展望2025年，國產(chǎn)大模型已然超越了“百模大戰(zhàn)”的喧囂，正毅然邁向更深的探索領域。然而，一年之后，誰能在這場技術盛宴中穩(wěn)坐牌桌，仍是一個充滿變數(shù)的謎團。百度、阿里、字節(jié)，這三張顯而易見的“明牌”，憑借其在算力、技術、數(shù)據(jù)三大硬指標上的全球領先地位，未來完全有潛力與GPT5一較高下。

與此同時，六小虎和DeepSeek等新興勢力雖來勢洶洶，但Scaling Law的失靈以及對“AI領軍者”光環(huán)的祛魅，或許將促使這些創(chuàng)業(yè)公司將精力聚焦于實際產(chǎn)生回報的商業(yè)化道路上，尋求與大廠差異化競爭的策略。

那么，2025年，AI應用將走向何方?被譽為AI應用元年的這一年，又有哪些方向值得我們滿懷期待呢?

01. 聚焦兩大方向

據(jù)彭博社報道，OpenAI在其發(fā)展規(guī)劃中，為通往人工智能通用智能(AGI)的道路設定了五個清晰階段。從第一階段的聊天機器人，到第二階段的推理者，再到第三階段的Agent——即能夠采取行動的系統(tǒng)，OpenAI一步步穩(wěn)步前行。去年9月，OpenAI宣布開發(fā)了一系列新的AI模型，這些模型在復雜的推理任務上取得了重大進步，代表了人工智能能力的新水平。因此，OpenAI將這一系列模型命名為OpenAIo1，標志著其已進入通向AGI目標的第二階段。

隨著這些模型準確度的不斷提升，一個全新的產(chǎn)業(yè)方向正逐漸浮出水面：能夠代替用戶進行具體操作的Agent技術。這一技術的落地場景將遍布各類終端，智能助理將成為其中的佼佼者。想象一下，借助Apple Intelligence，Siri將能夠在Apple和第三方應用內(nèi)及跨應用執(zhí)行數(shù)百項新操作，如輕松調(diào)出閱讀列表中的文章或一鍵發(fā)送照片給朋友。這背后，需要模型具備強大的規(guī)劃能力，能夠準確調(diào)用第三方應用，并確保每一步操作的準確率都達到極致。

與此同時，OpenAI和谷歌DeepMind在multi agent研究領域的加速布局，也進一步預示著這一領域的研究和發(fā)展將迎來新的高潮。兩家公司均在官方網(wǎng)站上發(fā)布了multi agent研究團隊的招聘信息，吸引了眾多科研人才的關注。

而另一大產(chǎn)業(yè)方向，則是自動駕駛技術的持續(xù)加速。特斯拉作為全球自動駕駛龍頭，其FSD系統(tǒng)的每一次迭代都牽動著整個行業(yè)的神經(jīng)。預計于2025年第一季度正式在中國與歐洲市場推出的FSD系統(tǒng)，將帶來接管率的提升、真·智能召喚功能的推送以及Cybertruck自動泊車功能的實現(xiàn)等一系列改進。特斯拉的快速迭代，無疑將加速全行業(yè)的技術進步，推動自動駕駛技術邁向新的高度。

在國內(nèi)，華為也發(fā)布了ADS 3.0系統(tǒng)，并在鴻蒙智行享界S9車型上首發(fā)。該系統(tǒng)采用了全新端到端架構(gòu)和全場景全天候智能硬件感知系統(tǒng)，實現(xiàn)了全向防碰撞3.0的超全感知、超快響應、超前驗證三大能力升級。同時，享界S9還首發(fā)了車位到車位的智駕功能，支持全場景貫通的智能駕駛體驗。銷量方面，鴻蒙智行連續(xù)蟬聯(lián)30萬元以上新能源車型月銷第一，充分驗證了其技術實力和市場接受度。

更令人振奮的是，據(jù)華為常務董事余承東透露，鴻蒙智行的“第四界”產(chǎn)品尊界已進入整車驗證階段，計劃于年底下線，明年上半年上市。這一消息無疑為自動駕駛技術的發(fā)展注入了新的動力。

國盛證券認為AI應用應關注三大方向：

1)算力側(cè)：寒武紀、中科曙光、海光信息、云賽智聯(lián)、軟通動力、中際旭創(chuàng)、新易盛、浪潮信息、工業(yè)富聯(lián)、神州數(shù)碼、協(xié)創(chuàng)數(shù)據(jù)、弘信電子、高新發(fā)展等。

2)端側(cè) AI：立訊精密、東山精密、傳音控股、鵬鼎控股、中科創(chuàng)達、漫步者。

3)自動駕駛：華為智車：江淮汽車、賽力斯、長安汽車、北汽藍谷等;國內(nèi)自動駕駛產(chǎn)業(yè)鏈：德賽西威、萬馬科技、中科創(chuàng)達、經(jīng)緯恒潤、海天瑞聲、金溢科技、萬集科技、千方科技、鴻泉物聯(lián)等;特斯拉產(chǎn)業(yè)鏈：特斯拉、世運電路、三花智控、拓普集團等。

02. AI應用下一個催化劑是什么?

基于OpenAI的《Scaling Laws for Neural Language Models》論文，我們了解到，語言建模性能會隨著模型大小、數(shù)據(jù)集大小以及訓練計算量的增加而平穩(wěn)提升。為了達到最佳性能，這三個因素必須同時擴展，且當其中一個因素不受其他兩個因素限制時，模型性能與每個因素之間呈現(xiàn)出冪律關系。這一思想促使大模型公司通過擴大預訓練模型的規(guī)模、數(shù)據(jù)集大小和訓練計算量來提升模型能力，這已成為當前的主流做法。

以Meta開源的Llama系列模型為例，其迭代歷程和MMLU評測基準上的得分充分展示了這一趨勢。Llama2基于2T token數(shù)據(jù)進行預訓練，包含了7B、13B和70B三個參數(shù)規(guī)模的版本。而Llama3則在超過15T token的數(shù)據(jù)上進行了預訓練，訓練數(shù)據(jù)集比Llama2大了7倍，包含的代碼量也是Llama2的4倍。因此，8B的Llama3在MMLU上的得分已經(jīng)接近70B的Llama2，而70B的Llama3更是取得了80.9分的高分。進一步地，Llama3.1 405B模型在保持15T token訓練數(shù)據(jù)量的同時，由于參數(shù)規(guī)模的擴大，在MMLU上的得分高達88.6分。

然而，冪律關系也意味著性能提升的邊際回報會逐漸放緩，理論上需要指數(shù)級別的規(guī)模增長才能帶來模型性能的線性提升。除了算力成本外，模型規(guī)模的擴大也帶來了工程上的挑戰(zhàn)。據(jù)《MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs》論文所述，大規(guī)模LLM訓練面臨兩個具體挑戰(zhàn)：一是實現(xiàn)大規(guī)模的高訓練效率，即提高模型FLOP利用率(MFU)，這直接轉(zhuǎn)化為端到端的訓練速度;二是實現(xiàn)大規(guī)模下的高訓練穩(wěn)定性，以保持整個訓練過程中的高效訓練。

同時，高質(zhì)量訓練數(shù)據(jù)的獲取也是提升模型性能的關鍵難點。阿里研究院的《2024大模型訓練數(shù)據(jù)白皮書》指出，高質(zhì)量數(shù)據(jù)是大模型技術發(fā)展的主要瓶頸之一。能夠拓展大模型知識邊界、推動大模型推理和泛化能力提升的數(shù)據(jù)更多偏向于視頻、圖片等多模態(tài)數(shù)據(jù)以及特定行業(yè)中的領域知識數(shù)據(jù)。這些數(shù)據(jù)主要來源于人類的創(chuàng)造、制作和經(jīng)驗積累，其規(guī)模、類型和質(zhì)量因客觀條件而異。

此外，o1模型的強大推理能力得益于強化學習和思維鏈推理。OpenAI文檔顯示，o1通過強化學習訓練可以執(zhí)行復雜的推理，它在回答用戶問題前會進行長時間的“思考”，產(chǎn)生長的內(nèi)部思維鏈。這種過程極大地提高了模型的推理能力。o1模型還引入了推理token，用于分解對提示的理解并考慮多種生成響應的方法。然而，o1目前主要在數(shù)學、編程等領域表現(xiàn)出色，其在其他領域的應用尚有待探索。同時，o1的推理速度相對較慢，可能對某些需要快速響應的應用場景造成限制。此外，調(diào)用o1系列模型API的成本也相對較高。

盡管如此，o1模型的成功仍然驗證了提升模型能力的新方向。其技術思路可能被業(yè)界其他大模型效仿，成為在預訓練模型規(guī)模提升邊際回報放緩情況下的重要技術范式。目前，預訓練階段的Scaling Law仍然有效，GPT MoE的參數(shù)量已達到1.8萬億。因此，我們期待OpenAI的下一代模型GPT-5的發(fā)布。模型準確度是AI應用落地的關鍵指標，如果GPT-5能夠通過進一步擴大模型參數(shù)量和訓練數(shù)據(jù)規(guī)模，在各項任務上取得準確度的大幅提升，那么AI應用的創(chuàng)新將迎來全面爆發(fā)。