我烧了230万才看懂这场淘汰赛

去年年底，我去了一个挺特别的会——闭门的，都是AI创业者，大概三十来个人。主办方现场甩了组数据，我当时就愣住了：2023年初，国内做基座模型的初创公司还有200多家，到2024年9月底，真正还活着、还有自己模型的团队，不到5个。

不到5个。你品品这个数字。

我记得特别清楚，2023年3月到7月那段时间，几乎每周都有新模型发布会。参数从7B、13B一路卷到70B、130B，榜单纯粹成了军备竞赛现场。圈子里那时候有个玩笑话，说只要你GPU集群能训出一个70B的模型，BP都不用写，投资人自己会找上门。但你现在再回头看看，那些当年在榜单上刷屏的名字，基本都消失了。有几个被大厂收了，团队直接并进云计算部门，产品拆成API；有几个转去做垂直应用了，底层模型换成了别人的；还有两个，官网已经404了，创始人微信也不回了。

等等，这里我要更正一下——不是不到5个，是独立运营且有自有模型的不到5个。如果算上那些虽然活着但已经完全换赛道的，大概还有十几家。但本质上，这已经不是当初那种创业了。

我自己的公司2023年6月也尝试训过一个面向法律文书的垂直模型，花了大概230万的算力，还不算人力和数据成本。结果上线一测，推理效果居然不如直接调某个头部厂商当时刚降价的API。那个瞬间我真的有点怀疑人生——当巨头的通用模型能力已经够用，价格还打到地板价的时候，你所谓的技术壁垒到底在哪？这个问题到现在我也没完全想明白。

嗯...这个确实比较复杂。

价格战打到现在，到底是谁在流血？

先说个真实数字吧。我们自己监控的数据，2024年国内主流模型的API调用价格，相比2023年初降了超过90%。部分轻量级模型，比如智谱的GLM-3-turbo和字节的豆包Lite，千token定价已经掉到0.008元以下。什么概念？你一个10万日活的产品，每天上亿次调用，推理成本可能还不如你团队每周的咖啡预算。

对开发者来说听起来很爽对吧？但这里面有个坑。

我认识一个做AI客服的兄弟，2023年初基于ChatGLM做了大量微调，攒了40多万条高质量的客服领域数据，SaaS产品已经开始有付费客户了。结果今年2月，他们最大的竞争对手变成了那个开源模型背后的云厂商——人家直接把类似功能打包进了自己的产品矩阵，定价比他们低40%。为什么能低？因为算力是自己的，模型是自己的，渠道是自己的。

那个创始人后来跟我喝酒，说了句话我记到现在：

“我们不是在跟竞争对手打仗，我们是在跟一个拿着核武器的地主抢地盘。更要命的是，我们的武器是他租给我们的。”

这就是价格战最残酷的地方。你以为是技术竞争，实际上人家在算力成本、数据飞轮、渠道绑定、生态锁死四个维度同时压你。初创公司可能在某个点上做得更好，但巨头可以在所有点上同时施压。

我去年踩过最大的坑，就是低估了生态绑定。当时我们做了个开发者工具，做代码补全和自动重构的，底层接了DeepSeek和Moonshot两个模型做对比，产品体验确实不错，在V2EX和掘金上口碑都挺好。但问题是，当某个云厂商推出自己的代码助手，并且跟他们的云服务、IDE插件、DevOps流水线深度集成之后，我们的增长曲线直接平了。

用户不是觉得你不好。他们说的是：“切换成本太高了，而且反正两边都免费。”

当免费成为基本配置，差异化就必须建立在不可替代的东西上。但什么才是不可替代的？我琢磨了快一年。

被集成还是被淘汰？其实还有第三条路

现在圈子里聊得最多的，就是初创公司怎么选：要么主动被巨头集成，拿一笔还算体面的收购费，然后变成别人生态里的一个功能模块；要么硬扛到底，赌自己能找到一个巨头看不上的细分市场。

但我观察到的一个趋势是，最聪明的团队其实在走第三条路。

什么路？成为巨头生态里不可或缺、但又不值得巨头亲自下场的那一环。

我举个例子。杭州有个做医学影像AI的团队，三个人，创始人是从浙大附属医院出来的。他们从一开始就没想过做通用模型，而是基于开源的基座模型，花了大量精力在医学影像数据的清洗、标注和合规处理上。他们的核心竞争力根本不是模型本身，而是那套经过三家三甲医院影像科验证的数据处理流水线，以及跟十几家医院建立的深度合作关系。

当巨头们还在为医疗数据合规头疼的时候——医疗数据不出省、不出院、甚至不出科室，这些合规要求极其复杂——这个团队已经跑通了从数据采集到临床部署的完整闭环。

2024年11月底，某家大厂想进这个领域，评估了一圈发现，自己从零搭建这套体系的时间成本和合规风险，远高于直接合作。最终结果呢？这家初创公司没有被收购，而是以技术供应商的身份进了巨头的医疗解决方案，同时保留了自己的独立品牌和客户关系。

这个案例说明一个很关键的点：生态位的安全区，不在技术栈的顶层，而在业务场景的深水区。

巨头擅长什么？通用能力和规模化复制。他们不擅长、也不愿意做那些需要重度定制、长周期信任建立、以及对行业know-how要求极高的脏活累活。而恰恰是这些“脏活累活”，构成了初创公司最坚固的护城河。

我自己后来调整策略也是沿着这个思路走的。把团队方向从“做一个更好的模型”转向了“解决一个特定场景下别人解决不了的问题”。过程很痛苦，因为得砍掉很多看起来很酷但实际不产生壁垒的功能，得拒绝那种“什么都想做”的冲动，甚至得主动放弃一部分通用市场。

但结果是，活下来了。而且活得还不错。

据我了解，现在还能活着的团队，基本都是这个路子。

接下来会发生什么？

我判断未来12个月，会看到三个比较明显的趋势：

第一，模型层的创业窗口基本关闭。 不是说完全没机会，而是以“训练自己的基座模型”作为核心竞争力的创业逻辑已经走不通了。算力成本、数据获取难度、以及巨头的定价策略，让这个赛道变成了纯粹的资本游戏。你融的那点钱，根本不够烧。

第二，中间件和工具链的价值会重新被评估。 当模型本身趋于同质化，真正决定应用效果的，是围绕模型构建的那一套工程体系——数据处理、评测框架、安全护栏、多模型编排等等。这些领域可能会出现新机会，但前提是你得比巨头更快地建立标准。

第三，垂直行业的“最后一公里”会成为主战场。 法律、医疗、金融、制造，这些行业不缺通用智能，缺的是能把通用智能真正落地到具体业务流程里的人。这里需要的不是更强的模型，而是更深的行业理解。你得知道医生到底怎么工作，律师到底怎么写文书，不是看几篇论文就能搞定的。

前几天跟一个做投资的朋友吃饭，他说了句话让我想了很久：“这一波AI创业，本质上不是在跟技术赛跑，而是在跟大厂的战略耐心赛跑。大厂可以容忍一个业务线亏损三年，而你的公司可能只有18个月的现金流。所以不要赌大厂不做，要赌大厂做不好。”

我觉得这句话可能是我今年听到的最清醒的判断了。

你现在做的产品，是在跟巨头的核心战略正面硬刚，还是在那些他们看不上的角落里悄悄建立壁垒？欢迎在评论区聊聊你的经历——我特别想知道那些还在独立战斗的团队，你们是怎么琢磨这个问题的。

Tags: #大模型 #创业 #价格战 #生态位 #AI应用 #技术战略