AI 模型与垂类应用的护城河本质

最近在朋友圈看到一位朋友发表：AI 其实不是一门好生意。核心观点精准戳中了通用大模型基础层的致命缺陷：技术同质化、转换成本低、重资产线性成本，最终导致 “改变世界却赚不到钱” 的发电厂悖论。

尝试做一下延展，采用 “护城河 = 利益相关方不敢换、换不起、不想换的退出成本总和”的核心框架，从客户退出成本、产业链退出成本、政策退出成本三个维度，分别拆解通用大模型公司和 AI 垂类应用公司的护城河宽度与持久度。

定义说明：

本文中，通用大模型公司指以提供标准化多模态推理 API、通用基础模型为核心业务的公司（如 OpenAI、DeepSeek等等）；垂类应用公司指聚焦特定行业，基于大模型技术开发行业解决方案的公司（如医疗 AI、工业 AI）。对于同时布局基础层和应用层的公司，需分业务板块单独评估其护城河。

一、通用大模型：绝大多数没有真正的护城河，只有头部 3-5 家有短期壁垒

通用大模型公司的本质就是 “AI 发电厂”，卖标准化的 Token 电力，没有差异化，没有客户粘性，最终只能陷入价格战，利润率向传统公用事业看齐。

1. 护城河宽度三维评估

（1）客户退出成本：几乎为零，仅头部有生态壁垒

这是通用大模型最致命的缺陷，符合原文的 “电厂类比”：

对于绝大多数客户来说，不同大模型的 Token 是完全可替代的商品。当性能差异缩小到 10% 以内时，客户只会选择价格最低的那个。现在国内大模型的 API 价格已经从 2023 年的 0.1 元 / 千 Token 打到了 0.001 元 / 千 Token，跌幅超过 99%，就是最好的证明。

上层 Agent 的普及会进一步摧毁客户粘性：未来用户只会和 Agent 交互，Agent 会自动在后台调用最便宜、最合适的大模型，用户根本不知道也不关心底层用的是谁。

仅头部公司有一定生态壁垒：OpenAI 的插件生态、GPTs 商店，以及企业基于 GPT 做的深度定制开发，会产生一定的切换成本。但这种壁垒远不如软件时代的操作系统，一旦有性能相当、价格更低的替代品出现，客户会毫不犹豫地切换。

头部通用大模型公司的壁垒主要来自三个方面：

1.数据飞轮：拥有全球最大的用户交互数据，模型迭代速度远快于竞争对手；

2.算力锁定：提前锁定了未来 2-3 年的高端 GPU 产能，竞争对手无法获得足够的算力支撑大规模训练；

3.人才壁垒：汇聚了全球最顶尖的大模型研发团队，技术代差至少维持 6-12 个月。这些壁垒的持续时间约为 5-8 年，若没有颠覆性技术出现，头部格局很难被打破。

（2）产业链退出成本：腰尾部大模型公司是产业链的 “夹心饼干”

腰尾部通用大模型公司，在标准化API市场，对上下游都没有议价权。头部通用大模型和垂直领域大模型，在各自的优势场景拥有一定价权。

上游被算力芯片卡脖子：所有大模型公司都依赖英伟达的 GPU，英伟达赚走了 AI 产业链 70% 的利润，大模型公司只是给英伟达打工的。

下游被应用和客户拿捏：应用公司可以随时切换底层大模型，甚至同时调用多家大模型的 API 来压价。大模型公司为了抢客户，只能不断降价，甚至免费提供服务。

但在深度定制场景，议价权会发生根本性转移：如果应用公司基于某款大模型做了行业机理融合、私有数据训练和系统级对接，切换成本将超过千万元，此时双方形成深度绑定，议价权取决于各自的不可替代性。

（3）政策退出成本：牌照是门槛，不是护城河

国内的大模型牌照确实挡住了很多参与者，但牌照是发给多家的，不是独家垄断。现在已经有超过 100 家公司拿到了大模型牌照，未来还会有更多。政策支持的是整个 AI 产业，不是某一家公司，一旦某家公司跟不上技术发展，政策会立刻转向支持其他公司。

2. 护城河持久度：绝大多数不超过 3 年，头部 5-8 年

通用大模型的护城河寿命极短，核心原因是技术收敛速度太快，替代成本下降太快：

技术收敛：至少在未来3-5 年内，Transformer 架构仍将是通用大模型的主流，性能提升以渐进式迭代为主，出现颠覆性新架构并快速代 Transformer 的概率较低。现在任何一家公司只要有足够的钱和算力，都能训练出和 GPT-4o 性能相当的模型。

成本下降：芯片性能每 18 个月翻一倍，Token 成本每 12 个月下降 50%。现在训练一个千亿参数大模型的成本已经从 2023 年的 1 亿美元降到了 2026 年的 1000 万美元，未来还会继续下降。

开源冲击：开源大模型的性能正在快速逼近闭源模型，Llama 3、Qwen 2 等开源模型已经能满足绝大多数场景的需求，进一步压缩了闭源大模型的利润空间。

预警信号：当所有大模型的性能都收敛到同一水平，价格战打到电费 + 折旧的成本线，客户开始大规模采用多模型混合调用策略时，90% 的通用大模型公司会在 3 年内处境微妙，最终可能只剩下 3-5 家头部公司，靠规模效应维持利润。

二、AI 垂类应用公司：真正的护城河所在，头部公司寿命可达 10 年以上

通用大模型是发电厂，卖标准化的电力，利润薄；而垂类应用是电器公司，用电力做差异化的产品，卖给特定的客户，利润高，护城河宽。

垂类应用的护城河从来不是 “用了什么大模型”，而是 “行业知识 + 业务流程 + 客户数据 + 合规资质” 的深度绑定。这才是真正让客户 “换不起、不敢换、不想换” 的核心壁垒。

1. 护城河宽度三维评估

（1）客户退出成本：从 “换一个模型” 到 “重构整个业务系统”

这是垂类应用和通用大模型最本质的区别：

深度行业绑定型应用的切换成本是系统级的，不是换一个 API 就能解决的。比如某三甲医院用了某家公司的 AI 辅助诊断系统，里面包含了：

浅度工具型应用的切换成本是数据级的，比如写作工具里的历史文档、绘图工具里的素材库，会产生一定的用户粘性，但这种粘性很容易被打破。一旦有更好用、更便宜的工具出现，用户会立刻切换。

套壳应用型应用的切换成本为零，它们只是给通用大模型加了一个简单的界面，没有任何自己的东西，随时会被大模型自带的功能替代。

（2）产业链退出成本：从 “夹心饼干” 到 “产业链核心”

垂类应用公司是 AI 产业链的价值整合者，上下游都依赖它们：

上游的通用大模型公司需要抢垂类应用的客户，因为垂类应用是大模型最大的付费方。垂类应用公司可以同时调用多家大模型的 API，压价能力极强，反而大模型公司要看垂类应用的脸色。

下游的行业客户需要垂类应用公司帮它们解决实际问题，实现数字化转型。垂类应用公司掌握了行业的核心需求和业务流程，是连接 AI 技术和实体经济的桥梁。

深度行业绑定型应用已经形成了自己的生态系统，比如医疗 AI 公司绑定了医院、药企、医保、设备商，工业 AI 公司绑定了工厂、设备商、MES 系统。如果这家公司倒了，整个行业的数字化进程都会受影响，所以产业链会全力支持它。

（3）政策退出成本：行业资质是最高的护城河

很多垂类行业有严格的监管要求，进入门槛极高：

医疗 AI 需要 NMPA 的三类医疗器械证，申请周期至少 3 年，成本超过千万，现在全国只有不到 20 家公司拿到了辅助诊断的三类证。

金融 AI 需要银保监会的资质，必须满足严格的数据安全和合规要求。

工业 AI 需要和各种工业设备、控制系统对接，需要行业认证和安全资质。这些资质不是靠砸钱就能拿到的，需要长期的行业积累和合规能力，是真正的 “护城河”。政策会优先支持那些有资质、有能力解决行业痛点的公司，形成强者恒强的格局。

垂类应用的四大护城河要素呈现明显的层级关系：

第一层（门槛）：合规资质：没有资质就无法进入市场，是最基础的准入壁垒；

第二层（基础）：客户数据：行业私有数据是训练垂类模型的核心原料，数据量和质量直接决定模型效果；

第三层（核心）：行业知识 + 业务流程：对行业痛点的深刻理解和对业务流程的深度融入，是无法被通用大模型替代的核心竞争力。

2. 护城河持久度：头部公司可达 10 年以上，远超通用大模型

垂类应用的护城河寿命远长于通用大模型，核心原因是行业知识和业务流程的沉淀需要时间，无法被快速复制：

行业知识的积累是线性的：一个医疗 AI 公司需要积累数百万份病历数据，和上千家医院合作，才能训练出准确的辅助诊断模型；一个工业 AI 公司需要深入上百家工厂，了解各种生产工艺和流程，才能开发出有效的解决方案。这些都需要 5-10 年的时间，不是靠砸钱就能快速赶上的。
客户关系的建立是长期的：To B 业务的核心是信任，客户一旦用了某家公司的产品，并且用得好，就会形成长期的合作关系，不会轻易更换。很多垂类应用公司和客户的合作周期都在 5 年以上，甚至 10 年以上。
合规资质的壁垒是长期的：行业资质的申请周期长，难度大，一旦拿到，就会形成长期的竞争优势。比如拿到 NMPA 三类证的医疗 AI 公司，至少在 3-5 年内不会有新的竞争对手。

预警信号：当通用大模型的能力已经能覆盖垂类应用的核心功能，并且出现了标准化的行业解决方案时，那些没有深度行业绑定的浅度工具型应用的护城河就会崩塌。比如通用的客服 AI、写作 AI，现在已经被大模型自带的功能大量替代；但深度的医疗 AI、工业 AI、金融 AI，暂时不会被通用大模型替代。

最终结论：AI 时代的利润分配与投资启示

1. AI 产业链的最终利润分配格局

基于 2025 年 AI 产业链的实际利润分布和未来 3 年的发展趋势，预估 AI 产业链的最终利润分配格局将呈现以下特征：

产业链环节	利润占比	护城河特征	存活公司数量
算力芯片	30%	极宽，技术 + 资本壁垒	3-5 家
垂类应用	60%	宽，行业 + 合规壁垒	每个行业 3-5 家
通用大模型	10%	窄，规模 + 生态壁垒	3-5 家

2. 市场启示

建议回避：绝大多数通用大模型公司和套壳应用型公司，它们没有真正的护城河，最终会在价格战中倒闭。

谨慎参与：头部通用大模型公司，它们有短期的规模效应和生态优势，但长期利润率会不断下降，买入的价格很重要。

值得拥有：深度行业绑定的垂类应用龙头公司，它们有极宽的护城河和极长的寿命，是 AI 时代真正的长期赢家。重点关注医疗 AI、工业 AI、金融 AI、法律 AI 等进入门槛高、客户切换成本高的赛道。

终局展望：AI 革命的最大赢家，不是那些造 “发电厂” 的公司，而是那些用 “电力” 做出了最好 “电器” 的公司。