文 | AI 大模型工場，作者 | 西梅汁，編輯 | 星奈

在今年百度 Create 開發者大會上，李彥宏直言：" 沒有應用，芯片和模型都無法發揮價值。"

這句話背后，是產業正在迅速達成的一個共識：AI 價值必須通過商業化實現閉環。從兩年前 OpenAI 掀起技術熱潮以來，大模型行業快速躍升成為全球科技焦點，但伴隨而來的，也是一場從理想到現實的快速降溫。

模型訓練所需的高昂成本、C 端應用的不確定性、ToB 市場的復雜交付，以及持續燒錢的高壓運營，讓 " 錢難賺、屎難吃 " 這類行業黑話，成為現實困局的凝練表達。

此刻的 AI 產業，正經歷一輪深度的分化。一方面，百度、阿里、騰訊、字節等平臺型巨頭以飽和式投入對抗技術拐點，通過自研、收購、云平臺能力將 AI 全面納入主營生態；而另一面，哪些沒有樹大根深的母系家族依賴的初創公司在技術與商業之間徘徊，一旦無法建立營收模型或穩定現金流，就會迅速從風口中滑落。

大廠承壓，多元化變現，生態協同為王

從 " 跑模型 " 到 " 跑營收 "，這條路并不好走。

在大模型的商業化賽道上，巨頭擁有更強的抗壓能力，根系足夠發達，可以承接多元的商業化探索。從百度到阿里，再到騰訊，這些大廠擁有龐大的生態體系，它們的 AI 業務并非單純地依賴某一塊應用或場景，而是通過將 AI 能力嵌入到現有的產品、服務和云平臺中，來實現跨界賦能和收入協同。

比如，百度通過文心大模型，把 AI 能力嵌入到搜索、地圖、網盤等核心產品中，不僅提升了這些產品的智能化，還通過 " 千帆平臺 " 對外提供 AI 服務，打入政務、金融等垂直行業，構建起了一個全方位的 AI 商業化閉環。

而其 AI 驅動的自動駕駛平臺 " 蘿卜快跑 " 也已經積累了千萬級別的訂單量，智能云業務也逐步盈利。這樣，百度不僅實現了技術與產品的協同，還為自身在 AI 領域的生態擴展打下了堅實的基礎。

阿里在通過將通義千問融入到釘釘、天貓精靈等高頻應用中，借助阿里云 " 百煉平臺 " 加速向 B 端市場輸出模型和技術能力，構建了云服務 +AI 能力的雙引擎。

騰訊則在自身強大的社交和辦公生態內植入混元大模型，并通過騰訊云為各行業提供定制化的 AI 解決方案，進一步擴展其商業化邊界。

這些大廠的共同特點在于，AI 已不再是單一的技術項目，而是被作為基礎設施嵌入到現有業務中，推動著營收的多元化發展。它們的 AI 戰略更像是一種 " 平臺化 " 的思維，借助現有流量和用戶基礎，快速實現從技術到商業的落地。因此，大廠的 AI 商業化，往往具備更高的市場抗壓能力和更多的成長空間。

而字節跳動和快手在 AI 大模型的商業化上，雖然采用了不同的策略，AI 主要用于提效主業或打造爆款應用，但都在各自的賽道上找到了突破口。

字節通過剪映、飛書、番茄小說等產品矩陣滲透不同場景，形成 " 流量 + 工具 + 服務 " 的協同效應。進入 AI 時代，字節以豆包大模型為核心，布局 C 端 AI 應用和 B 端工具鏈，如 Coze 平臺，結合抖音的龐大生態深入 Agent 商業化。

從營收情況來看，雖然字節目前未上市，沒有具體財務數據，但其旗下應用矩陣已實現月活躍用戶超 40 億，企業服務業務主要由飛書、火山引擎等承擔。火山引擎 2024 年營收就已突破 120 億元，2025 年目標更是定為 250 億元。

此外，據 The Information 報道，字節跳動正低調研發一款 " 護目鏡 " 形態的輕量級混合現實設備，更是體現字節跳動在 AI 硬件方面的諸多布局。

相比之下，快手通過視頻生成大模型可靈 AI 等技術創新，成功提升了內容生態與商業化效率。截至 2025 年 4 月已累計收入 1.8 億元，企業 API 調用量超 4000 萬次，估值達到 80 億美元。

同時，其 AI 能力深度整合至電商與廣告核心業務，C 端通過 AI 試衣、智能客服提升用戶體驗，B 端為商家提供 AI 工具，如直播切片生成，可見 AI 已成為快手電商增長的關鍵驅動力。

可以看到，字節一方面打造 AI 應用，另一方面用 AI 給自身業務提效，而快手則依賴于垂直場景的深耕，逐步形成了自己的盈利模式。雖然兩者的路徑不同，但都依托于技術與生態的協同，成功打破了各自行業的商業化困局。從市場趨勢來看，誰能在技術創新和場景滲透中找到平衡，誰就能在這場 AI 商業化的賽道中占據先機。

小廠負重，變現難

那么，與這些擁有自有流量或平臺優勢的巨頭不同，一批以技術起家的模型創業公司，必須以更具辨識度的策略尋找路徑。

相比于資源充裕、業務多元的大廠，創業公司的流量和平臺紅利更加有限。在這種情況下，它們往往選擇了在 ToB 或者 ToC 的垂直賽道上深耕，試圖通過專業化和技術優勢來贏得一席之地。

智譜、階躍星辰和商湯等公司，主要集中在 ToB 市場，面向政府、金融、制造等領域提供定制化的 AI 解決方案。它們雖然在技術能力上積累了顯著優勢，但缺乏大廠的資金支持和生態體系，普遍依賴政府訂單和企業客戶。

ToB 市場本身回款周期長、項目轉化門檻高，導致商業化進程緩慢。即便如商湯這樣自建 SenseCore AI 大裝置、承接大額項目，也仍要面對高額的前期投入和不確定的回報周期。

與之對應，Minimax 和月之暗面等公司則多選擇 ToC 市場上的路徑，多是直接面向消費者進行 AI 應用的落地。這些公司在產品上進行了創新，例如 Minimax 通過推理模型的開源和低價 API 吸引開發者，并憑借星野 AI、海螺 AI 等產品迅速吸引了大量 C 端用戶。

月之暗面則在過去一年通過 Kimi 搶占了用戶心智，持續推出面向寫作、搜索、知識整理的輕量化工具，形成了一定的用戶付費習慣。最近發布的 Kimi K2，更是在推理性能、上下文長度和生成速度上進一步強化了產品競爭力。

但在 ToC 市場，盡管用戶基數龐大，留存和變現依舊艱難，如何將短期的規模化增長轉化為長期、穩定的收入，依舊是這些小廠必須面對的挑戰。

另外，除了大廠的多元布局和上面的創業公司垂直深耕之外，DeepSeek 的路徑稍顯不同。年初通過開源 DeepSeek-R1 模型快速積累了巨大的開發者社區，建立起獨特的技術生態，也由此吸引了大批 C 端用戶。在短短一年內，它已經成為國內 C 端用戶最多的 AI 平臺，月活用戶接近 1.7 億。

然而，據 Semianalysis 報告，用戶使用率從年初峰值 7.5% 回落，官網流量降至 3%，近期其官網流量和用戶活躍度出現明顯下滑，面臨著巨頭追趕和用戶留存的雙重壓力。

但與其他 AI 創業公司不同，DeepSeek 似乎并不急于盈利，而是將重點放在技術的深耕和生態的擴展上，未來的商業化路徑可能會隨著技術的不斷進步和市場需求的變化而逐步清晰。

無論是大廠還是小廠，AI 商業化的核心挑戰始終在于：如何從單純的技術創新，轉向能夠持續盈利的閉環模式。大廠憑借強大的資源優勢，在廣泛布局和多元化收入中找到了自己的節奏，而小廠則必須通過專注細分市場和不斷深耕技術，尋找自己的突圍路徑。

對創業公司而言，商業化過程中的變現難題仍然沒有解決，如何有效連接技術、用戶與商業，是它們能否生存下去的關鍵。而像 DeepSeek 這樣的 " 特例 " 則表明，在大模型行業中，并非所有公司都必須迅速變現，有些公司可以通過建立技術生態、積累用戶口碑，為未來的商業化奠定基礎。最終，AI 賽道上的 " 贏家 " 不僅僅是那些技術最先進的公司，更是那些能夠在 " 技術 " 與 " 商業 " 之間找到平衡的團隊。

沒有現金流的模型，終將死去

不過，無論是大廠還是初創公司，最終都要回答同一個問題：如何建立起健康的現金流閉環。

在 C 端市場，雖然潛在用戶龐大，但要真正穿透流量、留住用戶并實現營收，仍然面臨巨大難度。AI 應用如寫作、娛樂、社交、教育等場景雖然有潛力，但要實現閉環需要較高的產品體驗、留存機制和成本結構的協同，這對團隊的打磨能力要求極高。即使是擁有龐大用戶基數的 DeepSeek，也面臨用戶活躍度下滑的挑戰，凸顯了 C 端留存與變現的普遍難題。

如今，在 App Store 和安卓市場持續占據下載前列的 AI 應用幾乎都依托于大廠渠道或工具屬性，這進一步說明獨立跑通 C 端模型商業化的困難。

對于沒有母公司支撐的初創公司，資金鏈的穩定性至關重要。盡管 AI 技術的開源給了許多公司展示技術能力的機會，但許多初創企業未能在市場上找到足夠的盈利來源，導致它們的運營壓力巨大，最終無法承受虧損而退出市場。尤其是對于沒有強大資本背景的公司，如何在短期內找到穩定的現金流成為關鍵問題。

盡管 ToB 市場提供了較為穩定的客戶群體和訂單來源，但 B 端的客戶教育成本高、轉化門檻大，尤其是對于初創公司而言，如何與傳統企業建立合作并進行深度定制，依然是一大挑戰。此外，大廠在 ToB 市場中的布局愈加完善，形成了強有力的競爭，進一步加劇了初創公司在這一賽道中的壓力。

AI 的技術能力固然強大，但它能否真正落地到應用中并解決實際問題，才是其商業化的關鍵所在。許多公司尚未能夠將 AI 技術與具體行業需求結合，導致其技術雖然先進，但無法形成真正的應用場景，從而無法產生可觀的收入。

訓練和推理都需要算力支撐，GPU 成本仍居高不下。一些初創公司盲目堆參數，結果上線一個模型，光推理就燒光融資。DeepSeek 能跑出來，靠的是極致成本控制和標準化輸出。

同時，大模型的商業化的過程中，最難的部分就是如何將技術轉化為現實中的商業價值。技術本身的復雜性和應用場景的多樣性，使得 AI 產品的落地應用變得尤為困難。尤其是在沒有穩定現金流的情況下，很多初創公司無法承受運營壓力，最終不得不退出市場。

像很多 AI App 雖然短期用戶增長快，但真正能沉淀高復購的產品很少。內容生成、寫作、娛樂等場景看似火爆，但要實現真正閉環，需要產品體驗、留存機制和成本結構三者協同，這對團隊產品打磨能力提出了極高要求。或許只有像可靈、星野這類深入細分場景的產品，才能把用戶變成現金流。

而目前在 App Store 和安卓市場持續占據下載前列的 AI 應用，幾乎都附著于大廠渠道或具有極強的工具屬性，進一步說明獨立跑通 C 端模型商業的難度不容小覷。

另一方面，To B 和 To G 市場雖然單價高，但交付周期常常超過半年，審批、招標、定制都耗時。沒有穩定現金流撐著，很容易斷糧。

此外，AI 技術的商業化需要巨大的投資和長期的技術積累，而這些初創公司往往缺乏這樣的資源。這使得他們在競爭中處于不利地位。對于這些公司來說，如何找到可持續的盈利模式，將是決定它們生死存亡的關鍵。

穿越 AI 周期

要穿越這一周期，也許要回到一個起點：模型不是全部。

真正的產品，不在于參數有多強，而在于能否解決一個具體問題。高考志愿填報、醫療問診、辦公自動化等場景中，都已經出現高頻、剛需的 AI 能力嵌入。用戶并不在意底層模型有多少層 Attention 結構，而是關心能否節省時間、降低成本、減少錯誤。在這個邏輯下，AI 產品的核心將從模型通用性走向任務完成力，從泛智能向垂直剛需收斂。

與此同時，生態協同正在成為關鍵變量。一個模型即便能力強大，若無法接入業務流程，依然無法落地。百度的 " 文心 + 千帆 "、騰訊的 " 混元 + 微信 "、字節的 " 火山引擎 +API" 策略，實質上都是在構建 " 平臺 - 模型 - 產品 " 的聯動閉環，提升模型在不同層級中的適配能力。初創公司若不能進入這種生態協作體系，勢必面臨更高的客戶教育成本與轉化門檻。

在全球視角下，中國 AI 公司也在探索開源與出海的組合路徑。DeepSeek、月之暗面等公司在 GitHub 的開源項目持續積累開發者口碑，而 MiniMax、智譜等也在新加坡、中東等市場布局多語種版本與本地化部署。

技術競速階段已經過去，如今的大模型行業不是誰的參數最多，也不是誰的演示最驚艷，而是誰最能將模型能力嵌入到真實業務中，形成可持續的現金流，熬過資本降溫后的淘汰期。

最終留下的玩家，不一定是最先鋒的探索者，而是那個最早找到客戶、最早形成收入、最能調整方向并活下來的團隊。這場賽跑的終點，不屬于浪漫主義者，而屬于在冷靜中構建價值閉環的現實主義者。