騎手背後的美團，悄悄跑通了萬億大模型

美團悄悄跑通了萬億參數大模型。這家以餐飲外送、生活服務聞名的平台，上週低調發布了名為 LongCat-2.0 的模型，參數量高達 1.6 兆（1.6 trillion）。更令人意外的是，這個模型並非建立在 Nvidia GPU 之上，而是在五萬張國產算力卡上完成從訓練到推理的全部流程，成為全球第一個做到這一步的萬億級模型。消息一出，不少人第一反應是：一個送外賣的公司，為什麼需要這麼巨大的模型？答案藏在每天數千萬筆訂單背後那個極度複雜的調度系統裡。 外賣配送遠比外界想像的複雜。以北京某個三公里範圍的午高峰為例，數百名騎手、數千張訂單每分鐘都在變動：餐廳出餐延遲、道路發生交通事故、社區電梯故障、用戶臨時更改地址。這些變量同時發生時，系統必須在毫秒級別重新規劃每位騎手的最佳路線，預估每張訂單的送達時間，並把新進訂單合理分配出去。業界稱之為「即時動態調度」，是公認的超級計算難題。美團每天處理千萬級訂單，十幾年下來累積了天量的真實世界數據——路況、天氣、用戶等待容忍度、商家出餐模式、騎手行為習慣——這些數據髒、雜、真實，教科書和論文資料集中找不到，只有實際營運才能累積。而大模型的核心成長邏輯，正是靠大量數據餵養；誰的數據更貼近真實世界，誰的模型就更懂真實世界。美團做 AI 並非追風口，而是因為手中握有別人無法複製的資料資產。 LongCat-2.0 的架構設計透露了美團的具體意圖。官方指出，這個模型在「Agentic Coding」任務中被設計得特別高效，亦即讓 AI 能像真正的程式設計師一樣，自己理解問題、寫程式、執行、除錯、反饋。為何需要這種能力？因為外賣調度、路線規劃等核心系統背後是極為龐大的工程程式碼，當業務需要快速迭代、驗證新的配送策略時，能自動寫程式的 AI 就是最直接的生產力工具。1M 的超長上下文也基於類似邏輯：配送系統的程式碼庫可能有數百萬行，用戶歷史行為能拉很長，供應鏈資料可回溯好幾年，模型必須「一口氣看完」這些內容，而不是每隔幾千字就丟失記憶。長上下文設計讓模型在理解業務邏輯時更連貫。 這樣的設計思路說明一個現象：互聯網公司的 AI 往往是從場景中長出來的。每一個模型決策背後，都有一個具體的業務痛點在推動。字節跳動有抖音的推薦場景與火山引擎，阿里巴巴有淘寶的電商數據與通義千問，騰訊手中則有微信的社交圖譜與廣告體系——十億用戶的日常行為都在裡面。各家做 AI 的路徑，都是從自己最深的護城河裡挖掘出來的。回到美團，外賣調度真的需要萬億參數嗎？垂直小模型難道性價比更高？這個問題的答案並不直觀。小模型應對頭部高頻場景其實夠用，例如晴天工作日北京三環的穩定訂單量。但外賣調度的麻煩在於長尾場景多得離譜：暴雨疊加節假日、疊加捷運故障、疊加某網紅餐廳突然爆紅，這種組合在訓練集中幾乎不可能出現。商家臨時停業、騎手同時出事故、小區因施工封路，這些單一事件已是低頻，而各種變數兩兩組合、三三組合的可能性接近無限。小模型碰上這些組合往往給出離譜的調度方案或乾脆失效。萬億參數的意義，就是用足夠大的參數空間「記住」那些極端情況，讓模型在異常場景出現時有足夠容量去識別、去兜底，而不是直接擺爛。 那麼，為什麼不直接調用市面上的現成模型 API，而要花大錢自建五萬張卡的集群？原因不止一個。最直接的是數據不能出門：外賣系統的調度數據、用戶消費行為、商家營運數據，是美團最核心的商業資產，也涉及大量用戶隱私，餵給別人的模型是任何正經公司都不會做的事。其次是延遲問題：外賣調度是毫秒級決策，廣告競價、推薦系統每次刷新都需要即時重算，調用外部模型一次請求動輒幾百毫秒，在這些場景根本跑不起來。再者是可控性：自己的模型可以針對自己的場景精細調整，外部模型一旦更新，業務可能立刻出問題，對核心系統而言這種不確定性不可接受。但真正讓美團覺得這筆錢非花不可的，是模型能力會反過來定義業務邊界。美團的 EvoCUA（能自己寫程式的 AI 智能體）已在實戰中運用，搜推 ASX 團隊基於大模型打造了智能體技術體系，履約 AI 團隊也利用同樣的底層模型搭建自進化營運系統。有了 LongCat 這樣的基礎模型，美團不僅能優化送達時間預估，更能讓整個營運系統具備自己發現問題、自己調整的能力——這個差距是買不來的。 LongCat-2.0 還有一條被許多人忽略的重要線索：五萬張國產算力卡。萬億參數級別的模型對算力要求極其苛刻，任何一張卡出錯都可能導致整個訓練崩潰。五萬張卡協同工作，出錯概率會指數級上升，還涉及通訊頻寬、調度穩定性等一堆工程難題。在此之前，業界普遍認為國產算力還沒準備好承接這種量級的任務，大家心裡默認這種級別的訓練只能用 Nvidia A100 或 H100。LongCat-2.0 改變了這個預設。華為昇騰、摩爾線程、沐曦在模型發布當天同步完成了推理適配，顯示出國產軟體生態正在快速追趕。這不只是美團一家公司的事：當國內頭部互聯網公司開始在國產算力上跑自己的旗艦模型，整條鏈路便活了——算力廠商有了標竿客戶，工具鏈第一次在這種量級下被真刀真槍壓測，工程師們則有了可參考的實戰案例。美團選擇在這個節點把訓練程式碼和推理引擎一起開源，能幫助的不只是想復現模型的研究團隊，更是那些想搞清楚「國產算力到底能幹什麼」的工程師。開源本身也有戰略考量：技術標準的話語權與人才生態的吸引力，往往就是靠這種方式建立起來的。 當然，投入五萬張卡的集群並不是一個輕鬆的決定。電力成本、散熱成本、運維成本，加起來是天文數字。更貴的是人才：能駕馭這種規模訓練的工程師全球範圍內本來就是稀缺資源，招募已不容易，留住更是一大挑戰。這條路押注重、週期長，任何環節出問題都可能導致幾個月的訓練白費。要走下去，不僅需要技術判斷，更需要一種少見的組織意志力。把這些代價說清楚，才能理解後面這件事的價值。 寫到這裡，可以回頭思考一個問題：國內這些大廠集體衝 AI，究竟是真的有戰略想法，還是生怕被同行說「落伍」？從美團的案例來看，時間線往前推可以找到很多跡象——外賣調度優化、供應鏈預測、買菜庫存管理，這些業務老早就在用演算法驅動。大模型對他們而言，與其說是新賽道，更像是原來那條路走到了一個新的路口，順理成章地拐了進去。類似的邏輯在字節、阿里、騰訊那裡也成立。他們不是在追逐一個別人定義的目標，而是各自往自己最深的業務腹地裡鑿。當然，這不代表他們一定會成功，也不代表每一筆投入都會有明確回報。五萬張卡燒出來的模型，最終能否轉化成真實的業務價值，現在下結論還太早。但如果要問「這群人做 AI 是認真的嗎」，看看他們手裡握著什麼場景數據，看看他們在模型設計裡塞了什麼業務邏輯，答案已然清楚。送外賣的公司訓出萬億大模型，最奇怪的事，是你覺得這件事奇怪。