聚焦

印度要不要自己的大模型？Sarvam AI 给出的答案是“要”，但当它真的发布了 Sarvam-M 之后，质疑声也接踵而至。

240亿参数、支持10种印度本土语言、权重开放、面向全社会……这些听起来本应代表技术突破的关键词，却在发布两天后仅收获了334次下载。相比韩国大学生开发的模型两天20万次的下载量，这一成绩令不少业内人士“感到尴尬”。

这一对比迅速引爆社交网络，印度AI圈随即陷入一场围绕“本土大模型是否必要”的热烈争论。而这场争议背后，实则是印度AI生态发展阶段、使用习惯、数据基础与算力条件之间的多重现实碰撞。

01

Sarvam-M发布了什么？

从国家使命走向冷启动，Sarvam-M到底发布了什么？

Sarvam AI 是印度国家AI战略 IndiaAI Mission 早期扶持的代表企业之一，由前 UIDAI 技术负责人 Vivek Raghavan 和 AI4Bharat 联合创始人 Pratyush Kumar 于2023年成立，目标明确——打造“主权AI栈”。

Sarvam-M 是他们最新发布的开源大语言模型，具备以下特点：

  • 构建基础为 Mistral Small（法国开源模型）；

  • 参数规模为 240亿，支持 印地语、孟加拉语、古吉拉特语、卡纳达语、马拉雅拉姆语等 10种本地语言；

  • 强调为印度语境优化，支持多场景、多领域适配；

  • 模型权重开放，并在 Hugging Face 上提供使用。

这被视作印度AI自主化进程的重要一步。Sarvam 联合创始人 Raghavan 表示：“Sarvam-M 是印度迈向主权AI的重要基石。”

但理想与现实之间存在明显落差。上线两日仅 334 次下载，最新数据也不过 1200 次，引发外部投资人、开发者和评论者的普遍质疑。

02

核心争议是什么？

1

批评的核心在于价值定位

这场质疑最具代表性的声音来自 Menlo Ventures 投资人 Deedy Das。他的观点可总结为三点：

  1. 产品缺乏明确需求：“没有人在等一个稍微好点的 24B 印度语言模型。”

  2. 投入与产出不匹配：“Sarvam 已经获得 4100 万美元融资，成果却过于保守。”

  3. 替代性强，竞争力弱：“Google 和 TWO.ai 的产品性能更强，价格更低。”

更具争议的是，Das 将 Sarvam-M 与一款由两位韩国大学生开发的模型对比，后者在 Hugging Face 上两天获得近 20 万次下载，而 Sarvam-M 的冷启动成绩则被形容为“embarrassing”。

2

印度AI有自己的节奏

面对质疑，印度AI开发者群体迅速展开回应。

  • Lightspeed 合伙人 Hemant Mohapatra 强调，Sarvam 的用户规模在上月增长了10倍，并覆盖了4%的成年人口，体现出其在印度本土的落地能力。

  • AI4Bharat 社区开发者表示，Sarvam-M 的真正意义在于构建范式，而非短期指标。它不仅公开了模型，还分享了微调流程，为印度AI从业者提供可复制的路径。

  • Sarvam 内部员工指出，部分评论者并未亲自测试模型，就开始下结论。有人称这是“一种对印度AI生态缺乏理解的表现”。

更有开发者强调，模型的使用场景包括 小商户语音问答、农业助手、法律文书辅助等，服务的是 Bharat（印度非英语、农村与中小城镇人口），不是精英市场。

03

主权模型是否值得构建？

回到根本问题：为什么要构建印度自己的基础大模型？它值得吗？

这一问题不能简单用“下载量”回答，而需从三大结构性现实出发理解：

01

算力门槛高，训练成本极大

Sarvam-M 虽由 Mistral Small 微调而来，但 Sarvam 的中期目标是训练 70B 参数模型，预计投入约 4000–5000 万美元。这对印度本土算力环境而言，是一项挑战。

在 DeepSeek 成功用 H800 GPU 低成本训练模型之后，印度是否也能复制“国产AI硬件+本地训练”的路径，尚未可知。

02

多语言语料难收集，模型适配复杂

印度有超过 20 种主要语言，90%以上人口的数字行为以本土语言为主。大模型若不能精准服务本地语言习惯，将难以落地。

Sarvam 的一个核心任务，就是完成大规模 Indic 语言数据的清洗与组织，这部分工作对外界而言是“不可见的壁垒”。

X上的用户评论

03

产品场景分发链条尚未完善

很多开发者指出，Sarvam-M 面向的是那些 尚未形成明确AI使用习惯的用户群体。基础设施、终端使用体验、语言理解模型、语音识别系统缺一不可，这要求产品能力与生态组织能力并重。

这使得 Sarvam 既要当“基础设施建设者”，又要当“应用产品开发者”。

不是热度问题，而是生态构建问题

这场关于 Sarvam 的争议，最终折射出一个行业普遍性问题：

一个开源大模型的价值，应如何衡量？

如果从“社交媒体热度”出发，Sarvam-M 显然不够热度；但如果从“基础工程搭建”的视角观察，它代表了本土AI生态一次踏实的起步。

正如谷歌研究员 Raj Dabre 所言：“Sarvam-M发布前，大家抱怨没有印度大模型；发布后，又说它不够好。这暴露的是我们对‘自主AI’的认知缺失。”

在冷启动之后，真正的问题才刚刚开始

Sarvam-M 并不是一款完美的产品，但它开启的是印度AI从“用户国”迈向“建设国”的技术自主路径。

这不仅是对产品功能的考验，更是对战略方向、产业组织能力与基础生态的系统性检验。

Sarvam 的争议并不奇怪，它面临的是任何试图自建AI基础设施国家都会遇到的问题——从0到1的成本高、回报慢、不确定性极强。

这也是为什么我们不应以一时的热度去评判它，而应关注其长期的价值沉淀：是否能支撑起真正意义上的“印度AI技术栈”。

毕竟，属于印度的AI，不一定要从硅谷出发。