大模型全产业链梳理：真正昂贵的部分，才刚刚开始

文丨军军编辑丨百进 来源丨正经社（ID：zhengjingshe） （本文约为3900字） 【正经社“科技前沿”观察之105】 大模型行业最容易制造的一种错觉是：模型越来越多，API价格越来越低，AI就应当成为一门轻资产、高毛利的软件生意。 现实恰好相反。 模型能力扩散得越快，算力、能源、云渠道、数据治理和组织改造越成为无法绕开的硬成本。 智能正在商品化，但把智能可靠地交付到业务里，依然是一门重生意。 这也是理解大模型全产业链的关键。上游是芯片、服务器、网络、电力和数据中心，中游是云平台与基础模型，下游是应用、智能体和行业服务。 它们并不是简单地依次分享同一块蛋糕，而是在争夺三种不同的权力：稀缺资源的定价权、客户入口的分配权，以及最终工作结果的定义权。 因此，正经社分析师认为，全面梳理大模型，不能只列一张厂商名单。 真正需要回答的是，谁在生产智能，谁在分发智能，谁为智能付费，又是谁最先拿到了现金。 1 模型从答题走向办事 基础模型仍是技术创新的中心，但竞争指标已经改变。 早期竞争主要围绕参数规模、预训练数据和通用榜单展开，随后转向推理、多模态、长上下文和代码能力。如今，厂商越来越强调模型能否规划任务、调用工具、读取企业系统并完成一段工作流程。 聊天机器人回答一个问题，智能体则要推进一项任务，两者对模型的要求并不相同。 海外市场中，OpenAI、Anthropic和Google处于前沿模型与开发生态的核心位置，xAI依托社交平台和算力投入追赶，Meta、Mistral等则在开放模型、区域市场或特定能力上寻找空间。 国内的阿里、DeepSeek、字节跳动、腾讯、百度，以及月之暗面、智谱、MiniMax等公司，也已形成通用模型、消费入口、云服务、开源生态和多模态应用等不同路线。 但“会办事”不只是一个更大的模型。 一次可靠的任务执行，还需要检索、记忆、工具接口、权限管理、过程评估和错误恢复。模型上下文协议（MCP）等开放标准，解决的正是模型与数据源、软件工具之间的连接问题。连接越容易，权限和安全的边界就越重要。 正经社分析师发现，这改变了模型公司的产品边界。 它们不再只出售一次文本生成，而是试图进入代码编写、办公、客服、营销、研发和决策支持等流程。竞争也从单次回答的准确率，转向一项任务需要多少模型调用、多少人工复核，以及最终能否被验收。 所以，模型能力的领先仍然重要，却不再自动等于商业胜利。客户购买的不是榜单上的一个名次，而是更低成本、更少错误地完成工作。 2 开源改写价格，不改写成本 开放权重是大模型产业最重要的变量之一。 阿里千问、DeepSeek、Kimi等中国模型，与Meta Llama、Google Gemma等海外模型，使更多开发者能够下载、部署和改造模型。开放权重降低了试用门槛，也让企业能够在私有环境中处理敏感数据，减少对单一模型供应商的依赖。 它带来的第一个变化，是模型能力更难长期维持稀缺溢价。 当多个模型都能完成常见任务，客户可以按价格、速度和场景切换供应商，闭源厂商必须用更强能力、更稳定服务或更完整工具链证明自己值得更高价格。 第二个变化，是竞争从模型本身上移到部署和生态。 模型可以免费取得，GPU、云资源、微调、运维、安全和持续升级并不免费。所谓“开源更便宜”，只在特定调用规模、工程能力和合规要求下成立。对小团队而言，直接调用API可能更省；对调用量大、数据敏感且具备工程能力的企业，自部署才可能体现优势。 因此，开源与闭源不会简单分出胜负，更可能长期共存。前沿闭源模型处理高难度任务，开放模型覆盖高频、标准化和私有化需求，企业通过路由机制把不同任务交给不同模型。 这还意味着，Token单价下降不等于AI总支出下降。价格降低后，原本不划算的任务被纳入使用范围，调用量可能增长得更快。模型层的价格压力，反而可能转化为云、算力和应用层的增量需求。开源改写了智能的定价方式，却没有消灭交付智能的成本。 3 算力和云先兑现收入 在产业利润分配中，上游通常比模型公司更早确认收入。 训练前沿模型需要集中采购算力，推理则随着用户使用持续消耗资源。芯片之外，高带宽存储、网络互联、服务器、电力和数据中心建设共同决定供给。英伟达的优势也不只在单颗GPU，而在芯片、网络、系统和软件生态组成的完整平台。云厂商自研芯片，则是为了降低对通用GPU的依赖，并针对自身负载优化成本。 这一轮投入的规模已经明显改变科技公司的资产结构。标普全球2026年10月发布的研究显示，其跟踪的超大规模云厂商2026年资本开支一致预期达到7630亿美元，上年为3620亿美元。资本开支不等于当期费用，但会先影响现金流，随后通过折旧和运营成本进入利润表。 正经社分析师注意到，云厂商的角色更加复杂。 它们既是模型公司的投资方和算力供应商，也是模型产品的销售渠道，同时还经营自