Musk Praises Chinese AI Model After US Company's Criticism

（文/陈济深 编辑/张广凯） <br> 面对中国大模型的强势崛起，美国硅谷的反应正在越发割裂。 <br> 就在几天前，以反华为标签的Anthropic CEO再次对中国模型开炮，不仅表示多家中国开源模型企业“蒸馏”Claude的数据涉嫌剽窃，随后更是贬低中国模型是靠“刷题应对基准测试”才取得的排行榜跑分成绩。 <br> 但就在3月2日晚，当阿里千问开心3.5系列旗下4款小尺寸模型后，马斯克旋即在社交媒体留下了一句辣评： "Impressive intelligence density."（令人惊叹的智能密度） <br> 表面上看，似乎是科技狂人的一次随性点赞，但在业内人士眼里，马斯克回复“智能密度”这个用词，犹如一把尖刀，精准刺穿了Anthropic等美国AI巨头苦心经营的“高性能、高溢价”的护城河。 <br> 从堆参数到堆密度 <br> “智能密度”是马斯克近一年来反复鼓吹的核心概念。是衡量大模型效率的关键指标。 <br> 他不仅多次表示“AI智能密度的潜力被低估了两个数量级”，也公开称赞自家Grok 5将拥有6万亿参数且每GB拥有更高的智能密度。 <br> 现在他把自己最珍视的概念送给了竞争对手，也就意味着，比起传统的商业互吹，马斯克对于这款中国的模型是真心认同。 <br> 而在同一天晚上，太平洋对岸最懂“算账”的AI创业者，给出了完全相同的答案。 <br> MiniMax创始人闫俊杰在上市后首份财报电话会上，也提及了这个关键词，他把公司的核心战略概括为“智能密度的持续提升，加上Token的吞吐能力”。他说：“最终决定胜负的并不是单纯的烧钱和烧资源，而是智能能力进步的速度。” <br> 两件事撞在同一天，指向同一个词。如果把时间线再拉长，你会发现这不是巧合，而是一场正在成型的行业共识。 <br> 过去三年AI行业的主旋律是军备竞赛：拼参数、拼GPU、拼烧钱。万亿参数是门槛，十万张卡是标配，谁的数字大谁就是王。但这条路的收益正在递减——模型参数翻十倍，性能可能只好了两成，成本却翻了不止十倍。 <br> 而在喧嚣之下，一条“暗线”早已浮出水面。 <br> 2025年11月，清华大学刘知远教授团队的研究登上《自然·机器智能》封面，正式提出了大模型的“密度法则”（Densing Law）。基于对51个主流大模型的严谨回测，论文揭示了一个惊人的规律：从2023年到2025年，大模型的智能密度以每3.5个月翻倍的速度增长。 <br> 这意味着每一百天，人类就可以用一半的参数量，实现当前最优模型的性能。 <br> 刘知远教授把这件事讲得非常透彻：“规模法则和密度法则就像大模型演进的明线和暗线。之前的信息革命也是如此，明线是设备越来越小，大型机→小型机→个人电脑→手机；暗线则是芯片行业的高效进化，也就是摩尔定律。” <br> IBM首席研究科学家Kaoutar El Maghraoui的判断更直白：“2026年将是前沿模型与高效模型之争的一年。”行业已经厌倦了单纯堆砌规模的收益递减，正在寻找新的解法。 <br> 所以我们现在看到的，并不是几个人碰巧说了同一个词。从学术界到产业界到竞争对手，一条新的共识正在合流：AI竞赛的度量衡变了。从比谁“大”，到比谁“密”。 <br> 小模型也能够实用 <br> 但并非所有人买账。 <br> 就在几天前，Anthropic CEO阿莫代伊公开唱了反调，称中国模型针对基准测试的优化，远多于对现实世界使用的优化。 <br> 翻译一下：中国模型是刷题刷出来的，不算数。 <br> 这话有其语境，也暴露了美国头部大厂的深层焦虑。中国模型每证明一次小模型也能打，Anthropic和OpenAI赖以生存的高溢价定价模式就多一分崩塌的危险——如果9B的模型能干十倍参数量模型的活儿，巨头们精心构筑的API利润池就会被瞬间抽干。 <br> 然后，马斯克转头就给千问点了赞。 <br> 这里有一层微妙的博弈：马斯克跟OpenAI和Anthropic打得不可开交。夸中国模型，某种程度上也是在敲打美国同行——你们口中不值一提的对手，正在用你们最害怕的方式挑战你们的定价权。 <br> 当然，争论归争论，密度法则给出的数字是冷冰冰的：据论文统计，GPT-3.5级模型的API调用价格在短短20个月内下降了266.7倍。这不是某个人的观点，这是技术通缩规律。 <br> 争论可以继续。曲线不等人。 <br> 千问3.5的小模型，就是这条密度曲线上最新的那一个数据点——也是最让人不敢忽视的那一个。 <br> 先说一个最直观的事实：一年前需要整个服务器集群才能跑的能力，现在装进了手机。 <br> 9B参数量的千问3.5，在多项基准上性能媲美甚至超越十倍参数量的模型：GPQA Diamond得分81.7，指令跟随91.5，视觉理解在MMMU-Pro上以70.1 vs 57.2大幅领先同级别的GPT-5-Nano。最夸张的是，不到10亿参数的0.8B模型，能一口气处理26万token的超长上下文——相当于两三本长篇小说的体量，跑在一部普通手机上，而不是发热的服务器机房里。 <br> 千问团队在16天内连发9款模型，全部Apache 2.0完全开源，每一款都在各自参数级别称王。这不是一款产品的胜利，而是一整条密度曲线的“活体证据”。 <br> 刘知远教授早就预见了这个趋势。他曾断言：“只要能实现某种智能，未来一定可以在更小的终端上运行。” <br> 千问3.5正在验证这句话。 <br> 当9B模型能跑出十倍参数量的性能，AI的部署门槛就从“有服务器集群的大公司”降到了“有一张消费级显卡的个人开发者”。当几百人的公司能做出与数千人巨头掰手腕的模型，创业公司入场的门槛就从“先融十亿美元”变成了“先找三百个聪明人”。 <br> MiniMax就是后一种故事的注脚。全公司385人，平均年龄29岁，据闫俊杰在电话会上披露，公司成立至今累计花费仅5亿美元——对比OpenAI的数千员工和数百亿融资，交出的却是营收增长159%、毛利增长437%的答卷。智能密度不只是模型参数的物理概念，也是一种极其强悍的组织杠杆。 <br> 不要低估个人设备的汪洋大海。 信息革命初期曾有人预言“全球只需要几台大型计算机”。但到了今天，全球有超过70亿部手机。刘知远曾算过一笔账：早在2023年，全国散落在千万部设备上的端侧算力总和，就已经是数据中心的12倍。 <br> 智能的终局，注定是分布式的。 <br> 这才是“智能密度”比任何一次跑分都重要的原因。它指向的不是“谁的模型今天更强”，而是“AI最终以什么形态、多低的成本、来到每一个普通人身边”。 <br> 回到马斯克那句“Impressive intelligence density”。与其说他在夸赞一家中国公司的某次发布，不如说他在确认一个正在发生的转折： <br> AI的下半场，不属于最大的模型，属于最密集的智慧。