大厂没有输掉 AI,只是很难让 AI 终结自己

大厂没有输掉 AI，只是很难让 AI 终结自己

为什么点燃大模型想象力的，往往不是资源最多的人

过去几年，大模型最反直觉的地方，不是 OpenAI、Anthropic、DeepSeek 这些公司很强，而是最先点燃行业想象力的，往往不是资源最多的大厂。

大厂有算力，有数据，有顶级人才，有用户入口，有企业客户，也有足够多的钱。按理说，这一轮大模型竞赛应该天然属于它们。但结果不是这样。大厂没有退出 AI，它们仍然在投模型、建算力、接应用、做云平台、上 Copilot、搞开源生态、绑定外部模型公司，未来也仍然可能在 AI 里赚很多钱。只是它们在最前沿、最锐利、最能定义新入口的那一段，常常显得慢半拍。

这不是因为大厂不会做模型，而是因为它们很难让模型成为重写旧入口、旧利润池和旧组织的中心。模型原生公司点燃想象力，也不是因为它们没有约束，而是因为它们一开始就把模型当成入口本身。

一、大模型不是新功能，是旧利润池的压力测试

如果大模型只是一个新功能，大厂会非常欢迎。

搜索里加一个 AI 摘要。

办公软件里加一个写作助手。

云平台里加几个模型 API。

电商后台里加一个智能客服。

企业软件里加一个自然语言查询。

这些事情都不难接受。

因为它们仍然服从旧入口。用户还是在原来的产品里，商业化还是沿着原来的路径走。AI 只是让旧产品更好用。

但大模型真正危险的地方，不是让旧产品多一个聪明功能。

它会把用户从“打开产品、浏览界面、点击按钮、完成任务”这条路径，改成“说出目标，等待结果”。

这一步如果走深了，冲击的就不是某个功能。

而是旧利润池的分账方式。

搜索广告的利润池，建立在查询、展示、点击、跳转、广告竞价这条链路上。

用户问问题，搜索引擎给结果页，广告主买位置，用户点击网页或广告。

如果模型直接给出答案，甚至让 Agent 继续帮用户订票、下单、预约、发邮件、比较合同，结果页的展示机会、广告库存和跳转流量都会被重新定义。

搜索公司不是不知道直接答案更好。

它们太知道了。

所以才更难彻底放开。

办公软件也是一样。

过去卖的是套件和席位。文档、表格、邮件、会议、日历、协作工具，每个员工一个账号，每个组织一个订阅。

AI 作为 Copilot 加进去，短期是好生意。它能提高客单价，让老套件涨价，让用户更离不开办公生态。

但如果 Agent 真正成熟，它会追问一个更深的问题。

用户到底是在买工具，还是在买任务完成？

用户真的需要打开 Word、Excel、PowerPoint、Outlook 吗？

还是只需要系统读完会议记录、邮件、项目文档，然后自动生成决策摘要、任务分派和后续行动？

这时办公软件从“人操作工具”，变成“模型调度工具”。

旧软件边界就会松动。

云计算看起来是 AI 的最大受益者。

训练要云，推理要云，企业部署要云，模型服务会带来大量算力消耗。

但云厂商也有自己的矛盾。

它既希望模型带来更多算力消耗，又希望推理成本足够低，让企业愿意大规模使用。

它既想提供多模型选择，又担心模型层入口被别人拿走。

如果模型入口被模型原生公司掌握，云厂商就可能变成底层供给者。

它仍然赚钱。

但不一定拿到最大分账权。

电商和内容平台同样如此。

平台过去希望用户浏览、搜索、比较、停留、点击、下单。商家为曝光付费，为转化付费，为工具付费。

但如果用户直接说，我需要一台适合剪视频、预算一万元以内、尽量轻的笔记本，帮我选三款并说明理由，顺便下单。

路径就短了。

路径越短，原来靠时长、曝光、竞价、排名赚钱的方式就会被重估。

企业软件更深。

过去企业软件卖模块、流程、席位、实施和续费。CRM 管销售，ERP 管资源，HR 管人，财务系统管报销和账务。

AI 一开始是助手。帮你查客户、写邮件、生成报告、总结工单。

但 Agent 继续往前走，它会从“查询系统”变成“推动流程”。

销售 Agent 可以读 CRM、邮件、会议记录、客户历史，自动建议下一步动作。

财务 Agent 可以读发票、合同、审批流、预算规则，自动发现异常。

客服 Agent 可以读订单、物流、用户历史，直接解决问题。

过去系统是流程入口，员工围绕系统操作。

未来 Agent 可能成为流程入口，底层软件变成数据和权限层。

这就是大模型和普通新功能的区别。

普通新功能增强旧系统。

大模型一旦走到 Agent 和自然语言工作流，会重新分配旧系统的价值。

大厂当然会拥抱它。

但往往会用一种可控的方式拥抱。

让它增强旧入口，而不是替代旧入口。

让它服务旧利润池，而不是重写旧利润池。

让它变成产品里的一个按钮，而不是变成用户新的默认起点。

这就是大厂的迟疑。

不是它看不见未来。

恰恰是因为它看得太清楚，知道未来会伤到哪里。

表1：大模型对旧利润池的冲击路径

旧利润池不会立刻消失，但它们正在被系统性追问。

过去大厂的强项，是入口已经建好了。

现在的问题是，模型会不会把入口重新定义一遍。

二、大厂有资源，但资源不自由

大厂的问题不是没有资源。

而是资源在大厂手里，往往已经不是自由资源。

算力不是一堆可以随便烧的 GPU。

它是资本开支、折旧、毛利率和推理成本压力。

模型原生公司可以把算力当成战略押注。今天烧掉这些训练和推理成本，是为了抢下一代智能入口。

大厂很难这么轻。

一台 GPU 在大厂那里，会被问很多问题。

这笔投入归哪个业务线？

算训练成本，还是云资本开支？

能不能带来客户收入？

会不会拉低云业务毛利率？

会不会挤占其他部门预算？

折旧怎么进报表？

明年还要不要继续加？

这些问题都合理。

但它们会让大厂使用算力时天然更谨慎。

数据也不是天然优势。

大厂当然有很多数据。搜索、广告、交易、社交、视频、地图、办公、云、代码、客服、企业系统，听起来像一座金矿。

但数据不等于模型优势。

很多数据不能随便用。

隐私、合规、用户授权、企业客户边界、地区监管、内部数据隔离，都会让数据从“看起来拥有”，变成“不能直接进入训练管线”。

很多数据也不是模型最需要的形态。

前沿模型真正需要的，是高质量任务反馈。

用户想写代码，代码有没有跑通？

用户让模型读合同，有没有抓住关键风险？

用户让模型总结会议，行动项有没有被执行？

用户让模型做研究，结论有没有被采纳？

这些反馈会把模型从“会生成”逼到“能完成任务”。

大厂有很多旧数据，但不一定有最好的模型原生反馈闭环。

人才也是一样。

大厂能招到顶级人才。

但前沿大模型不是把一批聪明人放进一个部门就够了。它需要研究、工程、产品、数据、评测、安全、算力调度和用户反馈高度耦合。

模型训练失败，评测体系要迅速定位。

用户反馈变化，产品和训练团队要马上响应。

推理成本太高，工程、模型和基础设施要一起改。

Agent 产品形态变化，研究和产品不能隔几层组织再对齐。

大厂的问题不是没有顶级人才。

问题是顶级人才有没有被放进一个允许他们围绕模型第一性原理行动的组织里。

如果模型团队只是众多战略项目之一，或者只是各业务线的内部供应商，它就很难拥有模型原生公司的攻击性。

入口更是双刃剑。

大厂有搜索框、浏览器、操作系统、办公套件、云平台、电商平台、短视频、社交、支付、企业软件、开发者平台。

这些入口让它们可以瞬间把 AI 能力分发给海量用户。

但入口从来不是中性的。

搜索入口背后是广告排序、点击、结果页和流量分发。

办公入口背后是席位授权、功能模块和企业销售。

云入口背后是资源消耗、客户合同和毛利率。

电商入口背后是广告、佣金、商家工具和交易转化。

内容入口背后是推荐系统、创作者生态、广告库存和用户时长。

模型如果只是增强这些入口，大厂当然欢迎。

但模型如果真的变成新入口，它就会触碰旧入口的价值。

所以大厂更容易把模型做成旧业务增强器。

模型原生公司更容易把模型做成新入口。

这不是技术差异。

是组织位置差异。

三、真正的竞争，是持续生产模型能力的系统

大模型竞争不能只看算法、数据、算力。

它们当然重要。

但到了前沿模型竞争这一层，它们更像入场券。

真正拉开差距的，是谁能把模型训练变成一套持续运转的生产系统。

这套系统不只在实验室里发生。

它发生在评测、产品反馈、推理成本、工具调用、Agent 工作流、安全对齐、工程迭代和真实场景里。

一个好模型，不是一次训练出来就结束。

它是被不断使用、不断撞墙、不断修正、不断重新组织出来的。

评测不是考试。

评测是雷达。

它要告诉模型团队，模型在真实任务里到底哪里失败。

写代码时，是不会理解需求，还是不会改工程里的局部文件？

做研究时，是事实错，还是推理链断，还是引用不可靠？

做 Agent 时，是不会规划，还是工具调用失败，还是中途状态管理崩掉？

给企业客户使用时，是权限理解不对，还是业务语境不对，还是输出不可审计？

这些失败如果没有被系统性捕捉，就不会变成下一轮模型改进。

产品反馈也一样。

用户每天怎么问，在哪里中断，什么时候重试，哪些回答被采纳，哪些代码被运行，哪些任务失败，哪些工具调用多余，哪些步骤让人不信任。

这些才是真实反馈。

不是简单点赞点踩。

而是任务级反馈。

代码是不是跑通？

销售邮件是不是发出去了？

客服问题是不是解决了？

研究结论是不是被使用了？

企业流程是不是减少了人工步骤？

这些反馈会把模型从“会回答”推向“能干活”。

所以强模型往往长在强场景旁边。

但强场景不是流量最大的场景。

而是反馈最硬、目标最清楚、失败最可见、预算最真实的场景。

表2：不同场景对模型能力的反馈强度

场景大小并不等于模型能力增量。

关键在于，它到底在训练什么。

代码训练的是执行和验证。

企业知识训练的是可靠和权限。

搜索研究训练的是事实和判断。

客服训练的是稳定和成本。

办公训练的是组织协同。

内容生成训练的是表现力。

角色陪伴训练的是关系感。

社交电商训练的是转化。

这些能力都重要。

但它们不是同一种能力。

下一代 Agent 能力，大概率不会主要从陪聊和内容生成里长出来。

它会从那些必须规划、调用工具、管理状态、处理权限、验证结果、面对失败并恢复的场景里长出来。

四、大厂不是退出，而是在重新找位置

把这个框架放回公司，就会看到这几年大模型玩家的真实变化。

不是谁赢谁输。

而是重新找位置。

OpenAI、Anthropic、DeepSeek 这些模型原生公司，仍然试图把模型能力放在组织中心。

OpenAI 绑定的是 ChatGPT、API、开发者生态和企业入口。它的反馈闭环强在广度，能看到普通用户、开发者和企业客户怎样使用模型。

Anthropic 更强调代码、长上下文、企业知识工作和可信赖工作流。Claude Code 这类产品给它带来很硬的反馈，代码能不能改，测试能不能过，仓库上下文能不能理解，Agent 能不能少走弯路。

DeepSeek 的特别之处，是工程效率、开源、代码数学和成本约束。它不是典型消费入口公司，但它用低成本、高效率和开放路线，重写了行业对模型成本曲线的想象。

Mistral 走开放模型、欧洲主权 AI 和企业部署路线。

xAI 曾经更像模型能力加 X 实时信息和社交入口的组合。随着训练集群变得越来越昂贵，相关算力资产也开始带有更强的外部化和财务化色彩。

这不是退出大模型。

算力不再只是模型竞赛的燃料，也变成需要被利用、出租、回收成本的资产。

Meta 也有类似的观察角度。

市场上有关于 Meta 可能通过云服务出售富余 AI 算力的报道和讨论，但这不等于 Meta 退出大模型。Meta 仍然在做 Llama、开源生态、Meta AI、社交广告和设备入口。

真正的变化是，巨额 AI 算力投入开始面对投资回报和资产利用率的压力。

这件事很有象征意义。

当 AI 投资进入这个阶段，问题就不再只是“谁有最大集群”。

而是，谁能让这些集群产生足够确定的回报。

大厂的路线，也不是退出。

是把模型接回自己的利润池。

表3：2022—2026 年全球大模型玩家迁移表

这些变化指向同一个事实。

大厂不是退出 AI。

它们更像在做风险外包和利润池回收。

把前沿模型最不确定的部分交给外部或半外部团队，再把模型能力接回自己的云、办公、设备、搜索、社交、企业客户和行业方案里。

但原生公司也不是天然赢家。

模型能力、用户热度、开源影响力，都不等于平台成功。

Inflection、Adept、Character.AI、Stability AI 都说明了一件事，模型原生公司也会被算力、分发、成本、商业化、可靠交付和企业预算卡住。

大厂有创新者窘境。

原生公司有生存者窘境。

谁能同时跨过这两类窘境，谁才是真正赢家。

五、中国市场更早进入现实考试

中国市场更现实。

国内大厂同样不缺资源，但不够自由。

百度是最典型的“起了个大早，赶了个晚集”。

文心一言推出很早，百度也有搜索、知识图谱、AI 技术积累、智能云和自动驾驶。

但百度的大模型叙事，始终被两个旧问题牵引。

一个是搜索广告。

一个是智能云商业化。

AI 直接回答会冲击搜索结果页和广告分发，智能云又需要政企和行业客户真正付费兑现。

结果就是，百度很早站上牌桌，但很难像模型原生公司那样，把模型本身做成一个全新的大众入口。

腾讯则长期不温不火。

这不是腾讯没有场景。

腾讯有微信、企业微信、腾讯会议、腾讯文档、游戏、内容、广告和云。微信是中国最强入口之一。

但入口越强，越需要谨慎。

一个真正激进的 Agent 如果改变用户在微信、公众号、小程序、支付和企业微信里的路径，会牵动巨大生态利益。

所以腾讯更自然的选择，是让模型逐步进入微信生态、企业服务、会议文档、游戏内容和广告系统，而不是一开始把整个入口交给一个激进的新 Agent。

这让腾讯 AI 显得不够锐利。

但它符合腾讯的组织性格。

阿里的路线更清晰一些。

通义千问和 Qwen 的价值，不只在模型本身，还在阿里云、钉钉、通义灵码、ModelScope、开发者生态、企业客户和电商内容生产。阿里更早把开源模型变成战略抓手，用 Qwen 拿开发者心智，再把利润池接回云、企业和生态分发。

字节更像消费产品和内容反馈路线。

豆包、剪映、即梦、飞书、广告、电商、火山引擎，都能接 AI。字节擅长产品增长和快速反馈，也更容易把 AI 产品推到用户面前。

但字节也要回答一个问题。

AI 是新入口，还是内容、广告和电商体系的增强器？

华为则是另一条路。

盘古、昇腾、云、政企客户、行业解决方案、国产替代，构成了它的位置。它不争大众聊天入口，而是把模型放进国产算力和行业数字化方案里。

这条路不性感，但很现实。

再看国内原生玩家。

DeepSeek 把成本曲线变成了模型竞争力。

智谱更偏企业服务、政企客户、国产生态和开源模型。

月之暗面用 Kimi 抓住长上下文、读文件和中文知识工作助手的切口。

MiniMax 更偏多模态、语音、角色陪伴和海外消费产品。

零一万物则体现了从开源模型、通用助手到商业化落地之间的压力。

中国市场的特殊性在于，现实考试来得更早。

算力约束更早。

开源扩散更快。

价格战更凶。

监管和内容安全更重。

企业客户更早问性价比和交付。

用户付费更难。

所以中国的大模型公司，没法只讲平台想象。

它们必须更早回答一个朴素问题。

怎么活。

这也解释了为什么中国市场很快分成几条路线。

大厂做场景集成。

原生公司拼工程效率。

开源生态压低价格。

消费助手抢用户心智。

多模态和陪伴寻找新入口。

企业服务和国产算力寻找预算。

行业方案承接落地。

这不是美国路线的简单复制。

这是大模型竞争被成本、产业和商业化提前压缩后的中国版本。

六、大厂会重新变强，但不能只做分发者

大厂没有输掉 AI。

它们只是很难第一个把 AI 当成旧世界的终结者。

但未来大厂会重新变强。

模型能力如果逐渐趋近，企业不会永远只追榜单第一。

企业会看谁更稳定，谁更便宜，谁更安全，谁能集成现有系统，谁能开票、合规、部署、运维、负责。

这些都是大厂能力。

当大模型从试用进入企业核心流程，权限、数据、安全、审计、身份管理、系统集成、售后、定制、培训和长期服务都会变重要。

这不是一个模型 API 就能解决的。

当 Agent 需要接入真实系统，大厂优势会更明显。

真正的 Agent 不只是聊天。

它要读邮件、查数据库、改代码、调 CRM、发工单、动审批、查库存、处理合同、对接支付和权限系统。

这些系统大多掌握在大厂或企业软件生态里。

谁有 API、权限、身份认证、企业客户、数据治理和系统集成能力，谁就能在 AI 后半程拿回主动权。

但这里有一个前提。

大厂不能只把模型当旧产品插件。

如果只是把 AI 放进搜索结果页、办公侧边栏、云控制台、电商导购、客服机器人、内容生成工具里，它当然会提高效率，也会赚到钱。

但它未必能定义新范式。

要真正重新变强，大厂必须做一件很难的事。

允许模型反过来重写一部分旧入口。

搜索可能从结果页变成答案和任务执行。

办公可能从文档工具变成工作流 Agent。

云可能从资源售卖变成智能执行平台。

电商可能从浏览推荐变成任务型购物代理。

企业软件可能从模块系统变成自然语言流程入口。

这件事很痛。

因为它会动旧利润池。

但如果大厂不自己做，外部模型公司会来做。

大厂不是 AI 的失败者。

模型原生公司也不是天然胜利者。

真正的竞争，不是大厂和创业公司的二元对决。

而是谁能把四件事接成一个系统。

模型能力。

强场景反馈。

分发入口。

利润兑现。

大厂缺的常常不是资源，而是让这个系统反过来改造旧世界的勇气。

原生公司缺的常常不是锐度，而是把这个系统撑到商业化的现实能力。

这就是为什么大模型这场仗这么难。

它不是一场单纯的技术竞赛。

它是一场旧世界愿不愿意被新入口改写的压力测试。

大厂没有输掉 AI。

只是它们很难第一个承认，最好的 AI 产品，可能不是让旧业务更强。

而是让旧业务变得没那么必要。