全棧AI，其實是個陷阱？

字母榜2026.08.26 13:32 · 來自北京全文8282字00:00 / 23:43All in AI並不是終點。文 | 字母榜全棧AI，現在差不多已經成為大廠的標配。幾乎所有科技巨頭都在同一個方向使力：把AI產業鏈上越來越多的環節收入自己手裡。於是模型公司操心芯片、數據中心和電力；雲廠商開始訓練自己的模型；手機廠商在補AI能力；社交平臺也在押注Agent和下一代終端。OpenAI可能是今天“全棧AI”野心最明顯的公司之一。往下，它正在深度介入芯片、數據中心、電力和算力基礎設施；往上，它有API，有ChatGPT，有Codex，也在尋找新的硬件入口。

但在8月23日David Senra的播客裡，Altman開始強調另一件事：OpenAI不能什麼都做。他認為OpenAI應該成為一家平臺公司，而不是把每一個AI應用都自己做掉。資源有限，公司必須主動放棄一些“不錯的產品”，把算力、人才和注意力留給真正重要的事情。另一邊，目前最接近“全棧AI”的谷歌，剛剛又對自己的AI組織動了一次大手術。哈薩比斯交出 DeepMind 管理權，“榮升”董事長；迪恩等四名資深骨幹離職出走，創立新公司。從芯片、雲、模型、搜索、辦公軟件，到操作系統和終端，谷歌幾乎一應俱全，但也正是因為鋪得太全、捏在手裡的牌太多，內部協調才會變得格外困難。

旗艦模型遲遲拿不出手，甚至被外界懷疑是否正在退出SOTA模型競賽。懷揣著全棧野心的科技公司們高喊著“All in AI”，但問題在於，當芯片、算力、模型、Agent、應用和終端同時成為“不能輸”的戰場，一家公司到底有多少資金、算力、人才和管理注意力，可以同時投入其中？當所有AI機會都被視為“不能讓給別人”的陣地，全棧究竟是一個可以抵達的終點，還是一場畫地為牢的陷阱？01互聯網時代的平臺巨頭，其實很少靠“通吃”建立優勢。

微軟真正的護城河是Windows建立起來的操作系統標準和開發者生態；谷歌的核心優勢是搜索入口、數據和廣告分發形成的閉環；蘋果掌握的是iPhone、iOS和App Store共同構成的移動生態；亞馬遜則通過AWS佔據了雲基礎設施這一關鍵層。平臺真正理想的狀態並不是把整個產業鏈都收入自己手裡，它們只需要控制一個關鍵入口，形成難以被複制、且難以被繞開的壁壘。阿里甚至曾經把這種模式直接寫進自己的公司定義。2018年年報裡，它把自己生態的核心定義為三樣東西：技術平臺、市場規則，以及連接不同參與者的角色。

消費者、商家、品牌、零售商和第三方服務商圍繞這一平臺彼此發現、互動和交易，最終形成“自我強化的網絡效應”。阿里給自己設定的長期目標也不是親自做完所有生意，而是“構建未來的商業基礎設施”，讓企業能夠“Work @ Alibaba”，藉助阿里的基礎設施和技術，自己建立業務、創造價值。AI理論上當然也可以形成類似的產業分工。英偉達已經提供了一個非常典型的樣本，它如今的邊界正圍繞GPU、CUDA、網絡和整套加速計算平臺不斷擴張，但真正讓它獲得超額回報的控制點，依然高度集中。

2027財年第一季度，英偉達營收達到816億美元，同比增長85%；其中數據中心收入達到752億美元，同比增長92%，佔總收入九成以上。單季GAAP毛利率高達74.9%，營業利潤達到535億美元，同比增長147%。只要GPU和圍繞它形成的軟件、網絡生態仍然是AI計算繞不過去的一層，英偉達就足以拿走產業裡最豐厚的利潤之一。Anthropic也提供了另一個方向的案例，它並沒有自己的雲、芯片、操作系統和終端，卻依靠Claude模型能力，尤其是在Coding和企業工作流中的優勢，迅速建立起商業價值。至少在現階段，以模型能力為核心的一層優勢就足以支撐一家規模巨大的公司。

理想情況下，AI本來可以像互聯網時代一樣，沿著不同賽道形成分工：芯片、雲、模型、Agent、終端，公司完全可以選擇其中一條持續加碼，把優勢做深。每一條賽道都有機會建立自己的護城河，也都有機會長出新的巨頭。但現實是，AI爆發得太快了。從模型到Agent，從雲到終端，每一條賽道都在高速膨脹，幾乎不給大廠留下慢慢判斷、主動取捨的緩衝時間。在一個產業邊界還沒有完全形成的藍海市場裡，每一層看起來都可能成為下一個搜索、下一個Windows、下一個AWS，也可能誕生下一個英偉達。任何一次主動缺席，都可能意味著把蛋糕直接讓給競爭對手。而互聯網時代又給這些公司留下了一種非常強烈的成功記憶。

無論是張一鳴所追求的“Super Company”，王興強調的“無邊界”，還是阿里長期迷戀的“打通生態”，背後都是同一種平臺公司的本能：看到明確的市場需求，就傾向於相信可以用資本、人才和組織能力把它做出來。在這樣的環境下，誰都不知道今天看起來只是一個產品功能的東西，會不會在幾年後長成新的平臺入口；誰也沒有理由在需求已經出現、能力又看起來可以複製的時候，主動把機會留給別人。這些互聯網公司曾經靠一個別人很難複製的核心優勢成為巨頭；到了AI時代，卻開始產生另一種衝動：既然每一層都有可能成為下一個護城河，那為什麼不能All in？

全棧AI於是首先不是一種技術理想，更像是產業分工尚未完成時的一種集體擴張衝動。或者，如果用更激進的話來形容，更像是大廠把覆蓋儘可能多的層，誤認為是一種必然更優、甚至最終必然勝出的企業形態。02某種意義上，全棧AI就像路途終點的梅子樹——它當然足夠“止渴”，甚至可能是AI時代最誘人的公司形態。但今天的“全棧AI”，背後其實混雜了兩種不同方向的擴張。一種是做縱向一體化：模型公司向下進入芯片、數據中心和電力，雲廠商向上訓練自己的模型，終端廠商補上操作系統和Agent能力。它們看起來都在跨越原本的業務邊界，但本質上仍然圍繞自己的核心能力，把上下游最關鍵的環節逐漸握進自己手裡。

這種擴張本身有其價值，很多時候，它屬於建立護城河的必要環節。最直接的收益，就是能夠少受制於人。模型公司如果永遠依賴別人的GPU和雲，就要承受價格、供給和議價權的不確定；雲廠商如果只負責賣算力，也會擔心最有價值的客戶關係最終被模型公司拿走。往上下游多走一步，對任何一家公司單獨來看都很合理，畢竟每多握住一層，就少一個別人可以卡住自己的地方。拿OpenAI和微軟舉例，這兩家公司早期的合作，幾乎是AI產業分工最理想的樣子。OpenAI負責把模型做得更聰明，微軟負責提供源源不斷的算力。一個向上做智能，一個向下鋪基礎設施，兩家公司各取所長，也彼此需要。

但隨著AI這塊蛋糕越做越大，OpenAI開始尋找微軟之外的雲廠商，自己介入數據中心、電力和基礎設施，甚至把手伸到了芯片，推出了Jalapeño；微軟則從另一頭越過邊界，不僅做Maia芯片，也開始訓練自己的MAI模型，並在Azure裡引入Anthropic等其他模型供應商。兩家公司依然是合作伙伴，但也都在有意識地降低對彼此的單點依賴，避免把最關鍵的能力和議價權交到對方手裡。從內部看，把更多環節握在手裡，還有一個頗具吸引力的好處：原本發生在公司之間的協作，可以變成發生在一家公司內部的優化。當芯片、系統軟件、模型和應用都屬於同一家公司，它們就可以圍繞同一個目標一起調整。

模型不必遷就通用芯片，芯片也可以反過來為模型定製；應用端發現的問題，可以一路反饋到底層系統和算力架構。微軟今年在財報會上強調的就是這套邏輯：公司正在同時優化從數據中心設計、芯片、系統軟件到模型架構的每一層。按照微軟自己的數據，Maia 200自研AI芯片相比其現有最新芯片，每美元能夠處理的Token提高超過30%；軟硬件聯合優化，又讓Copilot最常用模型的推理吞吐提升了40%。所以，僅僅向上下游延伸，並不足以構成陷阱。真正複雜的地方在於，AI公司的擴張往往不會停在這裡。有了模型之後，還可以做聊天機器人、Coding、視頻、瀏覽器、企業軟件、Agent，也可以繼續尋找新的硬件入口。

這就不再是圍繞核心能力縱向做深，而開始轉變成另一種橫向擴張。於是，“少受制於人”的邏輯開始不斷向外蔓延。今天不做芯片，擔心算力受制於人；不做Agent，擔心入口受制於人；不做應用，擔心用戶受制於人；不做終端，又擔心最終的分發權仍然掌握在別人手裡。縱向一體化解決的是關鍵能力受制於人的問題，橫向擴張卻更像是“任何機會都不能讓給別人”。當這兩種擴張同時發生，“全棧”就開始從一種效率選擇，變成一種戰略焦慮。每一家單獨來看，可能都只是想把自己的命運多掌握一點。但當所有公司都做出同樣的選擇，理性的個人決策就演變成了集體的囚徒困境。

技術棧做深需要芯片、數據中心和電力，業務線做寬同樣需要模型、算力、人才和銷售資源，最終爭奪的都是公司同一張資產負債表和同一批管理注意力。沒人敢率先減速。向下，芯片、數據中心和電力需要提前幾年佈局，今天少投一步，未來就可能在算力和供給上受制於人；向外，Agent、Coding、瀏覽器、企業軟件和新的硬件入口又都可能長成下一塊護城河，主動缺席同樣意味著承擔錯過下一代入口的風險。

在所有的投入裡，錢是最容易被量化的部分：今年Alphabet、亞馬遜、Meta和微軟四家公司預計將在AI基礎設施上投入約6500億美元，相比2025年的4100億美元又提高了近六成；僅2026年至今，美國企業為AI建設發行的相關債務就達到約2200億美元，而去年同期只有125億美元。然而，投入和回報中間存在巨大的時間差：錢燒在前面，收入和現金流卻難以接上。Alphabet今年將資本開支提高到1950億至2050億美元，儘管Google Cloud二季度收入同比增長超過80%，公司仍出現上市以來首次季度負自由現金流；Meta二季度自由現金流同比暴跌91%，只剩7.84億美元。國內也是同樣的情況。

阿里二季度資本開支同比增長75%至676.8億元，騰訊同期也花掉接近80億美元，兩家公司當季都出現負自由現金流。阿里已經用掉3800億元三年AI投資計劃的近一半，並預計相關投入還需要約2.5至3年才能收回；字節則被曝正在尋求約200億美元、公司史上最大規模的離岸貸款，其中一個重要用途就是繼續加碼AI基礎設施。全棧的收益在未來，維持全棧競爭的成本卻必須今天支付。然而，缺錢好歹還是一個可以通過融資、發債等方式暫時解決的問題。更復雜的壓力出現在組織協同上。對於這個問題，谷歌幾乎就是最典型的樣本。路透社在覆盤8月這輪DeepMind重組時發現，Gemini遲遲追不上前沿，背後並不只是模型能力問題。

Google Cloud和DeepMind需要爭奪有限的TPU資源，Gemini內部多個項目負責人也曾因為資源分配產生分歧，Coding等後來證明關鍵的方向因此投入不足；與此同時，DeepMind長期研究的傳統，又不斷與Google要求模型更快進入Cloud、Search和消費產品的商業目標發生拉扯。類似的矛盾也發生在阿里，據《晚點LatePost》披露，阿里一邊投資多家大模型公司並向它們提供算力，Qwen卻因為Infra和訓練資源不足，甚至不得不自己補建基礎設施團隊。

林俊暘提出離職後，Qwen團隊曾在內部全員會上直接質問管理層：為什麼外部的大模型創業公司購買阿里雲算力“用得順暢”，內部團隊卻長期在算力和招聘名額上捉襟見肘？阿里雲CTO周靖人承認，團隊“一直資源緊張”。因為組織上的統一，並不意味著經營目標會自動一致。技術棧做深，確實可能產生1+1＞2的優化；但業務線不斷做寬之後，公司又必須在模型、雲、芯片、Agent和不同產品之間重新分配算力、預算、人才和管理注意力。外部依賴減少了，內部的協調成本卻開始上升。“全棧AI”真正危險的地方在於，在產業邊界尚未穩定之前，沒有誰會輕易放棄一個仍有可能成為下一塊護城河的方向。

競爭對手還在加碼，自己就很難率先收縮；而自己多做一層，又會反過來迫使競爭對手繼續跟進。最終，“不能受制於人”的邏輯從技術棧蔓延到業務版圖，很容易演變為“什麼都不能讓給別人”。即使拋開外部因素，退出本身也是一件需要勇氣的事情，尤其對大廠來說，它們更願意相信自己會妥善處理好那些“前車之鑑”，不至於重蹈覆轍。03另外，從產業發展的角度看，“全棧AI”本身就很難成為一種穩定的終局。經濟學家科斯在解釋“企業為什麼存在”時，提出過一個非常樸素的問題：既然市場能夠完成交易，為什麼還需要公司？答案是，因為交易本身也有成本。尋找供應商、談判、簽約、監督和協調都需要付出代價。

當通過市場完成一件事的成本高於公司內部協調的成本，企業就有動力把這項能力收入內部；反過來，當內部管理越來越複雜，而從市場獲得同樣能力越來越容易，企業也就沒有必要什麼都自己做。從這個角度看，過去幾年AI公司的全棧擴張並不難理解：GPU短缺、雲資源緊張、模型能力稀缺，不同系統之間的接口又彼此割裂。關鍵能力掌握在別人手裡，不只意味著要付出更高價格，還意味著供給、效率甚至產品節奏都可能受制於人。與其反覆在市場上協調，不如把更多東西收入自己內部。但現在，兩邊的成本正在同時發生變化。一邊，全棧擴張正在讓公司內部的協調越來越貴。OpenAI最近的變化就很有代表性。

Altman在Stripe Sessions 2026上回顧，OpenAI最早只需要經營一家研究實驗室；ChatGPT之後，它不得不學會成為一家產品公司；如今，它又要同時處理芯片、數據中心、電力和算力基礎設施。實驗室、產品公司、基礎設施公司，本來就是三種完全不同的組織。OpenAI也因此越來越像一家傳統意義上的大公司。過去兩年，它不斷引入Fidji Simo、Sarah Friar等成熟科技公司的職業管理者；今年又把應用業務改成產品總經理制，讓ChatGPT、Codex、企業業務等分別擁有更明確的經營負責人。

一家從研究人員和工程師主導的實驗室裡長出來的公司，開始不得不用更傳統的管理體系，處理產品、收入和數千億美元基礎設施帶來的複雜性。但就在OpenAI越做越“全”的時候，Altman反而開始強調另一件事：OpenAI不能什麼都做。8月23日，他在David Senra的訪談中表示，OpenAI應該更多成為一家平臺公司，而不是進入每一個產品類別，更不能試圖和所有客戶競爭。在他的描述中，OpenAI的邊界非常清楚：一端是普通用戶直接使用先進AI的入口，另一端是供開發者和企業繼續構建產品的API平臺。至於中間大量具體應用，應該留給外部開發者和創業公司。

他甚至已經開始主動殺掉一些”還不錯”的產品，例如Sora和Atlas，把有限的算力、人才和管理注意力重新集中到更重要的方向。DeepMind則從另一個方向碰到了同樣的問題。路透社去年那篇長篇調查披露，DeepMind從一開始就非常抗拒變成一家普通的谷歌部門。2015年Alphabet成立時，Hassabis曾爭取讓DeepMind像Waymo一樣成為獨立公司；到2017年，DeepMind管理層甚至還在討論最終從谷歌剝離。早期DeepMind甚至沒有產品和收入，研究人員不需要證明下一次實驗能給搜索廣告帶來多少收入，也不用考慮Cloud客戶什麼時候買單。

Hassabis後來回憶谷歌收購帶來的好處時，說得很直白：留在倫敦、保持獨立，“不用管產品，做純研究”。但ChatGPT改變了這一切。2023年，谷歌把Brain和DeepMind合併成Google DeepMind，Hassabis一度掌握谷歌最核心的前沿AI力量，代價則是DeepMind開始揹負起整個谷歌的商業使命。Gemini必須追趕OpenAI和Anthropic，必須進入Search、Cloud和消費產品，也必須和谷歌內部其他業務爭奪TPU、人才和優先級。三年後，天平再次擺動。

今年8月，Hassabis退出日常管理，把更多精力重新放回AGI和長期科學；更偏產品和商業化的Koray Kavukcuoglu接過實際運營，一些團隊也重新納入谷歌體系。一個實驗室長大以後開始學習公司分工，一個實驗室被公司吸收以後又必須重新劃分研究與經營。OpenAI和DeepMind走的是相反的路，但碰到的其實是同一個問題：把越來越多能力裝進同一家公司，並不會消滅協調成本，只會把原本發生在公司之間的協調，變成發生在公司內部的資源分配。更何況，AI最擅長產生突破的組織方式，和一個全棧平臺最擅長的組織方式，本來就存在張力。

前沿研究需要允許試錯、路線競爭和長期投入，哪怕十次失敗只換來一次突破，也可能值得；平臺公司卻必須同時考慮產品節奏、收入目標、客戶需求和資源效率。前者追求的是能力邊界，而後者必須不斷做取捨。全棧可以減少外部依賴，卻不可能消滅組織成本。與此同時，另一股力量正在反方向運動：AI公司之間的交易成本正在快速下降。API已經讓模型能力可以像雲服務一樣被調用；模型路由讓開發者能夠根據價格、速度和效果在不同供應商之間切換；MCP和A2A又進一步試圖解決工具、數據和Agent之間的連接問題。

Anthropic推出MCP，本意是讓Claude更容易連接外部工具和數據；但MCP後來被ChatGPT、Gemini、Microsoft Copilot、Cursor等大量產品採用，2025年底Anthropic進一步把它捐給Linux Foundation旗下的Agentic AI Foundation，而OpenAI正是基金會的共同發起者之一，谷歌、微軟和AWS也參與支持。谷歌推出A2A也是一樣。它當然希望自己的Agent進入更多企業和應用，但要建立一個足夠大的Agent生態，就必須讓不同廠商的Agent彼此通信。

最終谷歌同樣把A2A交給Linux Foundation，由AWS、微軟、Salesforce、SAP、ServiceNow等公司共同參與。這形成了一個看起來有些反常的結果：大廠越想讓自己的那一層成為標準，就越需要讓自己的產品能夠和別人的模型、Agent和工具連接。它們的出發點當然不是放棄控制，恰相反，每家公司都想擴大自己的控制範圍。但當所有人都這樣競爭，API、模型路由、MCP、A2A以及各種開放接口又客觀上降低了不同層之間的綁定。模型可以換，工具可以換，Agent可以跨平臺協作，原本想被收入一家公司內部的技術棧，反而越來越容易被拆開、替換和重新組合。

按照科斯的邏輯，這意味著企業邊界兩邊的成本正在發生一次反轉。一邊，全棧擴張讓公司內部需要協調的業務、資源和目標越來越多；另一邊，標準化和互操作性卻讓公司之間尋找、連接和替換合作伙伴越來越容易。當內部協調越來越貴，而外部交易越來越便宜，“什麼都自己做”的經濟理由自然會變弱。所有人都想建立自己的全棧帝國，但正是這場全棧競爭，在不斷製造一個更模塊化、更難被任何一家公司完全控制的AI產業。最終，哪些能力值得留在公司內部，哪些應該重新交給市場，仍然取決於一件非常樸素的事：哪一種組織方式更有效率。

全棧當然有價值，跨層協同也真實存在，但今天所有大廠同時做芯片、雲、模型、Agent、應用和終端，未必意味著這就是AI產業最終成熟的形態。它更可能代表，產業的邊界還沒有畫完。今天我們看到的All in AI、既要又要，很可能只是它還沒有找到穩定結構的表現。