大模型涌现能力创造的价值增量，正在重塑人工智能产业链的价值分配格局：上游算力层因支撑庞大训练与推理需求而率先获益，中游模型层凭借技术壁垒掌握较强议价权，下游应用层则通过场景落地实现商业闭环，三者共同分享增量价值，但利润留存能力各有不同。
大模型的涌现能力，指的是当模型规模达到某个阈值时，模型对某些问题的处理性能突然呈现快速增长。正是基于这种能力，才有了 ChatGPT 这一现象级 AIGC 应用的出现，其月活跃用户破亿仅用时约 2 个月，成为史上增长最快的消费者应用之一。这一技术突破让 AI 被视为数字经济时代的"蒸汽机"，将大幅替代重复性脑力劳动、提高全要素生产率。
算力层：价值增量的直接受益者
人工智能应用的广泛落地离不开庞大算力的支撑。AI 芯片作为基础层为行业提供算力支持，光模块作为光通信系统的核心器件，因 AI 技术对带宽容量和传输速率提出更高要求而需求激增，其中 CPO 技术被视为实现高速率、大带宽、低功耗网络的必经之路。随着大模型训练与推理需求的持续扩张，算力基础设施的投入规模与价值占比有望同步提升，算力提供商在这一轮技术周期中具备较强的业绩确定性。
模型层与算力层：议价能力与利润留存
中游模型层是当前市场最关注的方向，主流路径包括 NLP、CV 和多模态三类大模型。模型厂商的核心壁垒在于技术积累与数据规模——国内大模型与美国的差距已缩小至 1-3 年，在算法投入与巨头布局下正处于跟随和追赶态势。模型层的议价能力来源于技术稀缺性，但训练成本高昂、迭代压力大，利润留存取决于能否将技术优势转化为稳定的客户粘性。算力层则因资源集中度高、供给弹性有限，在价值链中同样具备较强的议价地位。
应用层：商业模式的多元探索
下游应用层通过 AI 赋能实现降本增效，有优质应用场景的 C 端企业和有数据积累的 B 端企业有望率先受益。目前应用层的商业模式仍在探索期，订阅制适合标准化产品、现金流稳定；按量付费与算力消耗挂钩、适合工具型应用；定制项目客单价高但难以规模化。三类模式各有利弊，最终胜出者取决于谁能以最低成本将大模型的通用能力转化为特定场景中的可感知价值。
常见问题
大模型时代的价值增量主要由哪个环节获得？
短期看算力层受益最直接，因为任何模型的训练与推理都离不开算力支撑。中期看模型层凭借技术壁垒掌握定价权，长期看应用层若跑通商业模式，有望获得最大的利润留存空间。三个环节并非零和博弈，而是共同做大增量蛋糕。
国内大模型厂商与国际领先水平的差距有多大？
据行业统计，国内大模型技术整体落后美国约 1-3 年，在原创模型与算法见解方面仍有待提升。但在全球超千亿参数大模型中，中国企业或机构贡献了约三分之一，已具备较强的竞争基础，差距主要体现在底层算法创新而非参数规模。
订阅制、按量付费与定制项目哪种模式更可持续？
订阅制胜在收入可预测、客户生命周期价值高，但对产品标准化要求苛刻；按量付费与成本结构直接挂钩、弹性好，但需警惕用户使用频次不足；定制项目利润率高却难以复制。可持续性取决于应用场景的付费意愿与使用频次，目前尚无统一答案，建议以各厂商后续披露的经营数据为验证依据。