AI 价值链

一次模型调用看起来像软件服务，但它只是产业链露在外面的末端。不同部署要得到一项合格结果，可能需要芯片制造、内存与封装、可交付电力、加速器容量、模型制品或托管服务、网关、应用、数据权利，以及真正运转起来的组织流程。这些环节构成的是一张依赖关系图，而不是一个市场。例如，本地模型可以绕过托管 API，却仍然依赖硬件、电力、软件和获得许可的数据。

第 76 章 从单个购买方的视角比较了各个可行方案的成本。本章转而分析购买方为什么会面对这些价格与条款。答案取决于具体工作负载：哪项依赖稀缺或难以替代，谁控制它，还有哪些外部方案能够交付同样的合格结果。市场结构之所以重要，是因为可信替代方案消失时，议价能力才会上升，并不是因为某家公司同时出现在多个环节。

先画依赖关系，再定义市场

价值链图描述的是技术依赖和合同依赖。图中的每个方框并不都代表一个市场，每条边也不都代表一笔采购，整条路径更不一定由同一家公司拥有。

经济合作与发展组织 2025 年的综述把 AI 算力基础设施描述为一条多层供应链，其中存在集中度较高的环节、较高的进入壁垒、垂直关系、合作安排、切换壁垒以及偶发短缺。报告也提醒，其供应商份额数据只能用作瓶颈指标，不等于完成了一次全球市场定义 (Organisation for Economic Co-operation and Development 2025)。英国竞争与市场管理局同样把算力、数据、技术专长、资金和进入市场的渠道列为基础模型服务进入或扩张时可能遇到的约束 (Competition and Markets Authority 2024)。这些都是需要调查的风险与依赖，不能证明某家公司在所有地方都有市场力量。

瓶颈是指可用容量或交易条件会限制当前工作负载的一项依赖。控制点的范围更窄：供应商控制了稀缺或难以替代的投入，既有能力也有动机改变访问方式或交易条款，而购买方又缺少足够有效的替代方案。交付周期很长可以暴露瓶颈，却不能仅凭这一点证明市场力量。技术更先进、公司规模更大，或者以未定义分母计算出的高市场份额，也都不能单独证明这一点。

同一家供应商可以出现在多行中，其中两行也可能是互补关系，而非替代关系。因此，下一步必须定义市场边界。

先定义市场，再计算份额

集中度测量已有很长历史。Albert Hirschman 在 1945 年、Orris Herfindahl 在 1950 年分别提出了关系密切的份额平方指数，Rhoades 后来梳理了它们的起源和监管用途 (Rhoades 1993)。计算本身很简单，真正困难的是决定哪些销售额与供应商应当进入分母。

可以把一个候选市场记录为

$$\mathcal{M} = (P, G, T, U, Q).$$

式中，$P$ 表示待检验的产品或服务，$G$ 表示地理范围，$T$ 表示时间窗口，$U$ 表示客户群体，$Q$ 表示最低质量与服务门槛。这个元组是一份分析记录，并不表示只有一种市场定义有效。只有当群体 $U$ 中的客户在指定地域、时期和门槛下，会把某个候选方案视为 $P$ 的合理替代品时，它才属于 $\mathcal{M}$。

例如，可下载模型和托管的前沿模型 API 都能生成模型输出，但对于一家必须满足特定准确率、区域、审计轨迹、支持合同和响应时间目标的医院，二者未必可以相互替代。反过来，两个名称不同的 API，如果都通过了同一套评测和运行契约，就可能是非常接近的替代品。先定义决策，不要让供应商类别替你定义市场。

份额还需要选定计量单位。收入反映客户实际支付的金额；对于竞争意义主要来自扩张能力的同质投入，已交付容量可能更合适；使用量可以描述正在运行的服务；对于当前竞争状况，新客户数量可能比庞大的存量客户更敏感。美国 2023 年《合并指南》明确允许在其他指标更贴合市场现实的情况下采用不同份额口径 (U.S. Department of Justice and Federal Trade Commission 2023)。如果数据允许，分析 AI 服务时应至少报告两个站得住脚的替代指标，例如收入和通过验收的工作量，并解释缺失数据。

市场定义完成后，赫芬达尔-赫希曼指数（HHI）为

$$\operatorname{HHI}(\mathcal{M}) = 10{,}000 \sum_{i=1}^{n} s_i^2, \qquad \sum_{i=1}^{n} s_i = 1.$$

这里，$n$ 是市场 $\mathcal{M}$ 中的供应商数量，$s_i$ 是供应商 $i$ 的份额，以零到一之间的数表示，所有份额之和为一。系数 $10{,}000$ 把结果换算到常用的零至 10,000 区间。平方项会给规模较大的供应商更高权重。等规模供应商的等效数量 $N_{\mathrm{eff}}=10{,}000/\operatorname{HHI}$ 只回答一个有限的直观问题：多少家规模相同的供应商会得到同一个指数？

HHI 是筛查指标，不是市场力量的认定。美国 2023 年《合并指南》规定，在其合并审查框架下，如果合并后 HHI 高于 1,800，同时增加超过 100 点，就会形成结构性推定 (U.S. Department of Justice and Federal Trade Commission 2023)。这些门槛不是适用于所有技术市场的通用评分尺。只要市场边界、份额指标、缺失供应商或时间窗口发生变化，结果也会改变。

以下份额完全是假设数据，只用于展示这种敏感性，并非任何 AI 市场的估计。

markets = [
    ("narrow", [45, 30, 15, 10]),
    ("broader", [30, 25, 20, 15, 10]),
    ("equal-five", [20, 20, 20, 20, 20]),
]

for label, shares in markets:
    assert sum(shares) == 100
    hhi = sum(share * share for share in shares)
    effective_firms = 10_000 / hhi
    print(
        f"{label}: suppliers={len(shares)} hhi={hhi} "
        f"effective-firms={effective_firms:.2f}"
    )

如果只看供应商数量，上述三个场景似乎相差不大。HHI 能区分份额分布，却仍然无法说明新进入者能否及时入场、容量是否可用、客户能否切换，或者供应商是否在所选份额指标没有覆盖的维度上竞争。

区分规模经济、集中度与市场力量

大额固定成本可以降低平均成本，而不降低边际成本。用一个简单的成本函数表示：

$$C(q)=F+cq, \qquad AC(q)=\frac{F}{q}+c, \qquad MC(q)=c.$$

其中，$q$ 表示产出，$C(q)$ 是总成本，$F$ 是固定成本，$c$ 是每增加一个单位所需的固定单位成本。$AC(q)$ 是平均成本，$MC(q)$ 是边际成本。产出增加时，固定成本项 $F/q$ 会下降，但边际成本仍然是 $c$。旧版论述把高固定成本、不断下降的边际成本与切换成本放在一个简化条件里，实际上混淆了三种不同机制。规模经济、集中度与市场力量是三件不同的事。

高集中度可能来自创新、容量限制、规模经济、监管，也可能来自排他行为。一个市场可以一边集中，一边为了下一份合同激烈竞争；也可能在已有客户中竞争不足。市场力量要从行为和替代方案中寻找证据，例如客户无法避开的价格或条款变化、投入访问被拒绝或拖延、需求存在但竞争对手仍无法扩张、合同限制，或实际切换失败。

英国竞争与市场管理局 2025 年 7 月发布的云市场调查说明了范围为什么重要。该机构估算，AWS 在 2024 年英国基础设施即服务收入份额为 40% 至 50%，Microsoft 为 30% 至 40%，Google 为 5% 至 10%；平台即服务的集中度则较低。同一份附录还指出，加速计算收入无法按一致口径拆分，而且只占所测总额的一小部分 (Competition and Markets Authority 2025)。这些数据说明的是特定英国云服务，不能直接估算全球 AI 算力市场或模型市场。

不要从价格图推断利润

标价不等于生产成本。收入不等于毛利润，毛利润不等于经济租金，资本支出也不等于某一层获得的客户价值份额。有效的利润率比较，需要经审计的业务分部数据，或者一套能够复现的共享硬件、人员、研究、能源与管理费用分摊规则。资本回报率高于资本成本可以触发进一步调查，却仍不能说明超额回报由哪种机制产生。

这个边界意味着旧版利润池表格应当删除。它引用的是一位投资者对不同公司和不同层级做出的未经审计估算，既无法说明一笔词元费用如何在各层之间分配，也不能凭两个时间点支持十年预测。如果缺少分部报告，就应明确写出利润如何分配仍然未知，转而测量购买方真正看得见的合同条款。

把切换当作有方向的路径来测量

只有真正能够执行，购买方的替代方案才可信。API 语法兼容只是可移植性的一部分，不等于完成了整次迁移。至少要记录五个层面：

1. **接口可移植性：**请求、响应、工具、身份和错误模式可以转换。
2. **状态与数据可移植性：**提示词、检索索引、工具定义、微调数据、评估集、日志和用户状态，都能在可用权利范围内导出。
3. **行为可移植性：**替代方案通过同一套质量、策略与服务评测。
4. **制品与运行时可移植性：**权重、分词器、配置和推理代码可以在另一个受支持的技术栈上运行。
5. **运行与商业可移植性：**区域、配额、可观测性、支持、价格和合同条款仍然可行。

切换成本具有方向性。从供应商 $a$ 迁移到供应商 $b$，可能比反向迁移更贵，因为格式、权利、团队知识和可用容量都可能不同。可以使用下面这份账本：

$$\begin{aligned} C_{\mathrm{switch}}(a \rightarrow b) &= C_{\mathrm{export}} + C_{\mathrm{rewrite}} + C_{\mathrm{retest}} \\ &\quad + C_{\mathrm{parallel}} + C_{\mathrm{exit}} + \mathbb{E}[C_{\mathrm{failure}}]. \end{aligned}$$

式中，$C_{\mathrm{export}}$ 包括状态转移与数据出口费用；$C_{\mathrm{rewrite}}$ 包括接口和工作流改造；$C_{\mathrm{retest}}$ 包括评测、安全与合规工作；$C_{\mathrm{parallel}}$ 包括迁移期间同时运行两条路径的成本；$C_{\mathrm{exit}}$ 包括终止合同与无法收回的承诺；$\mathbb{E}[C_{\mathrm{failure}}]$ 是迁移失败的预期损失。箭头记录了迁移方向。

这些成本应当通过迁移演练估算。先导出有代表性的状态，把一份留出工作负载路由到替代方案，测量质量和尾延迟，再移除旧路径，记录恢复服务所需的时间，并验证回滚。一个从未通过这项演练的后备方案只是一种愿望，不能算作可信替代方案。

从权利与激励分析垂直整合

垂直整合可以降低协调成本、保障投资、改善软硬件协同设计，也能让容量规划更可靠。它同样可能带来优先访问、提高竞争对手的投入成本、限制多云并用，或封锁进入市场的渠道。单凭「垂直整合」这个标签无法判断实际效果，也不会让所有垂直整合都构成反竞争行为。

美国联邦贸易委员会在 2025 年 1 月发布的一份工作人员报告，调查了云服务商 Alphabet、Amazon 和 Microsoft 与模型开发商 Anthropic 和 OpenAI 之间的具体关系。报告记录了各不相同的股权与收入权利、咨询或控制条款、云消费承诺、算力折扣、排他条款、产品集成，以及对敏感技术和商业信息的访问 (Federal Trade Commission, Office of Technology Staff 2025)。工作人员指出了这些安排可能对投入访问和切换产生的影响。报告没有对每个 AI 市场作出定义，也没有认定任何安排违法，不能把其证据推广到未被研究的安排。

采购时，应当逐项梳理那些可能改变行为的权利：

• 承诺支出，以及它覆盖预期需求的比例；
• 容量优先级、预留和短缺分配；
• 排他、优先供应商和多云条款；
• 提示词、输出、遥测与衍生数据的所有权和允许用途；
• 模型、产品与知识产权许可；
• 治理、信息、审计、价格变更、终止和退出权利。

使用数据不会自动成为训练数据或竞争飞轮。产品遥测、评测数据、训练数据、分发反馈和收入必须分开。对于每一条反馈回路，都要记录什么信息发生了流动、依据何种权利、它以多快速度改变产品，以及竞争对手能否获得等价投入。

开放、透明与可竞争性不是一回事

可获取权重并不等于开源 AI。开放源代码促进会 2024 年的定义要求，使用者有使用、研究、修改和分享系统的自由，还要获得首选修改形式下的数据说明、代码和参数 (Open Source Initiative 2024)。这是社区标准，不是普遍适用的法律定义，但它明确指出了仅发布权重时缺少哪些材料。

广泛提供权重，可以支持检查、适配和自托管。只有当许可证允许相应用途、制品完整、存在受支持的运行时、候选方案通过评估契约，而且能够获得足够的容量时，它才会真正改善购买方的替代方案。只要其中一个条件不成立，能够取得权重也不会产生可用于生产的替代品。Kapoor 等人把开放权重发布带来的竞争收益描述为合理但有前提的可能性，并同时讨论了其他收益与风险 (Kapoor et al. 2024)。

透明度是另一个维度。2025 年基础模型透明度指数的平均得分为 40.69 分（满分 100 分），约为 41 分，低于 2024 年的 58 分；训练数据、训练算力，以及部署后的使用与影响，是得分最低的领域之一 (Wan et al. 2025)。不过，指标集合在 2025 年发生了大幅调整，样本公司也有变化，两个版本都出现的公司只有九家。因此，这个总分降幅不能视为严格的同口径时间序列。该指数衡量的是公开披露，不是模型质量、安全性、市场集中度或切换成本。

透明度可以改善比较、风险评估和问责，却并不直接创造替代品。可竞争性要求挑战者能够获得关键投入，及时进入并扩大规模，触达客户，还要让客户切换或同时使用多个供应商，而不承担高到无法接受的技术与合同摩擦。

每项结论都要对应证据

证据必须带日期。供应商份额、模型质量、许可条款、容量和合作关系，会以不同速度发生变化。每项结论都应保留报价、合同、测量方法和当时采用的市场边界。

持续维护市场记录

市场分析应当是一套带日期、可以反复执行的控制流程：

1. 定义决策。 说明正在采购什么结果，以及市场问题为什么会影响这项决策。
2. 冻结市场边界。 记录产品或服务、地理范围、时间窗口、客户群体，以及质量与服务门槛。
3. 列出供应商。 纳入当前供应商、已承诺进入者，以及相关情况下的自供方案，并说明每个候选方案为何属于或不属于合理替代品。
4. 测量不止一种份额指标。 对收入、容量、使用量、通过验收的工作量或新客户指标进行核对，并披露缺失数据。
5. 测试匹配的替代方案。 让各候选方案接受同一套评测与服务契约，而不是只数模型名称或端点数量。
6. 梳理依赖关系与权利。 记录投入供应商、所有权、支出承诺、信息流、容量权利、价格变更和终止条款。
7. 演练迁移。 实际执行有方向的切换，测量恢复服务所需的现金与时间，并验证回滚。
8. 设定复核触发条件。 当价格、模型、许可证、容量、合作关系、监管或工作负载发生重大变化时，重新启动分析。
9. 更新记录。 用实际观察到的份额、事故、迁移和合同结果替代预测，同时保留旧记录以供比较。

最终记录应包含工作负载与验收规则摘要、候选方案列表、排除理由、份额数据与分母、HHI 敏感性、合同版本、依赖项负责人、迁移证据、未决假设和复核日期。这样，其他团队可以重现分析结论，而不是被动继承「集中」或「开放」之类的标签。

第 78 章 将从供应商选择转向实际工作成果。市场上可能有多个可信替代方案，却没有任何一个创造用户价值；也可能只有一家供应商占据强势地位，而某个范围明确的工作流仍然带来正回报。下一章要衡量的正是这一组织边界。议价能力止于可信替代方案消失之处。

延伸阅读