AI 智能體落地，北看字節，南看阿里

競爭深入之后，這終究是一場零和博弈，還是版圖互補？

撰文| 藍洞商業 趙衛衛

半個月前，騰訊集團湯道生帶著團隊到訪了重慶一家短劇公司麥芽傳媒；但是數日后，麥芽傳媒的CTO李巍登上了字節跳動火山引擎FORCE原動力大會的舞臺。

騰訊想要跟麥芽傳媒在云服務、AI技術應用、數字內容聯合開發與智能分發上進行合作，而麥芽傳媒CTO則公開表達，明年要跟火山引擎在AI漫劇和AI真人劇、短劇AI審核、AI視頻精修和播放器智能超分辨率上探索。

云廠商是短劇的「水電煤」，短劇是云廠商的「練兵場」，這是一種既是內容源，又是客戶的共生關系。后知后覺的騰訊云能撬動火山引擎的客戶嗎？

很難替代，且不說紅果短劇已經成為行業的絕對頭部勢力，騰訊元寶在視頻模型能力上也落后同期的對手豆包和千問。

火山引擎總裁譚待在提到客戶時特意說：「影視創作方面用大模型的進程比我們想象的快一些。之前想到應該很快，沒想到能這么快，現在很多短劇、尤其是漫劇，還有各種AD素材，都在用。」

有提升的模型能力，搭配解鎖的應用場景，最后才能給云廠商們帶來源源不斷的新客戶。這是過去半年，豆包大模型日處理Tokens超過50萬億、增長200%的背后邏輯。

短劇正在成為云廠商們持續解鎖的創新場景之一。不光是字節和騰訊，阿里千問APP也在最近上線了視頻生成模型萬相2.6，「AI小劇場」就是其中一個具體的玩法，具備音畫同步、多鏡頭生成及聲音驅動等多種功能。

阿里和字節是國內AI賽道最大的競爭對手，一個是AI云市場規模第一，一個是AI云市場加速度第一。

就在豆包大模型1.8發布之日，阿里千問App接入首個阿里生態場景高德，開始具備物理世界理解和行動能力，更強的Agent（智能體）能力是它們共同的進化方向，它們瞄準了更細分的用戶市場需求。

憑借各自的生態優勢進行全產業鏈的AI布局，這是目前阿里和字節在AI競爭賽道中的狀態，但隨著競爭深入，這終究是一場零和博弈，還是版圖互補？

多模態模型能力是賽點

豆包大模型日均Tokens使用量已突破50萬億，這是火山引擎「秀肌肉」，而真正的「亮劍」則是推出了豆包大模型1.8和視頻生成模型Seedance 1.5 Pro。

豆包大模型1.8的提升，主要在于給多模態Agent場景進行定向的優化，在上下文管理，多模態理解能力上增強，可落地到安防監控場景中，提升了模型在處理復雜任務時的規劃與執行水平。

而用戶可以在豆包和即夢App端體驗到最新視頻生成模型Seedance 1.5 Pro的能力，它已經實現音畫同步，支持多人多語言對話，能對齊口型，覆蓋四川話、粵語等中文方言、英文及小語種。

快手可靈率先在國內視頻生成模型中取得成績，2025年預計將取得10億元的收入。國內科技巨頭紛紛在這一領域跟進，即夢商業化負責人杜子航在AI應用分論壇說：「即夢是全球僅次于Sora的創作平臺，創作者超10萬名」。

而更重要的是他透露了一組商業化數據，在即夢的真實應用場景中，占比51%的是專業平面設計，占比30%的是內容素材生產，而C端社交娛樂內容占比為19%。也就是說，相比C端用戶的占比，B端專業用戶的付費水平已經占比八成以上。

在底層模型Seedance 1.5 Pro加持下，即夢的產品能力進一步提升，包括節奏性情感表演、多樣化主體和上下文感知等，在圖片處理上也可以通過涂抹框選，進而有強保持能力和精準的響應范圍，輸出影視質感的圖片。

多模態模型能力在過去一年競爭激烈，在調用量上增速很快，已經趨同于語音模型，這成為當下科技巨頭們競爭的賽點。而根據杜子航介紹，面向2026年，即夢將在漫劇等多個領域發力，包括推出多人協作的團隊版。

再反觀阿里，最近也是在多模態模型領域不斷布局，最新推出的視覺生成模型萬相2.6，集成音畫同步、多鏡頭生成及聲音驅動等能力，單次生成視頻時長達到15秒，并引入了「分鏡控制」與「角色扮演」功能，背后核心還是要追求專業影視制作和圖像創作場景的市場空間。

從模型到應用，從硬件到產品，阿里最近在AI領域「擰油門」的狀態就沒有停過。

上線千問APP后，發布夸克AI眼鏡，又成立千問C端事業群，而螞蟻也在通過「靈光」應用和「螞蟻阿福」等產品在健康等細分賽道進行拓展，密集曝光之后，「螞蟻阿福」一度沖進蘋果應用商店免費榜第三位。

如今在模型能力上都能實現「音畫同步」，但阿里萬相2.6和豆包Seedance 1.5 Pro差距有多大？這顯然還需要時間和市場驗證，火山引擎總裁譚待在提到這一功能時明確說，「Seedance 1.5 Pro實現音畫同步，在行業不算首創，但同行功能做了，不代表做好了。」

放在更大的背景中看，字節和阿里在多模態模型能力上的競逐，一方面是對B端企業客戶增長市場的必然追求，而另外一方面也是補齊跟國際同行的差距。

視頻生成能夠實現音畫同步這一功能，是谷歌在今年5月份率先在Veo3上實現的，這給整個視頻模型行業帶來與之看齊的方向，讓AI視頻走出「默片時代」，指令遵循更好、保真度更高。

而在落地場景中，谷歌云業務也給全世界的同行們做出了示范。谷歌云憑借多模態的模型能力，先后拿下了英國廣告公司WPP集團、維珍郵輪等多個企業級大客戶，通過Agent融入客戶公司業務，推動這些大企業AI營銷平臺加速人工智能轉型，已經在國際市場中展開更大的圈地運動。

一場生態位與話語權的變革

對于AI云服務的客戶們來說，能不能用AI模型能力和智能體應用重塑生產力，帶來真切的降本增效，才是選擇的最大標準，因為技術只是表面的護城河，而ROI（投資回報率）才是真正的尺子。

而當Agent開始落地企業真實的場景中，安全性的保證是第一位的，而后才是效率的提升，誰能率先解決復雜任務的穩定性，誰才能通過客戶的最終判斷。

「第一款產品從0賣到30萬臺用了250天，而在火山引擎的支持下，第二代端到端語音模型的AI玩具賣到30萬臺，只用了25天，速度提升了10倍」，躍然創新（Haivivi）聯合創始人高峰在火山引擎FORCE原動力大會上說。

躍然創新是一家AI玩具公司，今年8月發布了第二代產品CocoMate系列，這是搭載端到端語音模型的AI玩具。第二代產品的能力顯著提升，主要是因為火山引擎豆包實時語音模型的支持，CocoMate能識別語氣、理解情緒，支持主動接話并隨時被打斷，響應速度壓縮到1秒以內，而且可以在噪音環境中使用。

在模型能力的提升下，AI玩具行業成為創造新需求的品類整體迎來了大發展。2026年1月，躍然創新還將發布第三代AI玩具，這是一款奧特曼AI互動對話器，用戶可以與奧特曼AI角色進行對話，還支持無限距離組隊對講等功能。

而在當下AI落地真實場景Agent為王的行業共識中，阿里和字節出現了哪些新需求新變化？

阿里AI的核心關鍵詞，是體內循環的「一統」，讓C端的需求匯集到一處。

不論是成立千問事業群，還是把千問打造成一款超級App，本質都是要把阿里計劃將地圖、外賣、訂票、辦公、學習、購物、健康等各類生活場景接入千問，讓其能通過Agent形式外鏈淘寶電商等細分場景中，讓不同的需求對齊到一起。

比如高德此前有AI導航智能體，后來有直接對話的出行生活智能體「小高老師」，這都是存在于高德App內的核心交互模式，而接入了千問之后，在千問App內就可以實現基于高德的服務。

而字節的AI核心策略是體外循環的「下沉」，讓B端客戶的AI使用門檻更低。

在推出智能體統一交互入口AgentSphere時，火山引擎副總裁提到一個顛覆他認知的事情，那就是很多企業中的智能體不是太少，而是太多太散了，這也是造成AI低效的一個重要原因。所以無數個數字員工或是智能體，都將在AgentSphere得到統一的交互，需求不同的用戶看到不同的定制看板，而不是千篇一律的對話框。

而為了降低用戶使用門檻，豆包還拿出了豆包助手API，讓企業通過API開箱即用。也就是說，火山引擎為了下沉，賣的不光是模型，更是封裝好的成熟產品體驗。

參照谷歌Gemini 3.0帶給對手OpenAI的壓力，不光是因為谷歌證明了AI大模型的能力上升有極大的上限，另外一方面也證明了AI落地到公司具體業務中，能把搜索、廣告和Youtube等多個業務生態串聯起來，真正帶來業務效率的提升，給市場看到了真正AI落地可能性。

從谷歌給中國同行帶來的啟示看，懂用戶、更好用的AI產品很重要，但更重要的是AI能力如何準確服務當下的用戶群體，這是一場技術變現效率的比拼，更是一場生態位與話語權的變革。

無論是豆包通過流量入口優勢挖掘B端客戶，還是阿里通過B端服務能力進入C端市場，本質上都是通過各自的優勢地位進行AI全產業鏈的布局，各自的路徑已經越來越清晰，現在階段只是版圖互補，而不遠的未來可能就是一場零和博弈。