AIGC企业的成本结构正从“小模型时代”的高研发、低效率，转向“大模型时代”的重算力投入，但前期巨额投入换来的是边际成本递减的规模化效应；盈利模式则从传统的项目定制开发，演变为API调用、订阅付费与行业解决方案等可复制的商业模式。

成本结构：从“小模型”到“大模型”的转变

在深度学习浪潮前期，AI企业多采用“小模型”路线，即针对特定应用场景单独训练。这种模式通用性差，换一个场景往往需要重新训练，牵涉大量调参、调优工作，且依赖大规模标注数据，导致AI研发成本高、效率低。

而大模型则是在大规模无标注数据上训练，具备强泛化能力。基于大模型进行微调甚至不微调，就能完成多个场景任务，有效降低了AI应用的研发门槛。但代价是前期投入巨大：大模型训练依赖海量算力，研究显示模型性能在训练算力达到10^22至10^24 FLOPs区间时显著提升（如PaLM、Chinchilla等模型），这推高了核心成本——GPU算力采购。此外，2022年8月之后美国限制部分高端GPU出口，也在一定程度上影响了模型训练速度，使得算力约束成为成本结构中的关键变量。

盈利模式：从定制开发到规模化复制

大模型的价值在于其“涌现能力”——当模型规模达到某个阈值时，处理性能会突然快速增长。这一特性使得基于大模型的应用开发，不再需要为每个客户重复投入高昂的研发成本。

以ChatGPT为例，这款基于GPT-3.5大模型的聊天机器人，上线60日月活用户即突破1亿，成为史上增长最快的消费者应用。现象级的用户规模为后续商业化奠定了基础，AIGC企业的盈利模式由此转向API调用收费、订阅制以及面向行业的解决方案——这与小模型时代“一客一定制”的高边际成本模式形成鲜明对比。

常见问题

大模型的算力投入到底有多大？

大模型训练所需的算力规模极为庞大。资料显示，PaLM、Chinchilla等模型的性能提升与训练算力密切相关，在10^22至10^24 FLOPs的高算力区间，模型准确率出现跃升。这意味着算力采购（GPU）是AIGC企业最核心的前期成本，且受高端GPU出口限制影响，算力获取本身也存在一定约束。

AIGC与传统决策式AI的盈利模式有何不同？

传统决策式AI多采用小模型定制化开发，每个场景都需要重新训练和调参，边际成本高、复用性差。而AIGC大模型具备泛化能力和涌现能力，一次训练可服务多场景，边际成本大幅递减，盈利模式更依赖API调用、订阅等规模化收费方式。

国内AIGC企业的算力瓶颈如何解决？

资料指出，美国限制部分高端GPU出口确实影响了模型训练速度。但国内企业正通过国产GPU或ASIC替代来缓解算力约束，同时中国在超千亿参数大模型的全球贡献中已占约1/3，底层技术处于跟随和追赶态势。