在计算机历史的前30年里，基于Windows的模块化计算机主导了市场，但如今苹果的集成式Mac在消费者中占据了上风，微软在其Copilot+ PC的定位中也隐晦地承认了这一点。智能手机和个人电脑作为我们日常生活中不可或缺的设备，各自通过模块化和集成化策略，塑造了独特的竞争格局。那么，在人工智能领域，这两种策略又将如何演变，谁能最终赢得未来？
之前我们讨论过科技巨头在AI投资领域的战略布局，本文将深入探讨谷歌、亚马逊、微软和Meta在AI领域的战略选择，揭示集成化与模块化在塑造科技未来中的关键作用。
在个人电脑的历史中，模块化和集成方法的选择对行业格局产生了重大影响。初期的PC，如IBM PC，通过模块化设计，使用户可以根据需要自行更换和升级硬件，促进了整个PC生态系统的快速发展。然而，随着时间的推移，苹果公司通过集成设计（例如iMac和MacBook），创造了高度统一和优化的用户体验，最终赢得了大批消费者的青睐。
在手机领域，Android通过其开放和模块化的策略，实现了广泛的市场覆盖和快速的创新发展；而iOS则通过其集成化的策略，提供了高度优化和一致的用户体验。
今天，在人工智能领域，马克·扎克伯格指望同样的模式重演，选择将Meta大模型开源。然如，如微软总裁纳德拉所指出的，谷歌才是那个真正的整合型玩家。
谷歌（Google ）
谷歌在其专有的TPU处理器上训练和运行Gemini模型家族，这些处理器仅在谷歌的云基础设施上可用。开发者可以通过谷歌全托管的AI开发平台Vertex AI访问Gemini模型；由于Vertex AI在很大程度上与谷歌的内部开发环境相似，因此谷歌也在该平台上构建自己的面向消费者的AI应用程序。
谷歌的AI战略独特：正如纳德拉所说，谷歌是人工智能领域的“苹果”。集成化已被证明是消费市场中的可持续差异化因素，消费者重视集成带来的用户体验提升，但是这种体验通常体现在设备上。
谷歌为消费市场打造的主要产品，并不是硬件设备，而是互联网服务。而历史经验表明，互联网时代的大赢家苹果之所以如此引人注目，部分原因在于它不仅是一家综合性公司，而且在推出iPhone之外的创新产品（如Apple Watch和AirPods）时也保持了卓越的标准。但谷歌在硬件制造领域能不能做到这一点？
谷歌最近将重点放在了新的人工智能驱动的搜索体验上，但因人工智能提供的错误答案而受到无情嘲笑，这可能会推动谷歌智能手机战略的转变，或者让谷歌变得更加保守。
在企业市场，企业客户要克服“数据引力”（data gravity）是一个巨大的挑战。因为企业客户可能会发现，在他们已经存储数据的同一云平台上使用人工智能服务更为方便（当然，谷歌也为企业客户提供非Gemini模型和Nvidia GPU的支持）。谷歌在企业领域的成功可能来自于投资或者并购下一代初创公司，这些公司首先是人工智能驱动的，并且数据负担较轻；新公司在选择基础设施和集成时有更多自由度。
总的来说，谷歌需要在多个方面进行努力。一方面，它需要通过投资和创新赢得硬件终端市场；另一方面，它需要在企业领域提供高效的AI解决方案以吸引新兴初创公司。只有在这两个方面取得成功，谷歌才能真正实现其愿景，将AI深度整合到消费者和企业的日常生活和工作中。
亚马逊（AWS）
AWS处于另一个极端，它没有任何自己的模型，虽然它有自己的 Titan 系列模型，但似乎主要专注于其 Bedrock 托管开发平台，该平台允许用户使用任何模型。亚马逊的另一个重点是开发自己的芯片，尽管其人工智能业务的绝大多数都在 Nvidia GPU 上运行。
亚马逊的AI战略表明它认为人工智能价值链中的一切都是模块化的，最终是一种商品，这意味着它相信数据引力最为重要。但很难说，这在多大程度上是对战略格局的正确解读，而不是一种对事实的勉强解释。
亚马逊的战略似乎建立在这样一个假设之上：随着人工智能技术的发展，数据的重要性将会越来越突出。亚马逊认为，通过提供强大的云计算服务和基础设施支持，它可以成为人工智能领域的核心参与者，因为企业更倾向于在已经存储数据的云平台上运行AI服务。亚马逊的AWS平台，作为全球最大的云服务提供商之一，拥有巨大的数据处理和存储能力，这使其在这一假设下具备了明显的优势。
然而，这种战略也存在风险。首先，数据确实重要，但它是否会成为决定性因素还未可知。竞争对手可能会通过提供更优质、更集成的AI解决方案来削弱数据引力的重要性。此外，亚马逊过于依赖其基础设施优势，可能忽略了在AI模型和应用开发上的投入，而这些恰恰是AI领域竞争的关键。
总体来看，亚马逊的战略基于其对AI价值链模块化和商品化的信念，以及其在数据方面的优势。尽管这种策略与亚马逊的现有强项高度契合，但其成败仍取决于对未来AI市场发展趋势的准确判断和对潜在风险的有效应对。
微软（Microsoft）
微软处于AI舞台中央，这要归功于其与OpenAI及其模型的紧密合作。公司去年推出了Azure模型即服务（Models-as-a-Service），但其对外客户和内部应用的主要关注点都是基于OpenAI的GPT模型家族构建的。微软还推出了自己的推理芯片，但绝大多数工作负载仍运行在Nvidia的GPU上。
去年10月，在公司的财报电话会议上，CEO萨蒂亚·纳德拉详细谈到了公司如何围绕OpenAI优化其基础设施：
微软采取了一种技术方法，确保所有的Copilot和相关技术堆栈都可用。这并不意味着微软没有进行开源或专有模型的训练。事实上，微软有很多开源模型，并进行了大量微调和强化学习。关键在于，微软利用了一个大型模型进行训练，并在所有自家SaaS应用程序以及Azure AI服务的API中进行推理。
从云计算方面，微软学到的经验是：不要经营一个多元化的集团，而是要在微软产品组合上下采用统一的技术堆栈。这种纪律对于人工智能转型时期的资本支出管理至关重要。
2023年OpenAI宫斗事件，微软不得不面对这样一个现实：将策略依赖于与无法控制的合作伙伴的整合是非常危险的。自那以后，微软开始加大力度投入公司托管人工智能开发平台，类似于亚马逊的策略。尽管微软可能希望更多地倾向于整合，但它必须通过自研或者与更多的第三方合作对冲风险。
总结来看，微软在人工智能战略中采取了务实的方法，通过统一的技术堆栈和强大的基础设施优势来推动AI的应用。然而，依赖于外部合作伙伴也让微软意识到整合和控制的重要性。
脸书（Meta）
Meta只为自己构建模型；这意味着最重要的集成点是应用程序和模型之间；这也是为什么 Llama 3 进行了优化以降低推理成本，甚至以更高的训练成本为代价。这也意味着Meta可以完全跳过托管服务层。
Meta通过开源Llama模型，实现了多个目标。首先，开源使得更多开发者和企业能够使用并改进这些模型，从而提高了模型的优化速度和质量。这不仅增强了Llama的功能和性能，还扩展了其应用范围。其次，开源策略吸引了大量开发者社区的参与，促进了生态系统的健康发展，为Meta产品的进一步发展提供了支持。
同时，Meta在开源的过程中也保留了商业化的机会。尽管模型是开源的，但通过与超大规模提供商的合作，Meta仍能从中获得部分收入。这种策略既保持了开源的优势，又确保了公司的盈利能力。
总的来说，Meta的开源策略不仅提升了Llama模型的使用率和改进速度，还为公司带来了额外的收入来源。这种方法在不削弱产品开发的情况下，最大限度地利用了开源的优势，是一项明智的战略决策。
但不容忽视的是，今天除了Llama，我们看到越来越多的优秀的开源模型，包括Hugging Face推出的BLOOM，阿布扎比技术创新研究所开发的Falcon，来自欧洲的Mistral以及阿里巴巴开发的Qwen。
AI战略选择：集成化 VS 模块化
集成化
优势：提供无缝体验，优化效率，确保系统的每个部分都能完美协作
代表案例：谷歌的AI基础设施，Meta的开源模型Llama
模块化
优势：灵活性高，适应不同需求，可以快速集成第三方组件
代表案例：微软的Azure，亚马逊的AWS
在AI领域，谷歌的整合策略表明，通过深度整合硬件和软件，他们能够优化AI性能，提供高效、强大的解决方案。而微软则通过模块化方法，利用其Azure平台和OpenAI合作，提供灵活的AI解决方案。
