深入理解基础模型层投资

可视化演示

动态演示深入理解基础模型层投资的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

基础层定位：产业链的源头

当一座水电站落成，下游的工厂、居民楼、轨道交通全都离不开它。它没有直接把商品卖给消费者，却决定了整片产业带的用电成本和供给上限。基础模型层也是如此：它不直接面对C端用户，却为所有上层AI应用输送“智能电流”。无论是聊天机器人、办公助手还是企业知识库，底层都依赖这些数千亿参数的大模型。

投资界所说的“基础模型层”，指负责研发、训练并对外输出通用大模型能力的公司，典型代表包括OpenAI、Anthropic、Google DeepMind以及国内多家大模型厂商。它们位于AI产业链最上游，上游承接芯片与算力服务，下游连接模型应用与行业解决方案。这一层公司的成败，直接决定应用层的成本天花板和体验下限，这就是“源头效应”。

投资基础层，相当于投资整条AI产业链的“电价”。如果水电站失败，下游还可以暂时烧柴油；如果基础模型层长期缺位，应用层就只能依赖进口“电力”，成本和供应安全都受制于人。这也是为什么国家级资本和超级科技巨头都愿意在此下重注。

$$\displaystyle \text{上层价值} = f(\text{基础模型能力}, \text{业务场景落地})$$

1. 上层价值：应用层产品能创造的商业价值，比如营收、用户规模或利润

$$\displaystyle \text{上层价值}$$

2. 基础模型能力：底层模型的推理准确率、多模态覆盖、上下文长度等基础素质

$$\displaystyle \text{基础模型能力}$$

3. 业务场景落地：应用层将通用能力适配到医疗、金融、教育等垂直场景的深度

$$\displaystyle \text{业务场景落地}$$

4. 函数f(·)：表示两者不是简单相加，而是复合作用——场景越好、基础越强，最终价值放大得越明显

$$\displaystyle f(\cdot)$$

回到水电站的比喻：上游水库的水量决定中游能发多少电，中游的电网又决定下游多少工厂能开工。基础模型层的位置决定了它的一举一动都会在整个产业链中激起连锁反应。投资人看基础层，看的不是它今天卖了多少服务，而是它作为“产业源头”未来能撬动多大盘子的想象力。

投资门槛：天价入场券

建水电站的第一道难关是钱。征地、筑坝、买发电机组、铺设输电线路，每一项都是天文数字，开工前就要把数十亿资金押进去，还要忍受多年没有收入的施工期。基础模型层投资同样如此：训练GPT-4级模型需要数万张高端GPU，仅仅采购硬件的账单就足以让普通公司望而却步。

从成本结构看，基础层公司从成立的第一天起就在烧钱。GPU采购和机房建设属于重资产投入，顶尖研究员的薪酬更是以百万美元起步，日常训练的电费和推理集群运维也是持续失血。这三笔账叠加起来，形成了行业极高的资本壁垒，也解释了为什么基础模型层玩家几乎都有大厂或顶级VC背书。

更关键的是，这种高投入伴随着高风险：硬件技术路线可能转向（如从GPU转向专用芯片），算法范式可能迭代（如从Transformer走向新的架构），上一轮投资可能尚未回本，下一代技术已经推翻重来。高门槛与高风险并存，是基础模型层区别于大多数互联网投资的最大特征。

$$\displaystyle \text{总投入} = C_{\text{算力}} + C_{\text{人才}} + C_{\text{运营}}$$

1. 总投入：覆盖从建站、训练到对外稳定服务全生命周期的成本总和

$$\displaystyle \text{总投入}$$

2. 算力成本C算力：GPU集群采购、机房场地与基础设施的一次性投入

$$\displaystyle C_{\text{算力}} = \text{GPU数量} \times \text{平均采购单价}$$

3. 人才成本C人才：顶尖研究者与工程团队的薪酬、福利及招聘开销

$$\displaystyle C_{\text{人才}} = \text{核心科学家数量} \times \text{人均薪酬}$$

4. 运营成本C运营：训练电费、推理集群维护、数据采购等持续支出

$$\displaystyle C_{\text{运营}} = \text{模型调用量} \times \text{单位推理成本}$$

水电站的门槛不是故意设高的，而是工程本身决定了必须花这么多钱。对应到基础模型层，这笔天价投入既是吓退竞争者的“入场费”，也是后期护城河的地基——没有足够的坝高，就谈不上蓄水。投资人要做的不是绕开门槛，而是确认自己能在门槛之内待到电站发电的那一天。

护城河逻辑：三股力量汇成深水

水电站为什么防守性强？因为它一旦建成，蓄水发电的成本就会随规模摊薄，下游用户也逐渐离不开发电厂提供的稳定电网。想要复制一座同等规模的水电站，既要巨额资金，又要等上同样漫长的周期。这就是护城河——别人很难跨过的那道深水。

基础模型层的护城河可以拆成三种力量的叠加。其一是规模效应：同样一套GPU集群跑得越满，每个token的平均成本就越低，低价策略就更有底气。其二是数据飞轮：用户调用模型→产生真实反馈→反向改进模型→吸引更多用户，飞轮转得越快，和追赶者的差距就拉得越大。其三是生态锁定：成千上万开发者基于某个模型API构建了自己的产品，切换到竞品的成本不只是换接口，而是重写整个应用。

这三种力量不是平行的河流，而是汇入同一个水库：规模效应带来更低价格吸引更多用户，更多用户带来更多数据推动模型进化，更强的模型又让开发者更不愿意迁移。三者相互增强，形成正反馈循环。投资人在评估基础模型层公司时，真正要看的是这三股力量是否已经转动起来。

$$\displaystyle M = \alpha \cdot S + \beta \cdot D + \gamma \cdot E$$

1. M（护城河深度）：综合衡量一家基础模型公司在竞争中抵御进攻的能力

$$\displaystyle M$$

2. S（规模效应）：训练和推理规模扩大带来的单位成本下降程度

$$\displaystyle S$$

3. D（数据飞轮）：用户反馈转化为模型改进的速度和闭环完整性

$$\displaystyle D$$

4. E（生态锁定）：开发者基于该模型API构建应用的数量和依赖深度

$$\displaystyle E$$

5. α、β、γ（权重系数）：不同阶段三者的重要性不同——早期算力和规模更重要，中后期生态和数据权重更大

$$\displaystyle \alpha, \beta, \gamma$$

水库的深度决定了敌人游过来要花多大力气。一家基础模型公司如果只有资金堆出来的算力，却没有飞轮旋转、没有生态扎根，那么它的护城河只是一层浅浅的水洼。反之，当三股力量汇流成深潭，对手再想逾越，就不再是“多花点钱”能解决的问题。

算力规模：发电机组是硬实力

走进水电站的厂房，最直观的震撼来自那一排排巨大的发电机组——转子直径数米，转速每分钟数百转。有多少台机组，决定了电站能输出多少兆瓦。基础模型层的“机组”就是GPU集群和配套的数据中心，算力规模的绝对值直接决定了一家公司能够训练多大的模型。

模型训练对算力的需求不是线性的。业界常用一个近似公式来估算：所需算力约等于模型参数量、训练数据量和训练轮次的乘积。参数量从百亿涨到千亿，训练数据从千亿token涨到万亿token，算力需求就可能增长两到三个数量级。这也是为什么基础模型层每隔一两年就会经历一次“算力军备竞赛”。

算力规模还带来另一个隐性优势——摊销。同样采购十万张GPU，模型能力强的大厂可以通过更高利用率摊薄单位成本，而小厂可能让昂贵的集群长期闲置。折旧速度同样重要：GPU的寿命通常只有三到五年，买得早、用得满的公司，折旧成本已经被价值创造覆盖；买得晚、利用率低的公司，则可能还没摸到回报，设备就已经过时。

$$\displaystyle C = P \times D_t \times E_p$$

1. C（总算力需求）：训练一次大模型所需的计算总量，常用FLOPs衡量

$$\displaystyle C$$

2. P（模型参数量）：模型的权重数量，从数十亿到数万亿不等

$$\displaystyle P$$

3. Dt（训练数据量）：参与训练的token总数，通常以千亿或万亿计

$$\displaystyle D_t$$

4. Ep（训练轮次）：模型在数据集上完整学习的次数，轮次越多越吃算力

$$\displaystyle E_p$$

发电机组越多，水电站的对外议价权越大。但机组多不意味着必然盈利——买机组本身就是赌注。对基础模型层的投资人来说，算力规模是一张硬底牌，但这张牌能不能打出去变现，还要看水库有没有水、电网有没有用户。算力是必要条件，却不是充分条件。

数据壁垒：水库的蓄水量与水质

水电站的发电量，不仅看机组规模，还要看水库里有多少水。库容大才能支撑长期稳定的发电，水质好才能减少涡轮磨损、提升效率。基础模型层的数据壁垒就扮演着这个角色——没有高质量、大规模的数据，算力再强也造不出强模型。

数据对人类大模型的价值存在“边际收益递减”现象：当数据量从百亿token提升到千亿token时，模型能力提升非常显著；但继续从万亿token往上堆，增长的边际效果会逐步放缓。与此同时，数据质量的权重不断上升——去重是否彻底、噪声是否过滤、领域语料是否充分，比单纯增加几亿条低质量网页文本更有价值。

对投资而言，数据壁垒的核心在于可获取性。公开网页数据很容易被所有玩家抓取，真正的壁垒来自私有数据：一家公司和用户长期互动沉淀的对话记录、专业机构的独家语料库、通过产品闭环持续产生的真实反馈。这些数据既不能被轻易复制，又能持续喂养模型进化，才是真正的“私有水库”。

$$\displaystyle \text{模型能力} \propto Q_d \cdot \log(V_d)$$

1. 模型能力：模型在通用理解、推理、生成等任务上的综合表现

$$\displaystyle \text{模型能力}$$

2. Qd（数据质量）：去重干净度、噪声比例、领域覆盖度等质量指标

$$\displaystyle Q_d$$

3. log(Vd)（数据规模的对数）：数据总量以对数形式计入，体现收益递减规律

$$\displaystyle \log(V_d)$$

4. ∝（正比关系）：模型能力随质量提高而线性增益，随数量提高而阶梯式放缓

$$\displaystyle \propto$$

水电站的库容决定了它能抗住多少旱季。基础模型层的公司如果只靠公开数据这座“公共水库”，那它的供水随时可能被上游截断；只有挖出自己的私有水源，才能在数据红利期之后继续放水发电。投资人的一项重要工作，就是确认这家公司的水库是“租来的”还是“自己挖的”。

团队与开源：施工队与输电网

一座宏伟的水电站背后，站着几百名结构工程师、流体力学专家和电站运营技师。坝体的每个拐角都凝聚着人类经验的结晶。AI基础模型层的“施工队”就是顶尖研究团队——能独立设计训练方案、开创新型架构的人，全世界掰着手指头数得过来。

顶尖团队的价值不仅在于“把模型训练出来”，更在于“知道下一步往哪走”。AI技术迭代极快，谁能更早预判范式变化，谁就能避开巨额沉没成本。这就像水电站建设者不仅要懂今天的施工，还要能预测未来三十年的水文波动。团队能力是投资人最信赖的软指标。

开源战略则是团队能力的放大器。把模型权重开源出去，相当于把自己的电网免费接入千家万户——短期内看似没有收入，却换来开发者生态的广泛采用。某个开源模型成了行业标准后，后续版本的API调用、企业服务授权、云厂商的合作分成都会随之而来。开源不是慈善，而是用可见的影响力换取未来的生态位。

$$\displaystyle I_e = T_a \times A_c$$

1. Ie（生态影响力）：该基础模型在整个AI开发者生态中被采用和讨论的广度

$$\displaystyle I_e$$

2. Ta（团队技术能力）：核心团队在论文、开源项目、工程实现上的综合实力

$$\displaystyle T_a$$

3. Ac（社区活跃度）：外部开发者贡献代码、提交问题、二次开发的参与程度

$$\displaystyle A_c$$

4. 乘号（×）：团队再强，如果没有社区响应，生态影响力也起不来；两者必须同时在线

$$\displaystyle \times$$

一流施工队能保证大坝百年不倒，而一张宽广的输电网能让每一度电都物尽其用。优秀的基础模型层公司，既要有顶尖团队筑起技术大坝，又要靠开源把电力送到千家万户。投资人寻找的正是这种“建得快、传得广”双重能力的公司。

商业化挑战：电价收不上来的困境

水电站建成了，水库蓄满了，发电机转起来了，却可能面临一个尴尬的问题：电价怎么定？定太贵，下游工厂宁可自己烧柴油；定太便宜，连运营维护费都cover不了。基础模型层的商业化正卡在这个“电价困境”中。

当前基础层公司的主要变现路径是API调取——开发者按调用次数付费，如每百万token收取几美元。看似清晰，但推理成本高企：每次调用都要动用数千亿美元的GPU算力去实时计算，电费和服务器折旧摊到每次调用上，利润空间被压得很薄。更糟糕的是，行业价格战让API单价持续走低，你降我也降，最终变成“用收入换市场份额”的消耗战。

也因此，纯靠API很难覆盖训练成本的现状下，厂商开始探索多元收入：企业级私有化部署收取高额授权费，与云厂商深度绑定获取分成，甚至自研芯片降低硬件成本。商业化的核心矛盾始终是一道算术题：收入端能不能跑得比成本端更快。

$$\displaystyle \text{毛利率} = \frac{R_{\text{api}} - C_{\text{inf}}}{R_{\text{api}}} \times 100\%$$

1. Rapi（API收入）：按调用量计费产生的收入，等于单价乘以调用次数

$$\displaystyle R_{\text{api}}$$

2. Cinf（推理成本）：为处理每次调用而消耗的GPU计算、电力和服务器折旧

$$\displaystyle C_{\text{inf}}$$

3. 毛利率：收入减去直接成本后的剩余比例，反映单位业务的内在盈利空间

$$\displaystyle \frac{R_{\text{api}} - C_{\text{inf}}}{R_{\text{api}}}$$

4. ×100%：将比率转化为更直观的百分比形式

$$\displaystyle \times 100\%$$

水电站最怕的不是没水，而是发了电卖不出好价钱。基础模型层同样如此：技术领先是前提，但最终要落到“每一度电都能产生合理回报”。投资人评估项目时，一定要问一句：这家公司的电价有没有竞争力？成本能不能压得住？如果答案是否定的，再深的水库也会被经营成本慢慢放干。

方案权衡：大坝高度与库容的取舍

水电站设计从一开始就是一连串权衡：坝体修得更高，库容更大但淹没区更广、移民更多；发电机组配得多，峰值出力强但闲置成本高。没有完美的方案，只有基于目标的取舍。基础模型层投资同样是多维度的权衡游戏。

第一个权衡是自研还是购买。自研基础模型可以获得数据控制权和自主性，但需要天量资本和人才储备；直接采购外部API则可以快速上线、轻资产运营，但长期受制于人，核心数据也会沉淀在别人的平台上。第二条是开源还是闭源。开源能迅速建立生态影响力，但放弃了技术独占优势；闭源能保护商业利润，却可能失去社区支持。

第三个权衡是通用还是垂直。做通用模型覆盖广、天花板高，但竞争对手林立；做垂直模型聚焦特定行业（医疗、法律、金融），可以深耕数据壁垒，但市场规模有限。现实中几乎没有任何公司能同时在所有维度上都占优，投资人必须根据自身的资金、周期和风险偏好，给每个维度分配权重，算出总评分后再做决策。

$$\displaystyle \text{决策评分} = \sum_{i=1}^{n} w_i \times s_i$$

1. 决策评分：某个投资或技术路线的综合得分，越高代表与战略目标越匹配

$$\displaystyle \text{决策评分}$$

2. wi（权重）：每个维度对最终决策的重要程度，所有权重之和为1

$$\displaystyle w_i$$

3. si（维度得分）：在某个维度上的主观或客观评分，例如自研得分60分、购买得分90分

$$\displaystyle s_i$$

4. 求和Σ：将所有维度的加权得分累加，形成最终可比性的总分

$$\displaystyle \sum_{i=1}^{n}$$

没有完美的水电站，只有最适合当地地理和需求的方案。同样的逻辑适用于基础模型层投资：高坝深库的巨型工程适合财大气粗的巨头，窄坝浅库的轻资产方案适合灵活的中小玩家。关键是清楚自己的目标函数是什么，然后诚实地给每个维度打个分——这比盲目追逐“最大、最强”可靠得多。

AI 应用场景

Python 演示

def evaluate(project):    """基础模型层投资评分模型: 按水电站五要素打分"""    weights = {        'compute': 0.25,   # 算力规模: 发电机组        'data': 0.25,      # 数据壁垒: 水库蓄水        'team': 0.20,      # 团队能力: 施工队        'ecosystem': 0.15, # 开源生态: 输电网        'revenue': 0.15,   # 商业化: 电价收入    }    scores = {}    scores['compute'] = min(project['flops'] / 1e25, 1.0) * 100    scores['data'] = min(project['tokens'] / 1e13, 1.0) * 100    scores['team'] = min(project['top_phds'] / 200.0, 1.0) * 100    scores['ecosystem'] = min(project['github_stars'] / 4e5, 1.0) * 100    scores['revenue'] = min(project['api_revenue'] / 5e8, 1.0) * 100    total = sum(scores[k] * weights[k] for k in weights)    return round(total, 1), scores if __name__ == '__main__':    giant = {        'flops': 8e25, 'tokens': 12e12, 'top_phds': 180,        'github_stars': 6e5, 'api_revenue': 4.5e8,    }    challenger = {        'flops': 5e24, 'tokens': 3e12, 'top_phds': 60,        'github_stars': 3e5, 'api_revenue': 1.2e8,    }    for name, proj in [('巨头型护城河', giant), ('开源型挑战者', challenger)]:        total, scores = evaluate(proj)        print(f'{name} 总评分: {total}')        for dim, val in scores.items():            print(f'  {dim}: {val:.1f}')        print()

1. weights = {...}定义五个维度的权重，对应水电站的机组、水库、施工队、电网、电价
2. scores['compute'] = min(project['flops'] / 1e25, 1.0) * 100将算力规模归一化到0-100分，超过阈值按满分计
3. scores['data'] = min(project['tokens'] / 1e13, 1.0) * 100用token数评估数据壁垒
4. total = sum(scores[k] * weights[k] for k in weights)加权求和得到综合投资评分
5. if __name__ == '__main__':独立运行入口，方便直接执行测试
6. for name, proj in [('巨头型护城河', giant), ('开源型挑战者', challenger)]:同时评估两个代表性项目并对比输出
7. print(f'{name} 总评分: {total}')输出项目总评分，直观看到谁的水电站更有投资价值

常见误区

面试题