AI 的競爭成為模型公司全棧能力和創(chuàng)新的博弈。

文丨江思遠

2000 年，美國互聯(lián)網(wǎng)泡沫破滅時，Google 面臨巨大的商業(yè)化壓力。當(dāng)時他們搜索引擎的流量暴漲，但離盈利還有一段距離。Google 曾嘗試把自己的技術(shù)授權(quán)給友商，以賺取微薄的 “經(jīng)費”。但還是無法支撐公司的長遠發(fā)展。

公司作為商業(yè)組織本質(zhì)是逐利的。但有技術(shù)信仰的企業(yè)，往往會在短期利益與長期投入之間，選擇那條更難、更慢、也更燒錢的路徑。

Google 沒有放棄技術(shù)。2002 年，Google 的工程師們發(fā)現(xiàn)，用戶在搜索框中輸入關(guān)鍵詞，不只是為了搜尋信息，也是在表達購買意圖。Google 將 “用戶搜索意圖” 與 “商業(yè)廣告” 通過競價排名結(jié)合，在行業(yè)中找到了一個獨特的身位，將技術(shù)和商業(yè)化真正連接了起來。

偉大的技術(shù)突破往往能帶企業(yè)打開新的市場。蘋果未止步于個人電腦，而締造出了劃時代的 iPhone；字節(jié)跳動抓住推薦算法，才完成對信息流的重構(gòu)；OpenAI 固執(zhí)地進行大模型訓(xùn)練，讓算法涌現(xiàn)出了智能。

但過去兩年，AI 技術(shù)受困于找不到落地場景，商業(yè)化受阻。2025 年，DeepSeek 在保持成本優(yōu)勢的同時，展現(xiàn)出接近人類的思考能力，讓 C 端用戶對 AI 的價值有了新的認知。不久后，OpenAI 的原生多模態(tài)模型 GPT-4o，展現(xiàn)了其對圖片內(nèi)容的理解能力，讓 AI 生成 “吉卜力” 畫風(fēng)的圖片引爆社交網(wǎng)絡(luò)。

AI 技術(shù)的進展帶來了解決以下兩大難題的可能性，讓市場重新評估 AI 的商業(yè)潛力。

- 物理： AI 對真實世界的理解和執(zhí)行能力不足。

- 商業(yè)： 推理成本過高，限制了 AI 的大規(guī)模應(yīng)用。

2025 年底，百度發(fā)布文心大模型 5.0，Google 發(fā)布 Gemini 3，模型實現(xiàn)在統(tǒng)一原生架構(gòu)下能理解圖片、看懂視頻，大模型統(tǒng)一原生多模態(tài)的潛力被逐步看到。

技術(shù)進步也帶來商業(yè)化的可能。目前，大模型有望通過算法層、架構(gòu)層、系統(tǒng)層，乃至芯片側(cè)的全棧優(yōu)化，降低推理成本，提高模型效能，如 Anthropic 的 Claude 系列、Google 的 Gemini 系列、百度文心系列。

AI 行業(yè)的競爭不止在于算力、數(shù)據(jù)，也成為一個公司全棧工程能力和基礎(chǔ)創(chuàng)新的綜合博弈。

AI 能力正從文本生成走向原生多模態(tài)

大模型還無法做到完全理解用戶的意圖，但語言模型正在進入 “收益平臺期”——盡管算力、數(shù)據(jù)投入指數(shù)級增加，但大模型在預(yù)測下一個 Token 的任務(wù)上，所表現(xiàn)出的泛化性曲線已明顯放緩。單一文本維度的縮放路徑，無法滿足大模型智能繼續(xù)進化的目標(biāo)。

業(yè)界一個廣泛流傳的觀點是，大模型要理解世界。“現(xiàn)在的大模型達不到 AGI”，大模型理解世界，需要視覺、聽覺、語言等多種感官信息的融合。兩位圖靈獎得主，楊立昆、Geoffrey Hinton 都曾提出類似的觀點。

目前，多數(shù)多模態(tài)模型就像 “傳話筒”，圖像、語音等信號需經(jīng)過獨立模型解碼后再轉(zhuǎn)譯給語言模型，最終實現(xiàn)理解、生成。構(gòu)建原生多模態(tài)大模型，可以讓模型從訓(xùn)練階段起，就具備理解圖片、語音等各種模態(tài)信息的能力。

原生多模態(tài)模型就是能像人一樣，“端到端” 理解各種模態(tài)的信息——前者訓(xùn)練時只需專注處理單一模態(tài)信息，難在保持 “傳話” 過程中不出現(xiàn)信息失真的現(xiàn)象；后者則是在訓(xùn)練時就要讓模型理解圖片、視頻、語音等信息，但難在讓各種類型數(shù)據(jù)的意義互通。但原生多模態(tài)模型在訓(xùn)推中需要處理大量多模態(tài)的數(shù)據(jù)，給架構(gòu)設(shè)計、訓(xùn)練過程和推理等多個層面都帶來了指數(shù)級的壓力。

Google 從開始訓(xùn)練 Gemini 系列，便確定原生多模態(tài)的技術(shù)路徑。但訓(xùn)練數(shù)據(jù)較難統(tǒng)一，剛開始 Google 的模型在應(yīng)用側(cè)的效果并算不突出。直到 2025 年末，Gemini 3.0 展現(xiàn)的多模態(tài)理解能力，讓業(yè)界重新相信了 “原生多模態(tài)”。

2025 年，國內(nèi)企業(yè)發(fā)布的模型開始呈現(xiàn)原生多模態(tài)轉(zhuǎn)向，發(fā)布的模型有各自的特點。階躍星辰的 Step-3 針對國產(chǎn)芯片帶寬進行了優(yōu)化，降低了企業(yè)的商用成本；智譜的 GLM-4.6V 和字節(jié)的豆包大模型 1.8，都是將工具調(diào)用能力原生融入大模型，讓 AI 可以行動；阿里發(fā)布的 Qwen 3-Omni 主要通過優(yōu)化用戶交互與開源，擴大生態(tài)。

百度文心大模型 5.0 則專注于模型本身，發(fā)布了參數(shù)量達 2.4 萬億的原生全模態(tài)大模型。在國內(nèi)為數(shù)不多的全模態(tài)模型中，參數(shù)量最大，并在底層架構(gòu)實現(xiàn)了文本、圖像、音頻、視頻多模態(tài)的統(tǒng)一。

真實世界本質(zhì)是跨模態(tài)的信號流，大模型要理解世界，原生多模態(tài)是技術(shù)上的趨勢。以百度文心大模型 5.0 為例，其文本與視覺理解能力體現(xiàn)出的泛化性，均在 LMArena 大模型競技場相應(yīng)領(lǐng)域的全球排行榜中，占據(jù)前列。

通過原生多模態(tài)架構(gòu)，模型能捕捉到更多非語言信息，AI 能夠像人類一樣感知現(xiàn)實，并通過 Agent 建立與世界更深層的連接。這也讓大模型切入具身智能、智能座艙、消費硬件等萬億美金級賽道的商業(yè)場景成為可能。

推理成本定義 AI 商業(yè)化拐點

2024 年底，行業(yè)從 “快思考” 轉(zhuǎn)向 “慢思考”。慢思考是讓模型在回答問題之前，先模仿人類思考路徑，在后臺列出完整思維鏈條，自我修正后再生成回答。慢思考模式下用戶每提一個問題，單次消耗的 token 數(shù)量都激增。

OpenRouter 發(fā)布的年度報告指出，2025 年推理任務(wù)消耗 token 的占比不斷升高，模型專用于推理類任務(wù)的調(diào)用量，占 token 消耗總額的超 50% 。用戶規(guī)模擴大后，模型廠商需為用戶消耗的 token 支付高額的成本。

能否降低推理成本，成為 AI 走向商業(yè)化的關(guān)鍵。

2025 年初，DeepSeek 憑借 MLA 架構(gòu)和精細化的 MoE 設(shè)計，顯著降低大模型計算消耗的同時，提高了模型的性能，被行業(yè)視為 “效率標(biāo)桿”。

但 DeepSeek 只是語言模型。語言模型的降本經(jīng)驗并不能直接平移到多模態(tài)領(lǐng)域。GPT-5、Gemini 3、豆包 1.8、文心 5.0 等原生多模態(tài)模型，需要處理視覺和音頻流，其對訓(xùn)練算力的需求是純文本模型的 5 到 10 倍，推理過程也更加復(fù)雜。GPT-4o 訓(xùn)練投入超 1000 PFlop/s-day，大約相當(dāng)于數(shù)千臺頂級 GPU 滿負荷運行數(shù)周。

原生多模態(tài)模型若要實現(xiàn) DeepSeek 式的降本，僅靠模型層面的算法創(chuàng)新是不夠的。以文心 5.0 為例，依托飛槳深度學(xué)習(xí)框架進行大規(guī)模 MoE 模型訓(xùn)練，模型預(yù)訓(xùn)練性能較基線提速 230%，激活參數(shù)比低至 3%。

在國產(chǎn)芯片替代的大背景下，大模型降本需要同時掌握芯片、框架、模型和應(yīng)用四個層面的自主權(quán)，對企業(yè)全棧系統(tǒng)工程能力提出了更高的要求。目前國內(nèi)具備這種閉環(huán)能力的只有百度和華為。

當(dāng)推理成本降低，模型可以在后臺持續(xù)完成自我博弈、工具調(diào)用和邏輯反思，以 Manus 為代表的通用 Agent 就能實現(xiàn)在網(wǎng)頁間穿梭，完成報表分析。這不光重塑了軟件，也驅(qū)動模型能力從 “云端” 向 “端側(cè)” 下沉。原本昂貴的 AI 被嘗試融合進 AI 眼鏡、智能座艙和手機 OS 中。

顯然，AI 的下半場不再只是比拼模型規(guī)模，而是比 “誰能以更低的成本提供更深的智能”。在這場效率革命中，降本不是目的，而是手段。

誰是 AI 時代下一個 “超級入口”？

2000 年，百度也憑借自身技術(shù)，為搜狐、新浪、網(wǎng)易等門戶網(wǎng)站提供搜索方面的支持。彼時，這些門戶網(wǎng)站雖然擁有龐大的搜索流量，但 “搜索” 卻僅被其視為一個附屬的功能模塊，沒進行深度優(yōu)化。2001 年，李彥宏力排眾議要推出自己的門戶網(wǎng)站，以搜索引擎為核心的入口 “百度”（Baidu.com）應(yīng)運而生。

百度憑借超鏈分析技術(shù)和精準(zhǔn)的中文分詞，從門戶網(wǎng)站的索引中脫穎而出。那時，百度的成功在于解決了 “搜得準(zhǔn)” 的問題。百度成為了最初的 “平臺級入口”。

時間回到 2025 年，AI 技術(shù)讓 “超級入口” 的邏輯發(fā)生了質(zhì)變，下一代超級入口正從 “匯聚流量的 app” 轉(zhuǎn)向 “多模態(tài)的智能助手”。

在 “超級入口” 之爭上，國內(nèi)能與大廠競爭的創(chuàng)業(yè)公司屈指可數(shù)。大廠不會放棄任何一種擴張的可能。字節(jié)跳動、阿里、騰訊與百度正依托各自的生態(tài)，搶占 “平臺級入口” 這一高地。

12 月 1 日，字節(jié)發(fā)布和中興努比亞合作開發(fā)的豆包手機助手，試圖重塑人機交互的底層邏輯。用戶僅通過語音交互，就可以讓豆包手機助手直接接管用戶屏幕。

同期，阿里調(diào)動整個集團資源，打造 AI 時代的超級助手。阿里成立千問 C 端事業(yè)群，將之前阿里云事業(yè)部下通義千問 APP 改名 “千問 APP” 發(fā)布，以 “一周一更新” 的速度迭代。近日，千問 APP 已接入高德地圖，未來阿里或把夸克、UC、天貓精靈等功能也整合進千問 APP。

百度基于搜索，也上線了百度文心助手，對標(biāo) Gemini 3，競爭超級入口。百度搜索全面升級文心助手 AIGC 創(chuàng)作能力，支持 AI 圖片、AI 視頻、AI 音樂、AI 播客等多種模態(tài)創(chuàng)作。從硬件布局的演進趨勢來看，百度可以依托文心 5.0 大模型的技術(shù)底座，通過蘿卜快跑接管物理空間，用小度占據(jù)家庭交互入口，讓信息實現(xiàn)從虛擬空間向真實空間的滲透。

幾周前，Google 將 Gemini 3 嵌入核心搜索業(yè)務(wù)，通過跨應(yīng)用的數(shù)據(jù)調(diào)取，實時生成能與用戶交互的 UI 頁面，向用戶直接交付搜索結(jié)果。Google 通過自研 AI 芯片和 Google Cloud 支持大模型訓(xùn)練、推理，訓(xùn)練出的先進的模型又能與自身搜索、云盤、Android 生態(tài)等入口融合，繼續(xù)產(chǎn)生相應(yīng)領(lǐng)域的高質(zhì)量數(shù)據(jù)，持續(xù)推動智能升級。

有行業(yè)人士認為，Google 已形成 “算力-模型-數(shù)據(jù)-應(yīng)用” 的系統(tǒng)級飛輪，而百度是中國為數(shù)不多能與 Google 對標(biāo)的 “AI 六邊形戰(zhàn)士”。因為下個時代的 AI 競爭的不止是模型能力，而是演進為全棧式的系統(tǒng)競爭，比拼的是誰能完成 “算力—系統(tǒng)—模型—入口—資源—行動能力” 六個層面的閉環(huán)。

他們認為，百度依托昆侖芯、智能云作為算力與系統(tǒng)底座，以文心大模型作為能力中樞，鏈接搜索、網(wǎng)盤、小度等流量入口，并通過搜索、地圖與自動駕駛等業(yè)務(wù)將能力落地到現(xiàn)實世界，形成了六大要素閉環(huán)，是國內(nèi)最接近 “AI 六邊形戰(zhàn)士” 形態(tài)的公司之一，具備長期演進的系統(tǒng)飛輪能力。

圖源網(wǎng)絡(luò)

水面之下，騰訊同樣暗流涌動。12 月下旬，騰訊新成立 AI Infra 部、AI Data 部、數(shù)據(jù)計算平臺部，27 歲的前 OpenAI 研究員姚順雨出任 “CEO / 總裁辦公室” 首席 AI 科學(xué)家。過去數(shù)月里，騰訊也以加倍薪資挖角 AI 人才，強化研發(fā)體系。

在生成式人工智能的第一波流量交鋒中，有的公司水漲船高，有的公司陷入沉靜。但在喧囂之下，堅守 “技術(shù)信仰” 的企業(yè)，正在等待那個規(guī)則被重新定義的時刻。

題圖來源：Transformers: Dark of the Moon