1. 首頁 > 生活百科 > >

點評Gartner全球AI平臺魔力象限：火山引擎被贊，谷歌高過OpenAI

Google人工智能openaigartner火山引擎

點評Gartner全球AI平臺魔力象限：火山引擎被贊，谷歌高過OpenAI

文章圖片


作者 | 高   飛



【點評Gartner全球AI平臺魔力象限：火山引擎被贊，谷歌高過OpenAI】剛看到Gartner發了首份《AI應用開發平臺魔力象限》（Gartner MQ）（見圖） ， 讀了一下 ， 報告信息量還是不小的 ， 翻譯解讀一下 。



該圖片來自火山引擎公眾號 ， 已獲得火山引擎轉載授權
先做個背景介紹 。

Gartner MQ是什么？它從“落地能力”和“戰略完整性”兩個維度給全球廠商打分畫象限 ， 分成領導者、挑戰者、遠見者、利基玩家四個陣營 。 這套方法論可以追溯到1980年代 ， 創始人Gideon Gartner最初只是在內部會議上用來做市場速覽 ， 1994年才正式對外發布 。 魔力象限是企業CIO等群體選型時參考權重很大的第三方報告之一 ， 有上百個技術領域 。

但是評價AI應用開發平臺 ， 可能是一個信號：全球大模型市場已經從“混戰期“進入“分化期” ， 需要被正式排座次了 。
10個要點
1
中國廠商存在感很強 ， 火山引擎在挑戰者象限的位置很亮眼

中國廠商在這份報告中表現突出 ， 火山引擎、阿里云、騰訊云均入選挑戰者象限 。 其中 ， 火山引擎在該象限中“落地能力”得分最高；在“多模態應用開發能力”上 ， 全球第四 。

值得注意的是 ， 這份報告的入選門檻極高：AI應用開發平臺年營收至少1億美元 。 這意味著很多知名的AI創業公司都被擋在門外 。 Cohere（企業級大模型明星公司）、CrewAI（Agent框架新銳）、Dify（開源LLMOps平臺）均因營收未達標而落選 。 CoreWeave雖然入選 ， 但因為剛完成對Weights & Biases的收購、整合尚未完成 ， 被歸入利基玩家 。

換句話說 ， 入選的廠商都是在和全球最成熟的玩家同臺競技 。

我覺得可以補充的一個背景是 ， 之前根據斯坦福大學HAI的2025年AI指數報告 ， 在中國（83%）、印度尼西亞（80%）等亞洲國家 ， 大多數民眾認為人工智能產品和服務帶來的好處多于危害 。 相比之下 ， 在加拿大（40%）、美國（39%）和荷蘭（36%） 。 也就是說 ， 中國比美國高出44個百分點 ， 這種樂觀是是否是一種加持？


2
火山引擎不是傳統云廠商 ， 它是字節跳動的技術外溢

所以單獨說一下火山引擎 ， 揣測一下為什么火山引擎能在報告中拿到這個位置 。

2020年火山引擎成立時 ， 它的核心能力來自字節跳動在內容平臺上的積累：推薦算法、高并發處理、視頻編解碼、A/B測試方法論 。 這些能力被產品化 ， 對外輸出給企業客戶 。

到了大模型時代 ， 這種外溢也隨之變化 。 豆包大模型本身就是字節跳動內部業務（豆包APP、抖音、飛書）的底座 ， 火山方舟則是把這套AI基礎設施開放給外部企業 。 所以火山引擎的邏輯始終是“內部先用、驗證有效、再對外輸出” 。 它不是從IaaS層往上打 ， 而是從應用層往下延伸 。 這個基因決定了它天然懂：“如何讓AI創造業務價值” ， 而不僅僅是“如何提供算力” 。
3


這份報告的核心命題：模型強≠平臺強

報告中 ， OpenAI是遠見者 ， 不是領導者 。 估計是很多人看報告會困惑的點 。 但是 ， 我覺得其實一點都不奇怪 。 因為在我的印象中 ， OpenAI其實更像一個互聯網公司 ， 而非AI平臺公司 。 印象中 ， 山姆·奧特曼出來做訪談 ， 常說DAU這些數字 ， 而且也認命了消費業務CEO ， 還拉來蘋果前首席設計師Ivy做消費硬件 。

從開發者的角度 ， Anthropic的存在感早就強過OpenAI了 。 但是Anthropic并不在象限中 。 我想是因為雖然 Anthropic 提供了強大的 Claude 模型 API 和 Workbench（工作臺） ， 但在 Gartner 的評估周期內 ， Anthropic 更多被視為一家基礎模型供應商（Model Vendor） 。 其主要的應用開發功能（如復雜的 RAG 編排、多模型路由、企業級治理）通常是依賴合作伙伴（如 AWS Bedrock 和 Google Vertex AI）來實現的 ， 而不是通過 Anthropic 自身的獨立平臺提供的全棧服務 。

繼續說OpenAI ， Gartner也提出 ， OpenAI的企業級支持結構比同類精簡（沒有正式的客戶顧問委員會） ， 缺乏混合云/私有化部署能力 ， 且部分客戶表示正在尋找替代平臺 。

換句話說 ， OpenAI “企業級開發平臺”的味道也比較淡 。 但對財富500強的CIO來說 ， 24/7專屬支持、SLA保障、數據主權 ， 這些“乏味”的東西比模型MMLU得分重要得多 。

這個判斷框架也適用于理解整份報告：Gartner評估的不是“誰的模型最聰明” ， 而是“誰能讓企業把AI用起來” 。
4


接下來說一下 ， 四大領導者各有什么特點？

AWS的亮點是在Bedrock Guardrails中引入了“神經符號AI”的自動推理 ， 用數學驗證而非概率判斷來對抗模型幻覺 ， 號稱準確率99% 。 這解決了金融、醫療等行業對確定性的剛需 。

Google力推Agent2Agent協議 ， 想成為AI智能體時代的“TCP/IP制定者” 。 如果未來不同廠商的智能體需要互相通信、協作 ， Google希望這個協議是標準 。

微軟的優勢在于Azure AI Foundry的開發者體驗 ， 特別是Visual Studio Code的深度集成 。 但報告也指出 ， 微軟的很多重要發布基于OpenAI的技術 ， 且在Gartner Peer Insights上的服務支持評分低于其他領導者 。

IBM則走了一條“開放路線” ， 把所有Granite模型以Apache 2.0許可開源 ， 并推出了開源的BeeAI智能體框架 。 感慨一下 ， IBM和微軟真是從IT時代走過數字化轉型時代 ， 再到大模型時代 ， 代表老牌公司的企業級底蘊 。

四家領導者的共同點是：都在試圖定義某種“標準” 。 AWS定義安全標準 ， Google定義協議標準 ， 微軟定義開發者體驗標準 ， IBM定義開源標準 。
5


火山引擎的技術護城河：一套解決“從模型到應用”的組合拳

再說回火山引擎 ， 報告特別提到了火山引擎的三個核心產品：veRL、HiAgent、PromptPilot 。

其實 ， 這三個產品不是并列關系 ， 而是一條完整的價值鏈：

veRL解決的是“模型怎么變聰明” 。 它是火山引擎開源的強化學習框架 ， 讓企業能夠用自己的業務數據和目標函數 ， 把通用大模型訓練成懂行業的專用模型 。

HiAgent解決的是“智能體怎么搭建” 。 它支持“意圖驅動的智能體創建” ， 開發者用自然語言描述需求 ， 比如“創建一個能根據用戶位置推薦餐廳并完成預訂的助手” ， HiAgent能自動將其轉化為可測試、可部署的服務 。

PromptPilot解決的是“應用怎么調優” 。 它把提示詞工程變成了一個正經的IDE ， 支持版本控制、A/B測試、效果對比 。 在AI應用里 ， 提示詞就是源代碼 ， 需要被嚴肅管理 。

這套組合拳的邏輯是：先用veRL讓模型具備行業能力 ， 再用HiAgent快速搭建智能體應用 ， 最后用PromptPilot持續優化效果 。 從模型層到應用層到運維層 ， 全覆蓋 。
6



veRL：強化學習框架為什么是最硬核的一環

報告把RL作為一個相當的要點去提 。

當然也很合理 。 畢竟AI競爭正在從“預訓練”轉向“后訓練” 。 預訓練給模型打基礎 ， 但要讓模型真正具備復雜推理能力、理解業務目標 ， 需要強化學習（RL） 。

問題是 ， 大規模RL訓練是一項工程浩劫 。 需要同時維護Actor、Critic、Reward、Reference四個模型 ， 頻繁進行數據交換和狀態同步 。

veRL的核心論文HybridFlow被系統領域頂會EuroSys 2025接收 。 它的關鍵技術是3D-HybridEngine 。 在RL訓練中 ， 模型需要在“生成階段”和“訓練階段”之間頻繁切換 ， 傳統架構會產生大量顯存冗余和通信開銷 。 3D-HybridEngine通過高效的actor model resharding ， 消除了這種冗余 ， 實現了SOTA級別的吞吐量 。 說人話就是：同樣的GPU資源 ， veRL能比其他框架多訓練好幾倍的數據 。

不過 ， 雖然這個工具很不錯 ， 但對很多企業而言 ， 到底是把資源投入到模型微調 ， 還是上下文工程 ， 應該是一個比較難抉擇的題目吧 。
7


永久授權 ， 這一個容易被忽視的商業模式差異

再說到商業模式 ， 火山方舟支持公有云SaaS、私有化部署 ， 以及永久授權（Perpetual License） 。

這在當前訂閱制盛行的SaaS市場中是一個亮點 。 對于金融等偏好一次性資本支出（CapEx）而非長期運營支出（OpEx）的行業 ， 永久授權是殺手锏 。

另外 ， 報告還提到 ， 火山引擎的直銷團隊執行效率極高 ， 平均交易閉環時間僅為數周 。

相比于依賴漫長咨詢流程的傳統IT廠商 ， 這種“短平快“的銷售節奏反映了其產品的高標準化程度 。 （這也是互聯網基因起作用吧）
8



火山引擎的行業版圖 ， 藏著字節跳動的底色

上邊我們講過 ， 火山引擎是字節跳動的技術外溢而創立的 ， 報告談到 ， 火山引擎增長最快的兩個垂直領域是“科技公司（包括設備制造商和機器人）”和“零售電商” ， 也能體現這個基因 。

科技硬件方面 ， 機器人和智能硬件對網絡延遲極其敏感 ， 火山引擎在邊緣計算和低延遲上的優勢 ， 結合其能夠部署在端側的模型能力 ， 使其成為“具身智能”廠商的理想合作伙伴 。 據公開信息 ， 全球Top10手機廠商有9家和火山引擎深度合作 。

零售電商也是火山引擎的“主場”之一 。 它在電商推薦、智能客服、營銷內容生成方面擁有實戰經驗 。

利用veRL框架 ， 零售企業可以訓練出具備“推銷技巧”的AI導購 ， 而不僅僅是處理售后問題的客服 。

此外 ， 據火山引擎披露的數據 ， 其在汽車行業覆蓋超九成主流車企 ， 在金融行業服務八成頭部券商和系統重要性銀行 ， 在教育行業與超七成985高校達成合作 。
9


飛輪效應：調用量、收入、產品三個維度的正向循環

除了Gartner這份報告 ， 還有一些公開數據可以交叉驗證這個領域市場飛輪效應的重要性 。

IDC數據顯示 ， 2025上半年中國公有云大模型服務市場 ， 火山引擎占49.2%份額 。 按此計算 ， 中國公有云上每兩個Tokens中有一個由火山引擎生產 。

這里解釋一個概念：大模型公有云服務市場 。 這個市場指的是企業通過云平臺調用大模型API的服務 。 你不需要自己買GPU、自己部署模型 ， 而是按調用量付費 。 這是目前大多數企業使用大模型的主流方式 ， 也是AI商業化的一個核心戰場 。

所以：調用量大→業務場景豐富→模型迭代快→產品體驗好→收入高→有資源持續投研發→調用量更大 。 從目前了解到的情況看 ， 這種飛輪效應是火山引擎當前增長勢能的核心來源 。
10


深層信號：AI開發平臺的競爭進入工程化階段

最后 ， 這份報告釋放的核心信號是：大模型競爭已經從“拼參數”進入“拼工程” 。

因為對AI行業落地而言 ， 模型能力重要 ， 但它是前提條件之一 ， 而不是唯一的決勝因素 。 在模型能力趨于同質化的背景下 ， 企業客戶開始更關注：你的智能體框架是否完善？多模態交互是否穩定？能否過合規審查？成本能否算得過賬？

這份Gartner報告本質上是在說：大模型時代的云計算格局正在被重塑 。 一些競爭發生在IaaS層 ， 另一些競爭則發生在MaaS層 。

對行業來說 ， 這或許意味著“AI云“正在成為一個獨立的賽道 ， 而不是傳統云計算的附屬品 。


    推薦閱讀