大模型产业发展现状 - 中国大模型产业面临低水平竞争与结构性垄断风险 同时存在产业管制与监管失灵等政策性干预可能[1] - 对外需摆脱人工智能技术与供应链依赖 进行充分创新与竞争[1] - 开源创新生态处于初步探索阶段 底层基础研究能力相对薄弱 数据和算力基础制约性能提升[2] - 产业内各类创新主体间未形成有效协同 无序竞争引发乱象丛生[2] 开源与闭源模式对比 - 闭源模式以OpenAI的GPT系列、Anthropic的Claude及谷歌的Gemini为代表 通过API访问和企业解决方案实现盈利[2] - 开源模式以深度求索（DeepSeek）为代表 发布多款较低训练成本、较高计算效率、高水平算法优化的开源模型[2] - 开源大模型公地治理复杂 需考虑跨国组织、政府机构、非营利性组织等多元群体差异化利益诉求[3] - 开源大模型建设维护成本高昂 投资回报无法短期兑现 传统开源治理机制面临重大挑战[3] 市场竞争治理挑战 - 现行市场界定方法无法适应动态竞争的大模型市场 相关市场边界模糊[4] - 经营者集中制度存在漏洞 营业额作为唯一申报标准不适用于提供免费服务的开源模型[5] - 通用大模型训练与推理过程不可解释 缺乏算法透明度强制性审查要求[6] - 产业政策与竞争政策失衡 地方政府算力补贴存在区域限制和标准差异[6] - 截至2024年7月底 中国智算中心达87个 但平均利用率仅30%左右 部分区域算力闲置率超25%[6] - 尚未形成具有国际约束力的标准体系 高性能计算场景对进口芯片存在依赖性[7] 监管优化路径 - 需建立鼓励创新的包容性监管 避免过早建立刚性监管框架增加合规成本[8] - 完善反垄断事前监管规则 通过必需设施原则进行垄断分析而非仅看市场份额[9] - 将数据聚集程度和算力基础设施控制力纳入核心审查指标[9] - 允许通用大模型经营者通过承诺开源核心算法或开放API接口进行创新抗辩[9] - 借鉴英国CMA战略市场地位调查经验 对数据、算力等关键资源进行初步研究[10] - 强化中央与地方产业政策协同 国家层面制定产业发展指南 地方层面因地制宜出台政策[11]