大模型微调降低应用开发门槛，人工智能产业链各环节的议价能力如何变化？

大模型微调正在重塑人工智能产业链的议价格局：下游应用开发门槛被显著拉低，对中游模型厂商的依赖和切换成本随之下降；中游模型厂商的议价能力因此承压，需要靠持续迭代和生态绑定维持位置；上游算力环节则因部分高端GPU出口受限、国产GPU与ASIC替代推进，议价关系呈现结构性分化。 整体看，产业链价格传导逻辑正从"模型稀缺"转向"应用与算力两端拉扯"。

下游：开发门槛下降，议价能力抬升

小模型时代的AI开发，模型只针对特定场景训练，通用性差，换一个应用场景往往需要重新训练，牵涉大量调参、调优工作和成本，还需大规模标注数据。大模型则在大规模无标注数据上训练，泛化能力强，基于大模型做应用开发时，只需利用下游特定任务上的小规模标注数据做微调、甚至不微调，就能完成多个应用场景的任务。

这直接改变了下游的谈判位置：应用企业不必再为每个场景从零投入，数据量少、模型精度低的问题也得到缓解，对单一模型厂商的绑定明显减弱，切换成本降低，议价能力相应抬升。资料同时指出，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。

中游与上游：模型厂商承压，算力约束与替代并行

中游大模型是当前人工智能发展趋势，也是市场最为关注的方向。但当下游可以用微调甚至免微调完成多场景任务时，模型厂商之间的可替代性上升，议价能力相对被削弱，其地位更依赖模型能力持续迭代与生态建设。

上游算力方面，芯片为人工智能提供算力支持，未来越来越多AI应用的落地都离不开庞大算力支撑。资料明确提到，美国自2022年8月之后限制了部分高端GPU出口中国，在一定程度上影响模型训练速度；而部分算力约束也会通过国产GPU或ASIC替代来化解。这意味着上游并非单一环节强势，而是受限环节与替代环节之间的议价能力此消彼长。

常见问题

大模型微调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，泛化能力强，做应用开发时只需利用下游特定任务上的小规模标注数据做二次训练，或者不进行微调，就能完成多个应用场景的任务。相比小模型换场景就要重新训练、需要大规模标注数据的模式，研发门槛和成本都明显下降。

议价能力变化会如何传导到价格？

下游开发投入减少、对模型厂商依赖下降，会削弱中游的定价话语权；上游则因部分高端GPU出口受限，算力供给存在约束，同时国产GPU和ASIC替代在推进，价格传导在不同环节表现不一，具体幅度需结合后续公开数据与实测观察。

哪些环节更值得关注？

综合来看，较受关注的方向包括上游的AI芯片和光模块（CPO）、中游的大模型，以及下游落地场景。其中光模块中的CPO技术，被视为实现高速率、大带宽、低功耗网络的必经之路。