联想万全混合词元工厂发布：企业AI转向混合架构

AI仍处在被发明的过程里。Anthropic最快下周上市，可它提出的40万亿美元知识工作经济中，真正得到验证的部分，即便把OpenAI算进来，也只有千亿美元左右，而且以AI编程为主。2027年，企业AI依然是最需要被发明的那一块。

不过Anthropic只是企业AI的一种解法，远不是全部答案。企业AI的市场空间和模型API市场并不是一回事。今年下半年起，AI应用向社会渗透时，与企业组织的摩擦越来越明显：预算约束、工作流改造、知识沉淀，还有隐私安全。混合AI既是对技术架构的回应，也是企业重新组织AI生产资料的一种回应。

前沿AI在企业眼里越来越贵。应用创新还在摸索阶段，Token成本太高，企业就没法在较长时间里放心试错。加上Token支出涨得快，收入却没按相应规模回流，企业开始给Token预算设上限。

苹果工程师的每日预算从300美元进一步降到100美元；非工程部门缩水75%，只剩25美元。微软、Meta、Uber也是如此。下半年以来，Anthropic与OpenAI开始直接或变相降价。

更大的问题其实在企业这一侧：接不接AI，短期Token成本膨胀只是一层，长期学习闭环能不能沉淀下来才是关键。

Palantir首席执行官卡普（Alex Karp）就点出了这一点：技术型客户要的是对自己的算力、模型、数据栈和核心竞争优势的控制权；他们要确保生产资料握在自己手里，而不是转给别人。

眼下Anthropic、OpenAI与谷歌都在向企业客户派“前向部署工程师”（FDE）。这支队伍相当于“软件工程施工队”，进到企业内部，帮客户把问题定义清楚，把数据和流程梳理出来，把AI能力嵌进业务系统，落地过程中不断形成新的产品抽象。

简单API模式难以克服的组织摩擦，确实被这套做法解决了。但另一面是，AI供应商由此能更深地理解企业的工作流，最终可能把这些经验内化成自己的标准化Harness框架。

这是一种潜在的结构性利益冲突，正戳中企业AI对Anthropic模式的深层焦虑。企业可能面临模型断供和供应商锁定；长期使用中，模型能力的迭代、任务经验的积累，以及部分组织学习过程，还可能都留在外部平台。前沿AI在完整闭环反馈里，有可能把它“蒸馏”成模型能力，反过来降维打击自己的市场。

混合AI逐渐成为企业的重要选择，原因也在这里。任务成本、数据敏感程度、能力要求各不相同，企业需要据此决定用什么模型、在哪里运行、由谁控制执行过程。

大量重复、高频、数据敏感且成本敏感的任务，可以交给经过微调的开源模型来降本。它既能跑在Together AI和Fireworks这类第三方推理平台上，也能跑在自建机房。最困难的那些任务，仍旧可以路由到Astra或Fable解决。

理论上，本地部署一套8卡B300的设备（约80万美元），加上五年运营成本（70万美元），相比按需采购AWS等效云实例（AWS p6-b300.48xlarge）能省75%。当然，现实中谁更划算，还要看利用率和运维这些因素。

企业AI向混合AI转型，已经初具雏形。欧洲金融科技公司Revolut把智谱GLM开源模型设为公司AI编程的默认选择，逐步替代Claude Code、OpenAI等商业服务，AI编程账单降到原来的1/10。美国法律科技公司Harvey则从完全建立在GPT之上，逐步迁移到基于Kimi K3后训练的自有模型，客户敏感数据的处理、模型部署和访问控制上，自主空间更大了。

混合AI让企业能在不同模型、算力和部署环境之间做选择，也让企业有机会把自己的数据、反馈、评估标准和工作流沉淀下来。它帮企业重新组织AI生产资料，某种意义上，混合AI就是企业主权AI的现实路径之一。

当然，真正能规模落地的混合AI要复杂得多。它会是任务与资源的动态组合，算力、模型、部署环境、工作负载都要混合。适配自己工作流的模型，不一定要完全锁在自己大楼的机房里，可以远程部署，也可以单独租用具备隐私计算能力的云服务。未来的市场不会只有一种形态，闭源托管、私有部署、开源自建、多模型混合、行业平台等多种模式会并存。

这样一来，监管强度不同、应用场景不同的企业，会在不同约束之间，寻找适配自身组织形态的混合AI最优架构。随着AI加深在社会中的渗透，混合AI还会继续获得新的定义。

联想今天正式发布的“万全混合词元工厂”，就是它对混合AI的一次尝试。通过对底层算力、模型重新“封装”，经联想内部使用验证，能帮用户把百万Token综合成本优化70%左右。

联想的混合AI项目已有区域布局：华北与华东聚焦制造，华中聚焦内容和短剧生成，东南探索算力出海，尝试资源与场景的动态“混合”。

联想不会是最后一个。混合AI的扩张会带来一轮企业AI基础设施的重新建设，这些建设者同样面临激烈竞争。

底层不同的算力、模型、部署环境，需要再次封装成客户无感的Token服务。模型路由、推理调度和成本管理，会变成基础能力。不是所有企业AI主体都具备这种能力，专业服务提供商的市场会由此催生。

企业靠混合AI算是把自己的一部分生产资料攥在了手里，可它依赖的平台同样存在风险。Fireworks两个月里接连出了两起安全事件，报告提到攻击者进入了用户账户，还碰到了部分客户的数据集与模型权重；至于那些第三方中转路由，连流经自己的用户提示和结果反馈都能看见。

对中国来说，混合AI还有一层新意义。在不算短的时间里，为了与美国竞争，本土芯片与模型仍会保持多路径创新，供给会更加多样，也更加碎片化。

这些异构的算力和模型资源，怎么重新组合、怎么封装，让不同技术路线都能找到对口的应用场景，再变成企业真正能调用的AI能力——这件事做不做得好，直接关系到中国AI产业还能不能保住竞争力。