赢家通吃，还是百花齐放？AI产业格局的四层推演

该图片使用了AI生成技术

本文来自微信公众号： 防冷涂的腊 ，作者：防冷涂的腊

过去三年，AI产业的每一次技术升级，似乎都在强化同一种判断。

前沿模型的训练成本越来越高，头部科技公司不断上调资本开支，芯片、云计算和用户流量快速向少数公司集中。按照互联网时代的经验，AI最终也会收敛到少数超级平台手中。

数据却没有完全支持这个结论。

OECD在2026年7月发布的报告显示，2023年全球前三大云厂商占据约74%的市场份额，英伟达在GPU市场的份额约为90%。美国五家最大的科技公司，2025年资本开支合计达到4000亿美元，2026年预计进一步增至6600亿美元。

但进入模型和应用层，市场仍在快速变化。

截至2026年5月，ChatGPT在全球AI聊天机器人网站流量中的份额，从一年前的76.4%降至52.7%；Gemini由8.9%升至27.3%，Claude则从1.6%升至8.9%。ChatGPT仍然领先，优势却在收窄。

独立AI应用也没有被基础模型厂商迅速消灭。Cursor在2025年11月的年化收入已经超过10亿美元；可灵AI在2026年一季度收入超过6.5亿元，同比增长超过300%；Harvey在2026年3月服务超过1300家机构和10万名律师，平台上运行着2.5万个定制智能体。

一边是资本、算力和基础设施迅速集中，一边是模型数量增加、应用公司不断涌现。两种趋势同时发生，说明“赢家通吃”与“百花齐放”的二选一，本身就可能问错了问题。

AI产业究竟会在哪里集中？当前的市场份额能否形成长期壁垒？谁能够活下来，谁又能获得利润？

要回答这些问题，需要把AI产业拆开来看。

01AI产业并非一个市场

市场讨论AI竞争，最常比较的是模型参数、榜单排名、用户数量和融资规模。这些数据很重要，却回答不了同一个问题。

判断一层市场的产业格局，需要从市场集中度、市场可竞争性和利润池三个维度观察。

第一是市场集中度，观察头部公司占据了多少市场份额，这一层最终能够容纳多少家主要企业。

第二是市场可竞争性。即使一家公司的市场份额很高，只要新进入者仍能进入，客户能够低成本切换，企业也可以同时使用多家供应商，它的领先地位就没有形成牢固壁垒。

第三是利润池。公司数量多，不代表利润会平均分配；用户规模高度集中，也不代表这一层已经形成稳定的资本回报。

基础模型就是典型案例。前沿模型掌握在少数公司手中，模型性能却在收敛，调用价格持续下降，企业也越来越多地采用多模型架构。这一层可能长期保持寡头竞争，却未必拥有AI产业链中最好的利润。

云计算的情况完全不同。云厂商的客户增速未必有AI应用那么快，但基础设施投入巨大，客户迁移困难，头部公司已经连续多年获得高于资本成本的回报。

造成差异的，是四组产业变量。

固定成本高、转换成本强的市场，容易形成长期寡头；产品高度标准化、客户可以同时使用多家供应商的市场，即使头部公司投入巨大，也很难锁定用户。

所以，AI不是一个市场。算力与云、基础模型、通用入口和行业工作流，遵循着四套不同的竞争逻辑。

02算力与云：寡头格局已经形成

AI产业的上游，已经率先形成结构性集中。

芯片研发、先进制程、数据中心、电力和高速网络，都需要巨额前期投入。这些投入大部分属于沉没成本，规模越大，采购能力、设备利用率和单位运营成本越有优势。

OECD统计的2023年数据中，全球前三大云厂商市场份额达到74%，英伟达约占GPU市场的90%。三年后的报告仍将芯片和云计算列为AI产业中集中程度最高的市场。

利润也率先沉淀在这里。

英伟达2026财年收入达到2159亿美元，同比增长65%，GAAP毛利率为71.1%；2027财年第一季度收入进一步增至816亿美元，毛利率升至74.9%。在芯片持续迭代、资本开支不断扩张的阶段，英伟达仍能保持这样的盈利能力，依靠的不只是芯片性能，还有CUDA软件生态、开发工具以及客户的迁移成本。

云计算的锁定效应更加明显。

英国竞争与市场管理局的调查显示，2024年Microsoft和AWS在IaaS市场的份额均为30%—40%，Google为5%—10%。每年更换主要云服务商的客户不足1%。大型企业虽然会采购多家云服务，主要支出通常仍集中在一家供应商。

数据迁出费用、接口差异、员工技能、安全体系、软件授权和系统时延，共同提高了迁移成本。客户更换云厂商，需要重新调整数据、应用、人员和安全架构，远比切换一个模型API复杂。

CMA的调查还发现，Microsoft和AWS连续多年获得显著高于资本成本的回报。市场集中度、转换成本和利润水平，在这一层形成了完整的验证链条。

Google、Amazon、Microsoft和阿里都在发展自研芯片，模型压缩和推理效率提升也在降低单位算力需求。这些变化会调整寡头内部的市场份额，却很难逆转集中趋势。

自研芯片同样需要资本、供应链和软件生态。它把竞争从几家芯片公司之间，扩大到几套全栈基础设施之间，行业门槛反而更高了。

AI上游不会只剩一个赢家，但留在核心竞争中的公司已经屈指可数。这一层的创业窗口基本关闭，竞争属于少数拥有巨额资本和完整生态的科技公司。

03基础模型：技术优势正在加速折旧

基础模型是AI产业中最容易被高估的一层。

训练前沿模型需要大量算力、人才和数据。斯坦福《AI Index 2026》显示，2025年超过90%的重要AI模型来自产业界。大学和小型实验室仍然能够推动算法创新，但承担前沿模型训练成本的主体，已经变成大型科技公司和获得巨额融资的模型企业。

如果只看投入门槛，基础模型似乎也会复制芯片市场的集中路径。

现实却复杂得多。

OECD对模型市场的研究显示，截至2025年初，活跃基础模型已经超过1000个。真正进入“性能—价格经济前沿”的公司大约有10家，另有15家公司与前沿水平的差距不到一年。

前沿位置也不稳定。领先模型平均每月有约30%被新模型替代，大多数模型在三个月内就会离开经济前沿。

模型能力之间的差距正在缩小。

2025年的Arena榜单中，前四名模型之间一度相差约97分；到2026年3月，Anthropic、xAI、Google和OpenAI的头部模型差距已经缩小到25分以内。同期，最强闭源模型与最强开放权重模型之间相差3.4%，中美最强模型之间相差2.7%。

价格下降得更快。OECD的质量调整价格指数显示，文本模型的单位质量价格，从2024年1月至2026年4月累计下降接近80%。

这组数据揭示了基础模型最残酷的一面：训练成本不断上升，技术领先的有效期却在缩短。模型能力越接近，客户越容易在价格、延迟、隐私和可靠性之间重新选择。

企业可以把复杂任务交给前沿模型，把标准化任务交给低成本模型，再通过路由系统动态切换。开源模型则提供了另一套价格锚点，使闭源厂商很难长期依靠单项能力维持高溢价。

因此，基础模型最终不会留下上千个有效竞争者。少数公司继续承担前沿训练，开放模型服务本地部署和特定场景，处在中间位置、缺少性能与成本优势的模型会逐渐退出。

但公司数量收缩，不等于利润自然集中。

模型厂商需要持续承担训练成本、推理补贴和获客投入，产品价格又在快速下降。它们可以留在市场中，甚至占据较大份额，资本回报却可能长期低于市场预期。

基础模型很可能成为AI产业中资本消耗最重、商业壁垒最容易折旧的一层。技术领先能够带来流量和融资，却很难单独构成长期定价权。

这也解释了为什么OpenAI、Google和Anthropic都在向搜索、代码、办公、智能体和企业部署延伸。基础模型公司必须继续控制用户入口或进入工作流，才能摆脱API价格竞争。

04通用入口：流量集中，胜负未定

通用AI助手天然具有集中趋势。

截至2026年5月，ChatGPT、Gemini和Claude占全球AI聊天机器人网站流量的份额分别为52.7%、27.3%和8.9%，前三家合计接近89%。

ChatGPT的份额较一年前明显下降，说明先发优势还没有形成绝对锁定；前三家接近九成的流量，又说明通用入口很难长期容纳大量同质化产品。

这一层的壁垒主要来自品牌、用户习惯、历史上下文、订阅关系和分发渠道。

当AI助手开始保存记忆，连接邮箱、文档和日历，理解个人偏好并代理执行任务，用户迁移时失去的将不只是对话记录，还包括一套长期形成的个人数据和使用习惯。

分发渠道同样会改变竞争格局。Google可以把Gemini嵌入搜索、Android和Workspace，Microsoft拥有Windows和Office，OpenAI则拥有规模最大的独立AI用户基础。

通用入口最终更可能收敛为少数全球平台和若干区域平台。大量功能相似、缺少独立渠道的助手，很难持续获得用户。

但入口集中，也不能直接推导出利润集中。

Google和Microsoft可以通过搜索、办公软件和云服务补贴AI助手，免费产品会持续压低独立订阅的价格。入口的价值还可能体现在广告、云计算、软件续费和数据协同中，并不一定完整留在AI助手自己的利润表里。

这正是通用入口与云计算的差别。云厂商已经拥有较强的客户锁定和稳定回报；AI助手仍处在高投入、低价格和交叉补贴的竞争阶段。

通用入口会高度集中，却未必成为最厚的独立利润池。巨头争夺入口，很多时候是在保护原有业务，或者为云、搜索和办公软件导流。

05行业应用：百花齐放只是第一阶段

应用层会“百花齐放”，同样是一个过于乐观的判断。

通用助手、代码工具、视频生成和法律AI都属于应用，面对的竞争机制却完全不同。应用公司的长期价值，取决于它能否进入用户工作流，并逐渐提高客户的迁移成本。

▍高频工具：一个品类只会留下少数平台

Cursor是高频工具的代表。

它建立在外部基础模型之上，却没有停留在模型调用界面，而是进入代码编辑、项目上下文、代码库理解和智能体执行。2025年11月，Cursor的年化收入超过10亿美元，说明用户愿意为完整开发环境付费。

用户可以更换Cursor调用的底层模型，长期积累的项目结构、代码上下文、使用习惯和团队协作流程却很难迁移。模型可以替换，工作流仍然由应用公司掌握。

可灵AI走的是另一条路线。它依托快手的视频数据、算法积累和内容生态发展视频生成业务，2026年第一季度收入超过6.5亿元。它的竞争力并非只来自模型能力，还包括创作者、内容分发和视频生产场景。

这类市场不会长期保持大量公司并存。随着功能标准化、获客成本上升，一个高频品类最终会留下两三家主要平台，其余产品转向细分市场或者退出。

▍垂直AI：行业壁垒不等于高利润

法律、医疗、金融、工业和建筑行业，拥有不同的专业知识、数据结构、监管规则和责任边界。模型输出只是交付的一部分，企业还需要处理数据权限、系统集成、审查流程、结果追溯和责任归属。

Harvey的发展可以说明这种壁垒如何形成。

截至2026年3月，Harvey服务超过1300家机构和10万名律师，平台上运行着2.5万个定制智能体，覆盖并购、尽职调查、合同起草和文件审查。

客户采购的是一套嵌入律所内部的知识库、权限体系和工作流程。底层模型即使发生变化，历史数据、业务规则和系统接口仍然留在应用平台中。

AI进入核心业务以后，部署难度还会上升。工程团队需要连接客户的数据和软件，处理安全、审计和组织流程。基础模型降低了产品开发门槛，行业交付门槛却被进一步抬高。

行业之间的差异足够大，很难由一个通用平台覆盖全部场景。不同地区的监管、语言和客户关系，也为本地公司留下了空间。这决定了垂直市场能够容纳更多企业。

不过，垂直不等于高利润。

定制交付过重，会拖累毛利率和扩张速度；客户数量有限，容易形成较高的客户集中度；算力和部署成本过高，也可能使收入增长无法转化为自由现金流。

判断一家垂直AI公司的商业质量，最终仍要看续费率、毛利率、计算成本、交付费用和客户集中度。

▍缺少独立壁垒的应用：淘汰速度最快

缺少独立入口、业务数据和工作流程的应用，处在产业链中最脆弱的位置。

基础模型每升级一次，都可能覆盖一批原本需要独立软件完成的功能。传统SaaS公司也可以把AI直接嵌入现有产品，通过已有客户关系完成分发。

模型调用价格下降以后，简单应用的技术门槛和收费空间会同时下降。流量增长如果没有转化为用户数据、工作流和迁移成本，下一次模型升级就可能抹去已有优势。

所以，应用层的繁荣会极不平均。

通用入口向少数平台集中，高频工具会收敛，垂直行业能够容纳更多公司，缺少工作流壁垒的产品则会快速被淘汰。

应用层并不天然属于创业公司。只有进入工作流、掌握独立数据或者拥有分发渠道的公司，才有机会把模型能力转化为长期收入。

06巨头之争：模型之外的产业控制权

产业经济学家David Teece提出过“互补资产”的概念。一项技术能否转化为商业价值，取决于技术本身，也取决于制造、渠道、品牌和客户关系等配套能力。

放到AI产业，最重要的互补资产已经变成云、入口、数据和工作流。

模型公司正在进入搜索、代码、办公和企业部署；云厂商通过模型市场和基础设施绑定客户；互联网平台依靠现有流量完成分发；应用公司则通过积累业务数据和训练专用模型，降低对单一基础模型的依赖。

2026年5月，OpenAI成立Deployment Company，计划投入超过40亿美元，通过部署工程师进入企业内部，帮助客户改造数据、系统和核心工作流。首批团队包括拟收购的Tomoro约150名部署工程师。

这一步说明，OpenAI已经意识到，单纯提供模型API无法控制企业AI的价值链。基础模型的竞争正在向企业部署和工作流延伸。

阿里走的是更完整的纵向一体化路线。它同时布局自研芯片、云基础设施、通义千问、开源生态和通义应用。2025年第四季度，阿里云收入同比增长36%，AI相关产品收入连续第十个季度保持三位数增长；截至2026年1月，Qwen系列在Hugging Face累计下载量超过10亿次。

未来的竞争单位，会逐渐从单一模型转向一套由算力、模型、入口、数据和工作流组成的系统。

全栈巨头可以在不同业务之间转移流量、成本和利润，也能够通过默认设置、捆绑销售和云服务提高客户迁移成本。创业公司的机会集中在巨头难以标准化的行业知识、产品体验和交付深度。

纵向一体化同样存在代价。资本开支和组织复杂度会持续上升，企业客户也不愿意被一家供应商完全控制。多模型架构、中立应用平台和本地部署，都会削弱全栈巨头向下游传导优势的能力。

最终决定产业格局的，不是公司能否拥有一个模型，而是它控制了哪一个关键环节。

目前看，AI产业最确定的利润仍集中在基础设施。

英伟达维持70%以上的毛利率，Microsoft和AWS连续多年获得高于资本成本的回报；基础模型的质量调整价格却在快速下降。应用公司的收入增长很快，能够证明持续盈利和稳定资本回报的案例仍然有限。

未来三至五年，AI产业大致存在三种可能。

我个人更倾向于第二种格局，但各层利润并不会平均分配。

算力与云仍将拥有最稳定的利润池；通用入口集中在少数平台手中；垂直工作流会产生一批专业公司。基础模型处在中间位置，承担着最重的研发投入和最激烈的价格竞争，反而可能成为资本回报最不稳定的一层。

这或许是AI产业最反直觉的地方：承载最多技术光环的基础模型，未必能留下最多利润。

接下来，可以继续观察五组数据：云客户切换率和多云使用比例、头部模型的性能差距、模型质量调整价格、通用入口的留存率，以及应用公司的续费率、毛利率和计算成本占比。

如果模型差距重新扩大，客户迁移成本明显上升，通用入口开始控制企业采购，产业会进一步向全栈巨头收拢。

如果模型价格继续下降，企业普遍采用多模型架构，垂直应用仍能维持续费率和毛利率，利润就会逐渐向入口、数据和工作流移动。

所以，判断一家AI公司，我会重点看三个问题：它控制的是算力、入口还是工作流；客户为什么难以更换；收入增长在扣除算力、获客和交付成本后，能否留下自由现金流。

回答不了这三个问题，再大的用户规模和融资金额，也只能证明它仍在增长，还不足以证明它已经建立商业壁垒。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。