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

千问和夸克,互补还是互搏?

编程导航
编程导航
2025-11-28 12:30
阅读 237
编程导航
2025-11-28 12:30
阅读 237

文 | 一刻商业,作者 | 大椿,编辑 | 以安

阿里AI to C的野心尽显。 

一周前,当阿里启动千问App公测,宣布全面对标 ChatGPT,打造未来的AI生活入口时,市场不乏质疑之声,认为其在国内AI to C的科技竞赛中丧失先发优势。

仅仅一周之后,千问以一周破千万下载量,平均每分钟近千次的下载速度,打破了大模型增长纪录,开启了“后发赶超”的新叙事。此前,ChatGPT从2023年5月上线到千万下载,耗时了三个月之久。

图/千问官方微博

受AI相关市场消息刺激,财报发布的前两天,阿里股价一直呈上涨趋势。

这一涨势持续到了财报发布后。最新财报显示,阿里迎来了一个多项指标超出预期的财季,阿里巴巴集团整体营收达2478亿元,剔除高鑫零售和银泰后,同比增长15%,超出市场预期。

更值得关注的是,阿里财报会上的战略定调,阿里CEO吴泳铭首次强调了新的AI战略:阿里正在AI to B和AI to C两大方向齐发力,to B端,做世界领先的全栈AI服务商;to C领域,基于性能领先的AI模型和阿里生态优势,打造面向C端用户的AI超级原生应用。

阵仗浩大,雄心可见。但问题也随之而来:外部竞争白热化,ChatGPT、豆包等玩家早已站稳脚跟,千问该如何突围?阿里系内部,“千问+夸克+灵光”三箭齐发,究竟是协同作战还是资源内耗?

千问,阿里AI超级入口的“关键落子”

千问的爆发并非偶然,而是阿里技术积累和“All in AI”战略下的必然结果。

在技术层面,千问搭载的通义千问Qwen 3 - Max模型,被阿里定位为“全球最强开源模型”,在海外表现亮眼,属于墙内开花墙外香的存在。

千问界面及千问Qwen 3 - Max模型,图/千问APP网页版

据阿里官方数据,截止到2024年9月,Qwen系列模型在全球的下载量已经突破6亿次,有超过17万个衍生模型,使用者不乏英伟达、微软、亚马逊等全球AI领军企业。

更重要的是,在斯坦福大学人工智能研究所发布的《2025年人工智能指数报告》中,Qwen3的重要模型贡献度位列全球第三,且中美顶级AI大模型性能差距大幅缩至0.3%,接近持平。阿里已坐稳全球牌桌,占据第一梯队。

然而,技术领先却不等于市场胜利。阿里国外在Tto B领域风生水起,国内to C战场却长期处于“有技术、无存在感”的状态。

QuestMobile数据显示,2024年9月国内AI应用月活排名中,字节“豆包”以1.72亿MAU、DeepSeek以1.45亿MAU稳居前二,而阿里通义App仅以约300万MAU排在第10位,夸克虽有2亿+用户基础,但在AI功能渗透与活跃度上仍显乏力。

正因如此,在阿里全面押注AI的宏大叙事中,千问的登场绝非简单的产品迭代,而是阿里对AI战略短板的一次系统性补位,AI to B和AI to C两条腿走路。

作为阿里打造“AI时代超级入口”的关键落子,CEO吴泳铭明确表示,千问要做“能办事的AI生活助手”。而支持“办事”能力的阿里生态体系,无疑给了千问庞大的想象空间。

此外,“办事”的背后,还藏着两层清晰的应用逻辑。

第一重,是表层功能:做一个高效、智能的AI助手。

作为全面对标ChatGPT的产品,千问APP采用对话式交互、布局简洁的设计逻辑,界面与Deepseek、豆包基本一致。

用户点进去,发送一句指令,在几秒钟完成一篇逻辑流畅的文章大纲、辅助投资决策、一键修图或翻译文档、甚至是生成图片、视频等等。此时,千问是一个“万能工具箱”,满足碎片化、即时性的效率需求。这类功能虽非独有,却是建立用户习惯的第一步。

这当然不是千问的终点。

第二重,是深层野心:成为AI时代的“超级入口”。随着AI发展,市场需求不再满足于生成内容与回答问题,而是自主执行任务Agent迈进,AI模型之间的比拼,也从“谁更聪明”“谁更全面”升级为“谁能闭环”。

想象一下,在未来,追剧时看到主角穿搭,截图发送到千问,它不仅能识别品牌,还能自动比价淘宝、调用高德地图查附近门店、通过支付宝完成支付,甚至后续推送搭配建议。到达陌生城市旅游时,AI也不再只是深思熟虑后“告诉我哪家餐厅好”,而是丝滑完成“帮我订位、打车、点菜、付款、评价”等环节。整个过程无需切换App,所有操作由AI Agent协同完成。

这正是阿里构建“超级入口”的底层逻辑。化身超级入口的千问变成了高效流量枢纽,串联起基于阿里的电商、地图、金融、本地生活等不同场景,成为其全栈生态系统的“中枢神经”。这与淘宝效率锁客逻辑一致,减少用户的操作步骤,提升决策效率,最终将用户留在阿里生态内。

一个可看见的事实是,千问已初步接入高德地图、淘宝、钉钉等服务,并计划实现自动订票、点餐、打车等更多Agent功能,试图在AI时代复制微信“连接一切”的成功路径。

然而,愿景宏大,落地不易。超级入口的本质不是功能堆砌,而是用户信任与使用惯性,微信用了十年才成为“数字水电煤”,而千问任重而道远。

夸克很好,但还不够?

当千问走向台前,此前承担阿里AI to C的夸克地位就略显微妙。

在关键的窗口期,阿里曾将资源集中投向夸克,如今却战略转向千问。这一转变背后,是阿里对AI入口形态的重新思考,也折射出夸克的局限性。

这一切要从夸克发展轨迹上说起。夸克并非AI原生应用,作为一款轻量级的浏览器产品,在百度占据国内搜索市场主导地位的时代,夸克借助阿里AI战略,实现了精准搜索、个性化推荐和AI辅助功能,逐渐向智能搜索助手演化。

随着技术演进,夸克不断加码AI布局,接入阿里自研的通义大模型,并在搜索、网盘、文档、AI绘画等多个功能中应用AI技术。

七麦数据显示,自2023年阿里将夸克列为四大战略级创新业务以来,夸克的用户规模以每年翻倍的速度增长;截至2024年底,夸克累计下载量突破3.7亿,00后用户占比超过50%,连续数月位居应用商店AI类榜单榜首,成为国内最受年轻人青睐的AI应用之一。

今年1月,夸克更新品牌口号为“2亿人的AI全能助手”;3月升级为“新夸克”,整合AI对话、深度思考、深度搜索等功能,致力于打造“All in One”平台。阿里巴巴集团副总裁、夸克CEO吴嘉表示,全新夸克彻底告别传统搜索框的理念,“AI超级框”无限接近个人超级全能助手。

就在市场期待夸克承担起阿里AI旗舰使命时,战略风向却发生转变。

千问团队接受采访时透露,上半年阿里的确希望通过夸克来尝试AI时代的入口,原因是夸克有原来的用户、产品基础,而且是一款年轻人都在用的产品。但随着AI能力的提升,团队觉得对话式AI助手是更好的形式。

那么?夸克究竟是哪里不够好?对于阿里而言,有哪些是千问能做,但夸克做不了的?

首先,是AI叙事不够纯粹性,导致用户认知鸿沟。据《晚点》报道,今年3月夸克DAU稳定在5000万-6000万区间,但距离豆包,Deepseek的亿级活跃度还相距甚远。这背后的核心问题在于产品基因——夸克本质上仍带有浓厚的“搜索”烙印。

用户打开夸克的首要需求仍是搜索,大量用户将其作为观看视频的网盘工具。特别是在88VIP将会员权益与夸克网盘绑定后,进一步强化了其工具属性。与此同时,夸克的付费模式也加深了这一认知——以网盘会员订阅为核心,年费99元至158元,多数用户实为存储空间付费,AI功能反而成为附加服务。

夸克功能足够大而全,但无论功AI功能如何丰富,用户心中其使用逻辑依然是基于工具属性的AI化,用户心智难以完全摆脱信息获取工具的定位,“AI全能助手”的定位日益模糊。

更深层的挑战在于生态闭环能力。AI发展到今天,AI to C的竞争显然不只是产品的竞争,入口之争本质上是生态之争,到这一阶段,夸克的局限性会逐步呈现出来。阿里巴巴必须要有一个AI原生的C端超级入口。

相较之下,千问这种纯粹、独立的形态,也更易于培养用户将其视为私人助理或超级智能体的心智。

更关键在于,在商业化路径上,OpenAI开始接入电商,豆包已经开始通过AI助手带货,在智能回复中嵌入抖音商城的商品链接,相当于已经把“手”伸进了阿里电商领域的基本盘,阿里亟需一个能够深度理解用户意图、并直接触达消费场景的智能入口。

此时,千问技术底座的战略价值就越加凸显。千问所采用的Qwen 3,通过开源的价值成长路径,在全球范围内练就了优秀的模型能力;现在,它必须将这种能力转化为应用端的的差异化竞争力,构架起自身新的产品体系和未来的产业链话语权。

在这一战略图景中,千问的纯粹AI形态显然更具想象空间。相较之下,夸克虽然证明了阿里在AI应用化方面的执行能力,但在技术逻辑是却略逊一筹。

互补还是互搏?

在阿里All in AI的战略棋盘上,千问与夸克的关系已成为外界关注的焦点。两者未来会是内部赛马,最终二选一?还是协同作战、共筑AI生态?

关于这一点,阿里早就给出了答案。阿里已经给两者定下了不同方向:千问是“通用智能助手”,是技术心脏;夸克聚焦“AI搜索+浏览器”,属于感知神经,形成“云+端”双螺旋结构,两者相辅相成。

为了避免技术内部左右互搏,阿里还在夸克还在给千问导流,搜索框里专门加了千问按钮,用户只需点击或者滑动,便能直接进入千问界面。这种设计并非权宜之计,而是有意构建“夸克引流—千问办事—数据回流—模型优化”的闭环。

在接受媒体采访中,千问团队亦强调:千问这样的Chatbot和夸克的超级框其实不完全矛盾,打个比方,肯定不是说Google做了Gemini,Google search就不重要了。”也就是说,夸克依旧是拳头产品,只不过在任务优先级上为千问让路。

这点不难理解,在大模型急速换代的现在,谁能更大范围地获取用户,迅速建立起商业闭环,就能率先抢占AI竞赛的下一个赛点。

而夸克长久积累下的真实用户行为数据(如搜索意图、文档使用、网盘偏好)可为千问的Agent能力提供持续训练燃料,这对Agent时代的模型优化至关重要。在AI从“参数规模竞赛”转向“用户理解深度”的今天,连续、高价值的个人数据反馈,更具战略意义。

倘若拉长实现,会发现千问与夸克两者,短期协同可行,长期整合难避。

从战略上看,战略投入看,阿里展现十足耐心。根据官方信息,阿里CEO吴泳铭宣布的三年3800亿AI基建投入,更彰显了其长期主义的决心。按照规划,2032年阿里云全球数据中心的能耗规模将是2022年的10倍,为迎接超级人工智能时代筑牢基础。

长期来看,资本市场不会无限等待。资本市场关注的是投资回报率(ROI)和单位经济模型(Unit Economics),而AI大模型建设又是一件耗费大量人力物理的工程。

若两个产品长期共存却未形成合力,反而造成研发重复、运营割裂、用户分流,阿里极可能启动产品整合——例如将千问作为夸克的底层引擎,关闭独立APP,或反向将夸克AI能力注入千问形成统一入口。

这点行业已有先例,百度曾同时运营“文心一言App”与“百度App内置AI”,最终选择将大模型能力全面融入主App;微软也将Copilot深度集成至Windows与Office,而非依赖独立入口。超级入口之争,终是系统之争,考验的是不同板块统一协调,集中力量办大事的能力。

千问踏上了征程,但纵然有夸克引路,挑战也才刚刚开始。

技术层面,千问需补齐复杂场景短板;生态上,需破解电商、支付等场景协同难题;商业化上需平衡免费与盈利,这些都决定了,千问要重新突围,绝非易事。

但对于整个行业而言,千问的面世具有重要意义,国产AI打开了一扇新的大门,它让更多的企业看到聚焦“用户价值”,筑牢“算力根基”,追求“模式创新”的可行性。千问与夸克的故事尚未终局。但可以肯定的是,在AI超级入口这场战役中,阿里已经走在前面。

原文链接: 千问和夸克,互补还是互搏?
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
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
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。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
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!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230