问题——自研受阻与产品迭代压力叠加——巨头“不得不借力” 近期——围绕通用大模型的竞争进入高强度投入阶段；外媒援引业内信息称，Meta一项新模型研发计划出现推迟，原因在于阶段性效果未达预期，短期难以在关键指标上与市场领先模型拉齐。为保障产品路线与对外发布节奏，Meta管理层被曝讨论在自研能力成熟前，考虑引入谷歌Gemini作为过渡底座，以缓解即时压力。另外，路透社曾报道，苹果与谷歌签署多年合作协议，下一代Siri及部分系统级智能能力拟基于Gemini模型与谷歌云技术构建。两家头部公司几乎在同一时期释放相似信号，折射出大模型竞赛已进入“能力与交付并重”的新阶段。 原因——模型能力、工程化交付与成本结构共同驱动“底座外部化” 一是领先模型的“综合指标优势”正在扩大。通用大模型竞争已不止于单次评测成绩，更强调推理能力、稳定性、安全对齐、工具调用、长上下文、跨模态等系统性能力。部分公司即便在单项指标接近领先者，也可能在工程化可用性与规模化部署上存在差距，从而影响产品上线节奏。 二是算力与数据投入门槛持续抬升。大模型训练与推理对高端算力、数据治理、网络与存储架构提出极高要求。即便是现金流充沛的巨头，也需在资本开支、回报周期与业务优先级之间反复权衡。对以消费级硬件与系统体验见长的企业而言，将底层模型能力与部分云端算力外包给成熟供应方，有助于降低不确定性成本。 三是产品交付的“时间窗口”更为关键。移动端与操作系统级智能助手正成为新入口，更新节奏以季度甚至月度计。任何研发延迟都可能在生态竞争中放大，影响开发者合作与用户习惯迁移。因此，当自研路线遭遇瓶颈，选择成熟底座进行补位，成为现实可行的风险对冲。 影响——行业从“全面对抗”转向“分层协作”，集中度或更提升 首先，头部模型供应商的“平台化”地位将被强化。若大型应用公司普遍采用少数领先底座，基础模型层可能呈现寡头格局，竞争重心转向云端算力效率、模型更新速度与安全合规体系。 其次，应用层的差异化竞争将更突出。即便采用同一底座，不同公司仍可通过端侧能力、隐私保护、个性化体验、交互设计、内容生态与开发者工具形成壁垒。未来竞争可能更像“同底座不同上层”，即底层能力趋同、体验与生态决定胜负。 再次，跨公司合作关系将更复杂。苹果与谷歌在搜索等领域长期存在商业合作传闻与监管关注，如今若在系统级智能上进一步绑定，可能引发市场对数据边界、议价能力与反垄断审视的讨论。对合作各方而言，如何在技术协同与商业独立之间保持平衡，成为必须回答的问题。 对策——在“借力”与“自立”之间构建可控路径 对采用外部底座的企业而言，关键在于“可控”。一要明确哪些能力外部调用、哪些能力必须自持，建立分层架构，避免核心体验被单一供应方锁定。二要完善数据隔离、权限管理与合规审计机制，尤其是在系统级助手触达用户内容、跨应用调用工具的场景中，必须强化透明度与可追溯性。三要保留自研与多源选择的“备选通道”，通过模型路由、接口标准化与可替换架构降低迁移成本，防止过渡方案固化为长期依赖。 对模型与云服务提供方而言，竞争将集中于“可靠交付”。除模型能力本身外，企业级服务需要更明确的SLA、成本可预期的计费方式、面向开发者的工具链以及覆盖多地区的合规能力，以增强行业信任与规模效应。 前景——“赢家通吃”并非唯一结局，但底座层集中化趋势值得警惕 从技术演进看，通用底座大概率走向少数领先者主导，原因在于规模效应与数据—算力—工程体系的复合壁垒。但应用层仍存在广阔创新空间：端侧小模型、行业模型、隐私计算、智能体编排以及多模态交互，将为不同生态提供差异化机会。未来一段时间，市场可能出现“底座集中、上层繁荣”的结构性格局：基础模型层的集中度提高，而产品形态与商业模式在应用层加速分化。
科技巨头的技术合作既是现实选择，也是行业发展的缩影。在人工智能这场长期竞争中，自主创新与开放合作的平衡将成为关键。谷歌的领先地位虽然稳固，但技术的快速迭代仍为后来者留有机会。未来，谁能掌握核心技术并实现商业化突破，谁就能在竞争中占据主动。