隨著更多產業玩家的推進，我們已經明顯感知到大模型投入大成本高。如果沒有足夠的資金和計算資源，就連開發訓練這一階段都難以進行。

以百度為代表的大模型玩家，正在形成“架構-大模型-應用-數據”飛輪加速閉環。一方面，推理成本降低，加速大模型產業落地，甚至可能比上一波浪潮更快；另一方面，大模型迭代速度越來越快，產品應用具有長期持續性，商業壁壘更容易建立，對下游生態玩家而言，這自然是剛需和利好。

但與之相關，大模型創業甚至產品發布的窗口期也正在被壓縮，留給大模型創業玩家的涌現的時間也不多了——

他們不光要準備金錢、時間等這些外在資源儲備，還需要考慮自身產品能否還具有競爭力。另外創業的必要性也正在減弱：就動輒大幾千萬甚至上億的入場券來說，既沒有必要重復造輪子，也沒有端到端核心積累優勢。

大模型創業的機遇，會開始朝著生態和應用創新傾斜。

但也正因如此，反而更加彰顯了大模型自主的重要性，因為太基礎、太底層、太需要把生態放在放心安心的國產層面了。大模型趨勢再明晰不過，千行百業的落地價值也已經預見，入局是必然，但之前是否需要按照地緣區域或國界劃分“造輪子”卻沒有共識——有些論點里，依然相信科學技術的進展會普惠到全世界。

然而隨著地球另一邊，OpenAI越來越Close，API輸出的區別對待，中國需要自己的大模型底座，正在成為共識。

有意思的是，這在芯片、深度學習框架、底層架構平臺的打造過程中，已經有過一輪討論，有過一輪經驗教訓，并且還被類比為了汽車產業中的“發動機”，最后明確“發動機”必須要自主，這樣產業才真正安全。

然而到了大模型競速中，對于“變速箱”的認知，之前因為對大模型認知不完備，存在不同聲音，但此役過后，應該無人再有異議了。畢竟百度已經在打造、迭代的過程中，展現出了這種四層自研技術棧的端到端協同的必要性和重要性。

不過也正是這種必要性和重要性，進一步明示了大模型打造的殘酷的游戲規則：

凡有的，還要加倍給他，叫他多余；沒有的，連他所有的也要奪過來。

這背后既是端到端全棧帶動的壁壘，更是數據、應用驅動飛輪之下越滾越大的雪球。隨著雪球向前，大模型產業落地的速度自然會加快，同時留給其他大模型玩家涌現的時間也越來越緊缺。

這種趨勢已經開始，這種趨勢還會持續。