专访毕马威中国苗桢：大模型规模化盈利拐点或早于互联网时代，商业化能力成制胜关键

每经记者：张梓桐 徽声在线编辑：魏官红

进入2026年以来，国产AI大模型领域迎来了资本化的“黄金发展期”。一级市场上，大额融资事件频发，头部企业的估值持续攀升，资金向头部集中的趋势愈发明显，形成了显著的虹吸效应。

然而，自今年年中起，市场风向悄然转变，资本的关注点从单纯的技术创新转向了商业化落地能力。商业化难题如同高悬的达摩克利斯之剑，困扰着整个行业。截至目前，真正实现稳定盈利的国产大模型企业寥寥无几，客户忠诚度不高、付费意愿不强成为普遍存在的问题。

“当前，大模型赛道头部效应显著，估值泡沫隐现，新进入者面临着高资金门槛和技术壁垒，短期内盈利难度较大，商业化能力已成为决定企业成败的关键因素。”近日，毕马威中国华东及华西区工业制造及汽车行业主管合伙人、模速空间主管合伙人苗桢在接受《每日经济新闻》记者专访时如此表示。

苗桢预测，未来一至两年内，行业将迎来实质性的转折点。随着模型轻量化、算力成本下降、行业标准的完善，以及订阅制和生态化商业模式的成熟，大模型规模化盈利的拐点或将比互联网时代更早到来。

头部效应显著 商业化能力成企业制胜法宝

NBD：作为AI产业落地的资深专家，从产业投融资和资本市场的角度，您如何看待当前国产大模型赛道的发展态势？

苗桢：近年来，国产大模型赛道吸引了大量资本涌入，包括VC/PE基金、产业资本和政府引导基金等。头部企业凭借强大的资金支持，形成了强者恒强的局面，头部效应十分明显。目前，大模型赛道的市场竞争日益激烈，新进入者面临着巨大的资金和技术挑战。部分项目估值过高，存在一定的泡沫风险。由于大模型的研发和商业化周期较长，短期内难以实现大规模盈利，如何提高客户黏性，形成稳定的收入来源，成为企业亟待解决的问题。

随着竞争进入新阶段，商业化能力将成为企业的核心竞争力。目前，企业正在积极探索多种收入模式，如SaaS服务、API接口收费、定制化解决方案等，以提升自身的盈利能力。

NBD：近期，多家AI企业完成大额融资，估值持续走高，同时部分头部大模型企业加速冲刺港股上市，AI行业是否会形成多模型上市梯队格局？您认为国产大模型行业未来会加速出清，还是维持多强并存的竞争态势？

苗桢：在行业发展初期，由于技术门槛相对较低，市场上可能会出现大量参与者，形成“百花齐放”的竞争格局。随着技术成熟度的提升，市场将逐渐向少数头部企业集中，形成“多强并存”的局面。

进一步的技术突破和资本整合可能导致市场进一步集中，甚至形成寡头垄断。然而，不同应用场景对大模型的需求各不相同，企业可以根据自身优势选择特定场景进行深耕，从而形成差异化竞争，避免同质化竞争。

NBD：结合当前的投融资热度，您如何看待国产大模型行业规模化盈利的拐点？

苗桢：当前，资本市场对AI大模型的热情高涨，大量资金涌入为行业提供了强有力的支持。这种资本支持不仅为企业提供了充足的资金保障，还加速了技术研发和产品迭代。企业可以利用这些资金快速扩大规模，提高市场占有率，从而更快地实现盈利。我认为，大模型规模化盈利的拐点可能会比互联网时代更快到来。

在互联网时代，付费模式的普及经历了从免费到付费的转变过程，其成功在于用户基数的快速增长和用户习惯的培养。随着用户对高质量内容和服务的需求增加，付费模式逐渐被接受并普及。

AI大模型的应用场景非常广泛，涵盖智能客服、智能写作、机器翻译、医疗诊断、自动驾驶、金融科技等多个领域。这种多样化的市场需求为不同企业提供了差异化的竞争机会，也使得付费模式更容易被不同类型的用户接受。

因此，我认为AI大模型行业将在未来几年内迎来规模化盈利的拐点，头部企业将占据主导地位，而中小企业也有机会通过差异化竞争和生态合作找到自己的生存空间。

生成式AI落地面临技术、成本与商业模式三大挑战

NBD：当前，不少优质青年科创项目具备技术优势，但在融资对接、成果落地和产业融合环节遇到困难。您认为如何高效打通科创项目、资本方与产业端之间的对接壁垒？

苗桢：结合毕马威在支持创新创业方面的丰富经验，我认为可以通过以下几个方面高效打通科创项目、资本方与产业端之间的对接壁垒。

首先，构建高效的对接平台，定期举办路演、论坛、展览等活动，促进各方面对面交流，增强互动性，提高对接效率。

其次，利用大数据和AI技术进行智能匹配，将合适的项目推荐给潜在的投资方和产业伙伴，提高对接的精准度。

此外，寻找合适的专业机构，协助项目团队编写高质量的商业计划书，明确商业模式、市场定位和发展战略。同时，提供财务模型构建和预测服务，帮助项目团队制定合理的融资方案和资金使用计划。

最后，建立产业孵化基地，为项目提供办公空间、技术支持和市场推广等服务，加速项目落地，降低创业风险。

NBD：青年科创企业普遍有对接资本市场的长远规划，但前沿科创业态与传统资本市场规则存在适配差异。从专业服务视角来看，这类企业提前布局资本市场，最需要优先补齐哪些核心能力？

苗桢：企业应当建立健全财务管理能力。在互联网时代，有句话叫“财务总监要超配”，到了AI时代，这句话依然适用。企业应当及时与具有资本市场经验的会计师对接，帮助企业规范财务管理，并对财务报告提出审计意见。

我们以往见过一些创业者可能未及时与专业机构接触，反而通过道听途说得到一些错误意见，导致企业资本市场决策失误。在这方面，企业一定需要投入资源，招聘人才，补齐团队短板，千万不要让资本市场能力的不足成为企业快速发展过程中的“木桶效应”中最短的那一块板。

NBD：生成式AI全面赋能实体产业已成趋势，您认为AI技术当前最大的落地阻碍是什么？未来一两年行业会迎来哪些实质性拐点？

苗桢：在我看来，当前生成式AI落地面临三大挑战：技术层面、成本算力层面以及行业应用适配与商业模式层面。

首先，从技术角度来看，生成式AI模型本身非常复杂，需要大量的训练数据和计算资源。此外，如何在保证模型精度的同时，减少计算资源的消耗，提高模型的实时性和响应速度，也是一个重要的技术难题。

其次，成本算力层面的问题也不容忽视。生成式AI模型的训练和推理需要大量的计算资源，这导致高昂的成本。对于很多中小企业来说，构建高性能的计算基础设施是一项巨大的投资，难以承受。

最后，行业应用适配与商业模式层面也存在不少挑战。不同行业的应用场景和需求差异很大，AI技术需要与具体业务深度融合，这就需要深入了解行业知识。另外，如何设计合理的商业模式，使企业愿意为AI技术付费，也是一个重要问题。

不过，未来一两年内，这个行业可能会迎来一些实质性的拐点。首先，技术方面可能会有一些突破，比如更高效的模型架构和算法，使得生成式AI模型更加轻量化，降低计算资源需求。此外，预训练模型的进一步优化和开源，也将大幅降低企业自研模型的成本和难度。

其次，成本方面也会有所改善。随着云计算服务商提供的高性能计算资源变得更加经济实惠，企业的算力成本将会降低。同时，高性能计算硬件的价格也有望进一步下降，使得更多企业能够负担得起。

在行业应用适配方面，行业标准和规范的制定将促进AI技术在各行业的规范化应用，降低企业实施AI技术的门槛。不同行业之间的合作也将推动AI技术在多个领域的应用，形成协同效应。

商业模式方面，订阅制模式和增值服务将成为主流，企业可以通过提供高质量的服务获得稳定收入。构建开放的生态系统，通过合作伙伴关系实现共赢，也将成为一种趋势。

总的来说，虽然生成式AI在智能制造和汽车全产业链升级中面临诸多挑战，但随着技术的进步和成本的降低，未来一两年内将迎来实质性的拐点。企业应该抓住这些机遇，积极探索适合自身的AI应用路径，实现转型升级。