全部课程 / L4 判断层
L4-04 竞品路线解剖
学时 6h(4 次) 前置 L4-03 性质 判断课
为什么学这门
只有理解了别人为什么走另一条路,你才能真正理解 DeepSeek 的选择。
这门课的核心不是「谁更强」,而是:在什么约束下,哪条路线更优。
课时拆解
第 1 次(2h)三条主路线
路线 A:规模优先(OpenAI / Google)
- 假设:能力来自规模,先做到最强再降本
- 手段:超大训练集群、闭源、先发生态
- 代价:成本高、必须持续领先
路线 B:效率优先(DeepSeek / Qwen 部分)
- 假设:在给定算力下榨出最多能力
- 手段:架构创新、MoE、开源换生态
- 代价:绝对能力可能落后、需要持续创新
路线 C:生态优先(Meta 早期 / 部分开源派)
- 假设:分发比能力更重要
- 手段:开放权重、培育社区
- 代价:难以直接变现
动手:三条路线各写一句「核心假设」和「最大风险」。
第 2 次(2h)逐家解剖
对每一家,回答四个问题:
- 它的约束是什么(算力/资金/人才/监管/生态)?
- 它的核心技术选择是什么?
- 它在哪一环省钱、哪一环花钱?
- 它的路线在哪会撞墙?
覆盖:
- OpenAI:先发、闭源、推理模型领先、成本压力大
- Anthropic:安全叙事、长上下文与代码、企业市场
- Google:自研 TPU、多模态原生、分发渠道强
- Meta:开源权重、追赶策略
- Qwen(阿里):多尺寸全覆盖、开源生态、中文优势
- Kimi(月之暗面):长上下文起家、agent 产品化
- 其他值得看的: Mistral(欧洲)、xAI(算力堆叠)
动手:做一张 7 家 × 4 问题的矩阵表。
第 3 次(1h)分歧点的技术本质
把「路线差异」翻译成「技术参数差异」:
| 分歧 | 技术本质 |
|---|---|
| 开源 vs 闭源 | 权重是否分发,影响生态与变现 |
| 稠密 vs MoE | 显存换算力,取决于部署场景 |
| 长上下文 vs 检索 | 窗口成本 vs 检索复杂度 |
| 推理模型 vs 直接回答 | 推理算力 vs 延迟 |
| 原生多模态 vs 拼装 | 训练成本 vs 跨模态能力 |
动手:为每个分歧点写「什么场景下选左边,什么场景下选右边」。
第 4 次(1h)对你的意义
- 这些路线对「编排层」意味着什么
- 多模型并存是不是常态(答案:是)
- 编排层如何从「多路线并存」中获益
- 这直接是 L5 的战略前提
动手:写一段话说明「为什么多模型并存让编排层更有价值」。
核心概念清单
- 三条主路线的核心假设
- 至少 5 家公司的约束与技术选择
- 路线分歧的技术本质
- 多模型并存的原因
- 编排层在多模型世界的价值
材料
- 各家技术报告与模型卡(优先一手)
- 各家发布博客(注意营销成分)
- 不要依赖「谁吊打谁」类的对比文章
验收作业
- 三路线卡片:核心假设 + 手段 + 代价 + 风险。
- 七家矩阵表:7 家 × 4 问题。
- 分歧点表:5 个分歧 × 技术本质 × 场景选择。
- 路线预测:选一家,预测它未来 12 个月最可能的技术动作,并说明依据。
- 编排层论证:为什么多模型并存是常态。
第 4 题是压力测试——如果你的预测错了,说明你对约束的理解还不够。
常见卡点
| 卡点 | 真相 |
|---|---|
| 「信息不全,没法判断」 | 永远不全。要在信息不全时做判断,这是判断力的定义 |
| 「谁最强」 | 这个问题没有稳定答案,且取决于场景 |
| 「开源一定更好吗」 | 不一定。开源把成本转移到使用方(部署、运维、调优) |