中文博客 / 产业研究

大模型产业链会成为下一条果链吗？

从一台设备的全球制造，到一次智能任务背后的芯片、能源、数据与软件。

Zefan Cai · 2026 年 10 月 18 日 · 全球产业与公司比较

苹果产业链提供了一个很有吸引力的参照：一家掌握终端、操作系统和用户关系的公司，把复杂的全球制造网络组织起来；供应商围绕新产品投入工艺、设备和产能，从技术创新中获得长期增长。今天，从 GPU、HBM 与液冷，到专家数据、Agent 训练环境和评测，新的供应网络很容易让人联想到当年的果链。

这个类比有用，但只用它来寻找“AI 时代的苹果”或“下一家手机代工厂”，会漏掉最重要的变化。

大模型产业链正在形成多个拥有议价权的中心：算力平台、先进制造、云与分发、模型，以及掌握业务流程的应用。它比果链多了一层持续发生的推理成本，也多了一组电力、融资和利用率约束。 供应商能不能赚钱，取决于它解决了什么瓶颈、客户能否替换它，以及增长消耗了多少资本。

这篇文章从全球产业与公司的角度比较两条链。中国公司的案例放在它们所在的全球环节中讨论。

先看两条链的结构

果链的需求锚相对清楚：设备出货、换机、活跃设备，以及这些设备带来的服务消费。IDC 在 2026 年 1 月公布的初步估计显示，2025 自然年全球智能手机出货约 12.603 亿部，同比增长 1.9%；Apple 出货 2.478 亿部，占 19.7%。这是品牌设备出货估计，不是苹果自己披露的销量，也不是消费者激活量。来源：IDC

大模型链的最终需求则可能是一份订阅、一百万个 token、一段自动完成的工作，或者广告转化率和软件开发效率的改善。终端需求要经过模型调用、云资源采购和数据中心建设，才转化为芯片与设备订单。不同环节看到的增长，常常不在同一时间发生。

表中的区别是侧重点。苹果也运营云和 AI 基础设施，AI 厂商也依赖大型采购方；TSMC 等供应商在两条链中都能保持相当强的地位。产业比较要沿着真实的交易和控制关系展开。

全球公司地图：各环节做什么

下面列的是代表性位置。同一家公司可能跨越数层；列在同一行，也不意味着公司之间可以直接替换。

这些位置可结合 Apple 官方供应商名单、下文各公司财报以及 OCI 的 GPU 基础设施说明阅读。供应商名单有自己的年份。 本次从 Apple 2026 官方报告入口取得的名单，封面仍注明覆盖 FY2023 材料、制造和组装直接采购支出的 98%。它能证明该覆盖期内的供应关系，不能证明 2026 年每一款产品的份额；设备、EDA、云和应用等行也包含间接或生态参与者，不能一律视为苹果的直接供货商。

这张地图揭示了类比的边界：果链以一家终端公司的产品体系为中心；大模型链是一张跨产品、跨计算平台、跨云和跨应用的网络。数据服务商与电力设备公司创造价值的方式，相距很远。

果链的利润，怎样留在苹果

Apple FY2025，即截至 2025 年 9 月 27 日的全年，给出了一个清晰的利润结构。来源：Apple 10-K

Services 用约四分之一的收入贡献了 42.17% 的集团毛利：82.314 ÷ 195.201。硬件建立用户关系，系统、分发与服务让这种关系在设备销售之后继续产生收入。只看 iPhone 出货，会低估苹果的经济结构。

不过，75.4% 不能解释成所有 App 都有同样的利润率。Apple 对第三方 App Store 相关销售按净额确认，只把保留的佣金计入 Services；硬件与制造商往往按不同的总额口径确认收入。收入和毛利率既反映经济地位，也受产品组合与会计列报影响。

制造端的情况很不一样。鸿海 2025 自然年收入为 8.103 万亿新台币，自算集团毛利率 6.15%、营业利润率 3.20%。来源：鸿海合并财报 规模、工程能力和交付能力可以很强，但这并不等同于拥有终端生态的利润结构。

苹果自身的现金固定资产购置占收入较低，也与制造分工有关。它通过供应商使用了庞大的工厂与设备体系；这些资本并没有因为不在 Apple 的资产负债表上就消失。观察链主的轻资产程度，必须同时观察供应商承担了什么。

AI 链的利润，为什么分布在多个位置

先把具有代表性的公司放在同一张表里。下表使用集团口径的未调整财务数据，不是纯 AI 业务利润率；财年并非严格同期，因此用于观察经济结构，不作为同期利润率排名。

来源：Apple、NVIDIA、TSMC、Broadcom、AMD SEC、Arista SEC、Micron 财报中的 FY2025 比较列、Vertiv、鸿海。营业利润率按营业利润 ÷ 营收复算，采用 GAAP 或相应 IFRS 数据，不混用 adjusted/non-GAAP 指标。

这组数据至少支持三个观察。

第一，上游供应商也可能保留很强的利润。 NVIDIA 的软件、系统与开发生态，TSMC 的制造工艺、良率和交付能力，Arista 的网络系统能力，分别构成不同的替换成本。果链本身也早已存在 TSMC 这样的强供应商；“链主拿走全部利润、供应商都只是低毛利代工”不是完整事实。

第二，并非所有进入 AI 的公司都变成同一种生意。 标准化程度、设计权、材料在收入中的占比、客户认证、规模效率，以及供需周期，都会影响利润。不能因为一家公司交付 AI 服务器，就把芯片平台的毛利率套给它。

第三，业务名字比想象中宽。 NVIDIA FY2026 的 Data Center 收入为 USD 193.7B，约占集团收入 89.7%，但其中并非只有大模型。TSMC 2025 年的 HPC 平台占收入 58%，公司对更窄的 AI accelerator 口径却只说 high-teens percent，即百分之十几的较高区间。把 HPC 的 58% 直接写成“AI 收入占比”，会显著夸大可比口径。NVIDIA、TSMC 电话会

内存也不能只用一个 HBM 标签解释。SK hynix 披露 2025 年收入 97.1467 万亿韩元、营业利润 47.2063 万亿韩元，并称 HBM 收入同比超过翻倍；这些结果同时受到其他 DRAM 与 NAND 产品的影响。来源：SK hynix 本文不把未披露的 HBM 绝对收入或利润率补成估计值。

最大的变化：谁在承担资本开支

苹果把大量制造资本放在供应网络中。大模型产业则让云与计算运营商直接承担越来越多的设备和设施投入。

为尽量一致，下表取现金流量表中的现金购置固定资产支出毛额，不加入非现金租赁新增、融资租赁本金、企业收购或多年投资承诺。Microsoft 和 Apple 的 FY2025 与其他三家的自然年 2025 不完全重合。

来源：Apple、Microsoft、Alphabet、Amazon、Meta。这些都是集团支出，包含非 AI 业务；Amazon 还有物流等设施，Meta 也服务广告和推荐系统。这张表说明资本承担方式，不能直接视为“大模型投资额”排名。

口径差异会明显改变标题数字。Amazon 同期扣除资产出售及激励回款后的 cash capex 是 USD 128.320B；Meta 在现金 PP&E 之外加入融资租赁本金后，披露的 capex 为约 USD 72.22B。本文表格分别使用 USD 131.819B 与 USD 69.691B，是为了保持现金购置毛额的定义。Amazon、Meta

到 Microsoft FY2026，截至 2026 年 6 月 30 日，同一项现金购置已达到 USD 115.948B，相当于当期收入的 34.94%。年报同时披露 Microsoft Cloud 毛利率降至 66%，解释中包括持续的 AI 基础设施投资和增长的 AI 产品使用量。这里的 Microsoft Cloud 也不能等同于单独 Azure。来源：Microsoft

专业 GPU 云的资本结构更集中。CoreWeave 2025 年确认收入 USD 5.131B，购置设备及资本化内部软件的现金支出为 USD 10.309B，约为当年收入的 2.01 倍；最大匿名客户贡献 67% 收入。来源：CoreWeave 10-K 这描述的是扩张期的一年，不能解释为每一美元收入永久需要两美元投入。它说明专业算力运营商同时承担设备融资、交付与大客户风险。

因此，GPU 出货不是经济闭环的终点。设备还要安装、联网、通电、获得稳定工作负载，再通过售价与利用率覆盖折旧、能源、运维和资金成本。供应商本期确认了收入，不代表最终计算服务已经获得充分回报。

云、模型与应用层，谁能掌握客户

如果只看硬件，很容易把大模型链写成另一份电子制造清单。但在商业闭环的另一端，竞争的是用户关系、企业数据和工作流程。

云平台已经具备成熟收入来源。2025 年 AWS 的收入为 USD 128.725B，营业利润 USD 45.606B，自算营业利润率 35.4%；Google Cloud 收入 USD 58.705B，营业利润 USD 13.910B，营业利润率 23.7%。Amazon、Alphabet 这都是整体云分部，并非纯 AI。Google Cloud 还包含 Workspace 等业务。

模型公司则在建立自己的订阅、API 和应用入口，但其公开数据尚不能与上述财报简单并排。

来源：OpenAI CFO 披露、OpenAI 规模公告、Anthropic Series H。本文没有取得两家与上市公司年报同口径的完整公开利润表，因此不填写推测的毛利率和营业利润率。

大模型应用还有一种持续的成本：用户使用得越深，模型执行、检索、工具调用、重试与人工复核可能越多。因此，企业更值得比较的指标是：交付一项合格任务的总成本 = 相关推理、工具、重试与复核总成本 ÷ 成功完成的任务数。 单个 token 降价，既可能降低成本，也可能刺激更复杂的使用；不能由价格下降直接推断总算力需求下降或利润上升。

谁更像苹果，因而至少有三种答案：NVIDIA 掌握计算开发生态；OpenAI、Anthropic 等模型公司争取用户入口；Microsoft、Google、Amazon 以及企业软件平台已经掌握大量客户、分发和工作流。一个企业可能同时使用多个模型，却难以迁移已有的数据权限和业务流程。最终的价值分配，需要看这些不同的替换成本如何竞争。

数据公司详解：硅谷、北京与 UniPat

把数据公司放进产业链，首先要知道客户买的是什么。有人提供可授权的文本、图像与视频；有人组织专家制作示范、偏好和评分规则；有人交付能运行、重置和检验的 Agent 任务环境；还有人提供数据治理与生产软件。它们分别接近内容/IP 供应商、工程服务商、研发验证工具和企业软件平台，收入结构与壁垒并不相同。

下面重点观察创业公司及新进入者。这里将“硅谷”按旧金山湾区的广义创业生态使用，并区分总部、办公地、法律联系地址和远程团队；北京部分同样区分注册主体、新创公司和成熟供应商。专家注册人数、付款总额、融资估值与营业收入分别标示。

硅谷与湾区：从人才网络走向后训练工程

来源：Scale 公司介绍与SWE Atlas；Reuters 对 Surge/Scale 的报道；Surge 产品目录；Mercor 官方、数据目录及CEO 访谈；Turing 访谈；Labelbox 公司介绍、融资公告、Horizon；micro1 更新、法律联系信息、Cortex；Handshake 公司介绍与AI 业务介绍；Lightwheel 产品与招聘地点。这些数字具有不同年份、来源和确认方式，不构成同口径收入排行榜。

其中有三种值得深看的变化。

Surge 把训练效果放进销售过程。 它的 Trusted Program 允许符合条件的实验室先用完整数据训练、评估模型，再在约定指标改善时付款。Surge 这只是特定计划的条款，却说明数据供应商开始围绕“这批数据让模型学会了什么”证明价值。交付能力包括难题设计、专家判断、持出集验证和迭代速度。

Mercor、Turing、micro1 和 Handshake 把人才入口转化成数据生产能力。 模型厂商需要专业人士的示范、判断、纠错和任务设计。Mercor 的目录已包含容器化代码任务、可执行测试、企业应用环境和专家 rubric；micro1 则把企业 Agent 的失败诊断连接到定向数据生产与后续复测。Mercor、micro1 但人才网络中有多少账户，与本月有多少合格专家完成了多少付费任务，是不同的问题。Mercor 的收入总额案例还说明：流经平台的专家报酬可能很大，不能直接用它与软件订阅净收入比较。

Labelbox 把工具、专家和环境组合起来。 Horizon 的交付包括企业工具模拟、任务轨迹、确定性验证器和人类偏好。客户证据也能看到更细的分工：Meta 的 GIM 原论文附录说明，Labelbox 按合同负责参与者招募、资格核验、报酬与知情同意等工作，最终评分由 GIM 团队独立执行。原论文 §G.1–G.2 供应商提供生产组织与质量支持，客户保留研究设计和验收，这比笼统的“给大模型公司卖数据”更接近实际交易。

北京：新专家团队与既有交付网络

北京的数据生态也出现了从采集标注向专家任务、环境和评测的延伸。不过，新近创立的公司与较成熟的交付网络，需要分开看。

来源：智能知识产品目录、一面千识与公开工商档案；TalentsAI 官网、主体隐私政策与公开工商档案；龙猫公司介绍；Testin 公司与品牌历程及数据产品。北京注册主体不自动等于全部团队在北京办公。标贝科技则是另一个跨城例子：官网写明 2016 年起步于北京、当前总部在青岛，因此不把它列成当前北京总部公司。标贝

智能知识的区别，在于公开目录中的代码任务已经包含固定起始环境、参考实现、测试和运行轨迹。这类资产可以用于训练与检验；其成本包含环境配置、正确性验证、难度校准和训练/测试隔离。TalentsAI 的公开证据则更集中在专家身份、专业问题和审核流程，不能仅凭“复杂任务”就推定它拥有同样的环境引擎。

这些公司的公开财务信息仍有限。与其按未确认的估值排列，不如跟踪客户是否反复采购、验收返修率、单个合格任务成本，以及环境和质检软件能否跨项目复用。

UniPat：把科研问题、评分规则和执行环境做成数据资产

UniPat AI 值得单独讨论，因为它公开展示了一条较完整的技术路线：模型负责扩展知识与构造候选问题，专家和模型共同验证问题及评分规则，再将这些资产用于训练和评测。这里依据其技术发布讨论能力形态，不把 benchmark 或开源项目规模当成商业订单。

来源：UniScientist、SaaS-Bench、PaperBenchX、发布时间目录。这些是公开研究项目的自报指标，本文未独立复跑其模型成绩；本轮亦未取得可核验的完整年度收入或公司官网总部地址，故不推测财务规模或将合作高校所在地当成总部。

这个案例把数据公司的价值从“产出多少文本”推进到三个问题：任务是否值得学，完成得好不好能否可靠判断，环境能否让训练与评测重复执行。 一份科研报告看起来合理，并不等于实验被正确复现；一个 Agent 点击了正确按钮，也不等于跨系统业务状态最终一致。把这些差别写成可交付的题目、工具、轨迹与评分规则，本身就是工程工作。

因此，UniPat 这样的路线，与果链中的关系更像研发验证工具和工程服务，兼有数据资产的复用性。客户真正需要验证的，是这些资产能否带来新任务上的稳定能力改善，而不是供应商的公开榜单是否足够漂亮。

数据生产也有财务报表：增长、利润和客户依赖

未上市公司的公开数字不足以给出可靠利润率。可以用已上市的数据服务商作经济结构对照，但不把它们冒充新 startup。下表金额单位为 USD million（百万美元，M），并非本文其他表格常用的十亿美元。

来源：Innodata 2025 10-K、Appen 2025 年报。Appen 在澳大利亚上市，但此处财务报表使用美元；其宣传中的收入增长 4.5%剔除了上年 Google 合同影响，不替换表中的集团未调整增速。Appen 披露 GenAI 相关工作占全年收入 33%，亦不能把所有数据服务收入当成大模型收入。

两家的成本说明了人工与工程交付的重要性。Innodata 2025 年直接运营成本增加约 USD 48.8M，其中劳动相关成本增加 USD 42.5M；合同既有按时间和材料计费，也有固定价格。Appen 的费用表中，crowd 服务与项目员工费用合计 USD 137.773M，约占收入 59.7%。两家公司对成本的归类不同，本文不把各自宣传的“毛利率”硬拼成排名。

大客户依赖也很像果链的某些环节。Appen 在 2024-01-22 公告，Google 的相关全球服务合同项目将在当年 3 月终止；公告当时列出的 FY2023 Google 收入为 USD 82.8M，属初步未经审计数字。原公告 这不能证明所有客户都会自建或压价，却能说明：拥有大规模交付组织，并不自动获得稳定订单。

客户付款节奏也会影响现金流。Innodata 2026 年上半年经营现金流达到 USD 164.441M，但同期净利润为 USD 29.310M；现金流中包含客户预付款增加和应付款项增长。2026 半年财务 现金先到账、后续仍需履约，与当期已经实现同额利润是不同的事。

内容许可与企业数据软件：另外两种经济结构

Reddit、Shutterstock、Getty Images 提供了内容和许可链，但不能将它们所有非广告收入都命名为“AI 训练数据”。Reddit 2025 年 Other revenue 为 USD 140.026M、占集团 6.36%，包含内容授权及向用户出售的产品；Shutterstock 的 Data, Distribution and Services 为 USD 203.264M、占集团 20.53%，还包含分发、广告和制作服务。Reddit 年报、Shutterstock 年报

这些公司出售的权利也有区别。持续访问和更新、用于训练、在答案中展示、取得生成输出的使用许可，并非一份相同的合同。例如 Getty 与 OpenAI 在 2026 年公布的是 ChatGPT 内搜索与发现的 display agreement，不能据此写成整库训练权。Getty 官方公告 数据可以重复许可，但可许可的用途、排他性和作者授权链会影响它的价值。

Snowflake 与 Databricks 则主要把模型接到受治理的企业数据和工作流程。Snowflake FY2026、截至 2026-01-31 的收入为 USD 4.684B，集团 GAAP 毛利率自算 67.2%，但营业亏损为 USD 1.435B；期末净收入留存率为 125%，衡量存量客户的产品收入扩展，并非用户留存率。Snowflake 10-K 这展示了软件平台不同的成本结构，也提醒我们高毛利不等于已经实现营业利润。

Databricks 在 2026-08-13 自报 revenue run rate 超过 USD 7B，产品重点包括面向 Agent 的 Lakebase 数据库、Genie 和多模型治理与成本控制。Databricks 更新 它不是可直接与 Snowflake 全年确认收入比较的审计数字。两家公司也不因管理客户数据就自动拥有这些数据的版权，更不能把整个平台收入当作卖给模型厂的训练语料收入。

数据公司的议价权：验收、复用和客户信任

数据供应商与果链供应商都有规格、试制、质量控制、验收和大客户协作。但数据不按“一部手机用掉一个零件”的方式消耗：同一项非独占数据资产可以重复许可，同一任务环境可以反复运行；定制专家劳动和环境维护又会持续产生费用。因此，未来推理 token 增长多少，并不能机械换算成数据采购增长多少。

更有用的指标是每个验收合格任务的完整交付成本、首轮验收率、返修与更新成本、资产复用权、客户续单和回款。合成模型可以降低生成成本，也会把瓶颈推向任务选择、事实验证、评分器和评测污染控制。UniPat 的人机共建 rubric、智能知识的可执行测试、Surge 的试训，都在处理这类问题，而非简单增加数据条数。

客户信任也是一项商业资产。2025 年 Reuters 报道 Google、OpenAI 当时计划减少或转离 Scale 的合作，并讨论战略投资带来的中立性担忧；Scale 官方回应承诺，不向 Meta 开放内部系统或客户机密。Reuters、Scale 回应 这是供应商关系和信任的证据，不是发生数据泄露的证据，也不能推定所有关系此后都已终止。

从这一层看，大模型产业的关键投入既有昂贵的芯片，也有难以稳定生产的专业判断和验证条件。数据公司最终能留下多少利润，要看它能否把一次性交付变成可复用能力，同时持续满足客户越来越高的验收标准。

客户集中、现金流与两条链的交汇

AI 终端用途很多，并不意味着每家供应商的客户都很分散。CoreWeave 的 67% 最大客户占比就是一例；电子制造与光通信公司的披露也能看到类似现象。

下面用四家全球制造网络中的公司作对照，均为 2025 自然年合并口径。金额单位是人民币亿元，不与美元金额直接相加。

来源：立讯、浪潮、中际旭创、新易盛年报。归母净利率 = 归属于上市公司股东净利润 ÷ 合并营业收入，与上文营业利润率是不同指标。客户占比按各公司披露的直接客户口径；不将匿名客户认定为 Apple、NVIDIA 或某家云厂。

差异非常大：进入 AI 基础设施相关市场，既可能对应较高利润的光互连组件，也可能对应低毛利的整机系统。与此同时，几家 AI 相关供应商的客户集中度依然很高。多模型、多应用的下游世界，仍可能通过少数云与设备买家集中采购。

利润还要转化为现金。中际旭创 2026 年上半年归母净利润为 136.51 亿元，经营现金流净额为 18.00 亿元。来源：半年报 这种差距需要继续检查应收、存货、回款节奏与季节性，不能仅凭一个半年断言增长有问题，也不能把利润增长自动当成现金同步回收。

两条链也已经出现实际重叠。鸿海 2025 年云网络产品收入占比约 40%，超过智能消费电子的 38%；其产品线包括服务器与通信网络，并非全部 AI。来源：鸿海年报 立讯 2025 年通讯及数据中心业务收入为 245.68 亿元，占集团 7.39%，该分部毛利率 18.40%，高于消费电子分部的 10.64%。来源：立讯年报 同样，通讯及数据中心收入不能全部标成大模型收入。

制造能力能够迁移，但迁移需要新的产品认证、工程能力和资本。连接器、PCB、光互连、系统集成、供电和热管理，会以不同方式进入新的订单结构。“属于果链”与“属于 AI 链”越来越不能作为互斥标签。

2026 年的新数据改变了什么

年度表提供基线，最新数据则检查趋势是否持续。以下都是已公布的实际结果，不能与未来指引混写。

来源：NVIDIA、TSMC、Broadcom、Micron、Apple。Micron 的 80.7% 来自 GAAP 毛利 USD 107.504B ÷ 收入 USD 133.188B；公司材料另有 non-GAAP 数字，本文没有混用。

Micron 在 2026 年 9 月的披露还称，大多数 2027 年 HBM bit supply 已有协议安排；其新加坡 HBM 封装设施初始产出预计在 2027 年初，其他新厂也需要更长时间。来源：Micron 管理层说明 协议不是已经确认的收入，新厂初始投产也不是立即达到成熟产能。短期供应约束能带来利润，扩产、产品迭代和价格变化则会改变后续分配。

Micron 同期的传统 DRAM 与 NAND 提价也贡献了增长，不能把盈利上行全部归于 HBM。表中的利润是企业结构与当期供需共同作用的结果，不能直接给产业环节贴上永久的“高利润”或“低利润”标签。

电力、地理与贸易环境

果链依赖跨国制造集群。Apple FY2025 年报仍将中国大陆、印度、日本、韩国、台湾和越南列为制造伙伴的主要所在地，也指出改变供应链可能昂贵、耗时并造成扰动。Apple 供应链迁移涉及供应商配套、良率、设备与工程组织，不能仅按总部所在国家判断生产位置。

AI 链增加了一个更突出的问题：计算容量必须在具体地点获得电力、变电设备、网络和冷却。

IEA 的 2025 年《Energy and AI》报告估计，全球所有数据中心在 2024 年消耗约 415 TWh 电力，约占全球用电 1.5%；其 2030 年基准情景预测为约 945 TWh。来源：IEA 两者都包含非 AI 数据中心，后者是预测，不是已经发生的用电量。

比全球总量更重要的是当地的交付节奏。同份报告指出，先进经济体的新输电线路建设往往需要 4–8 年，数据中心则可能在 2–3 年内投入运营。报告原文，页 15、50、95 数据中心订单、建筑竣工、可供电容量与实际算力收入之间，存在很长的转化链条。

因此，Vertiv、Schneider Electric、Eaton、Delta 等公司的产品位置值得单独研究。液冷并不能替代电网接入；一个设备供应商的 backlog，也不能直接当成已实现营收。数据中心能耗上升同样不能直接换算成某家冷却公司的收入增速。

贸易规则还会改变可销售市场。BIS 在 2026-01-15发布的规则，将部分符合条件的先进计算产品对中国及澳门出口调整为个案许可审查，涉及 H200 及满足相应参数与条件的产品；这并非全面取消管制，也不保证许可证获批。来源：Federal Register 对全球公司的判断，需要同时看技术规格、目的地、许可条件以及随后规则变化。

资本关系也值得跟踪。OpenAI 在 2026-02-27 宣布的新投资中包括 NVIDIA 与 Amazon；Anthropic 的融资与算力合作也涉及多家云和硬件公司。OpenAI、Anthropic 同一家公司可能同时是投资人、供应商和分发伙伴。融资支持产业扩张，但融资额、采购承诺和最终客户实际付费是不同的量，不能反复相加证明需求规模。

接下来应该观察什么

果链最值得借鉴的经验，是规模化制造、供应商认证和生态控制如何共同形成商业优势。大模型链则需要额外检查：高额计算投入能否被持续的有效需求吸收，瓶颈利润能否在扩产和替代技术出现后保留。

我更倾向于把大模型产业理解为一场仍在进行的价值分配。GPU 平台已经建立了强势地位，先进制造与内存保留着物理约束，云厂商掌握资本与分发，模型和应用还在争取最终客户。它们彼此依赖，也在通过自研、替代采购和产品整合争夺对方的空间。

未来是否会出现一家像 Apple 那样同时控制终端、体验和生态收益的公司，仍有待观察。更有用的问题是：在每一笔新增需求中，谁解决了暂时无法绕开的难题，谁承担了资本和库存，谁最终留住了客户与现金流？

沿着这些问题看，两条链的相似之处、差异和已经发生的交汇，才会变得清楚。

资料与复算说明

本文优先使用公司年报、季度披露、官方供应商资料和机构原始报告；部分私营公司采用 Reuters、TechCrunch 的采访报道，并保留报道日期及未经公开审计的性质。财报数字是相应主体的披露；模型公司的业务快照、产品页与管理层计划保留其自报性质。以下来源也提供了核对统计期间、财务定义和业务边界的入口。

毛利率按（收入 − 营业成本）÷ 收入计算；营业利润率按营业利润 ÷ 收入计算；归母净利率仅用于明确标示的制造案例。百分比由原始金额计算后四舍五入。跨币种金额不换算、不相加；公司收入之间也可能包含同一项投入的多次流转。本文未根据未具名客户推测身份，也未用未公开的合同价格补足“AI 收入”。

← 所有博客 · 回到正文