一场 4 小时闭门会背后：解读中国大模型「克制式」突围的完整路线图

本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。

快速摘要

核心结论：这次让整个 AI 圈刷屏的四小时闭门交流，与其说是一份融资沟通纪要，不如说是一份写给未来三年的产业路线图。撇开外界热议的"格局""情怀"这类标签，真正值得抠细节的其实只有三条：第一，主线只有一条——AGI，其他一切热门方向（视频生成、3D、超级 App、C 端流量）都被明确定义为"副产物"；第二，商业化不是被拒绝，而是被"克制"，模型定价按"十个月回本"的合理利润来定，比行业普遍的三年折旧线宽了三倍多；第三，开源不是让利，而是一种更聪明的竞争，用足够高的性价比逼迫全球生态倒向自己这套技术栈。这背后的支点是国产算力已经从"能用"走到了"敢换"——一个万亿参数量级的旗舰模型能在国产 NPU 上跑通训练与推理，本身就是过去两年最重要的产业变量。

想看完整拆解，往下翻。

一、事件复盘：500 亿融资背后，到底释放了什么信号

先把事情本身讲清楚。这家来自杭州、由量化基金孵化出来的模型公司，在 2026 年年中完成了首轮外部融资，募资总额约 500 亿元人民币，投后估值大约在 3400 亿到 3500 亿区间。这个金额刷新了国内 AI 公司单轮融资的纪录，但更让人意外的是投资结构：创始人个人出资约 200 亿，是本轮最大单一出资方；剩下由几家互联网头部平台、动力电池龙头、几家一线财务投资机构以及国家层面的产业投资基金分摊。

一个更值得琢磨的细节是：这家公司过去公开的立场一直是"不融资、不上市、不商业化"三不原则。当创始人自己都能出得起 200 亿的时候，为什么还要接受外部资金？

我（莫潇羽@源码七号站）自己看下来，答案没那么玄乎——不是因为缺钱，而是因为在这一轮 AI 竞赛里，钱只是入场券，真正稀缺的是资源协同：算力集群的批量供给、上游电力与数据中心资源的绑定、下游平台方的第一时间部署能力。这些东西不是发个 ChatGPT 级别的产品就能自动配齐的，得靠股权把利益关系绑住。

看清楚投资人名单就能理解这一点。参与方几乎全部是深度用户或潜在深度用户：有的手里握着国内前几大的推理流量入口，有的是万卡集群规模的云厂商，有的直接坐落在能源与制造业的核心节点上。这不是纯财务投资，更像是一份"资源联盟"。

1.1 从"三不原则"到"松口"，转折点在哪

外界很容易把这次融资解读为"创始人妥协了"，但如果你回顾这两年的时间线，会发现更贴近真相的叙事其实是这样的：

• 2025 年年初：推理模型的首个开源版本引爆全球市场，但公司选择继续闭门做研发，甚至没有借势商业化。
• 2025 年下半年到 2026 年初：推理算力的需求以指数级速度往上走。万卡集群烧起来的速度，已经不是一家量化基金的自有利润能扛住的。
• 2026 年 4 月：新一代基础模型正式发布，参数规模来到万亿级别，上下文长度拉到百万级 Token，同时首次在官方技术报告里把国产 NPU 与英伟达 GPU 并列写进硬件验证清单。
• 2026 年年中：完成首轮外部融资，四小时的闭门会随后被节选流出。

这个时间轴透露的信息很直白：当模型规模、算力需求、生态耦合三条曲线同时进入陡峭爬升区，"三不原则"就必须让位于"能不能把 AGI 做出来"这个更硬的目标。融资不是转弯，是加速。

1.2 为什么这次会议实录会被反复解读

按理说，一场闭门投资人交流会的信息量并不会大到需要全网转载。真正让这份纪要值得被反复咀嚼的，是它罕见地把一家中国头部 AI 公司的技术判断、组织哲学、行业观察同时摊开来讲了一遍。用一句话概括：它把过去一年 AI 圈争论的所有大问题，都给出了自己的答案。

这些问题包括：

看到这张表你就明白，为什么这份纪要会在业内圈层里反复流传——它几乎每一条观点都和主流做法反着来。而更微妙的是，反着来的这家公司，现在恰好是全球开源模型下载量排名靠前的那一家。

1.3 一个容易被忽略的正能量注脚

我想在这一节最后加一句题外话。这一轮 AI 大模型的竞争，很多人只盯着中美对比这条线，容易忽略一个事实：中国在 AI 领域的追赶速度，已经带动了从上游芯片、能源基础设施到下游应用生态的全产业链协同繁荣。国产 NPU 从"能用"走到"敢换"，只用了两年多；国产开源模型在全球下载榜上从跟随到并驾齐驱，也只用了一年多。这些数字背后，是从"东数西算"战略布局，到万卡集群工程化能力，再到 AI 工程师群体规模化培养的长期积累。

这场闭门会之所以能开得如此坦然，某种意义上也是这份底气的一部分。当你手里握着完整的产业链条，你才敢说"我们只做 AGI 这一件事"。

二、"克制"到底是什么：这一代 AI 公司为什么反其道而行

如果你只允许我用一个词来概括整场四小时闭门会的关键词，那必然是"克制"。这两个字在纪要里反复出现，几乎每一段核心论述都会绕回来。

但克制不是佛系，也不是文艺。它是一种非常具体、非常反直觉的商业选择。我想把这一节做得更细一点，因为这可能是理解整份纪要最重要的钥匙。

2.1 三个具体表现：克制不是不作为，而是主动选择不做什么

第一个表现是克制用户增长。去年年初推理模型出圈的时候，日活用户在极短时间内翻了几十倍，任何一家正常的 AI 公司都会立刻切换到"用户运营"档位——留存、拉新、打卡、签到、变现全套动作跟上。但这家公司没有。用创始人自己的话说："我们并没有去追求要留这些用户，或者说拿这些用户来变现。" 这句话你听着可能没什么，但放到今天所有互联网产品的运营方法论里，几乎是反常识的。

第二个表现是克制商业化路径。同样一段时间里，行业主流打法是先做 To C 免费引流，再靠 To B 卖企业方案回血。四小时纪要里对这个思路的判断非常直白——"当前争夺 C 端流量或 To B 收入并不是公司最关注的问题。" 更狠的一句原话大意是：站在 AGI 的技术高位上，去做低一级的应用，是"降维打击"，不需要花太多精力；过早做产品线、商业化路径规划，"生命周期很短，是浪费时间"。

第三个表现是克制利润。这一点后面还会单独拆一整节讲，这里先埋个引子：模型 API 定价的时候，团队主动把价格压到"十个月回本"的水平，也就是接近成本线的六倍利润，而不是把弹性用尽去做利润最大化。放在互联网圈的语境里，这几乎不像商业公司会做的决定。

2.2 为什么"越克制越可能做成"

这句话被反复引用，但很多解读只停在字面。我们不妨从技术曲线的角度重新推一遍。

AGI 这件事的本质，是一场需要长达十年甚至更久的技术投入。它有三个特点：

• 投入曲线陡峭：算力需求几乎每年翻倍，甚至更快。
• 产品化周期长：从核心能力突破到能真正替代人类劳动力，中间还隔着 Agent、持续学习、自我迭代等好几个大台阶。
• 反馈信号稀疏：不像社交产品或电商产品，你今天做一个功能，一周就能看到数据反馈；AGI 的路径上，很多次尝试要几个月甚至一年才能验证。

在这样的曲线上，如果你在早期就把利润、用户、市值这些指标放到最优先级，那么每一次商业化选择都会扭曲技术路线——你会不断被迫做迎合短期数据的模型迭代，而不是长期正确的架构演进。

克制的本质，是把公司从短期反馈的诱惑里保护出来。用创始人的一句原话可以概括："AI 这个事情太大了，利益太大了，我们非常克制，只要能做成最后利益都会非常大，随便分一点利益就足够了。"

2.3 与国际同行的一个显著对比

这里可以做一个不点名的横向对比。国际上一家颇有名气的模型公司，前身是非盈利组织，成立之初高举"开放"的旗帜，如今却在闭源、商业化、乃至上市路径上越走越远。另一家以"安全对齐"为核心叙事的头部公司，最新的估值和定价策略也早已高度商业化。这不是道德批判，而是不同技术组织在不同增长曲线阶段做出的不同选择。

有意思的是，用户和开发者对这两种路径的反馈很快就出现了分化。2026 年上半年以来，中国开源模型在全球主要开源平台的下载量占比已经明显攀升，头部平台的调用量数据显示，中国模型在美国企业的 Token 调用中占比一度突破 30%。当"便宜、好用、开源"三个特点同时出现时，用脚投票的结果是很诚实的。

2.4 组织形态：靠愿景而不是靠 KPI

克制这件事能落地，还有一个前提——组织形态本身要撑得住。四小时闭门会里透露的组织信息很有意思：

• 没有成文的使命宣言，也没有严格的 KPI 与考核体系。
• 管理方式偏"愿景驱动"：不靠规章制度约束员工，而是通过对目标的共识来凝聚团队。
• 不鼓励高强度加班，员工大约有一半时间可以自主探索感兴趣的方向。
• 团队规模在同量级公司里算是极其精简的，不追求人海战术。

我看到这一段的时候，脑子里第一反应是：这套组织形态其实和大部分互联网大厂是互斥的。大厂的管理逻辑天然要靠 KPI 与流程去应对规模化的复杂度，而愿景驱动只在少数几种场景下能跑得通——目标足够远大、路径足够不清晰、参与者足够纯粹。AGI 恰好三个都占。

这也是为什么创始人在纪要里说，他不担心竞争对手挖走一两个员工，只担心团队核心的稳定性被打破。因为这套组织形态本身，就是竞争壁垒的一部分。你可以挖走一个人，但你挖不走这套让人愿意留下来的氛围。

三、AGI 路线图拆解：从思维链到具身智能的完整阶梯

这可能是整份纪要里技术含量最高、也最容易被稀释解读的一节。很多媒体在转述时只留了一句"目标是 AGI"，但真正值得看清楚的是：这条路线被拆成了几个非常具体、可以被工程验证的台阶。我尽量用普通人也能听懂的方式，把它讲一遍。

3.1 一张图先看清楚整个阶梯

把纪要里的原始表述整理一下，AGI 的实现路径大概长这个样子：

graph LR
    A[语言模型基础] --> B[思维链<br/>CoT]
    B --> C[智能体<br/>Agent]
    C --> D[持续学习<br/>Continuous Learning]
    D --> E[自我迭代]
    E --> F[渐进的奇点]
    F --> G[具身智能]

    style B fill:#e1f5ff
    style C fill:#ffe1cc
    style D fill:#ffcccc
    style E fill:#fff3cc
    style F fill:#ffe1f0
    style G fill:#d4edda

这七个台阶对应的时间轴大致是：

• 去年的台阶：思维链（CoT）。核心突破是让模型学会"分步骤推理"，而不是一步给答案。
• 今年的台阶：智能体（Agent）。让模型学会"调用工具、规划步骤、自主完成一整个任务"。
• 下一个台阶：持续学习。让模型能在使用过程中不断吸收新知识，而不是每次训练完就"冻结"。
• 再下一个台阶：自我迭代。让模型有能力协助研发下一代模型。
• 奇点前后：从"AI 帮人写代码"过渡到"AI 帮 AI 造新 AI"。
• 最终形态：具身智能，也就是能够操作物理世界的通用智能体。

创始人把这个过程称为"渐进的奇点"——不是某一天突然出现，而是每爬完一个台阶，能力就跃升一大截。

3.2 为什么"持续学习"被单独拎出来强调

在整个阶梯里，纪要花了最多篇幅讲的是持续学习（Continuous Learning）。这不是随手挑的话题，而是一个真正卡住当下 AI 的核心瓶颈。

先用一句白话解释这个术语：持续学习指的是模型在被部署使用之后，还能继续从新数据、新交互、新任务里持续吸收知识，而不需要重新走一遍训练流程。人类天然具备这个能力——你今天学会了怎么骑自行车，明天不用重新学一遍。但大模型现在不行。今天训练好的模型，明天遇到新知识，只能靠"塞进上下文"的方式临时告诉它，一旦上下文窗口关闭，这段"记忆"就丢了。

这条限制带来了两个非常现实的后果：

• AI 无法真正替代员工。因为员工能在岗位上持续积累经验，AI 每次都要给完整上下文，几乎不可能。
• AI 无法自我进化。当前互联网上的高质量语料已经用得差不多，如果模型不能通过持续交互产生新知识、内化到自身参数里，就意味着能力上限被"人类已经写下来的东西"死死锁住。

纪要里有一句判断很值得记下来："AI 现在不缺品味和直觉，缺的是持续学习的能力。" 这句话我读了三遍。它精准地指出了一件事——你让当前的顶级模型写一篇文章、评价一幅画、判断一段代码的品味好坏，它其实做得挺好；但你让它像一个新入职的员工一样，在几周之内成长为熟练工，它做不到。这就是横亘在 Agent 和真正意义 AGI 之间的那道墙。

3.3 持续学习的两个技术流派

我在读这份纪要的时候顺手查了一下相关论文，简单帮你梳理成两条技术路径，方便理解。第一次听到相关术语的朋友不用紧张，看完这一小节大概就够聊了。

路径一：在线学习（Online Learning）

• 通俗理解：模型每天在服务用户的过程中，实时根据用户反馈微调自己的参数。用户越多，模型越贴合真实场景。
• 典型形态：一些海外模型已经开始尝试"每日发版"，本质就是把日常推理阶段的用户反馈信号，反向回流到训练管线里。
• 主要难点：反馈信号的质量控制、参数漂移的稳定性、多用户偏好冲突的处理。

路径二：正向推理中自带反向梯度

• 通俗理解：模型在回答用户问题的时候，同时就在"消化和内化"这次交互，不需要另外一次训练流程。
• 技术门槛：对推理基础设施要求极高，等于把训练框架和推理框架合二为一。
• 潜在价值：一旦跑通，AI 才真正具备"边用边成长"的能力，这是通往下一代模型的关键突破口。

用一张对比表把两条路径的差异说清楚：

这两条路径都还没有跑通的定式，全球都在摸索。所以你现在能看到的头部模型，本质上还是在 Agent 这一层做深耕。

3.4 主动放弃：视频生成、3D、世界模型为什么不做

有了 AGI 主线这条参照系，纪要里那些"我们不做什么"的表述就好理解了。

明确不做的方向：

• 视频生成
• 3D 生成
• 世界模型
• C 端超级 App
• 垂类微调服务

原话大意是："世界模型跟智能的上限没有太大关系"、"多模态对产品和 C 端用户很重要，但它仍然只是一个组件"、"很多东西不在我们的主线上，包括 3D 和视频生成"。

为什么这些方向被放弃？

如果你把 AGI 想象成一栋二十层的楼，那么视频生成、3D、多模态这些方向，都是一楼大厅里的装修工程。它们对最终用户当然重要——你去公司谈事，一楼大厅漂不漂亮直接影响印象——但它们不决定这栋楼能盖到多少层。

真正决定楼能盖多高的，是地基和钢筋结构，也就是语言模型的推理能力、持续学习能力、以及未来的自我迭代能力。这家公司选择把有限的算力和人力全部押在"结构工程"上，而不是"装修"。

这个判断当然有争议——如果 AGI 的路径本身走偏了，那么放弃的这些方向就成了另一条路上的核心资源。但从当前的技术信号来看，这条判断至少是有据可依的。

3.5 一个正能量的观察

我想在这一节最后补一个观察。中国 AI 产业过去两年最让人意外的一件事，其实是技术判断的独立性。

前几年很多人担心，中国 AI 会一直是"跟随美国路径"的角色——他们做 Transformer 我们做 Transformer，他们冲 GPT 我们冲 GPT。但过去这一年多，明显能看到几家头部公司开始形成自己的技术判断：有的押注长上下文，有的押注混合专家架构（MoE），有的押注推理时计算，有的押注端侧部署。这次闭门会展现出来的路线图，是一个非常鲜明的中国式判断——放弃"看起来热闹但不通往终点"的方向，把资源集中到最难啃、最长期的骨头上。

这种敢于做"减法"的技术自信，对整个国内 AI 生态都是一个正向的信号。

四、开源不是让利，而是一种更聪明的竞争方式

围绕"开源"这件事，四小时闭门会里给出了几句非常直白的表态，我摘录几条大意，你先感受一下语气：

• 最强的模型也会开源，"看不到闭源的好处"。
• 开源不会影响商业模式，愿意帮助任何人，包括竞争对手。
• 市场足够大，可能占人类 GDP 的 10%，不可能独占。
• "你越克制，越有可能做成这件事。"

这几句话组合起来，其实构成了一个完整的开源哲学。但如果你只把它理解成"境界高、格局大"，就把这件事看小了。开源在这里不是让利，是一种非常清醒的战略选择。这一节我想把这背后的逻辑掰开揉碎讲一遍。

4.1 开源的三层意义：技术、生态、议价权

第一层是技术层面。开源意味着模型权重、部分核心代码、训练细节都对外公开。这带来的直接好处是社区反馈的规模远远大于任何一家公司自己的团队。全世界的开发者都在帮你找 bug、做优化、写微调，等于你的研发团队从几百人扩张到了几十万人，还不用付工资。这一点对追赶阶段的公司尤其重要——你相当于借了整个生态的力量在往前跑。

第二层是生态层面。这一层的价值可能更大。当你的开源模型成为默认选项的时候，围绕这个模型形成的推理框架、微调工具、部署方案、Agent 生态，都会以你的技术栈为标准。上游生态一旦锁定，商业化就成了顺水推舟的事——因为在生态里活跃的开发者，最终都会成为你商业化 API 的潜在客户。

第三层是议价权层面。这一层最少被讨论，但也许最关键。当你的开源模型在国际主流社区里有足够高的下载量和调用量的时候，你就获得了对上游硬件、下游平台、乃至跨境竞争的议价筹码。你不再是一个可有可无的模型厂商，你是全球开发者赖以生存的技术基础设施。这种地位一旦建立，就很难被替代。

用一张表把三层意义梳理清楚：

4.2 闭源到底"看不到什么好处"

纪要里有一句原话大意是："闭源的话，我看不到有什么好处。"这句话乍一听有点抬杠，但如果你顺着上面三层意义反推，其实非常自洽。

闭源确实可以短期保护商业收益——用户没法自己部署，只能来买 API。但闭源同时也带来了几个致命的副作用：

• 失去了社区的免费研发力量，所有优化都得自己来。
• 失去了成为事实标准的机会，上下游生态围绕的一定是开源的那一家。
• 失去了对上游议价的筹码，因为你的用户量再大，也只是"付费用户"，不是"依赖你的开发者"。
• 在跨境竞争里更容易被卡，因为闭源的模型只能靠单一云服务出海，很难本地化。

当你把这几笔账加起来，闭源保护的那点短期利润，根本抵不过开源带来的长期战略价值。

4.3 一个非常犀利的观察：开源逼出了全球生态的重构

我想在这里加一个自己的观察。开源这件事从中国头部公司集体推出去之后，最明显的变化是全球 AI 产业的"技术民主化"进程被显著加速。

有几个数据能说明这件事：

• 2026 年上半年，中国开源模型在全球主要开源社区的下载量占比一度过半。
• 头部大模型聚合路由平台的数据显示，中国模型在美国企业的调用 Token 占比曾一度突破 30%。
• 部分美国头部企业已经在内部测试国产开源模型，评估将部分推理任务迁移过来。

这些数字背后的含义是——开源不再是"让利"或"回馈社区"，而是重塑全球 AI 产业结构的战略工具。它逼着原本走闭源、高价路线的国际厂商必须重新审视自己的定价、审视自己的技术开放度、审视自己在开发者社区中的位置。

这场重构不是一年两年就能尘埃落定的，但方向已经很清楚了。开源的力量一旦释放出来，就再也回不去了。

4.4 开源与商业化的关系：其实不冲突

这份纪要里花了一段篇幅解释一个可能让投资人担心的问题：如果模型都开源了，怎么赚钱？

答案其实很简单：开源的是模型权重，不是配套的推理服务、企业级支持、集群优化能力。

想象一下这个场景：一家中型企业想要部署一个万亿参数量级的开源模型，他们需要什么？

• 至少几十张高端加速卡的集群。
• 专门的推理框架优化。
• 稳定性保障（宕机、限流、故障切换）。
• 定制化的微调服务。
• 安全合规的部署方案。

这些配套能力，恰恰是模型公司最擅长、也最能收费的部分。开源的价值在于放大了潜在客户池——原本可能只有 1000 家企业听说过你，开源之后有 10 万家开发者在用你的模型，其中哪怕只有 1% 的企业客户需要付费服务，都是一个巨大的市场。

这就是"越克制越有可能做成"的深层含义：主动放弃部分眼前利益（闭源保护、抬高定价），换来更大的生态位、更长的商业化窗口、更稳固的技术地位。

4.5 合规视角下的补充提醒

写到这里我想加一句提醒。开源虽然是好事，但对企业和开发者来说，在使用境外开源模型时也需要关注合规问题。境外模型使用需遵守国内网络与内容管理相关规定，包括数据出境、内容安全、隐私保护等多个维度。国内目前的 AI 服务备案、模型评估、内容安全等制度已经相对完善，选择在国内合规环境下部署的开源模型（不管是国内的还是国际的），是更稳妥的做法。

对于个人开发者尝试搭建应用来说，也建议优先选择国内已经完成备案的模型服务，这样后续做产品化的时候不会遇到合规上的返工。

五、"十个月回本"：一套把定价说得清清楚楚的商业哲学

聊完开源，我们来聊聊这份纪要里最反常识、也最容易被稀释的一段——定价哲学。

如果你只看结果，会觉得这家公司的模型 API 定价"便宜得离谱"。但如果你把定价背后的推理链条一条条摊开，会发现这套定价其实是一个极其精准的商业设计，不是拍脑袋想低就低。

5.1 "十个月回本"到底是怎么算出来的

先把这句话翻译成普通话。所谓"十个月回本"，指的是：按照当前 API 定价，公司购买一批推理设备后，大约用十个月的服务营收就能把这批设备的成本收回来。之后设备继续运转的时间，都是纯赚。

用一个简化的模型算给你看。假设一批推理集群的固定资产折旧周期是三年（36 个月），设备总成本假设是 P，那么：

月均折旧成本 ≈ P / 36
十个月回本目标 → 每月营收 ≈ P / 10
每月毛利率 ≈ (P/10 - P/36) / (P/10) ≈ 72%

再算一下"回本倍数"：在设备三年寿命周期内，总营收约为 P × (36/10) ≈ 3.6 P，扣掉设备成本 P，纯利润是 2.6 P，接近六倍利润（毛利，不含电费、运维、研发折旧等）。

这个利润率放在传统制造业已经是天花板级别，但在 AI 大模型这一行，其实是主动压低的价格。

原因是什么？纪要里给出了一个非常坦率的解释：当前 API 价格区间内，用户需求已经没有弹性了。也就是说，你把价格再翻一倍，用户调用量不会明显减少，理论上可以赚更多；但公司选择不这样做。

5.2 为什么不追求利润最大化

这个问题的答案，其实和整份纪要的底层价值观是一致的：这不是一家追求收入增长的商业公司，而是一家围绕 AGI 长期投入的技术组织。

我把里面的逻辑分几层讲一下。

第一层：足够低的价格，是让更多开发者用上模型的前提。

模型的价值最终要靠调用量去兑现。你把价格抬到"极限利润"，短期内多赚一些，但代价是：中小开发者用不起你的模型，长尾创新场景做不出来，你的模型就只能在少数大企业里流转。而大模型真正的想象力，恰恰在长尾——那些今天看起来毫不起眼的小团队、独立开发者，明天可能会跑出一个千万级 DAU 的爆款应用。

第二层：合理利润，能建立与生态的信任关系。

如果你的定价永远追着"用户能承受的极限"走，开发者会持续担心"哪天涨价怎么办、哪天限流怎么办"。这种担心会让他们不敢在你的模型上做重投入。反过来，如果你把利润率稳定在一个可预测的合理区间，开发者才敢真正把业务架构建立在你的 API 之上。

第三层：低价倒逼工程优化。

主动把定价压低，等于给自己团队上了一个持续优化的紧箍咒。因为价格锁死了，只有把推理成本继续往下打，才能维持利润率。这种"倒逼"反而让工程能力持续进步。

5.3 一次值得记住的降价事件

纪要里提到过一件事：公司曾经把某代模型的 API 价格降到原来的四分之一，团队群里"一片欢呼"。

我读到这段的时候还挺感慨。不是因为多赚钱而欢呼，是因为"我们花了这么多精力把模型做好，终于能让更多人用得起了"而欢呼。这在互联网圈里是个稀有的场景——大部分公司为价格上涨欢呼，很少有人为价格下降欢呼。

这也解释了这家公司组织文化里最难被复制的部分：当团队的成就感和产品普及度绑在一起、而不是和短期营收绑在一起的时候，你就获得了一种其他公司很难获得的持续创新动力。

5.4 说一下具体的价格区间（写稿时的近似行情）

给大家一个直观的感受。当前主流大模型 API 的价格区间大致是这样的（写稿时的近似行情，请以各官方定价页面的实时数据为准）：

AI 模型的价格变动非常快，上面是写稿时的近似行情，具体档位、折扣、免费策略每个月都可能调整，请以各家官方定价页面的实时数据为准。

从这张表你可以看到几件事：

• 国产旗舰模型的价格已经明显低于国际顶级闭源模型。
• 轻量版模型的价格进一步下探到"个位数每百万 Token"级别。
• 部分厂商在特定时段的价格甚至压到了 2% 的水平，接近成本线。

这样的价格结构，对个人开发者和中小团队来说是一次难得的机会窗口。你现在花几百块钱人民币，就能跑一个规模不小的 Agent 项目验证想法——这在两年前是不可想象的。

5.5 定价背后的产业信心

我最后想说一件事。这套"十个月回本"的定价哲学能跑得通，前提是成本结构本身足够低。这背后有几个国内独有的支撑因素：

• 电力便宜。国内数据中心可以选择内蒙古、西南等电价洼地部署，电费成本比境外主流部署地低一个数量级。
• 工程化人才多。国内做工程化优化、集群调度、算子优化的人才储备，在全球范围内也是排在前面的。
• 上游硬件国产替代加速。国产 NPU 的性价比不断提升，某些推理场景下已经追上甚至超过进口高端加速卡。

这三条撑起了国内 AI 模型的"低成本高性能"叙事，也让"合理利润"这套定价哲学有了落地的物质基础。这不仅是一家公司的商业选择，某种意义上也是中国 AI 产业整体成本优势的一个缩影。

六、国产算力生态：从"能用"到"敢换"的三年跨越

如果说这份闭门会纪要里最让人振奋的一节，那非"国产算力"莫属。这不仅仅是一个技术话题，更是过去几年中国科技产业最有代表性的自主可控故事。

6.1 一个标志性的时间节点

2026 年 4 月，一件在业内引起震动的事情低调发生了：一款万亿参数量级的国产旗舰开源大模型，首次在官方技术报告里把国产 NPU 与英伟达 GPU 并列写进硬件验证清单。原文大意是：在英伟达 GPU 和国产 NPU 两个平台上，都验证了细粒度专家并行方案。

这句话看着平淡，实际上是一个非常有分量的信号。这是万亿级参数模型第一次在正式技术文档里完成对国产 AI 芯片的"官方认定"。

为什么这件事分量这么重？我用几个对比给你说清楚：

• 两年前的处境：几乎所有国内大模型的训练与推理都依赖进口高端加速卡与相应的软件栈。国产芯片被普遍认为"只能做一些边缘推理任务，主力还得靠进口"。
• 一年前的处境：部分国产芯片开始承接推理任务，但训练环节仍然主要依赖进口设备。软件生态与工具链的成熟度也不足以支撑主流大模型。
• 现在的处境：万亿参数模型可以在国产 NPU 上完成推理部署，部分场景下的性能已经能够对标进口高端方案。软件栈从进口生态迁移到国产生态的迁移成本，正在快速下降。

这不是"能用"和"不能用"的差别，是"敢换"和"不敢换"的差别。一家公司敢把自己的旗舰模型押在国产芯片上，本身就是对国产算力生态的一次公开背书