全球模型厂技术演进与算力基础设施解读纪要

摘要： 本次会议重点解读了 Google、Anthropic 及 OpenAI 等全球主流模型厂的最新技术路径、模型参数规模、数据策略以及算力与电力基础设施的瓶颈情况。

行业主线：

1. 模型规模与架构演进：下一代公开模型参数量预计将提升至 10T-20T 级别。技术路径上，模型架构正从“小专家” MoE 转向“大专家”模式，以更好地适配长文本任务和长程目标。
2. 数据策略升级：高质量的“looping”轨迹数据（捕捉解决问题的完整流程而非静态片段）成为提升 Coding 等复杂任务能力的关键，预训练阶段的轨迹数据积累决定了基础能力上限。

关键变化与分歧：

1. 算力瓶颈转移：算力约束已从单纯的芯片短缺转向电力供应短缺，导致部分新芯片无法通电，迫使厂商通过租用外部数据中心或拆除旧卡来腾出空间。
2. 能力领先的可持续性：Anthropic 凭借对用户反馈闭环数据的有效利用在 Coding 领域建立领先，而 Google 和 OpenAI 在预训练数据质量或架构选型上存在追赶压力。

受益方向与风险：

1. 受益方向：能够提供低成本、高能效算力方案的芯片供应商；拥有大规模真实用户入口并能形成高质量数据闭环的模型厂。
2. 核心风险：电力供应缺口导致算力部署进度低于预期；算力租赁价格大幅上调增加模型研发成本；架构选型失误导致后训练迭代效率低下。