当大模型的训练计算量（FLOPs）突破约 1.0e+23 这一阈值时，模型在特定任务上的准确率会从约 50% 跃升至 63%，这种 涌现能力 直接拉动人工智能产业链上游的 AI 芯片、光模块（CPO）以及中游的大模型开发环节最先受益。其中，AI 芯片作为算力基础层，是支撑万亿级参数模型训练的核心硬件；光模块中的 CPO 技术则是实现高速率、大带宽、低功耗网络的关键路径；而中游的大模型企业则凭借涌现能力催生了 ChatGPT 等现象级应用。
涌现阈值如何重塑算力需求
大模型的涌现能力意味着模型性能会在算力投入达到临界点时出现非线性跃升。这种特性直接推动了对 AI 芯片（如 GPU/TPU）的强劲需求——芯片为人工智能行业提供算力支持，未来越来越多 AI 应用的落地都离不开庞大算力支撑，从而推动算力产业链快速增长。同时，光通信系统核心器件 光模块 也因 AI 技术对带宽容量和传输速率的高要求而受益，其中 CPO 技术 被视为实现高速率、大带宽及低功耗网络的必经之路。
中游模型企业的资本流向
中游的大模型企业是涌现能力最直接的受益者。从市场格局看，全球超千亿参数大模型中，中国企业贡献了 1/3，美国企业贡献了 1/2。以百度文心大模型为例，其参数量达到 2600 亿，甚至超过了 ChatGPT 的 1750 亿参数。这些企业的资本开支大量投向算力基础设施（芯片、光模块）和算法研发，以持续推动模型规模的扩展。
下游应用侧的商业化节奏
下游应用层通过 AI 技术赋能实现降本增效。涌现能力带来的性能跃升（如 ChatGPT 在 2 个月内达到 1 亿月活用户）证明了市场对高性能模型的接受度。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，但商业化节奏仍取决于模型在具体场景中的落地速度。
常见问题
大模型的涌现能力是否一定需要万亿级参数？
涌现能力与模型规模高度相关——当训练 FLOPs 达到约 1.0e+23 时，准确率会出现跃升，但不同任务涌现的阈值可能不同。官方资料显示，模型规模越大，涌现效果越显著，但具体参数门槛因任务而异。
中国企业在人工智能产业链中的位置如何？
国内大模型与美国差距已缩小至 1-3 年。在全球千亿参数大模型中，中国企业贡献了 1/3，美国贡献了 1/2。在拥有大模型数量及参数量前十名的组织中，中美各占 4 席和 6 席。
除了芯片和光模块，还有哪些环节值得关注？
中游的大模型和下游的应用场景同样值得关注。大模型是当下人工智能发展趋势，而通过 AI 技术赋能，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。