业内人士认为，当前国内大模型研发虽然进展迅速，但算力、人才等瓶颈仍待进一步突破，商业模式也还需进一步明晰。

在上海人工智能实验室教授林达华看来，千亿参数规模语言大模型的训练，最大的困难和挑战还不在于缺数据，而是试错成本很高。一个千亿参数的大模型，在千卡集群上面需要3个月训练。每一次更新都需要很大的算力支撑，训练的周期很长。

于浩认为，作为“底座技术”的大模型目前仍然处于“婴儿期”，其成长需要极其昂贵并耗能巨大的“算力暖房”，身边要围着一批专精人工智能算法优化的“专家保姆”，要供给海量的高质量“数据食材”。稍有不慎摄入“污染食材”或者对大模型“调教不严”，就极可能培育出“胡说八道”的“熊孩子”，给大模型企业造成难以估量的影响。

“考虑未来可持续发展，一方面是建设大模型基础设施引擎，筑牢底座，另一方面是培植小模型生态系统，进化出适应人工智能多样化小场景长尾需求的技术堆栈，用小模型解决实际问题，创造价值变现，再反哺大模型。”于浩说。

在谈到国内大模型的发展趋势时，孙乐认为，首先是随着大量高价值数据和用户反馈的获得，国内大模型的水平会迅速提升。其次，在应用方面大模型会大范围落地，并且在适合的场景会逐渐形成典型的应用范式。最后，大模型仍然会面临一些长期的科学问题，如可靠、可控和可信问题，同时也会在大范围的落地过程中发现新的科学问题，这些问题需要政府、企业界和学术界合力解决。

清华大学新闻与传播学院教授沈阳认为，国内大模型集中上线将催生一系列发展趋势，包括技术迭代加速、行业应用深化、商业模式多元化、数据和伦理问题凸显，以及国际化趋势。这些趋势不仅将影响模型本身的发展，还将对社会经济、法律规范和国际竞争格局产生深远影响。因此，各方需要密切关注，并做好相应的战略规划和应对措施。