AI垂直應用的“普羅米修斯時刻”?

AI產業的發展速度,正在以一種近乎殘酷的方式考驗著市場參與者的判斷力與執行力。當所有人都還在猜測下一個超級應用會以什麼樣的面貌出現時,資本市場的巨輪已經碾過了焦慮與觀望,直接將真金白銀砸進了基礎設施與垂直場景的深水區。就在剛剛過去的這個季度,中國兩大科技巨頭阿里與騰訊,在AI相關領域的資本開支合計逼近千億元人民幣大關,這一數字的震撼力,不僅僅在於其體量,更在於它向外界傳遞了一個明確的信號:AI的競爭,已經從模型參數的較量,全面升級為算力、人才與商業化落地的系統性戰爭。騰訊終於在AI上展現出了前所未有的大手筆。長期以來,這家社交與遊戲帝國在AI領域的布局相對審慎,市場對其「保守」的批評從未停止。
然而,當最新一期財報出爐,那條陡峭向上的資本開支曲線,讓所有分析師都感到意外。騰訊此次重注AI,並非簡單地跟隨行業潮流,而是將AI深度嵌入其龐大的內容生態與社交圖譜之中,意圖在廣告精準投放、遊戲內容生成以及企業服務層面,找到新的增長飛輪。但問題也隨之而來:資本市場是否會為這份姍姍來遲的決心買單?投資者擔憂的不是騰訊沒有AI戰略,而是在這個由創新驅動的行業裡,先發優勢往往決定著最終的市場格局,後發者即便擁有龐大的流量入口,也必須付出更高的代價去搶奪用戶心智與技術制高點。就在巨頭們為了「大而全」的AI帝國夢燒錢不止時,另一條截然不同的路徑正在被驗證。
國產大模型獨角獸MiniMax的動作,猶如一枚投入平靜湖面的石子,激起了層層漣漪。當整個行業陷入「尋找殺手級應用」的集體狂熱時,MiniMax卻悄然選擇了轉身,不再執著於打造一款能夠引爆C端市場的超級應用,而是將自身的核心能力——大模型——作為一種基礎服務,通過API(應用程式介面)向開發者與企業客戶開放,也就是所謂的「賣Token」。這一策略的轉變,直接反映在了財務數據上。根據最新披露的訊息,MiniMax的營收實現了283.1%的同比增長,這在整體商業化進程依然艱難的大模型賽道中,無疑是一個驚人的成績。
這份成績單的背後,折射出的是AI商業化路徑的分野:是賭一個「贏者通吃」的C端超級入口,還是穩紮穩打地做B端市場的「送水人」?MiniMax用實際行動選擇了後者。這種「換引擎」式的轉型,雖然放棄了在聚光燈下講述用戶增長故事的機會,卻換來了更為穩健的現金流與更貼近實際需求的商業模式。「超級應用」的迷思正在被打破。在此之前,業界普遍認為,大模型的終極價值必須透過一個類似微信或抖音那樣擁有海量用戶的超級應用來兌現。然而,現實的殘酷在於,通用大模型的同質化競爭已將C端市場的獲客成本推高至難以承受的水平,用戶的忠誠度卻極低。在這種背景下,垂直場景的深度應用與商業模式的靈活性,反而成為了更務實的選擇。
MiniMax的成功轉型,正是這一趨勢的縮影,它證明了大模型的價值釋放不只有一種形態,可以作為一種底層資源,嵌入到金融、醫療、教育、遊戲等各行各業的具體工作流程中,解決實際問題,從而產生直接的經濟效益。回看阿里與騰訊的千億投入,以及MiniMax的異軍突起,會發現它們共同勾勒出一個正在成形的產業圖景。巨頭的資金湧向算力基礎設施與底層模型研發,這是為了佔據未來AI生態的核心位置;而像MiniMax這樣更具敏捷性的玩家,則選擇在商業模式創新與垂直應用落地層面尋找突破口,將大模型的能力轉化為可量化的收入。這種「上游重資產、下游輕模式」的搭配,恰恰是AI產業走向成熟的標誌。
「普羅米修斯時刻」的比喻,或許正適用於當下的情境。神話中,普羅米修斯將火種帶給人類,開啟了文明的新紀元;而在AI的世界裡,那些投入巨資建設基礎設施的巨頭們,就像是盜火者,將算力的「火種」源源不斷地輸送到社會的各個角落。而MiniMax們則像是掌握了用火技藝的工匠,他們不直接生產火焰,卻懂得如何將這把火用在最恰當的地方,烹飪出美味的食物,或是鍛造出堅固的工具。對於創業者而言,這無疑是一個最好的時代。因為他們不再需要從零開始去追逐那個虛無縹緲的「超級應用」夢,也不必在算力的軍備競賽中耗盡心力。他們只需要專注於理解特定行業的痛點,然後利用市面上的大模型能力,快速建構出解決方案。
當模型能力成為像水電一樣的基礎服務,真正考驗商業智慧的,便是在哪個細分領域深耕,以及如何建構起面向客戶的服務壁壘。然而,繁榮的背後也隱藏著審視的目光。當資本大量湧入,估值被不斷推高,行業內難免會出現泡沫化的風險。無論是巨頭千億級的資本開支,還是MiniMax高速增長的營收,都需要接受時間的考驗。資本市場是否會持續為這種燒錢換增長的故事買單?垂直應用的市場空間,是否能承載住如此多高估值的公司?這些都是懸在從業者頭上的達摩克利斯之劍。此外,營收的倍數增長並不代表盈利的拐點已經到來。
對於所有的AI公司而言,如何透過規模化效應降低單位成本,如何在模型推理成本與服務定價之間找到平衡,仍然是一道難解的方程式。MiniMax的成功固然可貴,但這條「賣水」之路能否持續走下去,並最終通向盈利的彼岸,仍需要觀察其後續的運營效率與客戶留存率。從更宏觀的角度來看,AI產業的發展正在從野蠻生長的探索期,逐步過渡到精細化運營的深耕期。那些期待一夜之間出現顛覆性超級應用的幻想正在退潮,取而代之的是樸素的商業邏輯與務實的落地場景。阿里、騰訊的千億投入,為這個行業搭好了最堅實的舞台;而MiniMax們的商業模式探索,則為台下的觀眾提供了最精彩的演出。
無論是巨頭繼續加碼基礎設施,還是新貴們在垂直賽道中開疆拓土,歸根結底,AI的終極價值仍然在於解決實際問題。當這個行業不再熱衷於談論宏大的敘事,而是專注於打磨每一個具體的產品功能、提升每一幀的處理效率時,那個真正屬於AI的「普羅米修斯時刻」才算真正到來。市場需要的不是下一個奪人眼球的概念,而是能夠融入生活與生產細節的默默耕耘。這場由資本、技術與商業模式共同驅動的變革,才剛剛拉開序幕。對於我們每一位身處其中的觀察者而言,保持耐心與理性,或許比追逐風口更為重要。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.