E223｜应用爆发之年：聊聊模型技术进化与商业化

摘要

• 2025 年的应用爆发不是单一模型突破，而是 reasoning、指令遵循和 tool use 等能力共同进步，跨过了“够用”门槛。 徐栋把转折追溯到 2024 年下半年接近年底的 o1：模型从依赖固定 workflow，走向在充分 context 下自行平衡泛化与准确性；Claude Skills、MCP 等标准又把工具显性化，让 AI 从聊天框进入 SaaS、硬件与生产流程。
• 视频生成是当前商业闭环最清晰的模态，单位经济已经足以支撑短剧、漫剧和批量广告。 徐栋判断其能力已从“GPT-3.5 到 GPT-4”，AI 短剧合理成本可压到 2 万元以下，15 秒广告生成成本可低于 10—15 元、市场交付价约 25—50 元；Qwen 与万相组成管线后，“五六个人、十个人”一天可生成约 6000 条广告。
• 企业采购已从验证效果转向精细考核性能、并发和成本，这是模型进入严肃生产的信号。 客户开始分别规定 4K 与 10 万 input 的 TPS、首包延时，智能外呼甚至要求半小时完成 10 万通电话；重复任务和意图理解、抽取则转向小模型，“没必要去跑一个非常大的模型”。
• 推理成本仍在快速下探，徐栋给出的体感是每半年接近下降一个量级。 稀疏结构、混合精度、MTP、模型与芯片协同，以及云端调度和夜间跑批共同贡献降本；Qwen3-Next 以 80B 参数、3B 激活展示高稀疏比，而端侧 Omni 4B 已让约七成通用交互、语音和视觉理解任务有可能本地完成。
• 开源并未与商业化对立，Qwen 的路径是用社区覆盖拉动云，再以持续更新、并发和大模型能力出售 API。 “开出那一个刹那，它就是一个离线的版本了”，闭源服务仍可修正问题；Qwen3-Max 因部署成本未开源，而 DeepSeek 的发布反而活跃了开源生态，扩大了 Qwen 从 0.5B 到 235B 的采用面。
• 应用层的可持续壁垒不是简单套壳，而是专有数据、模型与工作流整合和行业决策能力。 Insta360 用自研模型理解稀缺的 360 度素材，再接通用模型编排，但三分钟全景素材自动剪辑仍需十几元；语义科技的高端家电案例则在一年半后实现销量增长 23%、客单价提高 6% 多，并从单一事业部扩展至集团。
• Token 量适合衡量当前使用热度，却不足以代表长期商业价值，收入最终可能来自 Agent as a Service。 最小与最大模型的成本、收入可能相差 1000 倍，多模态 token 口径也不统一；模型研发投入并未下降，下一阶段目标是让 agent “连续运行，比如说两个礼拜”，通过环境交互、工具和假设迭代交付完整结果。

精读

1. 模型能力“够用”后，讨论中心从缺陷转向商业闭环

• 泓君回看两年前，行业仍在争论大模型为什么难以进入工作生活；如今手机里普遍已有一个或多个 AI 助手，传统企业也开始大规模接入，问题变成技术演进与商业化如何相互推动。

• 徐栋把阿里的基模分成三条线：Qwen 挑战语言智能和生产工具调用；万相覆盖图片、视频及编辑，近期重点是 2.5 Preview 与 2.6；纯音频模型 Fun-Audio 则覆盖 ASR、TTS、声音克隆、多语言、方言和口音。

• 他的客户体感也发生变化：制造业、实体品牌和互联网公司仍是主体，但过去一年出现大量 AI native 公司，在碎片化市场里做出了“非常不错的一些 ROI”。

2. 视频生成正在经历自己的“GPT-4 时刻”

• 徐栋最鲜明的判断是，若类比语言模型从 GPT-3.5 到 GPT-4，视频生成“已经到 GPT-4 的状态”：它不再主要服务特效和娱乐，而开始进入漫剧、短剧与广告等生产环节。

• 时长是第一条技术轴线：过去常见的 5 秒、10 秒正在进入 15 秒，下一步可能到一分钟；他期待最终从几张图或一句话直接生成三分钟短视频，从根本上改变产品设计体验。

• 第二条轴线是镜头语言。模型已能在多个镜头间切换并改变光影，把过去需要导演、摄影和美术协作完成的能力，压缩为普通用户可通过提示词调用的“专业影视级”能力。

3. 角色一致性把视频创作从“抽卡”推向可控生产

• 徐栋把 Sora 2 带来的启发称作角色一致性（character consistency）能力：用户先录一段约 5 秒的自拍视频，转头并说几句话，模型便可能保持人物形象与音色，在后续创作中持续复刻。

• 泓君追问这是否意味着真人只需短暂出镜，后面便由 AI 运作；徐栋确认，核心改变正是生成内容的可控性提高，“原来我们可能还是依赖于抽卡”，现在可以在输入端加入更多参考。

• 动漫制作已经从参考图转向参考视频，因为视频包含人物和物体、背景的形态和大小，以及人物音色等更多信息；徐栋相信，这类角色一致性最终会成为视频生成模型的标配。

4. 短剧与广告已经跑出可计算的单位经济

• 按徐栋的观察，国内短剧市场已超过电影市场，内容生产正从真人拍摄和大量人工编辑，部分迁移至 AI；增长最快的漫剧先以图片微动的动态漫切入，连续叙事和商业化能力都较强。

• 按 S、A、B 等品质分层，一部 AI 短剧的合理成本可能低于 2 万元，结合投流后有机会打平或实现不错的收入；若追求精品，则仍需追加后期资源，成本与成片品质同步提高。

• 15 秒广告的 AI 生成成本可控制在 10 元以下或 15 元以下，而合格素材的市场价格约为 25—50 元。由 Qwen 与万相组成管线后，五至十人一天可能产出约 6000 条，再交付 agency、广告主或流量平台。

5. 语言模型的进步变得细碎，却直接决定速度与成本

• 高质量数据日渐稀缺后，模型公司转向“精工细作”：从不同角度重组数据、调整前后顺序，提高知识学习效率。徐栋认为，corner case 上越来越惊艳的表现，主要来自这种数据工程。

• 结构则继续稀疏化，并采用 MTP 等多 Token 预测技术。徐栋举例，首包延时未来可能从 2 秒降到 500 毫秒，但取决于上下文长度；TPS 从过去较好的 30—50，提高到 80—100 以上也“很有可能”。

• 更高速度意味着机器吞吐提升和成本下降；与此同时，团队仍在长期打磨指令遵循、上下文长度、coding 与工具调用，难点不只是会用一个工具，而是“泛化地用工具”、连续调用多个工具并向深处执行。

6. 2025 年的 Agent 爆发由四项能力共同触发

• 第一项是 reasoning。徐栋把根本转折追溯到 2024 年下半年接近年末的 o1：模型不再只是依赖所谓的概率，而开始表现出一定的逻辑偏好。

• 第二项是规模增大后的可控性。过去必须用 workflow 固定关键节点、交叉验证模型偏差；如今复杂指令的理解和遵循增强，只要 context 足够准确，模型便可在泛化性与准确性之间自行寻找平衡。

• 第三、第四项是 tool use 与开放标准。Claude Skills、MCP 等逐步被接受，工具由隐含能力变成可调用接口，模型于是“跳脱了原来的输入输出窗口”，进入 SaaS 流程、生产环节乃至硬件交互。

• 泓君追问指令遵循是否来自某项独有技术；徐栋的回答更克制：主要仍与数据集和上下文理解有关，“模型训练其实今天已经没有特别多的秘密”，各家都在精耕细作。

7. AI 硬件真正的新意是完成 action，而非多一个识别功能

• 徐栋指出，ASR、CV 与硬件结合已有十年；这一轮不同之处在于模型更拟人，能够听懂、看懂、回答并执行任务，而不只是识别摄像头、屏幕或麦克风采集的信号。

• 他以 Qwen App 点咖啡为例：用户用自然语言选择品牌、口味、糖量和送达时间，并完成支付。系统可结合距离、偏好和历史记录推荐卡片；若迁移到眼镜，理想体验不应照搬 App 菜单，而应依赖 memory 主动缩短操作。

• 泓君把输入理解为眼镜看到菜单或同事饮品、输出理解为语音；徐栋补充说，真正的输出是商业服务打通后的“action”。这也是 AI Phone、AI PC、智能座舱重新定义产品定位的原因。

8. 阿里的商业化分成企业生产力与产品体验两条主线

• 与云计算由手游逐步扩散到金融、制造不同，徐栋认为大模型从一开始就覆盖全行业，只是渗透率不同；因此商业化不再先按行业划分，而是看模型与企业、模型与产品两种结合方式。

• 企业内部的价值是围绕结果重做流程，覆盖设计、coding、research、sales 等角色；面向用户的 App、手机、汽车和消费电子，则借模型改变交互方式，进而改变整个产品定位。

• 对手机与汽车，低延时、本地化和隐私需求推动端云结合。阿里的 Omni 4B 面向算力较强的设备，但仍需处理功耗与发热；徐栋说，这套架构经过约两三年打磨，正在进入“深水区”。

• 他估计，通用交互以及基础语音、视觉理解“可能七成以上”可由端侧解决；企业还可通过百炼 MaaS 平台与设备和业务连接，并获得高并发、低延时、可观测与管控能力。

9. 客户已从“效果好不好”转向生产级性能采购

• 最早客户大量构建垂直评测集，首先验证效果；最近半年到一年，关注点明显转向性能和成本。徐栋把这视为模型进入严肃生产环节、效果基本得到验证的标志。

• 要求也变得极细：客户会分别给出 4K input 与 10 万 input 的 TPS 和首包目标。智能外呼因有效时段集中，可能要求半小时内完成 10 万通电话，模型并发能力因此直接影响业务可行性。

• 最近三个月，小模型需求尤其突出。重复任务无需调用最大模型，chatbot 或 agent 的第一步意图理解、意图抽取也适合小模型；客户开始要求将闭源数据与基于闭源模型的数据结合，进行 post-training 或 fine-tuning。

10. 推理成本下降来自模型、芯片和云调度的共同作用

• 徐栋给出的行业体感是，推理成本“基本上都是按照半年快接近一个量级这样一个下降”；这里的一个量级就是约十倍，但并非单靠模型算法实现。

• 模型侧依赖稀疏结构、混合精度和 MTP，芯片侧依赖与模型的垂直协同；云端还要提高利用率，通过模型切换、按时段调度任务和夜间跑批，避免算力只有 30%—50% 利用率时抬高单位成本。

• Qwen3-Next 是具体样本：80B 参数、3B 激活，相比此前的 30B-A3B 模型，稀疏比更高；徐栋称开发者已能观察到推理效率、效果和速度的明显变化。

• 泓君以 Google TPU 的软硬协同作对照，认为阿里拥有云、模型和芯片，结构上形成“三位一体”；徐栋补充，垂直一体化不只是芯片与模型，调度红利同样来自云。

11. 开源是云商业化的获客层，不是免费替代品

• 徐栋回忆，约在 2023 年 8 月，Qwen 7B 的社区反馈打开了全球格局。开源既吸引已经熟悉模型的顶尖研究者和学生，也让推理框架、推理引擎及端侧部署开发者尽早发现 bad case。

• Qwen 从 0.5B 延伸至 235B，企业可按场景选择；1.5B、3B 以下模型适合小型部署，32B 是一个“甜点模型”，因为单张显卡即可运行。

• 开源对阿里云形成正循环，但“开出那一个刹那，它就是一个离线的版本了”。API 可持续修正能力、提供更高并发和易用环境；部署成本很高的 Qwen3-Max 未开源，Qwen3-235B 无法满足的需求也会转向 Max 服务。

• 泓君问 DeepSeek 是否造成冲击，徐栋的回答相反：它的论文推动技术进步，发布后还活跃了整个开源生态。Qwen 广泛的尺寸跨度及高频更新，使双方更像相互促进。

12. Token 能衡量热度，却不能替代收入与产品价值

• 徐栋承认 token 是当下观察使用量的好指标，阶段性也可辅助创业估值；长期仍会回归收入，而且收入未必直接来自 token，也可能来自其上封装的 agent。

• 量纲存在明显缺陷：最小与最大模型的成本和收入可能相差 1000 倍；语音、文本等多模态 token 也缺少统一定义，各家公司口径略有不同。

• Model as a Service 关注模型更新、API 可用性、realtime 和跑批等能力，类似 Assistants API 向 Responses API 的演进；Agent as a Service 则调用多个模型，封装标准任务结果，Deep Research 就是徐栋给出的代表。

13. 模型研发投入没有退潮，只是突破不再那么显眼

• 面对“行业是否更关心商业化”的问题，徐栋给出反共识判断：“模型的研发投入反而变大了。”每家公司和实验室都说自己“不够卷”，说明竞争结果仍能被定量衡量。

• 不同在于，行业较少再出现 o1 推理或 Nano Banana 编辑那样一眼可见的范式变化，更多投入落在数据清洗、评测标准和工程细节上；连过去基于规则的清洗与评价，现在也可由模型执行。

• 他期待的 agentic 能力，是让模型“连续运行，比如说两个礼拜”，持续与环境交互、自主思考、作判断和假设。tool use、长上下文、复杂指令与 reasoning 拼起来，才可能交付比单纯文本进出更好的研究或业务结果。

• 泓君概括这是精耕细作、未必属于“智能”跃升；徐栋保留了定义空间：如果智能可以打分，那么这些工程改进同样会让智能分数持续提高。

14. Insta360 的剪辑难题不是拼片段，而是猜中创作意图

• 齐鲁教授介绍，影石希望把用户一天乃至一年积累的素材，自动剪成愿意分享的成片；云端自动剪辑已经上线，是公司“更好地记录和分享生活”战略中的关键一步。

• “真正的难点不是把用户的片段能够拼起来，而是能够去命中用户的一个剪辑意图。”有人要纪录片式连续故事，有人只要高光和爽快节奏，还有人更在意配乐情绪、镜头语言与转场风格。

• 合作分成两层：Qwen 多模态模型负责感知、理解、人物事件判断与结构化编排，万相系列负责视频特效生成。比如筛出滑雪失败瞬间，模型既要理解指令，也要从素材里识别真正的失败动作。

• 目前语义理解已能满足一定需求，更难的是意图可能根本不在素材中，用户也不知道如何表达。齐鲁教授认同泓君的类比：若必须让用户像“好甲方”一样精确定义从雪橇飞出的画面，体验本身就已经失败。

15. 360 度素材构成影石的专有模型壁垒，也抬高了成本

• 全景相机坚持“先拍后剪”：拍摄时记录完整 360 度现场，剪辑时再选最佳视角、节奏与运镜；即使场景相对单一，也可加入运镜玩法让素材更生动。相较海量平面素材，通用模型对 360 度素材的理解能力较弱。

• 影石自研全景多模态模型，先对全景素材进行高光提取，后接通用模型完成平面内容理解与编排；泓君把这部分能力类比为世界模型，齐鲁教授表示认同。

• 世界模型开发仍依赖真实数据、持续扩展的训练方法及稳定云端算力。CES 展示的 VR 无人机也能产生全景数据，但齐鲁教授特别强调，只有获得用户许可并满足合规要求，数据才会进入模型开发。

• 商业化瓶颈是成本：为用户处理约三分钟的 360 度素材，当前可能需要十几元。影石希望利用全景素材可压缩率较高的特性，先压缩模型输入和 token 数量，再降低自动剪辑成本。

16. 企业 AI 的终局从省五个人，走向找到可增长的需求

• 吕英杰介绍，语义科技为雀巢、宝洁、泡泡玛特等消费品牌提供消费者洞察 SaaS。2023 年后流量红利见顶，品牌从单纯买流量转向“流量加消费者思维”，客服对话由此成为可分析的意图数据。

• 客户直接用通用大模型给原始语料打标，准确率常低于 70%；团队从 2021、2022 年起训练垂直小模型，把信息分成消费者画像、产品与服务反馈，以及企业内部归因。某日化客户的退货判责由六人登记，降至一人复审。

• 吕英杰不认为 AI 会完全替代客服：经知识库校准后，单点产品问答可以比人更准；但优惠券叠加地区补贴、A/B 凑单等连续复杂问题，准确率仍会下降。基模还要负责意图识别、RAG 检索，以及清洗和梳理包含详情页图片、Chain 工作流等复杂知识源。

• 从 2024 年下半年起，客户重心由降本转向增效。某客单价 2 万元以上的高端家电品类，依据 AI VOC 画像重做卖点、主播及客服话术，一年半后销量增长 23%、客单价提高 6% 多，并于 2025 年扩展至集团各事业部。

• 对“人人都有 AI 后红利是否消失”的追问，吕英杰认为“AI 未来的价值核心还是掌握在人手里的”：垂直数据飞轮和行业专家构成中间层壁垒，最终仍由人识别机会并决定产品、营销与执行。

• 其收费由 SaaS license 加数据使用包组成，以处理 100 万通对话、语音或社媒帖子等单位估算 token 成本。AI 让客户接受“使用必然产生成本”，改善了中国 To B SaaS 的付费逻辑；语义科技上一年因此实现约 100% 增长。