
出品 | 电商头条 作者 |李松月
直面差距:字节AI追平国际顶尖水平需待2030年
近期,43岁的张一鸣以6700亿元财富再次登顶中国首富。然而,在荣耀背后,面对全球激烈的AI竞争,他保持着清醒的认知。
据多方消息透露,张一鸣在字节AI团队全员会议上坦言,尽管字节具备与OpenAI、Anthropic竞争的能力,但要真正追平前沿技术,“最早也要到2029年或2030年”。
自2021年卸任CEO以来,张一鸣虽鲜少公开露面,但始终密切关注字节的AI研发进程。此次内部讲话不仅揭示了字节当前面临的挑战,也明确了其战略选择。
基础数据与模型能力的短板
字节在AI领域布局多年,豆包在消费级应用市场已站稳脚跟,Seedance在视频生成领域亦表现领先。但张一鸣关注的核心,在于基础大模型与国际顶尖水平的差距。
会议指出,与海外顶尖AI企业相比,字节Seed系列模型的预训练数据集规模仍然偏小。预训练是大模型研发的基石,数据的数量、质量和多样性直接决定训练效果。尽管字节拥有抖音、TikTok、今日头条等海量内容平台,但受限于版权授权、数据清洗及去重筛选,真正可用于高质量训练的数据规模受到制约。
Seed-Coder 代码预训练数据筛选流程 图源:字节跳动Seed
今年6月发布的Seed2.1系列模型,重点提升了复杂办公、代码工程和多模态理解能力。官方评测显示其在多项任务中具备竞争力,但在最具挑战性的开放任务和前沿研究问题上仍有提升空间。CEO梁汝波此前也表示,虽然豆包和Seedance表现良好,但大语言模型与海外领先模型的差距有所扩大。
与此同时,OpenAI和Anthropic并未止步,它们在复杂推理、编程和智能体方向持续突破,并投入巨资建设计算基础设施。字节在补齐短板的同时,对手可能已完成下一次迭代。因此,建立持续突破的研发能力比短期榜单排名更为关键。
Claude Fable 5.2 与 Mythos 5.2 发布图 图源:Anthropic
拒绝捷径:坚持长期主义与独立自研
对于如何缩小差距,张一鸣明确了“长期主义”的战略方向。
今年8月,他在Seed团队内部会议上强调,做模型要坚持延迟满足感,反对“用别人的输出,换一时的榜单排名”。这一表态针对的是团队内部关于“模型蒸馏”的讨论。虽然利用更强模型生成样本以加速提升是常见研发手段,但长期依赖竞争对手模型输出并非长久之计。
张一鸣提出,字节“应该愿意为长期目标牺牲一部分短期收益”,建立自己的数据体系、训练方法和技术积累。梁汝波随后确认,大语言模型将坚持自研,做好基本功,接受短期落后。
巨额投入:资金、算力与人才并举
坚持独立探索意味着更长的研发周期和巨大的资源投入。
在资金方面,据彭博社报道,字节正讨论将2026年资本开支提高至最高700亿美元,重点建设数据中心等AI基础设施。在模型规模上,《金融时报》称Seed团队正在预训练一款参数规模可能达10万亿的大模型,这对训练效率、架构设计和算力调度提出了极高要求。
TikTok 巴西数据中心建设现场 图源:fDi Intelligence
人才方面,Seed团队已有约1000名研究和工程人员,由前Google DeepMind成员吴永辉负责。张一鸣自2024年下半年起定期参与Seed团队复盘,显示创始人对基础模型研发的高度重视。
吴永辉资料照 图源:财新网
除了基础研发,字节还拥有庞大的产品体系优势。豆包、TRAE、剪映和火山引擎能将模型投入真实场景,帮助团队发现并优化问题,同时通过企业服务带来收入,反哺持续研发。
火山方舟Seed通用模型调用场景分布 图源:字节跳动Seed
行业观察:中国AI竞争进入深水区
字节的困境也是中国AI企业的共同课题。阿里、DeepSeek等公司也在追赶前沿,但各自选择了不同的路径。
阿里:开源生态与云计算协同
阿里采取开源模型与云计算结合的路线。依托成熟的云业务,阿里持续开放千问系列模型权重,吸引开发者构建应用生态,进而转化为云服务需求。截至2026年8月,千问系列全球累计下载量超30亿次,衍生模型超30万个。财报显示,阿里AI云与算力服务季度收入同比增长45%,形成了良性循环。
阿里千问Qwen3发布图 图源:Qwen Team
图源:阿里巴巴集团2026年6月份季度业绩
DeepSeek:极致效率与成本控制
DeepSeek则聚焦于提高模型效率。其发布的V4.1 Flash模型采用混合专家架构,通过优化架构与缓存机制,在处理任务时仅激活部分参数,大幅降低计算与存储成本。这条路线致力于平衡模型能力与成本,降低用户使用门槛。
DeepSeek各代模型KV缓存开销对比 图源:DeepSeek
中国AI竞争已进入新阶段:资金投入之外,研发效率、技术创新和商业化能力成为关键变量。阿里依靠开源生态,DeepSeek凭借架构优化,字节则依托资金、人才和应用场景优势。
未来三到四年,字节的关键在于解决预训练数据、模型架构和训练效率问题,并将模型能力提升转化为广泛的商业收入,为下一轮研发提供支撑。
张一鸣设定的2029年至2030年追赶目标,不仅要看模型在复杂推理、编程等核心任务上的表现,更要看能否持续推出具有国际竞争力的新一代模型。毕竟,追上一代只是阶段性胜利,持续站在技术前沿才是真正的考验。

