将加快《人工智能法》立法进程

核心亮点

国家发展改革委在 7 月 31 日的发布会上披露了一组产业数据：上半年国产 AI 模型全球下载量突破 100 亿次，深度求索、月之暗面等本土企业已发布参数规模达万亿级别的开源模型。同时明确了下一步方向——加快自主创新、推动应用中试基地布局、加快《人工智能法》立法进程、强化风险监测防控体系。产业数据与立法节奏在同一场发布会上释放，信号相当清楚：发展与规范被放在同一条时间线上推进。

具体内容

100 亿次下载量这个数字的分量，在于它是全球口径。国产开源模型不再只是在国内被调用，而是进入了全球开发者的默认选项集。过去两年，开源权重从"追赶者的策略"变成了生态构建的主路径——权重免费放出去，换回来的是开发者的使用习惯、工具链的适配优先级，以及上下游对特定架构的依赖。

万亿参数级别的开源模型是另一个关键点。此前万亿级基本是闭源大厂的专属，开源社区能拿到的多在几百亿到千亿区间。国内企业把万亿级模型的权重公开，意味着研究者可以在最前沿的规模上直接做机理分析、微调和蒸馏，而不必隔着 API 黑盒做猜测式研究。

应用中试基地的提法，指向的是产业落地里最难啃的中间环节。模型能力和实际生产之间隔着数据接入、流程改造、效果验证、人员适应一整套工程问题，中试基地的作用是把这段路径标准化、可复制化，降低单个企业各自摸索的试错成本。

技术与产业细节

万亿参数模型如今多采用混合专家（MoE）架构，总参数量很大但每次推理只激活其中一小部分，训练成本高而推理成本可控。这是国内团队在算力条件受限下的务实选择——用稀疏化换取有效容量，把有限的算力优先花在容量而非稠密计算上。开源这类模型对社区的额外价值在于，MoE 的路由策略、专家负载均衡、训练稳定性这些工程细节，此前极少有公开的大规模样本可供研究。

下载量的统计口径通常来自 Hugging Face、ModelScope 等托管平台，反映的是模型被获取的次数而非实际部署量，一个团队反复拉取会重复计数。但从趋势上看，量级本身仍能说明生态影响力的变化。

与国际对比

美国的前沿模型主力仍是闭源，开源侧以 Llama 系列和少数研究机构为主，且部分模型的许可证带有使用规模或场景限制，严格说属于"权重可得"而非完全开源。欧盟走的是先立法后产业的路子，《人工智能法》已分阶段生效，透明度等义务陆续落地。国内的节奏是产业先行、立法跟进，《人工智能法》进入加快推进阶段，配套的风险监测体系同步建设，形成边发展边规范的组合。三种路径各有代价：闭源保住了商业壁垒但让生态受制于人，强监管提高了确定性但抬高了创新门槛。

行业影响

对企业用户，万亿级开源模型的出现意味着私有化部署的能力上限被明显抬高。金融、医疗、政务这类对数据不出域有硬性要求的行业，过去只能在能力打折的本地模型和不能用的云端强模型之间二选一，现在有了第三个选项。

对创业公司，基座能力可以免费获取，起步门槛大幅降低，竞争重心随之转移到数据资产、场景理解和工程交付能力上——模型不再是壁垒，怎么把模型嵌进真实业务流程才是。

立法进程加快则提示合规成本会前置。训练数据来源合法性、生成内容标识、算法备案这些要求，会更早地成为产品设计阶段的约束条件，而不是上线后再补的功课。对已经在跑的项目，提前梳理数据链路和内容标识能力，比等到规则落地再返工划算得多。