AI替代职业的商业模式重构，价值会流向模型层还是应用层？

AI替代职业的商业模式重构，价值会流向模型层还是应用层？

AI替代职业的进程不会均匀展开，不同复杂度的职业替代需求，对应着产业链不同层级的能力供给，这也决定了价值不会单一流向模型层或应用层，而是沿着“AI芯片/光模块—大模型—应用场景”的链条分层分布。 综合产业链各环节的商业模式差异来看，上游的AI芯片与光模块、中游的大模型、下游的落地场景均具备各自的受益逻辑，其中AI芯片、CPO（光模块）、大模型与应用场景被认为是当前最值得关注的四个方向。

需求侧分层：职业替代难度决定能力供给层级

从需求侧看，不同职业被AI替代的难度差异显著，这直接决定了需要调用何种层级的AI能力。按技术实现难度划分，职业可大致分为三层：

难度越高的职业替代，越依赖泛化能力强的大模型乃至具备涌现能力的AI系统支撑，而非简单规则或小模型即可完成。这种需求侧的分层，构成了产业链价值分配的逻辑起点。

供给侧拆解：上中下游的商业模式差异

AI产业链延续了信息技术产业上中下游的基本结构，但每个环节都包含更多细分领域，如上游的云计算、芯片、数据供给等。不同环节的商业模式与价值捕获方式存在本质差异：

• 上游算力层（AI芯片、光模块）：AI芯片为人工智能提供算力支持，越来越多的AI应用落地离不开庞大算力支撑，算力产业链因此具备持续增长动能。光模块属于光通信系统的核心器件，AI技术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技术被视为实现高速率、大带宽及低功耗网络的必经之路。这一层级的商业模式偏向硬件销售与算力基础设施供给，受益于整体行业扩张的“卖水人”逻辑。

• 中游算法层（大模型）：大模型是当下人工智能的发展趋势，也是市场关注度最高的方向。与过去针对特定场景训练、通用性差的小模型相比，大模型泛化能力强，基于大模型进行微调或不微调即可完成多个应用场景的任务，有效降低了AI应用的研发门槛。这一层级的竞争核心在于模型能力与算法原创性。

• 下游应用层（落地场景）：通过AI技术赋能实现降本增效是应用层的核心价值。其中，拥有优质应用场景的C端企业，以及有数据积累的B端企业，有望率先受益。这一层级的商业模式更接近传统软件与服务，价值兑现依赖场景理解与数据积累。

价值分配：多环节并存而非单点通吃

从商业模式差异来看，AI产业的价值分配并非零和博弈。上游算力层受益于全行业对算力的持续投入，具备基础设施级的确定性需求；中游大模型层处于技术前沿，但面临高研发投入与算法原创性挑战；下游应用层则靠近需求与数据，价值兑现更依赖场景落地能力。

综合来看，AI芯片、CPO（光模块）、大模型以及应用场景构成了当前产业链最值得关注的四个环节，价值在不同环节间的分配将取决于各环节自身的供需结构、技术壁垒与商业化进度，而非简单地集中于模型层或应用层的单一判断。

常见问题

AI替代职业是"一步到位"还是"分层推进"？

分层推进。职业替代难度从低到高排列，低难度、单一场景的职业（如外呼坐席、收银员）更早被标准化AI能力覆盖，而教师、医生等高复杂度、多场景职业的替代依赖更强的模型泛化能力，推进节奏更慢。

大模型是否意味着应用层价值变小？

并非如此。大模型降低了AI应用的研发门槛，过去小模型需要针对每个场景重新训练，成本高效率低；大模型的微调机制让应用开发更便捷，反而可能扩大应用层的创新空间与受益范围。

上游算力环节的景气度能持续吗？

AI应用的持续落地将不断产生算力需求，同时AI技术发展对光通信的带宽和速率提出更高要求，这为上游AI芯片与光模块（尤其是CPO技术方向）提供了持续的需求支撑，其增长动能与AI整体渗透率深度绑定。