1. 為什么我們會產(chǎn)生“只有中美有大模型”的錯覺1.1 流量和融資搶走了存在感過去兩年你只要打開科技新聞滿屏都是OpenAI、Google、Anthropic再往下就是國內(nèi)幾家頭部廠商的發(fā)布會。媒體和投資人天然追逐那些“聽起來能改變世界”的故事估值榜、融資額、聊天機器人用戶數(shù)這些數(shù)字最能抓眼球。相比之下歐洲、日本、韓國的大模型企業(yè)很少主動喊出“我們要挑戰(zhàn)GPT”這種口號融資體量也不是一個量級自然就退到了公眾視野之外。我在行業(yè)群里也觀察到一個很有意思的現(xiàn)象每次有人問“歐洲有沒有自己的大模型”評論區(qū)總會有人提到Mistral但問到日本和韓國很多人只能勉強說出“好像有Naver”。至于這些模型到底做了什么、跑在什么場景里、開源還是閉源大部分朋友都是模糊的。這種“沒有存在感”的結(jié)局更多是被關(guān)注度篩選出來的而不是被技術(shù)實力篩選出來的。1.2 技術(shù)圈的信息渠道天然偏科另一個原因是技術(shù)信息本身有很強的地域性。英文社區(qū)以Hugging Face、GitHub、Arxiv為中心模型榜單、論文、demo基本圍繞英文和中文語料中文社區(qū)更不用說天然關(guān)注國內(nèi)產(chǎn)品的迭代。日文、韓文、法文、德文圈的模型評測、技術(shù)博客、商業(yè)案例很少被系統(tǒng)性翻譯到英文再流回中文語境等于這些成果從源頭上就被屏蔽了。更讓人頭疼的是語言本身的門檻。日語模型的評測要看Japanese LM Benchmark韓語模型要看KoBEST、HAE-RAE這類數(shù)據(jù)集德語社區(qū)則習(xí)慣自己做評估這些信息分散在各語種的博客和學(xué)術(shù)機構(gòu)里。我?guī)状螄L試去追蹤NTT、Naver、LG的模型更新都得靠日韓同事幫忙整理卡點否則很容易被搜索引擎里的過時新聞帶偏。1.3 “通用大模型”不等于“大模型產(chǎn)業(yè)”說句公道話歐日韓確實沒有出現(xiàn)類似ChatGPT那種面向全球用戶的超級入口但這不代表它們沒有大模型產(chǎn)業(yè)。美國和中國的大模型天然沿著“通用AGI”敘事生長先做大底座再通過對話、助手、辦公場景覆蓋所有人而歐洲、日本、韓國的玩家從第一天起就在思考一個更實際的問題某個行業(yè)、某類語言、某類私有化環(huán)境值不值得專門搞一個大模型。所以你會看到Mistral先做的是在本地可跑的7B模型NTT盯著日語和邊緣計算Naver綁定搜索和云LG往材料、生物等垂直領(lǐng)域探索。它們不是沒有技術(shù)而是選擇的賽道不同。想判斷一個經(jīng)濟體有沒有大模型產(chǎn)業(yè)不能只看有沒有“網(wǎng)紅聊天機器人”而要看它在企業(yè)服務(wù)、行業(yè)模型、開源生態(tài)里扎得有多深。2. 歐洲Mistral把開源做成招牌德國人執(zhí)著于“可控AI”2.1 Mistral真正觸動我的幾個選擇法國Mistral應(yīng)該是歐洲最出名的大模型公司2023年成立創(chuàng)始團隊來自DeepMind和Meta背景相當硬。但讓我覺得有意思的不是它的參數(shù)規(guī)模而是產(chǎn)品策略當美國巨頭拼命堆參數(shù)、不做開源時Mistral一口氣放出了7B和MoE架構(gòu)的8x7B模型走Apache 2.0協(xié)議允許你隨便下載、商用、修改。這個策略精準打在了算力有限的困境里。歐洲創(chuàng)業(yè)公司沒有那么多GPU和微軟那種云資源如果去跟GPT-4拼通用能力早已被消耗死了。Mistral把目標鎖定在“能在企業(yè)內(nèi)部跑起來”的模型上直接拉攏了一批關(guān)注數(shù)據(jù)隱私的企業(yè)客戶。實測一下你會發(fā)現(xiàn)Mistral 7B在大部分推理任務(wù)上確實不如幾百B的大模型但部署成本低太多兩三天就能用Ollama跑起來這對中小團隊非常友好。Mixtral 8x7B則是另一個亮點它用MoE把總參數(shù)拆成多個專家模塊推理時只激活一部分成本和延遲都能降下來。實際跑下來的感覺是它在代碼和推理任務(wù)的表現(xiàn)明顯好于同體積稠密模型甚至有了“以小博大”的意思。后來Mistral又推出Mistral Large、Small等閉源API產(chǎn)品接入了主流云平臺相當于開源立品牌閉源做收入。2.2 Aleph Alpha和“主權(quán)AI”到底在做什么德國這邊Aleph Alpha是繞不開的名字。這家公司最早搞了一套“Luminous”系列模型后來把重心轉(zhuǎn)移到面向政府和大型企業(yè)的高可控AI平臺。如果你第一次聽說它可能會覺得這名字很德式又硬又不討巧。但德國市場就是吃這一套政府、銀行、制造業(yè)客戶把“數(shù)據(jù)不出境、模型可解釋、流程可審計”看得比基準分更重要。Aleph Alpha反復(fù)強調(diào)的“主權(quán)AI”其實可以理解成“AI自主可控能力”。它不追求在公眾聊天里刷屏而是做了一個支撐私有化部署的中間層讓客戶能在一個受信環(huán)境里調(diào)用模型能力。這種思路在歐洲特別吃香因為很多組織不敢直接把敏感數(shù)據(jù)丟給美國云需要一套能在本地、甚至在自有數(shù)據(jù)中心里運行的大模型基礎(chǔ)設(shè)施。2.3 DeepMind倫敦、Silo AI等歐洲還有哪些隱藏力量除了這些明星創(chuàng)業(yè)公司歐洲還有很多機構(gòu)級玩家。比如Alphabet旗下的DeepMind總部其實在倫敦雖然它更多以AlphaFold、AlphaGo這類研究成果被人記住但底層技術(shù)和工程能力確實撐起了歐洲AI的一角。嚴格說DeepMind不是獨立企業(yè)但它對歐洲人才生態(tài)的貢獻不容小覷很多歐洲大模型公司的創(chuàng)始骨干都從DeepMind跳出來。芬蘭的Silo AI則是一個典型的綜合性AI實驗室專門幫企業(yè)落地定制大模型和機器學(xué)習(xí)方案2024年被AMD收購后成了芯片廠商在軟件生態(tài)上的重要一環(huán)。它的路線不太像“自己造GPT”更像是“幫別人安全地用上GPT”。奧地利、荷蘭、瑞士也有多家NLP公司長期深耕文本挖掘、知識圖譜和企業(yè)搜索這些企業(yè)在行業(yè)里的口碑往往比公開認知度高得多。2.4 歐盟AI法案給模型落地帶來的實際影響聊歐洲大模型繞不開歐盟AI法案。這個政策框架給高風險AI系統(tǒng)提出了更嚴的透明度、數(shù)據(jù)治理和可解釋性要求。雖然有些人抱怨監(jiān)管拖慢技術(shù)迭代但站在行業(yè)角度看它也逼著歐洲大模型企業(yè)把“合規(guī)能力”做成了核心競爭力。在歐洲做項目客戶第一個問題往往不是“你的模型能考多少分”而是“數(shù)據(jù)存儲和日志在哪里”。這種環(huán)境下純粹堆參數(shù)的模型反而很難賣因為沒人敢在監(jiān)管高壓下用一個黑盒。所以歐洲大模型公司的產(chǎn)品設(shè)計里普遍帶有審計日志、中文檔、權(quán)限管控等模塊這些都是美國AI產(chǎn)品不太重視的細節(jié)。就我接觸到的海外客戶來看這種“合規(guī)優(yōu)先”的設(shè)計反而讓歐洲模型更容易進入金融、醫(yī)療、政務(wù)這類強監(jiān)管領(lǐng)域。3. 日本更低調(diào)的“企業(yè)私有化”路線NTT和PFN是典型代表3.1 NTT的tsuzumi像是專門為日語和邊緣計算生的日本NTT在2024年推出了自研大語言模型tsuzumi名字是日本傳統(tǒng)樂器“鼓”。這個模型的定位非常日本不是做成一個“最強AGI”而是強調(diào)日語理解能力好、可以在低算力設(shè)備上運行、適合嵌入企業(yè)內(nèi)部系統(tǒng)和邊緣端。我研究過tsuzumi的技術(shù)資料它的核心賣點在于對日語語義的把握。日語里有大量敬語、助詞、上下文省略和曖昧表達直接套用英文模型的效果一直不理想。NTT用大量高質(zhì)量日語語料做了強化讓模型能處理日本商務(wù)場景里的郵件、會議紀要、客服對話。再加上NTT原本就是通信運營商對網(wǎng)絡(luò)和邊緣設(shè)備很熟所以tsuzumi被打造成“能塞進路由器旁邊小型服務(wù)器”的輕量模型這在日本企業(yè)里需求非常明確。3.2 Preferred Networks和PLaMo用工業(yè)AI的底子做基礎(chǔ)模型Preferred Networks簡稱PFN在日本AI圈地位很高。它早期靠自研深度學(xué)習(xí)框架和應(yīng)用項目起家深度綁定了豐田等制造企業(yè)在機器人、自動駕駛、工業(yè)檢測這些方向積累了非常多經(jīng)驗。PFN后來推出PLaMo系列模型名字也有點“玩法”味道聽上去像日語里的“塑料模型”プラモデル就是那種能自己拼裝的模型暗示用戶可以自由定制。PLaMo特別強調(diào)日語能力和對日本社會文化語境的適配同時考慮了企業(yè)本地部署需求。因為PFN不是純互聯(lián)網(wǎng)公司它對“模型進工廠”這件事有更深理解工業(yè)客戶更關(guān)注穩(wěn)定性、低延遲、可重訓(xùn)而不是聊天時候的“文采”。這種把制造業(yè)邏輯融入LLM研發(fā)的模式是我認為日本大模型最有特色的地方。3.3 大廠與初創(chuàng)的并列NEC、富士通、Rinna、Stockmark除了NTT和PFN日本還有一批企業(yè)值得關(guān)注。NEC過去在自然語言處理上有很深的積累后來也圍繞日語大模型推出了面向政府和企業(yè)的人事、法務(wù)、呼叫中心方案富士通則偏向系統(tǒng)集成把大模型嵌進自己的數(shù)字化轉(zhuǎn)型業(yè)務(wù)里。浪潮式的宣傳不多但在客戶名單里一直很活躍。初創(chuàng)公司方面Rinna做了很多開源日語對話模型長期在開源社區(qū)維護權(quán)重Stockmark則是專注日語預(yù)訓(xùn)練模型的小團隊他們的方向是幫企業(yè)用私有語料做微調(diào)。日本市場有個特點大型企業(yè)長期依賴系統(tǒng)集成商采購鏈路長所以初創(chuàng)公司往往靠輕量級開源權(quán)重吸引開發(fā)者再由集成商把產(chǎn)品賣進大公司。這個生態(tài)雖然不算激進但比想象中更有活力。3.4 LLM-jp與ABCI超算國家級項目如何補位日本政府也意識到大模型不能只靠企業(yè)單打獨斗于是有了LLM-jp這個聯(lián)合研究項目。它由產(chǎn)業(yè)技術(shù)綜合研究所AIST領(lǐng)頭聯(lián)合東京大學(xué)、京都大學(xué)等高校以及多家企業(yè)共同開發(fā)開源日語模型還順帶做了一套日文評測數(shù)據(jù)集和語料庫。這個項目的價值不在于某個模型突然成為世界第一而在于把分散在高校和產(chǎn)業(yè)界的日語NLP資源重新聚合起來。ABCI超算則扮演了“算力底座”的角色。AIST運營的ABCI系統(tǒng)對企業(yè)和研究機構(gòu)開放為日本大模型訓(xùn)練提供了穩(wěn)定算力池。相比美國那種超大規(guī)模集群ABCI在絕對算力上不算頂級但勝在準入機制靈活、配套設(shè)施完整很多日本創(chuàng)業(yè)公司的模型都是在上面訓(xùn)練出來的。這種“國家級算力高校研究企業(yè)落地”的組合很符合日本的做事風格。3.5 為什么日本大模型企業(yè)偏愛本地部署我在和日本客戶打交道時發(fā)現(xiàn)他們對“云端開放API”的接受度遠低于中美市場。很多日企認為把客戶數(shù)據(jù)放到外部云上本身就不可接受哪怕供應(yīng)商承諾“數(shù)據(jù)加密”“合規(guī)安全”。這種心態(tài)和日本社會對隱私的高度敏感有關(guān)也和日企內(nèi)部嚴格的采購審批制度有關(guān)。因此日本大模型企業(yè)幾乎都在往私有化部署方向發(fā)力強調(diào)“模型文件下載下來放在自己的服務(wù)器里跑”。這種偏好直接影響到模型設(shè)計日本模型往往參數(shù)適中能用較少的推理資源跑起來還會提供詳細的運維工具、文檔和本地RAG方案。從技術(shù)選型角度來看日本市場對“可落地”的重視程度明顯高于“能不能考高分”這也導(dǎo)致日本模型在公開榜單上不太耀眼但在企業(yè)內(nèi)部表現(xiàn)得非常穩(wěn)。4. 韓國Naver、LG、SK用數(shù)據(jù)優(yōu)勢打了一場陣地戰(zhàn)4.1 Naver HyperCLOVA韓國搜索霸主的另一張底牌如果韓國要選一個“最像中國互聯(lián)網(wǎng)大廠”的企業(yè)那一定是Naver。它是韓國搜索的絕對頭部還運營著LINE、博客、購物、金融、云等龐大生態(tài)。Naver在大模型上的布局叫HyperCLOVA其中HyperCLOVA X是面向搜索、商務(wù)、企業(yè)知識庫等場景的系列模型。HyperCLOVA X的獨特之處在于它和Naver搜索生態(tài)深度綁定天然適合做檢索增強生成。韓國用戶搜索習(xí)慣高度依賴Naver模型可以直接調(diào)用Naver的知識圖譜、新聞、用戶生成內(nèi)容這種“搜索大模型本地服務(wù)”的組合讓Naver在面對全球通用聊天機器人時擁有了本土優(yōu)勢。Naver Cloud還提供GPU基礎(chǔ)和部署服務(wù)等于從模型到云轉(zhuǎn)身就是一條完整鏈路。4.2 Kakao與LG社交場景和集團研發(fā)中心的分工Kakao曾經(jīng)通過AI子公司Kakao Brain推出了韓語大模型KoGPT系列還和開源社區(qū)合作過很多輕量模型。后來Kakao Brain被整體整合回母公司模型研發(fā)從單獨科研機構(gòu)變成了產(chǎn)品部門的支撐點。Kakao的優(yōu)勢在于幾乎每個韓國人都在用KakaoTalk對話數(shù)據(jù)、社交場景、客服頻道都是現(xiàn)成的AI落地場景。LG則是另一條路線。LG AI研究院推出EXAONE早期主攻材料、化學(xué)、生物研究輔助后來逐步開放到通用場景。EXAONE系列有一個理念很明確為企業(yè)研究員和應(yīng)用開發(fā)者提供可部署的大模型底座。它在韓國制造、化學(xué)、半導(dǎo)體等產(chǎn)業(yè)里的實用性比單純拼聊天體驗更有說服力。我記得EXAONE后續(xù)有開源版本權(quán)重可以直接下載這讓不少做韓語項目的團隊省了很多事。4.3 電信與云SKT、KT們?yōu)槭裁匆惨獪悷狒[韓國幾家電信運營商也在大模型領(lǐng)域頻繁出手。SKT不僅重金投資了Anthropic還在韓國市場推廣集成AI助手KT也自研了韓語模型側(cè)重電信客服、企業(yè)智能、媒體服務(wù)等場景。乍看之下運營商人搞AI有點奇怪但仔細想又很合理。電信運營商手里有海量用戶、通話/網(wǎng)絡(luò)數(shù)據(jù)也有龐大的客服體系大模型對它們來說既是降本工具也是升級服務(wù)的入口。只不過電信系大模型大多是“內(nèi)需優(yōu)先”先解決自家業(yè)務(wù)再對外輸出。加上韓國本土市場只有5000多萬人運營商很難把通用大模型故事講成一個全球生意所以它們更愿意和Naver、Kakao、LG這些有場景能力的企業(yè)合作而不是獨自挑戰(zhàn)OpenAI。4.4 韓國模式的現(xiàn)實邊界韓國大模型企業(yè)有一個共同困境本土語料和市場需求太小全球化又缺少渠道。韓語在全球互聯(lián)網(wǎng)內(nèi)容當中占比并不高除非是專門做韓語服務(wù)否則很難讓外國客戶心甘情愿買單。Naver試圖借LINE在日、東南亞的覆蓋延伸生態(tài)但日韓之間的競爭關(guān)系又讓合作復(fù)雜起來大部分韓國模型只能待在韓國市場里做深做透。不過這并不意味著韓國沒有競爭力。韓國在大模型應(yīng)用層、端側(cè)AI、半導(dǎo)體配套上其實非常強三星、SK海力士這些硬件巨頭對整個AI供應(yīng)鏈的影響比任何一個模型的參數(shù)數(shù)量都更值得關(guān)注。如果只看“大模型企業(yè)”本身韓國的存在感偏弱但把鏡頭拉遠韓國依然是全球AI基礎(chǔ)設(shè)施的重要一環(huán)。5. 一張表看清歐日韓大模型企業(yè)的坐標與選型建議5.1 關(guān)鍵對比各家的核心打法我整理了一張簡易對照表方便你快速抓住重點地區(qū)代表企業(yè)/項目核心模型/品牌主打方向開源程度給我的感覺法國MistralMistral 7B、Mixtral、Large系列開源生態(tài)、企業(yè)私有化、云API7B/8x7B完全開源技術(shù)很強節(jié)奏很快德國Aleph AlphaLuminous、Pharia主權(quán)AI、政企合規(guī)、可解釋性偏閉源重平臺化穩(wěn)重但商業(yè)化偏慢芬蘭Silo AI企業(yè)定制方案行業(yè)大模型咨詢與落地不特定更像AI集成商日本NTTtsuzumi日語模型、輕量邊緣、企業(yè)部署部分模型/API務(wù)實到極致日本Preferred NetworksPLaMo系列制造業(yè)、機器人、行業(yè)微調(diào)部分開源工業(yè)底色很重日本LLM-jpLLM-jp系列學(xué)術(shù)界開源日語模型多數(shù)開源研究驅(qū)動但落地還行韓國NaverHyperCLOVA X搜索、云、韓語生態(tài)部分模型封閉韓國LGEXAONE系列通用專業(yè)研究輔助有開源版本集團研發(fā)資源雄厚韓國Kakao/SKT/KTKoGPT/A.等社交、客服、電信服務(wù)低開源偏內(nèi)部場景綁定深從這個表能看出一個大趨勢歐日韓大模型企業(yè)幾乎沒有誰真正想做“一個模型打贏全世界”。它們要么做開源社區(qū)的領(lǐng)袖要么做某個語言、某個行業(yè)、某個監(jiān)管環(huán)境里最懂行的專家。如果你想要的是一份可以直接部署的開源模型歐洲Mistral、日本LLM-jp、韓國LG EXAONE都是不錯的選擇如果是做政企項目那Aleph Alpha和日本大廠可能更合適。5.2 如果你想上手哪些模型最適合本地跑按照目前的中文社區(qū)熱詞“大模型部署”“本地部署大模型”“大模型微調(diào)”來看很多人實際關(guān)心的是我手頭有限GPU能不能跑起一個靠譜的模型在這里給幾個真實可操作的建議先用Ollama拉取Mistral 7B或Mistral的量化版本一張24G顯存的消費級顯卡就能跑出不錯效果適合英文任務(wù)和通用對話。日本市場可以選LLM-jp系列或者Rinna的日語模型做日語文本分類、客服摘要時效果常常超過通用英文模型因為它們用日文語料預(yù)訓(xùn)練過。韓語場景優(yōu)先試LG EXAONE的開源權(quán)重它在韓語理解、法律/醫(yī)學(xué)術(shù)語上的表現(xiàn)比同規(guī)模英文模型好一截。如果要微調(diào)建議用QLoRA而不是全量微調(diào)原因很簡單歐日韓這些開源模型大多數(shù)基于Llama或自有架構(gòu)QLoRA能在16G左右顯存上完成基礎(chǔ)指令微調(diào)成本可控。實測下來哪怕只喂幾千條行業(yè)數(shù)據(jù)模型在特定場景的表現(xiàn)都能明顯提升。5.3 它們對中國開發(fā)者的直接啟發(fā)很多人習(xí)慣把大模型想象成“參數(shù)越大越強”但歐日韓企業(yè)用事實證明真正的護城河不是參數(shù)而是場景嵌入的深度。日本模型用輕量化和本地部署吃下了企業(yè)市場韓國模型用搜索和社交生態(tài)鎖住了本國用戶歐洲模型用開源和合規(guī)打動了大客戶。這些策略放到中國本土一樣成立做工業(yè)檢測、服裝檢測、長尾行業(yè)應(yīng)用與其追求一個無所不能的大基座不如在特定領(lǐng)域把數(shù)據(jù)清洗、標注、微調(diào)和部署體驗做到極致。6. 避坑心得評估和落地歐日韓大模型時容易踩的坑6.1 榜單分數(shù)只能參考別迷信Benchmark日韓歐的模型發(fā)布時總喜歡給出一堆評測分數(shù)但你要注意大多數(shù)基準測試是用母語設(shè)計的比如日語模型會迎戰(zhàn)JGLM、韓語模型會迎戰(zhàn)KMMLU英文模型在這些測試里得分天然偏低。我得提醒一句不能在跨語言之間直接比分數(shù)否則容易產(chǎn)生“日本模型遠超GPT-4”的錯覺。真正靠譜的做法是自己準備一份代表真實業(yè)務(wù)場景的測試集讓幾個模型共同跑一遍再判斷誰更適合你的項目。6.2 許可證和商用邊界比模型能力更早卡脖子很多開源模型標注“開放權(quán)重”不等于你可以隨意商用。Mistral的7B和8x7B是Apache 2.0協(xié)議基本可以放心用部分后續(xù)版本可能使用特定業(yè)務(wù)許可要求月活用戶數(shù)限紅外或要求把這些模型用在自家主要產(chǎn)品里有限制。LLM-jp和Rinna的模型也多使用可商用但附加條款的開源協(xié)議。我見過不止一個項目在模型指標上沒問題最后卡在許可審查上被迫返工所以流程上一定要提前確認商用邊界。6.3 部署性能從Ollama到vLLM我實測下來的幾點本地部署時我一般習(xí)慣先用Ollama做快速驗證它封裝了量化、顯存管理和基本API十幾分鐘就能把模型拉起來跑通。但要追求高吞吐、多并發(fā)還得靠vLLM這類推理框架。實測下來vLLM對Mistral和EXAONE架構(gòu)的兼容性都挺好能把GPU利用率拉得很高。這里有幾個經(jīng)驗參數(shù)一個7B參數(shù)模型用4-bit量化后大概占用5-7G顯存13B模型需要9-12G70B模型4-bit量化后最好準備32G以上顯存。如果上下文長度要求很高比如處理幾千行文檔實際顯存占用會比標稱大不少最好預(yù)留20%余量。歐日韓模型很多都支持較長上下文但長上下文的推理速度會明顯下降這一步能優(yōu)則優(yōu)不要一味追求“窗口越大越好”。6.4 后續(xù)跟蹤方向和資源想持續(xù)跟蹤這些企業(yè)最有效的方式是直接看它們的官網(wǎng)和Hugging Face組織頁關(guān)注模型卡里的更新日志和數(shù)據(jù)說明。Mistral在官網(wǎng)上維護了很清晰的模型選型頁LLM-jp有公開的語料庫和評測集LG和Naver也會定期把新模型權(quán)重同步到云平臺。國內(nèi)社區(qū)對日韓模型的翻譯和評測相對滯后如果你有條件可以直接留意英文版新聞稿信息往往比國內(nèi)二道解析更準確。一些最后想說的話我最近一次印象很深的測試是在一臺只有單卡A100的機器上用vLLM同時部署了Mistral 7B和一個日本Rinna系列模型。跑完兩個完全不同的場景后我突然意識到一件事全球大模型競賽里總被忽略的那些企業(yè)不是跑不動而是跑法與別人不一樣。歐日韓大模型企業(yè)或許很難制造出“全民狂歡”的爆款但它們用開源協(xié)議、本土語料、行業(yè)定制、私有化部署這些組合拳在企業(yè)級市場里已經(jīng)扎下了根。如果你也做AI應(yīng)用不必總盯著最大的那幾家公司看看這些“地方諸侯”手里的模型和方案說不定能幫你打開新路子。