零一万物策略转向：放弃超大模型，聚焦ToB落地
编辑点评 · AI 连续创业者视角（以下内容由 AI 提炼，观点归原作者；读完可不看原文）
李开复证实零一万物部分团队并入阿里，专注超大模型，自身转向做快、便宜、小的模型。关键数据：2024年收入超1亿，2025年预计数亿（A·自称）。对搞钱者，这验证了纯模型层是死胡同，真正的机会在“模型+行业Know-how”的垂直应用层，即帮客户赚钱、可复制的ToB解决方案。适合有行业资源的技术创业者，最大坑是忽视商业化闭环，只做技术不做业务。下一步：调研你所在行业的垂直AI痛点，测试是否可通过小模型+数据优势实现低成本落地。
- 关注“行业数据+小模型”的垂直应用机会
- ToB生意核心是帮客户直接赚钱，而非卖技术
- 避免投入纯基础模型研发，聚焦可复制方案
- 评估自身行业是否有高价值、可标准化的AI场景
- 寻找与行业巨头合资或合作的切入路径
一、这是什么机会
零一万物放弃对超大参数模型的“军备竞赛”，将核心训练与AI基础设施团队并入阿里云，自身转向提供“更快、更便宜、更小”的模型及垂直行业应用。这为创业者撕开了一道口子：通过“小模型+行业数据+Know-how”解决具体业务痛点，以可复制的ToB方案赚钱，而非比拼算力烧钱。
二、独立判断
这个方向值得切入，但门槛不在技术而在行业资源。李开复在2025年初的表态证实，纯基础模型研发对初创公司是“死路”，真正的机会在于“AI-first”应用层。关键依据是零一万物2024年已实现超1亿元实际收入（自报数据），2025年预计数亿，验证了“帮客户赚钱”的商业模式比“卖技术”跑通得更快。
三、冷启动路径
第一步：锁定一个你深耕过的行业，找出一个“无AI不成立”的高频痛点（如自然语言交互、复杂推理）；第二步：用开源小模型（如Llama 3.1 8B/14B）结合行业私有数据做微调，搭建MVP；第三步：找1-2个种子客户，按“效果分成”或“订阅制”收费。成本量级：初期研发+数据清洗约5-10万，周期3-6个月。核心是验证客户是否愿意为“效率提升”付费，而非为“模型参数”付费。
四、最大风险与避坑
风险1：陷入“定制化陷阱”。避坑：方案必须可复制。李开复提到的ToB订单标准是“可复制性高”，若每个客户都要重写代码、重调模型，就是纯外包生意，无规模化效应。
风险2：忽视商业化闭环，只做技术。避坑：从第一天起就按“帮客户省了多少钱/赚了多少钱”定价，而非按Token调用量。技术只是载体，业务结果才是护城河。
五、案例复盘（别人怎么做的）
- 团队重组：零一万物大部分预训练和AI Infra团队并入阿里云“产业大模型联合实验室”，编制转为阿里员工，侧重超大模型研发，零一保留应用与轻量模型团队。
- 技术路线切换：放弃自研最大模型，转而用超大模型（Teacher）生成合成数据，提升更小模型（Student）性能，降低推理成本，支持普惠应用。
- 商业化策略：2025年计划与“适合大模型的行业公司”成立合资公司，绑定行业数据与Know-how，而非独立销售模型API。2024年收入超1亿元，主要来自已落地的ToB场景。
- 获客逻辑：聚焦“AI-first”应用（自然语言交互+通用推理+无AI不成立），在互联网/移动互联网验证过的行业寻找PMF，避免与OpenAI/Anthropic拼底座。
- 关键决策时间点：2024年5月已内部决定聚焦快/便宜/小模型，2025年1月公开确认，避免资金链紧张传闻发酵，主动管理预期。
六、双轨可执行性
跨境：此轨道不可行。海外小模型应用层已被OpenAI/Anthropic的API生态和垂直SaaS（如Perplexity、Midjourney）垄断，且数据合规与获客成本高，零一模式依托的是中国互联网场景与行业数据壁垒。
国内：可行。启动方式是找1个你熟悉的行业（如法律、医疗、供应链），用开源小模型+脱敏行业数据微调，打造1个可复用的SaaS模块，按“年费订阅”或“效果分成”收费，先服务3家标杆客户，再复制。
原文 · 晚点聊 LateTalk：阅读原文 →
