“世界不是由事實構成的，而是由事實之間的關系構成的。”

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 只是一個高效的工具，還是正在進入更深層的認知結構。

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

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)愿意為最頂級的“大腦”支付高昂溢價。因此，當 AI 應用從簡單的 Chatbot 轉向嵌入E、CRM 等核心工作流時，那些擁有算力基礎設施、掌握行業(yè) Know-how、并能構建閉環(huán)環(huán)境的“超大規(guī)模云廠商”，正在強勢接管整個 B 端 AI 市場。

而在 To C 的世界，勝負手從“算力堆疊”轉向了對“語境（Context）”的捕捉。結果是，巨頭們在同一方向狂奔，卻走向了不同賽道。針對被字節(jié)與阿里占據(jù)的AI輿論場，馬化騰在昨日內(nèi)部年會定調(diào)騰訊AI戰(zhàn)略——“每個企業(yè)的基因不同、體質(zhì)不同，騰訊的風格就是穩(wěn)扎穩(wěn)打?！?/p>

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

陷入馬太效應的“垂直整合”

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

但現(xiàn)實很快給出了反擊。在 To B 的生產(chǎn)力場景下，能夠在這個星球上做大預訓練（Pre-training）的公司鳳毛麟角，而那些手握場景 Know-how 的公司，往往并不具備底層訓練的基因。這種能力的錯位，迫使 B 端市場在早期迅速分層：底層公司刷榜 Scaling Law，應用公司做“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。對于 To B 市場而言，更大的預訓練依然是模型公司不可撼動的核心壁壘；而隨著模型能力的溢出，那些只做簡單“套殼”或“薄”中間層的應用公司，發(fā)現(xiàn)自己的價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。姚順雨在AGI會談上的例子非常直白：如果最強的模型訂閱費是 200 美元/月，而第二強的只需 20 美元，企業(yè)會毫不猶豫地選擇前者。

邏輯很簡單，一個工程師每天處理 10 個任務，頂級模型能做對 9 個，次級模型只能做對 6 個。為了省下那 180 美元的模型費，企業(yè)需要花費數(shù)倍的人力成本去復核那 3 個錯誤的答案。

這種對極致智能的渴求，導致 B 端市場的馬太效應遠比 C 端嚴重。

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

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)濟效應在AI領域似乎并未奏效。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（成本與運營開支）仍是當期收入的 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)濟現(xiàn)象反而加劇了。

當然，問題的癥結在于大模型對“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，要么只能比拼對私有數(shù)據(jù)的付費能力。而智譜為了 To B 落地，不僅要維持通用的高強度研發(fā)，還需要匹配龐大的銷售團隊，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，顯得捉襟見肘。

與此同時，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（檢索增強生成）、Prompt Engineering（提示詞工程）平臺，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”中間層的價值正在被迅速稀釋。以前需要復雜 Prompt 鏈條解決的問題，現(xiàn)在直接把技術文檔扔進長文本模型就能解決。

“修補匠”正在退出歷史舞臺，取而代之的是“厚”中間層。姚順雨認為，這種“厚”除了是對特定領域 Know-how 的深度封裝。也是對“環(huán)境交互（Environment Interaction）”的構建。Coding Agent 之所以能率先跑通，是因為代碼擁有一個最完美的反饋環(huán)境——編譯器。代碼寫錯了，編譯器報錯，Agent 知道錯了并自我修正。這是一個天然的強化學習（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行標注。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，因為它們自身就是 Coding Agent 最大的試驗場。

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、最高頻的反饋。這種“在應用中反哺模型”的數(shù)據(jù)閉環(huán)，便是姚順雨口中極為重要的、不依賴標注商就能獲取的“真實世界數(shù)據(jù)”。

比如支付寶的金融風控、飛書的實時通訊優(yōu)化、或是騰訊《三角洲行動》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 + 實時反饋”的綜合體，這種從“薄”到“厚”的演進，在過去一年進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 領域，對于絕大多數(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版。

阻礙體驗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、或者你剛點贊了一家火鍋店，它就能給出一個相對合理的建議。只有輸入更多的Context，模型的活動范圍才能給用戶帶來價值。

在國內(nèi)互聯(lián)網(wǎng)特有的“圍墻花園”體系下，這場關于 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，實則已經(jīng)分道揚鑣。

對于像月之暗面或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“社交關系鏈”這些關鍵 Context 時，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》則在此基礎上看到了阿里、騰訊、字節(jié)三家巨頭對“差異化”的詮釋：單純提升智商（學別人）走得快，但深度結合語境（做自己）上限才高。

從現(xiàn)有結果來看，豆包不僅起量快，在 AI 原生 APP 的心智上基本處于斷層領先。這種領先優(yōu)勢，直接來自于字節(jié)最擅長的內(nèi)容和算法，以及對用戶碎片時間的收割能力?；趦?nèi)容消費的 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。花大力氣做一個情緒價值滿分、但不能幫你把事情辦完的 AI，這對阿里來說反而是資源錯配。

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行拓展和做深”，其實就是做深 Context 的口語化表達。

這是一種典型的“全家桶”策略，通過中心化的 AI 入口，調(diào)用整個阿里經(jīng)濟體的服務能力。從變現(xiàn)角度分析，千問這條路徑，是最有業(yè)務確定性和收入預期的一條路。

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。面對外界關于“騰訊 AI 掉隊”的焦慮，Pony給出的回應頗具騰訊式的克制。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)堅持去中心化的戰(zhàn)略。

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

“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年會講話的同時，騰訊悄然啟動了這款新產(chǎn)品的內(nèi)測，并試圖用一種騰訊最熟悉的方式來定義它——“結合我們的優(yōu)勢，社交通信以及關系鏈”。

事實上，這也是騰訊AI戰(zhàn)略的某種“修正”與“回歸”?；煸鸩酵碛诎俣取⒗?、字節(jié)，且騰訊在 2022 年前后同時經(jīng)歷主營業(yè)務波動、中臺收縮與降本增效，大模型長期未能被公司整體戰(zhàn)略強力拉升，甚至到2024年，元寶和混元大模型才轉到CSIG。

想追豆包，最不該走的路就是再做一個更像豆包的元寶。 此前進軍短視頻、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，騰訊確實沒有壓倒性的優(yōu)勢。其真正的護城河始終是社交。

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)有社交價值。

騰訊試圖將群聊總結作為一個起點，通過“派”把AI變成社交信息流的基礎設施。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?！?/p>

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

但當資源、配方逐步到位后，市場對交付的需求也會更急切?；蛟S姚順雨與騰訊之間的“蜜月期”，并不會被拉得太長。混元的下一個版本被內(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 會談上，姚順雨的表達，也透露出一種并不完全站在“大廠立場”的思考。他反復提到，當前國內(nèi)對榜單、指標和數(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第一，但其在真實工程場景中的價值，卻很少被真正質(zhì)疑。

真正重要的，或許只有兩點：什么是正確的事情，以及自己是否真的能體驗出好壞。誰能率先做到這一點，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雜的人際互動與生活決策。

而這正是 AGI 時代最難被復制的護城河。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，或許是如何在一個由關系、語境與默契構成的社會中，學會“合適地行動”。

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

*題圖及文中配圖來源于網(wǎng)絡。