大模型浪潮：前半本是教材，后半本是产品手册

2026-11-12silcano

微信读书《大模型浪潮：商业机遇、产业变革与未来趋势》（沈抖 著）· 逐页翻阅 264 屏 · 前置 20 屏 + 四章 · 章块 29 个
抽样说明：这本书的目录本身就是论点，所以我两条线一起抽——目录与推荐序（p0003、p0006、p0018）、七十年技术史（p0030）、算力三组数（p0050）、人机交互（p0070）、百模大战（p0080）、智能体（p0125）、混合专家模型（p0136）、DeepSeek（p0149）、新型基础设施（p0174）、产业结合（p0188）、技术栈与 MaaS（p0210）、四层开发模式（p0230）、提示词优化（p0240）、RAG 与政务案例（p0264）。
要说清楚一件事：这本书我没读完。抓取在 p0264 之后卡住，阅读器把页面压成 2953px 的短页、按钮消失，连续三次渲染超时后停止。所以我读到的是「第四章第三节 人工智能原生应用的开发」开头的实践案例，后面的章节（如果存在）我没看到。本篇所有判断只覆盖这 264 屏，页码都能在书里直接核对，不引用任何书外材料。读了一半就说一半的话，这比假装读完更诚实。

先给结论：这本书是两个人写的，虽然署名只有一个。

前面 197 屏（含推荐序）的作者是个不错的工程师型作者，他知道 GPT-3 训练要算多久、知道 MoE 为什么要做专家路由、知道 RAG 的两个阶段各干什么，还愿意把「联结主义的低谷不是原理错，是算力不够」这种话讲明白——这在国产技术书里算稀罕。

从第 198 屏开始，作者换成了一个人：百度集团执行副总裁。他不再解释技术，他开始给建议，而每一条建议的最后，都通向同一个地方——百度智能云千帆平台。

这不是什么罪过。企业高管写书，带着自家产品是常态，读者自己打折就行。但打折这件事得有人提醒你，书自己不会提醒。所以这篇笔记的主要工作，就是标出从哪一页开始打折、打几折。

一、它怎么讲历史：把七十年压成一条螺旋

第一章用了 66 屏（占 25.0%），讲的是从 1956 年达特茅斯会议到今天的路。这段写得比我预期扎实，因为它没有把历史写成一条昂扬向上的曲线，而是老老实实承认了三次低谷。

最见功力的是 p0030 那一段。1962 年，IBM 的塞缪尔写了套西洋跳棋程序，赢了当时的人类棋手罗伯特·尼利；斯坦福研究所造出移动式机器人 Shakey，能自己感知环境、建个简陋的模型、再规划路径去把一个木箱推到指定位置。听起来很神，但作者紧接着就给了一个冷静的判断：当时算力和存储都有限、推理规则也不完善，所以这些产品「虽然很惊艳，但实用性不强，甚至连翻译工作也不能保证准确率」。

然后就是 1973 年。英国数学家詹姆斯·莱特希尔交了一份调查报告《人工智能：综述》，俗称莱特希尔报告，结论是当时的人工智能「都是夸大其词，实际效果很差，研究已经彻底失败」。报告一传开，各国政府投资大幅削弱，行业进入第一次低谷。

这段最值钱的是作者在 p0030 上方给出的那句归因：「联结主义并非原理有重大缺陷，而是其发展与算力高度相关。」

这句话看着平淡，其实是整本书的暗线。如果七十年的失败主要是算力不够，那今天一切的乐观，本质上都建立在一个赌注上——算力会继续便宜下去。作者后面所有关于「时机已到」的论证，都押在这个赌注上，但他从头到尾没有正面讨论过：如果算力不再便宜，或者电不够用了，这条曲线会怎么走。这是全书最大的一个沉默，我放在短板那一节细说。

二、全书最有用的三个数字，都在第 50 屏

如果这本书你只打算翻一页，我建议翻 p0050。这一页把「大模型为什么只有大公司玩得起」讲得比任何行业分析报告都清楚，而且全是可以复述的硬数字。

第一个数字：10 的 23 次方。这是 OpenAI 技术报告里 GPT-3 训练一次所需的总计算量。作者怕你没感觉，换算了一下：以一秒能算 60 万亿次的英伟达 H800 为例，需要 1000 块显卡连续跑 50 天。

第二个数字：500 万到 1000 万美元。这是上面那 50 天对应的成本。作者还补了一句很中国的换算——用传统算盘打，得让全世界 80 亿人一起算 100 万年，才能算一遍。他给这组数字下的结论是：「大模型的出现绝对称得上是个奇迹，仅靠个体是绝对解决不了如此规模的计算问题的。」

第三个数字：45TB。GPT-3 的预训练数据量，作者换算成「10 万人一辈子不睡觉才能读完」的阅读量。

这三个数字我建议你记住，因为它们是这本书后面所有商业判断的地基。谁能一次性烧掉一千万美元且不心疼，谁才有资格谈「自研基础模型」；剩下的人，只能谈「用」。书里后来那句「卷大模型不如卷应用」，其实不是战略洞察，是这三个数字算出来的必然结果。把必然包装成洞察，是这本书的一个习惯。

三、第二章值得逐字读：它把「技术」讲成了「工程」

第二章 76 屏，占 28.8%，是全书篇幅最大的一章，也是我认为唯一值得逐字读的一章。理由很简单：它讲的不是「技术有多厉害」，而是「技术是怎么被工程化的」——这两件事的差别，决定了你读完是获得知识，还是获得情绪。

八节的结构是这样的：预训练（p0091）、有监督微调（p0099）、人类反馈强化学习（p0107）、检索增强生成（p0116）、智能体（p0125）、混合专家模型（p0136）、长上下文（p0143）、DeepSeek（p0149）。前四节基本上就是大模型的四道工序，作者讲得干净：预训练是「读万卷书」，微调是「学规矩」，强化学习是「对齐人类偏好」，RAG 是「开卷考试」。

其中我最推荐的是 MoE 那一节（p0136）。它用两句俗语把混合专家模型讲明白了：一句是「隔行如隔山」，说的是通用大模型再强也吃不下所有专业场景；另一句是「三百六十行，行行出状元」，说的是那就给模型配一批「状元」——每个专家网络管一摊，前面再加一个调度器决定这活儿派给谁。作者的总结是「既跑得快，又吃得少」。这个比喻不精确，但足够让你在开会时讲清楚为什么 MoE 能降成本。

RAG 那一节（p0116）和第 4 章的实践（p0264）是接上的。p0264 把 RAG 拆成两个阶段：数据准备阶段是「原始文档→数据提取→文本分割→向量化→数据入库」，应用阶段是「用户提问→数据检索（召回）→注入提示词→大模型生成答案」。这个拆法没有花活，但它是标准答案，照着做不会错。

第二章的问题不在内容，在它的位置。它被夹在一章历史和一章商业之间，像一个技术顾问被临时拉进董事会汇报，讲完就被请出去了。后面第四章再也没回过头引用过这里的任何一个概念——除了 MoE 的成本，而那里引用它是为了证明平台便宜。

四、第二章的后半段：两页值回书价

p0125 是全书信息密度最高的一页，值得单独说。作者从《钢铁侠》里的贾维斯讲起——J.A.R.V.I.S. 的全称是「Just A Rather Very Intelligent System」，一个「只是相当聪明的系统」，然后用这个「Just」引出反差：说起来轻描淡写，做起来极难。

接下来他排了一条时间线，四个人的四句话：

李彦宏在多个场合表示，智能体是人工智能时代的网站，是目前最能激发大模型潜力的应用方向。2024 年 5 月，OpenAI 首席执行官萨姆·奥尔特曼在麻省理工学院参加活动时提出，智能体将是人工智能的杀手级应用。2024 年 11 月，黄仁勋在英伟达 AI 峰会上表示，未来有两种类型的人工智能会非常受欢迎：数字人工智能工作者（智能体）和物理人工智能（机器人技术）。吴恩达在参加 2024 年 Snowflake 峰会开发者日时也表示，智能体工作流将在 2024 年推动人工智能取得巨大进步，甚至可能超过下一代基础模型。

这条时间线排得很聪明：一家中国云厂商的 CEO、一家美国模型公司的 CEO、一家卖铲子的、一位教课的，四个立场完全不同的人，说了同一个词。这种「交叉验证」的写法比任何论证都有说服力，因为它绕开了「谁对」的问题，直接告诉你「所有人都这么想」。

但我要提醒一句：四个人都看好，和这件事能成，是两码事。2024 年说这话的人，2024 年也都在卖与之相关的东西——李彦宏卖云，奥尔特曼卖 API，黄仁勋卖卡，吴恩达卖课。这不是说他们错了，是说这条时间线证明的是「共识」，不是「正确」。作者用共识代替论证，在这里用得最漂亮，也最应该被看穿。

再说 p0149 到 p0162 那 14 屏，全书读着最提神的地方

作者把 DeepSeek-R1 的发布称为「2025 年人工智能领域最令人惊叹的事件」，然后给了一组我很喜欢的对比数据：

万维网从发布第一个网站到拥有 1 亿用户，用了大约 7 年；推特用了 5 年 5 个月；微信用了 14 个月；ChatGPT 用了两个月；而 DeepSeek 从几乎为 0 到 1 亿，只用了 7 天。

这组数字之所以有力，不是因为 7 天有多快，而是因为它把前面所有的「门槛论」一次性打了个对折。上一节刚说完训练一次要一千万美元、要一千块 H800 跑五十天，这一节就告诉你：有一家公司用低得多的成本做出了同级别的效果，而且七天内被一亿人用上。书的第二、三章一直在论证「只有大玩家能上桌」，第八章（技术意义上的第八节）却亲手把这个论证撕开一个口子。

可惜作者没有顺着这个口子往下问。他讲了 DeepSeek 2023 年 11 月先做 DeepSeek Coder、基于开源 Llama 架构起步、同月发布 670 亿参数的 DeepSeek LLM，讲了效率革命的路径，但没有回答那个最有价值的问题：如果效率可以这样提升，那「算力即壁垒」这个前提还站得住吗？他绕开了，因为一旦回答，第四章的整套推荐逻辑就要重写。

这是我的判断，也是我读这一节时最不舒服的地方：全书最好的一块材料，被放在了最不该放的位置——它应该在第 3 章的开头，用来推翻第 3 章的标题。

五、第三章只用 35 屏，下了一个很大的判断

第三章叫「机遇研判：大模型成为生产力，时机已到」，35 屏，占 13.3%，是四章里最薄的一章。薄不一定是坏事，但这一章薄得有点不对——因为书名承诺的「商业机遇、产业变革」全在这一章里，而它只给了 35 屏。

它真正的论证在 p0174。作者从「要想富，先修路」讲起，说人类两百年的人均 GDP 突然爆发式增长，靠的是三次工业革命带来的基础设施升级，然后给了全书我最认同的一段判断：

前两次工业革命——蒸汽机和电力，改变了人类体力的赋能；第三次工业革命——信息革命，在一定程度上开始辅助脑力工作，但依然扮演着工具的角色。而人工智能以及最近大模型的出现，在很大程度上正从辅助脑力的角色，向代替脑力的角色演变。这和之前每一次的工业革命都截然不同，会彻底改变所有行业。

这段话有分量，因为它给了一个可检验的坐标：以前的技术是延伸你的手和眼，这次的技术替换你的判断。「辅助」和「代替」之间那条线，才是所有焦虑的真实来源——不是「AI 会不会取代我」，是「我这份工作里，有多少比例是判断，多少比例是执行」。执行那部分先被拿走，判断那部分留着，而这个比例每个人都不一样。

可惜这个坐标提出来之后没有往下走。接下来的「便捷享用新型人工智能基础设施」14 屏，讲的是云、算力、模型服务怎么像水电一样买；「大模型和中国产业结合的时刻」只有 3 屏，用的是毛竹和解放牌汽车的比喻；「技术革命时常产生于危机中」5 屏，基本是宏观叙事。一个这么大的判断，论证只用了不到 8 屏，其余全是铺陈。

我的看法是：这一章是全书最该写厚、结果写得最薄的一章。因为它要回答的问题——「为什么是现在，而不是明年、不是五年前」——恰恰是读者最需要答案的。而作者的答法是「历史类比 + 基础设施论」，这在演讲台上很有效，在书里就变成了不可验证的断言。等到第四章给出结论「所以要选全栈平台」时，中间那座桥其实是没有的。

六、从第 198 屏开始，它换了身份

第四章叫「抓住红利：大模型带来技术平权」，67 屏，占 25.4%。这一章的开头还在讲道理：技术栈变了、门槛降了、从「最后一公里」缩短到「最后一百米」。p0210 有一句话写得挺动人——「未来的编程过程，就是一个人表达愿望的过程」。

但读到 p0210 的后半段，语气就变了。作者开始谈「可以借鉴的思考」：优先选择具备面向企业全栈服务能力的企业，包括从算力平台、基础大模型到模型开发和应用开发平台在内的全栈能力，「只有基于这样的能力，创新才能更快，成本才能更低」。

这句话本身没错。问题是它长得不像判断，更像招标文件的资格条款。而且这条建议在 p0080 已经出现过一次了，那里的原话是：

「卷」大模型，不如「卷」应用。对于用户而言，应谨慎选择大模型产品，优先选择技术实力、资金实力以及整体盈利能力靠前的大公司，从而避免因大模型供应商的问题（例如在竞争中掉队、产品更新停滞等），而影响自身业务运营。

「整体盈利能力靠前的大公司」——这句话放在任何一家云厂商的 PPT 里都成立。但放在一本书里，它就需要一个脚注：说话的人所在的公司，正好是这句话的受益者。而作者在同一页把「百度」和「DeepSeek」并列为「两个重要的行业参与者」，这个并列本身也是一种修辞——一家是提建议的人自己家，一家是刚用效率革命打了所有人脸的公司。

再往后就是 p0230 的四层开发模式：提示词工程 → RAG → 大模型融合业务执行的 Copilot → 自主规划与执行智能体。这个分层我很认，它讲清楚了一件事：这四层往上加的不是「聪明」，是「权限」。提示词只是让它说得像；RAG 让它答得有依据；Copilot 让它能动手改东西；智能体让它自己决定下一步干什么。每上一层，你交给它的决定权就多一分，需要设的检查点也多一分。这个视角书里没明说，但四层的顺序本身就是这个意思。

然后就是 p0240，全书最「手把手」的一页。作者举了个提示词优化的例子：你问「请列举增值税的税率」，模型会给一大段又全面又啰嗦的话，税率、适用范围、例外情况全说一遍；改成「列举增值税的税率，并按如下格式直接返回结果。税率：13%。你列举的结果是：」，输出就干净得能直接进表格。他的解释是：把大模型想象成学生，它模仿能力很强，所以你尽量给一个或多个示例。

这个技巧是对的，也确实有用。但它同时暴露了这本书的层次：全书唯一称得上「操作」的地方，是教你改写一句提问。这不是作者水准的问题，是定位的问题——它想同时服务「企业决策者」和「开发者」，结果到了要动手的环节，只能给决策者听得懂的那种动手。

然后是 p0264 那句关键的话：「在百度智能云千帆平台上，这些过程可以通过点击配置等步骤轻松完成。」

到这一句，第四章的身份就彻底清楚了：它不是一章书，它是一份售前方案。写得还挺好——政务咨询的案例很典型，一线人员工作量饱和、回复率上不去、拿私域知识文档和政策文件建库做问答助手，这个需求描述准确得像是从标书里抄的。但它没有预算、没有工期、没有验收标准、也没有「做砸了怎么办」。

七、它的短板

下面四条，是我读完这 264 屏之后认为最该说清楚的缺点。不是挑刺，是因为这本书会被很多企业拿去做决策参考，缺点得提前标出来。

第一，谈趋势靠比喻，不靠数据。p0188 那一节讲「大模型和中国产业结合的时刻」，开头是一段毛竹：「这种竹子在生长初期，地上部分生长缓慢，而在地下扩展庞大根系。竹笋一旦破土而出，短短几周就可以长到十几米高，所谓『三年不长，一夜千尺』。」接着是 1956 年的解放牌汽车、2023 年的 C919、三一重工的灯塔工厂、蓝箭航天的液氧甲烷火箭。四个例子都是真的，也都很提气，但它们证明的是「中国工业能攻坚」，不是「大模型现在就该上」——这是两件不同的事。用比喻解释技术是好文笔，用比喻论证趋势是偷懒。

第二，案例里没有失败。政务咨询、能源电力、教育个性化，三个场景全是成功叙事。全书 264 屏，我没有看到任何一个「这个项目失败了，因为数据太脏/流程没改/没人维护」的段落。而按我的经验，企业做大模型项目死掉的原因，八成在这三件事上。一本书如果只讲成的，读者就没法判断自己会不会是那个没成的。

第三，实操部分绑死在一个平台上，不可迁移。第 4 章第 3 节 36 屏，是全书的「实战」部分，但几乎每一步都落在千帆上——点几下、配一配、上传文件、选个模型。这对百度云的客户是好事，对其他人是负担：你学到的不是「怎么搭 RAG」，是「怎么在千帆上搭 RAG」。于是「技术平权」这个结论就变得可疑了——如果平权只在一个平台上成立，那它不是技术平权，是平台平权。门槛没有消失，只是从「会不会写代码」换成了「选没选对平台」。

第四，全书的乐观建立在一个没说出口的前提上。前面说过，作者把七十年低谷归因于算力不够，这就意味着今天的繁荣依赖算力持续变便宜。但全书没有一页讨论能源、没有一页讨论推理成本随用量的线性增长、没有一页讨论「如果电价涨了会怎样」。第三章讲「大模型的波折与前行」只有 8 屏，大部分在讲 Gartner 曲线一类的通用框架，没落到成本曲线上。这是最该被补上、也最难被作者补上的一块——因为补上它，第四章的乐观就得降调。

八、怎么读这本书：给三类人的建议

如果你是开发者或者技术负责人：只读第二章，特别是 p0030、p0050、p0116、p0136 这四页，再读 p0230 的四层分层。这五页加起来不到半小时，能给你一套在会议上讲得清楚的框架。第四章可以不读，你要的东西在官方文档里更准。

如果你是企业里负责选型的人：读第三章和第四章程的前半，但把每一条建议都反过来问一遍——这条建议对谁说最有利？p0080 说「优先选盈利能力靠前的大公司」，这句话该配一个脚注。真正该问的问题不是「选大公司还是小公司」，是「我的业务如果三年后要换供应商，迁移成本有多大」。

如果你是想搞清楚这波到底怎么回事的普通人：读 p0050 和 p0149 这两页就够了。前者告诉你这件事为什么贵，后者告诉你它为什么突然不贵了。这两页之间的张力，才是 2025 年真正的故事，而这本书把它拆开放在了相隔 99 页的两个地方。

最后说一句公道话。这本书的技术部分不是拼凑的，自序里作者写自己 1997 年考进华北电力大学计算机专业、2001 年去清华跟陆玉昌教授读研、2004 年到香港科技大学跟杨强教授做人工智能方向的博士——这条履历解释了为什么第二章写得像内行：他确实是内行。问题不在他懂不懂，在他写这本书的时候，坐在哪个位置上。

264 屏读下来，我的判断是：它把技术讲成了工程，把选型讲成了推荐——前半本值得划线，后半本值得划问号。

阅读记录
书名：大模型浪潮：商业机遇、产业变革与未来趋势　|　作者：沈抖　|　平台：微信读书　|　翻阅：264 屏（未读完，停在 p0264 / 第四章第三节实践案例）
抓取耗时约 720 秒　|　章块 29 个　|　屏数分布：前置推荐与自序 20（7.6%）· 第一章 历史演进 66（25.0%）· 第二章 技术突破 76（28.8%）· 第三章 机遇研判 35（13.3%）· 第四章 抓住红利 67（25.4%，未完）
抽读核对页：p0003 重磅推荐 / p0006 推荐语 / p0018 自序 / p0030 莱特希尔报告 / p0050 算力三数 / p0070 人机交互 / p0080 百模大战 / p0125 智能体 / p0136 混合专家 / p0149 DeepSeek / p0174 新型基础设施 / p0188 产业结合 / p0210 MaaS / p0230 四层开发 / p0240 提示词优化 / p0264 RAG 与政务案例
说明：抓取在 p0265 连续三次渲染超时（页面被压成 2953px 短页、按钮消失）后停止，后续章节未取到；本篇结论只覆盖上述 264 屏，不引用书外材料，页码可在原书直接核对。