等推理和非推理的模型聚合到一起，在此之上增加一个“路由器”进行任务分配。

　　由于经验不足，这个“路由器”做分配时甚至还出现过能力不如4o的时候，从而引发用户大面积吐槽。OpenAI创始人、CEO山姆·奥尔特曼迫于压力答应让ChatGPT-4o回归。

　　但这并不意味着，人类在通向AGI的道路上戛然止步，相反，Meta、谷歌、微软、腾讯、联想集团等诸多中美企业以及行业、个体，正集体受益于AI大模型带来的结构性增长。

　　从4月1日-6月30日的季度财报显示，Meta、谷歌、微软都实现了双位数的增长，Meta的净利润同比增长甚至达到了36%。在Meta的业绩报告描述中，AI推荐模型推动Instagram广告转化率提升5%、Facebook提升3%，内容互动与停留时间显著增长。AI创新已成为Meta广告和内容生态的核心增长驱动力。

　　相似的结果同样发生在中国巨头身上。8月13日，腾讯发布Q2业绩显示，总营收1845亿人民币，同比增长15%，其中营销服务业务收入同比增长20%至人民币358亿元，主要受益于AI驱动的广告平台改进及微信交易生态的提升。

　　8月14日，联想集团发布同时期业绩报告显示：总营收达1362亿元人民币，同比增长22%；非香港财务报告准则下净利润28.16亿元人民币，同比增长22%，香港财务报告准则下净利润甚至翻番。联想集团认为，两年前布局的“混合式AI”战略，正迈进“价值兑现期”。

　　除巨头受益之外，IDC预计，到2030年，AI将累计产生19.9万亿美元的全球经济影响，推动2030年当年全球GDP增长3.5%；每1美元AI支出将带动4.6美元的间接和诱发效应（如供应链收入、生产效率提升等）。

　　大模型本身的“爆发式进步”变得越来越难，但AI的落地应用正在全球开花。未来2-3年，AI竞争主线将从“单点模型性能”转向“系统级架构创新”。有意思的是，Meta、谷歌、微软、腾讯、联想集团这些中美巨头，基本都采用了混合式AI架构，从算力基础设施到大模型平台，均为混合模式，同时通过云、边缘、本地多层协同，构建智能体网络、实现跨平台多场景智能交互操作，完成个体智能和企业智能的超级智能。

　　行业共识就是，大模型仍会进步，但短期“爆发式”的体感跃迁更可能来自系统与架构创新：把模型放到一个混合式、可治理、可执行的系统架构里，往往更能拉动实际效果和业务指标，完成AI最后一公里的落地。

　　ChatGPT-5的路由器架构，就类似于混合式AI架构下的大模型平台。如同：联想集团去年推出的大模型路由器技术，即根据不同的算力以及行业特征自动匹配相应规模的大模型。

　　而且，就在ChatGPT-5亮相的前一周，OpenAI还首次发布了两个开源小参数大模型GPT‑OSS‑20B和GPT‑OSS‑120B。前者可在普通PC（如16GB RAM、骁龙）本地运行，后者在PC搭载了RTX PRO GPU芯片之后也可本地使用。这意味着，OpenAI正在推动AI从云端走向本地端和边缘端，这也是混合式AI架构的一个重要特征。

　　奥尔特曼在X社交平台上称：“GPT-OSS是件大事（a big deal）”，因为它强调了大模型在真实场景下的推理表现。无论是ChatGPT-5的路由器，还是两个GPT‑OSS开源模型的推出，OpenAI都越来越倾向于加速AI应用的落地和商业化，而不再纠结于AGI的实现。

　　OpenAI还在与苹果前首席设计官Jony Ive合作，共同开发全新AI硬件设备，以满足真实场景下端、云、边的协同计算。同时，OpenAI自“星际之门”开启之后，便不断在寻求搭建多样化的混合算力数据中心。

　　OpenAI的“司马昭之心已路人皆知”，它不再只局限于研发大模型底座，而是要构建一个多入口的AI生态。从目前的GenAI技术现状来看，达成AI生态的最优架构就是混合式AI架构，即：混合算力（TPU、GPU、NPU、CPU）+数据和知识库+大模型工厂（多模型路由器）+端云边协同+多智能体平台。基于混合式AI架构，才能同时输出个人智能和企业智能的超级智能。

　　很显然，在个人智能方面，OpenAI已不满足于Chatbot（大模型对话框）入口，它还想构建一个硬件入口。在企业智能方面，OpenAI发布ChatGPT-5时已表露无遗，医学、编程、创意写作，都是其重点拓展行业。而且从目前OpenAI与各国的合作中可以看到，是包括整个混合式AI架构的建设，奥尔特曼将其统称为：AI基础设施。

　　或许OpenAI是借鉴了Meta、谷歌、微软、联想集团的成功经验，这些巨头们几乎都拥有一套成熟的混合式AI架构。

　　谷歌、微软都拥有提供混合算力的云计算服务，Meta和联想集团虽然没有公有云，但它们在混合算力上也各具特色。Meta拥有多个超大规模混合算力中心，联想则一方面是云计算公司的“递铲人”（服务器制造厂家），另一方面也是私有云与公有云的混合云搭建者。在大模型工厂方面，谷歌选择自研自建，微软和联想选择开放伙伴，但都不局限于一个大模型。

　　在AI入口构建上，Meta和谷歌软硬通吃，谷歌即将发布Pixel系列新品，Meta的智能眼镜今年上半年在全球智能眼镜市场的份额升至73%；微软则在软件上强势，联想在硬件上强势，根据最新财报，联想PC以24.6%的市场份额稳居全球第一，其中AIPC已占联想PC总出货量30%以上；其他硬件如平板电脑一直居于全球前5的位置，手机也在逐渐回归到前排位置。四者的AI入口清晰，都能完成端、边、云的协同计算，灵活且安全可控。

　　在多智能体平台的打造上，四者也都拥有成熟的工具和平台。谷歌发布了Agent Engine和开源Agent Development Kit（ADK）；微软提供的Azure AI Foundry Agent Service和联想的智能体平台，在业内都已成果卓著，联想甚至给自己做了一个超级智能体——乐享。根据最新财报披露，乐享月活提升255%，拉动销售额增长13.6倍。

　　基于混合式AI架构，Meta、谷歌、微软、联想便可以强势输出个人智能和企业智能。之前Meta在企业智能上几乎没有涉足，但在今年4月发布Llama 4之后，Meta逐步向多行业提供高度专业化垂直版本的模型。针对医疗、金融、法律、制造、游戏等场景，Meta做了继续训练或指令微调，最终打包成Llama-4-Med、Llama-4-Finance、Llama-4-Legal等垂直版本。

　　科技巨头们逐渐形成了GenAI时代的增长逻辑：通过混合式AI的系统级架构创新，突破大模型“单点进步瓶颈”， 跳出“大模型独角戏”，构建覆盖个人与企业需求的AI生态，最终达成“让AI深度融入行业与生活，成为增长核心驱动力”的企业愿景。

　　混合式AI架构，正在进入“AI价值兑现期”，不断输出个人智能和企业智能，推动全社会逼近超级智能的愿景。

　　k8凯发官网

　　联想集团董事长、CEO杨元庆在接受媒体采访时，这样定义个人智能：“未来，我们相信不仅仅是以设备为中心的智能，应该逐渐转向以人为中心的智能，AI是跟着人的而不是跟着设备的。”“跟着人的AI，我们或许可以叫它人工智能双胞胎，这是我们的叫法，它可以去跨设备、跨生态或者是操作系统的，同时可以去有效地协调端、边、云上面的数据以及计算能力，帮助我们每个人实现更有效的智能。”

　　显然，要实现个体智能，仅靠一台AI硬件设备远远不够。科技巨头一般都会打造一个“个人超级智能体”，比如联想天禧、Meta AI、微软Copilot等。然后将这一超级智能体，内嵌于不同硬件设备（手机、平台、眼镜等）或软件（Chatbot、办公软件等）中，为用户打造跨平台、跨设备、端云一体、开放互联的无缝融合AI体验。与此同时，安全体系也得到重构，以可信计算和加密通信的端云一体安全架构，保障数据与模型的全链路安全和用户隐私。

　　联想将其总结为“一体多端”，并表示已拥有多项首创原生技术创新，包括多模态自然交互的AUI、终端推理加速引擎X-Engine、数据安全与隐私保护领域的可信计算（THCP）、混合个人知识库（HPKB）等。

　　对于企业智能，因每个企业所处行业和市场地位不同，在实际应用中就显得略为复杂。杨元庆概括认为，企业智能应包括混合式AI的基础设施、计算能力、存储能力、网络能力等，再上面是如何来帮助用户准备数据，如何运用模型工厂，再往上就是有智能体的工厂，在这样的基础架构下各个行业、各个企业才能建立AI通用解决方案（如数字办公、制造业供应链管理等），以及针对不同垂直行业的解决方案。

　　联想将这种能力统称为“混合式 AI 优势集”，可以向需要建立企业智能的企业，一并输出。而微软则将其称之为“Azure AI Foundry”，其他巨头也有别的叫法，但他们内含的技术架构能力与联想几乎一致。

　　从逻辑上来看，只要拥有混合式 AI 架构，就可以持续输出个体智能和企业智能。事实也确实如此，科技巨头们不仅创造了业绩新高，他们服务的个体和企业客户也纷纷受益。

　　根据联想集团财报披露的信息，“天禧”个人超级智能体的用户活跃度显著提升，WAU（每周活跃用户比例）平均值达40%。目前，这一智能体具备五大黄金功能，包括AI操控、AI翻译、AI搜索、AI服务、AI笔记。个体用户在工作效率、学习效果上将逐渐获得可量化收益，真正进入“人人可用、人人受益”的阶段。

　　以联想打造的制造领域智能体为例，依托制造流程全生命周期覆盖、大语言模型+生成式AI技术场景化适配、全球化部署、模块化扩展四大核心能力，联想创造了全球首个覆盖制造全链的“AI指挥官”，并构建了智能计划排产、AI个性化指导、AI视觉防错、设备预测性维护、紫领人才培养等核心智慧场景。

　　其中，智能排产可以实现秒级排产，通过模拟全球原料库存、设备状态、物流路径的动态关系，订单周期最高可从行业平均38.4天压缩至7天，交付效率提升82%，库存占用降低81%，可释放数十万甚至数亿级现金流。

　　联想的智能供应链管理经验，也在赋能其他企业。联想帮伊利打造了供应链控制塔系统，整合了80余项供应指标和140余项广促品指标，降低原奶调配单吨运输成本，24小时到厂及时率提升至98%。

　　不止供应链，联想还正在帮伊利构建混合式AI架构。“AI转型的本质：不是给传统加速度，而是给未来新架构。”这是联想集团高级副总裁、中国方案服务业务群总经理戴炜的观点。现在对于构建企业智能有很多误区，许多企业将AI视为传统流程的“加速器”，而非业务模式的重构器。伊利的实践证明，真正的AI转型需要的是架构思维而非工具思维。伊利目前在链接消费者和人机协同的工作模式上，都有了巨大的突破。

　　在个性化方面，伊利借助AI应用构建了全生命周期的服务新架构：通过微信小程序，年轻消费者可以参与新产品共创，老年消费者享受免费健康咨询，妈妈们通过AI工具记录宝宝成长的珍贵瞬间。

　　这不是在原有客服体系上增加功能，而是重新定义了乳制品企业的商业边界。混合式AI架构对于企业智能的意义，正在于此。

　　除了企业，混合式AI还可以为城市打造超级智能体。联想城市超级智能体“1+N智能体”架构，可以推动智慧城市迈向4.0时代。目前，联想已经与福建武夷山、湖北宜昌、上海虹口及内蒙古呼和浩特市达成战略合作，联想城市超级智能体在文旅体验、能源管理、智慧交通及产业智能化发展等方面持续释放价值。

　　像联想一样，构建了混合式 AI 架构的巨头们都在强劲输出企业智能。微软号称，80%财富500强企业采用Azure AI Foundry解决方案。从微软云、谷歌云的高速增长，也能看出企业智能对于混合式AI架构的强烈需求。

　　现阶段，混合式AI从概念验证进入价值兑现期，已毋庸置疑。企业只要将AI应用场景与核心KPI绑定（广告转化率、GMV、续费率、生产周期等），就能在6–12个月内兑现“可量化”的业绩提升；反之，停留在“演示”或“边缘工具”层面的AI，对报表几无波澜。

　　IDC预测，到2027年70%的中国头部制造商将使用AI提高员工生产力。到2028年，40%的中国头部制造商将采用AI平台整合供应链数据，风险模拟与预测响应效率提升50%。制造业如此，其他行业的整体趋势也不会有太大偏差。

　　那些提前布局混合式AI架构的巨头们，显然占有十分明显的优势，未来将持续长期释放这一优势，而不仅仅是昙花一现。因为业内的共识是，GenAI 时代，架构创新将超越大模型本身能力。

　　ChatGPT-5出现的种种问题，证明了一点：大模型的“突破式提升”窗口正在迅速收窄。Scaling Law的收益递减、算力-能耗-成本三重瓶颈、以及Next-Token Prediction范式的能力天花板，已使GPT-5仅获得2%的性能增益却要付出10倍算力。Grok-3用10×GPU，效果增幅同样低于3%。

　　Next-Token Prediction在长逻辑链、数值推理、幻觉抑制上边际收益趋零，行业共识是“预训练范式见顶”。

　　既然“通用基准”趋近饱和，那么，新增能力更多来自系统化集成。今天更大的模型确有进步，但很多真实业务的提升，主要来自工具使用、检索、长上下文记忆、工作流编排等“系统层”要素，而不是仅靠参数规模。谷歌、OpenAI、微软近期的产品路线都把“智能体/工具用法”前置。

　　在这种背景下，AI落地应用更依赖于架构创新，混合式AI架构是一种尝试，当然可能还会有其他架构的创新。但无论哪种架构创新，都应和混合式AI一样凸显以下4点优势：

　　混合式AI架构将云端强算力与本地边缘设备协同组合，合理分配计算任务。云端处理大规模训练和复杂推理，利用超大规模计算资源，确保模型能力和更新速度。边缘端和本地设备承担低延迟、隐私敏感或实时响应需求的推理任务，减轻云端压力，提升用户体验和数据安全。令AI系统整体更节能、高效，适应多样化的硬件环境和应用场景，降低部署门槛。

　　混合式架构促进跨平台、跨设备的AI智能体网络建设，推动智能体从单一模型向多智能体系统演进，使AI能够：在不同设备和应用间无缝协作，实现跨任务、跨场景的智能服务；支持多模态、多任务并行，满足复杂动态业务需求；大大扩展了AI的应用边界，提升智能体生态的灵活性和适应性。

　　在数据安全和隐私合规性日益严格的环境中，混合式AI可以：支持本地数据处理和隐私保护，避免大规模数据传输风险；满足不同行业和地区的合规要求，促进敏感行业（例如医疗、金融）的AI应用；通过多层架构控制风险，提升整体系统的可信度。

　　相比于仅依赖超大模型单点突破的策略，混合式AI通过分布式和协同计算降低算力投资和运维成本；支持多样化硬件和生态，促进更多企业和个人用户接入和应用AI；使技术更普惠，推动AI从实验室走向生产实践。

　　混合式AI架构的这四点优势，在某种程度上弥补了单一大模型存在瓶颈问题。根据公开资料，我整理了一下单一大模型与混合式AI架构在成本、时延、可靠性、个性化方面的不同，如下表，仅供参考。

　　架构创新（尤其是混合式AI）正成为落地应用胜负手，它把“更大的模型”问题转化为“更聪明的系统”问题。商业壁垒不再是“谁能训更大的模型”，而是“谁能在给定功耗/成本下交付最可靠的AI系统”。

　　当“更大”不再等于“更强”，混合式AI把算力瓶颈转化为系统红利，成为GenAI落地真正的第二增长曲线。（全文结束）