深度丨當AI真正進入生產系統，中國AI云為什么必然走向少數解？

過去一年，如果把全球云廠商的技術路線攤開來看，會出現一個很有意思的畫面。行業內的兩家老大哥AWS 和 Google，幾乎在同一時間朝著兩個方向用力。

一個方向是向下。

芯片、網絡、系統軟件、調度、基礎設施，被一層一層重新打磨。云廠商已經不滿足于把算力賣出去，而是越來越執著于把底層的控制權握在自己手里。目的其實很樸素，讓推理負載變得穩定、可控，像一套工業設備一樣，能長時間運轉、不掉鏈子、不出幺蛾子。

另一個方向是向上。

模型服務、Agent 能力、開發平臺不斷被收攏、封裝。曾經零零散散的 API 和工具，被重新組織成一條完整的應用生產線。云不再只是原料供應商，而是直接下場，參與 AI 應用從設計到落地的整個過程。

這兩個方向看起來一上一下，實則指向同一個判斷：云已經不再把 AI 當成一種普通負載，而是把它當成正在重塑云自身形態的主業務。當推理成為核心負載，云要解決的問題也隨之升級。不只是夠不夠快，而是能不能長期跑、跑得穩、跑得清楚，出了問題還能追溯、能治理。

ChatGPT 的出現，把這件事猛地往前推了一大步。企業很快發現了一個現實，模型再強，如果做不成應用、進不了流程、管不住風險，價值就會迅速打折。

于是，關注點開始悄然轉移。比起誰的模型更聰明，企業更關心的是誰能把 AI 變成一個可交付、可運營、可治理的系統。也正是在這樣的背景下，越來越多人把 2025 年稱為 Agent 落地元年。并不是因為 Agent 一夜之間變得多么聰明，而是承載 Agent 的平臺、工具和基礎設施，終于開始像一套成熟的生產系統。

當競爭從模型升級為平臺，一個更現實的問題隨之浮出水面：平臺的強弱，究竟該由誰來定義？模型可以上榜單、比分數，但平臺能力涉及的是系統工程、治理機制，以及長期運行的確定性，顯然不是廠商自己喊幾句口號就能說清的。

Forrester 為什么要給 Agent 開發平臺排名

很多人第一次看到 Forrester Wave 時，都會下意識把它當成一張廠商排行榜。但如果把視角拉回到企業現場，會發現 Forrester 真正想解決的，其實不是誰更靠前，而是一個更現實的問題：當 AI 開始進入生產系統，企業到底該怎么選平臺。

在 AI 還停留在試驗階段時，企業的采購方式是可以拼裝的。模型單獨買，算力單獨租，向量庫、工具鏈、集成服務各找各的供應商，只要 demo 能跑起來，流程勉強通順，就算階段性成功。但一旦 AI 被放進核心業務鏈路，問題會在極短時間內集中暴露：出了故障很難說清責任歸屬，數據權限在系統之間反復穿透，治理規則各自為政，穩定性和成本曲線也開始失控。

正是從這一刻起，企業的采購邏輯發生了根本變化。相比買能力，他們更想買體系。把數據、模型、推理、Agent 和治理能力統一收攏到一套平臺里，不是為了省事，而是為了確定性——誰負責、怎么管、出了問題能不能追溯和回滾，這些都必須在平臺層面成為默認能力，而不是依賴項目經驗和人工兜底。

Forrester 的問題意識，正是從這里出發的。它評的不是某一個技術點有多先進，而是平臺在真實企業環境里的可用性。換句話說，平臺能不能陪企業把 AI 從能用一路跑到長期可運營。在 Forrester 的評估框架里，數據能力是否扎實、ModelOps 是否覆蓋全生命周期、Agent 能否在治理與安全邊界內進入業務流程，才是決定分數的關鍵。

全棧能力決定Agent場景的「產品能力」

如果把 AI 平臺比作一輛要上高速、還要跑長途的車，Forrester 的關注點其實很樸素：油路穩不穩（數據底座）、保養體系全不全（ModelOps 全生命周期）、自動駕駛能不能安全上路（Agent 進入業務流程）、以及剎車和行車記錄儀是不是出廠自帶（治理、審計、可追溯與回滾）。它評的不是某個零件有多炫，而是整車能不能長期、穩定、可運營地跑起來。

按這套標準，國內格局已經分層得很清楚。Leaders 是全棧車廠：阿里云、百度智能云在右上角，說明既能打也敢投；火山引擎、華為云同樣處在領先象限，但路線更鮮明，一個更偏性能和 Agent 落地效率，一個更偏全棧基礎設施與可控性。

圖片來源：Forrester

分數進一步把這種差異量化了。在 Current offering 維度上，百度以 4.46 領先，阿里為 4.30，火山 3.82、華為 3.64 緊隨其后。領先者的優勢并不來自某個參數的單點突破，而是整車工程做得更完整、更均衡。

圖片來源：Forrester

那為什么百度能在這套評估里更靠前？Forrester 給出的線索其實很具體，可以拆解為三條連續的能力鏈路。

第一步，把找資料變成平臺原生能力。報告點名百度把 Search 用在 RAG 和 agentic AI 上，這相當于給企業的知識庫配了一套自帶索引的導航系統，不用每次臨時外掛檢索組件、靠運氣拼效果。更重要的是，報告同時強調百度在數據集成、管道、質量、安全與隱私上的表現，這些看起來不性感，卻決定了企業敢不敢把 RAG/Agent 放進主流程。

第二步，把模型當成長期資產來養。Forrester 對千帆 ModelBuilder 的評價集中在開發、訓練、微調、評估、部署的覆蓋度。意思不只是能做模型，而是能把模型上線后持續管理：版本怎么控、效果怎么評、出了問題怎么回退。平臺把這些動作做成默認項，企業的落地阻力就會小一大截。

第三步，不只搭應用，更要能跑得久。報告認為千帆 AppBuilder 的應用開發特性較完整，并特別指出百度在 platform operations 上整體更強。翻譯過來就是：從可觀測到治理到回滾，系統更像可持續運行的生產設施，而不是上線之后靠人值守。

三步合起來，百度得分靠前的邏輯就很直觀了。知識鏈路更穩、模型生命周期更全、應用運營更可控。這也恰好踩中 Forrester 的核心標準，比的不是某個炫技功能，而是一套能把 AI 長期跑在生產系統里的默認能力。

平臺標準落地后，中國 AI 云正在走向少數解

當評估標準從能不能做出效果切換到能不能長期運營，市場就會自動進入下一階段：誰能把 AI 從一次性項目，變成一套可以長期跑、持續交付、出問題能回滾的系統，誰才有資格留在主桌。

中國市場之所以更容易、更快走向收斂，原因并不在于競爭不充分，而在于場景天然更嚴苛。金融、能源、政務、制造等行業對穩定、合規、連續運行的要求接近剛性，AI 一旦進入主流程，就不再是隨時可撤的創新嘗試，而是會直接影響業務安全與運營效率的生產設施。

這個變化也被需求側的數據與招采條款進一步放大。2025 年上半年，中國大模型中標項目數達到 1810 個、金額突破 64 億元，規模不僅超過 2024 全年，也意味著真金白銀正在加速流向核心產業。與此同時，客戶的要價明顯變硬：從租幾張 GPU 卡，變成要一套可信賴、可持續交付的 AI 算力系統。類似“7×24 小時安全運營服務”“99.999% 可用性”這樣的要求，本質上是在把 AI 平臺當作關鍵基礎設施來驗收，而不是把它當作一項新功能來試用。

金融行業的招投標也呈現出同樣的趨勢：2025 年 1–9 月相關中標項目數量與披露金額顯著抬升，說明主戰場正在從“試點”走向“常態化部署”。

阿里云和百度智能云路徑不完全相同，但在關鍵命題上給出了相似答案：強化對底層資源與系統的控制，把 AI 當作需要長期維護的生產系統，把數據、模型、推理、Agent 和治理統一納入平臺調度。這種全?；皇菫榱粟A一場短跑，而是為了在高要求場景里把長期可用變成默認值。

所以所謂AI云雙雄格局，更像是平臺標準被抬高之后的自然篩選。當行業開始只為確定性買單，能把 AI 變成生產系統的玩家，最后會越來越少，但分量越來越重。

歡迎掃碼加群參與討論

我們相信認知能夠跨越階層，

致力于為年輕人提供高質量的科技和財經內容。

稿件經采用可獲邀進入Z Finance內部社群，優秀者將成為簽約作者，00后更有機會成為Z Finance的早期共創成員。

我們正在招募新一期的實習生