导语
当前，中国AI大模型走到了十字路口：向“私有云+项目制模式”方向走，会重蹈过去10年中国SaaS产业的 “加拉帕戈斯”困境；向“公共云+平台化模式”方向走，将走向“移动互联网的赶超”。“加拉帕戈斯”效应本质是项目制主导所引发的结果，背后的主要原因包括统一大市场的“碎片化”、市场竞争的“关系化”和市场生态的“盐碱化，从而未形成“科技—产业—金融”的良性循环生态。如何超越AI大模型发展中的“加拉帕戈斯”效应，找到适合自身特点、能够发挥统一大市场优势、符合新质生产力发展要求的发展道路，是需要认真探讨的重大问题。
【本文主要观点在2024年7月3日北京全球数字经济大会-互联网3.0论坛上，由中国信息化百人会执委安筱鹏博士进行了分享】
当前，中国AI大模型走到了十字路口：向左走，会走向“移动互联网的赶超”；向右走，会走向“SaaS发展困境”，产业界称之为“加拉帕戈斯”效应。
一、数字技术产业发展中的“加拉帕戈斯”效应
1835年9月，达尔文来到东太平洋上的“加拉帕戈斯”群岛，走近了生物进化博物馆，并受启发创作了《物种起源》。“加拉帕戈斯”群岛上有很多物种，每个物种都在自我进化、自我迭代、自我演进，但一旦离开这些岛屿，就会因为无法适应新环境而死亡。“加拉帕戈斯”效应本质上是在一个孤立的生态系统中，构建了封闭脆弱的物种生态，缺乏普世性的竞争力。
从日本的软件、手机产业，到中国的SaaS、工业互联网、“AI四龙”，都能看到“加拉帕戈斯效应”的影子。
“加拉帕戈斯”效应1：日本软件产业。过去的30年，日本先后错过了互联网、云计算、AI、自动驾驶，这是日本在上世纪错过了软件产业，系错了“纽扣”，引发的系列连锁反应。1990年世界市值前十的公司中，有8家是日本公司，前七都是日本公司，IBM仅排第八。90年代进入软件主导的时代，日本信息技术产业开始与美国拉大差距。表面上看，软件工程师匮乏、质量低以及软件人才教育落后等等，但根本原因却在需求侧，在于日本的软件市场需求结构。1985年日本的定制化软件占比91%，而美国仅25%，日本将套装软件统一大市场，“肢解”为无数个项目制软件开发。是需求结构和质量，而不只是供给能力，遏制了日本软件产业的发展。
“加拉帕戈斯”效应2：中国SaaS产业。产业界曾掀起了对中国SaaS 产业发展的大讨论，《中国不需要SaaS》《中国软件行业几乎全军覆没》等文章，过去的10年是中国SaaS失去的10年，美国SaaS企业Top10、Top50的市值总大致相当于中国企业的17倍。
中美SaaS企业的市值总和差距也基本如此。中国SaaS走向到“项目制造+私有化”的死胡同。这也带来了两个后果：中国的“工程师红利”被稀释，中国有700万软件开发人员，远超美国430万，然而绝大部分陷入各类外包项目制交付中。中国的“场景红利”被分割。中国ICT软件和服务市场大部分为私有化项目制交付，中美服务器规模差不多，但美国65%是以标准化的公共云对外服务，中国只有28%。一个庞大的公共云市场可以孕育孵化更多更大的数字创新企业。
“加拉帕戈斯”效应3：工业互联网。工业互联网独角兽企业纷纷宣布终止上市，资本市场投资人减少、企业融资困难。工业互联网面对的是一个域割裂的、高度碎片化市场。大多数工业互联网平台，陷入了一个个碎片化的项目制中，没能实现向产品化、平台化的跨越，无法实现低成本的规模扩张，渐陷工业互联网发展的“加拉帕戈斯”效应。
“加拉帕戈斯”效应4:：中国的“AI四小龙”。“AI四小龙”曾是中国AI发展的风向标、AI产业的先锋。一家公司三次申请IPO均未被受理，几个“小龙”长年亏损，AI龙头公司增收不增利、亏损达几十亿元。“AI四小龙”以支撑定制化、政企信息化项目为主，如公安、政务、应急等，项目周期长、毛利低，难以为AI产业的高研发投入提供持续造血能力，没有完成从项目到产品、平台的跨越。
今天中国AI大模型发展已经走到了一个十字路口：是走向“私有云+项目制模式”方向走，会重蹈过去10年中国SaaS产业的 “加拉帕戈斯”困境；还是走向“公共云+平台化模式”，走向“移动互联网的赶超”，是一个需要认真探讨的重大问题。
二、“加拉帕戈斯”效应的本质和背后原因
无论是日本软件产业的错失，还是我国SaaS行业的孱弱和中美公共云的巨大差距，上述产业中的“加拉帕戈斯”效应，本质都是项目制主导所引发的结果，背后的主要原因是：统一大市场的“碎片化”、市场竞争的“关系化”和市场生态的“盐碱化”，没有形成“科技—产业—金融”的良性循环生态。
（一）“加拉帕戈斯”效应的产业本质：基于碎片化市场+项目制交付的落后产业生态
在对企数字化领域，无论是SaaS企业、互联网企业、工业互联网企业还是AI大模型企业，最重要的不是它自称属于什么企业，而在于它的“交付形态”。企业的交付形态是体现其生产力先进性的最核心特征。当前全球对企数字化领域，存在“项目、产品、平台化服务”三种典型交付形态，对应三种典型的公司形态。
一是“项目型公司”（Project）。以可信关系、人力成本与集成交付作为核心竞争力。大多数企业无法实现公开融资，较高公司市值也就在百亿以内，以完成甲方定制化需求为主，收入主要来自项目集成服务和人力外包收入，利润空间有限，技术能力提升慢。
二是“产品型公司”（Product）。此类公司具备区域和细分赛道产品优势，能够实现上市融资，市值在百亿到千亿间。此类公司以标准化软件产品为主，拥有成熟的产品和交流流程，通过持续新版本迭代升级来带动收入增长。
三是“平台型公司”（Platform）。过去20年，数字化领军企业纷纷发展成为平台型公司，营收超千亿，市值在千亿甚至万亿以上。基于新一代云平台、通用模型、云端应用开发部署及API调用，为客户提供高效灵活且稳定的技术能力。此类公司相比前两类公司，既能以低成本和快速部署的方式为用户提供云端能力，又能按用户需求随时扩容，云端升级，为用户提最新技术能力。
今天，很多企业声称自己是SaaS企业或者AI大模型企业，打着“高大上”的产品旗号，实际上却可能一个“项目制公司”，和“包工头”的商业模式并没有本质上的区别，不严格地讲就是按人头收费——某个项目现场有多少人，每人每天收费多少元。
中美在对企数字化的巨大产业差距，背后的核心表现是：中国的众多行业主要采用项目制，而美国则通过平台化的方式进行数字技术能力和服务的输出。比如美国的微软、谷歌、Meta、Discord等一批科技平台企业，以“平台型公司”为产业发展的“基座”，孵化垂直领域独角兽，构建繁荣的应用生态。
（二）造成“加拉帕戈斯”效应的三大原因
一是统一大市场的“碎片化”，丧失孵化“大企业”的功能。大市场带来规模经济，既有效降低投资的不确定性，也能支撑小企业长成科技巨头。日本的软件产业、中国SaaS产业之所以没有发展起来，是因为他们面对的是一个高度碎片化的市场。比如中国的SaaS市场，以私有化、混合云为主的定制类政企项目，导致中国统一大市场逐渐被一个个政企项目所割裂，也难以形成强大的SaaS标准化服务能力, 这样的市场丧失了支撑“小企业长大”的功能，孵化不出真正的大企业。
二是市场竞争的“关系化”，丧失发现“好企业”的机制。一个健康的市场，天然具备发现“好企业“的良性机制。通过充分的市场化竞争，具有核心技术、创新能力强和治理良好的企业，一定会脱颖而出。而在中国的SaaS市场上，企业以客户关系、拿订单为核心能力突破点，偏离了SaaS平台化服务能力等核心技术建设。大企业将数字化项目优先给到“孙子公司”。市场就丧失了对好技术、好产品、好服务的遴选能力，市场竞争从产品竞争转向客户关系竞争。
三是市场生态的“盐碱化”，丧失培育有持续竞争力企业的能力。没有良性的投资回报，市场就难以培育创新型企业。在日本的软件市场，人才与资源主要集中在为大企业提供外包的、项目化的IT服务，而不是发展核心IT技术，创新能力受到抑制后，企业就难以从风投获得资金，再上一个发展台阶。同样，中国的SaaS市场，定制化、项目化的发展模式，企业难以盈利、甚至亏损，投资人基本血本无归，无法形成良性的投资回报。这两个市场都有“盐碱化”市场的特点，在这样的市场里，无法形成“科技—产业—金融”的良性循环生态。
三、中国AI大模型的“加拉帕戈斯”隐忧
当前，中国大模型市场存在“加拉帕戈斯隐忧”，要高度警惕统一大市场的“碎片化”。而要超越AI大模型发展中的“加拉帕戈斯”效应，中国2B数字化市场必须找到一条适合自身特点、能够发挥统一大市场优势、符合新质生产力发展要求的发展道路，这条道路的核心在于：必须改变以项目为主的私有化部署模式，迅速进化到“公共云+平台化模式”，以实现可持续的商业闭环。
（一）当前2B端主流部署方式：项目制+私有化
进入大模型应用元年，一些企业不断鼓吹“大模型私有化”“每个企业都应该有自己的私有化大模型”等等论调。同时，在金融、能源、制造等领域，大模型项目已展现出私有化、项目制、碎片化的“加拉帕戈斯”迹象。据不完全统计，2024年1-6月（截至6月15日），全国已有近230个各类大模型相关项目公布了中标结果，无论是按项目数量还是按中标金额统计，私有化均占绝对份额，私有化项目占91%、金额占97%。这背后反映了我国大模型领域在市场、模型、数据、算力等方面的割裂。
（二）微观视角：中美企业大模型投入成本和部署周期的10倍差距
“公共云+API”模式是美国企业部署大模型的主流方式，而国内大模型项目、特别是在政企市场，仍然停留在“项目制”，以本地私有化建设和部署为主。相比私有化部署，大模型通过公共云部署，能够从平台化服务中获得在成本、时间、效果、技术等方面的诸多优势。
从部署周期看：中美大模型部署时间相差14倍左右，云上部署的周期在半个月到一个月之间，主要时间用于语料准备和应用开发；而私有化部署的周期大概在6-12个月，主要时间用于硬件采购和设施建设，如果加上前期的预研、验证、立项到招投标等环节，一般要经历 1 年甚至更长的时间。
从使用成本看：在一个实际的大模型金融项目案例中，私有化部署的5年总成本是2.6亿元，而公共云部署仅为1650万元，存在数10倍的资金门槛差异。
从使用效果看：云上部署可以使用最新最先进的模型能力，而私有化部署往往只能使用立项时的模型能力，模型和硬件的迭代升级面临诸多困难和不便。这种滞后不仅影响模型的性能和创新能力，也会限制企业在快速变化的市场环境中的竞争力。
（三）宏观视角：中美大模型产业生态的差距持续扩大
从全球看，面对新的AI科技浪潮，“All in AI”成为美科技巨头的战略共识，并陆续涌入投资竞赛，持续增加资本投入。美“科技七巨头”（微软、苹果、英伟达、谷歌、亚马逊、Meta、特斯拉）都在大规模进行算力投资和模型训练投资。
今年上半年，谷歌资本支出激增90%，达到250亿美元。微软资本支出增长78%，达到330亿美元。上述支出均主要用于AI与云基础设施的建设与投资。有机构预计，美国科技大公司未来每年在云和AI的投资会超过4000亿美元，拾象科技预测，OpenAI和Google未来几年的大模型训练预算达到200亿-300亿美元。面对如此巨额的商业投资，我们需要思考的是：可持续商业闭环的路径在哪里？是平台化模式还是项目制模式？
当前，美国大模型企业的投资逻辑是基于平台的产业生态，他们不将当前的大模型产业视为一个个单独的项目或产品，而是将其视为一个平台化产业。如果只是将其视作一个个项目，美国的科技巨头不可能投入如此多的“真金白银”。
“平台化模式”前期投入大、收益不明显，但只要熬过“战略忍耐期”，该模式的规模化、集约化、高性价比等优势就会凸显出来，就会迎来价值拐点、实现质的飞跃，带来超出预期的市场价值。这也是为什么市场上担忧“AI泡沫”，美科技巨头却保持着超强的战略耐心。近期谷歌CEO表示，在AI领域，投资不足的风险远远大于投资过度的风险；微软CFO也表示，微软云计算和AI基础设施的投资，可能需要15年甚至更长时间才能获得回报。
（四）AI大模型：需要探讨的两个基本问题
首先，在2B数字化市场，中国是否有大国大市场优势？
我们要高度警惕这一现象，因为定制化、私有化部署的大模型，无法大规模商业化，成本很高、效率很低，会导致很多企业锁死在一个狭窄的赛道上，这是落后的产业模式，会导致大模型统一大市场的“碎片化”，如此发展下去的后果是：在2B的数字化市场上，我们会丧失大国大市场优势，只剩大国小市场劣势，存在形成“新二元经济”格局的巨大潜在风险。
其次，在AI大模型政策上，供给侧政策重要，还是需求侧政策重要？
早在上个世纪90年代，哈佛大学波特教授提出的“国家竞争优势”理论，一直在探讨为什么有些国家成功，有些国家失败？一个国家的产业竞争力究竟来自哪里？为什么基于特定国家的企业，在特定的领域和产业获得了国际水平的成功？为什么法国的香水、瑞士的巧克力、日本的机器人可以傲视全球？一个国家产业竞争力来自四个核心要素：一国的生产要素、相关产业和支持产业、市场需求质量与结构，以及企业的策略、结构和竞争对手。很多时候，我们远远低估了市场需求质量和结构对一个国家产业竞争力的影响。或者说，一个国家产业的发展与崛起，不仅取决于供给要素、供给能力、供给质量，也取决于需求规模、需求质量、需求结构。
我们一直担心供给侧的AI技术能力，认为需求侧的规模市场和丰富场景是我国发展AI的最大优势。但从供给到需求，需要有健康的市场机制去实现供需匹配、市场主体的优胜劣汰、以及技术路线的迭代优化。我国产业市场机制并未随数字技术演进同步前行，在信息化时代遗留的数据安全顾虑和项目制痼疾，已经严重滞碍新技术、新业态的发展。
我们试想：假如我国的AI模型等技术能力与美国的水平一样，我国的AI产业发展就一定能追上美国吗？其实并不一定。市场需求结构的不同，会牵引处于同一起跑线的技术走向不同的发展方向，形成新的技术产业发展差距。
四、超越AI大模型“加拉帕戈斯”效应，构建统一大市场，基于“公共云+平台化模式”构建可持续商业闭环
AI大模型是资金密集型产业，实现可持续商业闭环是产业健康发展的关键。面对我国AI大模型发展中的“加拉帕戈斯”隐忧，通过“公共云+平台化模式”实现可持续商业闭环，加快构建2B统一大市场，才能真正超越AI大模型的“加拉帕戈斯”效应。
一是破除“项目制+私有化”的思维定势，坚定不移地走“上云用模”的发展道路。“项目制+私有化”是我国产业IT建设上延续已久的独有问题，随着大模型技术能力的持续进步和所需资金体量的加大，传统“私有化建设”更加难以匹配产业发展的速度，此种建设方式的弊端，未来会更加激化凸显。中国需要将“公共云+API”作为AI大模型产业发展的核心战略，鼓励各类企业“上云用模”。
二是完善“上云用模”安全标准，进一步破除数字领域市场准入障碍。一些企业普遍存在数据安全顾虑:如“重要数据不出域，我的数据不能出自家的系统”“数据上云会被用来练模型，你帮我做应用可能要用我的数据”。实际上，数据的安全性是不是取决于其存储的地点和介质？云端部署大模型应用是不是比私有化部署更为安全？这些问题不是一个重要决策默认的前提，而本身就是一个需要在技术维度、管理维度、认知维度深入讨论的话题。今天，如何理解云上安全，如何理解“项目制+私有化”对中国2B数字化产业的长期危害，这是一个需要讨论的重大问题，还是决策前默认的前提，才是中国2B市场面临的最大问题。
三是需求侧是政策的发力点，可持续商业闭环是政策效果的“风向标”。算力资源的持续提升有助于解决大模型的“可用”问题，而模型应用场景的持续拓展，则是实现大模型“有用”的关键。AI 大模型正处于“智能涌现”到“应用涌现”的关键阶段，相应的扶持政策也需匹配当前积极发展的应用产业速度。没有可持续的AI商业回报，没有健康的商业闭环，没有良性的产业生态，供给侧的发动机马力再强大，AI的这辆车也不会跑太远。AI发展需要芯片、算力、模型等供给侧的政策支持，但这远远不够，正如波特在《国家竞争优势》中所说的，一个国家产业的需求规模、需求结构、需求质量，也是决定产业竞争力的重要来源。
版块介绍 —产业之声
紧跟产业发展脉搏，我们汇集行业领袖与企业的真实声音，在算力基础设施的规划与布局、能耗优化、大模型能力发展、大模型评测体系、产业应用案例深入研究、新技术与应用趋势前瞻探索等方面，剖析成功案例背后的逻辑与挑战，并提供基于产业深度洞察的策略建议。同时，我们依托于阿里巴巴集团在人工智能领域的全面布局，分享阿里的AI产业生态和应用的实践落地，探讨技术如何重塑产业格局并推动社会经济的转型升级。
Reading
1、
2、
3、
4、
5、
6、
7、
8、
9、
10、
11、
12、
13、
14、
15、
16、
17、
18、
19、
20、
21、
22、
23、
24、
25、
26、
热门跟贴