从行业局势、商业影响与从业者判断来写。
被安排了
上周听一场闭门复盘会，两家同赛道的公司拿到的底层资源完全不同：一家签了 Anthropic 的专属推理配额，另一家只能用公开 API。问题不在模型参数上，而在谁能走进那扇门。
这不是个例。过去两年，AI 的「访问分层」正在从概念变成基础设施问题。闭源模型厂商通过 tiered pricing（分层定价）、dedicated inference endpoint（专属推理端点）和 enterprise agreement（企业协议）三条路径，把最先进的能力锁进付费墙。与此同时，开源模型社区用 Llama、Qwen、GLM 系列快速追赶，但追赶的只是通用推理基准，不是数据飞轮。
闭源 vs 开源的护城河之争
工地搬砖
Tom Tunguz 在 2025 年的分析中指出，我们已经到达 S 曲线的 plateau 阶段——模型能力提升的边际收益在下降，而竞争者在同一维度上重复投入。这带来一个结构性后果：通用能力的溢价在压缩，差异化能力在上升。
闭源厂商的策略很清晰。OpenAI 的 GPT-5 Opus 系列、Anthropic 的 Fable 5、Google 的 Gemini Ultra，这些顶级模型只通过 API 向少数企业开放，且价格呈指数级跃升。Tom Tunguz 引用行业数据提到，AI 公司「赚 1 块烧 12 块」的模式意味着只有规模化推理端才能盈利，中小玩家被迫依赖公共 API 或转向开源。
开源方案的定位在变化。DeepSeek V4 Flash、GLM-5.2、Llama 4 系列正在填补 mid-market（中端市场）的空白，但这些模型的能力边界清晰：它们擅长通用任务，却不直接提供专有数据的训练权、专属推理集群、或与上游芯片厂商的直接对接。
问题在于：当开源模型把「会用 AI」的门槛打下来，真正拉开差距的已经不是调用哪个模型，而是谁能拿到更好的模型、更快的推理速度、更低的首次响应延迟。
AI 访问分层架构
逻辑清晰
谁在掌握「先进入权」？
「先进入权」不是指谁先发布模型，而是谁能在第一时间获得稳定、低成本、高性能的推理通道。这个权利目前集中在三类实体手中：
第一类是云厂商与芯片厂商的深度绑定关系。英伟达的 HGX 系列、AMD 的 MI300X、以及各家的专属推理方案，都优先服务于签约客户。Tom Tunguz 在 Theory Ventures 的投资框架中指出，基础设施层的利润正在被率先兑现，因为无论应用层如何竞争，底层算力需求是刚性的。
第二类是头部 SaaS 与平台厂商。Salesforce、Zendesk、ServiceNow 等传统巨头在 AI 转型上步履蹒跚，反而是 Anthropic、OpenAI 直接嵌入企业工作流，通过 API 绑定形成新的护城河。Clifford Chance 的 2025 年 AI 基础设施报告提到，AI-ready 数据中心的需求正在重新定义云服务的定价模型。
第三类是拥有私有数据的企业。这是最关键的一点：当所有模型都能调用，谁能用自己的数据微调、谁能在专属环境里迭代，谁就拥有了真正的差异化。这正是 Tom Tunguz 所说的「数据世界正在与 AI 世界融合」的核心含义。
真相锁定
当我们说 AI 正在「分层」的时候，本质上说的是：过去所有人都能用的工具，正在变成只有部分人能拿到的资源。
S 曲线的 plateau 阶段最危险的地方不在于增长慢了，而在于所有人都在用同样的方式竞争同一件事——而真正的变量，往往在价值链的上一层。
利润重新分配：基础设施层最先兑现
2025 年下半年以来的市场信号很明确：AI 应用的估值正在回调，而基础设施层的营收和利润率在提升。英伟达的财报、ARM 的估值、数据中心 REITs 的租金上涨，都在指向同一个结论——当前 AI 投入的回报，大部分沉淀在「卖铲子」的人手里。
Tom Tunguz 的观点是，这种分配格局不会长期维持。一旦推理成本继续下降、开源模型逼近闭源性能，应用层的利润空间会被重新打开。但那个窗口期不会太长，前提是你能在 plateau 阶段完成数据积累和工程化落地。
红包金钱
从业者的应对：选边、卡位还是绕道
面对这场分层，从业者有三个基本策略：
其一，选边。如果你所在的公司已经拿到顶级模型的专属配额或企业协议，核心任务不是比较参数，而是把推理链路优化到极致——降低 latency、提高 throughput、控制 error rate。这是当下的确定性收益。
其二，卡位。如果拿不到专属资源，把重心放在数据积累和工程化能力上。开源模型的训练成本已经大幅下降，但数据处理、标注体系、评估框架的搭建周期并不会因此缩短。这正是可以建立长期优势的领域。
其三，绕道。寻找那些闭源模型尚未覆盖的 niche 场景——特定行业的合规要求、私有数据的特殊处理、对延迟极度敏感的实时推理。这些场景往往是通用模型的盲区，却是专业玩家的入口。
程序员现场
下一步：今天的三个可执行动作
- 盘点你当前的模型访问权限和推理成本。如果每月 API 支出超过一定阈值，立即评估专属配额或自托管的 ROI。
- 启动数据资产盘点。哪些数据是专有的、哪些可以反哺模型迭代、哪些需要脱敏后才能使用。这部分工作比调参更关键。
- 建立「模型无关」的工程底座。当访问权成为分层标准，能够快速切换模型、统一评估体系、标准化接口的设计，才是抵御不确定性的真正基础设施。
分层已经发生。钥匙在谁手里，决定了下一阶段的竞争起点。
上周某云厂商的技术负责人在内部复盘会上问了一个让在场所有人都沉默的问题：我们的团队用了三个月调优的 Agent 链路，今天被一个开源模型直接抹平了。这不是个例。过去半年，从 GPT-5 系列到 Claude 4，再到 DeepSeek V4，每一次版本迭代都在重塑同样的逻辑——能触达最新模型的团队，和只能通过公开 API 访问基础版本的团队，执行效率正在以指数级拉开差距
当我们说 AI 正在「分层」的时候，本质上说的是：过去所有人都能用的工具，正在变成只有部分人能拿到的资源。这种分层的背后，是一套正在成型的准入机制，它比技术差距更难跨越。
闭源 vs 开源的护城河之争
闭源模型的护城河正在从模型性能本身，转移到三个维度：访问权限、数据隔离、定制能力。Anthropic 的 Claude 4 和 OpenAI 的 GPT-5 系列都在推行 tiered access，即不同等级的 API 调用权限对应不同的模型能力版本。初级用户只能访问精简版，而通过 Enterprise 合作或 API 调用量达到门槛的团队，才能获得完整能力的访问权。
这种分层策略的深层逻辑是：头部模型公司正在将「先进入权」作为产品化资产出售。Tom Tunguz 在 Theory Ventures 的内部讨论中多次提到，我们已到达 S 曲线的 plateau 阶段——通用能力的提升速度放缓，但专用场景的落地速度在加快。真正的变量不在模型本身，而在谁能更快地将模型能力转化为业务产出。
开源社区的回答是 DeepSeek V4 和 GLM-5.2。这两个模型的发布确实拉低了技术门槛，但对于已经使用闭源模型构建生产系统的团队来说，迁移成本不仅仅是代码改写。数据格式、提示词工程、评估体系、安全合规检查——这些都是在长期迭代中积累的隐性资产。Tunguz 在一次访谈中指出：「数据世界正在和 AI 世界融合，这不是概念，而是现实。」这意味着，闭源模型的用户黏性不来自模型本身的不可替代性，而来自围绕它构建的数据飞轮。
数据飞轮的构建不是一蹴而就
AI 分层下的能力获取路径
谁在掌握「先进入权」？
先进入权的分配呈现明显的集中趋势。根据 Clifford Chance 2025 年 10 月的行业报告，AI-ready 数据中心的建设已经进入高门槛阶段。高密度计算、先进网络架构、液冷系统——这些基础设施的投资规模使得只有头部云厂商能够承担。而云厂商又通过 Tier 1 合作计划优先向大型企业开放最新模型能力。
这造成了一种结构性不对称：大厂可以以更低边际成本获得更好模型能力，同时用规模效应摊薄推理成本；中小企业则被迫在两个选项之间做选择——支付溢价获取早期访问权，或等待开源方案成熟后跟进。Tom Tunguz 在 Redpoint Ventures 时期的投资数据显示，AI 应用中大约 30% 的价值集中在最先获得模型访问权的 20% 团队手中。这不是偶然，而是准入机制设计的必然结果。
后进者面临的选择困境
这种分层对从业者意味着什么？坦白讲，它意味着传统的「技术追赶」策略正在失效。过去你可以在开源模型发布后的三个月内实现能力对标，现在这个窗口期正在缩短。更深的问题在于，当领先者已经开始用私有数据微调模型时，追赶者面对的是一个越来越模糊的对标对象——因为他们的数据不可见，你的评估体系可能根本不存在。
S 曲线的 plateau 阶段最危险的地方不在于增长慢了，而在于所有人都在用同样的方式竞争同一件事——而真正的变量，往往在价值链的上一层。当通用能力趋于同质化时，竞争焦点会迅速转移到数据质量、场景理解和部署效率上。那些已经在第一层建立了闭环的团队，会比后进入者快整整一个迭代周期。
Tom Tunguz 的核心判断可以概括为一句话：AI 的能力增长正在进入 plateau 阶段，而利润正在从模型层向基础设施层迁移。这不是危言耸听，而是市场信号已经出现。
Tom Tunguz 的判断：能力增长放缓
Tunguz 在 Theory Ventures 的多篇分析中指出，大模型在通用推理、代码生成、知识问答等基准上的边际提升正在递减。Source: tomtunguz.com
Agent 运行时过载了
这意味着什么？当基础能力趋近于同质化，竞争焦点就不再是「谁模型更强」，而是「谁能更快、更便宜、更稳定地调用它」。访问顶级模型的权限，开始成为一种新的稀缺资源。
利润分配为何向基础设施层转移
S 曲线的 plateau 阶段最危险的地方不在于增长慢了，而在于所有人都在用同样的方式竞争同一件事——而真正的变量，往往在价值链的上一层。
当模型能力趋同，护城河的定义被改写。过去依赖「我用 GPT-4 你用 GPT-4」的平等竞争格局，正在被基础设施层的差异化打破。[[reaction=backend-system-design|caption=系统架构决定了利润归属]]
AI 产业链利润分配转移路径
利润分配的转移逻辑很直接：当应用层的模型调用趋于商品化，上游基础设施的供给约束就成了真正的瓶颈。英伟达的 GPU、韩国的 HBM 内存、数据中心的电力容量——这些才是现在真正稀缺的东西。
英伟达、HBM、电力资产的重新定价
这轮重新定价已经体现在资本市场行为中。根据业内常见做法，AI 基础设施的投资逻辑正在从「训练」向「推理」转移，因为推理部署的规模远大于训练，且对延迟和稳定性要求更高。
[[reaction=money-red-envelope|caption=钱往哪里流，信号很明确]]
具体来看三个维度：
GPU 供应。英伟达的下一代架构 Blackwell 系列产能仍然紧张，API 调用成本中 GPU 成本占比持续上升。这不是短期波动，而是供需结构性错配。
HBM 内存。大模型推理阶段的 KV Cache 存储需求推高了 HBM 价格，三星和 SK 海力士的产能利用率已经接近上限。
电力资产。AI 数据中心的电力需求正在重新定价能源资产，这是 Clifford Chance 2025 年报告中反复强调的趋势。
这三个维度共同指向一个结论：在 plateau 阶段，拥有基础设施的人，比拥有模型调用能力的人，拥有更强的定价权。
版权方开始算账了
索尼与华纳对 Anthropic 的诉讼，指向一个比个案更广泛的趋势。过去三年，行业默认的逻辑是：用公开数据训练模型是合法且合理的。这个默认值正在被改写。当 Claude 等产品能够生成与受版权保护音乐高度相似的内容时，上游内容供应商的选择不再是继续免费供料，而是提起诉讼。这不是针对某一家公司的行为，而是对整个训练数据生态的法律重新定价。
``mermaid
版权诉讼对 AI 产业链的影响路径
Tom Tunguz 在多次公开讨论中强调，数据世界与 AI 世界的融合不是概念，而是正在发生的结构性变化。他的核心判断是：AI 公司面临的主要瓶颈已经从模型能力转向数据质量与独占性。开源模型在通用能力上的持续追赶，使得单纯依赖架构创新的边际收益递减。当所有人都在用相似的开源权重做微调时，真正的差异点落在了谁能接触到高质量、合法、可商用的一手数据上。
合规成本在提高
合规成本的上升正在重塑行业的进入门槛。过去，一个团队只要有算力和工程能力就能参与竞争；现在，你需要同时通过版权审查、数据溯源、模型安全审计等多重关卡。这对中小团队的挤出效应是真实的。头部公司可以通过法律团队和数据采购合同建立合规壁垒，而后来者需要在同样的数据上支付更高的价格，或者接受更有限的能力范围。
这种变化带来的直接结果是：AI 价值链的利润分配正在从应用层向上游数据层和基础设施层迁移。模型能力的趋同使得应用层的差异化空间收窄，而数据权和算力权的集中使得上游环节的议价能力增强。从业者在制定策略时需要认清这一点——继续押注纯应用层的通用方案，边际回报在下降；而在数据合规、垂直领域专有数据积累或特定基础设施上建立优势，是更现实的卡位方向。
索尼与华纳起诉 Anthropic 一案，指向的不是个案，而是整个训练数据生态的法律重新定价。过去三年默认开放的逻辑正在被改写，上游内容供应商开始行使议价权。这对企业意味着什么？答案在于：AI 的分层不只是技术能力的分层，更是资源获取能力的分层。
版权方开始算账了
``mermaid
版权诉讼对 AI 产业链的影响路径
Tom Tunguz 在多次公开讨论中强调，数据世界正在与 AI 世界融合。这不是概念而是现实——当 Claude 类产品能够生成与受版权保护内容高度相似的结果时，上游的选择必然是提起诉讼。这推动了合规数据的溢价，也进一步巩固了拥有合法数据源的大厂的护城河。
四、对企业与从业者的启示
选型策略：闭源API还是自部署开源？
分层格局下，企业的第一层决策是技术选型。闭源 API（如 OpenAI GPT-4o、Anthropic Claude）适合快速验证和业务原型，边际成本随调用量线性上升。开源方案（如 Llama、Qwen、DeepSeek）在数据敏感或高并发场景下更具长期经济优势。
选择的标准很直接：如果你的场景涉及受版权保护的内容处理、需要严格的数据主权，或者预测年调用成本超过自建推理集群的费用，应该优先考虑自部署。否则，API 是更理性的起步方案。
技术债务的隐藏成本
技术债不会消失，只会延迟
Tom Tunguz 在《Hidden Technical Debt in AI》一文中指出，许多团队误以为引入 LLM 就能替代复杂的工程管道。现实是，Agent 需要大量上下文——CRM 结构、字段定义、业务流程——这些都需要精细的工程化设计。
过度依赖 API 的隐藏成本体现在三个维度：一是 vendor lock-in，迁移成本高；二是成本失控，随着调用量增长，支出呈指数级上升；三是能力上限，当业务需要定制化或低延迟推理时，公有 API 无法满足。
技术债务不会消失，它只在模型迭代或成本压力的转折点爆发。
如何在分层格局中找到自己的位置
分层格局的本质是：过去所有人都能用的工具，正在变成只有部分人能拿到的资源。真正的变量不在模型本身，而在价值链的上一层——数据、算力、准入权限的叠加。
Tom Tunguz 的判断是，我们已到达 S 曲线的 plateau 阶段。这一阶段最危险的地方不在于增长变慢，而在于所有人都在用同样的方式竞争同一件事。真正的差异化来自两个方面：一是拥有独家数据或垂直场景知识的团队；二是能够将模型与业务流深度整合的基础设施层。
找到不可替代的位置
具体到执行层面，有三件事可以马上做：第一，盘点你所在企业的核心数据资产，哪些是竞品无法获取的；第二，评估当前 AI 依赖的总成本曲线，设定从 API 向自建迁移的触发阈值；第三，在组织架构中设立 AI 工程岗，而非仅依赖产品经理驱动。
当 Access 成为稀缺资源，拥有钥匙的人和没有钥匙的人之间的差距，会比想象中大得多。
参考文献
[1] Tomasz Tunguz. https://tomtunguz.com [2] AIHOT — AI 行业动态聚合 · 每日精选与 AI 日报. https://aihot.virxact.com [3] 英伟达正在重塑AI 产业链：一场利润分配的重新洗牌. https://zhuanlan.zhihu.com/p/2057809880434602707 [4] Tomasz Tunguz on where we are in the AI S-Curve and the Evolving Investment Landscape. https://ventureunlocked.substack.com/p/embracing-ai-opportunities-challenges [5] Strategic AI infrastructure – building, regulating, and monetising the future | Perspectives Autumn Series 2025 | Clifford Chance. https://www.cliffordchance.com/client-portal/events-and-webinars-library/perspectives-series/perspectives-series-autumn-2025/strategic-AI-infrastructure-building-regulating-and-monetising-the-future.html [6] Hidden Technical Debt in AI | Tomasz Tunguz. https://www.tomtunguz.com/hidden-technical-debt-in-ai [7] https://static.rainfocus.com/adobe/as26/sess/17591.... https://static.rainfocus.com/adobe/as26/sess/1759118273787001FmhW/finalpresentation/S328_A%20Path%20to%20AI-Native%20Modernization%20Future%20of%20Experience%20in%20the%20Agentic%20Era_Final%20Presentation%20Summit%202026_1777051633398001TOyD.pdf [8] 硅谷知名AI投资人Tomasz Tunguz：AI公司赚1块烧12块. https://www.pingwest.com/a/[REDACTED]
