导语：印度最明星的AI独角兽Sarvam AI，高调宣称要为14亿印度人打造”主权AI”，拿到了政府合同和4100万美元融资。然而技术人员一扒底裤，发现它的”自研大模型”先套的是法国Mistral的壳，后套的是中国DeepSeek的壳。这究竟是一出科技骗局的闹剧，还是第三世界”拿来主义”弯道超车的必然路径？
一、”印度主权AI”的华丽出道
2023年12月，Sarvam AI正式出道。
这家由两位印度顶级技术背景创始人创办的公司，在成立仅五个月、员工约18人的情况下，宣布完成了4100万美元的种子轮加A轮融资——印度AI创业公司在这个阶段的最大单笔融资。投资方包括Lightspeed、Peak XV和Khosla Ventures，全是顶级资本。
创始人简历确实亮眼：Pratyush Kumar，IIT Bombay本科、ETH Zurich博士、89篇学术论文、AI4Bharat联合创始人；Vivek Raghavan，IIT Delhi本科、卡内基梅隆博士、Synopsys前副总裁、曾深度参与印度Aadhaar身份证系统建设十二年。
两位不是在硅谷学了几天深度学习就回国圈钱的”海归”，而是真正在印度数字基础设施最深处摸爬滚打过的老兵。
投资人Khosla Ventures创始人Vinod Khosla说得很好听：”我们需要像Sarvam这样的公司，为印度、在印度构建AI的深度能力。”
Sarvam也给出了自己的答案：造一个印度人自己的AI，一个不依赖英语、真正懂印度二十二种官方语言的大模型。
愿景是宏大的，融资是巨额的，故事是动人的。
然后呢？
二、第一次翻车：套壳Mistral
2025年5月23日，Sarvam发布了Sarvam-M。
这是一个240亿参数的混合模型，支持10种印度语言，针对数学和代码任务做了强化训练。发布公告里列了一串基准测试数字，措辞是”多项指标上与全球领先模型相当”。
但问题是：这个模型的底座，是法国公司Mistral的开源模型Mistral Small。
Sarvam的工程师在这个基础上用印度语言数据做了大规模的后训练。
名字里的那个”M”，据说就代表Mistral——虽然Sarvam没公开承认，但媒体和开发者都心知肚明。
这下印度科技圈炸了。一家宣称要造”印度自己的AI”、刚刚拿到政府主权模型合同的公司，交出的第一个成果，用的是法国人的底座？
2025年5月24日，Menlo Ventures投资人Deedy Das在X上发了一条帖子，把一个让很多人隐隐不安的问题用数字说出来了：Sarvam-M上线两天，Hugging Face下载量——23次。
作为对比，他附上了一个数字：两名韩国大学生做的开源模型Dia，上个月下载量约20万次。
最后两个字：丢人。
技术质疑随之而来。有开发者在X上贴出了对比数据——Sarvam-M在IndicLLM基准上的得分仅比原始Llama高出0.02。这意味着什么？意味着你花大价钱训练的”印度主权模型”，提升微乎其微，隔壁Llama开源模型随便跑跑就能追上。
面对全网嘲讽，创始人Pratyush Kumar终于开口了。他转发了批评帖子，写了一句话：
“很高兴收到大家对Sarvam-M的反馈，请继续。等我们开始训练主权模型的时候，这些都会用上。”
这句话翻译一下就是：你们说的都对，但我们真正的重磅产品还没出来呢，你们急什么？
不辩解，不反驳，不羞愧——把公开羞辱原地转化成了”预告”。
这波操作，我给满分。
三、4096块H100，政府买单
实际上，Sarvam确实拿到了真正训练主权模型的资源。
2025年4月，印度政府在67家申请机构中选中Sarvam，承接IndiaAI Mission的主权大模型项目。政府提供4096块NVIDIA H100，使用期六个月，托管在Yotta数据中心。作为交换，Sarvam让出一部分股权，训练完成的模型必须开源。
4096块H100，政府补贴算力，Sarvam负责训练，开源后印度人民受益。
听起来是一笔划算的交易。但账要细算：总账单2.47亿卢比，政府补贴9868万卢比，剩余超过1.5亿卢比要Sarvam自己承担。对于一家年收入只有2910万卢比的公司来说，这个数字意味着巨大的财务压力。
六个月的训练时间，一支114人的团队，在一个GPU基础设施直到最近才勉强够用的国家，完成这件事。
全球AI军备竞赛的背景下，这是一个冒险的赌注。OpenAI融资总额已经超过180亿美元，DeepSeek用相对有限的资源训练出了震惊业界的R1——但它背后是中国成熟的AI基础设施生态。
Sarvam的答案是：从基础设施开始做。
他们重新设计了tokenizer——这是大模型处理文字的最底层组件。现有主流tokenizer对印度文字效率极低，处理梵文、泰米尔文、孟加拉文这类非拉丁字母体系时，需要消耗比英文多出数倍的token。Sarvam重新训练的tokenizer，对印度文字的处理效率提升了三到四倍。
数据管道也是自建的。Sarvam搭建了一套评估数据质量的工具，最终用于预训练的数据量，30B模型约为16万亿token。强化学习基础设施也是自研的——这个环节决定了模型在推理任务上的最终表现，也是DeepSeek-R1让业界重新注意到的核心技术路线。
2025年下半年，Sarvam几乎对外沉默。
对外沉默的背后，是一支114人的团队在训练一个他们自己也不确定能否成功的模型。
四、第二次翻车：套壳DeepSeek
2026年2月，Sarvam开始了密集的公开攻势。
策略是刻意设计的：在India AI Impact Summit召开前的两周，每天发布一个新产品或新功能，连续十四天不间断。语音识别模型、文字转语音模型、文档数字化工具、多语言内容创作平台……节奏像节拍器一样准确。
参照对象很明显：OpenAI在2024年末的”12 Days of OpenAI”发布攻势。Sarvam把它改成了14天。
2月16日，Modi总理在峰会上试戴了Sarvam研发的AI智能眼镜，Pratyush Kumar在X上发了一张照片，配文只有一句：”第一个试戴的人？总理。”
这张照片的传播速度，超过了Sarvam过去两年所有发布的总和。
2月18日，Sarvam正式发布Sarvam-30B和Sarvam-105B。
两个模型，都从零训练。30B模型预训练用了约16万亿token，支持32000 token的上下文窗口，MoE架构下每次推理只激活约10亿参数，推理成本大幅压缩。105B模型支持128000 token的超长上下文，在AIME 25数学竞赛基准上得分88.3，使用工具后达到96.7；MMLU得分90.6；Math500得分98.6。
Pratyush Kumar在台上说，105B在多项推理基准上超过了DeepSeek-R1——而DeepSeek-R1的总参数量是6000亿，是Sarvam-105B的近六倍。
批评在几小时内又来了。
有人在X上翻出了Sarvam-105B的架构配置文件，指其为”DeepSeek的山寨缩水版”。有帖子把配置文件扔进ChatGPT，得到的描述是：”Mini DeepSeek-V2风格模型”。
这个截图被广泛转发。
对于刚刚经历过Sarvam-M事件的人来说，这个指控听起来似曾相识——上次是法国人的底座，这次是中国人的架构。
Pratyush Kumar的回应比上次更直接：团队欣赏DeepSeek的研究，也从中学习，但Sarvam-105B是用更小的规模做到了这些结果。一名Sarvam工程师补充：公司所有模型都是从零训练的基础模型，没有例外。
这场争议的实质，是一个在AI领域反复出现的认知误区：架构和模型是两件不同的事。
架构是蓝图，是发表在学术论文里供所有人使用的设计方案；模型是训练的产物，是数据、算力和工程决策共同生成的结果。
Sarvam借鉴了DeepSeek在Multi-head Latent Attention和Mixture of Experts上的架构设计，正如DeepSeek借鉴了Transformer，正如Transformer借鉴了注意力机制的早期论文。这是这个领域一直以来的运作方式。
五、业界争论：”套壳”还是”弯道超车”？
批评者的角度很直接：Sarvam号称”从零训练”，却大面积使用DeepSeek的开源架构，然后号称这是”印度主权AI”——这就好比你买了宜家的组装家具，自己拧了几颗螺丝，然后说这是你亲手打造的手工家具。
而且这已经是第二次了。上次是Mistral，这次是DeepSeek，下次会不会又是哪家？
支持者的角度也有道理：AI领域从来就是站在前人肩膀上。Transformer来自Google，MoE概念三十多年前就发表了，DeepSeek自己也是集大成者，凭什么印度人用了就要被骂”套壳”？
DeepSeek创始人自己也说过：开源不会导致重大损失，被跟随是一种奖励，回馈是一种荣誉。
Sarvam在2026年3月6日做了一个重要的决定：把sarvam-30b和sarvam-105b的完整模型权重在Hugging Face上彻底开源，采用极其宽松的Apache 2.0协议，连商业使用都不设障碍。
没有发布会，没有倒计时直播。就是两个文件，挂在网上。
Pratyush Kumar在X上写：”开源Sarvam 30B和105B。从零训练，所有数据、模型研究和推理优化全部在内部完成。”
关键在于”all done in-house”——全部在内部完成。不是Mistral的底座，不是借来的架构实现，是一支114人的团队，从头搭建tokenizer、自己整理数据管道、自己写强化学习基础设施，从头到尾跑完了一遍。
六、反思：叙事与现实的鸿沟
这整件事最值得深思的地方，不在于Sarvam是否”套壳”，而在于印度科技界对”主权AI”这四个字的执念与现实之间的距离。
印度有二十二种官方语言，一千多种母语。大多数全球语言模型都以外语训练为主。标准的tokenizer对梵文、泰米尔文、孟加拉文效率极低。Code-switching——在日常对话中混用印地语和英语，或者泰米尔语和英语——让只训练单语数据的模型完全摸不着头脑。
从这个角度说，印度确实需要自己的AI。这不是面子工程，是结构性需求。
Sarvam真正自研的东西是有价值的：专门为印度文字优化的tokenizer，效率提升三到四倍；对卡什米尔语、多格语、孔卡尼语等低资源语言的训练；面向印度语言优化的语音识别和语音合成系统。
这些产品没有DeepSeek的对应物。
但真正的问题在于叙事和现实之间的鸿沟。Sarvam一边说着”从零训练”，一边在架构选择上高度依赖开源社区的既有成果。这种言行不一致，才是引发舆论反噬的根本原因。
印度Aadhaar系统负责人Raghavan说过一句大实话：”否则，我们将沦为数字殖民地，在核心技术上依赖其他国家。”
这话没错。但”主权AI”的实现路径，显然不是换个架构名称就能完成的。
本文配图 华盟网
暂无评论内容