【摘要】AI竞争核心从模型参数转向硬件与生态，智能终端正进入结构性拐点。

引言

从GPT-3到DeepSeek，再到Gemini 3，过去几年很多人把注意力几乎全部放在大模型性能排名和参数规模上。到了2025年，行业内部越来越清楚，AI真正难题已经不在“模型跑多快”，而在“怎么把模型装进世界”。这一年，大模型成本断崖式下降，垂直智能体在各行各业开始真正跑业务，资本和巨头的视线，也明显从“云端模型”下移到“硬件终端”和“全栈生态”。

2025到2026这两年，AI行业正在经历一次结构性换挡。上半场是“百模大战”，下半场是“硬科技与生态战”。AI眼镜和AI手机成了新的入口候选，谁先在终端和生态上站稳，谁就有资格在下一个十年定义人机交互形态。以下内容尝试把这一轮变化拆开，从技术、产业和生态三个层面，梳理AI下半场的主线。

● 一、从“模型为王”到“全栈生态”：AI竞争逻辑的根本转向

1.1 大模型不再是唯一主角

过去几年的主线是大模型军备竞赛。参数规模、推理速度、基准测试成绩，是所有厂商的主战场，也是资本估值的主要锚点。进入2025年，这种玩法正在减速。原因很简单，头部模型的能力差距被显著压缩，而成本与体验上的差异，更多取决于工程能力和系统设计，而不是单一模型成绩。

DeepSeek的出现，是这个转折点的典型事件。它在相当一段时间内把推理成本打到一个新低区间，同时在主流任务上的表现并不输给闭源旗舰模型。很多企业在做算账之后发现，自建或基于开源系做定制，性价比开始超过单纯调用闭源API。当高性能变成“相对便宜的公共能力”之后，模型本身的溢价开始下滑，竞争重心自然向“谁把这套能力用得更好”转移。

可以用一个简单对比来概括这次转向。

阶段	核心焦点	典型问题	关键能力
上半场	模型性能	模型有多大、多强	算法、数据、预训练
过渡期	成本与可用性	能否大规模用在业务	推理优化、部署方案
下半场	全栈生态	用在哪、接到啥、跑得动不	模型 + 平台 + 终端 + 行业理解

行业里开始更频繁出现的词是**“全栈生态”**。云侧要有算力与平台支撑，端侧要有硬件和系统适配，中间要有工具链、框架和安全机制，最后还要能接上实际的行业系统和工作流。大模型只有嵌进这一整套体系，才不再只是“演示视频里的神”。

1.2 成本塌陷与多极化格局

DeepSeek等新一代模型带来的最大变化，是推理成本和部署门槛的整体塌陷。在企业决策层视角，过往“只能给一小撮高附加值流程用”的AI能力，开始具备“广撒到更多流程”的经济可行性。再叠加更成熟的开源生态支持，多极化格局自然形成。

在这个背景下，OpenAI从“明显领跑者”变成“强竞争者之一”。谷歌重新给足火力，Gemini 3系列叠加TPU、云平台、浏览器、手机和潜在眼镜硬件，把一个比较完整的“云到端闭环”展示出来。模型层只是其全栈中的一层，而非全部筹码。

从2025年下半年开始，多个维度的数据都指向同一趋势，Gemini在用户使用时长和下载增速上，已经和ChatGPT拉平甚至反超。同时，与OpenAI高度绑定的几家上市公司股价，出现了阶段性回调，背后实质是资本在重新评估“单模型公司”的长期议价空间，以及对“平台加终端”一体化战略的溢价。

在技术侧，大模型越来越像一个“通用基础模块”。真正拉开差距的，是谁能把它：

• 在云侧压到更合理的成本和延迟

• 在端侧做出更稳的本地推理和混合推理

• 在软件侧封装成好用的API、Agent框架和工具链

• 在行业侧做成可以直接落地的解决方案

这几件事拼在一起，才是现在的主战场。

1.3 AI价值重心从“参数”向“落地架构”迁移

很多企业到了2025年已经有了切身感受，一味追大模型版本升级，带来的边际收益在下降。反而把精力放在工具链、数据流程和业务重构上，更容易得到可量化的收益。AI价值重心正在从“模型参数”向“落地架构与工程实现”迁移。

这一迁移，可以用一个简单的Mermaid流程图来表示端到端路径。

如果把这条链路跑通，企业才能获得持续增益。大模型只是A点的起点，真正的护城河在于B到E的高效协同，以及F带来的长期数据和场景沉淀。也正因为如此，终端与硬件开始被纳入AI架构设计的第一层级，不再是简单的“一个载体”。

● 二、应用层新格局：头部集中与垂直智能体并行

2.1 通用AI助手的“强头部效应”

在To C层面，通用AI助手的格局已经高度清晰。国内DeepSeek和基于其能力的助手，以及字节的豆包，长期占据大部分用户时长和下载量份额。凭借模型性能、成本优势和生态整合，它们把大量长尾工具类应用挤压到边缘。

这种“强头部效应”来自几个叠加因素。其一，模型能力强且更新频率高，带来明显的体验优势。其二，入口和分发优势非常集中，尤其是与内容平台、浏览器和操作系统的深度整合。其三，通用助手已经逐步进入“操作级能力”阶段，不仅能回答，还能调用其它能力完成多步任务，这天然弱化了轻量工具类应用的价值。

从市场视角看，通用助手的空间会继续存在，但增量越来越来自存量替代和体验升级，很难再像早期那样出现数百家玩家百花齐放的景象。

2.2 垂直智能体成为真正的增量来源

在应用层，真正的新增量越来越集中在垂直智能体上。健康、教育、办公、金融、制造、能源等行业，开始出现一批可以直接承担业务环节的智能体系统。它们不再是“聊天机器人加壳”，而是和行业规则、知识体系、合规要求深度捆绑的业务引擎。

例如在医疗场景中，智能体需要结构化理解病历、检验报告和指南条文，还要与医院信息系统、排班系统和医保规则打通，这里面对模型能力的要求远低于对整体系统和数据治理的要求。教育、金融和工业现场也类似，真正难的是把AI做到可控、可审计和可持续维护。

从全球市场数据看，2025年AI应用的增长结构明显呈现两个特点。一方面，头部通用助手占据了绝大部分流量入口。另一方面，大部分新增收入正在由垂直智能体贡献，尤其是付费订阅和企业级部署。相关研究机构给出的预测也相对一致，未来七成以上的AI价值会集中在这些深度垂直场景，而不是单一通用聊天助手。

可以用一个简化表格概括两者差异。

维度	通用AI助手	垂直智能体
目标用户	全量用户	行业用户、企业
主要能力	问答、创作、轻任务	专业流程、合规操作
收入模式	订阅、流量、增值	SaaS、项目制、分成
护城河	模型、入口、生态	行业 know-how、集成能力

在企业实践里，一个常见做法是用头部通用模型做底座，用垂直智能体做业务。这也是多极化格局下比较健康的技术栈，一方面控制成本和演进节奏，另一方面保留在行业侧的定制权与议价空间。

2.3 应用进入“任务完成型”阶段

应用形态上，一个明显变化是从“问答型”走向“任务完成型”。用户不希望再把每个步骤都说清楚，而是把目标讲明，让系统自己规划和执行。这背后依赖三个东西：

• 更强的多步规划与状态管理

• 更完善的工具调用与环境接口

• 更好的人机协同与反馈机制

当前越来越多的智能体已经可以完成几十步的连续操作，例如自动预订机票酒店、比价、填写表单、提交审批等。手机领域的“Phone Use”能力也是同一逻辑，只不过执行环境换成了移动终端。随着这一能力成熟，用户对应用的感知会进一步从“一个个App”转向“一个个目标和任务”，这为后面的“去App化”趋势埋下了基础。

● 三、AI硬件主战场之一：AI眼镜的加速与约束

3.1 AI眼镜为何在2025突然升温

AI眼镜在过去几年一直处于概念验证阶段，直到2025年才真正迎来一轮“百镜大战”。这一轮升温背后有几条现实原因。首先，端侧AI算力和能效比有了质变，可以在眼镜这样的小体积设备上跑通不少基础模型能力，加上云端协同，让体验达到可用水平。其次，大模型在语音、多模态和环境理解上的能力提升，让眼镜具备了软硬件双重基础。再次，供应链层面，显示、光学、微型摄像头和电池技术成本都在逐步下降，使得整机价格进入可消费区间。

与此同时，谷歌、三星、苹果、阿里、汽车厂商和多家创业公司几乎同时发力，形成了一个从操作系统、云平台到终端硬件的联合攻势。资本端在2025年对AI眼镜上下游的投入也明显放大，光国内公开融资就接近数十亿量级。这类硬件从边缘产品，转变成各家押注的“新入口”候选。

3.2 市场与技术成熟度的现实位置

从数据看，2025年全球智能眼镜出货量同比增长超过六成，中国市场占到全球约四分之一。多家机构预估，2026年出货量有机会突破千万台，2030年向三四千万台攀升。以消费电子视角看，这种增速很可观，但离“全民设备”还有不小距离。

技术成熟度层面，大多数AI眼镜还处在L2到L3的过渡阶段。这意味着设备可以在清晰划定的场景内执行特定任务，例如实时翻译、场景识别、导航辅助、远程协作和简单的工作流操作，但在泛化能力、自主规划和复杂决策方面，距离真正“随时可托付”还有明显差距。算力、续航、佩戴舒适度和外形设计之间也存在天然权衡，不可能在短时间内全部拉满。

可以简单归纳当前AI眼镜在三条轴上的状态。

维度	当前状态	发展方向
算力与模型	轻量模型为主，云端协同补充	端云协同、自主感知增强
交互体验	语音主导，手势/触控/视线为辅	更自然的多模态交互
形态与佩戴	部分产品仍偏“极客风”	更接近普通眼镜形态

3.3 隐私与合规是主约束之一

AI眼镜面临的最大公共议题，是摄像头与隐私相关风险。持续录制和环境感知，在功能上很诱人，但在现实环境里会引发大量敏感情景。例如办公场所、公共空间甚至私人聚会中，旁人往往难以分辨眼镜当前是否在录制，这直接触及隐私权和信息安全边界。

技术上可以通过明显的录制指示、敏感场景模糊、端侧过滤和本地推理等方式缓解风险，但社会接受度和法规适配需要时间。隐私与算力一样，已经成为AI眼镜架构设计的第一约束条件，而不是简单的附加条款。对厂商来说，这部分如果处理不好，很容易在一个地区甚至一个国家遭遇全面监管压力，直接拖累全球化节奏。

3.4 B端场景先跑通，C端节奏更温和

从落地路径看，AI眼镜在B端和C端会走出不同节奏。B端场景下，企业可以通过内规、合约和数据治理手段，对隐私和责任边界做更清晰约定，再加上场景相对可控，容易率先跑出可盈利的项目。工业巡检、远程运维、医疗手术指导、仓储和矿业作业等领域，已经出现一批规模化部署案例。

C端则更依赖长期体验打磨和社会认知改变。很多人愿意在特定场景佩戴智能眼镜，例如旅行、运动、出差和学习，但并不会全天候佩戴。短期更现实的路径，是把AI眼镜视为手机的功能延伸，而不是替代品。让眼镜承担那些更适合“抬头看世界”的任务，把内容消费和重度输入留在手机上。至少在未来数年，这种分工更符合技术与用户习惯的约束。

● 四、AI手机：2026年的“元年”与现实速度

4.1 AI手机不是“多了个大模型”，而是系统级重构

现在很多产品宣传容易把AI手机简单理解成“内置一个更强的大模型助手”。这种说法不够准确。真正有意义的AI手机，需要在系统层面做三件事：

• 把AI能力深度嵌入操作系统与系统服务

• 让AI拥有受控的系统级权限，能跨应用执行任务

• 在端侧实现可用的本地推理与云端协同

字节和中兴合作的豆包AI手机，是一次比较典型的系统级探索。通过给予智能体系统权限，让其可以像用户一样点击、滑动和输入，跨App完成一系列操作，用户只需给出目标。这种能力如果与更成熟的意图识别、Tool/Agent框架结合，会明显改变用户使用手机的方式。

与传统“语音助手”不同的是，AI手机的智能体不只是发一个指令给某个App，而是可以接管完整任务流程。这对操作系统的权限模型、安全沙箱和应用接口提出了新要求，也会推动系统架构在未来几年逐步演进。

4.2 2026被视作“AI手机元年”的由来

多家机构给出的预测都指向同一时间窗口，2026年会成为AI手机的结构性拐点。国内有预测认为，新一代AI手机出货量会占智能手机整体的半数以上，全球范围内具备本地AI能力或智能体能力的机型占比也会明显提升。

所谓“元年”，更接近两个含义。其一，主要安卓和自研系统生态，会把AI能力作为系统级卖点，而不是一个附加应用。其二，硬件和软件生态围绕AI能力的适配，会在这一年进入批量落地阶段，包括NPU算力规划、内存与存储设计、功耗管理策略、隐私隔离机制和API设计等。

对终端厂商来说，2026其实更像是一次“被迫的系统升级窗口”。不做AI手机，很难在市场上讲出新故事；做得太激进，又容易在功耗、体验和成本上出问题，只能选择在能力和成本之间寻找平衡点。

4.3 增速会慢于情绪预期，但快于保守直觉

虽然行业普遍认可2026的节点意义，但也有冷静判断认为，AI手机的普及会是稳步爬坡，而不是一夜翻盘。原因主要有几条。

第一，操作系统和应用生态对AI原生设计的适配需要时间。现在大多数应用还按照传统交互范式设计，界面和接口并未针对智能体操作做优化。要让AI稳定地跨应用执行长链路任务，必须对接口、容错和安全策略做大量改造。

第二，用户习惯不会立刻完成切换。很多人对手机有多年固化用法，习惯打开App完成每一步，而不是把整件事交给一个智能体。信任建立、人机协同的可解释性，都需要通过长时间使用来形成。

第三，硬件成本约束始终存在。更强的NPU、更大的存储和内存、更复杂的散热方案，都会推高整机BOM成本。对于中低端机型市场，这是一道非常现实的难题。厂商不可能在所有价位段上都一次性拉满AI能力，只能按梯度下放。

因此，对AI手机的预期更合理的说法，是“2026年确立方向，2027到2029年逐步重塑存量结构”。从架构师视角看，更关键的是在这一阶段制定好端云协同策略和智能体运行沙箱，以免后续演进被早期设计限制。

4.4 “去App化”是趋势，但不是零和战争

关于AI手机，一个讨论度很高的话题是“去App化”。智能体可以直接通过底层能力完成任务，用户不再关心自己在用哪个App，只关心目标是否完成。这一趋势在技术上确实在发生，但在生态层面不能简单理解成“App被消灭”或“某家AI把所有服务吃掉”。

更合理的图景是，用户界面逐步从“应用为中心”转向“任务与数据为中心”，但应用和服务提供者继续存在，只是从前台入口退到后端服务角色。多个不同厂商的服务和模型，在一个终端或者一个智能体框架中被动态编排，通过协议和API而不是前台图标来连接彼此。

如果把这件事处理成零和战争，某一家试图用自己的AI助手替代所有服务，其结果往往是监管压力和行业反弹。长期更健康的方向，是构建多模型、多终端、多服务方的多对多连接生态，终端和系统扮演协议协调者的角色，而不是“唯一入口守门人”。

从开发者角度，未来更重要的能力不再是只开发一个独立App，而是把服务暴露成一组可被智能体编排的API和Tool，并在权限、安全和计费上做好设计。谁更早适配这种模式，谁就有机会在“去App化”的过程中保住甚至放大自身价值。

● 五、关键技术主线：持续学习、3D多模态与“无卡点”智能体

5.1 持续学习与长期记忆的大模型

过去很多模型在产品形态上，是“短期无记忆”的工具。每次对话都从零开始，或者依赖有限的短期上下文。进入AI下半场，持续学习和长期记忆能力会成为重要分水岭。没有这两点，智能体很难承担真正长期的助手角色，也难以在硬件终端上形成个人化体验。

在终端场景下，这件事还有额外难度。手机和眼镜上的长期记忆需要在隐私保护、算力和存储空间之间找到平衡，不能把所有数据丢给云端，也不能在本地无限堆。比较现实的做法，是通过向量化摘要、事件级记录和分层存储，把长期记忆控制在可管理的规模，同时提供清晰的隐私管理界面，让用户可以随时查看、删除和导出个人记忆。

对于架构设计来说，持续学习不是简单“在线微调”，而是涉及：

• 本地与云端的增量更新策略

• 多终端之间的状态同步

• 记忆的可解释性和可控删除能力

• 与账号体系和权限体系的绑定逻辑

只有把这些基础设施搭好，AI手机和AI眼镜的“个人化”才不是口号。

5.2 可实时交互的3D与多模态模型

AI眼镜和很多空间计算场景，都离不开对三维世界的理解和重构。可实时交互的3D和多模态能力，是这一方向的关键。现在的主流模型在图像和文本上做得比较成熟，但在3D结构重建、场景语义理解和物理关系推理上，还处于快速迭代阶段。

对硬件终端而言，这类能力直接关系到几类关键体验：

• 空间锚定与持久AR内容

• 对环境障碍、设备和标记物的识别

• 与手势、视线和语音的多模态融合

这些功能的实现，不可能完全由云端承担。端侧必须具备至少基础的深度感知和视觉推理能力，云侧负责大规模建模和复杂推断，二者协同才能达到流畅体验。AI手机也会受益于此，例如在拍摄、导航、室内定位和3D内容创作上获得明显升级。

5.3 “无卡点”的智能体执行链路

很多人体验过智能体“卡在某一步”的情况。表面看是模型能力不足，本质是执行链路没有做成真正的端到端闭环。要实现“无卡点”执行，需要几个条件同时满足：

• 工具集设计清晰，接口稳定且可观测

• 状态机与重试机制健壮，可以优雅降级

• 权限系统精细，不至于在关键时刻被安全策略阻断

• 日志与审计完善，方便回放和排错

在AI手机上，这种“无卡点”能力格外重要。智能体如果经常卡在支付、表单填写或权限申请等环节，用户很快就会失去耐心。操作系统在设计智能体运行沙箱时，需要在安全与顺畅之间仔细取舍，给出一套可预期的行为边界。

在AI眼镜上，“无卡点”更多体现在对实时性的要求。如果智能体反应过慢或经常误判场景，用户会立刻放弃佩戴。对于现场作业场景，延迟和不稳定甚至可能带来安全隐患，因此从架构设计阶段就要把端侧优先级、边缘计算策略和容错逻辑考虑清楚。

5.4 手机与眼镜的协同进化路径

在很多讨论中，手机和眼镜被放在一个“谁替代谁”的赛道里。更现实的看法是，两者会在相当长时间内协同进化，各自找到更适合的任务空间。

手机在计算能力、散热空间、续航和内容消费体验上的综合优势，短期难以被眼镜撼动。眼镜则在即时感知、解放双手和空间交互上具备天然优势，更适合承担提醒、导航、标注、记录和轻量交互任务。技术栈层面，很多基础能力是共用的，例如语音识别、多模态理解、智能体框架和持续学习模块。

这意味着，在做系统与应用架构规划时，更适合把手机和眼镜视为一个多终端系统。用户与智能体的会话、任务和记忆在多终端之间无缝漫游，终端各自承担不同阶段的交互和执行角色。这样，硬件形态间的竞争会弱化，生态与协议的统一反而更关键。

结论

2025到2026这两年，AI行业从“百模大战”过渡到“硬件与生态战”，不是简单话题更替，而是底层逻辑改变。大模型正在从唯一主角变成基础设施，真正决定企业和厂商位置的，是能否构建起从云到端、从模型到行业系统的完整架构。

应用层面，通用助手走向强头部集中，垂直智能体则成为真正的增量与价值源头。硬件层面，AI眼镜和AI手机共同构成AI下半场的两条主战线。前者在2026年将呈现出明显的成长加速，但在技术和隐私约束下，更长时间停留在“手机延伸”的定位。后者在2026年确立“元年”地位，却会以稳步爬坡而非骤然颠覆的方式，逐步重塑终端体验。

从技术路线看，持续学习与长期记忆、多模态和3D理解、无卡点智能体执行链路，以及多终端协同架构，会构成未来几年AI系统设计的主骨架。从生态与监管看，“去App化”趋势不可逆，但真正可持续的模式只会是多方连接、协议驱动和权限清晰的开放式生态，而不是某一家AI或某一类硬件垄断一切入口。

对开发者和架构师来说，现在是重新审视技术栈与产品边界的窗口期。把视角从模型排行榜移开，放到端到端的系统设计和长期可运维性上，是在AI下半场站稳的关键，也会决定在即将到来的智能终端新纪元中，扮演怎样的位置。

📢💻 【省心锐评】

AI下半场已经从模型秀场走向系统工程现场，谁能在端到端架构和生态协同上做扎实，谁才有资格谈长期领先。