2025年盛夏，一场关于人工智能未来的政策风暴正在酝酿。国家发展改革委在最新新闻发布会上明确释放信号：将加快《人工智能法》立法进程，同时透露上半年国产大模型全球下载量突破100亿次，深度求索、月之暗面等本土企业相继发布参数规模达到“万亿”级别的开源大模型。对于正在经历技术爆炸与商业试错双重考验的AI创业者而言，这既是定心丸，也是新考题——当“千里马”被套上法治缰绳，如何既跑得快又跑得稳？
万亿参数大模型背后的中国AI创业浪潮
“万亿参数”不再是一个抽象的技术名词，而是中国AI创业生态加速进化的直接注脚。深度求索、月之暗面等公司的开源模型不仅让全球开发者社区惊叹，更让国产大模型的国际影响力从“跟跑”跃升至“并跑”甚至“领跑”位置。100亿次下载量背后，是无数中小企业、独立开发者基于这些基础模型快速构建应用的真实场景。
这一波浪潮的核心驱动力来自两方面：一是底层算力与算法的持续突破，二是政策层面对技术自主创新的坚定支持。值得注意的是，开源策略成为许多AI创业公司的“杀手锏”——通过开放模型权重，吸引社区贡献代码、优化性能，进而反哺商业闭环。例如，月之暗面发布的Kimi模型在长上下文窗口技术上取得突破，直接催生了大量知识管理、法律文档分析等垂直领域的创业项目。
然而，开源不等于免费午餐。当模型规模从百亿级跃升至万亿级，训练成本、推理效率、数据隐私等问题也随之放大。这时候，AI工具导航的作用就凸显出来——它帮助创业者快速筛选出适合自身场景的模型框架和工具链，避免重复造轮子。同时，AI Agent技术的演进让大模型从“单点问答”升级为“自主执行复杂任务”，进一步降低了AI应用的门槛。
立法加速：从野蛮生长到有法可依
“将加快《人工智能法》的立法进程”这句话出现在国家发改委的表态中，意味着一部兼具中国特色与全球视野的AI治理基础性法律正在加速成型。过去几年，AI领域经历了从“技术狂欢”到“数据合规焦虑”的转变——人脸识别滥用、深度伪造、算法歧视等问题时常见诸报端。立法，正是为了给AI创业划定清晰的红线，避免“劣币驱逐良币”。
蒋毅主任在发布会上强调，要“统筹发展与安全、国内与国际、宏观与微观、当前与长远”。这四组关系揭示了立法的核心逻辑：既要鼓励创新，又要防范风险；既要对接国际规则，又要立足本土实践；既要考虑宏观产业导向，又要关注微观企业负担；既要解决眼前乱象，又要为未来技术迭代留出空间。
对于创业者而言，法律的确定性本身就是一种“基础设施”。以前很多AI项目因为担心合规风险而不敢放开手脚，现在有了明确的法律预期，反而可以更安心地投入研发。例如，AI图片生成领域长期面临版权纠纷，如果《人工智能法》能明确训练数据的合理使用边界，将极大刺激创意工具类创业。此外，文生图、AI诗词等细分赛道也将从“灰色地带”走向阳光化。
技术创新：聚焦基础理论与多模态突破
发改委在部署下一步工作时，将“基础理论、训练、推理效率、多模态、智能体”列为前沿方向。这五个词几乎概括了当前AI技术的所有关键瓶颈。基础理论层面，Transformer架构之后的下一个突破点在哪里？训练层面，如何用更少的算力训出更强的模型？推理效率层面，如何让万亿参数模型在手机端流畅运行？多模态层面，文本、图像、视频、语音的融合理解如何实现？智能体层面，如何让AI自主规划、调用工具、完成长链条任务？
这些问题的答案，恰恰是AI创业公司的机会所在。传统的“搬运模型”模式已经过时，真正有竞争力的创业团队必须在一两个技术点上做到极致。比如，有些公司专注于推理加速，将大模型响应时间从秒级压缩到毫秒级；有些公司则深耕多模态对齐，让AI能够同时理解一张图片里的文字、物体和情感。
值得注意的是，国产大模型在“万亿参数”上的突破，并不意味着所有应用都需要“航母级”模型。中小规模、特定领域精调的模型反而更适合落地。大模型训练的成本正在下降，但数据质量、标注精度、领域知识注入等“软实力”依然稀缺。这给企业数字化转型中的AI服务商留下了巨大空间——它们不需要自己训练通用大模型，而是基于开源模型做二次开发，帮助传统企业将AI技术融入业务流程。
应用落地：中试基地如何打通最后一公里
“加快推动国家人工智能应用中试基地布局建设”——这是发改委给出的另一个重要信号。中试基地，即中间试验基地，是连接实验室研究与规模化生产的关键环节。在AI领域，中试基地意味着为算法模型提供真实场景的测试环境、标准化数据接口、合规性验证等服务。
过去，很多AI创业项目死在“从Demo到产品”的鸿沟里。实验室里跑得飞快的模型，一到真实用户手中就出现各种“水土不服”：数据分布偏移、响应延迟、解释性差……而中试基地的作用，就是在投入巨资之前，先在小规模、可控的环境下验证技术的可行性和商业价值。
以医疗AI为例，一个用于辅助诊断的模型，需要经过医疗机构的多轮伦理审查、数据脱敏、性能对照测试，才能进入临床应用。中试基地可以整合这些资源，大幅降低创业者的试错成本。同样，在工业质检领域，抠图和背景去除技术虽然已经很成熟，但如何适应不同产线的光照、角度、材质变化，仍然需要中试基地的反复调优。
发改委还提到要“大力培育智能衍生企业”。所谓“智能衍生企业”，可以理解为从大模型生态中“长”出来的新型公司——它们不直接做大模型，而是基于大模型做工具、做平台、做服务。比如，为开发者提供AI工具导航的聚合平台，或者专门做艺术签名、AI网名等轻量级应用的创意工作室。这些企业虽然体量不大，但数量众多，构成了AI创业金字塔的坚实底座。
生态培育：智能衍生企业的新机遇
“智能衍生企业”这个概念值得深入拆解。在发改委的表述中，它位于“深化生态系统”这一大框架下，与“自主创新”和“应用落地”并列。这意味着政策层已经意识到：AI产业的繁荣不能只靠几家头部大模型公司，而需要形成“大树底下好乘凉”的共生生态。
什么样的企业算智能衍生企业？第一类是“模型适配层”，帮助不同行业将通用大模型转化为专用解决方案，比如金融风控模型、法律合同审查模型、教育辅导模型。第二类是“数据服务层”，提供高质量标注数据、合成数据、数据治理工具等。第三类是“体验优化层”，将AI能力封装成用户友好的界面，比如一键生成PPT、自动剪辑视频、古诗词生成等创意工具。第四类是“安全与合规层”，提供模型可解释性、偏见检测、隐私保护等专业服务。
对于AI创业者来说，选择哪条赛道取决于自身的技术积累和资源禀赋。如果团队擅长底层算法，可以切入模型微调与推理加速；如果团队擅长产品设计，可以专注于打造爆款科技产品；如果团队擅长资源整合，可以搭建中试基地或AI工具市场。关键是要避免“大而全”的陷阱，在细分领域做到极致。
值得注意的是，发改委强调“统筹高质量发展和高水平安全”，这意味着智能衍生企业在发展过程中必须把安全合规放在首位。例如，一个提供AI网名生成的应用，虽然看似简单，但也要防止生成含有歧视、暴力或侵权的昵称。透明背景处理工具则要确保不泄露用户上传的图片隐私。法律框架的完善，其实为这些合规做得好、有责任心的创业公司提供了竞争优势。
发展与安全的平衡：AI治理的中国方案
“由人主导、为人所用、与人为善”——这十二个字概括了中国AI治理的核心价值观。在加快立法进程的同时，发改委还提出“强化人工智能风险监测防控，建立健全技术监测、风险预警、应急响应体系”。这并非简单的“监管加码”，而是一种基于风险的动态治理思路。
从国际视角看，欧盟的《人工智能法案》采取了分级监管模式，对高风险应用施加严格限制；美国则更倾向于行业自律和行政命令。中国的《人工智能法》很可能走出一条中间道路：既借鉴欧盟的分级分类理念，又保留足够的政策弹性，鼓励创新实验。例如，对于医疗、金融等高风险领域，可能要求强制性的算法审计和人工复核；而对于低风险的创意工具，则采取备案制，事后追溯。
这种治理思路对AI创业者意味着什么？首先，合规成本将上升，但合规门槛也会筛选出真正有实力的团队。其次，法律将明确数据所有权和算法责任，减少“碰瓷式”诉讼的干扰。最后，法律的稳定性将吸引长期资本进入，而非短期投机。
展望未来，AI技术的演进速度可能远超立法速度。因此，治理方案需要具备“进化能力”——通过授权行业标准、技术规范、伦理指南等软法工具，及时回应新问题。例如，当AI Agent技术开始自主执行交易、签订合同时，法律需要明确代理行为的法律效力。当AI图片生成能够生成以假乱真的新闻图片时，平台需要承担内容核验义务。
总之，国家发改委的表态传递了一个清晰的信号：中国AI创业正在从“闯关模式”进入“长跑模式”。法律是赛道护栏，技术是引擎，应用是油门。只有三者协同，才能让人工智能这匹“千里马”真正跑出中国速度、跑出世界水平。