1

AI應(yīng)用的戰(zhàn)爭正在進入下半場。

在最近密集的模型更新中，無論是逆天的 Google Gemini3，還是 OpenAI 的“小更新”GPT-5.1，都在發(fā)布模型的時候重點強調(diào)了模型在應(yīng)用里的集成。

與此同時，一直以開源模型打天下的阿里，也以千問之名集合了全部資源，開始發(fā)力 C 端應(yīng)用，而已經(jīng)悄悄建立起了全棧能力的螞蟻，也扔出獨立的靈光 App——一款基于代碼能力的全模態(tài)通用AI助手，它瞄準(zhǔn)C端市場，提供全代碼生成多模態(tài)內(nèi)容的能力，可以用自然語言在30秒內(nèi)就生成一個小應(yīng)用。最新的數(shù)據(jù)顯示，靈光上線一天下載量就破了20萬。

所有人來勢洶洶，都要搶奪一個入口的位置。

于是一個很有趣的問題出現(xiàn)：明明 AI 應(yīng)用已經(jīng)被講了很久，各家也都一直有動作，甚至明星應(yīng)用創(chuàng)業(yè)公司也不停出現(xiàn)，但怎么最近才有了入口之爭的味道？

其實，過去雖然也曾討論“入口”，實則有很大不同。

上一個階段，其實一切 AI 應(yīng)用的起點和源頭一直是ChatGPT。但要知道，ChatGPT 是一個歪打正著的“應(yīng)用”，它從第一天就是模型的出口，而不是一整個新的用戶市場的需求入口。

DeepSeek 和 Kimi也是如此，一個從來就是弱化應(yīng)用建設(shè)，一個則在權(quán)衡后把重心移回模型。最直接的體現(xiàn)，就是這些用戶不少的產(chǎn)品，至今都沒有多模態(tài)。

而用戶？用戶顯然是非常需要多模態(tài)的。

這些產(chǎn)品還有另一個共同點，就是他們一定會主打深度思考。這是因為這是體現(xiàn)模型能力最好的方式。但它其實并不是最普遍的大眾需要的功能。

說到底，這些應(yīng)用都是在給模型提供出口，而不是給用戶的需求提供入口。

2

于是，在應(yīng)用已經(jīng)層出不窮很久后，今天最大的落差居然還是在于 AI 應(yīng)用產(chǎn)品和用戶需求之間。

這些被巨額投資供養(yǎng)的 token，能不能被用在普通用戶一直存在的真實需求上，是今天最重要的主題。而這才是今天 AI 入口的爭奪點。

這也是為什么那些已經(jīng)有大量用戶的國民級平臺產(chǎn)品，紛紛在此刻出手的原因之一。顯然他們的思路和做法都和模型廠商完全不同。

一個最值得研究的產(chǎn)品就是新鮮出爐的螞蟻靈光。它已經(jīng)展現(xiàn)出和支付寶龐大生態(tài)聯(lián)動的巨大潛質(zhì)，而這背后所蘊藏的想象空間，有可能重塑用戶與AI、用戶與互聯(lián)網(wǎng)入口的連接形態(tài)，開啟服務(wù)交互的新方式，這背后想象力巨大。

而更有意思的是，它與 Gemini3 對 Gemini 和 Google 此次帶來的最大改造居然有點不謀而合——主打一個把代碼生成藏在后面，利用代碼和多模態(tài)能力一起給用戶交付他們需要的可交互的結(jié)果，甚至靈光的兩個主要功能，靈光對話，對應(yīng) Gemini 的視覺布局（Visual layout），閃應(yīng)用對應(yīng)動態(tài)視圖（Dynamic View），一個是“像雜志一樣”的富媒體加可互動結(jié)果，另一個是快速給你構(gòu)建 App。

本質(zhì)上它們都在面向普通用戶提供“功能生成”級通用 AI 能力。

這個路線也迅速得到了正向反饋。作為首個全代碼生成AI助手，30秒生成可交互應(yīng)用的獨特功能的確夠新鮮也夠搶手，上線后快速達到20萬的下載量就是一個印證。大量用戶碎片化的工具需求在這種模式里找到了解決方案。

在此前一個階段的AI應(yīng)用產(chǎn)品熱潮里，諸多產(chǎn)品因為更多在扮演“模型能力出口”的角色，導(dǎo)致它們很多時候陷入了“演示級應(yīng)用”的陷阱。

如何讓普通用戶也能通過AI形成自己的生產(chǎn)力，是這一波爭搶入口的應(yīng)用的共性。

千問的產(chǎn)品里已經(jīng)看到整合淘寶天貓等阿里系產(chǎn)品的雛形，想要用AI解決實際需求，而靈光的策略也很明顯，它在往“日常實用化”的方向傾斜。

當(dāng)你使用靈光時，它給人的第一感覺就很不同。它的主頁上寫著它的目標(biāo)，讓復(fù)雜信息變簡單。它不強調(diào)幫你做長篇報告，也不是把 coding 能力做成開發(fā)工具，而是把最復(fù)雜的 coding 能力用在了提供最簡單結(jié)果上，用戶不需要看那些代碼，但用戶需要代碼帶來的新體驗。

這是解決普通用戶需求的思路。

比如，經(jīng)常出差的我一直希望有一個應(yīng)用可以提醒我在要飛的航線上能夠看到的風(fēng)景，我用靈光一句話做了一個閃應(yīng)用，30秒不到，就有了這個功能。

在這個過程里，可以看出來它非常強調(diào)交互。無論在對話框里，還是閃應(yīng)用的功能里，你的問題有交互，你的應(yīng)用也必然可交互。

這種思路顯然有很大部分來自于螞蟻在服務(wù)上的基因，支付寶的服務(wù)是系統(tǒng)化和復(fù)雜的，各種各樣的需求必須通過多模態(tài)的交互來解決，

螞蟻通過靈光，正在嘗試構(gòu)建起“需求-工具-服務(wù)”的閉環(huán)，而這對于下一階段AI入口競爭來說，會尤為關(guān)鍵。

3

在這種閉環(huán)背后，服務(wù)分發(fā)邏輯也重構(gòu)了。過去，只有高頻、標(biāo)準(zhǔn)化的頭部需求值得被做成獨立的 App；而海量的長尾需求因為開發(fā)維護成本過高，只能被折疊在復(fù)雜的菜單深處。但當(dāng)通用大模型的能力介入后，這些曾經(jīng)因為過于瑣碎而被視為“累贅”的需求，突然擁有了被低成本、即時生成解決的可能。

在經(jīng)典的“長尾理論”里，絕大多數(shù)超級平臺其實占據(jù)的是曲線左側(cè)高高聳立的頭部——比如搜索、比如社交，它們用標(biāo)準(zhǔn)化的產(chǎn)品滿足了人類最共性的需求。而螞蟻所在的領(lǐng)域，恰恰是曲線右側(cè)那條漫長而平緩的尾巴：交水電費、查社保、買票、分賬……

這些需求極其碎片、非標(biāo)準(zhǔn)化，難以像搜索那樣用一個簡單的框就解決所有問題。因此，過去二十年，互聯(lián)網(wǎng)解決長尾的方式只能是“堆砌”：用成百上千個入口去覆蓋，導(dǎo)致 App 越來越重。因為需求是平鋪的，平臺不得不把戰(zhàn)線拉得無限長。

但 AI 的出現(xiàn)，尤其是大模型帶來的通用性，提供了一種全新的解法：它把這張平鋪的長尾圖表，“立”了起來。

當(dāng)模型的能力足夠通用，它就能用一套邏輯去動態(tài)生成千萬種解決方案。原本分散在右側(cè)、被認(rèn)為無法形成“超級入口”的瑣碎需求，現(xiàn)在可以通過“功能生成”的方式被集中滿足。這就好比把右側(cè)漫長的尾巴折疊、累積，在 AI 的賦能下，變成了一座和左側(cè)頭部需求一樣高聳的新塔。

滿足這些需求的新方式，就是“靈光”這類產(chǎn)品在嘗試的“功能生成”。

當(dāng)用戶在靈光里提出一個諸如“做一個家庭出游分?jǐn)傎~本”這種極度個性化的長尾需求時，系統(tǒng)不再是去長尾里翻找一個現(xiàn)成的 App 推薦給你，而是利用“閃應(yīng)用”的能力，即時生成一個可交互的工具。

當(dāng)長尾需求被技術(shù)“立”起來成為新的高地，入口的定義也就此被改寫。如果說上半場大家是在給模型配一個對話框，爭奪的是通往模型的“流量入口”；那么下半場，大家爭奪的則是通往真實生活的“需求入口”。

在這樣的下半場里，當(dāng)那些深諳需求的平臺也擁有了模型能力，或許他們比任何人都更接近那個真正的超級入口。