大模型训练成本高昂，正在重塑AI产业链的价值分配：算力基础设施的稀缺性显著提升，催生了“算力即服务”的租赁模式；同时，价值重心从单一芯片向芯片设计、晶圆代工、光模块、云计算等全链条扩散，各环节因技术壁垒与规模效应不同，利润格局呈现明显分化。
算力需求爆发与商业模式变迁
以ChatGPT为代表的大模型展现出“涌现能力”——当模型规模达到某个阈值时，性能会突然快速增长，这直接推高了市场对庞大算力的需求。由于大模型训练需要大规模、高密度的算力支撑，自建算力基础设施对多数企业而言成本过高，“算力租赁”模式应运而生，即由拥有算力资源的服务商以服务形式向模型开发方提供计算能力，降低后者的准入门槛。
这一趋势也体现在国内企业的布局上：部分算力约束通过国产GPU或ASIC（专用芯片）替代来解决，算力租赁与IDC（互联网数据中心）业务成为国产算力商业化落地的重要路径。
产业链各环节的价值分配差异
AI产业链上游涵盖芯片、云计算、数据供给等多个环节，其中AI芯片与光模块是当前最受关注的两个基础层方向，但两者的商业模式与利润特征差异显著：
| 环节 | 核心角色 | 价值特征 |
|---|---|---|
| AI芯片设计 | 以英伟达为代表 | 技术壁垒极高，掌握架构与生态，在产业链中拥有较强议价能力 |
| 晶圆代工 | 以台积电为代表 | 重资产、工艺领先，承接高端芯片制造，资本开支巨大 |
| 光模块制造 | 以中际旭创等为代表 | 属于光通信系统核心器件，受益于AI对高带宽、高速率的需求，以规模出货取胜 |
| 云计算厂商 | 国内外云巨头 | 承担大规模资本开支，部分厂商自研芯片以优化成本结构 |
在光模块领域，AI的快速发展对光通信的带宽容量和传输速率提出了更高要求，其中CPO（共封装光学）技术被视为实现高速率、大带宽、低功耗网络的必经之路，为相关制造环节带来持续需求。
国产算力的追赶与市场空间
国内大模型与美国的整体差距约在1-3年，但这一差距并非源于数据或参数量——百度文心大模型的参数量达到2600亿，甚至超过了ChatGPT的1750亿。真正的瓶颈在于原创算法积累以及高端GPU的获取限制。随着国产GPU和ASIC的替代推进，以及国内AI企业在算法上的持续投入，算力约束有望逐步缓解。
从市场规模来看，综合各方预测，国内人工智能行业的复合增速将持续高于全球，中国占全球市场的比重预计将从2021年的13.8%提升至2025年的20.9%，为国产算力租赁与IDC业务提供了广阔的增长空间。
常见问题
为什么算力租赁模式会兴起？
大模型训练对算力的需求极为庞大，自建算力设施需要巨额资本开支和技术积累。算力租赁让模型开发方按需获取计算资源，大幅降低准入门槛，也提高了算力基础设施的利用效率。
光模块厂商的盈利模式有什么特点？
光模块属于光通信系统的核心器件，AI对高带宽、高速率传输的需求带动了其出货量增长。与芯片设计的高毛利模式不同，光模块制造更依赖规模效应，以量取胜。
国产算力如何应对高端芯片限制？
部分高端GPU出口受限后，国产算力主要通过国产GPU和ASIC芯片替代来缓解算力约束，同时依托算力租赁和IDC业务实现商业化落地，未来增长潜力取决于应用落地与产业升级的推进。