研究人工智能行业的基本框架

研究人工智能行业，通常可以把它拆成三个相互衔接的层次：算力层、模型层和应用层。算力层提供训练和推理所需的芯片、服务器、数据中心与网络设备；模型层负责算法研发与参数训练，形成通用或专用模型；应用层则把模型能力封装成面向企业和个人的产品与服务。这三个层次并非孤立，而是存在上下游的投入产出关系，研究时先明确对象处于哪一层，再展开具体分析。

在需求驱动维度，可以观察三类已发生的需求来源。（1）训练需求：大模型的参数规模扩大，会带动对高性能计算集群的需求，这一过程在公开的模型迭代记录中有迹可循。（2）推理需求：当模型被用于搜索、客服、编程辅助等场景后，调用量会随用户规模变化，通常以调用次数、token消耗量等指标体现。（3）企业级与公共部门需求：部分行业出于效率或合规要求采购人工智能服务，这类需求往往受预算周期和采购规则影响。需要说明的是，需求数据多以官方统计或企业公开披露为准，不同口径之间一般不可直接比较。

在竞争格局维度，三个层次的竞争特征并不相同。算力层通常资本开支大、技术门槛高，参与者数量相对有限，市场份额变化往往与产能、制程和供应链稳定性相关。模型层呈现“研发投入高、迭代速度快”的特点，公开评测榜单、开源社区活跃度、模型版本更新频率等，都是可观察的客观线索。应用层进入门槛相对较低，参与者众多，竞争常围绕用户留存、付费转化和场景适配展开。研究时应避免用单一指标判断格局，而应结合公开的融资、专利、论文和产品发布记录交叉验证。

在成本结构维度，人工智能行业普遍具有“前期投入大、边际成本随规模变化”的特征。算力层的主要成本包括芯片采购、电力、冷却和折旧；模型层的主要成本包括算力租用、数据获取、人才薪酬和训练试错；应用层的主要成本则包括推理调用费、获客支出和运维。不同层次的成本占比会随技术路线和规模变化，具体数值通常以企业财报或官方披露为准。理解成本结构，有助于判断一个环节的利润空间受哪些因素挤压。

在政策制度维度，人工智能涉及数据、算法、算力和应用多个监管面向。已发生的制度安排包括：数据安全与个人信息保护相关法律，算法推荐与深度合成管理规定，生成式人工智能服务管理暂行办法，以及针对算力基础设施的产业政策。不同国家和地区的监管重点存在差异，有的侧重数据跨境，有的侧重内容标识，有的侧重出口管制。研究时应以官方发布的规则文本为准，并注意规则的生效时间和适用范围。

把上述四个维度与三个层次结合，可以形成一张基础的研究清单：先定位层次，再分别查看需求来源、竞争线索、成本构成和适用规则。这样做的目的不是预测行情，而是把公开可查的事实归入一个稳定的分析框架，减少被单一信息带偏的可能。对于普通投资者而言，理解这套框架本身，比记住任何具体结论都更有长期价值。