鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

AI变现“三部曲”:Open AI打开浏览器,豆包上链接,夸克戴眼镜

编程导航
编程导航
2025-11-03 12:30
阅读 187
编程导航
2025-11-03 12:30
阅读 187

文 | 互联网江湖,作者 | 刘致呈

AI行业终于到了要能“养活”自己的时候。

最近,AI开始有点“不务正业”了。

比如Open AI在聊天框里内置购物功能之后,转头又做起了浏览器;又比如夸克做起了AI眼镜;还有隔壁的豆包AI,则忙着“上(电商)链接”……

显然,大洋两岸AI命运殊途同归,整体似乎都走到了要养活自己的时候。

此前,AI商业化的三板斧是:API调用、会员订阅、To定制解决方案。

三个方案里,To B都是大头儿。

这是一条已经被探明的变现之路。但可惜就是,现在B端市场比C端还要精打细算,模型版本要更新,训练费显卡、也费电,“老三样”们越来越不足以撑起庞大的算力开销了。

所以,真正有钱的,还得看消费级市场。

AI商业化的三种逻辑:求存、卡位和拓疆

很有意思的是,现阶段,各家大厂们对AI商业化探索的动机是存在差异的。

大致分为三类:

1、生存逻辑做AI商业化。

典型的就是Open AI,以及国内二三线的AI模型初创企业们。

毕竟,当以DeepSeek为首的、越来越多的AI大模型厂商们都选择开源路线后,Chat GPT们的技术领先优势就会被不断缩小,外部声量也一下子小了很多。

这对于任何一个还需要投资人们大力输血的AI初创企业来说,无疑都是危险的。

所以,无论是对内还是对外,OpenAI都需要一个成熟的商业形态作为价值锚点,以证明ChatGPT独立生存的能力,以及长远想象力。

其中,离Chat GPT们最近的就是搜索了。

所以,现在OpenAI推出人工智能浏览器ChatGPT Atlas,表面上似乎是为了颠覆谷歌,然后在AI的基础上再造一个谷歌。

但内核却是生存逻辑,找到一条更有货币化确定性的路。

不过Open AI选择浏览器也可能不是一时兴起,真正目的还在于做入口、回归中心化。

此前各家大模型APP的月活增长都很快,竞争异常激烈,以至于去中心化趋势也逐渐明显。反映到用户体验端,Chat GPT理想中的一统天下不仅没有出现,反倒是迎来了百花齐放的局面。

以我个人的AI使用习惯为例,如果是文字工作,就打开DeepSeek;配图就用豆包;复杂需求用纳米搜索……总之,不同场景使用不同模型,正成为越来越多用户的选择。

这种使用习惯使得大模型的流量被不断分散,Chat GPT们也就更不容易做成商业化了。

因此,现在Open AI需要用Chat GPT再打开一个流量入口,一个趋于中心化、且有商业变现路径的流量入口,用以巩固自身在AI生态中的中心地位。

那么在技术层面,AI与搜索有基因上的相似性,在商业层面,两者同样高度契合,再加上微软在AI浏览器方面的成功探索,这些可能都成了说服OpenAI下场进军搜索领域,构建可持续商业闭环的关键一根稻草……

2、价值逻辑做AI商业化。

典型代表就是阿里,以及其他以AI为长远战略的巨头们。

以智能眼镜为例,为什么这个“老概念产品”最近这么火?

不是因为产业技术进步了,也不是智能眼镜这个产品形态做的有多成熟,而是因为AI,因为自然语言模型。

本质上,现在阿里夸克们做智能眼镜,目的也是做入口。

只是,不同于做搜索引擎的入口变现逻辑,阿里做AI硬件,是为了抢占下个交互入口。

一直以来,阿里都是个强战略、强执行力的巨头。

从过去尝试做手机,到后来做智能音箱,再到现在发力AI硬件,阿里基本上只要确定了战略方向,KPI的氛围到那了,未来的商业化就得开花结果。

之所以如此,关键就在于AI对阿里的价值,从来都不只是技术本身,甚至做AI硬件商业化挣不挣钱都不重要,真正重要的是AI背后所代表的入口价值、资本市场的战略投资价值。

这样的价值逻辑一以贯之。

以前,阿里做新零售是为了线下入口;做直播是为了电商流量入口;做闪购是为了即时零售流量入口。在当年错过社交之后,阿里的核心商业模式就注定了他必须要抢占底层流量入口,并时刻确保自己处于线上“城市购物中心”的位置,整体既用于卡位,也用于防守。

所以,今天的AI之于阿里,一如当年错过的社交……

3、增量逻辑做AI商业化。

以抖音电商,以及其他内容电商玩家们为典型代表。

从目前来看,豆包AI上链接的目的,可能不仅仅是商业化,同时也是为了寻找业务增量。

据市场调研公司QuestMobile发布的数据,今年8月,豆包MAU(月活跃用户)已经达到1.57亿,环比增长6.6%,不仅反超DeepSeek跃升第一,更把其余对手远远甩在身后。

这么大的流量规模优势,空闲本身就是一种浪费。更不用说今年上半年,字节还错过了即时零售和本地生活大战,现在需要重新找回战场,需要更多的流量追赶上来,所以豆包所代表的AI电商就成了最直接的破局点。

因此,豆包“上链接”这个行为逻辑是说得通的,但就是才刚刚开始,所以字节的步子也没有迈得很大:用户仍需要跳转至抖音商城完成购物。

不过好在,从过去的贴吧、知乎,到现在的短视频、小红书,再到AI大模型等等,不同内容形态所代表的用户信任度关系,也在不断递进。

在未来,当用户真到了遇事不决问AI的时刻,AI也一定会成为用户交易信任度的下个level。

这对于现在领跑一大截的字节和豆包们来说,无疑又是一次弯道超车的好机会。

总之,现阶段的AI商业化呈现出三张截然不同的战略图谱,它们分别对应着企业在当前产业周期中所处的不同位置与诉求:

生存逻辑是“求存”,关乎企业在资本与市场竞争双重压力下的生死线,其商业化路径往往直接、迫切,旨在快速验证货币化能力,构筑价值防线。

价值逻辑是“卡位”,着眼于下一代人机交互的入口与生态控制权,其商业化布局更具长期性和战略性,目的在于构建难以逾越的护城河,确保在未来的价值链中占据核心节点。

增量逻辑是“拓疆”,立足于将已有的庞大流量优势与AI进行催化反应,在核心业务增长曲线之外,开辟新的增长战场,其商业化探索更具场景渗透性和效率导向。

这三种逻辑并非彼此割裂,它们共同勾勒出了AI从技术奇点走向产业融合的复杂图景。如今,AI的商业化征程也逐渐从技术竞赛,升维成了一场关乎生存哲学、生态视野和增长智慧的全面较量……

广告、电商:AI商业化的新“运河”?

至此,现阶段的AI商业化大致形成了这么几条路径:

一是硬件载体路线:比如夸克AI眼镜、AI学习机和萝卜快跑们,整体面向的是极度挑剔的消费市场,考验的是颠覆性体验,所以对应的市场竞争较为纯粹。

只要有足够硬核的AI技术体验,就能收获消费者们的认可,就能成为强大的品牌护城河。

比如华为智驾对问界的带动,又比如在武汉实现盈亏平衡的萝卜快跑们,都是最直接的例子。

在什么都值得用AI重做一遍的背景下,这条路线上的商业化想象力是近乎无限的,但同时也是不确定性最多的。毕竟,技术上的颠覆与被颠覆往往就在刹那间……

二是软件路线,AI商业化分为两方面:

一方面是能力侧,主要包括API调用、会员订阅、给企业做定制化解决方案等方面,整体更偏向于为AI能力付费。

就像快手的可灵、字节的即梦们都是在C端以低门槛AI视频创作工具为核心定位,B端则聚焦广告、短剧和游戏三大场景,以批量生成素材、提升资产制作效率等方式赋能企业客户。

这条路线考验前瞻性布局,也考验产业基础设施规模,所以部分市场格局已经初步稳定。

比如在AI云市场,天眼查APP显示:现在阿里云的营收占比就达到了35.8%,超过第2-4名总和;在模型调用服务方面,字节的火山引擎在今年上半年中国公有云大模型(Tokens)调用量排第一,市场份额高达49.2%。

另一方面是内容侧,主要就是广告、电商,在AI问答内容中插入相关链接。

这是最简单的,同时也是市场差异化最明显的一条路线。

技术上的打通很简单,而且跟以往AI落地的行业不同,电商行业规模很大,一旦AI有了合适的变现机制,技术货币化的速度也会更快。

但区别在于,现在OpenAI(ChatGPT)做的是AI电商,让用户可以在一次对话中完成搜索(提问)-推荐-决策-支付的全链路动作,无需跳转至第三方平台。

在这一语境下,AI不仅取代了搜索,也取代了广告,它甚至成了可以跟亚马逊们正面抢夺用户注意力的新流量入口……

相比之下,豆包上链接,则更像是多了一个引流入口,用户下单还需要跳转至抖音商城,整体延续的依旧是流量驱动型逻辑,跟过去直播带货们的发力路径颇为相似。

它带来的影响是,当未来豆包上链接进一步普及,那么届时,品牌商品的曝光可能就不再单纯取决于砸钱投流量了,而还要看AI的理解能力。

谁能预设出更多容易被AI“读懂”的营销答案,谁就能进入更多消费者的视野。

至于阿里京东们,如果愿意,他们也能很快接入各种大模型,做到和豆包、ChatGPT类似的效果。

此前就有用户发现,Kimi、文小言们已经接入了天猫或者京东的购物链接,点击同样可以直接跳转到电商平台。

但为什么阿里们好像没有太看重,甚至都没有传出太大的声音?

跟战略的轻重缓急有关,跟流量的多少有关。

今年上半年,阿里和京东们的绝对战略重心是即时零售和本地生活大战,整体投入巨大,但也拿到了不小的回报,双方流量几乎都处于虹吸高涨状态。

所以现在,(缺席大战)字节需要用AI电商来刺激流量,但阿里们却不需要着重提及。

同时也因为,各家都还处于试错摸索阶段,所以AI电商的战略卡位意义确实重大,但却并不紧急。

因此,今年双11,相比于在AI里做电商,阿里、京东们都选择了在电商里边补强AI。

比如天猫推出了AI美工、AI客服、AIGC平台工具;京东AI则在物流系统,首次大规模投入了“超脑+狼族”智能设备集群,整体还是从匹配效率升级、商家工具普惠、创新产品体验三大维度落地AI应用,以“服务商家提效、优化用户体验”的核心。

显然,不同的商业基因造就了现在AI商业化不同的路线。

从夸克推出智能眼镜,到豆包上链接,再到Chat GPT做浏览器,AI商业化浪潮也正不可逆转地将整个行业推向一个新时代:价值创造的逻辑被重塑,竞争的核心从技术高地转向生态腹地。

所以,这场“成人礼”过后,能够存活下来的不仅仅是企业,更是被市场验证的全新范式。

原文链接: AI变现“三部曲”:Open AI打开浏览器,豆包上链接,夸克戴眼镜
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题