在CV大模型领域，由于可用于训练的有效数据比NLP领域有较大差距，且计算量随图像尺寸增大而显著增加，产业链中掌握算力资源的供应商（如GPU厂商和云服务商）以及拥有垂直场景数据的机构（如医院、车企）议价能力相对更强，而模型开发者则面临双重成本压力。
数据与算力：CV大模型的两大瓶颈
CV大模型的发展面临四重挑战：有效训练数据远少于NLP领域、学习方法有待突破、缺乏通用视觉模型、以及图像尺寸增大带来的巨大计算量。这使得模型开发者在数据获取和算力采购两端都处于相对被动的位置。相比之下，拥有稀缺垂直场景数据的机构（如医院、车企）和提供算力的云服务商（如阿里云、华为云）在产业链中掌握更多话语权。
产业链各环节议价地位分析
| 产业链环节 | 代表性参与者 | 议价优势来源 |
|---|---|---|
| 算力供应商 | GPU厂商、云服务商（阿里云、华为云） | 算力稀缺，CV模型计算量大 |
| 数据拥有者 | 医院、车企、电商等垂直场景机构 | 有效数据稀缺，且数据质量要求高 |
| 模型开发者 | 百度、腾讯、华为等大模型厂商 | 面临数据与算力双重成本压力 |
对于国产大模型厂商，百度、腾讯和华为在技术储备上进展靠前，其中腾讯和百度拥有To C端业务，在数据样本收集方面有一定优势，而华为则凭借对行业的深入理解，在To B端应用（如交通、电力行业巡检）中积累了行业数据优势。
常见问题
为什么CV大模型的数据获取比NLP更困难？
在CV领域，可用于训练的有效数据比NLP领域有不小差距，且不同的视觉应用仍需要依赖不同的模型，难以像NLP那样通过自监督学习大规模利用无标注数据。
算力供应商在产业链中的议价地位如何？
由于CV大模型训练所需的图像尺寸越来越大，较小的模型也可能产生很大的计算量，这使得算力供应商在产业链中具备较强的议价能力。
垂直场景数据拥有者（如医院、车企）的优势体现在哪里？
这些机构掌握着特定行业的高质量标注数据，而CV大模型训练需要大量有效数据，这种数据稀缺性使得数据拥有方在合作中处于相对主动的地位。