" 世界不是由事實(shí)構(gòu)成的，而是由事實(shí)之間的關(guān)系構(gòu)成的。"

如果用維特根斯坦的理論來反推 AI 的能力邊界，智能的上限或許從一開始就不取決于模型 " 知道多少 "，而取決于它是否理解 Context ( 語境 ) 、規(guī)則，以及這些知識(shí)在不同場景中如何被使用。

也正是在這一意義上，今天更有競爭力的模型們，開始逐步逼近維特根斯坦后期所說的 " 語言游戲 "：意義并不來自詞本身，而來自使用。能否參與這種游戲，決定了 AI 只是一個(gè)高效的工具，還是正在進(jìn)入更深層的認(rèn)知結(jié)構(gòu)。

但這一變化，并沒有被輿論第一時(shí)間捕捉。過去兩年，輿論場被 ChatGPT 與 Claude 輪番占據(jù)，行業(yè)習(xí)慣將 AI 視為一個(gè)整體的、線性的競賽，更強(qiáng)的模型、更大的參數(shù)、更通用的智能被視為唯一的進(jìn)化方向。

身處一線的從業(yè)者，先于市場感知到了 " 溫差 "。前 OpenAI 成員姚順雨，便在此前 AGI 會(huì)談上分享到： AI 在 To C 端和 To B 端正遵循不同的發(fā)展軌跡。

從 GPT-4 到后續(xù)迭代版本，普通 C 端用戶的體感差異微乎其微；但另一邊，Claude，已開始深入編程等核心環(huán)節(jié)，改變程序員們的工作模式。

在 To B 的世界里，智能直接等同于線性的生產(chǎn)力。企業(yè)愿意為最頂級(jí)的 " 大腦 " 支付高昂溢價(jià)。因此，當(dāng) AI 應(yīng)用從簡單的 Chatbot 轉(zhuǎn)向嵌入 IDE、CRM 等核心工作流時(shí)，那些擁有算力基礎(chǔ)設(shè)施、掌握行業(yè) Know-how、并能構(gòu)建閉環(huán)環(huán)境的 " 超大規(guī)模云廠商 "，正在強(qiáng)勢接管整個(gè) B 端 AI 市場。

而在 To C 的世界，勝負(fù)手從 " 算力堆疊 " 轉(zhuǎn)向了對(duì) " 語境（Context）" 的捕捉。結(jié)果是，巨頭們?cè)谕环较蚩癖?，卻走向了不同賽道。針對(duì)被字節(jié)與阿里占據(jù)的 AI 輿論場，馬化騰在昨日內(nèi)部年會(huì)定調(diào)騰訊 AI 戰(zhàn)略—— " 每個(gè)企業(yè)的基因不同、體質(zhì)不同，騰訊的風(fēng)格就是穩(wěn)扎穩(wěn)打。"

面對(duì)外界的 AI 焦慮，馬化騰開場便給全員吃下 " 定心丸 "。與此同時(shí)，元寶派的誕生證明騰訊依舊將希望放在了熟悉的社交關(guān)系鏈中。

陷入馬太效應(yīng)的 " 垂直整合 "

過去兩年，市場曾篤信 " 模型 + 應(yīng)用 " 一體化的垂直整合才是王道。這在邏輯上似乎無懈可擊：只有同時(shí)掌握底層大腦與上層手腳的玩家，才配在這個(gè)賽道筑起高墻。

但現(xiàn)實(shí)很快給出了反擊。在 To B 的生產(chǎn)力場景下，能夠在這個(gè)星球上做大預(yù)訓(xùn)練（Pre-training）的公司鳳毛麟角，而那些手握?qǐng)鼍?Know-how 的公司，往往并不具備底層訓(xùn)練的基因。這種能力的錯(cuò)位，迫使 B 端市場在早期迅速分層：底層公司刷榜 Scaling Law，應(yīng)用公司做 " 最后一公里 " 的適配。

到了 2025 年下半年，這場分工演變得更加殘酷。對(duì)于 To B 市場而言，更大的預(yù)訓(xùn)練依然是模型公司不可撼動(dòng)的核心壁壘；而隨著模型能力的溢出，那些只做簡單 " 套殼 " 或 " 薄 " 中間層的應(yīng)用公司，發(fā)現(xiàn)自己的價(jià)值被底座模型直接覆蓋了。在新的生存法則里，不做深、不做厚，就意味著出局。

分化的根源，是 " 智能密度 " 開始直接掛鉤企業(yè) ROI，B 端客戶愿意為 " 確定性 " 支付高昂的溢價(jià)。姚順雨在 AGI 會(huì)談上的例子非常直白：如果最強(qiáng)的模型訂閱費(fèi)是 200 美元 / 月，而第二強(qiáng)的只需 20 美元，企業(yè)會(huì)毫不猶豫地選擇前者。

邏輯很簡單，一個(gè)工程師每天處理 10 個(gè)任務(wù)，頂級(jí)模型能做對(duì) 9 個(gè)，次級(jí)模型只能做對(duì) 6 個(gè)。為了省下那 180 美元的模型費(fèi)，企業(yè)需要花費(fèi)數(shù)倍的人力成本去復(fù)核那 3 個(gè)錯(cuò)誤的答案。

這種對(duì)極致智能的渴求，導(dǎo)致 B 端市場的馬太效應(yīng)遠(yuǎn)比 C 端嚴(yán)重。

大摩去年 11 月發(fā)布的《中國 CIO 調(diào)查報(bào)告》佐證了這一趨勢—— DeepSeek、通義千問兩家的 CIO 意向度已達(dá)到 75%?；诖?，大摩給出了更為激進(jìn)的終局推演：三年內(nèi)，通義、DeepSeek、華為和字節(jié)跳動(dòng)將占據(jù) 90% 的國內(nèi) B 端 AI 服務(wù)市場份額。

在巨頭攻城略地的陰影下，為了維持高密度的智能供給，獨(dú)立模型廠商正如履薄冰。以 To B 的代表智譜為例，這家公司雖是典型的 " 短小精悍 " ——人數(shù)不足千人、產(chǎn)品迭代快，年化收入正快速邁向一億美金。但在支出層面，即便收入快速增長，大規(guī)模的技術(shù)研發(fā)與算力支出，依舊持續(xù)侵蝕著智譜的利潤空間。

互聯(lián)網(wǎng)的規(guī)模經(jīng)濟(jì)效應(yīng)在 AI 領(lǐng)域似乎并未奏效。即使智譜在收入增長過程中保持了 50% 的高毛利，但 2024 年其支出（成本與運(yùn)營開支）仍是當(dāng)期收入的 10 倍上下；到了 2025 年上半年，這種 " 收入越大、虧損率越高 " 的規(guī)模不經(jīng)濟(jì)現(xiàn)象反而加劇了。

當(dāng)然，問題的癥結(jié)在于大模型對(duì) " 投入密度 " 的無底洞需求——要給模型投喂更多數(shù)據(jù)，要么靠自身超快的落地速度去接入更多場景，要么只能比拼對(duì)私有數(shù)據(jù)的付費(fèi)能力。而智譜為了 To B 落地，不僅要維持通用的高強(qiáng)度研發(fā)，還需要匹配龐大的銷售團(tuán)隊(duì)，這使得其在與擁有自有數(shù)據(jù)金礦的互聯(lián)網(wǎng)大廠競爭時(shí)，顯得捉襟見肘。

與此同時(shí)，創(chuàng)業(yè)公司的生存空間也在被重新定義。過去兩年，大量創(chuàng)業(yè)公司涌入所謂的 " 中間層 " 賽道，做 RAG（檢索增強(qiáng)生成）、Prompt Engineering（提示詞工程）平臺(tái)，或者是簡單的 Workflow 編排工具。

但隨著模型能力——尤其是長上下文（Long Context）和推理能力（Reasoning）的提升，這些 " 薄 " 中間層的價(jià)值正在被迅速稀釋。以前需要復(fù)雜 Prompt 鏈條解決的問題，現(xiàn)在直接把技術(shù)文檔扔進(jìn)長文本模型就能解決。

" 修補(bǔ)匠 " 正在退出歷史舞臺(tái)，取而代之的是 " 厚 " 中間層。姚順雨認(rèn)為，這種 " 厚 " 除了是對(duì)特定領(lǐng)域 Know-how 的深度封裝。也是對(duì) " 環(huán)境交互（Environment Interaction）" 的構(gòu)建。Coding Agent 之所以能率先跑通，是因?yàn)榇a擁有一個(gè)最完美的反饋環(huán)境——編譯器。代碼寫錯(cuò)了，編譯器報(bào)錯(cuò)，Agent 知道錯(cuò)了并自我修正。這是一個(gè)天然的強(qiáng)化學(xué)習(xí)（RL）閉環(huán)。

但這恰恰觸及了創(chuàng)業(yè)公司難以逾越的 " 數(shù)據(jù)墻 "。以 Coding Agent 為例，即便強(qiáng)如 Claude ，其母公司 Anthropic 想要優(yōu)化代碼能力，也不得不依賴數(shù)據(jù)廠商去雇傭工程師進(jìn)行標(biāo)注。這種 " 外包式 " 的數(shù)據(jù)生產(chǎn)，規(guī)模受限且?guī)в忻黠@的人工痕跡。

相比之下，大廠擁有截然不同的解題環(huán)境，因?yàn)樗鼈冏陨砭褪?Coding Agent 最大的試驗(yàn)場。

大廠內(nèi)部幾萬名工程師每一次代碼的提交、回滾、Review，都是在為模型提供最真實(shí)、最高頻的反饋。這種 " 在應(yīng)用中反哺模型 " 的數(shù)據(jù)閉環(huán)，便是姚順雨口中極為重要的、不依賴標(biāo)注商就能獲取的 " 真實(shí)世界數(shù)據(jù) "。

比如支付寶的金融風(fēng)控、飛書的實(shí)時(shí)通訊優(yōu)化、或是騰訊《三角洲行動(dòng)》開發(fā)中的資產(chǎn)生成。這些場景需要的不是通用的 GPT-4，而是 " 通用底座 + 行業(yè)特化 + 實(shí)時(shí)反饋 " 的綜合體，這種從 " 薄 " 到 " 厚 " 的演進(jìn)，在過去一年進(jìn)一步鞏固了大廠的優(yōu)勢。

豆包、千問、元寶的殊途不同歸

在 To C 領(lǐng)域，對(duì)于絕大多數(shù)普通用戶而言，模型寫抽象代數(shù)的能力變強(qiáng)了，但這在日常聊天中幾乎無法感知，大多數(shù)人使用 AI 的方式更像是搜索引擎的加強(qiáng)版。

阻礙體驗(yàn)提升的不僅是模型的參數(shù)量，還有輸入的 Context 量。

正如姚順雨舉的例子：如果用戶輸入 " 今天吃什么 "，GPT3.5 和 Gemini3 給出的答案其實(shí)并無太大差異。但如果它知道具體場景，如今天天氣很冷、或者你剛點(diǎn)贊了一家火鍋店，它就能給出一個(gè)相對(duì)合理的建議。只有輸入更多的 Context，模型的活動(dòng)范圍才能給用戶帶來價(jià)值。

在國內(nèi)互聯(lián)網(wǎng)特有的 " 圍墻花園 " 體系下，這場關(guān)于 Context 的戰(zhàn)爭，注定是一場巨頭內(nèi)部的 " 內(nèi)戰(zhàn) "，豆包、千問、元寶看似在 AGI 道路上并肩同行，實(shí)則已經(jīng)分道揚(yáng)鑣。

對(duì)于像月之暗面或 MiniMax 這樣的創(chuàng)業(yè)公司而言，它們擁有不輸于大廠的模型智商，但在獲取用戶 " 支付記錄 "、" 地理位置 " 或 " 社交關(guān)系鏈 " 這些關(guān)鍵 Context 時(shí)，卻面臨著難以逾越的生態(tài)高墻。

這意味著垂直整合在 To C 依然成立，但前提是需要像微信或豆包這樣擁有用戶入口的產(chǎn)品，才能順利獲取這些 Context，并將其喂給模型。

《新立場》則在此基礎(chǔ)上看到了阿里、騰訊、字節(jié)三家巨頭對(duì) " 差異化 " 的詮釋：單純提升智商（學(xué)別人）走得快，但深度結(jié)合語境（做自己）上限才高。

從現(xiàn)有結(jié)果來看，豆包不僅起量快，在 AI 原生 APP 的心智上基本處于斷層領(lǐng)先。這種領(lǐng)先優(yōu)勢，直接來自于字節(jié)最擅長的內(nèi)容和算法，以及對(duì)用戶碎片時(shí)間的收割能力。基于內(nèi)容消費(fèi)的 Context，也讓豆包在娛樂與陪伴場景下?lián)碛辛藰O高的粘性。

而阿里幾乎沒有理由把重心押在陪伴和社交上。它最值錢的資產(chǎn)，是交易、支付、履約體系?；ù罅庾鲆粋€(gè)情緒價(jià)值滿分、但不能幫你把事情辦完的 AI，這對(duì)阿里來說反而是資源錯(cuò)配。

所以，通義千問的定位非常直接：辦事型 AI。前不久，千問 App 宣布全面接入淘寶、支付寶、飛豬、高德等阿里生態(tài)。吳嘉所言的 " 把辦事能力的邊界進(jìn)行拓展和做深 "，其實(shí)就是做深 Context 的口語化表達(dá)。

這是一種典型的 " 全家桶 " 策略，通過中心化的 AI 入口，調(diào)用整個(gè)阿里經(jīng)濟(jì)體的服務(wù)能力。從變現(xiàn)角度分析，千問這條路徑，是最有業(yè)務(wù)確定性和收入預(yù)期的一條路。

與阿里大開大合的生態(tài)整合不同，騰訊選擇與前兩位保持 " 刻意 " 的距離。

1 月 26 日，騰訊 2026 年員工大會(huì)。面對(duì)外界關(guān)于 " 騰訊 AI 掉隊(duì) " 的焦慮，Pony 給出的回應(yīng)頗具騰訊式的克制。他直言，"AI 全家桶未必是大家都喜歡的 "；并定調(diào)未來騰訊將繼續(xù)堅(jiān)持去中心化的戰(zhàn)略。

這與阿里將高頻服務(wù)接入一個(gè) App 的邏輯截然不同。比起再造一個(gè) "AI 版微信 "，騰訊更傾向于讓 AI 能在不改變用戶習(xí)慣的前提下滲透進(jìn)各業(yè)務(wù)的具體場景中。

" 去中心化 " 的思考，也直接決定了騰訊 AI 新品 " 元寶派 " 的產(chǎn)品形態(tài)。在 Pony 年會(huì)講話的同時(shí)，騰訊悄然啟動(dòng)了這款新產(chǎn)品的內(nèi)測，并試圖用一種騰訊最熟悉的方式來定義它——" 結(jié)合我們的優(yōu)勢，社交通信以及關(guān)系鏈 "。

事實(shí)上，這也是騰訊 AI 戰(zhàn)略的某種 " 修正 " 與 " 回歸 "。混元起步晚于百度、阿里、字節(jié)，且騰訊在 2022 年前后同時(shí)經(jīng)歷主營業(yè)務(wù)波動(dòng)、中臺(tái)收縮與降本增效，大模型長期未能被公司整體戰(zhàn)略強(qiáng)力拉升，甚至到 2024 年，元寶和混元大模型才轉(zhuǎn)到 CSIG。

想追豆包，最不該走的路就是再做一個(gè)更像豆包的元寶。 此前進(jìn)軍短視頻、電商上的失利已經(jīng)表明，在純粹的內(nèi)容分發(fā)和算法推薦上，騰訊確實(shí)沒有壓倒性的優(yōu)勢。其真正的護(hù)城河始終是社交。

在這種情況下，騰訊最合理的選擇，自然是在自己最擅長的社交上繼續(xù)加碼，用 AI 放大現(xiàn)有社交價(jià)值。

騰訊試圖將群聊總結(jié)作為一個(gè)起點(diǎn)，通過 " 派 " 把 AI 變成社交信息流的基礎(chǔ)設(shè)施。如果 " 派 " 最終能走向群聊化、協(xié)作化的 AI 入口，那才算是走進(jìn)了騰訊最擅長的戰(zhàn)場。

寫在最后：

" 目前唯一還值得持續(xù)投入的就是 AI。"

在這一判斷上，Pony 并未猶豫太久。選擇重新走到臺(tái)前，用組織重構(gòu)、人才密度去壓縮追趕周期。

但當(dāng)資源、配方逐步到位后，市場對(duì)交付的需求也會(huì)更急切?；蛟S姚順雨與騰訊之間的 " 蜜月期 "，并不會(huì)被拉得太長?；煸南乱粋€(gè)版本被內(nèi)部定義為 Agent 模型，很可能正是 Pony 期待的第一份階段性答卷。

在 AGI 會(huì)談上，姚順雨的表達(dá)，也透露出一種并不完全站在 " 大廠立場 " 的思考。他反復(fù)提到，當(dāng)前國內(nèi)對(duì)榜單、指標(biāo)和數(shù)據(jù)的執(zhí)念，正在遮蔽一些更本質(zhì)的問題。DeepSeek 也被他拿來作為引例，并非每一次能力躍遷，都需要通過榜單來完成自證。就像 Claude 在編程榜單上并非絕對(duì)第一，但其在真實(shí)工程場景中的價(jià)值，卻很少被真正質(zhì)疑。

真正重要的，或許只有兩點(diǎn)：什么是正確的事情，以及自己是否真的能體驗(yàn)出好壞。誰能率先做到這一點(diǎn)，誰就有可能做出真正的 Social Agent ——不只是寫文檔、查信息，最重要的是能夠介入復(fù)雜的人際互動(dòng)與生活決策。

而這正是 AGI 時(shí)代最難被復(fù)制的護(hù)城河。如果說 To B 的 AI，追求的是把世界變得更高效；那么 To C 的 AI，真正要回答的，或許是如何在一個(gè)由關(guān)系、語境與默契構(gòu)成的社會(huì)中，學(xué)會(huì) " 合適地行動(dòng) "。

當(dāng) AI 開始分流，它所考驗(yàn)的，就不只是算力與算法，還有每一家公司的世界觀。

來源：新立場pro