涌现能力让基础模型成为稀缺资产，人工智能商业模式中价值分配的核心是：掌握基础模型层的企业获得价值链中最强议价能力，利润向模型层集中。
大模型具备涌现能力，即当模型规模达到某个阈值时，其对某些问题的处理性能会突然呈现快速增长。这一特性使得只有少数公司能训练出达到该阈值的基础模型，从而在人工智能产业链中占据核心地位。基础模型层通过API订阅、模型授权、云平台捆绑等方式获取高利润，而应用层和中间件层的利润空间则被压缩，形成“赢家通吃”的格局。从宏观视角看，人工智能被视为数字经济时代的“蒸汽机”，将大幅提高全要素生产率，而基础模型正是这台蒸汽机的核心引擎。
模型层：稀缺资产与自然垄断
涌现能力使基础模型形成类似自然垄断的经济学逻辑。当模型规模跨越涌现阈值后，其性能的飞跃式提升会吸引更多开发者和用户，形成数据飞轮效应——更多使用带来更多反馈数据，进而优化模型性能，进一步巩固领先地位。这种正反馈循环使得头部模型提供商（如OpenAI等）的议价能力空前增强。在产业链中，中游的算法层（大模型）被认为是最值得关注的四个方向之一，其价值捕获能力远超上下游。
应用层与开源模型的竞争
应用层企业依赖基础模型进行微调或直接调用API，利润空间相对受限。而开源模型（如Llama、Mixtral）和社区生态的兴起，为应用层提供了更多选择，也在一定程度上冲击了基础模型层的定价权。开源模型降低了应用开发的门槛，使更多中小企业能够参与AI应用创新，但其性能往往难以与闭源顶尖模型匹敌，且缺乏涌现能力带来的性能跃迁优势。因此，开源生态更多扮演着“搅局者”角色，而非颠覆者。
常见问题
为什么涌现能力会导致基础模型成为稀缺资产？
涌现能力指模型在参数规模达到某一阈值后，性能突然显著提升。这意味着训练出具有涌现能力的大模型需要极高的算力、数据和算法投入，全球范围内只有少数公司能负担。这种技术门槛使基础模型层形成自然垄断，拥有稀缺资产的模型供应商在价值链中占据主导地位。
应用层企业如何应对模型层的利润挤压？
应用层企业可通过聚焦垂直场景、积累专有数据、构建用户粘性来建立差异化优势。同时，开源模型和社区生态提供了替代方案，降低了基础模型的依赖成本。但需注意，开源模型通常不具备涌现能力带来的性能跃迁，应用层需在成本与性能之间权衡。
中国在基础模型领域的竞争格局如何？
中国的大模型与美国的差距已缩小至1-3年。在全球超千亿参数大模型中，中国企业或机构贡献了33%，美国贡献了50%。中国在模型参数量上并不逊色，但原创算法和高端GPU供应受限是主要瓶颈。未来，中国有望依托应用落地和产业升级，在AI价值链中占据更大份额。