AI领域的技术逻辑和商业模式与传统互联网时代有着根本性的差异，这使得传统大厂的优势不再明显，甚至面临新的挑战。本文将深入探讨AI时代下，传统大厂面临的困境，以及AI初创企业的发展现状和未来趋势。

关于AI能否诞生出下一个超级应用的讨论，一直是行业里最热门的话题。

这个话题的本质，是在现有技术框架下寻找最接近AGI的商业化形态。当前ChatGPT的1亿用户规模已接近超级应用门槛，但日均使用时长不足20分钟的现状，暴露了工具属性与粘性需求的矛盾，也折射出AI行业的集体困惑。

市面上各类AI应用早已超2000款，从A16z等投资机构的分析来看，当前主流产品集中在AI陪伴、ChatBot、智能客服、图片视频生成等领域——当用户打开手机应用商店时，看到的仍是千篇一律的“AI 助手”和“创作工具”，市场始终缺乏一款真正的国民级产品。

这一现象的背后，是互联网与AI两波技术浪潮的根本性差异。

超级应用的背后往往是超级大厂，但从全球范围来看， 大部分AI初创企业熬不过五年生存期。以国内市场为例，据统计，过去三年里，累计超过20万家AI企业因各种原因退出市场，即使有的能在短时间内成为新晋独角兽，但一个鲜被关注的现象也同时浮现：尽管这些公司估值飙升、融资不断，但至今没有一家能被称为“大厂”。

相比互联网时代，阿里用“平台+流量”征服电商，腾讯以“社交+内容”建立帝国，字节跳动靠“算法+推荐”重构信息分发——标准化产品、网络效应、边际成本趋零的黄金三角，支撑起超级公司的诞生。而AI时代的技术逻辑正在颠覆这一切：模型训练成本与场景复杂度正相关、技术复用率低、数据价值呈长尾分布。  

组织基因的冲突更为尖锐。某大厂AI实验室采取“赛马机制”，多个团队产出的同质化客服系统，最终因无法适配客户私有化部署全部夭折。这种“大中台”模式在AI领域的水土不服，折射出更深层的矛盾：当技术价值从通用性转向场景特异性，传统的中心化组织架构与AI所需的敏捷响应机制产生根本性冲突。

当我们将视角拉远，会发现这场产业变局的三个核心矛盾：产品逻辑从“用户连接”转向“场景渗透”、组织架构从中心化转向“细胞化”、技术估值体系从“规模溢价”转向“场景乘数”。这些差异在冥冥之中，或许注定了AI时代难以复刻互联网的造神神话。

01 当前的AI公司，还没有真正意义上的“大厂”

“大厂”一词诞生于互联网时代，核心特征是庞大的员工规模与生态化布局。

以腾讯为例，成立五年时总员工数量达到2000，截止目前人数已经超过11万人；字节跳动更是以年均万人规模的增速，十年内就达到12万员工的体量。

传统互联网大厂通过“产品矩阵+流量生态”模式，将用户、数据、服务深度绑定，形成自我循环的商业闭环，同时也带来了大量的就业岗位。就拿电商行业来说，在供给、支付、物流、信用体系加持下，成就了万亿级标准化市场，如今最有代表性的阿里，员工总数已经逼近20万。

某种程度上，人数、岗位的增长，能够反映出一家互联网公司的市场规模和业务进展的成熟程度。

但纵观AI领域，目前国内外大部分的玩家，仍以小于千人的创业团队为主，明星公司如DeepSeek，目前的总人数仅为160人。即使是Open AI，成立近十年，员工总数也只有2000左右，其中近90%为技术人员，业务仍集中于模型训练与垂直场景应用，远低于传统互联网大厂的人口增速。

AI公司的“技术密集型” 结构，与互联网时代的 “人力密集型” 模式形成鲜明对比，某种程度上，意味着行业尚未形成可复制的规模化增长路径。

前段时间，有媒体称，当下AI领域高薪招人成了普遍现象，近一年AI技术岗位中，30%的年薪超过50万元。类比早年传统互联网行业的繁荣，诞生了一批以程序员为代表的城市中产，于是有人推断，AI也在催生这样的盛况。

但现实中准确的来说，这场AI领域的高薪招聘热潮，仍然是由互联网大厂主导。阿里2025年春招开放的3000个实习生岗位中，近50%与AI相关。字节除了广挖行业专家，张一鸣甚至亲自牵头挖掘各路人才。

众所周知，在最早一批的AI抢跑过程中，大厂几乎落后了一拍，在技术、产品、商业模式上都没能主动带来先发性的突破。随着大厂补齐短板，创业公司当中，有技术实力的陆续被兼并，有价值的业务、技术和人才最终又回流到了互联网大厂。后者有资源、有足够的现金流来支持长期的研究，并能够在产品侧同质化极其严重的情况下，凭借综合优势后来居上。

但需要注意的是，这并不意味着互联网大厂变成了“AI大厂”，事实上，AI仍只是他们生态内的一个组成部分，负责这部分业务的团队，大多是在原有基础上，进行扩充或将队伍拆分的更加细致。

作为对比，不同于互联网公司的大跃进式招聘，那些一开始走向行业潮头的新兴公司，反而显示出不断缩编的迹象。自去年开始，包括MiniMax、月之暗面、零一万物、智谱在内的AI公司接连传出裁员消息，当年从大厂出走的技术骨干也陆续出现回流迹象。

02 倒闭8万家新公司，从哪来，到哪去？

来看一组数据。

自ChatGPT发布到去年8月，国内有近8万家新注册的AI公司处于注销、吊销或停业异常状态，占同期新注册AI企业总量的约9%，也就意味着，由大模型掀起的AI浪潮下，不到三年里兴起的创业公司接近90万家。

这些企业从哪来？

ChatGPT通过大模型+人类反馈强化学习的技术路径，实现了自然语言处理的质变，两个月内用户破亿的商业成功，为国内企业提供了可复制的技术路线参考。资本市场将ChatGPT 视为“AI的iPhone时刻”，当年A股市场单月概念股涨幅过半，融资额同比激增数倍。

这种财富效应一度点燃了三类玩家：互联网巨头通过发布“中国版ChatGPT”抢占舆论制高点；传统科技企业加速向AI 转型；初创公司纷纷快速成立。有投资人指出，国内资本的投资偏好，使得轻资产、易包装的初创公司更容易获得融资。

另一方面，伴随AI被地方列为重点产业并抢滩布局，给出了前所未有的扶持力度，像北京、上海的AI园区提供免费算力、税收减免，甚至直接给企业“发钱”。

当技术、资本和政策的红利同时出现时，市场往往会陷入虚假繁荣。如果将行业泡沫归咎于垃圾公司的短期风口套现，那么活下来的优质企业中，又是什么限制了他们的进一步生长？

对于这个问题，最容易想到的原因是“缺人”。

此前有研究人员表示，国内AI人才总缺口数百万，一些一线城市的人才需求与当地高校之间存在相差十倍的缺口。今年各家公司春招甚至都开出了百万年薪招揽毕业生，这些岗位大多为算法工程师、数据科学家、模型架构师等核心技术岗，还有一些与AI相关的业务岗，如AI产品经理、AI硬件工程师等。

然而，据行业资深从业者透露，当前AI领域的人才争夺战呈现明显的“战略囤积”特征——企业意识到人才是核心资源储备。现实情况中，大部分的AI企业存在“人才到位但效能滞后”的人才空转现象，技术团队与业务部门的协同效率不足，导致人均产出甚至要低于互联网企业。

外界对此的解读分为两方面。

一是企业未能建立起与AI技术相匹配的组织架构和业务闭环，以阿里的电商业务为例，内部并不是所有人都是代码专家或市场精英，还有大量分布在供应链管理、客户运营、风险控制的支撑性岗位，起到维持商业模式运转的作用。

相比互联网紧密连接商业世界，能跨越时空解决问题，对实体商业冲击巨大，改变了人们的生活和消费方式。AI在某种程度上是与商业世界脱钩的，除了优化部分工作流，在实际应用中的程度相当有限。

“衡量一款产品成功与否，一定要看它在用户全生命周期上发挥的价值，但AI还远未达到这一要求。”业内人士分析，根本原因一方面在于商业化的路径不清晰，另一方面在于技术本身的局限性，远没有互联网那么大的影响力。

另一个观点则认为，当下的AI，或许还并不需要那么多的人。

人们对AGI的期待，本质是希望AI能突破单一任务限制，具备人类级别的跨领域推理能力。这种愿景推动了大模型技术的爆发式发展。行业追逐的“超级应用”，以及所谓的“大厂”和相关产业链路，是在现有技术框架下寻找最接近AGI的商业化形态。

但当前技术仍处于“弱AI”阶段，大模型存在幻觉、逻辑推理缺陷等问题，距离真正的AGI仍有鸿沟。意味着，AI还要经历漫长的技术验证，才有可能跳出高度聚焦于模型训练或单一场景应用的业务，这一时期，AI呈现出的本质是 “智力密度” 的比拼，而非互联网赛道人力规模的较量。

更深层的挑战，在于AI创业公司后期经营过程中的组织缺陷。

尤其是国内企业，普遍存在“研究”与“研发”的认知错位，在高层领导与投资人的push下，科研团队的时间精力，往往被迫用来应付短期的KPI，而非真正的前沿探索。这种现象在高频考核体系下尤为突出，算法团队不得不用有限资源追求更具性价比的短期效果，导致技术迭代陷入“内卷式优化”。

因此也就不难理解，DeepSeek创始人梁文锋多次婉拒腾讯、阿里等大公司投资，将量化基金收益全部投入AI研发，在他看来，比起盲目去扩张团队，当AGI实现路径仍不明朗时，与其做垂类和应用寻求变现，更明智的选择是找到真正合适的人才继续深入研究。

03 AI需不需要再造大厂？

AI这个概念自诞生之初，最大的想象力来源于对人的替代上。

前段时间的Manus就是典型的例子，作为一款通用型Agent产品，上线首周便经历从狂热追捧到舆论反转的一波三折，它的突破性体现在产品形态的创新，能够接管日常的一部分实际工作，这让人们似乎看到了AGI的一些缩影。

但在技术专家看来，Manus的底层技术并不复杂，如果市面上同时上线了多款类似的产品，用户怎么选择，将最大限度取决于大模型的精准性，即对人工的真实替代程度。

对于企业来说，AI的价值同样体现在“人工替代”，并一度作为企业降本增效的不二法则。就连一些AI公司也已经将数据标注的工作交给Agent工具，这揭示了AI时代的人才配置逻辑：关键岗位需要顶尖专家，基础岗位应通过技术替代实现人力优化。

回到核心话题，AI究竟需不需要大厂？这个问题其实是在讨论，AI公司究竟要不要成为腾讯、阿里那样树大根深且涉猎纵深的巨型企业，以及有没有可能孵化出类似微信、淘宝这样的超级应用。

AI技术的落地高度依赖数据、算力和人才，阿里、腾讯、字节等凭借长期积累的海量数据、强大的算力基础设施以及顶尖人才团队，在模型训练和场景落地中占据优势。在这一背景下，创业公司往往因资源受限难以直面竞争，但部分专注于细分场景的中小公司，可以提供各种垂类应用，通过单点突破实现商业化。

大厂的优势不仅在于技术，更在于业务生态的协同性，腾讯依托微信生态推动商业化发展，阿里通过电商场景优化推荐算法，然而AI产品却呈现出与以往互联网截然不同的发展路径，用户规模红利体现得不明显。

当互联网大厂将电商、教育等业务线的精兵强将调往AI部门时，会发现这些互联网时代的战斗单元在AI战场水土不服。传统业务部门习惯的“数据驱动决策”与AI团队的 “模型迭代思维”存在本质冲突，前者依赖用户行为数据优化体验，后者需要高质量标注数据训练模型。

拿字节CEO梁汝波今年全员会上的描述来说，豆包没显出“越多人用越好用”的互联网产品特性。相比互联网产品依靠用户数据进行优化，当下AI产品大多以生成类工具为主，用户提问数据对于模型优化的好处十分有限。

一款拥有几亿甚至几十亿MAU的AI产品，商业价值或许远不如微信；而一家出色的AI企业，也并不意味着一定会成为阿里、腾讯那样的规模大厂。

根本的原因，和上一轮互联网浪潮相比，用户规模的增长往往能带来显著的经济效益，这一轮AI浪潮最鲜明的特征是，尽管有大量资本投入，但还未找到稳定的盈利模式，并且呈现出“C端起量，B端买单”的局面。

在2025年的AI产业图谱中，技术纵深正在取代用户规模成为核心竞争力。微软研究院的研究表明，具备跨领域推理能力的AI系统，其价值创造效率将呈现非线性增长。但实现这一目标需要的不是用户规模，而是高质量的多模态数据和持续的算法创新。

换句话说，当技术走过验证期后，AI或许才能开始讨论用户全生命周期的话题。