摘要：生成式人工智能的快速发展正在改变数字经济的技术基础与产业组织方式，但模型能力提升、用户规模扩张与商业收益之间尚未形成稳定的对应关系。前沿模型研发需要高额投入，推理与任务执行持续消耗计算资源，而效率改善和市场竞争又不断降低已有智能能力的获取价格。本文在商业模式、创新收益占有、通用目的技术与平台生态研究的基础上，以成本结构和价值捕获为主要分析线索，考察生成式人工智能商业模式的形成条件。研究认为，单位智能服务价格下降可能与总体计算需求扩张并存；技术资源消耗与客户实际获得的经济价值并不等同，订阅、按量、任务和结果计费可能长期共存；随着部分通用模型能力的可替代性增强，价值捕获日益依赖计算基础设施、企业数据、工作流、客户关系和平台生态等互补资产。本文据此提出，生成式人工智能的商业形态正在由“模型即产品”向“智能即服务”与“智能基础设施”扩展。这些形态并非依次替代，而是在不同产业层次并存，持续重塑技术创新、商业收益与产业权力之间的关系。

关键词：生成式人工智能；商业模式；成本结构；价值捕获；互补资产；智能基础设施

一、引言：生成式人工智能的商业化悖论

生成式人工智能正在经历从技术突破向大规模经济应用的转变。自ChatGPT于2022年底进入公众视野以来，以大语言模型为代表的基础模型迅速从科研实验室扩展至搜索、办公、软件开发、内容生产和企业管理等领域。与此前主要面向特定任务的人工智能系统相比，基础模型能够通过相对统一的技术架构处理多种类型的认知活动，其应用范围不再局限于预先确定的功能，而可以随着提示方式、工具接口和外部数据的变化持续扩展。Bommasani等人将基础模型界定为基于广泛数据训练、能够适应多种下游任务的模型，并指出其广泛适用性可能使技术能力集中于少数上游模型，同时影响大量下游应用。这种技术结构意味着，基础模型既可能成为独立的数字产品，也可能作为通用技术组件嵌入其他产品和服务，进而改变不同产业部门的生产组织方式。

从经济史的角度看，生成式人工智能具有通用目的技术的若干重要特征。Bresnahan和Trajtenberg指出，通用目的技术（General Purpose Technology）的经济影响不仅来自技术自身的性能改善，更来自其广泛适用性、持续改进能力，以及与其他技术和组织创新之间的互补关系。蒸汽动力、电力和信息技术的历史经验表明，一项通用技术的广泛扩散通常需要相应的基础设施、组织制度和商业模式等发生调整，其生产率效应也可能在技术出现相当长时间后才充分显现。生成式人工智能同样如此——模型可以在技术层面展现强大的语言理解、推理和内容生成能力，但这些能力转化为企业生产率、商业收入和持续利润，还需要产品设计、工作流程重组、客户关系建立和成本控制等环节的支持。未经组织层面和制度层面的调整，技术能力无法转化为商业价值。

生成式人工智能的快速商业扩张，使这一问题更加突出。基础模型企业一方面需要不断投入计算资源、研究人才和基础设施等，以维持模型能力的竞争优势，另一方面又需要通过订阅、API调用、企业服务和其他收入形式回收成本。与传统软件不同，模型服务在实际使用过程中持续消耗计算资源，复杂推理和多步骤代理任务还可能产生额外的工具调用、数据处理和结果验证成本。与此同时，模型推理效率的提升和供应商之间的竞争又持续压低服务价格，使企业难以简单地通过提高单位收费来回收不断增长的研发投入。这形成了一种商业化张力：生成式人工智能的应用越普及，其创造的社会经济价值可能越大，但基础模型开发者未必能从中获得与投入相匹配的收益。

这种张力在不同类型的企业中以不同的形式呈现。对Google这样的成熟数字平台来说，生成式人工智能可能重塑其商业模式。传统搜索引擎通过信息检索和广告匹配，将用户查询转化为广告收入；生成式搜索引擎则尝试直接完成信息整理、比较和回答，这可能改变用户访问第三方网站的行为和搜索平台内部的广告展示方式。对OpenAI、Anthropic等人工智能原生企业来说，问题则主要在于如何将技术能力转化为持续稳定的收入，以覆盖模型研发、推理服务和产品扩张带来的高额成本。对NVIDIA、台积电和大型云计算企业而言，基础模型的竞争持续扩大算力需求，推动人工智能产业的经济收益率先向基础设施和关键生产要素领域集中。最后，拥有成熟用户关系和应用场景的企业，则可能通过将人工智能嵌入既有业务获得生产率收益，且无须独立承担前沿基础模型研发的全部成本。这些差异表明，生成式人工智能的价值创造与价值捕获发生在不同产业层次，不能简单依据模型能力、用户数量或企业估值判断其商业模式是否成立。

现有研究为分析这一问题提供了重要的理论资源。商业模式研究关注企业如何创造、交付和捕获价值；创新收益占有理论（profiting from innovation，PFI）强调知识产权保护、技术可模仿性和互补资产对于创新收益分配的重要性；双边市场理论（two-sided markets）则揭示了平台如何通过协调不同市场参与者之间的互动，设计相应的定价结构来组织市场竞争。在人工智能研究领域，基础模型研究主要关注技术能力、规模扩张、模型风险和社会影响，生产率研究致力于考察AI在不同任务和组织环境中的经济效果。上述研究从技术创新、成本结构、市场竞争和价值创造等不同角度解释了技术商业化的相关机制，为理解智能时代的商业模式提供了重要的理论基础。然而，这些机制如何作用于生成式人工智能的商业模式，并影响其形成与演化，仍有待进一步挖掘。

本文据此提出两个相互关联的研究问题：第一，生成式人工智能的成本结构与传统互联网搜索、软件订阅和云计算模式之间存在何种差异，推理价格下降与计算需求扩张如何共同影响商业可持续性？第二，在基础模型供给增加、部分能力可替代性增强和智能代理介入业务流程的条件下，技术能力如何转化为客户愿意支付的服务，产业价值捕获又如何在模型、应用、平台与基础设施之间重新分配？

本文将从成本结构与价值捕获两个维度考察生成式人工智能商业化的经济约束及其收益实现机制，并以“模型即产品”“智能即服务”和“智能基础设施”概括大模型的三种商业化形态。“模型即产品”是指将模型能力作为相对独立的产品，以订阅、API调用等方式提供给用户；“智能即服务”是指将模型能力转化为具体任务的执行与业务问题的解决，商业价值更多体现服务交付及其实际效果；“智能基础设施”则指智能能力广泛嵌入软件系统、组织流程与经济活动，成为其他产品、服务和业务运行所依赖的通用支撑。三者分别体现智能能力作为独立产品、具体服务和通用支撑的不同商业化层次，可以相互叠加，并非依次替代的演进阶段。

二、既有数字商业模式的边界及其重构

（一）从链接经济到答案经济：生成式搜索与Google的创新者困境

互联网搜索是数字经济中最成功的商业模式之一。Google通过大规模网页索引、搜索排序和广告竞价系统，将信息检索转化为持续产生收入的服务。其商业逻辑建立在用户信息需求与广告主商业需求的联系之上：用户通过搜索表达某种兴趣、问题或购买意图；搜索平台提供相关信息，同时向广告主出售与用户需求相匹配的展示和点击机会。Rochet和Tirole关于双边市场的研究表明，平台能够通过协调不同参与者之间的交易和互动实现价值，而平台对不同参与方的收费安排又会影响整个市场的参与程度。在搜索市场中，用户通常无须直接支付搜索费用，广告主承担主要的商业成本，这种非对称定价有助于扩大用户规模，并通过广告市场实现收益。

传统搜索模式的重要特征是平台组织信息的可发现性，而不必在每一次查询中完整生成用户需要的内容。搜索引擎通过预先建立的网页索引和排序系统将用户引向相关信息来源，用户再通过访问网站完成阅读、比较和判断。虽然搜索引擎本身也需要持续投入服务器、网络和算法研发等资源，但是其主要商业功能是连接用户与信息来源，并在这一过程中组织和分配注意力。搜索结果页面成为广告、网页流量和内容生产之间的重要连接点，平台、广告主和第三方网站通过这一结构形成相互依赖的商业关系。

生成式人工智能改变了这一关系的技术基础。基于大语言模型的搜索服务能够对检索到的信息进行整合、解释和重新组织，并以自然语言直接回应用户。传统搜索中用户需要访问多个页面才能完成的信息加工活动，开始部分转移至搜索平台内部。搜索引擎的功能从信息定位延伸至信息整合，用户与搜索结果之间的关系也随之改变。对用户而言，这种转变可能降低搜索成本，提高信息获取效率；对于第三方内容生产者而言，搜索平台直接生成答案可能减少部分网页访问，使内容使用与流量获得之间的联系变得更加复杂；对于搜索平台而言，直接回答用户问题既可能提高服务价值，也可能改变原有广告展示和点击转化的条件。

这一变化可以概括为从“链接经济”向“答案经济”的扩展。所谓链接经济，是指平台借助超链接组织信息入口、分配访问机会，以此实现商业价值；答案经济则意味着平台进一步参与信息内容的加工与表达，并通过直接满足用户需求获得竞争优势和商业价值。两者并非截然对立，因为生成式搜索仍需依赖外部信息来源，也仍然可能向网站分发流量，但它们商业价值实现方式的侧重点不同。链接经济中的平台价值主要体现为帮助用户找到信息，答案经济中的平台价值则更多体现为帮助用户完成信息任务。搜索平台、内容生产者和用户之间原有的价值关系开始重新配置。

从用户搜索行为中已经能初步观察到以上变化。Pew Research Center对2025年3月美国900名成年人网页浏览数据的分析发现，在出现AI摘要的Google搜索页面中，用户点击传统搜索结果链接的比例为8%，而未出现AI摘要的搜索页面相应比例为15%；用户直接点击AI摘要所列来源链接的比例仅为1%。这一发现说明，生成式搜索与传统网页访问行为之间存在值得关注的关联。不过，该项研究属于观察性分析，用户进行不同类型内容的查询，点击倾向也会不同，因此不能将两组数据之间的差异全部解释为是受到AI摘要的影响。即便如此，搜索页面中信息整合程度提高与外部链接访问减少之间的关系，已经为理解内容平台的商业模式变化提供了经验依据。

Google的处境体现了这一变化对成熟数字平台的挑战。Christensen提出的“创新者困境”（the innovator's dilemma）说明，既有市场领导者可能由于现有客户、利润结构和组织惯性的约束，在面对新技术时遭遇转型困难。Google长期依靠搜索广告形成了高度成熟的商业体系，生成式人工智能却可能改变这一体系赖以运行的用户行为和成本结构。然而，推动现代大语言模型发展的Transformer模型架构，最初就是由Google研究人员提出，因此，Google面临的问题并非缺乏相关技术积累，而是如何将新技术转化为能够与既有业务协调运行的商业产品。

不过，Google的创新者困境需要放在实际市场表现中加以理解。Alphabet（Google的母公司）2026年第二季度的财务披露显示，Google Search及其他业务收入同比增长17%，Google Cloud收入同比增长82%。这说明，至少截至这一时期，生成式人工智能对Google搜索业务的影响并未表现为简单的收入替代。生成式搜索既可能分流部分传统点击，也可能创造新的查询需求和增加搜索频率，并通过新的广告形式和交易场景获得收入。不同效应之间的关系仍在变化，尚不足以据此判断其长期净影响。

Google的案例揭示了成熟平台在通用技术转型中的双重特征：既有商业模式可能限制新技术的部署方式，成熟企业积累的分发渠道、客户关系、基础设施和数据资源又可能成为技术转型的重要优势。Google拥有搜索、广告、Android、Chrome、Workspace和Google Cloud等多种互补资产，可以在不同业务之间分摊模型研发和部署成本，并将人工智能能力嵌入已有的用户关系。相比之下，人工智能原生企业虽然不需要处理传统搜索广告业务的内部冲突，却必须独立建立分发渠道、商业客户关系和大规模服务能力。生成式搜索引擎竞争也涉及不同类型企业利用既有资源组织技术与商业活动的能力。

（二）生成式搜索引擎的外部性与内容生产体系的再组织

生成式搜索引擎所引发的商业模式变化，并不局限于搜索平台内部的成本与收入关系，还涉及互联网内容生产体系的收益分配。传统搜索引擎虽然通过索引、排序和广告系统占据重要的信息入口，但其基本运行仍然依赖第三方网站持续生产的内容。搜索引擎通过提供访问入口获得广告收益，内容生产者则通过用户访问获取广告收入、订阅收入或其他商业机会。尽管这种关系中已经存在平台权力不对称、流量分配不均和内容生产者议价能力有限等问题，但搜索平台与外部内容网站之间仍然形成了一定程度的相互依赖。生成式搜索改变了这种依赖关系的具体形式：平台可以利用外部信息生成综合性回答，用户则可能在不访问原始网站的情况下完成信息获取。内容使用与流量回流之间脱节，传统依靠网页访问实现收入的内容生产者可能面临更多的商业不确定性。

这种变化可以理解为生成式搜索的收益内部化与成本外部化问题。搜索平台直接生成答案，能够改善用户体验，增加用户停留时间和服务使用频率，并可能创造新的商业化机会；但用于生成答案的新闻报道、专业知识、评论和其他内容，往往需要外部生产者持续投入资金、劳动和专业能力。如果内容被模型系统使用所产生的经济价值不能通过授权、访问、引用或其他方式合理回流至内容生产者，互联网的信息生产体系就可能造成激励失衡，其长期影响除了个别网站的流量损失，还波及专业内容供给、信息质量和公共知识资源的可持续性。

前述Pew Research Center研究还提示，内容生产者所面临的风险来自信息可见性与实际访问机会两个层面。AI摘要可以引用外部网站，使这些网站仍然在搜索结果中获得一定程度的可见性，但被引用并不意味着用户一定会点击来源链接。依赖网页流量获取广告收入或实现订阅转化的媒体和专业网站，可能面临内容被模型使用却无法获得相应访问流量的困境。不过，不同类型内容的经济影响并不相同：具有独家信息、专业数据库或强品牌关系的网站，可能仍然可以通过直接访问和订阅获得收入；而主要依赖一般性搜索流量的网站，则会受到更明显的影响。生成式搜索对内容产业的长期作用，需结合网站类型、收入结构和用户行为进行更细致的经验分析。

这一问题还与生成式人工智能的知识产权制度直接相关。基础模型训练可能涉及大规模使用受版权保护作品的问题，而模型生成和检索增强服务也可能在不同程度上利用第三方内容。训练阶段的数据使用、推理阶段的信息检索和最终回答中的内容呈现，分别涉及不同的技术过程和法律争议，不能笼统归结为同一种侵权行为。不同司法辖区对合理使用、文本与数据挖掘例外、授权范围和生成内容责任的规定也存在差异。已经确立的法律义务、尚在诉讼中的争议以及企业自愿采用的内容授权安排，仍需加以区分。无论具体制度怎样发展，内容生产者与模型平台之间的收益分配都可能成为影响生成式搜索商业模式的重要因素，因为模型服务对高质量信息的持续需求与内容生产者获得合理经济回报的要求之间，存在长期的相互依赖。

与此同时，生成式搜索还可能改变信息错误和商业责任的分配方式。传统搜索主要向用户提供信息来源，用户通常需要在不同网站之间比较和判断；生成式搜索则进一步参与信息选择、整合和表述，平台对最终答案的形成具有更直接的影响。当模型生成不准确的信息，或者在医疗、法律、金融等高风险场景中给出具有误导性的建议时，相关损失可能涉及模型开发者、应用服务商、信息来源和最终用户之间复杂的责任关系。随着搜索代理从提供信息进一步发展为执行任务，平台对外部系统和现实交易的影响也可能增加，因而需要更加明确的授权、验证和责任分配机制。这些制度要求会增加人工智能服务的实际交付成本，同时影响不同企业进入市场和扩大业务的能力。

从商业模式的角度看，版权授权、内容补偿、错误责任和信息治理并非技术商业化之外的附加问题，而是生成式搜索能否持续运行的制度条件。企业通过模型提高信息处理效率时，也需要承担维持信息供给、保障服务质量和处理外部风险的成本。计算生成式搜索的单位经济效益时，除推理所需的芯片和电力外，还需计入内容获取、质量验证、合规管理和潜在责任等方面的支出。对Google这样的成熟平台来说，这些问题与既有搜索业务、广告市场和内容生态密切相连；对人工智能原生搜索企业来说，它们则可能直接影响产品成本、商业合作和长期竞争能力。从链接经济向答案经济的转变，实质上是信息生产、商业收益和责任关系的重新组织。

（三）传统SaaS的规模经济与生成式人工智能的成本边界

传统软件订阅模式为理解生成式人工智能的成本边界提供了参照。软件即服务（Software as a Service，SaaS）通过云端持续提供软件功能，并按照使用期限、账户数量或功能等级收费。与一次性软件许可证相比，SaaS能够建立持续的客户关系，形成较为稳定的经常性收入，并通过统一部署、更新和维护降低软件分发成本。这样的经济优势在很大程度上来自软件产品的可复制性：研发和产品开发需要较高的前期投入，但新增用户通常不需要企业重新开发一套软件，因而随着客户规模扩大，固定成本可以被分摊给更多付费账户。

大语言模型最初采用订阅模式，这具有商业合理性。消费者为ChatGPT、Claude或Gemini等服务支付固定费用，获得特定模型的访问权限、功能和使用额度；企业客户则可以通过订阅或API调用将模型能力引入内部工作流程。固定订阅使用户无须直接面对复杂的计算成本，并预先安排支出；模型企业则可以借助经常性收入维持客户关系，提高收入预测的稳定性。

然而，生成式人工智能服务与传统SaaS之间存在重要的成本差异。大模型需要在用户每次调用时进行实际推理运算，处理输入、生成输出，并在复杂任务中反复调用模型和外部工具。用户的使用频率、上下文长度、模型选择和任务复杂程度的差异，都可能显著影响服务成本。这使生成式人工智能同时具有软件服务和计算资源服务的经济特征。

传统SaaS也并非不存在边际成本，存储、网络、云计算和客户支持都可能随使用规模变化而增加，但大模型推理使计算活动与服务交付之间的联系更加直接。尤其在长文档分析、复杂编程、深度研究和多步骤智能代理场景中，完成一次用户任务可能需要连续进行多轮模型调用，消耗相当数量的计算资源。同样支付固定订阅费的用户，其实际服务成本或许存在很大差异。在模型使用过程中，最活跃的用户未必总是利润贡献最高的用户；如果订阅价格不能充分反映使用强度，重度用户产生的推理成本可能侵蚀整体毛利。使用额度、模型分级、调用频率限制和额外计算收费等安排，正是企业应对这种成本差异的商业机制。

但推理成本的存在并不能证明固定订阅模式必然失效。订阅制本身具有交易成本低、价格可预测和用户接受程度较高等优势，而且模型推理价格正在持续下降。订阅模式能否持续，关键在于收入、使用强度与单位计算成本之间的关系。如果推理效率改善足以抵消使用规模和任务复杂度增长的影响，固定订阅仍可能具有较好的经济表现；反之，企业需要通过价格分层、资源限制和按量收费重新分配成本。生成式人工智能对SaaS的影响，不仅涉及成本回收，还涉及商业服务价值计量单位的认定——计价究竟以功能访问、计算消耗为准，还是以任务完成为准。

（四）从注意力变现到服务变现：广告模式的适用边界

生成式人工智能是否能够复制互联网搜索的广告模式，是基础模型商业化中长期存在争议的问题。传统搜索广告的经济基础，是用户通过查询表达需求，平台利用这些需求进行广告匹配，实现商业转化。对话式人工智能同样能够识别用户需求，而且随着对话持续进行，系统可能获得比单次搜索更加丰富的任务背景。从广告匹配的技术条件看，生成式人工智能并不天然排斥广告，甚至可能为某些商业场景提供更加精细的需求识别能力。

然而，对话式服务与传统搜索在用户信任结构方面存在重要差异。搜索平台通常通过不同区域展示自然结果与赞助内容，用户能够相对明确地区分信息检索和商业推广；对话式人工智能则将信息整合、解释、评价和建议组织在连续的自然语言回答中，商业内容与模型判断之间的边界更需要关注。

这一差异意味着，对话式服务中广告的商业价值不能仅从广告匹配效率和点击转化率加以判断，还需要考虑其对服务可信度的影响。用户向模型询问某种商品是否值得购买，不同服务之间有何差异，或者某项决策可能产生什么后果时，往往期待获得基于相关信息的分析。如果商业利益直接影响模型对选项的评价，用户可能难以判断建议究竟来自任务分析还是受到广告主的影响，而由此产生的信任损失，可能影响用户继续使用服务、向系统提供信息和为高级功能付费等行为的意愿。用户信任是长期互动型人工智能产品的重要价值来源，对话式服务中广告收入的获取与信任关系的维护之间可能发生冲突。

对话式服务中广告的可持续性要求广告展示、推荐机制与商业利益之间有清晰边界。广告既可以作为独立标识的赞助信息出现，也可以与用户明确提出的购物或交易任务相联系，但不同安排对模型回答的独立性和用户认知的影响不同。尤其当智能代理进一步参与商品比较、服务预订和交易执行时，平台不仅能够影响用户看到哪些商业信息，还可能直接影响哪些商品进入候选范围、哪些交易被执行，以及不同商家获得何种商业机会。当广告机制与平台排序、交易分配和代理决策联系起来时，其治理将远远超出传统广告标识的范围。

广告可以成为生成式人工智能混合收入结构的一部分，却未必能够像传统搜索广告那样构成所有模型服务的主要经济基础。消费者问答、企业知识管理、专业研究和自主代理执行等具有不同的用户需求与信任条件，适用的商业化方式也可能存在显著差异。基础模型企业的商业模式设计需要协调免费服务、订阅收入、广告支持和企业付费之间的关系，形成合理的分层结构，同时维护服务的核心价值。生成式人工智能商业模式未来更可能表现为多种收入机制的组合，而不是对传统搜索广告模式的简单复制。

三、智能的成本结构：推理价格下降与计算需求扩张

（一）基础模型的双重成本结构

基础模型同时承担高额前期开发成本和持续服务成本，这使其难以直接复制传统软件的经济模式。模型训练需要大规模计算资源、数据处理、研究人员投入和反复实验，这些投入在模型正式进入市场之前就已经发生，具有较强的固定成本性质；模型部署之后，每次用户调用仍然需要执行推理计算，消耗芯片运算能力、内存、网络和电力资源。随着模型进入复杂推理、多模态生成和智能代理场景，完成一次用户任务还可能需要多轮模型调用、外部信息检索、工具执行和结果验证，推理成本的任务依赖性越发凸显。基础模型企业不仅需要通过商业收入回收前期研发投入，还必须在持续提供服务的过程中维持收入与可变成本之间的合理关系。对于同时承担前沿模型研发和大规模消费者服务的企业来说，这两种成本压力相互叠加构成的企业经济特征，与一般软件企业有所区别。

从成本核算角度看，企业有必要进一步区分模型训练成本、模型推理成本与应用交付成本。训练成本主要决定企业进入前沿模型竞争所需的资本规模，但不能直接说明单次服务是否具有正向的边际贡献；推理成本与模型调用、任务执行直接相关，是分析单位经济效益的重要依据；应用交付成本则包括产品开发、客户获取、企业系统集成、数据治理、服务支持和合规管理等费用。单次推理成本较低，并不意味着基础模型产品已经实现盈利，模型研发和产品运营仍需持续投入。下游应用企业虽然可以通过使用第三方模型避免承担前沿训练成本，却仍需支付模型调用费用，并承担将通用能力转化为可靠业务服务所需的组织成本。在这种情况下，大模型商业模式的可持续性不能简单通过训练费用、Token价格或者订阅收入中的任何单一指标加以判断，而需要将不同层次的成本与相应的收入来源联系起来分析。

这一成本结构还意味着，模型企业的规模经济具有不同于传统数字产品的表现形式。随着用户规模扩大，模型训练和产品研发等固定成本可以在更多服务请求之间分摊，但新增用户和新增任务仍然会产生推理成本。与此同时，大规模部署又可能通过提高计算资源利用率、优化批处理、改进模型架构和专用硬件设计等降低单位服务成本。生成式人工智能既存在规模扩张带来的成本优势，也受到持续计算需求的约束，模型效率、任务结构、硬件价格和用户行为共同影响两种力量的相对强度。企业需要在扩大用户规模的同时，协调收入增长、单位服务成本下降与计算资源利用率改善，建立可持续的经营模式。

此外，训练成本与推理成本在商业决策中的时间属性并不相同。训练投资通常发生在模型商业部署之前，企业需要根据未来能力需求和竞争格局决定研发规模；推理资源则需要根据用户实际需求持续配置，其成本可能随模型架构、服务等级和计算资源价格的变化而变化。两类投资之间还存在技术联系：更大规模的训练既可能提高模型能力，也可能增加部署难度；模型压缩、蒸馏和推理优化则可能通过额外研发投入降低后续服务成本。因此，基础模型企业需要在技术能力、开发周期和长期运营成本之间进行综合选择。即使某种训练方案能够取得更好的模型性能，如果由此增加的商业收入不足以覆盖新增研发和部署费用，其经济合理性仍然需要进一步论证。

OpenAI视频生成产品Sora的终止运营，为这一问题提供了一个具有代表性的案例。Sora曾在视频生成质量、物理场景模拟和多模态能力方面展现出显著的技术进步，但OpenAI于2026年3月宣布终止该产品，随后于4月26日停止网页及应用服务、9月24日停止API服务。据路透社2026年3月24日报道，Sora运行所需的大量计算资源，以及OpenAI将资源转向编程工具和企业服务等业务的战略调整，是这一决策的重要背景。这一案例表明，即使模型在技术性能上取得突破，其商业化前景仍然受到计算成本、市场需求和资源配置效率的共同制约。当有限的计算资源能够在其他业务中创造更高的预期收益时，企业也可能选择终止具有技术先进性的产品。Sora的退出尚不足以判断其研发投入的实际回报，却反映出模型技术优势未必能够转化为可持续的商业收入。

（二）推理价格下降与模型供给的竞争性扩张

推理价格的快速下降是近年来生成式人工智能产业最具经济意义的变化之一。斯坦福大学以人为本人工智能研究院发布的《人工智能指数报告》（AI Index Report）指出，随着技术进步和市场竞争加剧，获得同等水平人工智能服务的价格正在大幅下降。以GPT-3.5水平的模型能力为例，2022年11月至2024年10月，其市场服务价格从每百万文本处理单位约20美元降至0.07美元，降幅超过99%。市场上相近能力水平的模型服务价格正持续下降，但是不能据此推断所有模型和复杂任务的实际推理成本同比例下降，或模型供应商的利润率发生相应变化。无论如何，开发者和应用企业的技术使用成本开始下行，进而对人工智能产业的进入条件、产品设计和市场竞争方式产生了影响。

推理价格下降系技术进步和市场竞争两方面力量共同作用所致。在技术层面，通过模型架构优化、量化、蒸馏、推测解码、注意力机制改进以及推理硬件效率提升等，相近能力的模型能够以更低的资源消耗完成任务。在市场层面，基础模型供应商数量增加、开放权重模型（open-weight model，即允许外部开发者获取和使用模型参数的模型）的发展，以及不同推理服务平台之间的竞争，使模型能力逐渐成为可以比较价格和性能的服务。开发者在选择模型时，可以根据具体任务要求比较推理价格、响应速度、上下文长度、可靠性和部署条件，而无须完全依赖某一模型的综合排行榜表现。对于不需要最高水平复杂推理能力处理的任务，成本较低的模型可能具有更好的经济适用性；对于高风险或复杂任务，企业则可能愿意支付更高价格以获得模型在可靠性和任务成功率方面的优势。

市场服务价格与企业实际生产成本之间仍然需要作出区分。API价格是供应商面向客户制定的交易价格，既受到实际计算资源消耗影响，也受到市场竞争、客户获取策略、服务等级和企业利润目标的影响。供应商可能通过低价扩大市场份额，也可能利用高性能模型的差异化能力获得溢价。因此，价格下降并不必然意味着同等幅度的技术效率提升。反过来，即使硬件和算法效率显著改善，供应商也未必立即将全部成本节约转化为价格下降。研究生成式人工智能的单位经济效益，需要尽可能结合内部计算成本、资源利用率和客户支付价格进行分析，而不能仅根据公开价格表判断企业是否已经形成稳定盈利能力。

模型市场开始表现出一种重要的分层趋势：通用能力的供给不断增加，部分标准化任务中的价格竞争日趋明显，而高性能推理、复杂工具使用和特定行业服务仍可能保持较强的差异化。不同模型在任务表现、安全性和部署条件上仍有差异，但在多个供应商均能满足需求的任务中，客户现在有了更多替代选择，一般性能力的价格竞争随之增强。

（三）单位成本下降与总体计算需求增长

推理效率提高能够降低单位服务成本，但价格下降也会改变需求规模和使用方式。当单位智能服务价格降低时，原本因成本过高而无法采用人工智能的企业可能开始部署相关应用，而已有用户也可能提高使用频率，并将模型用于更复杂的任务。软件开发者可以在产品中增加更多AI功能，企业则可能将人工智能从辅助写作和信息检索扩展至持续运行的业务流程。因而，单位任务成本下降可能伴随任务数量增长，甚至可能促使企业采用原本不具有经济可行性的计算密集型工作方式。这种效率提高与资源使用扩张之间的关系，可以借助经济学关于反弹效应（rebound effect）的讨论加以理解。

Jevons在研究煤炭使用效率时指出，资源使用效率的提高未必带来总消耗量的下降，因为效率改善可能降低实际使用成本，进而刺激需求扩张。现代经济学以反弹效应进一步分析，考察效率提高所引发的需求增长如何部分或全部抵消预期的资源节约——当这种抵消作用超过效率改善所带来的节约，使资源总消耗反而增加时，便构成通常所说的杰文斯悖论（Jevons paradox）。Sorrell在重新检验杰文斯悖论的理论与经验证据时指出，效率提高引发的需求反应可能抵消部分节约效果，但“效率提高必然导致资源总消耗增加”的强命题缺乏充分而一致的经验支持。

将这一分析用于生成式人工智能，可以得出一种有条件的解释：如果单位任务计算成本下降所引发的任务数量增长超过了每项任务计算消耗的减少幅度，总体计算需求就可能继续扩大；反之，如果技术效率提升较快而需求增长有限，总计算需求也可能下降。杰文斯悖论提供了分析计算需求的视角，却不能据此预测总体资源消耗必然增加。

智能代理的发展使这一问题具有新的重要性。传统聊天服务通常围绕用户提出的问题进行一次或有限次数的回答，而代理系统可能需要在较长时间内连续执行任务，包括理解目标、制定计划、检索信息、调用工具、检查结果以及根据反馈重新执行。Yao等人提出的ReAct方法，将语言模型的推理过程与面向外部环境的行动结合起来，使模型能够在任务执行中交替生成推理步骤、调用工具并利用反馈更新后续行动。该研究为理解智能代理的多步骤执行机制提供了技术依据，但是并不直接证明这种系统已经具备稳定的商业收益。对企业而言，一次看似简单的业务请求，可能对应多个模型和工具之间的复杂调用过程。随着模型能够承担的任务越来越多，企业可能将原本需要人类持续参与的工作交给代理处理，从而增加自动化计算活动。

这一趋势还改变了人工智能系统内部的成本优化方式。随着模型类型和能力等级不断增加，企业可以根据任务难度采用不同的模型组合：将简单任务交给成本较低的小模型，将复杂推理交给能力较强的模型，并通过缓存、检索和规则系统减少不必要的模型调用。这样的系统设计可能降低单项业务任务的平均成本，同时保持整体服务质量。相反，如果企业将所有任务无差别地交给计算消耗最高的模型，或者缺乏对代理执行过程的约束，服务成本就可能随着调用次数和任务复杂度的增加而迅速增加。模型路由、任务分解和执行控制开始成为智能系统经济效率的重要组成部分。

生成式人工智能的经济可持续性需要从单次推理成本进一步转向完整任务成本。企业采购模型服务时，还需比较完整业务任务的总成本与预期收益。某种模型虽然具有较低的Token价格，但是如果完成任务需要更多轮调用、导致更高错误率或者增加人工检查负担，其总体成本未必低于使用价格较高但任务成功率也更高的模型。反之，能力最强的模型也未必适合所有任务，因为在简单信息提取、分类和格式转换等场景中，额外的模型能力可能无法带来相应的经济收益。企业需要根据任务复杂度、可靠性要求和业务风险等，在不同模型与工具之间进行资源配置。生成式人工智能的成本竞争正在从单个模型的计算效率，扩展为整个智能系统完成任务的经济效率。

（四）计算基础设施的资本密集化

单位智能价格的下降并未削弱计算基础设施的重要性，反而使其成为决定产业发展速度和竞争结构的关键因素之一。基础模型训练和大规模推理需要先进芯片、高带宽内存、网络互联、数据中心和稳定的电力供应。前沿模型开发者获得足够的计算资源，不仅关系到训练速度和模型性能，也关系到能否及时部署新产品、满足用户需求并保持服务稳定性。对云计算和基础设施企业来说，生成式人工智能的发展带来了新的资本投资周期，使芯片供应、数据中心建设、能源接入和计算资源调度成为产业竞争的重要环节。

国际能源署（IEA,2025）在Energy and AI报告中指出，全球数据中心用电量在2024年约为415太瓦时，按照其基准预测，到2030年，这一数字可能增至约945太瓦时，相当于6年间增长一倍以上。需要说明的是，这些数字对应整个数据中心产业，并非全部由生成式人工智能产生；同时，2030年的数字属于情景预测，实际结果受到人工智能部署规模、硬件效率、能源价格和政策条件影响。尽管如此，相关研究仍表明，人工智能计算需求正在成为影响电力系统规划和数据中心投资的重要因素。与传统软件产业主要关注研发人员、知识产权和数字分发不同，前沿人工智能的发展越来越依赖土地、电力、冷却系统、芯片制造和跨区域基础设施网络，呈现出软件技术与重资产产业深度结合的特征。

这一变化对商业模式具有直接影响。首先，基础设施投资通常具有较长的建设周期和较高的沉没成本，而模型技术与市场需求却变化迅速，使资本投入与未来收入之间存在明显的时间错配。企业可能需要在尚未充分确认未来需求和收费能力之前，就提前建设计算容量。其次，先进芯片、制造产能和电力接入等资源的供给约束，可能影响不同企业进入市场和扩大服务规模的能力。再次，模型效率提高可能改变单位任务所需的计算资源，使既有基础设施投资面临技术替代风险。基础设施竞争既可能产生规模经济和资源稀缺收益，也伴随较高的资本回收风险。

基础设施还可能通过不同形式影响产业中的价值分配。拥有先进芯片设计、关键制造工艺或大型计算网络的企业，可以向多个模型开发者提供生产要素，其收入来源因此具有一定的跨客户特征。模型开发者则需要在自建基础设施与购买外部云计算服务之间进行选择。自建可以提高资源控制能力，但需要承担更大的固定资产投资和技术更新风险；外部采购能够提高部署灵活性，却可能形成对少数基础设施供应商的依赖。随着计算资源成为模型研发和服务交付的重要约束，企业对基础设施的控制方式也将影响其技术战略、资本结构和长期竞争能力。

综合来看，生成式人工智能的成本结构具有三重相互联系的特征：模型研发需要持续的高额前期投入，模型部署具有与实际任务相关的可变成本，而产业扩张又要求大规模基础设施投资。推理价格下降虽然能够改善单位智能服务的经济性，却也可能扩大市场需求和任务复杂度，使总体计算需求继续增长。基础模型企业必须同时处理研发投入回收、服务成本控制和计算资源供给三个问题。这些成本约束不仅影响企业的商业可持续性，也会进一步改变人工智能产业中竞争优势的形成条件与价值捕获方式。

四、价值捕获的迁移：从模型竞争到平台、生态与基础设施

（一）从资源消耗到任务价值：AI服务的定价逻辑

前文揭示了生成式人工智能的成本约束，但成本下降并不自动转化为稳定收益。模型服务的商业化面临一个基本问题：计算资源的消耗与客户获得的经济价值并不直接对应。同样数量的Token或模型调用，可能用于润色普通文档，也可能用于识别合同中的潜在风险或排查复杂的软件故障。尽管使用量相近，两类任务在完成效果、节约劳动时间和降低业务风险方面的价值却可能相差很大。如何将模型能力转化为客户愿意持续付费的服务，成为连接成本结构与价值捕获的关键。

不同的收费方式对应不同的经济条件。固定订阅有利于稳定客户关系并使支出可预测，但需要通过功能分级、额度与模型选择等方式控制高强度使用带来的成本；API按量计费虽便于分摊计算资源，却未必能够反映客户获得的实际价值。随着智能代理进入企业流程，按完成任务收费可能使服务商通过模型路由、工具配置和流程优化获得效率收益，并使收费对象从软件访问权转向工作执行。按照可验证业务结果收费，则可以将供应商收入与服务效果联系起来。这些安排适用于不同市场，并非由订阅计费向结果计费单向演进的必然阶段。

按任务与结果计费也面临边界。任务复杂度差异可能使服务商难以预测成本；结果是否完成、能否归因于人工智能，以及质量、责任和风险如何分担，均需通过合同与组织安排明确。Holmström和Milgrom关于多任务激励（multitask incentives）的研究还提示，过度依赖可量化绩效指标可能扭曲服务行为。智能代理虽然扩大了按任务和结果收费的可能性，却不能消除人工监督与验证的成本。更重要的是，收费单位的变化会影响产业收益的分配：当上游模型按计算量收费、下游应用按任务效果收费时，后者可能获得更大的价值定价空间；如果模型企业同时控制代理入口和客户关系，也可能向应用层延伸业务以收取费用。

（二）价值创造、价值捕获与模型投资回报

价值创造（value creation）与价值捕获（value capture）是战略管理研究中两个相互关联但有所区别的概念。前者关注企业通过技术、产品和服务创造的经济价值，后者关注企业能够从中获得并保留多少经济收益。模型能力的提升可以惠及产业链多个环节和最终用户，模型开发者却未必能够获得相应份额。

基础模型企业承担模型训练、数据处理与持续研发投入的职责，其技术能力却可以被产业链上的不同主体利用。Teece的创新收益占有理论指出，创新者能否获得相应收益，不仅取决于技术创新本身，还受到技术可模仿性及互补资产控制能力的影响。关键资源的分布与市场竞争状况会进一步影响模型开发者的商业回报。

这种差异体现在人工智能产业链各环节的进入壁垒、成本结构与竞争条件之中。计算基础设施依赖先进芯片、制造工艺、数据中心与能源接入，进入壁垒较高，还面临技术迭代和产能投资风险；模型企业需要持续投入前沿研发，同时承受技术追赶与价格竞争的压力；应用层的技术进入门槛可能因通用模型普及而降低，但在行业知识、客户信任和业务整合能力方面仍可能形成竞争优势。各环节的收益空间也随资本投入、竞争强度和关键资源控制能力而异。

除了互补资产的分布，模型能否被其他供应商替代，也影响开发者维持溢价的能力。基础模型的“商品化”并不意味着所有模型在技术上完全同质，而是指在特定任务中可选择的供应商增多，使一般性能力的独占溢价受到限制。以DeepSeek为代表的开放权重模型的发展说明，模型开发存在不同的技术与资源配置路径，扩大了应用企业的选择空间。不过，公开训练费用常采用不同核算口径，不能简单据此比较完整研发成本。复杂推理、高难度编程和专业应用仍可能在性能、安全与可靠性等方面存在显著差异，领先模型也可能获得溢价。模型的可替代程度因任务而异，并随技术进步与市场竞争变化。

模型性能提升与新增商业收入之间同样不存在固定比例。某项能力改善如果显著提高业务任务成功率，可能具有较高经济价值；如果该能力很快被复制，或超出客户实际需求，则未必足以弥补额外研发投入。模型企业需要比较新增研发成本、能力优势的商业有效期和客户愿付价格。关于研发投入能否收回，还需考察能力优势能够维持多久，以及客户是否愿意为此付费。

（三）工作流嵌入、互补资产与平台生态

通用模型要想持续、可靠地支持企业业务，往往需要与企业数据、权限体系、业务规则和组织流程相结合。Dell’Acqua等对758名管理咨询人员开展的实验发现，在人工智能能够有效完成的任务范围内，使用GPT-4的咨询人员平均完成任务的速度提高25.1%，完成任务数量增加12.2%；但在超出人工智能能力范围的任务中，辅助效果可能转为负面。这项研究表明，人工智能带来的生产率改善具有明显的任务依赖性，其结论不能直接推广到所有知识劳动中。

模型性能和调用次数并不直接等同于人工智能在实际业务中创造的经济价值。只有在具体工作场景中提升效率与改善任务质量，企业客户才更可能为AI服务持续付费。为实现这种业务价值，AI服务供应商需要在工作流整合、结果验证和知识管理等方面进行投入，而这些投入所形成的服务能力，也可能成为差异化竞争与价值捕获的来源。

模型之外的互补资产同样支撑着这些服务能力。企业客户关系、专有数据、行业知识、软件分发渠道和既有业务系统的集成能力等，能够帮助模型进入实际应用场景，并降低客户采用和持续使用人工智能服务的障碍。不同主体对这些资源的控制程度，影响技术商业化的路径及其收益分配。即使底层模型可以替换，掌握客户入口、业务数据和组织流程的企业，仍可能凭借互补资产维持议价能力。

代理系统深入业务流程后，平台迁移可能涉及数据转移、权限重设、流程调整和员工培训，这会带来一定的转换成本。但是工作流嵌入并不必然导致平台锁定——开放接口、多模型架构和数据的可迁移性会降低企业对单一供应商的依赖。长期竞争优势仍需建立在持续创造业务价值的基础上，而不能仅依靠人为提高退出成本。

关键资源之间的协同使互补资产的作用进一步延伸到平台生态。Adner将生态系统理解为围绕共同价值主张形成的相互依赖结构。生成式人工智能需要模型、开发工具、云服务、数据资源、终端入口和行业应用共同配合，竞争因此逐渐从单一模型性能扩展到生态协调。Microsoft可结合Azure、Microsoft365与GitHub，Google可结合搜索、Workspace与云服务；人工智能原生企业则需要建立开发者工具、企业客户与应用生态。当代理系统进一步进入搜索、比较和交易等环节时，控制入口的平台还可能影响市场参与者获得可见性与交易机会的条件。开放权重模型可能降低应用开发的进入门槛，但这并不排除平台入口与计算基础设施进一步集中的可能。

价值捕获不会简单转移给某一类“赢家”，模型供给、客户需求和互补资产的稀缺性变化会持续改变产业收益的分布。基础设施企业的优势主要来自关键计算资源，模型企业依赖研发与产品创新能力，应用企业和平台企业则可能凭借业务整合、分发渠道与客户关系获取收益。这些优势最终能否形成可持续利润，还要经受市场竞争、成本结构和商业合作的检验。

当模型能力通过API、企业软件和行业应用持续嵌入组织流程时，其商业作用便可能超出单一产品销售或特定任务交付。企业的信息处理、客户服务、软件开发和业务决策逐渐依赖这些能力，智能服务由可供选择的外部工具，成为日常运营所依赖的技术条件。本文将智能能力作为通用支撑、持续参与其他产品与服务运行的形态称为“智能基础设施”。它并不等同于芯片、数据中心和云计算等物理与计算基础设施，而是建立在这些设施之上，通过软件接口、平台系统和组织流程实现的能力供给。

智能基础设施的形成进一步改变了价值捕获的条件。模型性能和调用价格仍然重要，但服务稳定性、系统兼容性、数据连接、业务连续性和平台治理能力等，也开始影响客户选择与供应商竞争。随着智能能力深度嵌入组织流程，更换供应商可能涉及系统迁移、业务调整和人员重新培训，持续服务关系可能因此产生一定的转换成本。不过，这并不意味着基础设施提供者必然获得更高利润。标准化接口、多模型调用和供应商之间的竞争，同样可能限制其定价能力。智能能力的基础设施化，既可能强化平台企业对客户关系和关键接口的控制，也可能通过能力的普遍可得降低部分应用的进入门槛，使产业价值在模型开发者、平台企业与应用企业之间重新分配。

五、结论与讨论：模型产品、智能服务与基础设施化

生成式人工智能的商业化不能仅以模型能力、用户规模或企业估值衡量。本文从成本结构和价值捕获两条主线展开分析：前者揭示模型训练、推理部署和应用交付的不同经济约束，以及单位智能服务成本下降与总体计算需求扩张可能并存的张力；后者解释技术价值如何经由收费安排、客户关系、互补资产和产业组织转化为企业收益。

本文形成两个相互联系的判断。第一，生成式人工智能兼具软件产品的规模经济特征与持续消耗计算资源的服务属性，效率提高不必然带来总体资源需求下降，企业需要同时考虑研发投入、完整任务成本和基础设施资本回报。第二，技术创新者未必能够独占其创新所创造的经济价值。随着部分模型能力的可替代性增强，芯片与计算基础设施、专有数据、组织工作流、客户关系和平台入口等互补资产，在产业收益分配中的作用可能进一步凸显。两者相互作用：成本与价格变化影响模型市场竞争，应用需求与平台扩张又推动新的计算投入。

生成式人工智能的商业形态正在由“模型即产品”向“智能即服务”与“智能基础设施”扩展。这一变化使商业竞争超出模型性能与调用价格的比较，进一步涉及任务交付能力、组织嵌入程度以及对关键接口和客户关系的控制。三种商业化形态并存且相互交织，不同产业主体可以参与其中的多个层次，其价值捕获能力也受到不同成本约束与竞争条件的影响。

这一变化也带来新的制度问题：计算资源、数据接口和用户入口的集中可能强化平台权力；随着人工智能代理参与信息筛选、商业决策与交易执行，系统透明度、用户授权和责任归属成为需要回应的治理问题；数据中心建设将产业竞争与能源、资本和地缘政治联系起来；内容使用与收益分配则关系到知识生产生态的可持续性。

生成式人工智能商业模式的核心问题，已经不止于能否开发更强模型，更扩展到如何使模型能力持续进入经济活动，并在多方参与的产业结构中获得相应回报。

作者简介：胡泳，北京大学新闻与传播学院教授，博士生导师。

注：原文刊载于《智媒视界》2026年第4期