自监督模型商业化的价值链条上，算力层（芯片厂商）攫取了当前最丰厚的利润，模型层（基础大模型厂商）凭借API与订阅掌握定价权但盈利模式仍在探索，应用层则借助现成模型快速构建垂直方案、赚取落地效率的钱。这三层各自的价值捕获能力，取决于竞争格局、成本结构与议价权来源的差异。

算力层：稀缺产能下的高议价权

自监督大模型的训练依赖海量算力，而高端AI芯片供给高度集中，使得算力提供商在产业链中拥有极强的话语权。由于训练大模型所需的GPU等算力资源供不应求，芯片厂商处于“卖方市场”，能够攫取该环节的大部分利润。这一层的价值分配逻辑是：谁掌握稀缺的算力产能，谁就掌握定价权。对下游模型厂商而言，算力是最大的成本项，这也直接压缩了中游环节的利润空间。

模型层：技术壁垒高但盈利模式仍在验证

基础大模型厂商（如OpenAI、Google以及国内的百度、腾讯、华为等）处于产业链中游，其价值来自自监督预训练形成的通用能力。按照远川投学苑的课程分析，大模型主要分为NLP、CV和多模态三类，其中NLP是当前的主要发展方向，而CV和多模态受数据与算法限制，短期还很难出现大的爆发。国产大模型方面，技术储备丰富、进展靠前的厂商包括百度的文心一言、腾讯的混元和华为的盘古，三家的落地思路接近，区别主要在生态——百度和腾讯拥有To C端的数据入口优势，华为则凭借对行业的深度理解更多面向To B端。

这一层的价值捕获特点是：技术门槛极高，但商业化路径尚在探索。模型厂商主要靠API调用和订阅服务收费，然而训练和推理的巨大算力成本，使其未必能实现可观盈利。定价权来自模型的稀缺性与效果，但随着竞争者涌入，这一优势面临稀释风险。

应用层：低门槛快速落地，赚取效率差

下游应用层是价值链条中进入门槛最低的一环。开发者无需自研大模型，通过调用基础模型的API，即可快速构建面向金融、医疗、制造、交通等垂直领域的智能解决方案。国内大量AI企业（如商汤、旷视、云从、第四范式、创新奇智等）均以垂直行业解决方案为主要商业模式，这类“小模型+行业know-how”的路径已经比较成熟。应用层的价值捕获，不来自底层技术突破，而来自对行业场景的理解、数据积累与交付能力。

常见问题

为什么算力层能拿走大部分利润？

因为自监督大模型的训练极度依赖高端AI芯片，而这类算力资源供给高度集中、供不应求，芯片厂商因此拥有强定价权，处于“卖方市场”地位。

基础模型厂商靠什么赚钱？

主要依靠API调用和订阅服务向开发者与企业收费。但训练和推理的算力成本极高，这一层目前更多是“高投入、高壁垒”，盈利模型仍在验证之中。

应用层的机会在哪里？

应用层的机会在于借助现成的大模型API，以较低成本快速构建垂直行业解决方案。价值来自对具体场景的理解、行业数据的积累和落地交付能力，而非底层算法突破。