AI仍然处于被发明的过程中。Anthropic最快在下周上市，但在它提出的40万亿美元的知识工作经济中，真正得以验证的，即使加上OpenAI，也仅千亿美元左右，且以AI编程为主。2027年，首先需要被发明的，仍然是企业AI。

但Anthropic只是企业AI的一种答案，远称不上全部。企业AI的市场空间，并不等于模型API市场。今年下半年以来，AI应用向社会的渗透，越来越明显地经历着与企业组织的摩擦。这包括企业的预算约束、工作流改造、知识沉淀，以及隐私安全等。混合AI既是技术架构上的一种回应，也是企业重新组织AI生产资料的一种回应。

企业越来越觉得前沿AI过于昂贵。应用的创新仍然处于探索阶段，过于昂贵的Token成本不利于企业在较长时间内大胆试错。加之，高速增长的Token支出，尚未以相应规模收入回流，企业们纷纷开始为Token预算设置门槛。

苹果工程师的每日预算，从300美元进一步降至100美元；非工程部门则缩水75%至25美元。微软、Meta、特斯拉和Uber同样如此。自下半年以来，Anthropic与OpenAI开始直接或变相降价。

但更大的问题在于，对于企业而言，接纳AI与否，不仅在于短期Token成本的膨胀，更在于长期学习闭环的沉淀。

Palantir首席执行官卡普（Alex Karp）就指出了，技术型客户想要的是对自己的算力、模型、数据栈和核心竞争优势的控制权；他们希望确保自己拥有生产资料，而不是将其转移给他人。

目前，Anthropic、OpenAI与谷歌都在向企业客户派遣自己的“前向部署工程师”（FDE）。它相当于一支“软件工程施工队”，进入企业内部，帮助客户把问题定义清楚，把数据和流程梳理出来，把AI能力嵌入业务系统，并在落地过程中不断形成新的产品抽象。

这确实解决了简单API模式难以克服的组织摩擦，但也意味着AI供应商得以更深入地理解企业的工作流，并可能最终将这些经验内化为自己的标准化Harness框架。

这是一种潜在的结构性利益冲突，切中了企业AI对Anthropic模式的深层焦虑。它们不仅可能面临模型断供和供应商锁定的风险，还可能在长期使用过程中，将模型能力的迭代、任务经验的积累，以及部分组织学习过程都留在外部平台；而前沿AI在完整闭环反馈过程中，有可能将其“蒸馏”为模型能力，降维打击自己的市场。

这也是混合AI逐渐成为企业重要选择的原因。企业需要根据不同任务的成本、数据敏感程度和能力要求，决定使用什么模型、在哪里运行，以及由谁控制执行过程。

为了降低成本，大量重复、高频、数据敏感且成本敏感的任务，可以由经过微调的开源模型执行。它可以跑在Together AI和Fireworks等第三方推理平台上，也可以跑在自建机房上。而那些最困难的任务，则仍然可以路由到Astra或Fable解决。

理论上，本地部署一套8卡B300的设备（约为80万美元），叠加五年运营成本（70万美元），相比按需采购AWS等效的云实例（AWS p6-b300.48xlarge）可以节省75%。当然，在现实中，孰优孰劣仍然取决于利用率与运维等因素。

企业AI向混合AI转型，已初具雏形。欧洲金融科技公司Revolut已将智谱GLM开源模型，设为公司AI编程默认选择，逐步替代Claude Code、OpenAI Codex等商业服务，AI编程账单降至原来的1/10。美国法律科技公司Harvey，逐步从完全建立在GPT之上，迁移到基于Kimi K3后训练的自有模型上。这为Harvey在客户敏感数据的处理、模型部署和访问控制上提供了更大的自主空间。

混合AI允许企业在不同模型、算力和部署环境之间进行选择，也让企业有机会把自己的数据、反馈、评估标准和工作流沉淀下来。它帮助企业重新组织AI生产资料，某种意义上，混合AI就是企业主权AI的现实路径之一。

当然，真正能够规模落地的混合AI，要复杂得多。它会是任务与资源的动态组合，覆盖了算力的混合、模型的混合、部署环境的混合，以及工作负载的混合，等等。它不一定要将适配自己工作流的模型，完全锁在自己大楼的机房里，可以远程部署，也可以单独租用那些具备隐私计算能力的云服务。未来的市场，不会只有一种形态，而会形成闭源托管、私有部署、开源自建、多模型混合、行业平台等多种模式。

既然如此，不同监管强度、不同应用场景的企业，将在不同约束之间，寻找适配自己组织形态的混合AI的最优架构。而且，随着AI逐步加深在社会的渗透，混合AI还将继续获得新的定义。

今天联想正式发布的“万全混合词元工厂”，正是它对混合AI的一次尝试。通过对底层算力、模型的重新“封装”，联想内部使用验证，能帮用户实现百万Token综合成本优化70%左右。

联想的混合AI项目，计划在华北与华东聚焦制造，在华中聚焦内容和短剧生成，在东南探索算力出海，尝试资源与场景的动态“混合”。

（来源：未尽研究）

联想不会是最后一个。混合AI的扩张，会带来一轮企业AI基础设施的重新建设。它们同样面临激烈竞争。

底层不同的算力、模型、部署环境，需要再次封装为客户无感的Token服务。模型路由、推理调度和成本管理，就会变成基础能力。这并非所有企业AI主体所能拥有的能力，将催生专业服务提供商的市场。

混合AI虽然让企业在一定程度上控制了自己的生产资料，但它所依托的平台也并不一定安全无虞。Fireworks连续两个月遭遇安全事件，报告称攻击者访问了用户账户，以及部分客户的数据集和模型权重；那些第三方的中转路由，甚至可以看到流经自己的用户提示与结果反馈。

对于中国而言，混合AI又有一层新的意义。在不短的时间内，为了与美国竞争，本土芯片与模型仍将保持多路径创新，形成更加多样、也更加碎片化的供给。

如何将这些异构的算力与模型资源重新组合、封装起来，使不同技术路线都能找到适合自己的应用场景，并转化为企业可以调用的AI能力，将成为中国AI产业保持竞争力的重要条件。