核心突破可能集中在国产化适配上进一步优化，并探索新的注意力机制、训练范式等，同时也会关注多模态、单点能力（如多模识别）等方面的创新与提升。
国产化趋势下，DGC的价格策略会如何调整？
DGC在保持低水位价格的同时，随着国产化进程推进，还有可能继续降价以获取更大市场份额，并改变下一阶段的市场格局。
国产卡技术文档的透明度如何，以及国产化竞争壁垒是否会因其他厂商跟进而被稀释？
国产卡技术文档公开透明度较高，但长期竞争壁垒是否会因其他厂商快速跟进而被稀释还难以判断。在1-2年内，其他厂商可能难以完全复制DGC的优势，但如果出现全国产方案，可能会对DGC的部分优势产生影响。
未来大模型行业在国内和国产化领域的竞争格局会怎样收敛？
未来大模型行业可能会在国内和国产化领域收敛到3-4家领先企业，加上若干垂直模型，其中DGC等公司可能会占据主要位置，其他一些公司将更多专注于市场教育而非商业化动作。
中国大模型厂商面临哪些主要风险？
主要风险包括：1) 与海外第一梯队的技术代差拉大；2) 商业化天花板问题，尤其是高价值市场的占比；3) 地缘政治的影响，如算力受限、海外模型无法在国内使用导致客户转向国产模型；4) 美国对中国的出口管制和技术封锁。
全国产化后，DGC的收入结构将如何变化？
全国产化后，DGC的收入结构会有所演进，预计会包括API调用、企业本地化部署及与云厂商的合作等多种形式，但具体比例尚无法确定。
技术合作方面，中国国内开源的技术文档能让其他公司看到吗？
是的，由于中国国内很多技术因为开源而公开了技术文档，理论上其他公司可以查看这些文档，并通过开源闭源合作的方式优化与大模型技术相关的能力。
从coding维度来看，DPC是否会主动与其他大厂产品融合或适配，还是由大厂配合DeepC？
理论上讲，大厂可能会去配合DeepC，但合作空间不是特别大。DeepC自身拥有较大用户量和个性化适配能力，如果商业化路径完善，有可能自成一个生态。
对于当前资金投入主要集中在模型产品化方面，商业化兑现的节点是否有预期？
在半年到一年之内，国内厂商可能不会急于产品化，而是利用自身生态去实现商业价值兑现。对于模型能力层面，从国内外模型差距来看，短期内难以明确哪一两家公司能占据领先优势。
国内大厂在模型研发上的KPX（关键性能指标）或算力投入数据是否有相关数据可以分享？
国内大厂的具体投入数据不详，但从技术角度分析，DSDS和豆包在模型领域表现可能较好，尤其是在数据量和数据闭环方面具有潜力。
在垂直领域的AGI能力积累和培养上，哪些参与者具有优势？
DPC在垂直领域AGI能力积累上可能具有优势，因为它早期与医院合作获取了大量专业数据，并且能够进行数据回传和增训。同时，KIMI和质谱在企业端政企行业领域也有较强能力。
国产模型是否会因开源而影响其技术架构模型迭代速度，并对大模型厂商商业化产生阻碍？
目前国产模型开源的情况可能在某个时间节点上会影响模型迭代速度，但从长远看，开源反而可能促进大模型厂商商业化。预计到20年底，国产模型可能变为毕业模式。
从投资角度看，衡量大模型厂商商业化速度应关注哪些数据？国内其他模型厂商如MINAX、SAP等在商业化方面的表现如何？
应关注ARRDAU、MAU等用户指标，以及流程指标如76 36等，还包括商业化的分行业数据、增长数据等，但需要注意阶段数据的波动性，模型能力的发展存在不确定性。MINAX在BC端均有较强可行性，市场份额相对较大；SAP侧重硬件结合，如车机、IOT等领域，也展现出一定的区域水位和趋势性优势。
面向C端的大模型产品如open class是否会引导模型能力需求的新方向？
open class这类面向大面积C端的产品可能会引导模型能力需求向非编码领域发展，例如AI辅助办公、AI创作PPT等垂直领域，但具体影响程度还需视市场格局而定。
开源对于国产模型商业化的影响以及未来通往AGI的门票竞争中谁更领先？
开源不会阻碍国产模型的商业化进程，反而可能通过开源实现技术优化。在通往AGI的竞争中，deep C和豆包可能是较为领先的选手，而在海外顶尖模型中，deep C的优势可能更为显著。
大模型厂商如GOM、KIMI等在未来几年的商业化路径和发展预期有何展望？
GOM和KIMI在API和B端本地化部署方面具有一定优势，且在行业侧重点上有各自特色，因此这两家厂商在商业化上可能表现更为突出。
数据文件，请登录您的会员账号进行下载！
1、本站部分资源源自互联网，如内容存在侵权行为或未标明出处的情况，您可通过邮箱 meiritouyan@qq.com 与我们联系，我们将尽快进行处理。
2、如遇本站资源无法下载、无法查看，请及时联系我们，我们将第一时间修复。
