产业链走到这一层,物理世界的故事结束了:沙子已经变成芯片,芯片装进机房,机房通了电和网。模型层做的事,是把这些机器时间转化成一种全新的商品——智能本身。它是整条链最大的算力买家,也是所有下游想象力的源头。
两种烧钱姿势:训练与推理
这个区分是理解模型公司财务的钥匙:
- 训练是资本开支式的:一次性投入,周期几个月,产出一个模型版本。前沿模型的单次训练成本以亿美元计,失败了(不收敛、被对手超越)就是纯沉没。
- 推理是运营成本式的:模型上线后,每一次调用都消耗算力。用户越多烧得越多——好消息是它对应着收入,坏消息是毛利率直接由推理效率决定。
行业的重心正在从训练向推理迁移:模型迭代放缓一分,服务存量用户的推理需求就占比高一分。这对上游是结构性变化——推理更看重单位 token 成本,给了定制芯片(ASIC)和低价算力更大的舞台。
Scaling:大力出奇迹的边界
过去几年模型能力的进步,大体遵循一条朴素规律:更多算力、更多数据、更大模型,能换来更强能力。这就是 scaling law——它是整条产业链资本开支的理论依据:只要这条曲线不失效,买卡就是买能力。
但斜率不是永恒的。高质量数据有耗尽之虞,单纯堆参数的收益在递减,于是前沿探索转向新维度:让模型「想得更久」的推理时计算,用合成数据补课,用强化学习磨专项能力。每一次范式微调,都会重新洗一遍算力需求的牌——这也是为什么模型层的技术路线,值得所有上游投资者盯着。
开源与闭源:两种生意
| 闭源前沿(OpenAI、Anthropic) | 开源阵营(Llama、DeepSeek、Qwen) | |
|---|---|---|
| 卖什么 | API 与订阅,能力即产品 | 生态与配套(云、硬件、服务) |
| 优势 | 能力领先窗口期的定价权 | 免费扩散快,长尾场景渗透深 |
| 隐忧 | 每一代都要重新证明领先 | 变现路径间接 |
开源模型每逼近前沿一步,闭源 API 的定价空间就被压缩一分——过去两年 token 价格下降了两个数量级,既有效率进步,也有这场竞争的功劳。对下游应用层,这是持续的顺风;对模型公司自己,这是一场不能停下的军备竞赛。
与算力层的共生
模型公司和算力供应商的关系,远比「买家和卖家」深:动辄几年期、几十亿美元的算力长约,让双方互相成为对方资产负债表的一部分;芯片厂商投资模型公司、模型公司预付锁定产能的循环,也让这条链的景气度高度联动。看懂模型层的资本流向,常常就是看懂整条链的先行指标。
最后一层
智能已经就绪,按 token 出售。谁来把它包装成普通人和企业愿意付费的产品?最后一站:应用层。
