大模型微调降低开发门槛后，人工智能产业链的价值分配会如何重构？

大模型微调让下游应用开发不再依赖大量标注数据和重新训练，人工智能产业链的价值分配随之从“各场景独立训练”的小模型模式，转向上游算力基础层与中游大模型环节更受关注、下游应用层门槛显著降低的格局。人工智能产业链可分为上中下游三部分，上游包含云计算、芯片、数据供给方等环节，中游为大模型，下游为落地场景；综合来看，最值得关注的环节包括上游的AI芯片和光模块、中游的大模型，以及下游的落地场景。

价值重心为何向上游与中游移动

在小模型时代，AI模型针对特定应用场景训练，通用性差，换一个场景往往需要重新训练，牵涉大量调参、调优工作与成本；同时模型训练需要大规模标注数据，在数据量少的场景中精度不理想，导致研发成本高、效率低。

大模型改变了这一逻辑：它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。基于大模型进行应用开发，只需利用下游特定任务上的小规模标注数据进行二次训练（即微调），甚至不进行微调，就能完成多个应用场景的任务。这有效降低了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。

当应用侧的研发负担被大幅削薄，价值创造的重心自然向“提供通用能力”的中游大模型，以及“提供算力与传输支撑”的上游基础层转移。

各环节角色与盈利模式的重构

在上游，芯片作为人工智能行业的基础层，为行业提供算力支持；光模块同样属于基础层，其中CPO技术被官方表述为实现高速率、大带宽以及低功耗网络的必经之路。在中游，大模型从“技术选项”变为“能力底座”，商业模式围绕通用能力的持续供给展开。在下游，以往“每个场景独立训练一套模型”的商业模式被改写，应用企业的竞争力更多取决于场景理解与数据积累，而非重复投入的模型训练能力。

常见问题

大模型微调降低门槛后，下游应用企业是否不再重要？

并非如此。门槛降低意味着应用开发不必从零训练模型，但下游仍需要场景落地能力。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，其价值来自对场景和数据的掌握，而非重复的模型训练投入。

为什么上游AI芯片和光模块值得关注？

芯片为人工智能行业提供算力支持，未来越来越多AI应用的落地都离不开庞大算力支撑，因此也将推动算力产业链快速增长。光模块是光通信系统的核心器件之一，AI技术快速发展对光通信的带宽容量和传输速率提出更高要求，其中CPO技术被官方表述为实现高速率、大带宽以及低功耗网络的必经之路。

中游大模型在价值分配中扮演什么角色？

大模型是当下的人工智能发展趋势，也是最为市场关注的方向。它在大规模无标注数据上训练，泛化能力强，并具备涌现能力——当模型规模达到某个阈值时，对某些问题的处理性能会突然呈现快速增长。应用侧通过微调即可复用其能力，使中游成为连接算力基础层与落地场景的关键枢纽。