DeepSeek点燃了“引线”后，大模型再一次进入到了“爆发期”。

短短一个多月里，大模型的能力上限不断被刷新，“落地”已然成为产业上下游的普遍共识。

在这样的局面下，一家企业最佳的生态位是什么呢？

上世纪90年代，杰弗里·摩尔在深入研究了埃弗雷特·罗杰斯的“创新扩散理论”后，在《跨越鸿沟》将“技术采用生命周期”的客户群体分成了五类，分别是创新者、早期采用者、早期大众、后期大众和落后者。

对号入座的话，大模型正处于从早期采用者向早期多数过渡的阶段，也就是“鸿沟”所在的阶段。

由此来审视这轮大模型浪潮，相较于模型层的你追我赶，一场更重要的博弈在于怎么将创新迅速“扩散”到产业中，支撑创新应用的落地。

01 跨越算力鸿沟：一场“双螺旋”竞赛

DeepSeek意外“出圈”后，在流量洪峰的冲击下一度陷入了“崩溃循环”，直到半个多月后才走出“服务器繁忙”。

一些想要接住DeepSeek流量的第三方MaaS平台，则在月亏4亿的压力下，无奈关闭了相关推理服务。

这些现象指向了同一个原因——算力瓶颈。

算力供应的不稳定，即便是DeepSeek这样的团队，也无法在短时间里填补缺口；而算力价格的居高不下，不单单束缚了千万使用者的手脚，MaaS平台也深感压力山大。

大模型想要落地到千行万业，让“智力”转化为实实在在的生产力，首先要打破算力瓶颈。大模型创新扩散的鸿沟，很大程度上属于算力鸿沟，只有打破了算力瓶颈，才能创新的扩散铺平道路。

就在DeepSeek走红的同一时间，百度智能云对外宣布——在百舸4.0的能力加持下，成功点亮昆仑芯三代万卡集群。

如果说DeepSeek给出了模型训练的新思路，百舸4.0给出了跨越算力鸿沟的新解法：通过覆盖大模型落地全流程的算力平台，让用户能够高效率、低成本使用算力。

训练大模型的第一步是创建集群。许多人不知道的是，GPU集群需要大量复杂、琐碎的配置和调试，通常需要几周时间。但基于百舸4.0创建集群，只需要1小时就可以跑起来。

完成创建集群后，真正的考验才刚开始，因为集群的规模越大，出故障的概率就越高，运维的复杂性急剧增加。例如Meta训练Llama3时用了1.6万张GPU的集群，平均每3小时就会出一次故障。同样是万卡任务，百舸4.0可以保障有效训练时长占比达到99.5%，远高于行业内公布的相关指标。

大模型训练既要稳定，也要效率。训练千亿、万亿参数的模型，动辄需要几周到几个月的时间。百舸4.0在集群设计、任务调度、并行策略、显存优化等方面进行了大量优化，最终让端到端的性能提升了30%。

同时不应该忽略的，还有百舸4.0的多芯混训、多芯适配能力。能够把同一厂商不同代际芯片、不同厂商的芯片统一管理，混布成一个集群高效完成模型的训练和推理任务。

按照百度智能云官方公布的数据：在万卡规模上，百舸4.0将两种芯片混合训练的效率折损控制在了5%以内；某金融机构在百舸的支持下，完成了不同型号GPU资源的部署、上线，有力保障了6000多次训练任务。

古代打仗讲求“兵马未动粮草先行”，放到大模型产业同样适用，其中的算力就是“粮草”。想要大模型深入落地到千行万业，势必要开启一场追求高效率和低成本的“双螺旋”竞赛。

可以找到的一个实战案例是：春节假期结束时，有近20家芯片企业在忙着适配DeepSeek，在百舸4.0的赋能下，百度的昆仑芯是国内率先支持单机部署满血版DeepSeekR1的芯片，单机8卡配置便可实现2437tokens/s吞吐，并给出了业内最低的价格。

02 吹响落地号角，工程能力见真章

和每次产业革命初期一样，创新的扩散始于“早期采用者”，往往是创新意识比较明确且有能力进行智能化转型的大中型企业。

某种程度上说，大中型企业的选择，更能折射出真实的市场需求，更能从中洞察到创新的方向。

曾有媒体统计了“2024全年大模型相关中标项目”，一共有910个项目，中标金额约为25.2亿元。其中百度智能云斩获了55个项目，中标金额3.4亿元，在能源、政务、金融等行业的中标数量位于所有厂商第一。

到了2025年1月，公开数据统计到的大模型相关中标项目数量已经达到125个，项目金额为12.67亿元。百度

智能云实现了中标项目数量和中标金额上的双第一，中标金额4.17亿元，占到了全行业的三分之一。

为什么会出现这样的局面？

国际权威咨询机构弗若斯特沙利文进行了深入的市场调研后，在《2024 年中国大模型行业应用优秀案例白皮书》给出了解释：企业用户在大模型落地的主要需求点包含完善的落地指导、先进的产品架构、全面的安全治理以及开放的生态支持，百度智能云代表的AI云厂商在技术生态、行业经验和服务能力方面具备显著优势，能够以高效率、低成本的方式加速大模型的推广与行业应用。

原因依然离不开“高效率和低成本”。

进一步从技术层面剖析的话，和百度智能云的全栈AI技术能力不无关系。

百度是国内为数不多同时深耕芯片、框架、模型、应用的企业，能够针对大模型的训推、部署和调优等进行全流程优化。比如昆仑芯三代万卡集群，在行业内率先验证了可以通过模型优化、并行策略、有效训练率提升、动态资源分配等手段，将训练、微调、推理任务混合部署，进而最大化提升集群综合利用率，降低单位算力成本的可行性。

在大模型进入全球视野的第四年，早已形成了两个战场：第一个战场是大模型训练，第二个战场是大模型落地。

特别是在“百模大战”格局瓦解，大模型的牌桌上仅剩下百度、阿里、DeepSeek、智谱等少数玩家后，越来越多企业将注意力集中到了应用层，思考怎么将技术可能性转化为稳定生产力，讨论如何通过标准化流程、工具链支撑和全生命周期管理，解决大模型开发与部署中的效率、成本和质量矛盾。

在百度智能云的示范下，云厂商竞赛的升维已然是可以预见的结果，倒逼全行业提升工程能力，从底层芯片、智算平台、大模型等多个维度进行布局，推进全栈创新与快速迭代。

也就是说，落地应用的号角吹响后，竞争的天平进一步向“扩散”倾斜，不单单是算力之争、模型之争，而是工程能力的比拼：谁能借助系统性的技术体系和方法论降低成本、提升大模型落地易用性、帮助企业更好地构建AI原生应用，谁才有机会成为最后的赢家。

03 长跑才刚开始，算力仍是重头戏

按照“创新扩散理论”，一旦跨越了从早期采用者到早期大众扩散的“鸿沟”，市场将会进入到高速增长阶段。

2024年被公认是大模型推理应用的元年，2025年注定是落地生花的一年，从央国企先行逐渐演变成一股不可逆的产业浪潮。对算力的需求，将呈现出指数级的增长态势。

折射到AI基础设施的布局上，点亮昆仑芯三代万卡集群的百度智能云并未停下来，还将进一步点亮3万卡集群。百度集团执行副总裁、百度智能云事业群总裁沈抖曾公开表示：“百舸4.0正是为部署10万卡大规模集群而设计的，目前已经具备了成熟的10万卡集群部署和管理能力。”

不只是百度智能云，国外的xAI、Meta、OpenAI等都在积极布局10万卡乃至更大规模的智算集群。

个中原因并不难理解。

一方面，大模型的Scaling Law仍在继续，大模型竞赛本质依然是算力竞赛，能否解决跨地域部署、多芯混训以及集群稳定性等问题，关系着是否能满足源源不断的算力需求，是否有参与大模型竞赛的资格。

另一方面，比创新更重要的，是创新的扩散。大模型赋能千行万业的过程中，需要根据不同企业的需求动态分配计算资源，提高资源利用率的同时，降低云服务的成本，10万卡乃至更大规模的集群至关重要。

参考每次工业革命的时间跨度，大模型的产业竞赛，更像是一场考验耐力的马拉松。擅长耐力赛的百度，正以一种兼顾技术创新与产业落地的独特节奏，稳步推动大模型从创新走向产业应用。

正如World Governments Summit 2025峰会上的一幕，当阿联酋AI部长奥马尔询问“如何看待数据中心和AI基础设施的未来”时，百度创始人李彦宏笃定地回答道：“我们仍需对芯片、数据中心和云基础设施进行持续投入，用于打造更好、更智能的下一代模型。”