AI 行业的四层 | 基础认知 | 做产品

AI 行业的四层

这个行业可以拆成四层。看懂每层卖什么、向谁收钱、壁垒在哪，你就能回答一个很实际的问题：我做的这个产品，护城河到底有没有。

你会遇到的现象

算力层在最底下：设计芯片的、以及把 GPU 租出去的云。这一层的特点是供给紧、替代难，所以定价权最强，利润也最厚。行业里流传的那句「卖铲子的最赚钱」，说的就是这一层。

模型层是训练并提供模型的厂商。这一层烧钱最猛：训练要买算力，推理还要持续买算力，钱基本是过一道手就交给了下面那层。加上模型之间的能力差距在收窄，价格战打得最凶。

基础设施与中间层是把模型变得好用的那些东西：云上的模型平台、向量数据库、Agent 框架、评测与可观测工具。这一层不训模型，靠降低接入门槛和提供工程能力收钱。

应用层在最上面，直接面对终端用户。这一层离钱最近——用户的钱是从这里进来的——但技术门槛也最低。

顺着钱走一遍，这张图就活了。

用户付钱给应用；应用把其中一部分交给模型厂商买 API；模型厂商把很大一部分交给云和芯片厂商买算力。**每一层都是下一层的客户。**所以越往下，收入越集中、越稳定；越往上，玩家越多、越分散。

这个结构直接推出几条对你有用的结论。

**一、在应用层，你的成本结构不在你手里。**上游一次调价、一次限流、一次模型下线，你的毛利和体验就得重算。所以选型时别只看当下价格，要看这家厂商的持续供给能力，并且从一开始就准备好换的可能。

**二、模型能力的边界，会不断吃掉应用层的功能。**今天你精心做的提示词工程、文档解析、格式修复，很可能下一代模型直接内置。判断标准很简单：如果你的产品价值主要来自「补模型的短板」，那它的保质期就是下一次模型更新。

**三、真正留得下来的东西，几乎都不在模型里。**专有数据、真实工作流的嵌入、行业信任与合规资质、用户的使用习惯与积累——这些模型升级带不走。护城河一直在这些地方，AI 没有改变这一点。

在应用层，先分清你的价值属于哪一边

下一代模型会吃掉的 · 精心调出来的提示词工程 · 文档解析、格式修复 · 补模型短板的各种小工具保质期 = 下一次模型更新

模型升级带不走的 · 专有数据 · 嵌进真实工作流的位置 · 行业信任与合规资质 · 用户的使用习惯与积累护城河一直在这些地方，AI 没改变这一点

还有一件事：你的成本结构不在你手里上游一次调价、一次限流、一次模型下线，毛利和体验就得重算——所以从第一天就要准备好换的可能。

判断标准可以很简单：**如果产品价值主要来自「补模型的短板」，那它的保质期就是下一次模型更新。**右边那些东西模型升级一次也带不走，值得把资源压在那边。

多数做产品的人在应用层，少数在中间层。对号入座之后，该盯的指标完全不同。

你在这层你真正在卖什么最该盯住的风险

应用层把某个具体场景的活干完，用户为结果付钱。被模型内置吃掉；上游调价打穿毛利；同质化竞争。

中间层让别人接得更快、跑得更稳、看得更清楚。云厂商把你的功能做成平台自带的一个开关。

模型层能力本身，按 Token 卖。训练成本与价格战两头挤；开源模型持续拉低价格底线。

算力层算力本身，按卡时或实例卖。周期性供需波动；客户自研芯片。

资料基准：2026 年 8 月。分层是为了看清商业关系，不是严格的产业统计口径；同一家公司常常同时站在好几层上（比如云厂商既卖算力，也卖模型和平台）。

最后提醒一句：**同一家公司可以同时站在好几层。**大型云厂商既卖 GPU，又训自己的模型，还提供模型平台。所以谈合作时，先搞清楚对方这次是以哪一层的身份来的——他给你的价格和条件，往往是在为另一层的生意服务。

资料基准：2026 年 8 月。本文对「钱往下流」「越往下越集中」的判断是结构性归纳，不是某一份报告的原文结论。各层的具体玩家与份额变动很快，做决策前请核实当期公开信息。

主流模型厂商的差异把模型层拆开看：这些厂商各自擅长什么，选型该看哪几条。

从哪里拿到模型中间层的实际形态：官方、云平台、聚合、自建网关各有什么代价。

AI 发展简史这套产业分工，是从哪一步技术转移里长出来的。