AI入门

AI 行业生态

资料核对与更新:2026-11-18 · 阅读约17分钟

AI 行业生态 当你选择一个 AI 工具时,你其实是在选择一个技术路线。 选闭源还是开源?选云服务还是本地部署?选美国公司还是中国公司?这些选择都会影响你的工作效率、数据安全和长期成本。 更重要的是,如果你在考虑职业发展,你需要知道哪些公司在引领技术,哪些方向代表未来。 这篇文章不会给你灌输枯燥的行业新闻,而是帮你建立一个理解 AI 行业的框架。 理解行业生

AI 行业生态

当你选择一个 AI 工具时,你其实是在选择一个技术路线。

选闭源还是开源?选云服务还是本地部署?选美国公司还是中国公司?这些选择都会影响你的工作效率、数据安全和长期成本。

更重要的是,如果你在考虑职业发展,你需要知道哪些公司在引领技术,哪些方向代表未来。

这篇文章不会给你灌输枯燥的行业新闻,而是帮你建立一个理解 AI 行业的框架。

理解行业生态,不是为了凑热闹,而是为了做决策时心里有底。

主要 AI 公司全景

AI 行业的玩家可以分成几类:美国头部公司、中国头部公司、独角兽公司。

每一类公司有不同的技术路线和产品策略。

美国头部公司

美国在大模型技术上处于领先地位,四家公司最具代表性。

OpenAI

是 ChatGPT 的开发商,也是把 AI 推向大众的关键推手。它的特点是技术更新快,产品体验好,但数据隐私和定价策略经常引发争议。

Anthropic

由前 OpenAI 员工创立,主打"安全 AI"。Claude 模型在处理长文档(几万字)方面表现出色,且对内容的审核相对宽松。

Google DeepMind

是 AlphaGo 的缔造者,现在专注于 Gemini 系列模型。它的优势是多模态能力(图像、视频、音频)和深厚的研究积累。

Meta AI

走的是完全不同的路线——开源。Llama 系列模型免费给开发者使用,任何人都可以下载、修改、部署。这让 Meta 在开源社区拥有巨大影响力。

中国头部公司

中国的 AI 公司也在快速追赶,形成了自己的生态。

百度

是国内最早投入大模型的公司之一,文心一言在中文理解方面有优势。

阿里

的通义千问(Qwen)系列模型开源做得非常积极,从 18 亿到 720 亿参数都有,在开源社区使用率很高。

月之暗面(Moonshot)

是一家创业公司,主打超长上下文——它的 Kimi 助手可以一次性处理上百万字的文档,这在处理书籍、代码库时非常有用。

独角兽公司

还有一些创业公司,成立时间不长,但技术特色鲜明,估值很高。

Mistral AI

是法国公司,它的模型以小而精著称。Mistral 7B 在相同参数量级下性能领先,而且推出了 MoE(混合专家)架构,效率很高。

选择哪家公司的产品,主要看你的需求:要最强能力选 OpenAI 或 Anthropic,要免费开源选 DeepSeek、智谱等。

开源 vs 闭源模型

这是 AI 行业最重要的路线之争。

一边是 OpenAI、Anthropic 代表的闭源路线——模型只通过 API 或网页访问,你看不到模型权重。

一边是 DeepSeek、阿里代表的开源路线——你可以下载完整模型,在自己的设备上运行。

什么是开源模型

开源在软件领域有明确的定义,但在 AI 领域,情况有些不同。

真正的开源意味着你可以自由地:

下载模型权重

用于商业用途

修改模型架构

重新发布衍生版本

但很多所谓的开源模型,其实是开放权重——你可以下载用,但有商业使用限制。

典型开源模型

闭源 vs 开源对比

两种路线各有优劣,没有绝对的好坏,要看你的场景。

如何选择

选择闭源的情况:

你追求最强的能力,不想在技术细节上折腾

你的数据不敏感,可以传给第三方

你的用量不大,按 Token 付费更划算

你需要快速上线,不想花时间部署

选择开源的情况:

你的数据非常敏感,不能出公司

你的用量很大,按 Token 付费太贵

你需要深度定制模型行为

你有技术团队可以部署和维护

建议的策略:小用量和探索阶段用闭源(成本低、上线快),大规模和生产环境考虑开源(可控性强、长期成本低)。

云 AI vs 本地 AI

这是另一个重要选择:用云端的 AI 服务,还是在自己电脑上跑模型?

云 AI:即开即用

云 AI 就是通过网页或 API 调用云端的 AI 服务。

你不需要关心模型部署在哪里、用了多少 GPU、怎么更新——你只管输入内容,拿结果。

典型的云 AI 产品:

本地 AI:完全可控

本地 AI 是在你自己的电脑或服务器上运行开源模型。

数据不离开你的设备,也不需要持续付费。

但你需要一块好显卡——通常是 NVIDIA 的 GPU,显存越大越好。

本地 AI 的常见工具:

云 AI vs 本地 AI 对比

混合策略:兼得二者之长

很多公司采用混合策略:

敏感数据用本地模型

普通查询用云 API

白天高峰用云服务,夜间批处理用本地

这样既保证了数据安全,又控制了成本。

个人用户建议:先用云 AI 体验,熟悉后如果有隐私需求或用量增大,再考虑本地部署。

AI 基础设施

AI 不只是模型——底层的算力、芯片、云服务,构成了整个行业的基础设施。

GPU 算力:为什么 NVIDIA 统治市场

训练大模型需要海量的计算,GPU(图形处理器)是目前最适合的硬件。

NVIDIA 在这个领域几乎处于垄断地位,原因有三个:

常见的 NVIDIA GPU 定位:

显存大小是关键指标。

一般来说:

7B 模型需要 8-16GB 显存

13B 模型需要 16-32GB 显存

70B 模型需要 60-80GB 显存

云计算厂商:算力即服务

不是每个人都能买得起几十万一张的 GPU——云厂商提供了"按小时租用"的模式。

国产算力替代方案

由于芯片出口限制,国内在积极发展国产算力。

主要玩家:

国产芯片还在追赶中,主要问题是软件生态——很多 AI 框架需要专门适配。

对个人开发者,建议先从 NVIDIA 消费级显卡(如 RTX 4090)入手,生态最成熟,资料最多。

AI 商业模式

AI 公司怎么赚钱?目前主要有三种模式。

B2C:订阅制

面向个人用户,按月付费。

订阅制的好处是现金流稳定,用户忠诚度高。但需要持续提供价值,否则用户会取消订阅。

B2B:API 调用

按使用量付费——你调用多少次 API,付多少钱。

定价单位是 "Token",可以理解成"词"或"字"。

典型定价(2025 年中):

算一笔账:假设你有一个应用,每天处理 10 万次查询,每次查询用 1000 Token。

用 GPT-4o 的话,每天成本是 $5(输入) + $15(输出) = $20,每月 $600。

如果用量更大,成本会快速上升——这也是为什么很多公司最终选择自托管开源模型。

开源生态变现

开源模型本身免费,但公司可以通过周边服务赚钱:

托管服务:帮你部署和运维

企业版:提供额外功能和支持

咨询服务:帮你定制和优化

训练服务:用你的数据微调模型

Mistral AI 是这种模式的代表——模型开源,但企业需要付费才能用到更大的模型和更好的服务。

三种模式对比

AI 监管与政策

AI 发展太快,各国都在制定监管政策。了解这些政策,能帮你规避风险。

欧盟 AI 法案

欧盟的监管最严格,核心思路是"按风险分级"。

欧盟 AI 法案的影响是全球性的——只要你的产品服务欧盟用户,就要遵守。

中国 AI 监管框架

中国的监管政策也在逐步完善,核心文件包括:

《生成式人工智能服务管理暂行办法》

《人工智能法》(征求意见稿)

关键要求:

生成内容要真实准确,不能编造虚假信息

内容审核机制要完善

数据来源要合法

算法要透明可解释

美国 AI 政策动态

美国的监管相对宽松,主要通过行政命令和行业自律。

重点关注:

国家安全:防止 AI 被用于恶意目的

公平性:防止算法歧视

透明度:AI 生成内容需要标识

对个人开发者,最需要注意的是:AI 生成的内容应该有明确标识,不要冒充人工创作。涉及个人数据时,要遵守数据保护法规。

2025 年 AI 行业趋势展望

站在 2026 年中,有几个趋势已经比较清晰。

趋势一:模型能力继续提升,但边际效益递减

GPT-5、Claude 5、Gemini 3.0、DeepSeek 4、 GLM 5都来了,但每次升级带来的惊喜会越来越小。

不是技术遇到瓶颈,而是"够用"的场景已经很多了。

趋势二:开源模型持续追赶,缩小与闭源差距

Llama 3.1 405B 的表现已经接近 GPT-4 的水平,而且免费可用。

未来会有更多公司加入开源阵营,开源模型的生态会越来越完善。

趋势三:应用层开始爆发,Agent 走向实用

过去几年是模型层的竞争,现在开始转向应用层。

AI Agent(智能代理)——能自主完成复杂任务的 AI——会从概念走向实用。

趋势四:多模态成为标配

纯文本模型会越来越少,能同时处理文字、图片、音频、视频的多模态模型会成为标配。

趋势五:监管常态化

各国监管框架会逐步落地,AI 行业从"野蛮生长"进入"规范发展"阶段。

代码实例:调用开源模型 API

让我们用 Python 写一个简单的例子,演示如何调用开源模型的 API。

我们会用 Ollama 作为本地推理服务,它支持 Llama 3、Qwen、Mistral 等多种开源模型。

Ollama 相关内容参考:

https://www.runoob.com/ollama/ollama-tutorial.html

。

实例

============================================

调用开源模型 API 示例

演示:用 Ollama 在本地运行 Llama 3 模型

============================================

import

requests

import

json

def

call_ollama_model

(

prompt:

str

,

model:

str

=

"llama3"

)

-

>

str

:

"""

调用 Ollama 的 API 来获取模型回复

参数说明:

prompt: 你的问题或输入文本

model: 要使用的模型名称(默认 llama3)

可选值:llama3, qwen2, mistral, yi 等

返回值:

模型的回复文本

"""

Ollama 默认运行在本地的 11434 端口

url

=

"http://localhost:11434/api/generate"

构建请求数据

payload

=

{

"model"

: model

,

使用的模型

"prompt"

: prompt

,

用户输入

"stream"

:

False

,

不使用流式输出(一次性返回)

"options"

:

{

"temperature"

:

0.7

,

温度参数:越高越随机,越低越确定

"top_p"

:

0.9

,

采样参数:控制多样性

"num_predict"

:

512

,

最大生成 token 数

}

}

try

:

发送 POST 请求

response

=

requests.

post

(

url

,

json

=

payload

,

timeout

=

60

)

response.

raise_for_status

(

)

检查请求是否成功

解析返回结果

result

=

response.

json

(

)

return

result.

get

(

"response"

,

"未获取到回复"

)

except

requests.

exceptions

.

ConnectionError

:

return

"错误:无法连接到 Ollama 服务。请先启动 Ollama。"

except

requests.

exceptions

.

Timeout

:

return

"错误:请求超时,模型可能正在加载中。"

except

Exception

as

e:

return

f

"错误:{str(e)}"

def

chat_with_runoob

(

)

:

"""与 runoob AI 助手进行多轮对话的示例"""

print

(

"="

*

50

)

print

(

"🚀 runoob AI 助手(基于 Llama 3 开源模型)"

)

print

(

"="

*

50

)

print

(

"提示:输入 'quit' 或 'exit' 退出对话"

)

print

(

)

对话历史(用于上下文连贯)

conversation_history

=

[

]

while

True

:

获取用户输入

user_input

=

input

(

"你: "

)

.

strip

(

)

检查是否退出

if

user_input.

lower

(

)

in

[

"quit"

,

"exit"

,

"退出"

]

:

print

(

"runoob AI: 再见!欢迎下次再来。"

)

break

if

not

user_input:

continue

构建带上下文的 prompt

full_prompt

=

"

\n

"

.

join

(

conversation_history

)

+ f

"

\n

用户: {user_input}

\n

助手:"

调用模型

print

(

"runoob AI: "

,

end

=

""

,

flush

=

True

)

response

=

call_ollama_model

(

full_prompt

)

print

(

response

)

print

(

)

更新对话历史

conversation_history.

append

(

f

"用户: {user_input}"

)

conversation_history.

append

(

f

"助手: {response}"

)

只保留最近 5 轮对话,防止上下文过长

if

len

(

conversation_history

)

>

10

:

conversation_history

=

conversation_history

[

-

10

:

]

示例 1:单次调用

print

(

"--- 示例 1:单次提问 ---"

)

question

=

"请用一句话解释什么是大语言模型。"

print

(

f

"问题:{question}"

)

answer

=

call_ollama_model

(

question

)

print

(

f

"回答:{answer}"

)

print

(

)

示例 2:使用不同的模型

print

(

"--- 示例 2:切换不同模型 ---"

)

for

model_name

in

[

"llama3"

,

"qwen2"

,

"mistral"

]

:

print

(

f

"使用模型 {model_name}:"

)

answer

=

call_ollama_model

(

"你好,请介绍一下你自己。"

,

model

=

model_name

)

print

(

f

"回答:{answer[:100]}..."

)

只显示前 100 字

print

(

)

示例 3:多轮对话(取消注释运行)

print("--- 示例 3:多轮对话 ---")

chat_with_runoob()

运行这个代码前,你需要先安装 Ollama:

去

https://ollama.com

下载并安装 Ollama

在终端运行:

ollama pull llama3

下载模型

运行:

ollama serve

启动服务(如果还没启动)

然后运行上面的 Python 代码

如果你没有本地 GPU,也可以用云端的开源模型 API,比如 Together.ai、Anyscale 等,调用方式类似,只是 URL 和认证方式不同。

开源模型的好处是:你可以先在本地用小模型(7B)做开发和测试,觉得效果好再切换到大模型(70B)或云服务。

本文新增价值
CSS独立储备