大模型第一梯隊該有誰？云知聲用U2投了一票

出品 | 子彈財經

作者 | 白華

編輯 | 閃電

美編 | 邢靜

審核 | 頌文

大模型正陷入一場“軍備競賽”式的狂歡。參數規模從千億到萬億，上下文窗口從1萬到100萬，各家廠商你追我趕，仿佛誰投更多算力、堆更大參數，誰就能贏下這場AI競賽。但研究表明，單純增加參數帶來的性能提升正在急劇遞減。

斯坦福大學發布的《大模型規模定律》指出，當參數超過5000億后，模型在推理能力、常識理解等核心指標上的提升幅度從早期的30%以上降至不足5%，而訓練成本和能耗卻呈指數級增長。

企業真正需要的，是一個參數天文數字的“全能選手”，還是一個足夠聰明、足夠便宜、能實實在在干活的“專業搭檔”？

6月8日，云知聲發布自主研發的下一代原生智能體模型U2，一款有近3000億參數的MoE稀疏模型，宣稱能在多數任務上比肩萬億參數模型。更關鍵的是，其推理成本顯著低于同尺寸規模大小模型。

當大多數玩家還在比誰的模型“更大更強”，云知聲選擇了一條“強而小、強而省、強而能落地”的差異化路徑。這條路徑的邏輯是什么？底氣從哪來？能否撐起“國產第一梯隊”的目標？

1、大模型界的“反內卷選手”

目前主流的萬億參數級別大模型，動輒需要上千張GPU卡才能跑起來，單次推理的電力成本和算力成本高到讓大部分企業望而卻步。而U2的近3000億總參數，激活參數量只有百億級別，按照MoE架構的稀疏特性，每次推理只調用約十分之一的專家參數。

這背后的底層公式，是云知聲創始人黃偉提出的一個概念：AI公司行業價值=智能密度×Token價值。

什么叫“智能密度”？黃偉的解釋是：不是單純強調模型小，而是在模型性能達到全球第一梯隊水平后，進一步衡量每單位參數里承載了多少知識、推理能力和任務解決效率。

用一句更直白的話說：你用十個參數能干別人一百個參數的活兒，你的智能密度就更高。

而“Token價值”則是另一個被行業忽視的維度。過去兩年，大模型廠商喜歡比“生成多快”“生成多少”，黃偉把這個邏輯反過來問：如果生成的Token沒有業務價值，那它不是收入，是成本。Token價值不是看數量，是看每次調用能否真正轉化為業務結果。

U2是云知聲自研、基于快慢思考融合的稀疏混合專家（MoE）架構通用大語言模型，從設計之初就錨定“為執行而生”，而非“為生成而生”。

其擁有許多技術亮點，例如在高智能密度方面，通過知識精煉編碼、語義壓縮優化，近3000億參數的U2在多數純文本任務接近甚至超越國內萬億參數模型，參數效率接近后者約5倍。用更少參數承載更高密度知識與推理能力，告別無效參數堆砌。

“Agent+Harness協同演進”是U2的另一個關鍵標簽。

傳統大模型本質上是“嘴強王者”，能回答問題、能寫文章，但真要讓它去完成一個復雜的多步驟任務，比如自主調用工具、規劃路徑、執行操作并驗收結果，就得在外面包上一層厚厚的“應用殼”。

U2的工具調用、狀態管理、多步規劃均為模型原生能力，可自主理解目標、拆解任務、調用工具、執行驗收，適配復雜長程任務，而非靠外掛實現智能體效果。主要是依賴路徑規劃執行與harness協同演進，創新設計原生推理路徑蒸餾機制，構建計劃-環境探索-執行-驗收全鏈路閉環能力，高效駕馭復雜長程任務。

具體而言，U2將模型原生Agent能力的提升與Harness（任務執行腳手架）的迭代優化納入同一訓練閉環，形成雙向強化的協同演進機制。一方面，Harness根據當前模型能力邊界與特性持續迭代，為模型提供更精準的任務環境與反饋接口；另一方面，模型利用優化后的Harness返回的高質量軌跡數據，持續強化多步規劃、工具調用、過程糾錯與結果驗收能力。

這種底層訓練機制的脫胎換骨，在直觀的應用層帶來了全新的使用體驗。哪怕是在純自然語言的交互場景下，它的原生執行力也體現得淋漓盡致。以我最近測試的一個前端開發任務為例，筆者作為一名文科生，從來不會寫任何代碼，我只需要在U2對話框里輸入一段指令：幫我寫一個單文件的網頁小游戲，模擬煙花飛到空中然后綻放。要求畫面特別炫酷，五顏六色的線條軌跡，而且我可以用鼠標去互動。

令人驚喜的不僅是它在不到2分鐘內一次性交付了無Bug的成品代碼，更在于它在生成過程中展現出的“原生規劃感”——它無需外部提示，便自主完成了從底層canvas邏輯構建、五彩線條軌跡的物理模擬，到鼠標交互事件的精確掛載。全程單次交互便達到驗收標準，直觀驗證了其內化的任務分解與執行能力。

個人的驚艷體驗并非孤例，規模化的評測數據也為這種“高執行力”提供了嚴謹的佐證。U2在最新的綜合評測中展現了極度務實、面向真實企業級落地場景優化的強大實力。評測深度覆蓋了智能體能力（Agentic Capacity）、實戰化智能體專項（Claw Specific）、長文本能力（Long Context）、知識與推理（Knowledge & Reasoning）以及指令遵循（Instruction Following）五大核心維度，覆蓋范圍與U2的核心設計取向高度契合。

讓人驚喜的是，在6月10日海外權威AI模型評測平臺LLM Stats更新的榜單中，云知聲U2登上兩項關鍵評測：在LLM Stats Score綜合能力榜單中進入模型總榜前30，按廠商最佳模型成績位列全球模型廠商第九。此外，LongBench-V2評測排名中，U2的長文本能力以54.4%的準確率超越Claude Opus 4.7（53.9%），僅落后GPT-5.4（55.6%）1.2個百分點，排名全球第二。意味著其核心的上下文信息提取、跨段落推理能力已達到全球第一梯隊水平。

此外，評測結果全面印證了U2“雙高+原生智能體”的核心主張，確立了其作為新一代高效Agent模型的行業地位。首先是三大基礎能力全面奪魁，印證“高智能密度”；其次是代碼工程與Agent實戰穩居第一梯隊，彰顯“原生智能體”本色；最后是極致能效帶來壓倒性降本優勢，踐行“低成本高產出”戰略。

「子彈財經」發現，U2的底層邏輯，是先達到一流智能水平，再把成本打到最低。如同造車不是馬力越大越好，而是在保證速度與安全前提下做到最省油。

黃偉的比喻直白又精準：“我不需要一個中國科學院院士來開滴滴。很多任務場景不需要最高智能，碩士博士水平就夠了。”

2、十幾年的“長征路”

很多人對云知聲的印象還停留在“做語音識別”，這個認知偏差其實不小。

在AI 1.0時代，它的知名度遠不如商湯、曠視那批“AI四小龍”。但黃偉有一個很有意思的觀點：云知聲不是從語音走向大模型，而是從智能交互走向大模型。

翻開時間軸，可以看到云知聲的一條發展主線：語音只是入口，背后是意圖理解，再背后是任務執行。

• 2012年創立，同年攻克“5米遠講”技術；
• 2013年發布業內首款語音電子病歷，走進協和醫院；
• 2014年推出語義云，業內首提“云端芯”一體化戰略；
• 2018年自研AI芯片“雨燕”面世；
• 2023年發布山海通用大模型；
• 2024年山海醫療大模型登頂MMDU、MedBench等全球榜首；
• 2025年6月，云知聲在港交所掛牌上市，被譽為“AGI第一股”。

這十多年里，云知聲幾乎在每個技術周期都提前下了注，只不過“踩早”是有代價的。黃偉自己說得坦率：“踩早總比踩晚好。踩早了你付出的是時間成本，踩晚了你連入場的機會都沒有。”

上市近一周年，首份年報交出的數據頗有看頭。2025年全年，云知聲總營收12.11億元，同比增長29.0%。其中大模型相關業務實現收入6.1億元，同比增長逾10倍，占整體營收比重攀升至50%以上。大模型業務從早期的技術探索階段，蛻變為支撐云知聲發展的核心驅動力。

還有一個值得關注的數字，2026年5月，云知聲Token調用收入的ARR環比暴漲600%，預計6月將繼續保持高增長。這意味著公司收入與客戶AI使用強度已深度綁定，業務的規模天花板全面打開。

商業落地的案例最能說明問題。云知聲業務聚焦智慧醫療和智慧生活兩大核心領域：在醫療端，其AI輔助病歷生成系統已在北京友誼醫院等多家三甲醫院規模化應用，去年僅順義院區就生成超過45萬份病歷，直接引用率超90%；在金融端，其車險理賠AI解決方案幫助頭部保險公司控費率提升3%，每年節省保費約一二十億元。這些落地成果充分驗證了云知聲技術的商業價值。

站在更大的視角看，云知聲在AI醫療領域的探索已經有近十年。截至2025年末，公司已累計與全國近450家醫院合作，全國綜合排名A++及以上醫院覆蓋率接近35%。

這些數字背后是一個真實的商業邏輯：模型不是靠參數堆出來的，是靠場景喂出來的。

黃偉將其概括為“模數共振”，模型的性能離不開高質量數據，而好的模型如果不落地，既無法創造價值，也難以在真實場景中獲取高質量數據來推動技術迭代。如今，云知聲的智慧醫療業務已廣泛應用于智能電子病歷、臨床輔助診斷等核心場景，正是“模數共振”的典型案例。

這個正反饋一旦啟動，就很難停下來。

3、大模型第一梯隊，憑什么有云知聲？

大模型下半場的競爭焦點，已經從“誰更強”轉向“誰能以更低成本、更穩定方式交付足夠強的能力”。在這個新維度上，云知聲正憑借多年積累的數據壁壘、工程化能力和商業化驗證，躋身大模型第一梯隊。

行業格局遠未定型——這是黃偉反復強調的判斷。他說：“2018年人們也認為格局已定，然后很多公司就死掉了。”AI 2.0時代留在牌桌上的公司比1.0時代少得多，但市場空間比以前大多了。

黃偉把過去三年定義為“熱身賽”：2023到2025年，國內企業和OpenAI的差距從3—5年縮小到3—6個月，但Agent僅能完成單步簡單任務。2026年才是“正賽”的開端，AI從生成式升級為“生產力AI”，Agent能獨立完成復雜任務，商業化窗口真正打開。

開源模型能解決70%—80%的普通問題，但剩下20%專業用戶的20%專業問題，才是真正的護城河。高價值行業的“最后一公里”，一定是通用模型加上行業know-how來共同解決。

云知聲可能是少數幾家真正有資格這么說，也有數據這么做的公司之一。

首先是數據壁壘。云知聲在醫療領域深耕了十三年，積累了超10億條合規脫敏的醫療病歷數據，這些數據在互聯網上搜不到，是跑過真實業務、經過醫生實際使用沉淀下來的。在物聯網領域，合作伙伴超過2萬家，端側AI芯片出貨量突破1億顆。十幾年的場景數據不是想買就能買、想抄就能抄的。

其次信任壁壘同樣重要。云知聲服務了超過400家三甲醫院，合作醫院中85%為三級醫院，三分之一合作年限超過3年。在B端市場，替換成本極高，一旦切入就鎖定了后續收入。這形成了一種飛輪效應：越多的行業數據，帶來越好的模型效果；越好的模型效果，帶來越多的客戶信任；越多的客戶信任，又沉淀越多的行業數據。

最后是工程化壁壘。云知聲能把大模型壓縮到零點幾B的大小跑在離線終端芯片里，車載場景下，大模型蒸餾至0.5B參數即可實現端側無損交互。復雜聲學環境下的定向識別、多人說話分離技術，國內能做到的公司僅兩三家。

有了U2，云知聲的商業模式正在發生質變。To B端，獸牙智能體平臺正在加速落地，中標覆蓋醫療、醫保、交通、客服、工牌等多個領域；To C端，公有云MaaS的OPC生態持續產生Token收入。一個項目交付周期從3個月縮短到1周，成本降低80%。

4、結尾

回看云知聲走過的十幾年，從語音識別到智能交互，從AI芯片到大模型，每一次技術浪潮來臨前，它都在牌桌上。但“踩早”的代價也很現實。

從U2的“智能密度”路線，到年報里大模型收入暴增10倍的驗證，再到400多家三甲醫院的信任托底，云知聲用一種不太“互聯網”的方式，走到了大模型第一梯隊的門口。它沒有選最熱鬧的路，但選了一條最難被復制的路。

正賽哨聲已響。問題不再是云知聲能不能坐上這張桌子，而是當大模型的競爭從“寫得好”變成“干得好”，這張桌子上的規則，會不會被改寫？