全栈 AI，现在差不多已经成为大厂的标配。
几乎所有科技巨头都在同一个方向使力：把 AI 产业链上越来越多的环节收入自己手里。于是模型公司操心芯片、数据中心和电力；云厂商开始训练自己的模型；手机厂商在补 AI 能力；社交平台也在押注 Agent 和下一代终端。
OpenAI 可能是今天“全栈 AI”野心最明显的公司之一。往下，它正在深度介入芯片、数据中心、电力和算力基础设施；往上，它有 API，有 ChatGPT，有 Codex，也在寻找新的硬件入口。
但在 8 月 23 日 David Senra 的播客里，Altman 开始强调另一件事：OpenAI 不能什么都做。
他认为 OpenAI 应该成为一家平台公司，而不是把每一个 AI 应用都自己做掉。资源有限，公司必须主动放弃一些“不错的产品”，把算力、人才和注意力留给真正重要的事情。
另一边，目前最接近“全栈 AI”的谷歌，刚刚又对自己的 AI 组织动了一次大手术。
哈萨比斯交出 DeepMind 管理权，“荣升”董事长；迪恩等四名资深骨干离职出走，创立新公司。
从芯片、云、模型、搜索、办公软件，到操作系统和终端，谷歌几乎一应俱全，但也正是因为铺得太全、捏在手里的牌太多，内部协调才会变得格外困难。旗舰模型迟迟拿不出手，甚至被外界怀疑是否正在退出 SOTA 模型竞赛。
怀揣着全栈野心的科技公司们高喊着“All in AI”，但问题在于，当芯片、算力、模型、Agent、应用和终端同时成为“不能输”的战场，一家公司到底有多少资金、算力、人才和管理注意力，可以同时投入其中？
当所有 AI 机会都被视为“不能让给别人”的阵地，全栈究竟是一个可以抵达的终点，还是一场画地为牢的陷阱？
A
互联网时代的平台巨头，其实很少靠“通吃”建立优势。
微软真正的护城河是 Windows 建立起来的操作系统标准和开发者生态；谷歌的核心优势是搜索入口、数据和广告分发形成的闭环；苹果掌握的是 iPhone、iOS 和 App Store 共同构成的移动生态；亚马逊则通过 AWS 占据了云基础设施这一关键层。
平台真正理想的状态并不是把整个产业链都收入自己手里，它们只需要控制一个关键入口，形成难以被复制、且难以被绕开的壁垒。
阿里甚至曾经把这种模式直接写进自己的公司定义。2018 年年报里，它把自己生态的核心定义为三样东西：技术平台、市场规则，以及连接不同参与者的角色。消费者、商家、品牌、零售商和第三方服务商围绕这一平台彼此发现、互动和交易，最终形成“自我强化的网络效应”。阿里给自己设定的长期目标也不是亲自做完所有生意，而是“构建未来的商业基础设施”，让企业能够“Work @ Alibaba”，借助阿里的基础设施和技术，自己建立业务、创造价值。
AI 理论上当然也可以形成类似的产业分工。
英伟达已经提供了一个非常典型的样本，它如今的边界正围绕 GPU、CUDA、网络和整套加速计算平台不断扩张，但真正让它获得超额回报的控制点，依然高度集中。2027 财年第一季度，英伟达营收达到 816 亿美元，同比增长 85%；其中数据中心收入达到 752 亿美元，同比增长 92%，占总收入九成以上。单季 GAAP 毛利率高达 74.9%，营业利润达到 535 亿美元，同比增长 147%。
只要 GPU 和围绕它形成的软件、网络生态仍然是 AI 计算绕不过去的一层，英伟达就足以拿走产业里最丰厚的利润之一。
Anthropic 也提供了另一个方向的案例，它并没有自己的云、芯片、操作系统和终端，却依靠 Claude 模型能力，尤其是在 Coding 和企业工作流中的优势，迅速建立起商业价值。至少在现阶段，以模型能力为核心的一层优势就足以支撑一家规模巨大的公司。
理想情况下，AI 本来可以像互联网时代一样，沿着不同赛道形成分工：芯片、云、模型、Agent、终端，公司完全可以选择其中一条持续加码，把优势做深。
每一条赛道都有机会建立自己的护城河，也都有机会长出新的巨头。
但现实是，AI 爆发得太快了。
从模型到 Agent，从云到终端，每一条赛道都在高速膨胀，几乎不给大厂留下慢慢判断、主动取舍的缓冲时间。
在一个产业边界还没有完全形成的蓝海市场里，每一层看起来都可能成为下一个搜索、下一个 Windows、下一个 AWS，也可能诞生下一个英伟达。任何一次主动缺席，都可能意味着把蛋糕直接让给竞争对手。
而互联网时代又给这些公司留下了一种非常强烈的成功记忆。
无论是张一鸣所追求的“Super Company”，王兴强调的“无边界”，还是阿里长期迷恋的“打通生态”，背后都是同一种平台公司的本能：看到明确的市场需求，就倾向于相信可以用资本、人才和组织能力把它做出来。
在这样的环境下，谁都不知道今天看起来只是一个产品功能的东西，会不会在几年后长成新的平台入口；谁也没有理由在需求已经出现、能力又看起来可以复制的时候，主动把机会留给别人。
这些互联网公司曾经靠一个别人很难复制的核心优势成为巨头；到了 AI 时代，却开始产生另一种冲动：既然每一层都有可能成为下一个护城河，那为什么不能 All in？
全栈 AI 于是首先不是一种技术理想，更像是产业分工尚未完成时的一种集体扩张冲动。
或者，如果用更激进的话来形容，更像是大厂把覆盖尽可能多的层，误认为是一种必然更优、甚至最终必然胜出的企业形态。
B
某种意义上，全栈 AI 就像路途终点的梅子树——它当然足够“止渴”，甚至可能是 AI 时代最诱人的公司形态。
但今天的“全栈 AI”，背后其实混杂了两种不同方向的扩张。
一种是做纵向一体化：模型公司向下进入芯片、数据中心和电力，云厂商向上训练自己的模型，终端厂商补上操作系统和 Agent 能力。它们看起来都在跨越原本的业务边界，但本质上仍然围绕自己的核心能力，把上下游最关键的环节逐渐握进自己手里。
这种扩张本身有其价值，很多时候，它属于建立护城河的必要环节。
最直接的收益，就是能够少受制于人。
模型公司如果永远依赖别人的 GPU 和云，就要承受价格、供给和议价权的不确定；云厂商如果只负责卖算力，也会担心最有价值的客户关系最终被模型公司拿走。
往上下游多走一步，对任何一家公司单独来看都很合理，毕竟每多握住一层，就少一个别人可以卡住自己的地方。
拿 OpenAI 和微软举例，这两家公司早期的合作，几乎是 AI 产业分工最理想的样子。OpenAI 负责把模型做得更聪明，微软负责提供源源不断的算力。一个向上做智能，一个向下铺基础设施，两家公司各取所长，也彼此需要。
但随着 AI 这块蛋糕越做越大，OpenAI 开始寻找微软之外的云厂商，自己介入数据中心、电力和基础设施，甚至把手伸到了芯片，推出了 Jalapeño；微软则从另一头越过边界，不仅做 Maia 芯片，也开始训练自己的 MAI 模型，并在 Azure 里引入 Anthropic 等其他模型供应商。
两家公司依然是合作伙伴，但也都在有意识地降低对彼此的单点依赖，避免把最关键的能力和议价权交到对方手里。
从内部看，把更多环节握在手里，还有一个颇具吸引力的好处：原本发生在公司之间的协作，可以变成发生在一家公司内部的优化。
当芯片、系统软件、模型和应用都属于同一家公司，它们就可以围绕同一个目标一起调整。模型不必迁就通用芯片，芯片也可以反过来为模型定制；应用端发现的问题，可以一路反馈到底层系统和算力架构。
微软今年在财报会上强调的就是这套逻辑：公司正在同时优化从数据中心设计、芯片、系统软件到模型架构的每一层。按照微软自己的数据，Maia 200 自研 AI 芯片相比其现有最新芯片，每美元能够处理的 Token 提高超过 30%；软硬件联合优化，又让 Copilot 最常用模型的推理吞吐提升了 40%。
所以，仅仅向上下游延伸，并不足以构成陷阱。
真正复杂的地方在于，AI 公司的扩张往往不会停在这里。
有了模型之后，还可以做聊天机器人、Coding、视频、浏览器、企业软件、Agent，也可以继续寻找新的硬件入口。
这就不再是围绕核心能力纵向做深，而开始转变成另一种横向扩张。
于是，“少受制于人”的逻辑开始不断向外蔓延。
今天不做芯片，担心算力受制于人；不做 Agent，担心入口受制于人；不做应用，担心用户受制于人；不做终端，又担心最终的分发权仍然掌握在别人手里。
纵向一体化解决的是关键能力受制于人的问题，横向扩张却更像是“任何机会都不能让给别人”。
当这两种扩张同时发生，“全栈”就开始从一种效率选择，变成一种战略焦虑。
每一家单独来看，可能都只是想把自己的命运多掌握一点。但当所有公司都做出同样的选择，理性的个人决策就演变成了集体的囚徒困境。
技术栈做深需要芯片、数据中心和电力，业务线做宽同样需要模型、算力、人才和销售资源，最终争夺的都是公司同一张资产负债表和同一批管理注意力。
没人敢率先减速。向下，芯片、数据中心和电力需要提前几年布局，今天少投一步，未来就可能在算力和供给上受制于人；向外，Agent、Coding、浏览器、企业软件和新的硬件入口又都可能长成下一块护城河，主动缺席同样意味着承担错过下一代入口的风险。
在所有的投入里，钱是最容易被量化的部分：
今年 Alphabet、亚马逊、Meta 和微软四家公司预计将在 AI 基础设施上投入约 6500 亿美元，相比 2025 年的 4100 亿美元又提高了近六成；仅 2026 年至今，美国企业为 AI 建设发行的相关债务就达到约 2200 亿美元，而去年同期只有 125 亿美元。
然而，投入和回报中间存在巨大的时间差：钱烧在前面，收入和现金流却难以接上。
Alphabet 今年将资本开支提高到 1950 亿至 2050 亿美元，尽管 Google Cloud 二季度收入同比增长超过 80%，公司仍出现上市以来首次季度负自由现金流；Meta 二季度自由现金流同比暴跌 91%，只剩 7.84 亿美元。
国内也是同样的情况。阿里二季度资本开支同比增长 75% 至 676.8 亿元，腾讯同期也花掉接近 80 亿美元，两家公司当季都出现负自由现金流。阿里已经用掉 3800 亿元三年 AI 投资计划的近一半，并预计相关投入还需要约 2.5 至 3 年才能收回；字节则被曝正在寻求约 200 亿美元、公司史上最大规模的离岸贷款，其中一个重要用途就是继续加码 AI 基础设施。
全栈的收益在未来，维持全栈竞争的成本却必须今天支付。
然而，缺钱好歹还是一个可以通过融资、发债等方式暂时解决的问题。
更复杂的压力出现在组织协同上。
对于这个问题，谷歌几乎就是最典型的样本。路透社在复盘 8 月这轮 DeepMind 重组时发现，Gemini 迟迟追不上前沿，背后并不只是模型能力问题。Google Cloud 和 DeepMind 需要争夺有限的 TPU 资源，Gemini 内部多个项目负责人也曾因为资源分配产生分歧，Coding 等后来证明关键的方向因此投入不足；与此同时，DeepMind 长期研究的传统，又不断与 Google 要求模型更快进入 Cloud、Search 和消费产品的商业目标发生拉扯。
类似的矛盾也发生在阿里，据《晚点 LatePost》披露，阿里一边投资多家大模型公司并向它们提供算力，Qwen 却因为 Infra 和训练资源不足，甚至不得不自己补建基础设施团队。林俊旸提出离职后，Qwen 团队曾在内部全员会上直接质问管理层：为什么外部的大模型创业公司购买阿里云算力“用得顺畅”，内部团队却长期在算力和招聘名额上捉襟见肘？阿里云 CTO 周靖人承认，团队“一直资源紧张”。
因为组织上的统一，并不意味着经营目标会自动一致。
技术栈做深，确实可能产生1+1＞2 的优化；但业务线不断做宽之后，公司又必须在模型、云、芯片、Agent 和不同产品之间重新分配算力、预算、人才和管理注意力。外部依赖减少了，内部的协调成本却开始上升。
“全栈 AI”真正危险的地方在于，在产业边界尚未稳定之前，没有谁会轻易放弃一个仍有可能成为下一块护城河的方向。竞争对手还在加码，自己就很难率先收缩；而自己多做一层，又会反过来迫使竞争对手继续跟进。
最终，“不能受制于人”的逻辑从技术栈蔓延到业务版图，很容易演变为“什么都不能让给别人”。
即使抛开外部因素，退出本身也是一件需要勇气的事情，尤其对大厂来说，它们更愿意相信自己会妥善处理好那些“前车之鉴”，不至于重蹈覆辙。
C
另外，从产业发展的角度看，“全栈 AI”本身就很难成为一种稳定的终局。
经济学家科斯在解释“企业为什么存在”时，提出过一个非常朴素的问题：既然市场能够完成交易，为什么还需要公司？
答案是，因为交易本身也有成本。
寻找供应商、谈判、签约、监督和协调都需要付出代价。当通过市场完成一件事的成本高于公司内部协调的成本，企业就有动力把这项能力收入内部；反过来，当内部管理越来越复杂，而从市场获得同样能力越来越容易，企业也就没有必要什么都自己做。
从这个角度看，过去几年 AI 公司的全栈扩张并不难理解：GPU 短缺、云资源紧张、模型能力稀缺，不同系统之间的接口又彼此割裂。关键能力掌握在别人手里，不只意味着要付出更高价格，还意味着供给、效率甚至产品节奏都可能受制于人。与其反复在市场上协调，不如把更多东西收入自己内部。
但现在，两边的成本正在同时发生变化。
一边，全栈扩张正在让公司内部的协调越来越贵。
OpenAI 最近的变化就很有代表性。Altman 在 Stripe Sessions 2026 上回顾，OpenAI 最早只需要经营一家研究实验室；ChatGPT 之后，它不得不学会成为一家产品公司；如今，它又要同时处理芯片、数据中心、电力和算力基础设施。
实验室、产品公司、基础设施公司，本来就是三种完全不同的组织。
OpenAI 也因此越来越像一家传统意义上的大公司。过去两年，它不断引入 Fidji Simo、Sarah Friar 等成熟科技公司的职业管理者；今年又把应用业务改成产品总经理制，让 ChatGPT、Codex、企业业务等分别拥有更明确的经营负责人。
一家从研究人员和工程师主导的实验室里长出来的公司，开始不得不用更传统的管理体系，处理产品、收入和数千亿美元基础设施带来的复杂性。
但就在 OpenAI 越做越“全”的时候，Altman 反而开始强调另一件事：OpenAI 不能什么都做。
8 月 23 日，他在 David Senra 的访谈中表示，OpenAI 应该更多成为一家平台公司，而不是进入每一个产品类别，更不能试图和所有客户竞争。
在他的描述中，OpenAI 的边界非常清楚：一端是普通用户直接使用先进 AI 的入口，另一端是供开发者和企业继续构建产品的 API 平台。至于中间大量具体应用，应该留给外部开发者和创业公司。
他甚至已经开始主动杀掉一些”还不错”的产品，例如 Sora 和 Atlas，把有限的算力、人才和管理注意力重新集中到更重要的方向。
DeepMind 则从另一个方向碰到了同样的问题。
路透社去年那篇长篇调查披露，DeepMind 从一开始就非常抗拒变成一家普通的谷歌部门。2015 年 Alphabet 成立时，Hassabis 曾争取让 DeepMind 像 Waymo 一样成为独立公司；到 2017 年，DeepMind 管理层甚至还在讨论最终从谷歌剥离。
早期 DeepMind 甚至没有产品和收入，研究人员不需要证明下一次实验能给搜索广告带来多少收入，也不用考虑 Cloud 客户什么时候买单。Hassabis 后来回忆谷歌收购带来的好处时，说得很直白：留在伦敦、保持独立，“不用管产品，做纯研究”。
但 ChatGPT 改变了这一切。
2023 年，谷歌把 Brain 和 DeepMind 合并成 Google DeepMind，Hassabis 一度掌握谷歌最核心的前沿 AI 力量，代价则是 DeepMind 开始背负起整个谷歌的商业使命。
Gemini 必须追赶 OpenAI 和 Anthropic，必须进入 Search、Cloud 和消费产品，也必须和谷歌内部其他业务争夺 TPU、人才和优先级。
三年后，天平再次摆动。今年 8 月，Hassabis 退出日常管理，把更多精力重新放回 AGI 和长期科学；更偏产品和商业化的 Koray Kavukcuoglu 接过实际运营，一些团队也重新纳入谷歌体系。
一个实验室长大以后开始学习公司分工，一个实验室被公司吸收以后又必须重新划分研究与经营。
OpenAI 和 DeepMind 走的是相反的路，但碰到的其实是同一个问题：把越来越多能力装进同一家公司，并不会消灭协调成本，只会把原本发生在公司之间的协调，变成发生在公司内部的资源分配。
更何况，AI 最擅长产生突破的组织方式，和一个全栈平台最擅长的组织方式，本来就存在张力。
前沿研究需要允许试错、路线竞争和长期投入，哪怕十次失败只换来一次突破，也可能值得；平台公司却必须同时考虑产品节奏、收入目标、客户需求和资源效率。前者追求的是能力边界，而后者必须不断做取舍。
全栈可以减少外部依赖，却不可能消灭组织成本。
与此同时，另一股力量正在反方向运动：AI 公司之间的交易成本正在快速下降。
API 已经让模型能力可以像云服务一样被调用；模型路由让开发者能够根据价格、速度和效果在不同供应商之间切换；MCP 和 A2A 又进一步试图解决工具、数据和 Agent 之间的连接问题。
Anthropic 推出 MCP，本意是让 Claude 更容易连接外部工具和数据；但 MCP 后来被 ChatGPT、Gemini、Microsoft Copilot、Cursor 等大量产品采用，2025 年底 Anthropic 进一步把它捐给 Linux Foundation 旗下的 Agentic AI Foundation，而 OpenAI 正是基金会的共同发起者之一，谷歌、微软和 AWS 也参与支持。
谷歌推出 A2A 也是一样。它当然希望自己的 Agent 进入更多企业和应用，但要建立一个足够大的 Agent 生态，就必须让不同厂商的 Agent 彼此通信。最终谷歌同样把 A2A 交给 Linux Foundation，由 AWS、微软、Salesforce、SAP、ServiceNow 等公司共同参与。
这形成了一个看起来有些反常的结果：大厂越想让自己的那一层成为标准，就越需要让自己的产品能够和别人的模型、Agent 和工具连接。
它们的出发点当然不是放弃控制，恰相反，每家公司都想扩大自己的控制范围。但当所有人都这样竞争，API、模型路由、MCP、A2A 以及各种开放接口又客观上降低了不同层之间的绑定。
模型可以换，工具可以换，Agent 可以跨平台协作，原本想被收入一家公司内部的技术栈，反而越来越容易被拆开、替换和重新组合。
按照科斯的逻辑，这意味着企业边界两边的成本正在发生一次反转。
一边，全栈扩张让公司内部需要协调的业务、资源和目标越来越多；另一边，标准化和互操作性却让公司之间寻找、连接和替换合作伙伴越来越容易。
当内部协调越来越贵，而外部交易越来越便宜，“什么都自己做”的经济理由自然会变弱。
所有人都想建立自己的全栈帝国，但正是这场全栈竞争，在不断制造一个更模块化、更难被任何一家公司完全控制的 AI 产业。
最终，哪些能力值得留在公司内部，哪些应该重新交给市场，仍然取决于一件非常朴素的事：哪一种组织方式更有效率。
全栈当然有价值，跨层协同也真实存在，但今天所有大厂同时做芯片、云、模型、Agent、应用和终端，未必意味着这就是 AI 产业最终成熟的形态。
它更可能代表，产业的边界还没有画完。
今天我们看到的 All in AI、既要又要，很可能只是它还没有找到稳定结构的表现。
