48小时AI降本潮,大模型告别烧钱时代
12月的第三周,AI行业经历了一场密集的产品发布潮。
17日上午,小米在人车家全生态合作伙伴大会上发布了自研大模型MiMo-V2-Flash。根据相关技术分析报道,MiMo-V2-Flash在基准测试中的表现整体接近DeepSeek-V3.2,在部分测试中甚至略胜一筹,但价格却是后者的约一半,推理速度则是其近3倍。
仅仅过了不到24小时,北京时间18日凌晨,谷歌正式发布Gemini 3 Flash。这款新模型的输出价格仅为Claude Sonnet 4.5的20%、GPT-5.2的21%,却能在基准测试上达到甚至超越这些旗舰级模型的水平。即便与自家的Gemini 3 Pro相比,Flash的价格也仅为四分之一,却在部分核心基准测试上超过了Pro版本。
在这48小时内,中美科技巨头不约而同地转向高性价比路线,一场以降本增效为核心的效率革命正在掀起。
为什么必须降本?
12月18日,就在谷歌发布Gemini 3 Flash的同一天,2025腾讯ConTech大会在北京举行。这场以智变之时为主题的行业峰会汇聚了中国工程院院士柴天佑、清华大学教授梁正、小鹏汽车董事长何小鹏、明略科技创始人吴明辉等重量级嘉宾。多位专家在会上不约而同地指出了AI产业当前面临的核心困境。
清华大学人工智能国际治理研究院副院长梁正在大会上发布了年度报告《迈向可衡量的治理: 2025年度回顾与行动建议》。梁正指出,2025年是人工智能发展与治理的关键节点,当前AI发展正面临算力与能源瓶颈、地缘政治叠加竞争以及低成本模型滥用等多重压力。

算力和能源的约束正在成为硬性门槛。随着AI模型规模不断扩大,全球算力需求呈现指数级增长,与之伴随的是惊人的能源消耗。梁正强调,在工业、医疗等垂直领域,准确性、可控性与人机信任已经成为影响应用落地的关键因素。他认为,全球AI治理正进入空前活跃却高度分化的阶段,治理倡议多但实际行动少,多边共识约束力不足。
这种困境在企业实践层面体现得更加具体。明略科技创始人吴明辉在大会的第三场圆桌论坛中进一步拆解了AI落地的内部结构性问题。吴明辉指出,企业决策所依赖的信息至少分为三层:公开数据、企业私有数据,以及最难被系统捕捉的决策者脑中尚未显性化的隐性信息。

这第三层信息是最大的难题。吴明辉表示,这一层信息不仅存在技术能否承载的问题,更面临企业是否愿意交付的现实障碍,这直接决定了AI能否真正参与到企业的核心决策之中。对于大多数中小企业而言,高昂的定制化成本更是让它们难以承受。
中国工程院院士柴天佑从工业场景的角度补充了这一观点。他指出,历次工业革命的本质都是物质流、能源流与信息流的协同变革,而信息流能力的提升始终是工业进步的关键。他以氧化镁砂生产线为例,展示了数字孪生与智能算法如何实现高危工艺无人化、自学习参数优化与显著节能增效,但同时也强调,工业场景对AI的准确性、可控性要求极高,容错率极低。

正是在这样的多重约束下,小米和谷歌选择在48小时内密集发布高性价比模型,显然不是偶然的市场策略,而是对产业困境的直接回应。
从参数竞赛到效率革命
小米此次发布的MiMo-V2-Flash,其技术细节中隐藏着几个反直觉的创新,值得行业深思。

混合滑动窗口注意力机制。小米技术数据显示,该模型采用了5层滑动窗口配合1层全局注意力的设计,硬生生将KV缓存减少了近6倍。更有趣的是,小米手机部大模型技术专家罗福莉团队发现了一个“甜点值”:窗口大小设为128时效果最好,增加到512反而性能下降。这一发现打破了窗口越大越好的迷思。
多Token预测(MTP)技术。传统模型生成文本时一次只能输出一个token,就像打字员一个字一个字敲。根据知乎用户对MiMo-V2-Flash的技术测评,这款模型通过原生集成的MTP模块,能并行预测多个token,一次性猜出接下来好几个token。实测平均能接受2.8到3.6个token,推理速度直接提升2到2.6倍。
多教师在线蒸馏(MOPD)。传统的监督微调加强化学习管线不仅训练不稳定,算力消耗还很高MOPD的思路是让学生模型在自己的策略分布上采样,然后由多个专家教师在每个token位置提供密集的奖励信号。罗福莉还提到一个有趣的发现,当学生很快超越老师的时候,可以把老师替换成学生继续自我迭代提升。
这些技术创新带来的成果是实实在在的。MiMo-V2-Flash的总参数量是309B,激活参数量为15B,相比DeepSeek-V3.2的总参数量671B、激活参数量37B,参数量降低了一半。但在编程基准测试SWE-Bench Verified上却达到了73.4%的成绩,超越了所有开源模型。在定价方面,目前API定价为输入0.7元每百万token,输出2.1元每百万token,大约是DeepSeek V3.2价格的一半。
谷歌的技术路径则更加激进。Gemini 3 Flash在设计之初就以极高的效率为目标,进一步推动了质量与成本、速度之间的帕累托前沿。在最高思考等级下运行时,这款模型能够动态调节自身的思考深度,面对更复杂的使用场景会投入更长时间进行推理,而在处理日常任务时则能以更高性能完成目标,同时在典型业务流量下平均使用的token数量比Gemini 2.5 Pro减少约30%。

更令人意外的是性能表现。在评估编码智能体能力的SWE-bench Verified基准测试中,Gemini 3 Flash获得了78%的分数,不仅超越了自家的2.5系列,还超过了Gemini 3 Pro的76.2%。在GPQA Diamond科学知识测试中达到90.4%,在Humanity's Last Exam基准测试中取得了33.7%的成绩,这些都是需要博士级推理能力的评估。
谷歌首席科学家Jeff Dean对此总结道,根据知乎上谷歌官方信息的转述,现在精简后的模型体积缩小3到4倍,已经超越了6个月前的前沿模型。这意味着AI技术的迭代速度远超预期,而效率优化的潜力仍然巨大。
这两大巨头的动作表明:算力和数据已不再是最后的护城河,模型架构的优化效率才是。
从数字世界到物理世界
如果说降本是当下的战术动作,那么向物理世界进军则是未来的战略方向。在腾讯ConTech大会上,多位嘉宾不约而同地提到了这一范式转换。
智源人工智能研究院院长王仲远指出,大模型的文本能力已进入成熟期,边际效应递减。下一个爆发窗口在于多模态,即“从Reading from Text走向Reading from Video”。
视频数据蕴含着文本所不具备的时间、空间和因果逻辑信息,这是AI理解物理世界的基础。一旦模型读懂了视频,它就具备了观察世界的能力。
小鹏汽车董事长何小鹏则将这一概念具象化。他认为,机器人、无人驾驶汽车、低空飞行器,本质上都是同源的“物理AI系统”,它们都依赖于“感知-决策-执行”的闭环。

何小鹏提出了AI时代的“黑洞效应”:数据、算力和模型会相互强化,最终形成赢家通吃的局面。但在执行层面,未来将是去中心化智能体的“蚂蚁式协作”。这一观点与小米罗福莉的判断不谋而合:“智能终将从语言迈向物理世界。”
目前,小米依托“人车家”生态,小鹏深耕自动驾驶,谷歌则在云端发力,这实际上形成了物理AI赛道上的不同切面。相比于谷歌在数字世界的效率革命,中国厂商似乎更热衷于将AI植入硬件,抢占物理世界的入口。
落地困境与系统性解决方案
愿景虽好,落地很难。清华AIR教授赵昊和智平方创始人邱巍在大会对话中,揭示了具身智能落地的最后一公里障碍。
赵昊认为,现在的瓶颈不是单个模型不够聪明,而是缺乏系统工程思维。高价值数据难以外溢,隐性知识难以捕捉,这需要技术、组织和流程的同步变革。
邱巍则总结了具身智能面临的三重门槛:
-
聪明:模型需要极强的泛化能力来应对物理世界的无限变量。
-
快:机器人倒水不能延时两秒,实时响应要求极高。
-
隐私:高端制造等场景的数据高度保密。
这两位的观点与明略科技吴明辉提出的三层数据困境本质一致。企业核心数据的敏感性和隐性知识的难以捕捉,使得AI很难真正深入到业务核心。而小米、谷歌的降本增效策略,某种程度上是在降低企业试错成本,让更多企业能够以更低的门槛尝试AI应用。
智变之时,务实者胜
回到最初的问题,为什么小米和谷歌会在48小时内不约而同地发起这场降本潮?答案或许并不复杂。
因为产业共识已经形成。AI正在从单一的文本模态走向多模态与物理世界;竞争焦点从单纯的算力竞赛转向了模型架构的效率优化;应用形态从单体模型进化为智能体协作;驱动力也从单纯的技术驱动转变为场景定义。
此次降本潮的深层逻辑在于,算力与能源的瓶颈迫使行业回归理性。正如吴明辉所言,AI能否参与核心决策,取决于是否解决了信任与成本问题。
“每一个此刻的选择,都在悄然定义未来的模样。”腾讯新闻何毅进在大会上的这句话,或许是当前最好的注脚。整个行业都将被迫回答一个问题,谁能在保持技术领先的同时,真正解决成本、效率、落地的最后一公里?
智变之时已经到来,而这场变革才刚刚开始。
更多推荐

所有评论(0)