AI竞赛：从语境到垂直整合的变革

“世界不是由事实构成的，而是由事实之间的关系构成的。”

以维特根斯坦的理论审视AI的能力边界，智能的极限可能从一开始就不取决于模型“知道多少”，而在于它是否理解Context(语境)、规则，以及这些知识在不同场景中如何被应用。

在这一意义上，今天更具竞争力的模型们，正逐步逼近维特根斯坦所说的“语言游戏”：意义源自使用而非词汇本身。能否参与这种游戏，决定了AI是工具还是认知结构的参与者。

然而，这一变化并未立即被舆论捕捉。过去两年，舆论场被ChatGPT与Claude轮番占据，行业习惯将AI视为一个整体、线性的竞赛，更强模型、更大参数、更通用智能被视为唯一进化方向。

身处一线的从业者先于市场感知到“温差”。前OpenAI成员姚顺雨在AGI会谈上分享：AI在To C端和To B端遵循不同发展轨迹。

从GPT-4到后续版本，普通C端用户的体验差异微乎其微；但Claude已深入编程等核心环节，改变程序员的工作模式。

在To B的世界里，智能直接等同于生产力。企业愿为顶级“大脑”支付高昂溢价。因此，当AI应用从简单Chatbot转向嵌入IDE、CRM等核心工作流时，拥有算力基础设施、掌握行业Know-how并能构建闭环环境的“超大规模云厂商”正在强势接管B端AI市场。

在To C的世界，胜负从‘算力堆叠’转向对‘语境’的捕捉。结果是，巨头们狂奔却走向不同赛道。针对字节与阿里占据的AI舆论场，马化腾在内部年会定调腾讯AI战略——“每个企业基因、体质不同，腾讯风格就是稳扎稳打。”

面对外界AI焦虑，马化腾给全员吃下“定心丸”。同时，元宝派的诞生证明腾讯依旧希望寄托于熟悉的社交关系链。

陷入马太效应的“垂直整合”

过去两年，市场笃信“模型+应用”一体化的垂直整合才是王道。逻辑上无懈可击：只有同时掌握底层大脑与上层手脚的玩家才配筑起高墙。

但现实很快反击。在To B生产力场景下，能做大预训练（Pre-training）的公司凤毛麟角，而拥有场景Know-how的公司往往不具备底层训练基因。这种能力错位迫使B端市场早期迅速分层：底层公司刷榜Scaling Law，应用公司做‘最后一公里’适配。

到了2025年下半年，这场分工变得更加残酷。对To B市场而言，更大预训练仍是模型公司核心壁垒；但随着模型能力溢出，只做简单“套壳”或“薄”中间层的应用公司发现自己的价值被底座模型覆盖。新生存法则里，不做深、不做厚即出局。

分化根源是“智能密度”直接挂钩企业ROI，B端客户愿为‘确定性’支付高昂溢价。姚顺雨在AGI会谈上的例子很直白：若最强模型订阅费200美元/月，第二强只需20美元，企业会选择前者。

逻辑简单，一个工程师每天处理10个任务，顶级模型能做对9个，次级模型只能做对6个。为省下180美元模型费，企业需花费数倍人力成本复核错误答案。

对极致智能渴求导致B端市场马太效应比C端严重。

大摩去年11月发布《中国CIO调查报告》佐证这一趋势——DeepSeek、通义千问CIO意向度达75%。基于此，大摩给出更激进终局推演：三年内，通义、DeepSeek、华为和字节将占据90%国内B端AI服务市场份额。

在巨头攻城略地阴影下，为维持高密度智能供给，独立模型厂商如履薄冰。以To B代表智谱为例，尽管人数不足千人、产品迭代快、年化收入快速迈向一亿美金，但大规模技术研发与算力支出持续侵蚀利润。

互联网规模经济效应在AI领域未奏效。即便智谱收入增长保持50%高毛利，但2024年支出（成本与运营开支）仍是当期收入10倍上下；到了2025年上半年，这种‘收入越大、亏损率越高’规模不经济现象加剧。

问题症结在于大模型对‘投入密度’无底洞需求——需更多数据或更多场景接入。智谱为To B落地需维持高强度研发并匹配庞大销售团队，在与拥有自有数据金矿互联网大厂竞争时显得捉襟见肘。

与此同时，创业公司生存空间被重新定义。过去两年大量创业公司涌入所谓‘中间层’赛道做RAG（检索增强生成）、Prompt Engineering（提示词工程）平台或简单Workflow编排工具。

但随着模型能力提升尤其是长上下文（Long Context）和推理能力（Reasoning），这些‘薄’中间层价值被迅速稀释。以前需复杂Prompt链条解决问题现在直接技术文档扔入长文本模型即可解决。

“修补匠”正退出历史舞台取而代之的是‘厚’中间层。姚顺雨认为‘厚’不仅是特定领域Know-how深度封装也是‘环境交互（Environment Interaction）’构建。Coding Agent能率先跑通因代码拥有最完美反馈环境编译器报错Agent知错并自我修正形成天然强化学习（RL）闭环。

这恰恰触及创业公司难以逾越‘数据墙’。以Coding Agent为例即便强如Claude其母公司Anthropic想优化代码能力也不得不依赖数据厂商雇佣工程师标注这种‘外包式’数据生产规模受限且带有人工痕迹。

相比之下大厂拥有截然不同解题环境因为它们自身就是Coding Agent最大试验场。

大厂内部几万名工程师每次代码提交、回滚、Review都在为模型提供最真实最高频反馈这种‘应用中反哺模型’数据闭环姚顺雨口中非常重要不依赖标注商就能获取‘真实世界数据’。

比如支付宝金融风控飞书实时通讯优化或腾讯《三角洲行动》开发资产生成这些场景需不是通用GPT-4而是‘通用底座+行业特化+实时反馈’综合体这种从‘薄’到‘厚’演进过去一年进一步巩固大厂优势。

豆包、千问、元宝殊途不同归

在To C领域对绝大多数普通用户而言模型写抽象代数能力变强但日常聊天中几乎无法感知大多数人使用AI方式像搜索引擎加强版。

阻碍体验提升不仅是模型参数量还有输入Context量。

正如姚顺雨举例：用户输入‘今天吃什么’GPT3.5和Gemini3答案无太大差异但如果知道具体场景如今天天气很冷或刚点赞火锅店就能给出合理建议。只有输入更多Context模型活动范围才能给用户带来价值。

在国内互联网特有‘围墙花园’体系下这场关于Context战争注定巨头内部‘内战’豆包、千问、元宝看似AGI道路上并肩同行实则已分道扬镳。

对于像月之暗面或MiniMax这样创业公司而言它们拥有不输大厂模型智商但在获取用户‘支付记录’‘地理位置’或‘社交关系链’这些关键Context时却面临难以逾越生态高墙。

这意味着垂直整合在To C依然成立但前提是需要像微信或豆包这样拥有用户入口产品才能顺利获取这些Context并喂给模型。

新立场在此基础上看到阿里、腾讯、字节三家巨头对‘差异化’诠释：单纯提升智商（学别人）走得快但深度结合语境（做自己）上限才高。

从现有结果来看豆包不仅起量快在AI原生APP心智上处于断层领先。这种领先优势直接来自字节最擅长内容和算法以及对用户碎片时间收割能力基于内容消费Context也让豆包在娱乐与陪伴场景下拥有极高粘性。

而阿里几乎没有理由把重心押在陪伴和社交上最值钱资产是交易、支付、履约体系花大力气做情绪价值满分但不能办事AI对阿里来说是资源错配。

所以通义千问定位非常直接：办事型AI。不久前千问App宣布全面接入淘宝、支付宝、飞猪、高德等阿里生态吴嘉所言‘把办事能力边界进行拓展和做深’其实就是做深Context口语化表达。

与阿里大开大合生态整合不同腾讯选择与前两位保持‘刻意’距离。

“““““““““““