人工智能产业链的价值分配并非一成不变：现阶段利润更集中在模型层与算力层，但中长期看，价值重心正沿着产业链向应用层迁移，而应用层能否拿到利润，取决于其商业模式的成熟度。 模型层凭借技术壁垒和头部集中效应，在议价权上占据主动；应用层则受限于落地方式和付费习惯，利润兑现仍处于早期。这一格局在中美大模型厂商的分布中体现得尤为明显。
模型层的“头部集中”决定了议价权
从全球竞争格局看，模型层呈现出典型的头部集中特征。根据 OpenBMB 开源社区统计，在全球超千亿参数大模型中，中国企业或机构贡献了 1/3，美国贡献了 1/2；而在拥有大模型数量及参数量前十名的组织中，中美分别占据 4/6 席。这种高度集中的结构，意味着少数头部厂商掌握着基础模型的定价权与生态主导权。
模型层的商业模式以 API 调用、授权和云服务为主，其成本结构高度依赖算力投入，但一旦模型训练完成，边际成本递减明显。相比之下，应用层需要基于大模型进行二次开发或微调，议价能力天然弱于上游。在模型能力尚未完全商品化的阶段，利润更容易沉淀在掌握核心算法的模型层。
应用层的变现差异：中美路径分化
应用层的利润获取能力，很大程度上取决于商业模式的选择。美国应用层厂商多采用 SaaS + API 的标准化订阅模式，按调用量或席位收费，收入可预测性强，毛利率较高；而中国应用层更多采用项目制 + 行业方案的交付模式，定制化程度高、实施周期长，利润容易被集成成本稀释。这种路径差异，导致中美应用层在利润兑现速度上出现明显分化。
不过，应用层的价值潜力不容低估。大模型的泛化能力大幅降低了 AI 应用的研发门槛——基于大模型进行微调，甚至不微调，就能完成多个应用场景的任务。这意味着，拥有优质场景的 C 端企业和有数据积累的 B 端企业，有望率先将 AI 能力转化为实际收益。
价值分配会向应用层迁移吗
从产业链演进规律看，价值分配确实存在从模型层向应用层迁移的可能。当模型能力趋于同质化、调用成本持续下降时，竞争焦点将从“谁有模型”转向“谁用好模型”，应用层的场景理解、数据积累和交付能力将成为新的利润来源。
但这一迁移并非自动发生，而是取决于两个条件：一是模型层的竞争是否充分到足以压低调用价格；二是应用层能否建立起标准化、可复制的变现模式。在模型层仍保持 4/6 席的中美头部格局下，短期内模型层的议价优势依然稳固；中长期，利润分配将更多由应用层的商业化成熟度决定。
常见问题
为什么模型层能拿走大部分利润？
因为模型层具有技术壁垒高、头部集中的特点，全球超千亿参数大模型前十名中中美厂商占据全部席位，少数头部企业掌握定价权。同时，模型训练完成后边际成本递减，规模效应显著，而应用层需要依赖模型能力，议价空间相对有限。
中国应用层厂商如何提升利润水平？
关键在于从项目制向产品化、标准化转型。相比美国 SaaS + API 的订阅模式，项目制交付的定制成本高、可复制性弱。若能依托行业数据积累，打造可复用的行业解决方案，有望改善利润结构。
未来利润会完全转移到应用层吗？
不会“完全”转移，而是动态再平衡。模型层的技术迭代和算力需求仍在持续创造价值，应用层的利润兑现则依赖场景落地和商业模式成熟。两者将长期共存，利润分配比例取决于模型商品化速度与应用标准化程度。