153

陈永伟

4月25日，山姆·奥特曼（Sam　Altman）在X平台发布了一条简短的帖子：“真是美好的一周！为团队骄傲！祝你们开发快乐！”

只要对当前AI行业的竞争态势有所了解，就不难明白，奥特曼这条帖子是在为刚刚发布的文生图AI应用GPT-Im-age-2庆祝。2026年4月21日，Ope-nAI发布了GPT-Image-2。短短几天时间，GPT-Image-2凭借断崖式领先的能力横扫文生图领域，让Nano　Banana　2等竞品瞬间黯然失色。在GPT-Image-2的带动下，GPT日活跃用户数逆势上涨2%，一扫此前用户持续流失的颓势。一些业界评论人士因此惊呼：“OpenAI，AI领域的那个王者，它又回来了。”

GPT-Image-2的成功，确实值得奥特曼及其团队高兴。不过，对他和OpenAI来说，过去一周绝不是那么“美好”。恰恰相反，OpenAI所面临的危机从来没有像现在这样严重。就在4月23日，Forge　Global等主流二级平台更新了几家AI公司的估值。根据这些平台的数据，OpenAI的估值约为8800亿美元，而它的死对头Anthropic的估值却超过了1万亿美元。今年2月，市场对Anthropic的估值还只有3800亿美元，不到OpenAI的一半。仅仅两个月，Anthropic就对OpenAI实现大幅反超，这着实让OpenAI这个AI王者颜面大失。

事情还不仅如此。4月24日，谷歌董事会宣布，将向Anthropic投资400亿美元（首期100亿美元，后续再追加300亿美元），并在未来五年提供5吉瓦算力。在行业内，OpenAI、Anthropic和谷歌经常被合称为“AI御三家”，它们旗下的GPT、Claude和Gemini之间一直竞争激烈。本来，OpenAI背靠微软，在资金、算力方面都占有很大优势。随着Claude崛起，包括亚马逊、英伟达、微软、博通等巨头纷纷倒向Anthropic，胜负天平已经逐渐向Anthropic倾斜。现在，连主要竞争对手之一的谷歌也选择站队Anthropic，OpenAI所面临的压力可谓空前巨大。从这个意义上讲，GPT-Image-2的推出，并不是OpenAI的一次习惯性“炫技”，而是危机之下的一次绝地反击。

回想几年之前，坐拥当时“地表最强模型”GPT的OpenAI可谓风光无限，其旗下模型不仅在各种榜单上遥遥领先，在市场占有率上也是一骑绝尘。这些优势反映在资本市场上，就是OpenAI在同类公司中几乎难逢对手。然而，时间才过去这么几年，情况就发生了逆转。表面上，Ope-nAI在市场占有率上仍然优势巨大。根据最新统计，现在GPT的日活用户约为5.5亿，而其对手Gemini、Claude和Grok则分别只有1.62亿、3450万和1720万；在各种评测榜单上，GPT模型的排名也都位列前茅，一切看起来都很好，但市场对它的看法却已经变化。那么，究竟是哪儿出了问题呢？

告别比拼模型的时代

OpenAI做错了什么？如果按照两年前的标准，我们可以说，它几乎什么也没做错。如果硬要说有什么问题，那可能就是它一度将大量算力投入到了Sora这样很难在短时间内产生经济收益的项目。不过，对大模型公司而言，类似问题并不致命。Sora虽然有些“烧钱”，但对于当时资源充裕的OpenAI来说，其成败也无关全局。相比之下，真正致命的是它没有及时适应竞争逻辑的转变。

在大模型刚出现之时，模型性能是AI企业竞争的关键。当时，AI模型的性能总体偏低，多数模型在与人交互时都显得笨笨的。在这种情况下，如果一个模型在智能上略微胜过其他模型，处理问题时正确率高出那么一点，就会显得非常突出。尤其值得注意的是，很多任务对AI的容错空间有限。如果两款AI的智能水平恰好分处可容忍临界值的上下，用户对它们的评价区别就会相当大。比如，我们对一篇文章中错误的容忍率是5%，那么一款错误率为5.1%的AI和一款错误率被控制到4.9%的AI，带给人的体验就会截然不同。而当时的OpenAI，总能在模型性能上比对手高出那么关键的一点点。

除此之外，OpenAI还率先在模型上探索多模态技术，这一点也让它收获了很多好感。本来，市场上的多数AI产品都只能进行文字交互，不能“听”、不能“看”，也不能“说”，更不能生成图片和视频。而OpenAI则开风气之先，把这些功能整合进了GPT模型。直到现在，我还记得2023年3月第一次看到OpenAI展示“文本+图像输入”时的惊艳感。相比之下，Gemini要到2023年底才推出多模态能力，Claude也在后续版本中才逐步补上多模态能力。在这个时间差里，OpenAI可以说占尽了上风。

不过，随着时间流逝，依靠模型能力取胜开始变得越来越难。现在，多模态基本已经成为所有模型的标配，单纯依靠“我有你无”来打造竞争优势已经不再可能。而在具体功能表现上，各个模型的账面数据也日益趋同。比如，AI　Benchmark在2026年一季度的评测表明，OpenAI的GPT-5.1、Anthropic的Claude　3　O-pus、谷歌的Gemini　1.5　Pro、字节跳动的豆包4.0　Pro、百度的文心一言4.0这五款主流模型，在通用语言理解、逻辑推理、多模态生成三大核心维度的评分上，均集中在92至95分区间，最高分与最低分差距仅3分。而在2025年同期，其差距还有8分。MMLU的最新评测数据也显示，上述五款模型的准确率均突破90%，账面性能已经非常接近。虽然仅看数值，不同模型之间的性能差距依然存在，但由于所有模型的性能都已远高于完成基本任务所需要的水平，且彼此之间不再存在代差，用户很难再愿意为这些微小差别支付溢价。

与模型性能日益趋同相伴的，是提升模型性能变得越来越艰难。现在大模型的能力提升很大程度上仍是按照“规模定律”（Scaling　Law）的指示，通过堆算力来实现的。而随着模型能力提升，算力的边际收益已经大幅下降。为了把评测指标提升那么一点点，所需要投入的算力资源正变得越来越大。

一边是比拼性能的收益越来越小，另一边是提升性能的成本越来越高。在这两股力量作用下，AI企业单纯“砸”参数、“砸”规模的激励越来越小。各个大模型的账面参数还在缓慢提升，但它们再也难以像过去一样，直接左右市场竞争的胜负。

OpenAI为什么错过了编程？

在上述情况下，AI公司不约而同地转变思路，开始走向差异化竞争。而不同公司的选择，也决定了它们后来的发展走势。

本来，如果OpenAI选择把编程作为主攻方向，应该具备得天独厚的优势。当时，OpenAI与微软结成了十分紧密的同盟，而微软已经将全球最大的代码托管网站和开源社区GitHub收入囊中。如果OpenAI想要着力发展编程，它无疑拥有优先利用GitHub海量代码进行学习的条件，甚至还可以借助微软，对竞品AI的编程训练设置一些限制。然而，OpenAI并没有全力发展编程，而是将大量算力资源用到了文生视频产品Sora上。

　　如果站在当时，重注Sora并不是一个坏主意。对编程能力的开发未必会比对文生视频应用省钱，但从市场前景看，文生视频似乎更有前途。能够高频使用编程功能的，主要还是程序员，其规模相对有限。而视频几乎每个人都在看。如果可以把视频生成做好，用来代替真人出演影片，其市场潜力几乎不可限量。在这种权衡之下，OpenAI将很大一笔资源投入了Sora的研发，而AI编程没有成为其主攻方向。

对比之下，Anthropic几乎没有战略摇摆，而是一头扎进了AI编程研发。为什么Anthropic会作出这种选择？在很大程度上，这可能受到了其核心团队理念的影响。Anthropic的团队本来就是由于理念不同而从OpenAI出走的。在出走之前，他们就始终坚信编程是AI实现高效问题解决的核心载体，模型的推理能力、长程协作能力都可以通过深耕编程场景得到极致锤炼，因而是实现“打造能稳定承接人类工作的可靠AI”的核心。

除了战略选择差异外，Anthropic和OpenAI在发展AI编程的微观策略上也存在显著差异。Anthropic将AI编程列为公司的第一要务，不仅分配了大量资源，还在技术、产品、工程和组织上形成了清晰策略：长上下文优先，重视自校验和代码可靠性，以低幻觉、高可控作为核心竞争力，并保持小而精的组织规模。反观OpenAI，则始终只是把编程当作消费级对话业务的辅助方向，投入资源较少，优先级也较低。而在技术路径上，OpenAI也犯了很多错误。例如，它过度依靠RLHF（基于人类反馈的强化学习）优化对话流畅度与安全性，导致逻辑推理能力被稀释，幻觉率居高不下；同时，其长上下文技术长期滞后，也难以满足大型代码库的系统级理解需求。

在这些因素作用下，两家公司在编程上的能力逐渐拉开差距。根据最新的SWE-BenchVerified测试，ClaudeO－pus的通过率已突破80%，而OpenAI的GPT/Codex系列通过率仅在56%至77%之间波动。在长上下文处理能力上，Anthropic原生支持200k至1Mto－ken，能应对几十万行代码的全量理解与跨文件推理，幻觉率低且逻辑一致；而OpenAI的产品长期局限于128k至200ktoken，长文本处理中容易出现失忆、逻辑断裂等问题，复杂任务中幻觉率甚至超过33%。在工具调用与自主Debug方面，Claude的双循环自校验机制能大幅降低错误率，擅长持续自主完成复杂任务，而GPT/Codex虽调用速度快，却常出现稳定性不足的问题，大型代码重构中需频繁人工干预。这些差距，让越来越多的程序员选择Claude，而非GPT/Codex系列来帮助自己编程。

与此同时，OpenAI的Sora则遭遇了滑铁卢。这倒不是说Sora模型本身表现不好。实际上，在其关闭之前，它一直是文生视频赛道的头部产品。问题在于，它是典型的“叫好不叫座”，模型本身表现良好，却很难直接变现。不仅如此，由于Sora在训练过程中用了大量影视素材，相关版权风险也非常大。在这种情况下，这款曾经被OpenAI寄予厚望的产品，最终不得不被关停。

真正的问题在生态

或许有人要问：即使OpenAI输掉了编程，丢掉了Sora，那也只是局部失利。从总体上看，它不是还有优势吗？如果我们只看日活等指标，情况确实如此。虽然Anthropic的Claude在专业人士中广受好评，但其日活到现在为止仍然不到GPT的1/3。那为什么市场对OpenAI的评价会逐渐不如Anthropic呢？关键在于两者的生态能力差异。

在AI行业的生态竞争中，An－thropic和OpenAI呈现出两种截然不同的布局逻辑。在两者之中，Anthropic在生态适应性上要远超OpenAI，而其编程能力的优势，其实只是这种布局逻辑的体现和保障。

Anthropic的生态优势，首先体现在精准的B端定位和突出的盈利表现上。与OpenAI全力布局C端消费级市场不同，Anthropic自成立以来，就明确将B端企业级市场作为核心赛道，始终聚焦编程领域的核心需求，拒绝“大而全”的生态扩张，专注于为企业提供高效、可靠的AI编程解决方案。这种聚焦让Anthropic能够集中资源打磨核心能力，其编程产品不仅满足企业日常代码编写、调试的基础需求，更能支撑大型代码库重构、跨文件系统设计、长周期项目开发等复杂任务，精准匹配企业研发效率提升的核心痛点。

盈利模式的成熟与稳定，进一步强化了Anthropic的生态优势。依托B端企业级市场定位，Anthropic采用企业付费、定制化服务等成熟模式，摆脱了C端市场对流量和补贴的依赖，实现了健康的商业闭环。数据显示，2026年Anthropic的年度经常性收入（ARR）已突破300亿美元。相较于OpenAI依赖C端订阅和API调用的盈利模式，An－thropic的盈利更具稳定性和可持续性。这种稳定的盈利能力，让Anthropic能够持续投入研发，优化产品能力，同时也为上下游合作提供充足资金支持，推动生态形成良性循环。

其次，Anthropic与上下游产业的互补性极强，构建了双向赋能的生态协同体系。在AI行业中，算力、算法、应用场景是生态构建的三大核心要素，而Anthropic精准把握了三者的协同逻辑，与上下游企业形成深度绑定，实现资源的高效整合。

在算力层面，Anthropic与谷歌、亚马逊等全球顶级云服务巨头达成战略合作，采用“算力换投资”的合作模式：巨头为Anthropic提供充足算力支持，满足其模型训练和产品运行需求；Anthropic则为巨头的云基础设施提供稳定订单，助力其拓展企业级客户市场，形成“算力供给+场景落地”的双向赋能。

在应用场景层面，Anthropic的编程能力已深度融入金融、互联网、科技制造、生物医药等行业，成为不少企业的必备工具。这种场景渗透，让An－thropic的生态不再局限于自身产品，而是延伸到产业生产环节，形成“产品+场景+合作伙伴”的链条。

再次，Anthropic的业务与同类对手冲突较少，避免了同质化竞争带来的生态内耗，能够集中精力打造差异化优势。当前AI行业竞争激烈，但An－thropic通过精准定位，成功避开了与主流产品的直接竞争。其核心产品Claude专注于B端编程场景，而谷歌Gemini、百度文心一言等同类产品，大多侧重C端综合体验，主打通用对话、多模态交互等消费级功能，与Claude形成了清晰的差异化边界。这种定位让An－thropic无需陷入价格战、流量战等同质化竞争，也让其与谷歌等表面上的竞争对手合作时，不会产生太多冲突。

反观OpenAI，其生态布局的核心痛点在于业务冲突严重，内耗不断，难以形成协同效应。OpenAI的核心产品GPT系列主打C端消费级对话场景，而其与微软合作推出的Copilot则聚焦编程领域，两者核心技术同源，目标用户存在重叠，形成了激烈的内部竞争。这不仅导致资源浪费，也让用户产生混淆，严重消耗了生态活力。此外，Ope－nAI与微软的合作虽看似紧密，但双方战略目标存在分歧：OpenAI追求AGI的快速突破，微软则希望借助OpenAI技术拓展自身企业级服务市场。这种差异导致双方在生态布局上难以形成统一规划，进一步削弱了OpenAI的生态竞争力。

正是由于上述生态能力上的差异，才造成了OpenAI和Anthropic这两家公司之间力量的此消彼长。

从“模型优先”到“生态优先”

事实上，OpenAI与Anthropic的力量消长，并非个例，而是整个AI行业从“模型优先”转向“生态优先”的生动缩影。在AI大模型的发展初期，竞争核心无疑集中在模型参数、推理速度、多模态能力等技术指标上。AI企业纷纷投入巨资比拼模型性能，试图通过技术突破抢占市场先机。彼时，OpenAI凭借GPT系列的先发优势成为行业标杆，Anthropic等后起之秀也以模型技术为突破口，逐步站稳脚跟。但到了2026年，行业格局发生了深刻的范式转移。尤其是随着“Agent生态元年”的到来，竞争焦点从单一模型技术转向完整生态构建。能否整合上下游资源，能否实现技术与场景的深度融合，能否让生态参与者共同获利，成为企业竞争的核心胜负手。

从行业整体数据来看，生态化布局的价值已得到充分验证。根据IDC的统计，2026年全球AI全产业链收入已经达到4350亿美元。其中，算力层占70%的收入份额，基础设施层占17%，应用层占13%。这种结构清晰表明，单一模型技术已经很难支撑AI企业持续发展，只有联动算力、基础设施、应用场景等上下游环节，构建完整生态，才能在行业竞争中占据优势。麦肯锡的估计则显示，2024年全球聚焦生态构建的AI企业，平均营收增速达到38%，远超单纯聚焦模型研发企业的19%；在企业估值方面，生态型AI企业的平均估值是纯模型企业的2.3倍。

在全球科技巨头的布局中，上述生态化转型体现得尤为明显。以谷歌为例，作为AI行业的重要参与者，谷歌早期同样聚焦模型技术研发，其推出的Gemini系列模型在多模态能力上表现突出。但随着行业转型，谷歌迅速调整战 略 ， 将 Gemini与 Workspace、YouTube、Gmail等海量应用场景深度整合，构建起“模型+场景+生态”的完整体系，同时推出ProjectAstra探索多模态实时交互，在搜索领域全面引入AIOverview，实现技术与业务协同。而这一次谷歌与Anthropic摒弃前嫌，对其大幅投资，原因也是为了进一步完善自身生态体系。一方面，Gemini定位上强调C端，与Claude冲突不大，加之Claude本身缺乏强大的云能力，谷歌可以通过将Claude嵌入谷歌云来提升云业务吸引力。另一方面，谷歌已经具备很强的TPU研发能力。未来，随着TPU产能增长，谷歌本身将很难消化所有TPU。此时，将富余TPU向Anthropic供应，不仅可以获得可观收益，还能帮Anthropic缓解算力不足。从这个角度看，谷歌与Anthropic虽然看似是对手，但两者之间其实具有很多合作空间。

另外需要注意的是，生态化转型并不仅仅发生在综合性大模型领域。在垂直市场上，这种趋势同样清晰。例如，在AI编程领域，Replit等企业也不再只做模型优化，而是转向构建“编程工具+社区+上下游服务”的生态。又如，在工业AI领域，ABB通过打造“AI+工业自动化”生态，成功推动订单增长。

综合以上分析可以看到，在AI行业，AI企业靠产品单打独斗的时代正在过去。而正在到来的，则会是一个组团厮杀的时代。

如何在生态竞争时代胜出？

那么，对于AI企业而言，要如何在生态竞争时代胜出？在我看来，如下几个方面可能是需要注意的。

第一，是坚守核心能力，打造生态不可替代的价值锚点。

生态竞争的本质是价值竞争，而企业的核心能力是参与生态、立足生态的基础。只有自身拥有不可替代的价值，才能在生态合作中拥有话语权，在市场竞争中占据优势。AI行业的生态协同，并非要求企业“大而全”，自己构建全部生态，而是强调“专而精”，让企业聚焦自身擅长的领域，打磨核心技术或服务，成为生态链条中不可或缺的一环。

具体而言，AI企业的核心能力可聚焦两大方向：一是技术层面，深耕某一细分技术领域，打造差异化优势。正如前文所看到的，虽然Anthropic起初的资金、算力条件均不如OpenAI，但通过集中优势资源主攻编程，依然可以在这个细分赛道上建立优势。二是场景层面，聚焦某一垂直领域，打造深度场景解决方案。现在，很多行业都有AI转型需求，并且具有很强的付费意愿和能力。然而，真正能为这些行业提供专业服务的AI企业却少之又少。因此，如果AI企业可以静下心来，彻底打通几个行业，就不仅能构建持久竞争优势，还可以获得丰厚收益。

需要注意的是，坚守核心能力并非固步自封，而是在深耕核心领域的基础上，持续迭代优化，保持技术或场景优势的领先性。在AI技术快速迭代的今天，若企业停止创新，即便拥有核心能力，也会逐渐被生态淘汰。

第二，是要践行“竞合”理念，平衡生态合作与市场竞争的关系。

美国学者亚当·内勒巴夫（AdamNalebuff）与英国学者拜瑞·布兰登勃格（BarryBrandenburger）曾提出著名的“竞合”（co-petition）理论。顾名思义，所谓“竞合”，就是说在商场之上并不存在永远的敌人，也不存在永远的朋友。企业出于竞争的需要，要学会适时与对手合作。这个理论，在AI生态竞争时代尤其具有启发意义。

AI生态是一个多元共生体系，算力厂商、模型企业、应用服务商等主体，既存在市场份额、客户资源的竞争，又存在资源互补、协同发展的需求。纯粹竞争只会导致生态内耗，纯粹合作则会丧失自身竞争力，唯有平衡好合作与竞争，才能实现共赢。因此，一个企业要想成功，就要同时做好“竞”与“合”。

一方面，企业应当主动开展生态合作，整合上下游资源，弥补自身短板。AI生态的构建离不开各类资源协同，没有任何一家企业能独自掌握算力、算法、场景等所有资源。通过合作实现资源互补，才能快速完善自身能力，拓展生态边界。另一方面，企业也要保持自身竞争优势，在合作中坚守底线，避免被生态“同化”。合作的前提是自身拥有不可替代的价值，若在合作中丧失核心竞争力，过度依赖合作伙伴，最终只会被生态淘汰。唯有同时做好这两点，企业才可以在享受合作优势的同时，规避由此产生的种种问题。

第三，是要聚焦B端价值，构建可持续的商业生态闭环。

AI行业的发展趋势已经充分说明，B端企业级市场已成为生态竞争的核心战场，也是实现生态可持续发展的关键。虽然从表面上看，B端用户规模不如C端，但其盈利能力，以及对于生态构建的价值，都远非C端可比。从这个角度看，生态时代的AI企业唯有聚焦B端价值，解决企业核心痛点，构建“技术+场景+盈利”的商业闭环，才能实现生态的长效发展。

首先，AI企业要精准把握B端企业的核心需求，打造定制化解决方案。B端企业的核心需求是“降本、增效、提质”，与C端消费级市场的“便捷、有趣”截然不同。只有深入了解各行业的业务流程和痛点难点，AI企业才能提供贴合实际需求的解决方案，而不是简单推出通用型产品。其次，AI企业要构建可持续的盈利模式，支撑生态长期运营。B端市场付费意愿强、留存率高，是生态盈利的核心来源。企业可采用“企业付费+定制化服务+生态分成”的模式，既保证自身稳定收入，也让生态合作伙伴获得收益。再次，AI企业要深度绑定B端客户，积累行业数据，优化自身技术与解决方案，进一步完善生态。

第四，是要提升自身生态适配能力，降低合作门槛，实现高效协同。

生态协同的核心是“适配”与“便捷”。AI企业要想深度融入生态、扩大合作范围，就必须主动提升自身生态适配能力。既要在技术上贴合生态伙伴特点，实现无缝衔接；也要降低伙伴使用成本，提升合作意愿。这是生态时代企业不可或缺的生存法则。例如，前面提到的Anthropic花大力气降低Claude的幻觉，提升输入的上下文限制，其实都是增强生态适配能力的代表。

与此同时，降低使用成本是提升生态适配性、吸引伙伴加入的关键。现实中，生态伙伴，尤其是中小型企业，对AI技术的使用成本较为敏感，过高的接入成本、运维成本会大幅降低其合作意愿。针对这一点，AI企业要在生态竞争中获得优势，就需要通过技术优化、模式创新，降低产品接入门槛、使用成本与运维成本，让更多生态伙伴便捷、低成本地享受AI技术的价值。这里值得一提的是，相比于国外AI产品，国产AI产品，如DeepSeek、Minimax、Kimi等，通常在价格方面具有显著优势。这一特征，可能会让我国在未来AI生态竞争中处于有利地位。

第五，是要持续迭代创新，适配生态发展的动态变化。

AI行业技术迭代速度快，生态格局也处于不断变化之中，没有任何一种生存模式能适用于所有阶段。AI企业需保持敏锐的市场洞察力，持续迭代创新，适配生态发展的动态变化，才能在生态竞争中持续保持优势。

一方面，企业要持续推进技术创新，跟上行业发展趋势。正如前面指出的，现在模型之间的性能差距已经越来越小，而提升性能的成本又越来越高。因此，单纯依靠传统技术已无法形成差异化优势。在这种情况下，AI企业就需聚焦智能体、多模态融合、机制可解释性等前沿技术，持续迭代优化自身核心技术，才能适应生态发展需求。另一方面，企业还需要灵活调整生态策略，适配市场变化。生态格局变化速度很快，竞争对手、合作伙伴、市场需求都可能发生变化，AI企业需及时调整自身生态策略，避免墨守成规。

总而言之，生态竞争时代的竞争逻辑，已经和产品竞争时代截然不同。在这个新的时代，AI企业的重点将不再是将产品做得“无所不能”，而是要让自己的产品变得“无所不在”。如果做到了这一点，那么即使其产品不能在市场上最终胜出，企业也依然可以从胜利者那里分享到相应的收益。