大模型训练对算力的需求是刚性的，产业链各环节的议价能力因此呈现明显分化：上游AI芯片与光模块等基础层环节，因提供算力与传输支撑，在产业链中处于较为关键的供给位置，议价能力相对较强；中游大模型与下游应用层则更多承担成本传导压力，通过微调等方式降低研发门槛、提升落地效率。 这一格局的根源，在于大模型相对于小模型的技术路径变化——小模型通用性差、换场景需重新训练并投入大量调参与标注工作，导致研发成本高、效率低；大模型基于大规模无标注数据训练，泛化能力强，可经微调完成多场景任务，从而降低应用开发门槛。

上游：算力基础层的议价能力

人工智能产业链上游包含云计算、芯片、数据供给方等环节，其中AI芯片与CPO（光模块）被视为最值得关注的方向。芯片为行业提供算力支持，未来越来越多AI应用的落地都离不开庞大算力支撑；光模块是光通信系统的核心器件之一，CPO技术被视为实现高速率、大带宽、低功耗网络的必经之路。由于模型训练对算力的需求具有刚性，这两类基础层环节在产业链中处于相对关键的供给位置。

中下游：成本传导与门槛下降

中游算法层以大模型为当下发展趋势，也是市场最为关注的方向；下游应用层通过AI技术赋能实现降本增效，有优质应用场景的C端企业与有数据积累的B端企业，被认为有望率先受益。大模型的出现改变了成本结构：基于大模型进行应用开发，只需用下游特定任务上的小规模标注数据进行微调，甚至不微调即可完成多场景任务，有效降低了AI应用研发门槛，也缓解了应用场景数据量少、模型精度低的问题。这意味着中下游不必重复承担小模型时代高昂的调参与标注成本，但算力开支仍需向上游传导。

常见问题

大模型为什么能降低应用开发门槛？

大模型在大规模无标注数据上训练，学习出特征和规则，泛化能力强。基于大模型做应用开发时，只需用下游特定任务的小规模标注数据微调，甚至不微调即可完成多个场景任务，从而降低了研发门槛，也缓解了数据量少、精度低的问题。

产业链中哪一环节议价能力相对更强？

从环节属性看，上游AI芯片与光模块属于基础层，为行业提供算力与传输支撑，训练需求的刚性使其在产业链中处于较为关键的供给位置。中游大模型与下游应用更多面对成本传导压力，其竞争力则取决于场景落地与数据积累。

大模型的涌现能力意味着什么？

当模型规模达到某个阈值时，模型对某些问题的处理性能会突然呈现快速增长，这一现象被称为涌现能力。正是基于这种能力，才出现了ChatGPT这类现象级应用。