摘要

行业共识——仅靠文本缩放已触顶，AGI需“人形感知”。Google Gemini3、百度文心5.0等2.4T参数统一架构，实现图文音视一端进、一端出，标志大模型正式进入原生多模态时代。

 
降本不再靠单点算法，而是“芯片-框架-模型-应用”四位一体闭环。国内具备这一闭环能力的只有百度、华为；百度凭昆仑芯+飞桨+文心5.0+搜索/地图/萝卜快跑，形成对标Google的“AI六边形战士”飞轮。

 
搜索框时代已过，下一代入口是能看、能听、能行动的Agent。字节豆包手机助手、阿里千问App、百度文心助手、Google Gemini3均已整合硬件生态，争夺“一句话完成交互+服务”的霸权。

 
2000年Google靠“搜索意图+竞价”把技术变现金；2025年AI面临同样场景瓶颈。坚持原生多模态+全栈降本的公司，正在复刻Google路径——用技术突破打开新市场，而非在红海竞价中等死。

2000 年，美国互联网泡沫破灭时，Google 面临巨大的商业化压力。当时他们搜索引擎的流量暴涨，但离盈利还有一段距离。Google 曾尝试把自己的技术授权给友商，以赚取微薄的 “经费”。但还是无法支撑公司的长远发展。

公司作为商业组织本质是逐利的。但有技术信仰的企业，往往会在短期利益与长期投入之间，选择那条更难、更慢、也更烧钱的路径。

Google 没有放弃技术。2002 年，Google 的工程师们发现，用户在搜索框中输入关键词，不只是为了搜寻信息，也是在表达购买意图。Google 将 “用户搜索意图” 与 “商业广告” 通过竞价排名结合，在行业中找到了一个独特的身位，将技术和商业化真正连接了起来。

伟大的技术突破往往能带企业打开新的市场。苹果未止步于个人电脑，而缔造出了划时代的 iPhone；字节跳动抓住推荐算法，才完成对信息流的重构；OpenAI 固执地进行大模型训练，让算法涌现出了智能。

但过去两年，AI 技术受困于找不到落地场景，商业化受阻。2025 年，DeepSeek 在保持成本优势的同时，展现出接近人类的思考能力，让 C 端用户对 AI 的价值有了新的认知。不久后，OpenAI 的原生多模态模型 GPT-4o，展现了其对图片内容的理解能力，让 AI 生成 “吉卜力” 画风的图片引爆社交网络。

AI 技术的进展带来了解决以下两大难题的可能性，让市场重新评估 AI 的商业潜力。

2025 年底，百度发布文心大模型 5.0，Google 发布 Gemini 3，模型实现在统一原生架构下能理解图片、看懂视频，大模型统一原生多模态的潜力被逐步看到。

技术进步也带来商业化的可能。目前，大模型有望通过算法层、架构层、系统层，乃至芯片侧的全栈优化，降低推理成本，提高模型效能，如 Anthropic 的 Claude 系列、Google 的 Gemini 系列、百度文心系列。

AI 行业的竞争不止在于算力、数据，也成为一个公司全栈工程能力和基础创新的综合博弈。

大模型还无法做到完全理解用户的意图，但语言模型正在进入 “收益平台期”——尽管算力、数据投入指数级增加，但大模型在预测下一个 Token 的任务上，所表现出的泛化性曲线已明显放缓。单一文本维度的缩放路径，无法满足大模型智能继续进化的目标。

业界一个广泛流传的观点是，大模型要理解世界。“现在的大模型达不到 AGI”，大模型理解世界，需要视觉、听觉、语言等多种感官信息的融合。两位图灵奖得主，杨立昆、Geoffrey Hinton 都曾提出类似的观点。

目前，多数多模态模型就像 “传话筒”，图像、语音等信号需经过独立模型解码后再转译给语言模型，最终实现理解、生成。构建原生多模态大模型，可以让模型从训练阶段起，就具备理解图片、语音等各种模态信息的能力。

原生多模态模型就是能像人一样，“端到端” 理解各种模态的信息——前者训练时只需专注处理单一模态信息，难在保持 “传话” 过程中不出现信息失真的现象；后者则是在训练时就要让模型理解图片、视频、语音等信息，但难在让各种类型数据的意义互通。但原生多模态模型在训推中需要处理大量多模态的数据，给架构设计、训练过程和推理等多个层面都带来了指数级的压力。

Google 从开始训练 Gemini 系列，便确定原生多模态的技术路径。但训练数据较难统一，刚开始 Google 的模型在应用侧的效果并算不突出。直到 2025 年末，Gemini 3.0 展现的多模态理解能力，让业界重新相信了 “原生多模态”。

2025 年，国内企业发布的模型开始呈现原生多模态转向，发布的模型有各自的特点。阶跃星辰的 Step-3 针对国产芯片带宽进行了优化，降低了企业的商用成本；智谱的 GLM-4.6V 和字节的豆包大模型 1.8，都是将工具调用能力原生融入大模型，让 AI 可以行动；阿里发布的 Qwen 3-Omni 主要通过优化用户交互与开源，扩大生态。

百度文心大模型 5.0 则专注于模型本身，发布了参数量达 2.4 万亿的原生全模态大模型。在国内为数不多的全模态模型中，参数量最大，并在底层架构实现了文本、图像、音频、视频多模态的统一。

真实世界本质是跨模态的信号流，大模型要理解世界，原生多模态是技术上的趋势。以百度文心大模型 5.0 为例，其文本与视觉理解能力体现出的泛化性，均在 LMArena 大模型竞技场相应领域的全球排行榜中，占据前列。

通过原生多模态架构，模型能捕捉到更多非语言信息，AI 能够像人类一样感知现实，并通过 Agent 建立与世界更深层的连接。这也让大模型切入具身智能、智能座舱、消费硬件等万亿美金级赛道的商业场景成为可能。

2024 年底，行业从 “快思考” 转向 “慢思考”。慢思考是让模型在回答问题之前，先模仿人类思考路径，在后台列出完整思维链条，自我修正后再生成回答。慢思考模式下用户每提一个问题，单次消耗的 token 数量都激增。

OpenRouter 发布的年度报告指出，2025 年推理任务消耗 token 的占比不断升高，模型专用于推理类任务的调用量，占 token 消耗总额的超 50% 。用户规模扩大后，模型厂商需为用户消耗的 token 支付高额的成本。

能否降低推理成本，成为 AI 走向商业化的关键。

2025 年初，DeepSeek 凭借 MLA 架构和精细化的 MoE 设计，显著降低大模型计算消耗的同时，提高了模型的性能，被行业视为 “效率标杆”。

但 DeepSeek 只是语言模型。语言模型的降本经验并不能直接平移到多模态领域。GPT-5、Gemini 3、豆包 1.8、文心 5.0 等原生多模态模型，需要处理视觉和音频流，其对训练算力的需求是纯文本模型的 5 到 10 倍，推理过程也更加复杂。GPT-4o 训练投入超 1000 PFlop/s-day，大约相当于数千台顶级 GPU 满负荷运行数周。

原生多模态模型若要实现 DeepSeek 式的降本，仅靠模型层面的算法创新是不够的。以文心 5.0 为例，依托飞桨深度学习框架进行大规模 MoE 模型训练，模型预训练性能较基线提速 230%，激活参数比低至 3%。

在国产芯片替代的大背景下，大模型降本需要同时掌握芯片、框架、模型和应用四个层面的自主权，对企业全栈系统工程能力提出了更高的要求。目前国内具备这种闭环能力的只有百度和华为。

当推理成本降低，模型可以在后台持续完成自我博弈、工具调用和逻辑反思，以 Manus 为代表的通用 Agent 就能实现在网页间穿梭，完成报表分析。这不光重塑了软件，也驱动模型能力从 “云端” 向 “端侧” 下沉。原本昂贵的 AI 被尝试融合进 AI 眼镜、智能座舱和手机 OS 中。

显然，AI 的下半场不再只是比拼模型规模，而是比 “谁能以更低的成本提供更深的智能”。在这场效率革命中，降本不是目的，而是手段。

2000 年，百度也凭借自身技术，为搜狐、新浪、网易等门户网站提供搜索方面的支持。彼时，这些门户网站虽然拥有庞大的搜索流量，但 “搜索” 却仅被其视为一个附属的功能模块，没进行深度优化。2001 年，李彦宏力排众议要推出自己的门户网站，以搜索引擎为核心的入口 “百度”（Baidu.com）应运而生。

百度凭借超链分析技术和精准的中文分词，从门户网站的索引中脱颖而出。那时，百度的成功在于解决了 “搜得准” 的问题。百度成为了最初的 “平台级入口”。

时间回到 2025 年，AI 技术让 “超级入口” 的逻辑发生了质变，下一代超级入口正从 “汇聚流量的 app” 转向 “多模态的智能助手”。

在 “超级入口” 之争上，国内能与大厂竞争的创业公司屈指可数。大厂不会放弃任何一种扩张的可能。字节跳动、阿里、腾讯与百度正依托各自的生态，抢占 “平台级入口” 这一高地。

12 月 1 日，字节发布和中兴努比亚合作开发的豆包手机助手，试图重塑人机交互的底层逻辑。用户仅通过语音交互，就可以让豆包手机助手直接接管用户屏幕。

同期，阿里调动整个集团资源，打造 AI 时代的超级助手。阿里成立千问 C 端事业群，将之前阿里云事业部下通义千问 APP 改名 “千问 APP” 发布，以 “一周一更新” 的速度迭代。近日，千问 APP 已接入高德地图，未来阿里或把夸克、UC、天猫精灵等功能也整合进千问 APP。 

百度基于搜索，也上线了百度文心助手，对标 Gemini 3，竞争超级入口。百度搜索全面升级文心助手 AIGC 创作能力，支持 AI 图片、AI 视频、AI 音乐、AI 播客等多种模态创作。从硬件布局的演进趋势来看，百度可以依托文心 5.0 大模型的技术底座，通过萝卜快跑接管物理空间，用小度占据家庭交互入口，让信息实现从虚拟空间向真实空间的渗透。

几周前，Google 将 Gemini 3 嵌入核心搜索业务，通过跨应用的数据调取，实时生成能与用户交互的 UI 页面，向用户直接交付搜索结果。Google 通过自研 AI 芯片和 Google Cloud 支持大模型训练、推理，训练出的先进的模型又能与自身搜索、云盘、Android 生态等入口融合，继续产生相应领域的高质量数据，持续推动智能升级。

有行业人士认为，Google 已形成 “算力-模型-数据-应用” 的系统级飞轮，而百度是中国为数不多能与 Google 对标的 “AI 六边形战士”。因为下个时代的 AI 竞争的不止是模型能力，而是演进为全栈式的系统竞争，比拼的是谁能完成 “算力—系统—模型—入口—资源—行动能力” 六个层面的闭环。

他们认为，百度依托昆仑芯、智能云作为算力与系统底座，以文心大模型作为能力中枢，链接搜索、网盘、小度等流量入口，并通过搜索、地图与自动驾驶等业务将能力落地到现实世界，形成了六大要素闭环，是国内最接近 “AI 六边形战士” 形态的公司之一，具备长期演进的系统飞轮能力。

水面之下，腾讯同样暗流涌动。12 月下旬，腾讯新成立 AI Infra 部、AI Data 部、数据计算平台部，27 岁的前 OpenAI 研究员姚顺雨出任 “CEO / 总裁办公室” 首席 AI 科学家。过去数月里，腾讯也以加倍薪资挖角 AI 人才，强化研发体系。

在生成式人工智能的第一波流量交锋中，有的公司水涨船高，有的公司陷入沉静。但在喧嚣之下，坚守 “技术信仰” 的企业，正在等待那个规则被重新定义的时刻。