全栈AI，现在差不多已经成为大厂的标配。

几乎所有科技巨头都在同一个方向使力：把AI产业链上越来越多的环节收入自己手里。于是模型公司操心芯片、数据中心和电力；云厂商开始训练自己的模型；手机厂商在补AI能力；社交平台也在押注Agent和下一代终端。

OpenAI可能是今天“全栈AI”野心最明显的公司之一。往下，它正在深度介入芯片、数据中心、电力和算力基础设施；往上，它有API，有ChatGPT，有Codex，也在寻找新的硬件入口。

但在8月23日David Senra的播客里，Altman开始强调另一件事：OpenAI不能什么都做。

他认为OpenAI应该成为一家平台公司，而不是把每一个AI应用都自己做掉。资源有限，公司必须主动放弃一些“不错的产品”，把算力、人才和注意力留给真正重要的事情。

另一边，目前最接近“全栈AI”的谷歌，刚刚又对自己的AI组织动了一次大手术。

哈萨比斯交出 DeepMind 管理权，“荣升”董事长；迪恩等四名资深骨干离职出走，创立新公司。

从芯片、云、模型、搜索、办公软件，到操作系统和终端，谷歌几乎一应俱全，但也正是因为铺得太全、捏在手里的牌太多，内部协调才会变得格外困难。旗舰模型迟迟拿不出手，甚至被外界怀疑是否正在退出SOTA模型竞赛。

怀揣着全栈野心的科技公司们高喊着“All in AI”，但问题在于，当芯片、算力、模型、Agent、应用和终端同时成为“不能输”的战场，一家公司到底有多少资金、算力、人才和管理注意力，可以同时投入其中？

当所有AI机会都被视为“不能让给别人”的阵地，全栈究竟是一个可以抵达的终点，还是一场画地为牢的陷阱？

1

互联网时代的平台巨头，其实很少靠“通吃”建立优势。

微软真正的护城河是Windows建立起来的操作系统标准和开发者生态；谷歌的核心优势是搜索入口、数据和广告分发形成的闭环；苹果掌握的是iPhone、iOS和App Store共同构成的移动生态；亚马逊则通过AWS占据了云基础设施这一关键层。

平台真正理想的状态并不是把整个产业链都收入自己手里，它们只需要控制一个关键入口，形成难以被复制、且难以被绕开的壁垒。

阿里甚至曾经把这种模式直接写进自己的公司定义。2018年年报里，它把自己生态的核心定义为三样东西：技术平台、市场规则，以及连接不同参与者的角色。消费者、商家、品牌、零售商和第三方服务商围绕这一平台彼此发现、互动和交易，最终形成“自我强化的网络效应”。阿里给自己设定的长期目标也不是亲自做完所有生意，而是“构建未来的商业基础设施”，让企业能够“Work @ Alibaba”，借助阿里的基础设施和技术，自己建立业务、创造价值。

AI理论上当然也可以形成类似的产业分工。

英伟达已经提供了一个非常典型的样本，它如今的边界正围绕GPU、CUDA、网络和整套加速计算平台不断扩张，但真正让它获得超额回报的控制点，依然高度集中。2027财年第一季度，英伟达营收达到816亿美元，同比增长85%；其中数据中心收入达到752亿美元，同比增长92%，占总收入九成以上。单季GAAP毛利率高达74.9%，营业利润达到535亿美元，同比增长147%。

只要GPU和围绕它形成的软件、网络生态仍然是AI计算绕不过去的一层，英伟达就足以拿走产业里最丰厚的利润之一。

Anthropic也提供了另一个方向的案例，它并没有自己的云、芯片、操作系统和终端，却依靠Claude模型能力，尤其是在Coding和企业工作流中的优势，迅速建立起商业价值。至少在现阶段，以模型能力为核心的一层优势就足以支撑一家规模巨大的公司。

理想情况下，AI本来可以像互联网时代一样，沿着不同赛道形成分工：芯片、云、模型、Agent、终端，公司完全可以选择其中一条持续加码，把优势做深。

每一条赛道都有机会建立自己的护城河，也都有机会长出新的巨头。

但现实是，AI爆发得太快了。

从模型到Agent，从云到终端，每一条赛道都在高速膨胀，几乎不给大厂留下慢慢判断、主动取舍的缓冲时间。

在一个产业边界还没有完全形成的蓝海市场里，每一层看起来都可能成为下一个搜索、下一个Windows、下一个AWS，也可能诞生下一个英伟达。任何一次主动缺席，都可能意味着把蛋糕直接让给竞争对手。

而互联网时代又给这些公司留下了一种非常强烈的成功记忆。

无论是张一鸣所追求的“Super Company”，王兴强调的“无边界”，还是阿里长期迷恋的“打通生态”，背后都是同一种平台公司的本能：看到明确的市场需求，就倾向于相信可以用资本、人才和组织能力把它做出来。

在这样的环境下，谁都不知道今天看起来只是一个产品功能的东西，会不会在几年后长成新的平台入口；谁也没有理由在需求已经出现、能力又看起来可以复制的时候，主动把机会留给别人。

这些互联网公司曾经靠一个别人很难复制的核心优势成为巨头；到了AI时代，却开始产生另一种冲动：既然每一层都有可能成为下一个护城河，那为什么不能All in？

全栈AI于是首先不是一种技术理想，更像是产业分工尚未完成时的一种集体扩张冲动。

或者，如果用更激进的话来形容，更像是大厂把覆盖尽可能多的层，误认为是一种必然更优、甚至最终必然胜出的企业形态。

2

某种意义上，全栈AI就像路途终点的梅子树——它当然足够“止渴”，甚至可能是AI时代最诱人的公司形态。

但今天的“全栈AI”，背后其实混杂了两种不同方向的扩张。 

一种是做纵向一体化：模型公司向下进入芯片、数据中心和电力，云厂商向上训练自己的模型，终端厂商补上操作系统和Agent能力。它们看起来都在跨越原本的业务边界，但本质上仍然围绕自己的核心能力，把上下游最关键的环节逐渐握进自己手里。 

这种扩张本身有其价值，很多时候，它属于建立护城河的必要环节。 

最直接的收益，就是能够少受制于人。

模型公司如果永远依赖别人的GPU和云，就要承受价格、供给和议价权的不确定；云厂商如果只负责卖算力，也会担心最有价值的客户关系最终被模型公司拿走。 

往上下游多走一步，对任何一家公司单独来看都很合理，毕竟每多握住一层，就少一个别人可以卡住自己的地方。 

拿OpenAI和微软举例，这两家公司早期的合作，几乎是AI产业分工最理想的样子。OpenAI负责把模型做得更聪明，微软负责提供源源不断的算力。一个向上做智能，一个向下铺基础设施，两家公司各取所长，也彼此需要。

但随着AI这块蛋糕越做越大，OpenAI开始寻找微软之外的云厂商，自己介入数据中心、电力和基础设施，甚至把手伸到了芯片，推出了Jalapeño；微软则从另一头越过边界，不仅做Maia芯片，也开始训练自己的MAI模型，并在Azure里引入Anthropic等其他模型供应商。

两家公司依然是合作伙伴，但也都在有意识地降低对彼此的单点依赖，避免把最关键的能力和议价权交到对方手里。

从内部看，把更多环节握在手里，还有一个颇具吸引力的好处：原本发生在公司之间的协作，可以变成发生在一家公司内部的优化。

当芯片、系统软件、模型和应用都属于同一家公司，它们就可以围绕同一个目标一起调整。模型不必迁就通用芯片，芯片也可以反过来为模型定制；应用端发现的问题，可以一路反馈到底层系统和算力架构。

微软今年在财报会上强调的就是这套逻辑：公司正在同时优化从数据中心设计、芯片、系统软件到模型架构的每一层。按照微软自己的数据，Maia 200自研AI芯片相比其现有最新芯片，每美元能够处理的Token提高超过30%；软硬件联合优化，又让Copilot最常用模型的推理吞吐提升了40%。

所以，仅仅向上下游延伸，并不足以构成陷阱。

真正复杂的地方在于，AI公司的扩张往往不会停在这里。 

有了模型之后，还可以做聊天机器人、Coding、视频、浏览器、企业软件、Agent，也可以继续寻找新的硬件入口。 

这就不再是围绕核心能力纵向做深，而开始转变成另一种横向扩张。 

于是，“少受制于人”的逻辑开始不断向外蔓延。 

今天不做芯片，担心算力受制于人；不做Agent，担心入口受制于人；不做应用，担心用户受制于人；不做终端，又担心最终的分发权仍然掌握在别人手里。 

纵向一体化解决的是关键能力受制于人的问题，横向扩张却更像是“任何机会都不能让给别人”。 

当这两种扩张同时发生，“全栈”就开始从一种效率选择，变成一种战略焦虑。

每一家单独来看，可能都只是想把自己的命运多掌握一点。但当所有公司都做出同样的选择，理性的个人决策就演变成了集体的囚徒困境。 

技术栈做深需要芯片、数据中心和电力，业务线做宽同样需要模型、算力、人才和销售资源，最终争夺的都是公司同一张资产负债表和同一批管理注意力。 

没人敢率先减速。向下，芯片、数据中心和电力需要提前几年布局，今天少投一步，未来就可能在算力和供给上受制于人；向外，Agent、Coding、浏览器、企业软件和新的硬件入口又都可能长成下一块护城河，主动缺席同样意味着承担错过下一代入口的风险。

在所有的投入里，钱是最容易被量化的部分：

今年Alphabet、亚马逊、Meta和微软四家公司预计将在AI基础设施上投入约6500亿美元，相比2025年的4100亿美元又提高了近六成；仅2026年至今，美国企业为AI建设发行的相关债务就达到约2200亿美元，而去年同期只有125亿美元。

然而，投入和回报中间存在巨大的时间差：钱烧在前面，收入和现金流却难以接上。

Alphabet今年将资本开支提高到1950亿至2050亿美元，尽管Google Cloud二季度收入同比增长超过80%，公司仍出现上市以来首次季度负自由现金流；Meta二季度自由现金流同比暴跌91%，只剩7.84亿美元。

国内也是同样的情况。阿里二季度资本开支同比增长75%至676.8亿元，腾讯同期也花掉接近80亿美元，两家公司当季都出现负自由现金流。阿里已经用掉3800亿元三年AI投资计划的近一半，并预计相关投入还需要约2.5至3年才能收回；字节则被曝正在寻求约200亿美元、公司史上最大规模的离岸贷款，其中一个重要用途就是继续加码AI基础设施。

全栈的收益在未来，维持全栈竞争的成本却必须今天支付。

然而，缺钱好歹还是一个可以通过融资、发债等方式暂时解决的问题。

更复杂的压力出现在组织协同上。

对于这个问题，谷歌几乎就是最典型的样本。路透社在复盘8月这轮DeepMind重组时发现，Gemini迟迟追不上前沿，背后并不只是模型能力问题。Google Cloud和DeepMind需要争夺有限的TPU资源，Gemini内部多个项目负责人也曾因为资源分配产生分歧，Coding等后来证明关键的方向因此投入不足；与此同时，DeepMind长期研究的传统，又不断与Google要求模型更快进入Cloud、Search和消费产品的商业目标发生拉扯。

类似的矛盾也发生在阿里，据《晚点LatePost》披露，阿里一边投资多家大模型公司并向它们提供算力，Qwen却因为Infra和训练资源不足，甚至不得不自己补建基础设施团队。林俊旸提出离职后，Qwen团队曾在内部全员会上直接质问管理层：为什么外部的大模型创业公司购买阿里云算力“用得顺畅”，内部团队却长期在算力和招聘名额上捉襟见肘？阿里云CTO周靖人承认，团队“一直资源紧张”。

因为组织上的统一，并不意味着经营目标会自动一致。

技术栈做深，确实可能产生1+1＞2的优化；但业务线不断做宽之后，公司又必须在模型、云、芯片、Agent和不同产品之间重新分配算力、预算、人才和管理注意力。 外部依赖减少了，内部的协调成本却开始上升。 

“全栈AI”真正危险的地方在于，在产业边界尚未稳定之前，没有谁会轻易放弃一个仍有可能成为下一块护城河的方向。竞争对手还在加码，自己就很难率先收缩；而自己多做一层，又会反过来迫使竞争对手继续跟进。 

最终，“不能受制于人”的逻辑从技术栈蔓延到业务版图，很容易演变为“什么都不能让给别人”。 

即使抛开外部因素，退出本身也是一件需要勇气的事情，尤其对大厂来说，它们更愿意相信自己会妥善处理好那些“前车之鉴”，不至于重蹈覆辙。

3

另外，从产业发展的角度看，“全栈AI”本身就很难成为一种稳定的终局。

经济学家科斯在解释“企业为什么存在”时，提出过一个非常朴素的问题：既然市场能够完成交易，为什么还需要公司？ 

答案是，因为交易本身也有成本。 

寻找供应商、谈判、签约、监督和协调都需要付出代价。当通过市场完成一件事的成本高于公司内部协调的成本，企业就有动力把这项能力收入内部；反过来，当内部管理越来越复杂，而从市场获得同样能力越来越容易，企业也就没有必要什么都自己做。 

从这个角度看，过去几年AI公司的全栈扩张并不难理解：GPU短缺、云资源紧张、模型能力稀缺，不同系统之间的接口又彼此割裂。关键能力掌握在别人手里，不只意味着要付出更高价格，还意味着供给、效率甚至产品节奏都可能受制于人。与其反复在市场上协调，不如把更多东西收入自己内部。 

但现在，两边的成本正在同时发生变化。 

一边，全栈扩张正在让公司内部的协调越来越贵。

OpenAI最近的变化就很有代表性。Altman在Stripe Sessions 2026上回顾，OpenAI最早只需要经营一家研究实验室；ChatGPT之后，它不得不学会成为一家产品公司；如今，它又要同时处理芯片、数据中心、电力和算力基础设施。

实验室、产品公司、基础设施公司，本来就是三种完全不同的组织。

OpenAI也因此越来越像一家传统意义上的大公司。过去两年，它不断引入Fidji Simo、Sarah Friar等成熟科技公司的职业管理者；今年又把应用业务改成产品总经理制，让ChatGPT、Codex、企业业务等分别拥有更明确的经营负责人。

一家从研究人员和工程师主导的实验室里长出来的公司，开始不得不用更传统的管理体系，处理产品、收入和数千亿美元基础设施带来的复杂性。

但就在OpenAI越做越“全”的时候，Altman反而开始强调另一件事：OpenAI不能什么都做。

8月23日，他在David Senra的访谈中表示，OpenAI应该更多成为一家平台公司，而不是进入每一个产品类别，更不能试图和所有客户竞争。

在他的描述中，OpenAI的边界非常清楚：一端是普通用户直接使用先进AI的入口，另一端是供开发者和企业继续构建产品的API平台。至于中间大量具体应用，应该留给外部开发者和创业公司。

他甚至已经开始主动杀掉一些”还不错”的产品，例如Sora和Atlas，把有限的算力、人才和管理注意力重新集中到更重要的方向。

DeepMind则从另一个方向碰到了同样的问题。

路透社去年那篇长篇调查披露，DeepMind从一开始就非常抗拒变成一家普通的谷歌部门。2015年Alphabet成立时，Hassabis曾争取让DeepMind像Waymo一样成为独立公司；到2017年，DeepMind管理层甚至还在讨论最终从谷歌剥离。

早期DeepMind甚至没有产品和收入，研究人员不需要证明下一次实验能给搜索广告带来多少收入，也不用考虑Cloud客户什么时候买单。Hassabis后来回忆谷歌收购带来的好处时，说得很直白：留在伦敦、保持独立，“不用管产品，做纯研究”。

但ChatGPT改变了这一切。

2023年，谷歌把Brain和DeepMind合并成Google DeepMind，Hassabis一度掌握谷歌最核心的前沿AI力量，代价则是DeepMind开始背负起整个谷歌的商业使命。

Gemini必须追赶OpenAI和Anthropic，必须进入Search、Cloud和消费产品，也必须和谷歌内部其他业务争夺TPU、人才和优先级。

三年后，天平再次摆动。今年8月，Hassabis退出日常管理，把更多精力重新放回AGI和长期科学；更偏产品和商业化的Koray Kavukcuoglu接过实际运营，一些团队也重新纳入谷歌体系。

一个实验室长大以后开始学习公司分工，一个实验室被公司吸收以后又必须重新划分研究与经营。

OpenAI和DeepMind走的是相反的路，但碰到的其实是同一个问题：把越来越多能力装进同一家公司，并不会消灭协调成本，只会把原本发生在公司之间的协调，变成发生在公司内部的资源分配。

更何况，AI最擅长产生突破的组织方式，和一个全栈平台最擅长的组织方式，本来就存在张力。

前沿研究需要允许试错、路线竞争和长期投入，哪怕十次失败只换来一次突破，也可能值得；平台公司却必须同时考虑产品节奏、收入目标、客户需求和资源效率。前者追求的是能力边界，而后者必须不断做取舍。

全栈可以减少外部依赖，却不可能消灭组织成本。

与此同时，另一股力量正在反方向运动：AI公司之间的交易成本正在快速下降。

API已经让模型能力可以像云服务一样被调用；模型路由让开发者能够根据价格、速度和效果在不同供应商之间切换；MCP和A2A又进一步试图解决工具、数据和Agent之间的连接问题。

Anthropic推出MCP，本意是让Claude更容易连接外部工具和数据；但MCP后来被ChatGPT、Gemini、Microsoft Copilot、Cursor等大量产品采用，2025年底Anthropic进一步把它捐给Linux Foundation旗下的Agentic AI Foundation，而OpenAI正是基金会的共同发起者之一，谷歌、微软和AWS也参与支持。

谷歌推出A2A也是一样。它当然希望自己的Agent进入更多企业和应用，但要建立一个足够大的Agent生态，就必须让不同厂商的Agent彼此通信。最终谷歌同样把A2A交给Linux Foundation，由AWS、微软、Salesforce、SAP、ServiceNow等公司共同参与。

这形成了一个看起来有些反常的结果：大厂越想让自己的那一层成为标准，就越需要让自己的产品能够和别人的模型、Agent和工具连接。

它们的出发点当然不是放弃控制，恰相反，每家公司都想扩大自己的控制范围。但当所有人都这样竞争，API、模型路由、MCP、A2A以及各种开放接口又客观上降低了不同层之间的绑定。

模型可以换，工具可以换，Agent可以跨平台协作，原本想被收入一家公司内部的技术栈，反而越来越容易被拆开、替换和重新组合。

按照科斯的逻辑，这意味着企业边界两边的成本正在发生一次反转。 

一边，全栈扩张让公司内部需要协调的业务、资源和目标越来越多；另一边，标准化和互操作性却让公司之间寻找、连接和替换合作伙伴越来越容易。 

当内部协调越来越贵，而外部交易越来越便宜，“什么都自己做”的经济理由自然会变弱。

所有人都想建立自己的全栈帝国，但正是这场全栈竞争，在不断制造一个更模块化、更难被任何一家公司完全控制的AI产业。

最终，哪些能力值得留在公司内部，哪些应该重新交给市场，仍然取决于一件非常朴素的事：哪一种组织方式更有效率。 

全栈当然有价值，跨层协同也真实存在，但今天所有大厂同时做芯片、云、模型、Agent、应用和终端，未必意味着这就是AI产业最终成熟的形态。

它更可能代表，产业的边界还没有画完。

今天我们看到的All in AI、既要又要，很可能只是它还没有找到稳定结构的表现。