未来，全栈能力将成为 AI 公司的护城河。

新眸原创 · 作者 | 鹿尧

三年前，ChatGPT 横空出世，整个科技圈都为之震动。上线两月活跃量上亿，GPT 系列模型的突破性表现，似乎完美复刻了 " 初创公司颠覆行业巨头 " 的经典叙事。彼时不少人相信，AI 将是下一个由创业公司主导的范式革命。

但历经三年，技术浪潮的叙事悄然转向，行业走过最初的喧嚣，一个更现实的问题浮现：如何将 AI 技术，内化为企业可持续发展的核心能力，并转化为稳固的商业价值？

曾经被认为 " 起大早，赶晚集 " 的谷歌，其重返竞争核心地带的历程颇具启示：今年上半年，最新发布的 Gemini2.5 系列模型在多模态能力上实现突破，业内不少评价认为其在诸多维度超越了 GPT-4 系列模型

而支撑 Gemini 快速迭代的，正是谷歌将 AI 深度内化的全栈能力：从专为 AI 研发近二十年的 TPU 芯片 ，到贯穿模型、框架与应用的完整技术链，谷歌的 " 老本儿 " 在 AI 竞争进入深水区时，显示出它的决定性意义。

无独有偶，在大洋彼岸，同样从搜索时代走来的百度，呈现出与谷歌相似的逻辑。从昆仑芯片到飞桨框架，从文心大模型到百度智能云撑起的一系列产业应用，以及搜索、萝卜快跑等大众消费级应用，这家公司用十年时间构建的，是一个能够让 AI 深度内化的完整技术栈。

在百度世界 2025 大会上，不仅能看到全方面升级的原生全模态大模型文心大模型 5.0，还有包括百度伐谋、百度慧播星数字人等一系列产业级 AI 解决方案的发布，展示了这种全栈布局如何转化为实际生产力——不仅仅是单点技术突破，更是将 AI 能力像乐高积木一样灵活组合，融入千行百业的肌理。

这背后的行业变迁颇具深意。随着 AI 技术进入深水区，企业客户的需求微妙转变。从最初追逐 " 最强大的模型 "，到现在更看重 " 最合适的解决方案 "。这种需求催生了更复杂的竞争维度，也使得全栈能力成为连接技术创新与真实产业需求的桥梁。

于是，一个清晰的共识正在形成：AI 的竞争，已从模型效果的单点突破，升维为将 AI 深度内化的系统作战。在这个维度上，拥有全栈能力的科技巨头展现优势——它们能够提供从芯片、框架、模型到应用的全链路解决方案，让 AI 从外挂，内化为企业的核心能力。

这注定是一场属于长跑者的游戏，考验的不仅是技术的敏锐度，更是战略的耐心、工程的实现能力与生态的构建艺术。

为什么 AI 竞争越来越依赖 " 全栈能力 "？

在早期的 AI 发展阶段，企业需求相对单一，主要聚焦于模型的性能表现。那时人们会认为只要模型的准确率、召回率等指标足够优秀，就能在市场竞争中占据优势。但随着 AI 逐渐从通用能力向深度行业应用转变，企业逐渐意识到，单纯追求模型远远不够。

以自动驾驶为例，一个高精度目标检测模型固然重要，但这仅是整个自驾系统的一个环节。要实现车辆安全、稳定行驶，还需要考虑传感器实时采集处理、车辆的实时控制、系统的可靠性与安全性等诸多因素。

这就要求 AI 解决方案必须端到端，从数据的源头到最终的应用，形成一个完整、高效的闭环。

另一方面，算力调度与成本控制是规模化应用不可回避的挑战。不同业务场景的算力需求千差万别，比如电商领域，传统的固定算力配置模式，在应对波动时就显得捉襟见肘。而动辄千万的 GPU 硬件采购成本，也成了企业部署头疼的问题，更不必说其运行能耗十分惊人。

在这些状况下，他们开始寻求具备全栈能力的合作伙伴——全栈能力不仅意味着能提供高性能的 AI 模型，还能通过芯片、框架、模型、应用的协同优化，在算力调度、系统集成、应用开发等多个层面提供支持。

举个例子，过去，制造企业可能只买 "AI 质检模型 " 来检测产品缺陷，但遇到两个问题：算力不够用，产线数据量极大，外购算力成本高，且高峰期调度不过来；模型不匹配，通用模型对企业特有产品识别准确率不足，改模型又缺框架工具。

但如果企业借助全栈能力，比如用百度百舸 AI 计算平台搭建专属本地化算力中心，既降低长期成本，又能灵活调度产线峰值算力；通过飞桨定制行业模型，结合产线数据优化后，再通过千帆大模型平台把模型部署到产线设备，同时对接企业 ERP 系统，实现全栈打通。

再比如，早期金融机构用 AI 工具做风控，数据安全风险和响应速度不稳定很影响体验。现在如果有一套全栈方案，既能搭建私有 AI 集群，确保数据不泄漏，又能训练专属模型，实现实时审批与动态风控，最后还可以借助像 " 文心快码 " 这类的代码工具开发出风控系统前端应用，打通模型与业务流程，这样一来，金融行业的风控问题也很好解决。

这些案例的共性是：企业从只需要某一项 AI 能力（模型 / 工具），变成需要 " 算力 - 框架 - 模型 - 应用 " 全栈协同——因为只有全栈能力，才能解决 " 成本、安全、适配性、效率 " 等规模化落地的核心痛点，这正是全栈需求激增的根源。

今年上半年，国内大模型中标项目累计 1810 个——超过 2024 全年。值得注意的是，这一过程中，依托领先大模型技术与全栈智能基础设施的百度智能云，收获了更多青睐，其中标项目和中标金额稳居 " 双第一 "，并领跑金融、能源、政务、制造等重点行业：

数据显示，目前 65% 的央企、100% 系统重要性银行及 800+ 金融机构、超半数主流游戏厂商、TOP10 手机厂商、中国市场销量 TOP15 汽车品牌、TOP10 新能源车企都与百度智能云展开了合作。 

与此同时，行业的需求变化，也在驱动技术供应商进行战略调整。

一方面，模型厂商正积极向下游延伸。OpenAI 被曝规划自研 AI 芯片，试图摆脱对英伟达的过度依赖；Anthropic 也在加强与云服务商的深度合作，寻求更优化的算力解决方案。

另一方面，云厂商则加速向上游突破。无论是百度的 " 云智一体 " 战略，还是谷歌的 VertexAI 平台，都在试图提供从基础设施到模型能力的完整堆栈。这种边界的模糊，标志着 AI 产业正从 " 专业分工 " 走向 " 垂直整合 "。

而转变的深层逻辑在于，AI 的价值实现越来越依赖于各技术环节的紧密协同。

企业需要的不仅是先进工具，更是能够将其转化为业务价值的完整能力。全栈能力，正从三年前的技术选项，转变为今天的竞争必需品。它代表着 AI 产业走向商业成熟的必然阶段，也预示着未来竞争格局更注重系统性和可持续性。

在这个新的竞争维度上，拥有全栈能力的企业，已经占据了更有利的位置。

全栈能力如何帮助企业在 "AI 内化 " 中脱颖而出？

今年，李彦宏在百度世界大会上分享了一个很有意思的观点：只有当 AI 被内化为一种原生的能力，才能真正在各行各业实现效果的涌现，进而引爆一场全面的生产力革命，推动经济增长，让 " 智能红利 " 转化成 " 社会红利 "。

这句话的核心，是强调 AI 不能仅作为附加功能存在，而要像水电一样，成为业务肌体中自然流淌的血液。这里的 " 内化 "，既是企业自身的成长，也代表 AI 与行业的深度融合，当 AI 与业务深度耦合到一定程度后，便会涌现质变。

举个例子，外界经常把谷歌的 " 逆袭 " 看作是 AI 全栈优势的集中体现，当 ChatGPT 率先引爆市场时，谷歌的全栈布局为其快速反超奠定基础，从 TPU 芯片到 TensorFlow 框架，再到庞大的数据资源，让 Gemini 在多模态领域实现突破。

再想象一下电力革命，当工厂不再仅仅是在角落里放一台发电机，而是将电力系统深度融入生产线设计，这才真正引爆了工业生产的效率革命。如果 AI 只是用来写邮件、做图的玩具，那么它带来的提升是局部的、有限的。

百度自身的转型同样是典型范例。

在今年的百度世界大会上，一系列产业级 AI 产品的发布，展现其全栈布局如何作为 "AI 原生能力 " 的底座，催生创新应用的涌现。从昆仑芯片提供底层算力，到飞桨框架支撑模型开发，再到文心大模型理解复杂需求，最终在应用层结出硕果：

百度慧播星数字人是业界首个全栈式数字人直播方案。基于万亿级知识库和动态交互能力，" 罗永浩数字人 " 在双 11 创下 GMV 新纪录，部分品类数据甚至超越其真人直播。目前，超 10 万个慧播星数字人已服务于电商、教育、医疗等数十个行业。

而萝卜快跑这个全球最大自动驾驶出行平台，印证了全栈能力在安全与规模上的双重价值。其无人驾驶车队已突破 2.4 亿公里行驶里程，安全性达到人类驾驶员的 10 倍以上，从武汉到迪拜，从香港到瑞士，萝卜快跑已经在全球 22 个城市规模化运营。

值得关注的是，这些 AI 应用的规模化落地，离不开百度智能云的支撑。

通过连接技术与市场，百度智能云既承载了内部海量业务的锤炼，又成为能力外溢的通道。经过内部大规模验证的 AI 能力，通过云服务输出到金融、交通、制造等行业，把 AI 从 " 外部工具 " 变成行业 " 自带的原生能力 "。

全栈能力的价值，在 " 内部练兵，外部赋能 " 的模式里充分释放。它让创新不再停留在实验室，而是通过系统性的工程，转化为可规模化的商业产品，甚至引爆生产力革命，在帮助外部企业的同时，也完成了能力的 " 内化 "。

未来竞争：

全栈能力将成为 AI 公司的护城河

对于企业而言，搭建全栈 AI 能力，本质上是一场关于战略定力的考验。它并非一日之功，需要的是十年如一日的压强式投入，在芯片、框架、模型、应用各层持续积累。

谷歌之所以能快速推出 Gemini 系列模型并在多模态领域突破，关键在于其将 AI 能力深度内化到企业的技术基因中——从自研芯片提供的算力底座、TensorFlow 构建的开发者生态，以及多年积累的数据资源。这种贯穿基础设施、软件框架与上层应用的深度协同，构成了其技术反超的核心支撑。

同样，百度文心大模型的持续迭代演进，再到能够寻找 " 全局最优解 " 的百度伐谋，都是其在芯片、框架、模型、应用四层体系协同作用下，攻坚技术高地的直观体现。

拿百度伐谋来说，作为全球首个可商用的能够 " 自我演化 " 的超级智能体，这个新产品在 OpenAIMLE-Bench 等三大权威基准测试中均获得第一，并在 StanfordKernelBench 中实现 20 倍算子优化加速，成为衡量 AI 复杂系统优化能力的 " 标杆级存在 "。

从本质上来讲，伐谋的最大亮点，莫过于突破了传统 AI 的能力边界。它不局限于处理单一任务，而是基于海量数据自主学习、持续迭代，在多约束条件下突破人工局限，找到跨维度、长周期的最优解决方案的智能系统。

简单来说，伐谋几乎在业内首次实现 " 复杂系统全局优化 "，将 AI 从 " 被动响应需求 " 升级为 " 主动寻找最优解 "，进入决策智能深水区，在产业层面破解了全产业链的跨场景痛点。

目前伐谋在实际应用中已有很多成功案例：交通领域，伐谋协同信控算法，使得百度智能云 SaaS 信控平台通过优化红绿灯配时进一步缓解城市拥堵；在金融领域，伐谋精准识别优质客户，扩大金融服务覆盖范围。针对海上能源平台、港口枢纽等国家战略工程，伐谋通过高效优化方案降低建设成本、提升工程可靠性，为工程规模化落地提供技术保障。

可以预见的是，这样的技术突破注定会延续，因为在百度，AI 能力的内化还在持续。

就这次大会来看，在底层算力上，百度智能云不仅发布新一代昆仑芯（包括明年上市的推理优化型 M100、2027 年上市的多模态训练和推理型 M300）与天池超节点，更宣布未来五年按年推出新产品，持续打造最硬 AI 云。

目前昆仑芯已累计完成数万卡部署。百度智能云凭借全栈 AI 云能力布局，连续六年位列中国 AI 云服务市场份额第一。

随着行业的竞争维度从模型 " 跑分 " 转向生态繁荣，评判一家 AI 公司的标准，不再是其最强大模型的性能极限，而是其技术能否像乐高积木一样，被灵活、低成本地组合进千行百业的解决方案中。

市场研究也印证了这一趋势。前段时间，华安证券指出，AI 产业的战略重心从提供单一功能 API，转向构建平台化、生态化的 " 超级操作系统 "。换句话说，单点技术优势的窗口期越来越短，全栈能力正成为更难被复制和超越的竞争壁垒。

对于谷歌、百度这类坚持全栈路线的公司而言，这条护城河正显现其价值：更快的迭代速度、更低的协同成本，以及在对产业复杂需求的深层满足。当 AI 竞争驶入深水，全栈能力不仅拉开科技企业 " 内化 AI 能力 " 的高下之分，更带动科技大厂从起大早，到赶大集。

— END —

更多内容，点击下方关注