AI 价值链

一次模型调用看起来像一个软件服务，但它只是长链条的末端。抵达编辑器或客服台的那个词元，之前已经穿过芯片制造、加速器分配、电力与冷却、训练研究、数据权利、模型服务、网关、应用和采购。因而，有用的经济地图不能止步于「模型市场」。它还要问：稀缺输入在哪里进入，固定成本在哪里最高，切换成本在哪里累积，价值又在哪里仍会被竞争压低。

能力通过一条链被交付

这条链在产品意义上并非线性的，但在约束意义上是线性的。加速器稀缺，训练日历就会移动。数据中心电力晚到，采购单即便已经批下，集群也仍然不存在。前沿模型若只能通过 API 触及，下游应用就继承了那个服务商的价格、延迟、策略和中断表面。某个领域的数据权利若含混，即使模型能力足够，适配也会慢下来。

集中点沿着链条出现。芯片与先进封装有巨大的固定成本、很长的交付周期和很少的供应商。云与电力有区域瓶颈和容量承诺。前沿训练的研究固定成本会随能力前沿一同上升，第 76 章 已经通过 Epoch AI 成本曲线说明了这一点 (Cottier et al. 2024)。API 与网关把模型能力变成按量计价的数字服务。应用离用户更近，资本成本更低，但能通过工作流、身份、数据、权限和采购积累切换成本。

必须修正的一点是，开放权重只改变其中一环。它可以降低对模型 API 的依赖，提高下游实验速度，并让非前沿竞争更激烈 (Kapoor et al. 2024)。它不能消除芯片集中、云采购、数据权利、能源约束，也不能消除那些已经坐在工作流里的应用所拥有的分发优势。

集中从哪里进入

基础模型有两股相反的经济力量。前沿倾向集中，因为数据、研究、算力、人才和评测的固定成本很高，并且最好的模型可以同时服务许多市场。Vipra 与 Korinek 把这描述为最强模型的自然垄断倾向，同时指出前沿需要可竞争性与质量标准 (Vipra and Korinek 2023)。非前沿处，竞争则可以激烈得多：模型训练更便宜，开放权重可用，蒸馏（训练一个小模型去复制更大的模型）有效，买方也能在替代品之间路由。

这解释了为什么同一个市场看起来既集中又竞争。少数组织可能训练最强模型，同时又有数百个模型竞争更便宜的推断工作负载、领域专用任务和本地部署。Du 的词元定价研究记录了 2020 到 2026 年间推断价格急剧下降，推断服务集中度也下降，同时旗舰模型仍有推理溢价 (Du 2026)。前沿租金留在用户愿意为最后一段质量、推理、可靠性、工具使用或品牌保证付费的地方。

一个足够有用的形式化条件是：

$$\text{集中压力} \uparrow \quad\text{当}\quad F \text{ 很高，} MC \text{ 随规模下降，且切换成本 } S \text{ 上升。}$$

这里 $F$ 是进入某一层的固定成本，$MC$ 是边际成本，$S$ 是客户离开的成本。芯片的 $F$ 很高。云既有高 $F$，也有区域性的 $S$。前沿 API 的上游 $F$ 很高，下游还会通过提示、评测、安全策略、微调、日志与采购形成 $S$。应用的 $F$ 较低，但可以通过工作流和积累的数据形成高 $S$。

利润池落在哪里

集中条件预测租金落在哪里，实测的利润池印证了它。2026 年，AI 栈的毛利绝大部分沉在底层：约五分之四落在半导体层，其余在基础设施层与应用层之间分。资本的流向也一样。最大的五家超大规模云商在 2026 年预计支出约 6000 亿美元，其中约 4500 亿投向 AI 数据中心与芯片，也就是大量资金流入了已经握有九成以上利润的那两层 (Agrawal 2026)。

这些是投资人的估算，而非经审计的账目，但要点在形状 (Agrawal 2026)。这其实就是 $F$、$MC$、$S$ 那个条件换算成美元的样子。半导体的固定成本最高，规模下的边际成本最低，因此握住租金；应用的固定成本低，替代品只隔一次路由调用，捕获最少。模型跑在其上的那块芯片，从一个词元里挣到的利润，比用户真正付费的那个产品还多。

趋势才是值得盯住的部分。两年里半导体的占比让出了约四个百分点，基础设施层和应用层分掉了这部分。Agrawal 把它读作倒置的开端：在以往的算力超级周期里，价值都会从底层向其上构建的软件迁移，而云栈从硬件主导的经济转向软件主导，大约花了十五年。按每两年四个百分点的速度，应用层要达到它在云里享有的那种利润占比，是十年开外的事，而不是明年的事。方向是朝栈的上层走，只是这个过程很慢。

垂直整合与返回回路

这条链上的战略动作是垂直整合。芯片厂商销售系统、投资云，并暴露软件库。云商与模型开发者签容量协议，并捆绑托管 API。模型开发者构建消费产品和企业网关。应用厂商把模型嵌入那些产生数据的工作流。每一次整合都会形成一个回路：

• 上游层拿到需求确定性和使用数据；
• 下游层拿到特权访问、更好延迟或更低价格；
• 客户拿到更简单的包，但失去一部分议价表面。

这就是为什么透明度是市场基础设施，而不只是学术美德。买方若看不到训练数据、训练算力、事故历史、使用监控或部署后影响，就无法给依赖风险定价。2025 年 Foundation Model Transparency Index 报告称，开发者透明度平均分从 100 分中的 58 分降到 40 分，训练数据、训练算力和部署后使用是最不透明的类别之一 (Wan et al. 2025)。在一个集中的层里，不透明会让切换和监管监督都更难。

从业者该看哪里

对从业者而言，有用的问题不是「谁会赢」，而是一个工作负载里哪一层握着稀缺输入：

• 稀缺输入若是算力，就谈容量，并为路由而设计。
• 若是数据权利，就在适配前投入来源、许可与合同。
• 若是模型质量，就保留前沿选项，并测量切换成本。
• 若是工作流采用，就少花一点时间比较模型，多花一点时间设计复核回路、变更管理和产品贴合。

市场结构是架构在经济层面的结果。前面各部分解释了能力是如何造出来的。价值链解释了谁能让它可用，谁能给它计价，以及团队在哪里仍然能够选择。

延伸阅读