新闻资讯
News and information
-
26
03/02
AI下半场，没有巨头敢掉队
当AI成为标配，真正的竞争才刚开始。在刚刚过去的这个春节，巨头间的AI大战如预期般进入白热化。腾讯旗下的元宝App上线春节红包活动，用户可参与分享10亿元现金，并且可以无门槛提现至微信红包。豆包在除夕夜“霸屏”春晚，开启了3轮共计10万份抽奖，奖品最高为8888元红包。阿里旗下的千问除了在春节前夕补贴30亿请用户喝奶茶外，还独家冠名了河南卫视、东方卫视、浙江卫视、江苏卫视四大卫视春晚。巨大的投入和声势换来爆发式增长。据豆包官方数据显示，除夕当晚，豆包AI总互动量突破19亿次。与此同时，阿里千问发布的春节战报显示：春节期间，全国有超过1.3亿用户首次尝试AI购物，累计发出50亿次"千问帮我XX"的指令。春节已经落幕，但这场AI大战还将持续。豆包已经宣布，将发放最高8888元的“元宵红包”。千问同时宣布：从2月17日中午起，将为所有人带来“每日首单立减”活动。马化腾也说，腾讯唯一花钱投入比较多的就是AI。饱和式战争即将打响，AI下半场，谁也不想缺席。从软件到硬件：全方位的AI流量争夺一路行来，巨头之间的AI竞争，大体可以分为三个方面。第一，AI赋能。在这个阶段，巨头们主要的发力点是在传统业务形态中嵌入AI能力。以搜索为例，2025年3月，阿里巴巴将旗下的夸克浏览器改造为“AI超级框”，将对话、深度思考、深度搜索、深度研究，深度执行能力融合到一个简洁的“超级框”中。紧接着，腾讯在5月份正式推出Qbot智能助手，将QQ浏览器全面升级，成为集AI搜索、AI办公、AI学习、AI写作、AI浏览于一体的浏览器。百度则在2025年7月正式将传统搜索框改造为“智能框”，将搜索功能全面向AI驱动转型。沿着相似的路径，美团已上线AI生活助手“小美”。滴滴官宣与智谱AI达成战略合作。携程也宣布其旅游平台正式升级至“智能引擎3.0”阶段，涵盖AI驱动的服务体验提升、AI流量分配、AI智能导购以及AI内容生成等多个维度。截至目前，除了拼多多以外，几乎所有的互联网入口都已经变成了“AI+”。AI赋能确实对巨头的部分业务起到了提振效果。比如2025年前三季度，腾讯营销服务第三季度收入达362亿元，同比增长21%，显著高于集团整体15%的收入增速。财报明确指出，这一强劲增长主要得益于“AI驱动的广告定向”所带来的eCPM提升。尽管如此，AI赋能并未改变巨头间的竞争格局。外卖第一还是美团，酒旅第一仍是携程，电商领域阿里、京东、拼多多三足鼎立仍旧一如既往。当所有应用都嵌入了AI，竞争态势和所有应用都没有AI时基本一致，AI本身的地位变得像笔记本上的摄像头一样——我可以不用，但你不能没有。第二，独立AI应用大战。当巨头们发现，AI赋能只能让自己保持竞争力，无法打破现有竞争格局时，便改弦更张，将希望寄托于AI独立应用上。阿里“AI超级入口”战略的C位从夸克变成了千问，高举高打，对千问持续高强度宣传。截至2025年12月10日，千问月活跃用户数（含APP、Web、PC端）已突破3000万，成为全球增长最快的AI应用。豆包则在MAU一骑绝尘的情况下，继续拿下春晚赞助来进一步扩大自己的领先优势。如今元宝带着腾讯的10亿元现金重装下场，显然也不会就此认命。从整体上看，AI独立应用的竞争现阶段仍然不存在绝对意义上的最终赢家。据《海豚研究》，从使用时长来看，当前渗透率最高的几款AI通用入口日均使用时长普遍不足15分钟，且未显现出持续优化或提升的趋势。即便是用户使用频率最高的豆包，人均每日使用时间也仅约10分钟。未来谁能率先占领用户心智，还有很多变数。第三，AI硬件抬头。和十年前的互联网大战不同，巨头间的AI竞争已经从软件迈向了硬件。2025年12月，字节联合中兴推出的豆包手机上市即爆火，首批备货3万台，仅1天时间便全部售罄，闲鱼上该款手机二手售价比官方售价高出700元到1500元。豆包手机的出圈迅速引起了其他巨头的警惕，微信、支付宝、淘宝等国民级软件先后限制在豆包手机登录。隐私和安全问题或许要讨论很长一段时间，但豆包手机的颠覆性确实引起了互联网巨头的恐慌。在未来，AI手机或许真能引发交互方式革命。AI眼镜是另一个爆火的硬件产品。阿里推出的夸克AI眼镜S1上架即售罄，发货周期被拉长至45天，百度也推出AI眼镜Pro。据《中国电子报》报道，数据显示，2025年第三季度全球智能眼镜市场出货量429.6万台，同比增长74.1%。据预测，这一增长势头将长期保持，到2029年全球智能眼镜出货量有望突破4000万台。和AI手机比起来，AI眼镜“开机即用、对话即交互”的操作逻辑似乎更适合成为新的AI终端。正如阿里巴巴智能终端业务负责人宋刚所说，AI眼镜是下一代人机交互变革的中心，也是AI的入口，是未来最有机会挑战手机的设备。经济学家熊彼特曾提出一个创造性破坏的概念，指技术创新通过取代旧有体系引发市场重构，形成持续的创新循环。AI技术是这一轮创造性破坏周期的驱动器，其破坏力之强，波及范围之广，或许是历史之最。即便是巨头，这时候也不免生出生存焦虑。下一代产品在哪里？马化腾面对这个问题曾经的回答是：我很焦虑，不知道未来会怎么样。AI的未来会如何，如今的答案可能也是不知道，一切都还需要拭目以待。阿里、字节、腾讯，沿不同的路线出发虽然目标都是成为AI时代的超级入口，但阿里、字节、腾讯的发力方向并不相同，它们在AI上的布局都离不开自身原有的生态基因。简单来说，阿里、腾讯、字节想要用AI提供给用户的价值并不相同。阿里AI提供的是工具价值。不久前，千问APP推出重大版本更新，深度接入淘宝、支付宝、淘宝闪购、高德、飞猪等阿里生态核心业务。更新之后，千问实现了点外卖、购物、订机票酒店等AI全流程办事服务，串起了需求表达、任务执行到支付履约的闭环。从生活场景切入，千问的目标是从“聊天时代”迈入“办事时代”。同样，“阿福”旨在为用户提供更多的健康服务，“蚂小财”则致力于降低获取金融专业服务的门槛。定位各有不同，但阿里系的AI应用都致力于帮助用户解决各类实际问题。腾讯AI提供的是社交价值。2026年1月26日，腾讯推出的“元宝派”正式开启内测，用户可以从微信、QQ邀请好友。整体上看，元宝派里的社交群组和微信群的区别大概在于，前者加入了一个AI当主持人。腾讯AI的发力点没有如市场预期的那般，从微信Agent开始，可能是出于战略上的谨慎。AI时代仍存在不确定性，不能让作为压舱石基石的微信打头阵。而元宝则没有那么多的包袱，可以充分大胆地尝试。AI时代的社交形态什么样，有很充分的想象空间。当年微信承接QQ生态，一跃而为移动时代的社交王者。这样的场景是否会在元宝身上重现，值得期待。字节AI提供的是情绪价值。豆包从推出之初就强调“拟人化”和“人格化”，例如提供多个角色设定（如“知心姐姐”“毒舌朋友”“职场导师”），让用户在对话中获得情感共鸣。豆包支持“持续记忆”和“个性化人设”，能记住用户的偏好、历史对话，营造长期陪伴感，这正是情绪价值的核心。除了豆包之外，字节的其他AI产品也始终贯彻“陪伴者”的角色。比如，猫箱是AI情感陪伴的极致体现，星绘是AI图像创作的情绪出口，Coze可以低门槛打造“你的AI玩伴”。字节几乎没有一款AI产品是以“提升效率”“节省时间”为核心卖点的。相反，它们都在延长用户停留、激发情绪反应、促进分享传播。总结来说，阿里、腾讯、字节的AI战略大致对应着用户的生活需求、社交需求和娱乐需求。三巨头都将他们最擅长的事情，搬运到了AI时代。当然这三者的属性并非界限分明。字节也在发展工具能力，豆包支持文档处理、代码生成，火山引擎也向B端输出AI能力。阿里也在尝试情感化：千问有音色定制、角色扮演（如“历史老师”“英语外教”）等。三巨头要争夺的是AI时代的“超级入口”，竞争到最后，大概率会侵袭到彼此的领地中。究竟哪种路线更有市场，也还难有定论。这场AI竞赛就像一辆列车已经开始高速行驶，但目的地是哪里却无人知晓。对巨头而言，既然一切都不确定，那就只剩下一个最朴素的目标：留在牌桌上。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
互联网的AI腔，该清算了
现在互联网上的句子，好像都是一个师傅教的。风景总是breathtaking，建筑永远modern，随便一个事件都「标志着一个关键时刻」。这些话听着完美，却轻得像飘在空中。读多了，人会感到恍惚。Wikipedia的编辑们也受够了这种「广告腔」，开始了一场清理行动。他们校对大量新增内容后发现，最爱说场面话的，竟然不是人，而是AI。于是，一本奇怪又实用的《识别AI文风手册》，就在无数次删删改改里被写出来。同一个模板写出来的互联网互联网的语言越来越整齐划一，Wikipedia最早察觉到「味道不对」。每天都有成千上万的新内容被塞进条目里，编辑们一边巡查一边发现：不少新增段落看起来顺滑，但读起来像是套话。编辑们越看越觉得奇怪。等他们把这些可疑段落攒在一起，真相也浮出水面：来源模糊、论据空洞、表达统一得异常。这一切都指向同一个可能——越来越多的内容，是AI生成的。为了避免百科被这种空心句子掏空，一群志愿者在2023年发起了WikiProjectAICleanup。传送门：https://en.wikipedia.org/wiki/Wikipedia:WikiProject_AI_Cleanup他们系统地记录这些异常写法，想弄清楚AI到底在什么地方露出痕迹，哪些句子看似正常，但经不起查证。维基编辑最先发现「不对劲」清理行动一开始，编辑们就发现：检测器根本不靠谱。正管用的，是他们在多年巡查中练出来的「语感」AI写出来的段落，表面都挺正常，但细看会有三种特别明显的痕迹。第一种，反复强调「重要性」，却不给现实中的例子。AI生成的段落常常会把主题写得很宏大，比如「apivotalmoment」「abroadermovement」。但落到细节时，没有年份、不提来源，也没有可查证的材料。这种写法在百科语境里非常异常。第二种，句尾挂着体面的现在分词这种emphasizing…reflecting…highlighting…的尾句，是目前最明显「AI痕迹」。TechCrunch的作者也在报道中指出：这类presentparticiple是区分AI文风的关键线索之一第三种，是频繁使用互联网式的「营销形容词」。breathtaking、modern、renowned、scenic这些词在广告里正常，但在百科里使用很不恰当。维基编辑碰到这种描述时，会立即查来源，结果常常找不到对应证据。后来，这些规律都被整理进了《SignsofAIwriting》。https://en.wikipedia.org/wiki/Wikipedia%3ASigns_of_AI_writing?utm_source比起技术指南，它更像一份经验册。记录着编辑们踩过的坑、看到的怪句式，方便更多人一起清理。AI为什么总写成这样？真相在语料里当编辑们把可疑句式整理出来后，一个问题也变得清晰了：AI之所以写成这样，根本原因是人类语料。也就是说，它从哪里学来的语言，就会说出什么样的语言。因为大型模型训练时吃的是整个互联网的语料。新闻稿、SEO软文、宣传册、社交平台的内容都会混在一起。而这些地方最常见的表达，就是宏大但空泛、形容词夸张但没事实、评价多于证据的写法。Wikipedia在把这类现象称为：Vaguepraise和Marketinglanguage。换句话说，AI不是故意用「公关腔」，而是这类语料最容易在互联网上抓取。这也解释了为什么「重要性夸大」「-ing尾巴」「广告式形容词」会频繁出现——这些是模型在大语料里看到得最多、最容易复制、也最缺乏上下文约束的句式。Wikipedia的解决方式非常务实。他们知道无法杜绝AI生成内容，于是把重点放在「证据链」上。他们要求注明来源、核查链接、追溯出处。这一点在《WikiProjectAICleanup》的流程说明里写得很清楚：凡是出现评价性语言、缺乏具体事实，或看上去「像模型写的」，编辑可以先贴上「需要引用」的模板。如果作者无法补充来源，这段内容就会被移动到讨论页，必要时进入快速删除程序。这一整套流程相当于「免疫系统」：去掉评价形容词，让句子必须基于事实。凡是经不起查证的部分，就会被自动拦截。这对于一个完全依赖可验证性运作的百科来说，百利无一害。真实的句子有骨头，AI的句子一戳就空维基编辑在清理中发现，最能一眼看出「AI味」的地方，是句子到底有没有「事实」。AI喜欢用形容词和评价支撑文章结构，而百科写作靠的是年份、数量、地点、报道来源这种能查到的事实。为了让更多编辑能看懂这种差别，《SignsofAIwriting》里特地列出了多类典型句式。看下面这一组改写，就能感受到两种语言的「骨骼」完全不同：AI腔写法：Theconferencewasapivotalmoment,highlightingthecontinuedrelevanceofthefield.这类句子在指南里被称作“Importanceinflation+presentparticipletail”。「关键」「持续重要」这些判断没有来源，尾巴的highlighting…属于典型AI的空转分词。维基会写成：The2023conferenceinXCitydrewabout1,200attendees.CoverageinYNewspaperandtheZJournaldiscussedAandBpolicyproposals.年份、人数、媒体报道，全是可以查证的事实。评价不需要说，材料会自己说明事情的重要性。再看另一个例子，也是编辑们最常遇到的那类广告腔：Theparkoffersbreathtakingviewsandmodernfacilities,emphasizingitsstatusasarenownedattraction.指南把这种叫做「Vaguepraise/marketingtone」：breathtaking、modern、renowned这些词在广告里再合适不过，但在百科里毫无信息含量。维基会写成：Theparkhastwoviewingplatformsanda5-kmwalkway.Itrecordedabout450,000visitsin2019andcompletedaccessiblerestroomandvisitor-centerupgradesin2021.不夸人、不定性，也不判断价值。只列设施、列年份、列客流量——所有内容都有来源可查。在维基的世界里，没有来源的评价就是不存在的评价。当越来越多内容由模型生成，我们读到的语言难免会被模板化的腔调包围。Wikipedia的做法提醒我们，判断一段文字是否可靠，并不靠某种神奇的检测器，而是靠这句话能否查证、这个判断能否追溯、这条信息是否站得住。AI也许会写出更流畅的句子，但百科在意的不是好看，而是可信。当空心句被删掉、广告腔被滤掉、无出处的判断被请出页面，百科页面留下的，就只剩下事实本身。互联网的未来，大概也会沿着这条路走下去——越是模型生成的时代，越需要人类替语言把关。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
战局正酣：国内互联网大厂的AI业务布局现状
在我看来，国内互联网大厂的AI布局可以划分为三至四个梯队。刚刚过去的2025年，中国互联网大厂的竞争主轴是围绕着生成式AI业务的竞争，或者更进一步讲，是所谓“AI生态”的竞争。外卖大战虽然吸引了大量目光，但无论谁胜谁负，注定只是一个插曲，是“旧时代的回声”；AI大战才是“新时代的旋律”。这个趋势不仅将贯穿2026年，而且恐怕将再持续多年，直到生成式AI彻底渗透到经济的方方面面为止；只有多年前的移动互联网潮流可以与之相提并论。今天我们讨论的焦点是互联网大厂，而非创业公司；讨论的对象是作为一个整体的AI业务生态，而非单点业务。在我看来，目前国内互联网大厂的AI布局可以划分为三至四个梯队：1、阿里巴巴和字节跳动处于领先梯队，这一点基本无人争议。阿里在技术实力和B端的优势无法撼动，字节的优势则在于巨额投入和C端应用。2、腾讯和百度稍微靠后，但距离不远。腾讯仍然在谨慎地评估局面、控制投入，百度接下来大概率会在B端寻求突破口。3、其他大厂当中，快手、美团的动向值得观察，其次是京东、小红书。它们都不太可能进入第一梯队，但可以在某一垂类做出名堂。4、车企有可能在智能驾驶，以及所谓“座舱大模型”方面找到用武之地。不过我不太懂车，这个话题就不展开讨论了。先说第一梯队。不考虑出海，阿里和字节两家在国内AI市场占据全面的、从B端横跨到C端的领先地位，这一点应该无人争议。但是两家的领先原因有微妙的区别：阿里主要是基于过去多年在AI、云计算、自研芯片等领域的积累，是渐进式地、自然地占据领先地位；字节则主要是基于巨额但高效的投入，以突变的方式，将自己猛烈拉升到了与阿里类似的重量级。在基座大模型方面，阿里的千问要领先于绝大多数竞争对手；而字节的豆包的成功，主要不是基座大模型的成功，而是产品设计、运营和市场推广的成功。字节在C端做了一个明智的选择，即把绝大部分力量集中到豆包APP这一个点上，让它迅速占领用户心智、成为“国民APP”。阿里在C端的力量则分配在夸克、钉钉、通义千问APP等多个点上，直到2025年11月，才确立了以千问APP为核心的策略——事实证明，以一个超级APP去主打AIC端市场，似乎更符合国内的情况。在B端，火山云的历史积累显然不及阿里云，但是在算力建设、生态建设和市场推广方面的激进程度有过之而无不及。火山云的销售体系十分强大，其中很多来自阿里云，而且乐意提供折扣换取客户。曾经有人指出：字节推广C端AI应用的力度很大，这或许会让B端客户心怀疑虑，担心字节会与其客户竞争。不过，从现实看，就算这种担忧存在，实际影响也并不明显。字节跳动不是上市公司，不需要每个季度交出财报以满足资本市场预期，所以无论在资本开支方面还是价格竞争方面，其回旋余地都天然较大。而阿里却会因为阿里云收入的细微波动而被放到显微镜下审视；不过，换个角度讲，当阿里的AI业务进展超出预期时，资本市场也会给出即时的报偿，同时立竿见影地提振员工士气。总而言之：阿里依靠历史积累以及“全栈技术能力”而自然地位居第一梯队，字节跳动则依靠坚定而高效的投入将自己拔入第一梯队——这很符合字节跳动对新兴业务的一贯风格，非上市的地位也使它拥有充足自由在不赚钱的业务上加大投入。在资本开支方面，双方都十分激进，字节跳动或许还要更激进一点，但是没有人清楚具体数据，只知道双方的投入大致处于同一量级。接下来是第二梯队。事实上，腾讯完全有可能进入第一梯队，但主动选择了做一个“尾随者”，处于“有可能追上第一梯队、但刻意不投入”的状态。2025年三季度，腾讯的资本开支仅相当于阿里的40%（130亿vs335亿），而且环比有所下降。在C端应用推广方面，腾讯也是“够意思就行”：2025年初，借助接入DeepSeek的时机，元宝进行过一波大规模投放，但并未持续太久。只要元宝还位居国内C端AI应用前五名，腾讯管理层似乎就很满意了，无意争夺第一。这种操作毫不奇怪，十分符合腾讯管理层的一贯风格。首先，腾讯习惯于等待一个技术趋势成熟，再去模仿或进行“微创新”；腾讯管理层毫不讳言，AI产业发展尚处于早期，此时争夺第一名的意义不大。其次，腾讯内部流行的“产品经理文化”，导致基础研发往往处于附属地位；腾讯从不擅长基于研发成果做产品，而只擅长基于产品前景倒推研发。第三，腾讯管理层或许注意到了算力供给的巨大不确定性，除非等到尘埃落定、确定性提升，才愿意下重注。还有一个短期的直接原因：腾讯不需要AI业务去支撑股价。2024-2025年，腾讯的游戏业务表现相当好，广告业务也在视频号的放量支撑下越做越好。阿里、百度需要AI的故事振奋资本市场，腾讯至少暂时不太需要。2026年恐怕也是如此，腾讯稳坐钓鱼台的策略或许还能延伸到2027年上半年。百度那边则是另一种逻辑：在基座大模型方面，文心仍然仅次于千问、DeepSeek，优于豆包、混元等其他国产大模型；百度也具备一定的全栈技术能力。但是，百度手头的资源不足以在B端和C端同时发动进攻。虽然文心助手目前拥有2亿MAU，在国内仍处于前列，可是要知道，字节、阿里等竞争对手在此投入的资源是海量的。国内C端AI应用已经成为一片红海，要非常巨额且持久的投入才能确保市场份额领先。话说回来，百度在B端仍然拥有较强的客户基础，尤其是在政企客户，以及私有云、混合云赛道上。在基座大模型和芯片两个基础研发赛道上，百度的积累历史很长，虽然近年来有被对手拉近的趋势，但积累毕竟是积累。昆仑芯分拆上市，可以筹集大量资金并进一步提振百度股价。接下来，百度AI的发展战略，大概无非围绕三个支点进行：继续发展B端业务，尤其是私有云；围绕萝卜快跑，发展智能驾驶和智能座舱；将文心大模型进一步融入百度APP，力争达到Gemini对谷歌核心搜索的那种效果。还有一个不可忽视的点：苹果AI的国行版大概率将以文心+通义千问为基座大模型。市面上一度流传苹果将转而采用豆包，但目前看来并无证据支持。如果苹果AI真的上线，对百度和阿里两家的AI生态大概都是一针强心剂——可是我们并不知道何时成真。接下来是其他大厂，我认为其中有两家的动向尤其值得关注。一家是快手：毫无疑问，可灵是一个很好用的AI视频工具，而且已经达到了工业级别。我认识的影视行业的朋友普遍认为，可灵是目前国内最具实用价值的AI视频应用，正广泛应用到最近很火的AI漫剧当中。以快手的体量和AI开支规模，能做出这个级别的视频大模型实在令人印象深刻。接下来的问题在于快手打算怎么利用这个战果。仅仅依托可灵去拓宽快手自身的内容边界、活跃内容生态，这个故事太小了，也不符合规模经济。1200万的MAU和2000万美元的月收入（对应2.4亿美元ARR），这两个数字也不错，但尚不足以对快手财报造成实质性推动。可灵必须更进一步，成为泛影视行业的一种基础工具，才有可能创造数十亿乃至数百亿量级的收入——目前看还很遥远。快手还必须保证，可灵的技术优势一直保持到它形成足够的用户习惯之前，否则来自竞争对手（例如强大的字节跳动、腾讯）的应用可能在一夜之间将其取代。美团的情况则是我尚未参透的：它的主营业务和资本市场故事，看起来与生成式AI几乎无关，但是在2025年它确实在此投入不少。在财报上，这种投入完全无人关注，因为所有人都在关注外卖大战。如果你注意过新闻，就会发现，美团在2025年之内发布了多个自研大模型；根据我的了解，美团在算力基建和数据采购方面的花费，位居国内互联网大厂第二集团的领先水平。自研大模型对于美团来说肯定不是一个花瓶，而具备某种现实业务意义。那么，是什么意义呢？提高内部搜索和内容推荐效率？帮助商家设计文案和图片？提升客服机器人水平？这些都是司空见惯的AI应用了，也不一定需要自研大模型完成。尤其是在目前国产开源生态十分发达的情况下，美团这样的大厂似乎不需要在自研上投入多少精力；在公有云发达的情况下，也不需要投入多少算力基建。美团的投入显然有某种尚不为人知的战略诉求。京东显然也有类似诉求：2025年，它在算力基建和数据采购方面的动作也不小，尽管这些动作也被外卖大战所掩盖了。京东早已不再大力发展公有云业务，所以上述动作肯定不是为了对外提供服务，而是为了升级自己的业务。与美团相比，京东或许还多了一个诉求，即在所谓“AI导购”的时代不要掉队。就在本月初，谷歌基于Gemini推出了AI导购功能，第一批合作伙伴包括沃尔玛。这可能是生成式AI商业化的一个历史性时刻——此前，C端AI应用的直接商业化主要是基于付费订阅。如果Gemini的AI导购能取得一定的成功，就意味着C端AI商业化的天花板被彻底打开，零售电商的现有格局将被冲得七零八落。任何互联网大厂，无论主营业务是否包括电商，都不会允许自己错过这一局！所以2026年的AI行业会更加有趣。我迫不及待看到各家大厂会如何根据形势变化去调整自己的策略。目前要判断“谁是赢家”“谁是输家”，实在太早了，因为战局恐怕连三分之一都还没打到。移动互联网的大战打了十多年才基本尘埃落定，我们完全有理由期待大厂之间围绕AI的战局会持续同样长的时间。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
03/02
微信AI时代的困境，跟苹果是一样的
一个在社交帝国里手忙脚乱，一个在硬件王座上按兵不动。表面看两码事，但如果要是往深处想，微信和苹果，其实卡在同一个坎儿上。2026年的科技圈，正在经历一场昂贵且有趣的竞赛。一边是微信里头闹出的动静。腾讯自家的大模型应用元宝，想趁着春节冲一波用户，老办法，砸钱10个亿，发红包。结果场面一度十分尴尬，红包链接没刷屏多久，就被微信安全机制精准拦截。这种大水冲了龙王庙的乌龙，被外界调侃为自家兄弟打了自家的脸。这让人纳闷：腾讯搞AI，怎么还是撒钱拉人那一套？这种动作显得有些心有余而力不足。另一场竞赛关于大洋彼岸的苹果。即便新iPhone已经薄得像片刀，工艺达到了工业巅峰，可一年前被库克视为“个人智能重头戏”的AppleIntelligence，依然没能点燃市场的兴奋点。那个传说中能接管一切的Siri，至今没见着真身。媒体的标题整齐划一：苹果的AI，又慢了。在数次推迟后，苹果确认在iOS底层引入了谷歌的Gemini模型。这两个动作在当时的舆论场里，被迅速贴上了巨头迟暮的标签。人们嘲讽腾讯在模型逻辑上已经心有余而力不足，只能靠传统的流量救火，讽刺苹果已经彻底丧失了定义AI时代的抓手，不得不向老对手谷歌低头。一个在社交帝国里手忙脚乱，一个在硬件王座上按兵不动。表面看两码事，但如果要是往深处想，微信和苹果，其实卡在同一个坎儿上，它们不是没看见AI的浪打过来，是身上的担子太重，快不起来。这种困境，和技术、钱关系都不大。它讲的是，两头超级大象要怎么在大模型赛道上平稳转身，这是超级产品天生的、系统级的难题。1、玩不起的容错率为什么那些AI创业公司，比如OpenAI、kimi、豆包能跑那么快？因为它们是在空地上盖新楼，图纸可以随便改，塌了也能重来。微信和苹果不行。只要装上AI，就等于是给运行中的摩天大楼拆换承重墙。让我们看两组足以让产品经理感到战栗的数据。截至2026年1月，苹果全球活跃设备安装量正式突破了25亿台。而微信及WeChat的合并月活跃账户数达到了14.14亿。这两个数字代表的不再是App和硬件，而是全球数字文明的公共基础设施。基础设施的第一准则是：绝不能停摆。对于一个拥有100万用户的初创AI产品来说，引入大模型是一场令人兴奋的，甚至是允许失败的实验。即使模型产生幻觉，回答出现了逻辑漏洞，用户往往会报以宽容，甚至将其当作有趣的梗在社交平台传播。这是初创公司的特权，也是它们能够做到以周为单位迭代的天然优势。但微信、苹果不一样。微信，每月有超过14亿人活在里头，承载着从社交、金融支付到基层民生服务的全部社会功能。你想，要是一个深度长在微信里的AI助手，哪天抽风，在朋友借钱时给错建议，或者在家人群里瞎接话，那会是什么场面？任何一次微小的技术扰动，都会被指数级放大成灾难。苹果也一样。全球超过25亿台苹果设备，装着无数人的照片、通讯录、健康数据。苹果把自己招牌押在隐私上。它敢随便放一个自己都还没摸透、可能会胡思乱想的大模型，进到系统最底层吗？绝对不敢。一旦大模型出现漏洞、被黑客攻击，发生数据泄露，后果将难以挽回。所以，苹果宁可把一些已经开发好的AI功能按住不发，也要等它的准确率达到一个吓人的高标准。外人觉得它们保守，动作慢。可对它们十几亿的用户来说，这种慢恰恰是种负责。它们得等，等AI从一个总出意外的聪明玩具，变成一个足够靠谱的确定性工具。对于这种规模的巨头而言，平庸的稳健永远优于激进的翻车，不犯错的优先级，远高于领先一步。2、要的是交互，不是模型除了怕犯错，它们俩还有一点特别像，都不是那种为了技术而技术的公司，骨子里是产品定义者，或者叫交互定义者。苹果最初的成功并不是第一个发明技术的。图形界面、触摸屏、指纹识别，都不是它首创。但苹果总能把这些技术，打磨成你用起来最自然、最舒服的样子。到了AI时代，它的思路没变。它不在乎GPT-5的跑分又高了多少，它只关心AI怎么能像抬手看表一样自然。所以苹果的AI往往是隐形的，它可能只是帮你一键擦掉照片里的路人，或者是把几十条通知摘要成一段话，而不是嚷嚷自己有AI，它只会让你感觉不到阻碍。腾讯的思路如出一辙。微信的张小龙，他的理念是好的产品是用完即走，这想法跟苹果简直是一个模子刻出来的。在张小龙眼里，在微信里硬塞一个需要专门对话的聊天机器人，是对社交体验的粗暴破坏。他想要的AI应该像“扫一扫”，只在特定场景下自然浮现，解决问题后安静离开。发现没？现在的AI，不管是豆包、元宝还是ChatGPT，大多是搜索式的，你得去找它，向它提问。而微信和苹果想要的，是环境式和场景式的，它只会在你需要的时候自动浮现。为了找到把前者变成后者的完美路径，它们现在这种看起来的沉默和克制，反而是最理智的选择。3、有些底线不能碰这种克制，还因为它们都有点生态洁癖。自己的地盘，规矩得自己定，哪怕过程很痛苦，充满争议。苹果的选择，最近大家都看到了，它向谷歌的Gemini和OpenAI的ChatGPT敞开了口子。听起来有点意外，苹果不是什么都爱自己研发吗？其实，这是个用空间换时间的聪明策略，自研一个顶尖大模型，成本高、周期长。苹果先让成熟的别人进来，把用户对先进大模型的期待和胃口填上。同时，它死死守住最核心的东西，用户的数据隐私安全，以及AI和iPhone、iOS系统深度结合的那种流畅体验。苹果宁可让自己的AI故事暂时变得复杂点，也不愿为了全自研的面子，砸了用户体验的里子。腾讯这边，慢得更有道理，它手里有中国最丰富的社交数据宝藏，但这恰恰是最大的禁区。微信里的聊天记录、朋友圈和转账记录，构成了一个极其精密的信用网络。拿这些数据去训练一个对外服务的AI，稍有不慎，就会引发毁灭性的隐私争议。即使是脱敏处理，只要AI过度介入了社交关系，微信那种去中心化的纯粹氛围就全毁了。所以腾讯的AI路线，很可能跟苹果想到一起了，押注端侧智能。就是让AI模型变小，直接在用户的手机本地运行。用户的数据不出手机，但AI还是能为你服务。这想法很超前，但需要等芯片算力和模型压缩技术再成熟一些。说白了，它们都不希望AI变成一个咋咋呼呼、抢尽风头的第三者。微信和苹果理想中的AI，应该是像水电煤一样的东西。你不在乎它们从哪里来，你只享受它带来的流畅体验和动力就行了。这背后体现了两家巨头共同的商业哲学，在底层技术尚未标准化之前，它们绝不会拿核心资产去做豪赌。4、一场必要的压力测试看到这里，大家可能会想：说了这么多，它们不就是因为船大难掉头，所以落后了吗？毕竟在当下的舆论环境，大家都喜欢看英雄迟暮和新王登基的戏码。别急，我们不妨回头看看历史。第一代iPhone出来时，诺基亚的高管们笑着它不耐摔、没键盘。微信诞生前，多少人觉得手机QQ已经够好了，不需要另一个聊天软件。现在，我们笑话苹果AI没新意，调侃腾讯AI只会撒钱，是不是有点像当年那些人？当然，并不是说它们肯定能赢，想表达的是，拿衡量轻装上阵的初创公司的标准，去评价微信和苹果这种生态巨头，本身就是一种逻辑错位。它们的困境，恰恰是因为它们太重。这份重，是数十亿用户的信任，是万亿市值的责任，是一个已经运转良好、不容有失的数字和物理世界。科技史有时挺公平。最初的热闹过去后，决定下一个十年的，往往是那些能提供最稳定、最深度的产品。当AI度过了毛躁的青春期，不再爱出错时，微信和苹果所擅长的系统整合能力，才会真正显露杀机。到那时，它们要做的，可能不是推出一个最会聊天的AI，而是更可能，默默地为行业定下新的规矩：告诉全世界，一个真正可靠、自然、尊重人的AI，到底该怎么融入我们的生活。今天的困境，对它们而言，或许只是一场必要的压力测试。巨轮调头是慢，可它一旦对准了方向，激起的浪花足以改变航路。【版面之外】的话：很多时候，我们容易陷入一种速度崇拜。在科技行业，快似乎代表了一切真理。但是对于微信和苹果来说，我们要意识到，他们之所以成功，不是因为他们总能率先发明什么，而是因为他们总能让复杂的技术变得顺手。现在的AI太显眼了，需要用户去适应它，去学习它的指令，去容忍它的错误。但在微信和苹果的理想世界里，AI应该是消失的。它不应该是一个吵闹的对话框，而应该是当你拿起手机、打开微信时，那种丝滑、精准且理所应当的服务体验。这种消失感的打磨，才是最难的工程。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
手机上80%的App面临失业？
GitHub上的开源项目OpenClaw近期迅速走红。在与YCombinator的访谈中，创始人PeterSteinberger抛出一句话：“未来的操作系统不再需要图标，只需要意图。”他甚至激进地判断，80%的App将因为不再被主动打开而自然消亡。这并非危言耸听，而是三种交互结构正在重塑“入口”。01.调度层重构：OpenClaw的“蜂群”思路OpenClaw不依赖单一模型，而是在后台协调多个Agent分工协作。它像一个中控台，让AI从“回答者”变成“执行者”。尽管目前在多步骤规划上成功率仍有衰减，但它证明了：在App之上，已经可以建立一层新的执行结构。02.硬件层接管：豆包手机的“视觉暴力”字节跳动选择了更直接的路径——不等待接口开放，利用视觉识别让AI自己“用App”。这验证了界面层接管的可能性，但在当前30TOPS的端侧算力瓶颈下，跨应用操作仍面临延迟（约3秒）与成功率（约50%）的现实挑战。方向已验证，但摩尔定律还需要时间。03.系统层洗牌：Apple与Google的攻守易形更深层的变化来自金钱流向。过去十年，Google每年向Apple支付约200亿美元保住“默认搜索框”；而据彭博社报道，未来Apple可能反向支付10亿美元以接入Gemini。这意味着入口的定价权已变：流量分发不再靠搜索框，而靠系统级AI。App不会消失，但角色正在边缘化。当AI能直接理解意图并跑通流程，“打开App”将不再是第一步。未来的手机将以意图为起点，而App终将从“交互终点”退化为被AI调用的“数字管道”。入口权的迁移，已经开始。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
AI能订酒店了，旅游中间商慌不慌
你有没有发现，这两年订机票和酒店时，你越来越少认真搜攻略了？以前你可能会搜索、对比、翻评价、选房型，再慢慢决定；现在更常见的场景，是刷到一条内容，看几条评论，直接下单。甚至，你已经开始习惯直接问AI：“我三天去成都，帮我排个行程。”对消费者来说，这是体验升级；对行业来说，这是决策权结构的变化。平台裁员是这种变化最直观的外化信号：近年来即便全球旅游需求持续恢复，Expedia、Traveloka等大型OTA仍陆续精简组织。一个反常问题浮出水面：越来越多人在旅行，为何平台却不再需要那么多分发和运营岗？最近在巴厘岛举行的HBXGroupMarketHubAsia交流活动，提供了一个很好的切口，把镜头从C端拉到B2B分销中间层，答案会更清楚。HBXGroup（Hotelbeds母公司）正好站在这层中间地带：一端连酒店库存和价格规则，一端连各类渠道与卖家，其系统每天要处理约78亿次搜索请求。它不需要讲故事，它只需要回答一件事——什么产品、什么价格、以什么规则，能被系统卖出去。也正因为分销处在供给与渠道之间的中枢位置，当决策越来越交给算法时，最先感受到变化的，往往正是这一层中间商。从HBXGroup最新披露的2026财年第一季度数据来看，其整体交易规模（TTV）同比增长16%，达到20.23亿欧元。但收入仅同比增长5%，整体变现率（takerate）约为8.4%，比去年同期下降约0.9个百分点。简而言之：交易在涨，但每一笔交易留在平台的钱更少。与此同时，MEAPAC（中东、非洲与亚太）已经成为HBX增长最快的区域，季度交易规模增速达到20%，但也是公司三大区域中takerate最低的市场。从长远趋势来看，规模扩张无法单纯依赖渠道铺设或价格优势，而必须建立在更高交易效率之上——包括更精准的需求判断、更灵活的动态定价，以及更高效的供给调度能力。也正是在这一现实约束下，AI的角色定位发生明显变化，不仅是提升内部效率的工具，更是贯穿定价、分发、撮合交易与履约的一套“交易决策引擎”。相关能力开始被产品化，并逐步输出给酒店端与合作伙伴，用于支持实时调价、需求预测和库存配置。简而言之，增长潜力和竞争压力都在亚太，而AI投入正好指向交易效率与定价能力。01真正的变化不在AI，而是决策权很多人把这一轮变化理解为“AI更聪明了”，但真正发生的，是旅行决策正在从用户界面，迁移到系统内部。过去，决策权在用户手里：你搜什么、比什么、选什么，平台只是把库存摊开给你看。现在，决策权前移到系统：筛选、排序、组合先在后台完成，用户看到的只是系统已经裁剪过的结果。搜索、比价、规划这段原本由人承担的决策链路，正在整体被系统接管。用户省下的是时间，行业失去的是“页面时代”的定价权。行业关注点，正在从流量入口，转向谁能真正组织一笔交易。把目光放回中国市场，会发现许多在海外被视为“下一代分发形态”的变化，在国内早已成为日常。在小红书、抖音等平台上，消费决策早已脱离“搜索—比价—筛选—下单”的路径，更多是在同一个内容场景中完成触达、建立信任并直接成交。发现、影响与交易被压缩在同一流程里，而算法在其中实际承担着最关键的一步——决定用户会看到哪些选项。对多数用户而言，真正的决策空间，早已发生在算法完成筛选之后。你并不是在全市场里挑选，而是在系统为你构建的一小部分候选集中确认结果。中国超级App生态，本身就是这种分发逻辑的提前样本。用户并不关心背后是OTA、品牌官网还是第三方系统，只在意是否顺手、是否能立即完成购买。随着生成式AI和个人助手进入消费场景，算法正在从“信息过滤器”升级为“决策组织者”，开始直接承担目的地判断、行程组合与产品匹配，甚至在授权前提下完成下单。从你在算法提供的选项中选择，正在走向由算法替你完成选择。也正是在这样的环境下，“未来的旅行决策者不一定是你”这句话，正在逼近现实。02技术重构分发，抬高供给侧生存门槛在这种新的游戏规则下，旅游业者的竞争焦点正在发生根本性偏移。过去你可能是在和平台争夺曝光，或者和同行厮杀价格，现在则是在争夺一个更底层的基础：你的产品，是否具备被算法瞬间调用的能力。在以代理系统为核心的新分发体系中，分发的决定权已经从流量渠道转向数据结构。如果说过去只要能上架、能买流量，就有机会成交，那么现在的准入条件，已经变成了产品本身的结构化程度。当用户把行程交给AI助手时，如果你的价格规则、库存状态、退改政策，甚至房型标签无法被机器稳定解析，哪怕你在社交媒体上再红，在算法的世界里也等同于不存在。这种透明而冷酷的机器筛选，正在快速收紧供给侧的准入边界。更进一步看，真正被AI重构的，并不只是分发方式，而是整个行业的定价权和履约标准。当下一个下单者从人类变成系统，酒店和供应商面对的考题就变成了一组极其具体的能力指标：你的权益边界能否自动校验，你的退改规则是否可以被实时判断，你的产品标签是否支持系统直接组合行程。这些技术颗粒度将直接决定你是否还能留在可成交的池子里。当算法成了新的采购方，你的产品还能被它“上架”吗？如果进不了交易流程，流量再大也只是热闹。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/14
科技赋能居住革命，5G+AI装修管理软件寻求资源支持
在房地产行业步入深度调整期的今天，如何有效去化库存、提升居住品质，已成为关乎经济与民生的双重课题。在这一背景下，一项旨在通过前沿科技重塑行业生态、改善人居体验的创新项目正悄然萌芽。由拥有近十五年房地产行业经验的资深人士代晓光创立的“5G+AI数智化装修管理软件”项目，试图为这一复杂难题提供全新的技术解决方案。从行业痛点到民生使命：一个创业者的初心该项目的诞生，并非偶然。创始人代晓光在房地产领域深耕近十五年，亲眼目睹了行业的起伏与变革。他深切体会到，当前房地产领域所面临的问题，远远超出经济范畴，更紧密关联着普通百姓的生活质量与社会福祉。商品房库存去化缓慢、装修过程不透明、居住体验参差不齐等现象，不仅影响市场健康，也间接牵动着农村留守儿童、城市务工家庭、养老居住环境等多元社会议题。基于这样的观察，代晓光坚信，唯有真正扎根行业、理解痛点的人，才可能找到可持续的解决路径。他怀揣着“通过技术改善居住民生”的强烈使命感，主导研发了这款整合5G通信与人工智能技术的装修管理平台。在他看来，房地产是民生保障的重要一环，只有让人住得更好、更舒心，整体社会的幸福感才能真正提升。这也构成了该项目最核心的创业初心与价值导向。5G+AI：重塑装修全流程的数智化引擎该项目并不局限于某一环节的优化，而是旨在对装修全过程进行系统性的数字化重塑。其技术核心建立在5G与人工智能的深度融合之上。借助5G网络高带宽、低延迟、广连接的特性，软件能够实现装修过程中设计方案、施工进度、材料加工、物流配送、质量验收这五大关键节点的数据实时同步与多方共享。这意味着业主、设计师、施工方、材料供应商等各方可在同一平台上无缝协作，彻底告别信息孤岛与进度黑箱，实现全过程的可视、可管、可控。而在用户体验侧，AI技术则扮演了“场景增强”的角色。通过高精度三维建模与虚拟现实技术，系统能够将大型家电、定制家具、软装搭配等元素，以高度逼真的方式沉浸式呈现给消费者。购房者或业主可以在决策前“预览”未来家的样貌，甚至模拟不同光照、布局下的生活场景，从而极大提升参与感与满意度，减少后续纠纷与修改成本。对接政策与展望未来：一条稳健可行的发展路径尽管项目构想宏大，且被团队视为在商业与技术模式上均具备创新性，但其发展策略却尤为注重稳健与合规。代晓光明确表示，项目的推进离不开与政府主导方向同频共振。当前阶段，核心挑战并非资金，而是亟需获得相关政府资源的支持与协同，以推动模式在真实场景中的落地验证。这一思路已初见成效。据悉，项目方案已于近期按程序上报至相关中央部委，建立了初步的沟通。这为项目后续与地方试点、产业政策对接奠定了重要基础，也体现出项目寻求在规范框架内助力行业转型升级的思路。展望未来，团队的愿景并未局限于国内。一旦模式在本地市场得到成功验证，他们计划将这套系统与运营经验拓展至海外市场，尤其是那些同样面临建筑业数字化转型需求的国家和地区，展现出立足中国、面向世界的技术自信与商业雄心。科技的温度，在于服务民生对于代晓光而言，房地产归根结底是服务于人的行业。他的心得体会朴素而深刻：“只有让百姓住得踏实、舒心，社会发展的根基才会稳固。”这个5G+AI装修管理软件项目，正是他将科技能力与民生关怀相结合的一次重要实践。在行业转型的十字路口，或许正是这种以技术为手段、以人为尺度的创新，能为中国房地产市场的健康发展与人民居住品质的提升，开辟出一条兼具效率与温度的新路径。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/13
软件没有死，但“通用软件”已死
AI时代如何投资软件：谁会被颠覆，谁会发展壮大？近期，软件股正在遭受重创！这种下跌并非针对特定标的，也非战术性调整，几乎是无差别的打击。观察当下的行业现状，与其说是板块轮动，不如说更像是一场大清算，甚至到了彻底投降的地步。无论是增长领头羊、赛道赢家、基础设施平台，还是通用型SaaS或垂直型SaaS，全都在同步跌落。我今天在X上看到的一张图表，极其直观地展现了这种残酷现状。在数十家知名软件公司中，股价较近期高点的回撤幅度非常集中。这种跌幅通常只会在企业面临生存危机时出现，而非仅仅源于周期性的不确定性。这不是板块轮动，这是在投降。看来在投资领域，“硬件”已经成了新的“软件”。——PaulAndreola我最近看到一条推文，完美捕捉到了这种情绪。文中提到，眼下的波动已经超出了普通回撤的范畴，那些在一年期限内输不起的投资者，正对整套商业模式丧失信心。不确定性一旦增加，细节上的差异往往会被忽略。大家开始精简持仓，抛弃复杂的投资逻辑。软件股不再被视为商业模式各异的集合，而变成了一个同涨同跌的单一交易标的。与此同时，软件行业的竞争边界正在发生明显变化。以往定位为券商平台的Robinhood，现在正尝试将全方位的报税服务、遗产规划以及专门的理财顾问功能集成到一个应用中。这不仅仅是产品线的扩张，也预示着软件类别、金融服务和专业服务之间的传统界限正在瓦解。随着软件开发成本降低、分发变得更容易，相邻行业开始产生碰撞。投资者不再纠结颠覆是否会发生，转而关注它将从哪里率先突破，以及会对现有的利润池造成多深的打击。正因如此，最近一期由GokulRajaram担任嘉宾的《InvestLiketheBest》播客节目对我来说显得格外重要。我曾总结过该节目许多期的核心观点，最近的一期是关于HenryEllenbogen的访谈。在此，我想再次向主持人PatrickO'Shaughnessy表达谢意，感谢他通过免费分享这些节目内容所创造的巨大价值。Rajaram曾在Google、Facebook、Square和DoorDash负责过产品打造，并投资了700多家公司。在对话的前半部分，他并没有复述AI将改变一切这类空泛的论调。相反，他提出了一套思维模型，旨在区分哪些软件业务在结构上极易受到冲击，而哪些又具有出人意料的韧性。当你把他的观点串联起来时，比如关于记录系统、定价模式、数据持久性、工作流深度和产品黏性等，一套清晰的分析框架便浮现出来。这套框架能帮助投资者更精准地判断，哪些软件股最容易被颠覆，而哪些公司其实拥有比市场认知更深的护城河，正在默默地保护着自己。在接下来的内容中，我将尝试重构并扩展这一框架。它并非一份简单的核对清单，而是探讨AI智能体时代软件经济学与持久性的一种思维方式；最终，它也将作为一个视角，带我们看清这场行业多年未见的、极为盲目的抛售潮。问错了问题如果你观察大多数关于AI和软件的讨论，就会发现话题往往集中在一个非黑即白的问题上：AI到底会不会颠覆软件公司？这种视角很有诱惑力，因为它足够简单，但也带有很强的误导性。颠覆是否会发生并不是重点，核心在于它发生的位置、演进的速度，以及软件栈的哪些层级在结构上暴露在风险中，哪些层级则拥有天然的屏障。GokulRajaram提出了几个观察软件业务的角度，用以评估其脆弱性或防御能力。▍1.记录系统与其它一切软件Rajaram在这方面做了一个区分，他认为市场目前很少能对此准确定价。他指出，传统软件公司可以归为两类本质不同的范畴：记录系统，以及按效用或结果定价的软件。“当下最该感到忧虑的，是那些将产品定价与效用挂钩的软件公司”。并非所有软件都是一样的。有些系统位于公司运营的核心。另一些更接近表层，在不引发组织性冲击的情况下，它们的功能可以被复制、增强或逐渐替代。在多数企业的核心位置，都存在着所谓的记录系统。这些平台包括财务系统、核心ERP平台、CRM数据库、医疗记录以及法律档案库等，长期积累着企业的各种关键数据。这些系统早已超越了普通工具的范畴，承载着企业多年运营积淀下的家底。更换这类系统，从来不只是一个简单的技术问题，更是一项足以左右个人前途的重大抉择，背后潜藏着巨大的职业风险。正因为动到底层根基的代价太高，哪怕市场上出现了明显更优秀的替代方案，往往也难以在企业内部真正落地。每个垂直行业都有自己的记录系统，其中既有根基深厚的老牌厂商，也有近年崛起的新秀。这类系统存储了该行业绝大部分的核心数据，比如法律行业的Filevine或Clio，销售领域的Salesforce，以及医疗领域的Epic。以Salesforce为例，你不能只凭一句“我的产品更优秀”就想取而代之。看看CRM系统里装载的内容，那是企业的客户档案，而客户支持系统则记录着客户的各种反馈与诉求。除非你能提供一套简单且无缝的方案，把Salesforce、Jira或Zendesk里的数据完整搬迁过来，否则客户绝不会轻易搬家。实际上，光是开发出这样一套迁移机制，往往就需要投入长达2年的精力。过去十年，在这些记录系统的周围，涌现出了一层日益庞大的软件生态。这些工具的作用在于自动化流程、提升协作效率、提供数据分析或优化特定功能。它们虽然很有价值，却不具备基础性的地位。在很多情况下，这些工具并不直接拥有核心数据，其运作高度依赖背后的记录系统。在AI智能体时代，这种依赖关系成了决定胜负的关键。核心洞察在于，AI原生产品自然会先从外层软件下手。它们无需取代核心系统就能创造价值，通过伴随在系统侧边拦截工作流、自动化任务，就能逐步削弱现有软件的商业地位。正因如此，软件行业的颠覆在早期阶段往往悄无声息。此时一切看起来依然运转正常，客户也没有大规模流失。然而，客户购买的账号席位开始缩减，使用的功能也在变少，他们转而更多地依赖外部自动化方案。这种静悄悄的转变会逐渐掏空现有的商业模式，却不会触发任何重大的系统搬迁或数据迁移。这种态势也解释了为何老牌软件公司的防御色彩日益浓厚。当核心平台意识到外部智能体正将自己视作“毫无灵魂的数据库”时，它们的直觉反应就是收紧访问权限、捆绑竞争性功能，或者针对数据提取收费。其中的战略逻辑非常清晰：如果价值正通过接口不断外溢，那么接口本身就成了短兵相接的战场。“到了2024年，情况发生了变化。这些老牌软件商发现，那些新兴的AI和智能体公司正在逐步接管它们的功能，仅仅把它们当成一个存数据的‘原始仓库’。于是从去年开始，你会看到这些公司纷纷收紧策略，切断了API的访问权限。”对于投资者来说，核心系统与外围软件的区别不仅是技术上的细节，更是衡量被颠覆风险的首要结构化维度。如果一家公司的产品已经深深嵌入客户的业务运作肌理，它所遵循的商业逻辑，与那些仅仅叠加在现有基础设施之上的软件有着本质区别。随着软件开发门槛的降低，以及AI智能体能以极低的边际成本复制各种功能，软件栈的外层已经沦为各方激战的战场。核心层虽然目前黏性更强，但恐怕也无法永远高枕无忧。▍2.定价模式：是隐形的护城河，还是潜在的“负债”？投资者在谈论软件公司的护城河时，焦点往往集中在产品功能、品牌实力、客户黏性或网络效应上。定价模式很少被列入其中，因为在大家看来，它似乎是次要的，甚至只是某种修饰性的商业细节。然而，在AI驱动的时代，软件公司向客户收费的方式，或许是预判其会被颠覆还是能成功自保的核心指标。乍一看，定价似乎纯粹是一个商业层面的决策：是按席位收费还是按使用量计费？是采取订阅模式还是消耗模式？以按人头计费（席位制）的软件为例。在过去几十年中，这种模式几乎就是SaaS成功的代名词。企业将许可证卖给具体的员工，每一个席位都对应一个职能岗位，营收规模则直接取决于客户的员工人数。在那个由人类主导工作、软件仅提供辅助的时代，这套商业逻辑运作得天衣无缝。然而，随着AI智能体的介入，这套逻辑开始土崩瓦解。如果智能体能够代劳原本由人类处理的部分工作流，企业所需的账号席位就会不可避免地缩减。这种变化不会在一夜之间爆发，也不会引发激烈的系统更迭，它往往以一种循序渐进、甚至让人难以察觉的方式悄悄演进。Zendesk就是一个很好的例子。从根本上讲，Zendesk是按席位计费的，每一个席位都对应着实际的产出效用。也就是说，每个席位都代表一名处理特定工单量的客服人员。这类公司确实应该感到担心，因为我完全可以在Zendesk系统的基础上接入AI智能体，从而慢慢分流掉原有的工作量。企业不再需要购买50个席位，可能减到20个就够了，剩下的空缺由30个AI智能体来补位。这种蚕食是渐进发生的。客户不需要做一个孤注一掷的决断，这更像是一个灵活且可随时调整的“双向门”决策。在我看来，这类公司正处于最危险的境地。这正是某些软件品类在结构上更容易受到冲击的原因。当定价模式与人力投入深度绑定时，AI根本不需要通过取代产品本身来打击公司的盈利模式。它只需减少原本该软件所需的人力投入，就能让软件商的收入大幅缩水。这本质上就是目前市场看空Adobe的核心逻辑。相比之下，那些定价与数据、产出成果或系统级功能挂钩的软件，其表现则大不相同。如果一个平台掌握着长期积累的核心数据集，或者运行着关乎生死存亡的关键流程，它的价值就很难被拆解成一个个可以被轻易替代的零件。即便AI智能体可以增强或自动化部分工作流，核心系统依然稳如磐石。在这种情况下，定价模式背后体现的是一种更深层的掌控力。这类公司卖的不再是简单的账号席位，其实质在于提供对企业“运营家底”或“业务骨干架构”的使用权。那些被颠覆风险较低的公司，其产品的核心价值不再由席位数量决定，其底气源于长期积累和沉淀下的深厚数据。数据随时间沉淀的价值越高，公司的防御能力就越强。以ERP系统NetSuite为例，先撇开其具体的收费模式不谈，由于它实际上掌控着整个企业的核心业务流，具有极强的不可替代性。在这种背景下，很难想象会有人为了替换它而押上自己的职业前途，因为这种冒险缺乏足够且令人信服的理由。这种差异解释了软件行业的一个怪现象。在AI叙事的冲击下，有些公司表现出惊人的韧性，而另一些公司即便产品普及度极高且口碑载道，依然显得弱不禁风。这种脆弱性的根源未必在于技术层面的落后，更多时候取决于底层的商业模式架构。即便一家公司拥有卓越的产品，如果其定价模式允许竞争者逐步蚕食其业务价值，它依然难以自保。与此形成鲜明对比的是，某些公司的产品或许并没那么光鲜亮丽，但由于其定价逻辑植根于某种难以被复制或绕过的核心资产，这类公司反而展现出了极强的生命力。虽然企业理论上可以把商业模式从“按人头计费”转向“按量计费”，但GokulRajaram指出，这种转型过程极为痛苦，通过私有化来完成或许是更好的选择。“这些公司需要将定价模式改为按效果收费，并且产品的研发逻辑也要随之调整。这绝非易事，因为你原本能稳定赚取每个席位20到30美元的收入，现在却要改成按每解决一个问题收一美元甚至几毛钱，谁也无法预料最终的财务表现会如何。由于这种定价模式的转变极具挑战，我认为其中不少公司可能需要通过退市私有化来完成商业模式的重塑。对一家上市公司来说，这种转型带来的压力和不确定性实在太难承受了。”▍3.数据半衰期如果说定价模式揭示了软件业务的脆弱程度，那么数据则指出了背后的深层原因。各种数据的价值并不等同，它们“老化”的速度也大相径庭。在AI智能体时代，一家软件公司能否长久生存，正日益取决于它所掌控的信息是否具有持久的价值。有些软件产品产生的数据具有极强的瞬时性。比如即时消息、待办任务、短期协作以及碎片化的交互记录，尽管这类数据在产生之初很有用，其价值却会迅速流逝。随着时间推移，这些数据的关联性逐渐减弱，预测能力不断缩水，战略意义也随之消散。一旦AI智能体复现了这类产品的功能，底层数据几乎无法提供有效的保护。如果未来的系统能轻而易举地重构过去的业务流，那么所谓的历史积累也就失去了防御价值。另一些软件平台所积累的数据，其性质更接近于企业的运营家底。财务记录、客户往来史、供应链关系、合规档案以及运营日志，这些内容不仅仅是软件使用过程中产生的副产品，更是构成企业自身的血肉骨架。替换一个承载着此类数据的系统，早已超出了技术项目的范畴，对于依赖它的企业来说，这往往是一场关乎生死存亡的冒险。正是这种差异，解释了为什么某些软件公司即便技术架构显得陈旧，在变局面前依然稳如泰山，而另一些公司虽然产品时尚且用户活跃度极高，却始终笼罩在危机感中。衡量风险的核心变量并不在于创新的快慢，真正的关键在于系统中所积淀数据的“半衰期”长短。当数据拥有较长的半衰期，AI智能体便难以将其绕过。即便AI可以实现工作流的自动化、增强决策能力并优化交互界面，却很难凭空重构几十年积淀下的档案记录、人脉关系以及各种隐性知识。由此产生的是一种结构性的防御力。这种力量通常不会体现在功能参数的对比表或产品演示中，而是深藏于巨大的系统迁移阻力与组织变革风险之中。“像ERP系统，甚至像Salesforce这种承载着销售数据与档案的平台，里面存储的是真实的客户资产。想要撼动它们，绝非易事。”相比之下，如果数据的价值流失得很快，AI智能体几乎能瞬间发起竞争。它们不需要重构过往的历史信息，只要能复现现有的功能即可。随着时间推移，这种局面会引发一场微妙却强力的价值迁徙。原有的软件系统会逐渐失去吸引力，价值将流向那些能够摆脱旧有架构束缚、且能交付同等成果的新层级。“以Slack为例，它的处境恐怕更加危险。Slack内部存储的数据大多缺乏跨越时间的生命力，其‘半衰期’非常短暂。”对投资者而言，最关键的问题在于，数据能否在对客户或组织真正有意义的时间跨度内持续发挥作用。如果一家软件公司的数据在短短几个月后便失去意义，那么它所处的赛道，与那些数据价值能随年岁增长而不断积淀、产生复利效应的公司，完全是两码事。▍4.工作流深度测试每家软件公司都同时运作在两个截然不同的现实层级上。一个层级关乎数据，另一个层级则关乎行动。我们在第一部分讨论过的“记录系统”构成了第一个层级。这里是信息随时间不断积淀的场所，存储着企业的运营家底，也编码了组织运行的真实逻辑。想要替换这种系统确实极难，因为这无异于改写历史。然而，绝大多数的颠覆往往并不会从这里拉开序幕。工作流深度则属于第二个层级。它体现了一款产品在多大程度上介入了基于这些数据的决策过程与执行环节。有的产品仅能完成某些单一任务的自动化，而有的产品却能协调由逻辑判定、审批流程、例外处理以及组织行为交织而成的复杂链条。这种深浅之别，决定了AI智能体是否能在不重构企业底层运行逻辑的情况下，真正实现对该软件功能的有效替代。其次，你需要锁定高价值的工作流。这些工作流应当具备足够的深度与复杂度，并且需要调用特定的定制化数据。在企业软件的早期阶段，大部分产品只是服务于人类的工具。虽然它们能辅助工作流，却无法从根本上独立完成任务。AI的出现彻底改写了这种互动关系。当软件进化为智能体，它不再仅仅扮演辅助角色，而是开始接管并执行工作流。这也正是颠覆很少从记录系统开始的原因。变革往往源于那些与核心系统对接的简单流程。这些流程大多具有重复性、遵循特定规则且高度标准化，AI可以在不触动企业数据底座的情况下实现自动化。“我认为这个赛道的一大挑战在于，底层模型的能力正变得如此之强，以至于如果你试图创办一家业务逻辑‘轻薄’、没啥门槛的公司，那些基础模型厂商分分钟就能把你吞并。”因此，从AI原生公司的视角来看，战略目标并非直接挑战“记录系统”本身，而是盯上建立在其之上的“工作流”层。通过将一个切口虽小但价值极高的特定流程实现自动化，智能体能够为企业带来立竿见影的经济效益。这为老牌软件公司制造了一个悖论：“记录系统”固然难以更替，但构建其上的工作流往往脆弱得令人意外。一个工作流与组织逻辑纠缠得越深，自动化就越困难；反之，如果它越浮于表面、越模块化，就越容易被拆解。过去十年间崛起的许多SaaS公司恰恰处于这个危险的“中间地带”，它们的复杂度足以支撑其订阅制收费，但模块化程度又高到足以被AI智能体像剥洋葱一样，一层一层地剥离。因此，对于投资者而言，工作流深度测试是对“记录系统”分析的有力补充，而非替代。核心问题不再仅仅是这家公司是否拥有关键数据，而是它所攫取的价值，是否与其围绕数据构建的执行逻辑达到了血肉相连、不可分割的程度。▍5.其他结构性优势？到目前为止，该分析框架的重点一直落在软件本身，即定价模式、数据耐用性以及工作流深度。但如果AI降低了软件的开发门槛，并让功能的复制变得易如反掌，那么生命力最强的公司，将日益趋向于那些护城河延伸至软件之外的企业。换句话说，核心问题不再是产品在技术上是否领先，而在于其业务是否在结构上与那些纯软件手段难以复刻的现实因素深度纠缠。在传统的SaaS时代，防御力往往源于规模效应和分发能力。但在AI时代，这些优势的瓦解速度正在加快。模型在持续进化，智能体变得越来越廉价，交互界面也逐渐趋于通用商品化。真正难以被复制的，是那些处于软件与物理世界、金融体系、监管合规或社会关系交汇点上的事物。某些公司通过将自己植入难以重建的网络中，从而获得持久的生命力。Gokul：“在AI时代，我认为黏性主要源于几个方面。首先，你必须具备网络效应。比如DoorDash之所以有黏性，并不只是因为它有一款精美的App，而是因为它构建了一个由餐厅、配送员和消费者组成的庞大网络。你不能只攻击其中一环，你必须……”Patrick：“你没法靠‘氛围感编程’（Vibecoding）凭空变出后面这两样东西。”另一些公司则通过成为资金流的中介来建立壁垒：“第二个关于黏性的例子，是当你的系统中承载着财务往来或资金流动时。许多记录系统（例如餐饮系统Toast）都集成了支付功能。我认为这非常有意思，因为你不能只做一个收银终端（POS），你还必须让资金在其中流转。看看银行就明白了，银行就是个很好的例子。一旦你使用了像Mercury这样的商业银行，你的资金流就会锁定在其中，很难切换，因为这背后嵌入了监管合规等一系列复杂因素。所以，我非常看好这种‘金融服务+软件’的组合模式。”……此外还包括合规义务，或者是实际的物理运营基础设施：“第三种黏性来自硬件。你可以拥有真实的物理载体。Toast也是一个绝佳的例子，他们会免费给你提供硬件设备，但如果你想退货，就得付钱。无论如何，硬件就摆在那儿。竞争对手不能只开发一套软件就完事了，他们必须得拿着自己的硬件设备上门，把Toast的机器拆掉，再把自己的装上去。”这解释了为什么某些公司在剧烈的技术变革面前，依然表现出惊人的韧性。它们的价值主张不仅体现在功能层面，更是系统性的。想要取代它们，不仅需要重构软件，还要重构信任、网络、流程、硬件、法律框架以及经济关系——或者是这些因素的综合体。在这种语境下，切换成本无法用研发工时来衡量，而要用组织动荡程度来评估。“如今软件的半衰期极其短暂。除非你拥有某些能让它长久生存的特质——汉密尔顿·海尔默（HamiltonHelmer）曾提出过《策略七力》（7Powers）。你必须确保从第一天起，业务模式中就嵌入了这七种力量中的某几种，公司才具备生存根基。”总结：软件公司颠覆风险审计框架行文至此，一个清晰的评估范式已初现轮廓。我们可以通过以下五组核心矛盾，来审视一家软件公司的根基：记录系统（Systemsofrecord）vs.表层工具（Surfacetools）按席位定价（Seat-basedpricing）vs.基于数据的经济模式（Data-basedeconomics）长效数据（Timelessdata）vs.瞬时信息（Ephemeralinformation）深层工作流（Deepworkflows）vs.浅层自动化（Shallowautomation）持久结构优势（Durablestructuraladvantages）vs.浅层优势（Shallowones）拆开来看，这些观点直观易懂；但合而为一，它们构成了一套极具杀伤力的评估工具，能帮我们洞察在AI智能体时代，一家软件公司究竟是稳如泰山，还是金玉其外。这种方法的价值并不在于它能板上钉钉地预判输赢，而在于它提供了一个更有意义的切入点：它迫使你打破“所有软件公司风险均等”的错觉。你不再只是机械地询问一家公司是否能“免疫AI”，而是开始深挖一系列结构性问题——它的价值到底根植于何处？这种价值被剥离的难度有多大？第一个问题：这款产品在客户的组织架构中，究竟扮演着什么角色？这个问题看似简单，实则一针见血。如果它身处运营数据与决策流程的核心，那么动它的代价和“政治风险”就会极高。反之，如果它只是寄生在现有系统之上的外挂，那么替换它可能只是为了图个方便，而非关乎生死。这种定位上的云泥之别，往往就是韧性与脆弱的分水岭。第二个问题关乎经济架构：这家公司是在将“人力劳作”变现，还是在将某种“独立于员工人数”的事物变现？如果营收规模随着席位、功能或那些AI能自动化的使用量而增长，那么这种商业模式就面临着被逐渐蚕食的风险。反之，如果营收与长效数据、合规义务或系统级产出挂钩，那么公司就站立在更坚实的地基上。第三个问题聚焦于时间：公司数据的价值能持续多久？如果昨天的信息到了明天就变得无足轻重，那护城河就很浅。如果数据的相关性在数年间不断复合增长（复利效应），那么颠覆它就不只是做一个更好的界面，而是需要重构整个组织的记忆。第四个问题考察工作流的拓扑结构：AI智能体是否能在不更换底层系统的情况下，直接复现核心工作流？如果答案是肯定的，那么这家公司就很容易被蚕食式替代；如果是否定的，挑战者就必须面对重建整个技术栈这一难如登天的任务。最后一个问题则跳出了软件本身：有哪些非软件类的结构性优势在支撑着业务？网络效应、金融链路、硬件部署、监管牌照以及组织习惯，这些都充当了隐形的防御堡垒。一家公司对这些结构的依赖程度越高，就越不容易被纯粹的软件创新所取代。综上所述，这些问题构成了一份颠覆风险审计表，让我们能从多维视角而非单一维度来看待软件业务。一旦你采用了这些理念，当前软件股的动荡看起来就不再那么混乱了。软件股并非一个同质化的资产类别，有些公司之所以更脆弱，并不是因为管理不善，而是因为它们的价值恰好位于那些极易被AI拆解的层级；而另一些公司则表现出更强的生命力，这并非因为它们对技术变革免疫，而是因为它们的优势深深植根于AI难以轻易复刻的资产之中。结论当前软件行业的抛售潮看起来惊心动魄，但背后其实有着理性的支撑。AI智能体确实正在从根本上改变许多软件股的尾部风险概况（即极端崩盘的可能性）。ThomasReiner在下方的推文中指出，即便一家公司能在未来15年内保持14%的增长（这已经远超一般的行业基准水平），其估值也“仅仅”相当于20到25倍的自由现金流（FCF）。我不太确定Rainer到底使用了多少折现率（DiscountRate），所以我自己重新算了一遍：如果按10%的折现率计算，其内在价值确实就在20倍自由现金流（FCF）左右。我之前曾提到，投资者需要保持一份谦逊，去正视我们正在见证的这种指数级技术跃迁。你真的敢拍胸脯保证，某只软件股X、Y或Z在15年后还会存在吗？“这类分析（如现金流折现模型DCF）包含两个核心假设。当然，假设远不止两个，但我重点点出这两个：1.留存率（RetentionRates）：你假设留存率会持续保持高位且稳定，这样你才能预测未来10年的稳定现金流。一旦留存率松动，现金流就会一落千丈。2.终值（TerminalValue）：你假设这门生意是有‘终值’的。换句话说，你假设它的终值不是0。那么现在发生了什么？这两个根本性的假设正受到前所未有的质疑，这就是估值雪崩的根源。”——JaminBall所以，我再次强调，目前的抛售在我看来并非完全失去理智——尤其是考虑到此前某些软件股那高高在上的估值。真正不理智的行为，是市场将那些本质上完全不同的（软件）商业模式“一刀切”，仿佛它们注定要走向相同的命运。事实果真如此吗？在某些情况下，确实如此。然而，如果我们回顾开篇提到的那个表格，你会发现，根据本文的框架，过去一年跌幅最惨重的几只股票，恰恰是那些在智能体（AgenticAI）时代防御力最为薄弱的商业模式（比如Wix、Duolingo和Figma）。当你学会透过记录系统、定价架构、数据半衰期、工作流深度以及非软件护城河这几层棱镜去观察时，软件行业就不再是一个面目模糊的整体。有些公司在结构上就极易被竞争者“蚕食”价值；而另一些公司则被深厚的数据引力、极高的迁移摩擦以及对现实世界流程的深度嵌入紧紧守护着。这两者之间的天壤之别绝非细枝末节，但如果你依然只盯着传统的SaaS指标（如ARR、NDR等）看，就极易与真相擦肩而过。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
这脑洞神了，两AI“互喷”，竟治好祖传科研软件95%老毛病？
过去几十年，科学计算领域诞生了无数开源工具，却鲜有能「开箱即用」。深势科技Deploy-Master以执行为中心，用自动化工作流一次性部署验证超5万个工具，为AgenticScience铺平道路。过去几十年里，科学计算领域积累了数量空前的开源软件工具。从生物信息学、化学模拟，到材料计算、物理仿真与工程设计，几乎每一个学科方向，都形成了自己的工具生态。在GitHub等平台上，成千上万个代码仓库声称可以被用于科研实践。但一个长期存在、却始终没有被系统性解决的事实是：绝大多数科学软件，停留在「被发布过」，而不是「可以直接运行」的状态。在真实科研实践中，我们往往需要花费数天甚至数周时间，反复解决编译失败、依赖冲突、系统不兼容等问题，才能在本地「勉强跑通」一个工具。这样的运行环境高度依赖个人经验，往往是临时的、不可移植的，也很难被他人复现或复用。每个研究者、每个实验室，都在手工维护自己的运行环境，而不是在一个共享、可复现的执行基础设施之上开展工作。这种模式带来的问题，并不只是效率低下。更关键的是，它在结构上限制了科学软件的三件事情：可复现性、大规模评估，以及系统性集成。即便容器化、云计算和HPC平台已经显著降低了算力门槛，这一「部署瓶颈」依然真实存在，并且长期制约着科学软件的可用性。随着AIforScience（AI4S）的兴起，这一问题被进一步放大。在新的科研范式中，AI系统不再只是输出预测结果，而是需要与真实的科学工具发生紧密交互：1.调用求解器；2.执行模拟程序；3.运行分析管线；4.处理真实数据。在这样的背景下，一个工具是否「真的能跑」，不再是工程细节，而是第一性问题。这一问题在AgenticScience场景中表现得更加尖锐。如果工具依赖隐含环境、执行高度脆弱，那么智能体的规划将无法真正落地，执行失败也无法被结构化分析，更不可能转化为可学习的执行轨迹。从这个角度看，工具是否部署就绪，已经成为制约AI4S与AgenticScience规模化发展的结构性瓶颈。基于这些观察，深势科技逐渐形成了一个判断：科学软件的问题，并不在于工具不够多，而在于缺乏一个能够将工具系统性转化为可执行事实的共享基础设施。Deploy-Master，正是在这一背景下被提出的。在真实世界中，部署并不是一个孤立步骤，而是一条连续链路：工具能否被发现、是否被正确理解、能否构建环境、以及是否真的可以被执行。Deploy-Master正是围绕这条链路，被设计为一个以执行为中心的一站式自动化工作流。SearchAgent，百万级仓库搜索在大规模场景下，部署的第一个难题并不在构建，而在发现。如果候选工具集合本身存在系统性偏差，后续所有自动化都会被放大为偏差。为此，他们从91个科学与工程领域出发，构建了一个覆盖AI4S实际应用场景的学科空间，并使用语言模型扩展搜索关键词，在GitHub与公共网络中进行大规模检索。初始召回得到的仓库，会作为「锚点」，通过依赖关系、引用关系、共享贡献者和文档链接等信号进行迭代扩展，从而避免仅依赖关键词搜索带来的盲区。随后，他们通过结构启发式规则剔除明显不可执行的仓库，并由agent进行语义判断，确认其是否构成一个可执行科学工具。通过这一多阶段漏斗流程，他们将最初约50万个仓库，收敛为52,550个进入自动部署流程的科学工具候选。这一步的意义，不仅在于筛选工具，更在于第一次以结构化方式刻画了真实科学工具世界的规模与边界。BuildAgent，双模型辩论在构建阶段，大家面对的并不是一个「有明确说明书」的世界。大量科学软件仓库的构建信息是零散的、不完整的，甚至相互矛盾的。README文件可能早已过期，已有Dockerfile也未必反映当前代码状态，而关键依赖往往只存在于作者本地环境中。BuildAgent会系统性地遍历仓库中的构建线索，并在必要时进行补充信息检索，生成初始构建方案。早期实验表明，仅依赖单一模型生成构建规格，成功率只有50%–60%，失败主要源于构建信息中大量隐含、未被显式表达的假设。为此，Deploy-Master引入了双模型评审与辩论（debate）机制：一个模型提出构建规格，另一个模型独立审查并主动寻找潜在不一致、缺失依赖或环境假设，提出修正建议。两者通过多轮交互，不断修正方案，直到形成稳定、可执行的构建规格。这一机制将整体成功率提升到了95%以上。每一个工具最终都会通过一个最小可执行命令进行验证。只有通过执行验证的工具，才会被视为成功部署，并被进一步结构化、注册和发布到玻尔与SciencePedia上，使其可以被直接使用，或被其他agent（例如SciMaster）调用。从构建时间的分布来看，大规模部署并不是一个「均匀」的过程。尽管大多数工具可以在7分钟左右完成构建，但整体分布呈现出明显的长尾特征。一部分工具仅包含轻量级脚本或解释型代码，构建过程相对简单；而另一部分工具则涉及复杂的编译流程、深层依赖以及系统级库配置，其构建时间显著更长。这种差异并不会阻止整体流程的推进，但它决定了部署在规模化条件下的成本结构。在成功部署的50,112个工具中，我们观察到一个高度异构的语言分布。工具覆盖了170多种编程语言，其中Python占据了最大比例，其次是C/C++、Notebook形式的工具、R、Java等。绝大部分语言部署成功率都稳定维持在较高水平。少数成功率相对较低的语言，主要集中在依赖复杂编译链或系统级库的场景，例如C/C++、Fortran以及部分R工具。这并不意味着这些语言「天生更难部署」，而是反映了其工具链对底层环境的耦合程度更高，从而放大了构建规格中的不确定性。从部署的角度看，语言本身并不是决定性因素，环境耦合强度才是。在2,438次失败的构建尝试中，他们对失败原因进行了系统性统计。结果显示，失败并非均匀分布，而是高度集中在少数几类问题上。最主要的失败来源是构建流程错误，包括构建步骤与仓库当前状态不一致、关键依赖缺失、编译器或系统库不匹配等。这类失败远远多于资源不足、网络异常或权限问题。与此同时，资源相关错误在高并发阶段也确实出现过，并直接推动了对调度策略和隔离机制的后续改进。这进一步说明，在规模化部署中，失败不应被视为异常，而应被视为系统暴露问题、进而自我修正的信号。通过统一的执行基础设施，他们得以系统性地观察科学软件在真实环境中的部署行为：哪些环节最容易失败、哪些隐含假设最常被触发，哪些工具链最容易放大不确定性。这种可观测性本身，正是Deploy-Master希望建立的基础之一。它让「科学软件难以部署」从一种经验判断，转化为可以被量化、被分析、被持续改进的工程对象。从可运行工具，到AgenticScience的执行地基Deploy-Master的直接产出，是一个由数万条执行验证工具构成的集合。但更重要的是，它为社区Agent与各类MasterAgent提供了一个长期缺失的基础前提。对Agent而言，工具调用并不是抽象动作，而是必须在现实环境中成功落地的执行过程。只有当工具被统一构建、验证并注册为可执行能力，Agent才真正拥有稳定的actionspace，规划、执行与学习之间的闭环才得以成立。这也使得不同来源的社区Agent，可以共享同一批经过执行验证的工具能力，而不再各自维护脆弱、不可复现的运行环境。这一方法论的意义，并不局限于科学计算。科学工具往往被视为自动化部署中最困难的一类：依赖复杂、系统耦合强、文档不完整、对环境高度敏感。如果在这样一个「最难场景」中，仍然可以通过以执行为中心的设计，在万级规模下稳定地产生可运行工具，那么结论已经非常清晰问题不在工具类型，而在于是否建立了以执行为核心的基础设施。这一判断同样适用于更广泛的软件工具生态：工程工具、数据处理系统、专业软件乃至各类AgentTooling。只要工具最终需要被执行，其部署问题就无法绕开「不完美信息」这一现实前提。Deploy-Master并未解决所有问题。异构硬件、分布式计算、语义级I/O接口以及与物理实验系统的闭环集成，仍然是未来需要面对的挑战。但有一件事情已经足够清楚：在AgenticScience时代，执行不是推理之后的附属步骤，而是所有能力得以成立的前提。当「工具能不能跑」不再是一个默认假设，而成为一个被系统性验证的事实，科学智能体才真正开始拥有与现实世界交互的基础。而Deploy-Master，正是迈向这一执行现实的一次尝试。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
软件会不值钱吗？黄仁勋在思科一句反问：谁会从零做工具
黄仁勋：AI会用工具而非重做工具，软件价值标准改变。这两天，全球软件股遭遇重锤。从印度到香港，从中国到纳斯达克，软件类股票普遍下跌。导火索是Anthropic发布的Claude更新，展示了前所未有的自动执行能力，能调取日历、理解流程、执行任务，直接切入传统生产力工具的核心领域。市场开始恐慌：AI会不会从头重做工具，彻底替代现有软件？就在这波集体焦虑爆发之际，黄仁勋出现在旧金山一场由思科主办的AI大会上，和思科CEOChuckRobbins对谈了近一个小时。他的观点很明确：AI不会重做工具，而是会用工具。就像人不会重新发明螺丝刀，AI也会直接使用已经成熟的软件，通过调用接口、组合功能来完成任务。真正的改变，不是工具被替代，而是使用者从人变成了AI。第一节AI不重造工具，而是用工具在思科现场，黄仁勋没有回避那个争议最大的提问：AI会不会取代现有软件工具？他先抛出一个反问：“如果你是一个AI，或者一个通用机器人，你会怎么做？重新发明一套全新的工具，还是直接使用已经存在、已经被验证有效的工具？”比如说：“你会用螺丝刀，还是从零发明一把新的？你会用锤子，还是重新设计锤子的原理？”答案显而易见：当然是直接用。所以黄仁勋的观点是：AI会用工具，而不是摧毁它们。这个道理看似简单，但市场的反应却完全相反。过去两年，业内一直在说AI是下一个操作系统，说AI会重写一切界面。黄仁勋认为，这个说法只看到了表象，却忽略了本质。真正的变化，不是软件被替代了，而是使用软件的方式彻底变了：以前，工具是给人用的：你点按钮、填表单、跑流程。现在，工具是给AI用的：AI通过调用接口、调度动作、组合功能，来完成一整套任务。这背后的技术突破，黄仁勋称之为“ToolUse”（工具使用）。他明确指出，最新一代AI的核心进展，不在于生成内容有多流畅，而在于能不能真正干活。比如打开浏览器、填写申请表、写代码、调服务，这些过去需要人手动操作的事情，AI现在都能自己完成。正因如此，他不断强化与Synopsys、Cadence、SAP、ServiceNow等传统工程软件工具企业的合作，而不是另起炉灶。这些现成软件早就被验证稳定、高效。AI要做的，不是重新创造它们，而是学会用好它们。这也意味着，原本被担心会过时的软件工具，反而变得更重要了。它们不再只是给人用的界面，变成了AI可以调用的功能模块。第二节软件变成了AI持续学习的载体AI会用工具。用完之后呢？会留下什么，还是什么都不留？这涉及到AI在未来组织中的位置。黄仁勋认为：未来的公司，不是让AI在人类的环里工作，而是让AI成为公司的环。过去，我们说的是人在环里（humanintheloop），AI只是一个助手、一个建议者，在特定时刻被调用。但黄仁勋认为，未来应该反过来：AI应该是那个始终在场、不断积累、持续记录的底层参与者。AI的角色变了，软件的角色也必须跟着变。从使用工具变成学习载体。以前软件只是工具，AI用完就完了。现在软件要承载AI的持续学习，让AI每次使用都能积累经验。这需要软件做到两点：第一层，软件的运行方式变了。以前是预录制的：你点什么，它跳什么，每个按钮、每条流程都是提前写死的。现在是实时生成的：AI根据你的意图，动态决定该调哪个模块、走什么流程、通知谁审批。你说我想发起报销，它就自动从对应系统调数据、填表、发送通知。每次执行的路径和结果，都可能不同。第二层，软件还需要记录每一次使用的经验。黄仁勋提到英伟达内部的部署时说，他不愿把所有敏感对话放在云端，而是在本地建了AI系统，只为一件事：记住我们问过什么问题。为什么？在他看来，企业最值钱的，不是答案，而是问题本身。因为问题代表了企业在意什么、曾遇到过哪些挑战、判断过什么方向。这些问题，就是企业的经验、认知和节奏。所以未来的软件不是用一次就完，而是每次使用都会留下记录，积累成企业的知识资产。这些记录不是静态存档，而是可以被后续的AI调用学习、形成更好的判断。通过软件，企业的所有动作和思考逐渐沉淀为可复用的流程。这就是黄仁勋提出的核心理念：让AI始终在场、全程参与，让软件成为能够持续进化的平台。第三节什么软件适合AI工厂？能被高频调用的软件要成为AI持续学习的载体，关键看它能否融入AI的工作场景。黄仁勋描绘的场景是“AI工厂”，AI不是偶尔帮个忙，而是持续运转、完成生产任务。在这样的场景下，软件必须满足一个核心标准：能被AI高频调用。具体来说，就是有API接口、能程序化调用。拿芯片设计来说，过去是五个工程师在不同软件间切换、手动整合。现在AI同时接入设计工具、内部文档、设计规范，就能自动完成整个流程，而且更快。这个转变背后，是软件价值标准的重构。以前软件值钱，看用户数、收费规模、粘性强度。现在看的是AI能不能调、能不能高频调、能不能生成结果。软件的使用形态也随之改变。从交互界面变成任务节点，不再是人去点，而是AI去调；不再靠界面吸引用户，而是靠API吸引AI。既然价值标准变了，软件企业该做什么？黄仁勋给他们的建议很实际：先盘点现有工具。哪些工具有API接口？哪些系统可以通过代码调用？哪些流程能被程序化执行？这些就是AI能立刻用起来的工具。而那些只能靠人工点击、手动操作的工具，需要考虑是否加上接口、开放调用能力。这不是否定软件，而是重新定义软件的位置。软件不再是终点，而是AI工作流程中的入口。软件的战场，已经从争夺用户，变成了争夺AI的调用。结语软件终于被用起来了“谁会从零做工具？”黄仁勋的这句反问，说清了一件事：软件没死，只是位置变了。它不再是人机交互的终点，变成了被AI调用、组合、嵌入的起点。软件价值标准也变了：“不是功能多不多，而是AI能不能调得动。”最终的问题不是软件会不会被淘汰，是你们的软件产品，AI用得上吗？本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
为什么越来越多的软件被“用完即弃”？
软件快消品化，对企业系统意味着什么？在很长一段时间里，软件在企业中的地位几乎没有被质疑过。一套系统一旦上线，就意味着长期运行。ERP、CRM、MES、PLM等核心系统，往往以五年甚至十年为周期来规划。开发和实施成本高昂，但只要使用时间足够长，这种投入就被视为合理。软件因此被默认为一种需要“摊薄成本”的长期资产。但近两三年，一种与这一逻辑明显不一致的现象正在频繁出现，越来越多的软件，并未被设计为长期存在。有人为一次活动搭一个应用，用完即弃；业务部门为应急需求快速做一套系统，任务结束后整体重写；AI生成的工具版本被高频替换，而不是持续维护。这些做法在传统软件观念中显得不够严肃，却正在成为大量企业的真实选择。这些变化指向一个正在加速、却仍被低估的趋势：软件正在从“耐用品”走向“快消品”。它不再默认长期存在，而是围绕具体任务被快速生产、快速消耗。推动这一转向的，是软件生产成本、组织方式与商业模式的同步变化。01从反直觉现象看起：软件为什么开始“用完即弃”如果回到十年前，许多今天已司空见惯的做法几乎难以成立。a16z创始人曾分享过一个案例：有人用零代码工具为朋友的生日聚会开发了一个专属App，用于展示信息和扫码签到，聚会结束后即删除；还有一位母亲开发了NewsforDinner，只服务于一个家庭，用来筛选适合晚餐讨论的新闻话题。这类应用规模极小、生命周期极短，但真实存在。在企业端，同样的现象正在大量出现。业务部门为了应对一次促销活动、一个旺季周期、一条临时产线或一次监管检查，快速搭建内部系统。任务完成后，这些系统被直接弃用，或在下一个周期整体重构，而不是进入长期维护状态。如果沿用传统软件逻辑，这种行为看起来并不“经济”。但前提已经发生改变。零代码平台、AI代码生成和云资源按需计费，使软件开发的时间成本和资金成本同时下降。当开发一个系统的成本，从“数十万、数月”下降到“几百元、几天”，大量原本不值得被系统化的需求开始浮出水面。这一变化可以用“杰文斯悖论”来理解。当资源利用效率显著提升时，总消耗量往往不降反升。AI让代码生产极其廉价，并不会减少软件开发，反而推动软件进入更多原本无法覆盖的场景。结果是，软件数量快速膨胀，而单个软件的生命周期却在不断缩短，逐步呈现出快消品的特征。02四个正在同时发生的结构性变化“软件消费品化”已经在多个层面落地，同时发生在生产方式、组织结构、开发工具和商业模式之中。第一，软件正在从系统形态转向任务形态。在多智能体平台中，软件不再以长期运行的系统存在，而是以完成一次任务的能力出现。蚂蚁百宝箱Tbox、360智能体工厂的实践表明，用户输入目标后，平台会自动拆解任务、调度不同智能体协同完成。交付物往往是一份报告、一条视频或一次执行结果，而不是一个需要持续维护的应用。制造业中的实践更具说服力。美的在洗衣机工厂部署的智能体体系，覆盖质检、排产、混线生产等多个环节。多个智能体以秒级响应完成原本需要人工小时级处理的任务，完成后即进入下一次调用。这里的软件，本质上是被反复消耗的生产要素，而非固定资产。第二，业务部门开始主导系统搭建。低代码和无代码平台的普及，正在改变企业内部的软件权力结构。Gartner与IBM的研究均指出，2025年前后，约70%的新应用将通过低代码或无代码方式完成。国内平台如简道云、轻流，已支撑百万级企业用户。在实践中，这类系统多强调“阶段可用”而非“长期完美”。零售企业用无代码平台快速搭建库存系统以应对阶段性波动，制造企业为特定产线配置临时管理工具，促销或旺季结束后直接下线重构。这些系统并未被视为长期资产，而是一次性投入后的自然退出。第三，AI开发工具正在改变维护与重写的成本对比。在AI辅助开发环境中，越来越多团队发现，整体重写往往比持续维护更划算。某互联网公司引入AI开发工具后，将原本约90天的开发周期压缩至30天，多个内部系统在一年内经历多次整体替换。这是成本结构变化后的理性选择。第四，结果付费正在为短生命周期软件提供商业合理性。按功能或席位收费，建立在长期使用前提之上。当软件本身可能只服务一个阶段，企业更愿意为可量化的业务结果付费。AI客服按销售提升分成、工业设备按产出计费，本质上都是在为“完成一次任务”买单。这种模式，天然匹配一次性软件的存在方式。03TOB软件行业正在承受的四重冲击当软件形态发生变化，行业沿用多年的运行逻辑与价值共识开始整体松动。这种变化同时作用于产品判断、研发组织、商业模式和客户关系，对整个ToB软件行业形成系统性冲击。首先，传统“好产品”的判断标准正在失效。过去，ToB软件的优劣往往围绕架构是否优雅、系统是否具备长期可扩展性、代码是否易于维护展开。这套标准建立在软件需要长期运行、不断叠加功能的前提之上。但在大量以任务为导向、生命周期有限的应用场景中，评价重心正在发生迁移。企业更关注的是交付速度是否足够快、结果是否可以被量化验证，以及在需求变化或业务策略调整时，弃用和重建的成本是否足够低。稳定性和完美架构不再是前置条件，而是在部分场景下才被重新考虑的因素。其次，研发模式从系统建设转向能力制造。在传统模式下，研发团队的核心任务是围绕一个统一系统持续演进，强调代码复用、版本兼容和长期维护。而在软件消费品化的趋势下，研发工作的重心逐步前移到组件、模板、工作流以及智能体协作规则的设计上。代码未必追求长期沉淀，但能力必须可以被快速组合、快速复制，并在不同任务中反复调用。研发更像是在搭建一条高效率的生产线，而不是守护一个不断膨胀的系统。再次，软件的定价逻辑开始发生结构性变化。按年订阅、按账号收费的模式，建立在软件长期使用和客户高度锁定的前提之上。当软件被频繁重写、阶段性使用时，这种定价方式的合理性自然下降。越来越多的厂商开始尝试按结果付费、按任务计费或按调用量计费，使成本与业务价值形成更直接的对应关系。这一变化正在削弱传统SaaS对ARR的高度依赖，也迫使厂商重新思考增长、续费与客户价值的衡量方式。最后，客户关系从长期绑定走向项目制协作。在新的软件形态下，厂商在更多场景中扮演的是高效执行者和能力提供者，而非长期系统伙伴。合作关系围绕明确目标展开，项目完成即阶段性结束。这并不必然意味着客户黏性下降，但它要求厂商通过效率、结果和专业度持续赢得下一次合作，而不是依赖系统迁移成本形成事实上的锁定。04边界与代价：哪些软件不应被消费品化需要强调的是，消费品化并非普适答案。它解决的是效率与覆盖面问题，而非所有软件形态下的最优解。适合这一模式的，通常是个人微需求、部门级临时项目、探索性验证，以及流程相对清晰、结果可以被快速检验的任务型场景。在这些领域中，软件的价值更多体现在是否及时完成任务，而非是否长期存在。不适合的边界同样清晰。核心业务系统、安全与合规系统、金融交易、医疗、航空航天等高可靠领域，仍然必须坚持长期可维护的软件逻辑。这些系统直接关联组织运行、安全责任或生命财产风险，一旦失效，代价远高于开发和维护成本。在此类场景中，稳定性、可解释性、可追责性以及对极端情况的覆盖能力，始终高于交付速度和灵活性。需要警惕的是，如果在不具备条件的领域盲目推动消费品化，可能带来新的隐性成本。频繁重写会累积技术债务，短生命周期系统可能削弱组织对关键流程的理解，过度依赖即时生成工具，也可能在合规和安全层面留下难以追溯的风险。这些代价在短期内不易显现，却会在系统规模扩大后集中暴露。因此，未来的软件行业很可能呈现出更加清晰的分化格局：一端是强调速度、低成本和结果导向的快消品软件，用于支撑高频、变化快的业务需求；另一端则是强调质量、稳定性和长期价值的精品系统，用于承载组织最核心、最不可替代的能力。企业真正需要的，并不是在两者之间二选一，而是具备区分和匹配不同软件形态的能力。05结语软件的消费品化，并非厂商策略选择，它是AI时代生产效率提升后的必然结果。当代码生成成本趋近于零，软件数量必然爆发，生命周期必然缩短。这既带来风险，也释放创造力。数字垃圾和技术债务的隐患真实存在，但更多人得以低成本构建工具、验证想法，同样不可逆转。而真正重要的，不是简单赞美或抵制这一趋势，是建立判断力，判断哪些软件应该快，哪些必须慢；哪些可以用完即弃，哪些值得长期投入。这种分层能力，将决定企业与软件厂商在新周期中的位置。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
-
26
02/12
春节红包只是“开胃菜”，互联网大厂AI对决，瞄准的是未来
用户关掉最后一个红包界面，留在手机屏幕上的AI应用图标，才是这场大战的真正“战利品”。玩转AI特效、万元小马卡、吃喝玩乐免单、AI社交派对……当数十亿红包砸向14亿人的春节，一场没有硝烟的AI入口争夺战正在上演。春节临近，互联网大厂们将红包战场从移动支付、短视频转向了AI。百度文心助手、腾讯元宝、阿里千问、字节豆包通过现金红包、免单计划、春晚合作等形式，试图将AI助手推向国民级应用。这场看似熟悉的撒钱营销，不仅是流量的争夺，更是对自身AI战略的一次全民级压力测试与成果验收。从发红包的方式，到红包背后的战略意图，一场围绕AI技术实力、生态融合与用户心智的深层竞争已然拉开序幕。流量争夺战与能力试炼春节AI红包大战在2026年初达到白热化。2月2日至3日，阿里千问宣布投入30亿元启动“春节大请客”，且独家冠名了东方卫视、浙江卫视、江苏卫视、河南卫视四大马年春节晚会，成为目前最大手笔的玩家。这场战役中，腾讯早在1月25日就宣布于2月1日在元宝APP上线春节红包活动，发放总额10亿元的现金红包。百度也在1月25日晚间宣布启动马年春节红包活动，用户在百度APP内通过AI互动、集卡等玩法就有机会瓜分5亿现金红包。字节跳动旗下火山引擎成为2026年央视春晚独家AI云合作伙伴，AI助手豆包也将配合上线多种互动玩法，抖音APP“集祥马”单个活动奖金总额为3亿元。▍百度：庞大搜索用户基础支撑百度是春节AI红包大战启动最早的大厂。以百度APP和文心助手为核心，推出总额5亿元的春节红包活动，活动周期从1月26日持续至3月12日，覆盖整个春节档期及元宵节，是目前活动周期最长的。百度的春节红包活动有三种玩法：看视频领钱、前1000名集齐稀有卡得万元、通过文心助手猜口令。具体来看，用户在百度APP搜索“春节红包”进入“奇幻人生”主题会场，可体验近200款AI特效玩法，可通过选择剧情分支获得红包奖励；在体验AI互动剧情时，可随机获得对应主题的“人生卡”，集卡活动分四轮瓜分奖池；小红书官方账号百度搜索将发布线索进行“看马图猜口令词”，通过文心助手猜出口令词触发隐藏红包。截至2月1日，百度APP文心助手春节红包活动中，已有近5000万人次使用AI功能抢红包，上线首日即因热度爆棚官方紧急宣布扩容。此外，百度还以“首席AI合作伙伴”身份亮相2026北京广播电视台春节联欢晚会，进一步扩大活动影响力。百度此次红包活动的优势在于：一是流量基础雄厚，百度APP月活超7亿，文心助手月活已突破2亿，为红包活动提供天然流量池；二是AI功能绑定深度，将红包与拍照搜物、AIGC视频创作等核心功能深度融合，有效培养用户使用习惯，实现从“抢红包”到“用AI”的转化；三是活动周期长、玩法丰富，覆盖集卡、剧情互动、口令猜谜等多种形式，持续吸引用户留存。▍腾讯：社交优势下的防守反击腾讯元宝于2月1日正式启动“上元宝分10亿”新春活动，持续至2月17日，总投入10亿元。活动核心玩法聚焦社交裂变与AI互动，用户每日登录即可获得5次抽奖机会，通过完成AI对话、生成文字或图片祝福、分享活动链接等任务可额外解锁40余次抽奖机会。奖品包括现金红包、限量100张的“万元小马卡”、惊喜权益（QQ音乐/美团券）、红包膨胀卡等，其中“万元小马卡”分三阶段发放，截至2月3日上午11点，已有37张“万元小马卡”被抽取。值得关注的是，2月1日，元宝中的AI社交新玩法“元宝派”正式开启公测，派友在里面互动聊天也会随机分到红包。本次活动上线14小时后，元宝登顶苹果应用商店免费榜，瞬时流量激增导致服务器短暂波动。腾讯红包活动的最大优势在于社交生态壁垒。微信超14亿月活用户为红包裂变提供无限可能，“分享红包给好友双方获抽奖机会”的设计或实现用户指数级增长。微信零钱直接提现降低用户提现门槛，提升参与意愿。“元宝派”群聊功能将AI与社交场景结合，解决AI应用留存率低的行业痛点。此外，万元大奖的设置具备强话题性，快速引爆社交网络。▍阿里：生态联动下的全面进攻2月2日，阿里千问宣布投入30亿元启动“春节大请客”，将于2月6日正式上线。据了解，活动以“免单+现金红包”为核心，联合淘宝、闪购、飞猪、大麦、盒马、高德等阿里全系生态业务，覆盖吃喝玩乐全场景。据《华夏时报》报道，阿里千问除了春节免单，还将发放大额现金红包，但千问尚未透露具体活动形式。不过有业内人士认为，千问的春节红包玩法或将延续此前“会办事的AI”的思路。此外，千问APP的AI买电影票功能正在灰测，即将全面上线。此外，阿里千问独家冠名了东方卫视、浙江卫视、江苏卫视、河南卫视四大马年春节晚会，还作为“AI演员”，用AI生视频、AI识图、AI问答等方式，带来创意好玩的春晚节目，期间更有专属口令红包。阿里红包活动的优势体现在生态协同与差异化模式。今年1月15日，千问APP宣布全面接入淘宝、支付宝、淘宝闪购、飞猪、高德等阿里生态业务，实现点外卖、购物、订机票等AI购物功能。本次红包活动联合阿里全系生态业务，实现“AI+生活服务”全场景覆盖，30亿元的高额投入形成规模效应，吸引用户关注。千问大模型开源生态成熟，下载量稳居开源大模型全球第一，技术底座扎实。▍字节跳动：春晚舞台上的流量王者去年12月28日，字节跳动宣布火山引擎成为央视春晚独家AI云合作伙伴，豆包将在除夕夜通过AI春联定制、智能猜灯谜、多语言翻译、祝福生成等互动功能参与春晚。此外，字节跳动旗下抖音APP的春节系列活动“欢笑中国年”也开启了，目前能搜到活动入口的有跃马攀峰、新春来抓马、集祥马分3亿、好友联欢会，这些活动的时间都在1月30日至3月3日。虽然字节跳动红包活动未公开总金额，但“集祥马”单个活动的金额已经达到3亿元。字节跳动红包活动的优势在于顶级IP加持与流量转化效率。央视春晚独家AI云合作伙伴身份实现国家级曝光，快速提升国民认知度。抖音、今日头条等生态提供海量流量，2025年底豆包已成为国内第一个日活跃用户数破亿的AI产品，尤其是豆包以其贴心、俏皮的对话特点指导用户穿搭、监督孩子做作业等内容深受欢迎，用户粘性较高。从行业共性来看，春节AI红包是互联网大厂抢占C端流量与用户粘性的关键抓手。春节作为全民级场景，覆盖用户规模最广、使用频率最高，是AI产品破圈的最佳窗口期。2015年，微信借助春晚“摇一摇”红包，在短时间内新增约1亿绑卡用户，改写移动支付格局，这一成功案例成为大厂们的共同参考。当前AI行业尚未形成高频刚需场景，用户认知仍停留在“偶尔使用”阶段，通过红包激励可快速降低用户尝试门槛，培养“遇事问AI”的使用习惯。长期主义与生态角逐不过，春节AI红包大战只是表象，背后是各家公司在AI领域的深层战略布局，而这些布局决定了其在AI时代的长期竞争力。百度的AI战略围绕“全栈自研+体系化能力”展开，构建了“芯-云-模-体”的完整生态。在技术底座层面，百度2025年11月发布自研全新一代昆仑芯M100、M300两款芯片，解决当前AI研发中的算力成本与安全自主双重痛点。2026年1月，昆仑芯从百度分拆，并计划向港交所提交上市申请，机构估值达500亿美元。文心大模型持续迭代，在1月15日发布的LMArena大模型竞技场排名中，文心大模型ERNIE-5.0-0110拿下文本榜国内第一、数学能力榜全球第二的成绩。在场景落地层面，百度形成智能体矩阵，包括搜索智能体、数字人智能体（慧播星）、代码智能体（秒哒）等；RoboTaxi（萝卜快跑）业务商业化领先，截至2025年10月累计订单量突破1700万单，覆盖全球22座城市。同时，百度智能云为AI业务提供算力支撑，形成“技术-场景-商业化”的正向循环。腾讯围绕“社交+AI融合”，以混元大模型为技术底座，以元宝为C端载体，深度绑定微信生态。在技术研发上，面对模型能力的短板，腾讯果断接入DeepSeek模型并加码GPU算力，借开源东风推动元宝跻身行业头部。同时，腾讯也在大力引进AI人才，先是招揽了OpenAI前研究员姚顺雨出任首席AI科学家，后又引入原新加坡SeaAILab高级研究科学家庞天宇负责强化学习前沿算法探索。在产品布局上，腾讯将AI能力全面融入微信、QQ、腾讯会议等国民级产品，实现AI总结公众号文章、生成会议纪要等功能，强化生态协同；推出“元宝派”AI社交新玩法，致力于打造一个能让AI与用户群体共同娱乐、协作的“社交空间”。阿里则坚持“AI即基础设施”的战略思路。技术层面，阿里构建了“芯片-云-模型”全栈能力，自研AI芯片真武810E内存为96GHBM2e，片间互联带宽达到700GB/s，可应用于AI训练、AI推理和自动驾驶；千问大模型坚持开源路线，截至2026年1月21日，衍生模型数突破20万，全球累计下载量超10亿次，稳居全球开源模型第一梯队。在业务布局上，阿里推进“AItoC+AItoB”双轮驱动：C端以千问APP为核心，全面接入淘宝、支付宝、飞猪等生态业务；B端通过阿里云向企业输出AI能力，已服务超100万家企业客户。据多家媒体消息，阿里还计划未来三年投入4800亿元用于AI基建和云计算。字节跳动的AI战略以“豆包为超级入口+多模态技术+软硬件协同”为核心，追求“AI无处不在”的生态目标。技术层面，字节聚焦多模态大模型研发，挖来原GoogleDeepMind副总裁吴永辉带队，押注长期技术壁垒；豆包大模型采用分场景优化的“模型家族”策略，针对不同场景优化响应速度与算力效率，2025年底日均Token处理量达63万亿，半年增长超200%。在产品布局上，豆包全面嵌入字节生态，抖音的特效制作、剪映的脚本生成、飞书的总结功能均接入豆包能力；推出AI手机助手，深度嵌入手机系统，实现跨APP复杂操作；海外版本Dola全球日活突破1000万，加速全球化布局。整体来看，四家公司的AI布局各具优势，但也各有短板与挑战。百度AI布局的优势在于体系化能力与技术积累。从芯片、云服务到大模型、应用场景，百度形成了完整的AI生态闭环，这种布局虽然前期投入大、见效慢，但能够形成强大的竞争壁垒。百度的短板在于其搜索业务根基正在动摇，AI结果的介入进一步收窄了广告收入空间。腾讯的AI优势在于社交护城河与用户基础。微信超14亿月活是任何竞争对手都难以复制的资源，同时生态产品丰富为AI功能提供多元化落地场景，通过将AI与社交深度结合，有机会打造出独特的AI社交体验。腾讯的短板在于模型能力相对薄弱，尽管接入了DeepSeek模型，但自研的混元大模型仍需时间追赶。阿里的AI优势体现在商业整合能力和开源生态。“电商+本地生活+云服务”生态为AI提供丰富场景，千问APP可直接调用阿里全系业务能力，而千问大模型的开源策略吸引了大量开发者，形成技术协同效应。阿里的挑战在于内部协同复杂，或影响AI功能快速落地，且缺乏超级流量入口。字节跳动AI的优势在于流量转化效率与产品创新速度。抖音、今日头条的庞大用户基础为豆包提供了天然的流量池，而快速迭代的产品能力则使其能够迅速响应市场需求。字节的短板在于生态整合能力相对较弱，且在B端市场面临阿里、百度的激烈竞争。春节红包是AI普及的序章，而非终局。未来几年，AI领域的竞争将更加激烈，焦点将从用户规模转向使用深度，胜负手在于能否创造刚性需求。基于目前发展现状，不成熟地进行一下预判。短期来看，流量争夺仍将是核心战场，春节红包活动的效果可能会直接影响市场格局。这一阶段的竞争焦点将集中在用户拉新、功能迭代与场景丰富度，红包激励、社交裂变、生态联动等手段仍将持续发力。中期来看，竞争将从流量争夺转向“模型能力+场景融合”的深度比拼。技术层面，大模型能力将逐渐趋同，开源模式将降低技术差距，自研模型的差异化优势将成为关键。场景层面，腾讯的“社交+AI”、阿里的“生活服务+AI”、字节的“内容+AI”、百度的“搜索+AI”或形成清晰的差异化路径，用户可能会根据使用场景形成固定偏好。这一阶段，留存率将取代下载量成为核心指标，AI产品需找到真正的高频刚需场景，才能实现可持续发展。长期来看，生态整合与技术壁垒将决定最终格局。具备“模型-数据-场景”正向循环的企业将胜出，中小玩家将因算力、数据、场景不足逐渐出局。此外，全球化竞争会成为重要战场，而监管政策与本地化能力将成为关键。值得注意的是，行业竞争的核心终将回归用户价值。当前AI行业仍存在“C端定位模糊”“缺乏高频刚需场景”等问题，春节红包营销只能带来短期流量，无法解决长期留存。未来，能够真正解决用户痛点、提供不可替代价值的AI产品，才能在竞争中站稳脚跟。同时，技术伦理、数据安全等监管政策将逐渐完善，合规能力将成为生存的基本前提。结语红包活动的热闹终将过去，当用户关掉最后一个红包界面，留在手机屏幕上的AI应用图标，才是这场大战的真正“战利品”。百度、腾讯、阿里、字节跳动的重金投入，不仅是流量争夺的短期行为，更是各自AI战略的集中落地与实力展示。从红包活动的差异化玩法，到背后的技术底座、生态布局与战略路径，四家大厂的竞争已全面覆盖“技术-流量-场景-商业化”全链条。春节AI红包的喧嚣，是水面之上的浪花，其下涌动的是中国互联网企业向人工智能时代全面转型的深沉洋流。百度体系化布局的厚重底蕴，腾讯社交生态的无形网络，阿里商业场景的全面覆盖，字节流量驱动的快速迭代，各自在AI棋盘上落下不同的棋子。这场决定未来格局的漫长竞赛，没有简单的模仿者，只有坚定的探索者。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除
