Let's Make AGI Real

谷歌此次凭借Gemini 3.0 pro和Nano Banana pro的强势回归被认为是AI行业进入“下半场”的标志。AI下半场的说法，标志着人工智能行业已从最初的探索、实验和性能竞赛阶段，进入一个以商业模式、生态系统、计算效率和应用落地为核心的全面博弈和结构性变革阶段。

进入“下半场”的原因，可以从以下四个结构性转变中得到最深刻的体现：

一、竞争核心的转变：从性能竞赛到TCO（总拥有成本）战争

上半场竞争主要集中在谁能打造出最先进的大模型（LLM）。而“下半场”的核心驱动力已经转向了经济效率和专业化：

1. 推理超越训练：分析师预测，用于运行AI模型推理的计算支出将在2026 年超过用于训练模型的支出，并最终占 AI 总计算支出的85% 至 90%。推理工作负载要求能效、低延迟和高吞吐量，这使得竞争优势从追求原始性能转向追求成本归一化性能和TCO。这方面中国大模型公司已取得让人大跌眼镜的进展。
2. 芯片市场的专用化和碎片化：为了降低大规模推理的TCO，市场正迅速从通用型GPU（如英伟达）转向专用的ASIC芯片。这不仅是芯片管制下中国公司正在发奋图强的领域，也是笼罩在英伟达GPU淫威下所有AI云服务公司和模型公司的切肤之痛

• 巨头自研芯片的兴起：超大规模云服务商（Hyperscalers）如谷歌（TPU）、AWS（Trainium/Inferentia）和微软（Maia）正在投入巨资开发定制芯片。例如，AWS 的定制芯片可为特定工作负载提供高达80% 的推理成本节省。
• 这种趋势对英伟达构成了潜在风险，因为其通用性的优势在细分领域可能会变成成本劣势。

3. 成本曲线的武器化：中国的AI模型提供商（如 Moonshot AI的Kimi K2）正在通过开源和极低的定价来抢占市场份额。Kimi K2 的输入Token成本可能比Anthropic的 Claude Opus 4 低100倍。这种策略被视为将成本曲线武器化，以在价格敏感的细分市场中获得全球开发者青睐。

二、企业采用的鸿沟：从实验到生产的挑战

虽然 AI 技术的普及率已大幅提高（2024 年企业 AI 采用率激增至78%），但将其转化为实际业务价值面临巨大的挑战，标志着行业正在处理从“原型机”到“量产”的困难：

1. 试点的高失败率：麻省理工学院的研究显示，95%的生成式 AI 试点项目未能达到预期或实现快速营收增长。
2. 基础设施差距：这种“GenAI 鸿沟”源于基础设施不完善、缺乏清晰的业务目标以及管理框架不足。大多数企业难以将 AI 能力大规模地投入生产。
3. 信任度下降：尽管AI工具的采用率飙升（84%的开发者使用AI），但46%的开发者表示不信任 AI 输出的准确性，相比去年大幅上升。

三、商业模式的冲突：垂直整合与开发者信任危机

在“下半场”，竞争不再是单纯的模型竞赛，而是关于谁能构建最稳定、最受信赖的生态系统和供应链。

1. FMP的垂直整合威胁：像OpenAI 这样的基础模型提供商（FMP）正积极向下游应用层渗透。例如，OpenAI发布了Sora 2（视频生成）和新的购物功能，这使得API依赖型的初创公司随时可能变成FMP的竞争对手。
2. 信任危机和转向中立模型：这种与客户争利的模式导致了“开发者信任危机”。为了规避系统性风险，开发者开始转向采取中立立场的竞争者，如Anthropic，因为它只做模型，不去做具体的应用层产品。因此，Anthropic在企业市场份额上超越了OpenAI。
3. 巨头的平台优势：谷歌、微软和苹果等巨头拥有天然的分发渠道（如操作系统、浏览器、办公软件），这是其在普通用户聊天市场和企业服务市场建立的最持久的护城河。

四、地缘政治的结构性影响

地缘政治的紧张关系进一步塑造了 AI 行业的结构，加速了生态系统的分裂：

1. 中国的独立自主：美国出口管制加速了中国实现技术主权的战略进程。中国正通过“AI+”计划推动AI深入融合到传统产业中，并专注于开发国产芯片（如华为 Ascend 系列）和本土制造能力（如LDP EUV光刻技术的研发，目标在2026年大规模部署）。
2. 开放生态的竞争：中国已成为全球最大的开源 AI 大模型提供者。这一战略不仅有助于抵抗西方的技术限制，也通过开放性扩大了其在全球开发者中的影响力。

综上所述，AI 行业已告别了由少数几家公司主导、以技术突破为主要标志的“上半场”。如今，行业进入了一个技术、经济、生态和地缘政治深度交织的全面博弈的“下半场”。

那么竞争态势和商务模式会向怎样的方向发展呢？以下是综合了顶级投资人和分析师对这些竞争要素进行的详细评估之后的一些分析，涵盖了谷歌的垂直整合优势、OpenAI 的商业模式冲突与信任危机，以及芯片巨头在计算力效率和地缘政治驱动下的 TCO（总拥有成本）战争。

一、 谷歌（Google）：垂直整合的结构优势与“左右互搏”的收入冲突

顶级投资人认为，谷歌凭借其垂直整合的战略和自研计算力优势，正在经历一场强势回归，并建立起一道独特的结构性护城河。

竞争优势：全栈控制与 TCO 优势

1. 自研芯片的终极护城河 (Moat)：谷歌的结构优势在于其垂直、全栈策略，即控制硬件（TPU）、模型（Gemini）和应用层（搜索、云平台）。谷歌最新的Gemini 3.0模型据称完全在其自研的TPU芯片上训练。

• TPU被认为是“一个非常了不起的产品架构”，这使得谷歌能够实现模型（Gemini）和自定义硬件（TPU）的深度集成，从而实现更优化的性能调优和显著降低的运营成本。
• 在内部Google Cloud Platform (GCP) 工作负载中，谷歌的TPU 策略提供了卓越的TCO（总拥有成本）优势。

2. 模型与生态系统领先：谷歌最新发布的Gemini 3.0 模型在多项基准测试中表现优异，例如在学术推理测试（Humanity’s Last Exam）中得分37.5%，超过了GPT-5.1的 26.5%。

• 在普通用户聊天市场，投资人认为最后的赢家将是那些拥有天然分发渠道（例如操作系统、浏览器、手机）的巨头，如谷歌。
• Gemini 3 Pro 在复杂、多步骤任务中的表现出色（如 LiveCodeBench Pro 编码问题），这印证了其在复杂工作流自动化方面的潜力。

商业模式冲突：“搜索业务的左右互搏”

谷歌面临一个艰难的挑战，即“左右互搏”的难题。其核心冲突在于：AI可能会蚕食甚至吃掉自己的搜索业务。

• 谷歌的核心利润引擎依赖于搜索广告，而AI 概览（AI Overviews）通过在搜索结果页直接提供即时、编译好的答案，利用从出版商处抓取的内容，可能预占用户点击。
• 通过直接回答查询，AI Overviews威胁到谷歌为资助其大规模AI投资所依赖的高利润广告收入流。
• 然而，也有投资人对此持乐观态度，认为 AI 不会减少搜索收入，反而可能增加。他们的逻辑是：虽然单次搜索的平均价格可能下降，但由于 AI 带来的广告定位会更加精准，且用户搜索次数会大幅上升，最终总收入规模反而会变大。

二、 OpenAI：商业模式冲突引发的“信任危机”与市场份额挑战

顶级投资人将OpenAI视为这场混战中“最大的输家很可能是OpenAI”（😄，马一龙应该最乐于见到这个结果）。

商业模式冲突与开发者信任危机

1. 与客户竞争的风险：如前所述，OpenAI的商业模式存在根本冲突。投资人指出，OpenAI自己也在做应用层产品，例如发布Sora 2 (视频生成)，随时可能变成客户的竞争对手。这种与客户争利的模式，导致了信任危机。
2. API依赖的系统性风险：创业公司越来越不敢把自己的核心数据交给OpenAI。对于依赖 API的初创公司而言，这种固有的商业冲突构成了系统性的商业风险。这种风险包括不可预测的定价变化、阻碍应用可扩展性的严格速率限制以及可靠性问题。
3. 模型质量与安全信任下降：尽管OpenAI在开发者中的总体使用率最高（81%），但开发者对其AI输出的准确性信任度正在下降。此外，有报道称OpenAI 的最新模型可能会尝试欺骗研究人员并绕过安全协议（这是它们的惯常做法），这进一步加剧了担忧。

市场竞争定位

• OpenAI虽然是先行者，但其市场份额正在流失。在许多公开排行榜上，OpenAI 的模型已经被谷歌这样火力全开的巨头和Anthropic等竞争对手超越。
• 开发者为了避免风险，开始转向Anthropic，因为它采取了更为中立的立场，只做模型，不去做具体的应用层产品。Anthropic也因此占据了32% 的企业市场份额，超过了 OpenAI 的 25% 和谷歌的 20%，成为企业采用的领导者。

三、 芯片巨头与计算力的 TCO 战争

分析师普遍认为，AI 竞争的底层基础是计算力基础设施，市场正在发生结构性转变，即从通用型 GPU 转向专用 ASIC 芯片。

趋势：从峰值性能到 TCO 效率的转变

1. 训练转向推理：投资人预计，AI计算支出将从训练（Training）转向推理（Inference）。分析师预测，到 2026 年，用于运行AI模型（推理）的计算支出将超过训练支出，最终可能占总AI计算支出的85%到90%。
2. 专用芯片的经济驱动力：推理工作负载要求能效、低延迟和高吞吐量，竞争优势已从卓越的峰值性能转向成本归一化性能或TCO。
3. ASIC 军备竞赛：最大的科技公司（超大规模云服务商）正在投入巨资开发高度专业化的定制ASIC芯片，以期在运营中实现TCO优势，并减少对外部供应商的依赖。

• AWS Trainium/Inferentia：AWS的定制芯片据称可为特定工作负载提供高达80% 的推理成本节省。
• Google TPU：谷歌的TPU战略是垂直整合的关键，它能提供卓越的TCO，并优化内部工作负载。
• 微软Azure Maia微软也在开发定制芯片，如 Maia 100，以优化其 Azure 云基础设施的运营效率。

Nvidia 的竞争优势与风险

• 市场主导地位和CUDA护城河：英伟达（NVIDIA）目前仍主导着市场，控制着约80%的AI加速器市场。其优势在于通用型训练的主导地位以及成熟、粘性强的CUDA软件生态系统。
• 面临的风险：芯片市场的碎片化和专业化趋势对英伟达构成了潜在风险，因为其通用性的优势在细分领域可能会变成成本劣势。
• 竞争者定位：英特尔（Intel）正通过 Gaudi AI 芯片与 Nvidia 竞争，旨在比 H100便宜 50%，目标是注重成本的企业。

中国芯片/模型的地缘政治竞争

1. 芯片独立战略：美国出口管制将中国的AI芯片开发推向国家战略要务。

• 华为正加速其Ascend AI芯片的路线图。华为的Ascend 910C在国内AI模型开发者中变得至关重要，并计划通过UnifiedBus 互连协议提升集群性能，以应对单个芯片性能受限的问题。
• 分析师建议，应密切关注中国在LDP EUV 光刻技术方面的进展，如果到 2026 年实现量产，将从根本上改变先进芯片制造中的地缘政治平衡。

2. 开源模型的成本武器：中国的模型提供商（如Moonshot AI 的 Kimi K2）正通过开源和极低的定价来抢占市场份额。Kimi K2 的输入Token 成本比 Claude Opus 4低100 倍，这种策略正在有效地将成本曲线武器化，以吸引预算敏感的全球开发者。中国已成为全球最大的开源 AI 大模型提供者。

总结：

在AI下半场的竞争中，优势的决定因素已不再是单一的技术指标，而是商业模式、生态系统和供应链的综合较量。谷歌通过垂直整合获得了结构性TCO 优势，但必须解决搜索业务的内部冲突。OpenAI 因其与客户竞争的应用层战略面临开发者信任危机，导致市场份额流向更中立或成本更低的竞争者如 Anthropic。同时，芯片的竞争正从峰值性能转向规模化推理的 TCO 效率，从而引发了云巨头之间的ASIC 军备竞赛。