网络首发 | 数据要素驱动下AI模型交易的兴起与演变态势

图源 | Internet

丁　震^1,2,3　姚志臻⁴　马费成^1,2,3

1. 武汉大学信息管理学院, 武汉,430072;　

2. 武汉大学信息资源研究中心,武汉,430072;

3. 武汉大学大数据研究院,武汉,430072;　

4. 武汉大学新闻与传播学院,武汉,430072

在数智化转型的浪潮中，数据作为新型生产要素，已成为驱动数字经济高质量发展的核心动能。随着我国《关于构建数据基础制度更好发挥数据要素作用的意见》^[1]和《“数据要素x”三年行动计划(2024一2026年)》^[2]等战略规划的深入实施，数据要素市场的建设重心正从单纯的规模扩张向价值深度释放转型。数据作为第五大生产要素，其价值的实现并非一蹴而就，而是经历脱敏、模型化、AI化等过程^[3]。在此过程中，人工智能技术不仅催化了数据价值创新，更促成了数据要素由“原始资源”向“高阶产品”的范式跃迁。

人工智能技术的爆发式增长深刻改变了数据要素交易的市场结构。据北京国际大数据交易所数据显示^[4]，人工智能相关数据交易量占比从2024年的10%陡增至2025年的近80%，这一数据折射出数据要素市场需求重心正在发生移位。国家层面出台《关于深入实施“人工智能+”行动的意见》^[5]等政策，明确提出探索数据换模型”“数据换场景”等创新数据要素流通模式。在这一背景下，数据要素交易的边界正加速从原始数据集向预训练模型及下游衍生模型延伸。数据与人工智能技术的深度耦合，催生出一种全新的交易标的-人工智能(AI)模型。从信息资源生命周期的视角审视，数据是AI模型发展的底层输入，而AI模型则是数据价值凝练后的高阶产出，数据要素交易市场中 AI模型交易应运而生。

AI模型交易的兴起，标志着数据要素市场化配置进人了深水区。全球范围内，AI模型交易呈现出多元演变态势,以Hugging Face^[6]为代表的开源生态模式，强调社区驱动与协同创新;以 OpenAI^[7]为代表的闭源商业化模式，则依托 API接口构建起严密的价值捕获体系。反观国内，尽管阿里云^[8]和百度云^[9]等平台发展迅猛，各省市数据交易所亦相继开辟AI交易专区，但仍处在萌芽和探索期，仍面临理论支撑不足与实践路径不清的双重瓶颈。

此外，作为数据要素市场的高阶形态，AI模型交易的内在机理、演变逻辑及其对传统数据交易范式的冲击，尚未得到系统性的阐释。既有研究多聚焦于传统数据交易机制^[10]或数据要素交易中人工智能技术应用^[11]层面，缺乏对AI模型作为一种特殊要素产品在数据要素流通交易市场全过程中的兴起与演变态势研究。基于此，本研究采用多案例研究法，选取国内外具有代表性的AI模型交易研究样本，旨在剖析数据要素驱动下AI模型交易的演进模式与交易生态。本研究通过对比典型AI模型交易模式的发展差异，试图揭示 AI模型交易的核心演变特征与动力机制，并针对我国数据要素市场建设的现实困境提出政策建议。研究结论不仅有助于拓宽数据要素价值链理论与数字资产交易理论体系，亦能为我国构建规范、高效的AI模型交易生态提供决策参考。

在全域数字化转型与人工智能技术爆发式演进的交汇点上，数据已正式确立为驱动数智社会发展的第五大生产要素。据预测，中国数据交易市场规模将于2030年达到7159亿元^[12]，这一宏观趋势促使学术界对数据交易形态进行更深维度的理论解构。郝寿义^[13]从信息资本化视角揭示了从信息要素到信息产品再到信息商品的资本化转化进程;李海舰等^[14]以及马费成等^[15]在此基础上结合数据要素价值链视角，勾勒出“数据资源-数据资产-数据商品-数据资本”这一数据交易过程中价值形态演进的动态全景。这种演进在DIKW理论框架下得到更具象的体现，如丁震等^[16]提出数据交易产品形态从“原始数据”到“主题图谱”,再到“任务导向轻量模型”与“行业垂直大模型”的层次进阶路径。国家数据局^[17]进一步将数据定义为“任何以电子或其他方式对信息的记录，其在不同视角下被称为原始数据、数据产品和服务、数据要素等”,并将数据交易界定为“数据供方和需方之间进行的、以特定形态数据为标的、以货币或者其他等价物作为对价的交易行为”。综合上述研究可见，数据要素的价值释放并非仅停留在原始数据的简单买卖，而是正在向数据驱动的智能形态交易深度演进。

作为数据要素在“智慧”维度的产物，AI模型并非简单的数字文件,而是海量数据、先进算法与高性能算力深度融合所形成的知识封装体。其核心在于通过对非结构化数据的特征解构与关联建模，实现从数据持有向数智能力传递的范式转变。正因如此，AI模型的交易行为已不再局限于传统数字资产的权属转移，本质上是一种关于数据处理能力与不确定性化解效用的深度交换。

基于上述理论梳理与实践观察，在数据要素市场视域下，AI模型交易的核心标的并非单一的物理介质，而是模型参数化后的知识逻辑与推理能力的契约化交付，其交易行为呈现出交付形态的连续谱系化特征。Kumamr等^[18]指出未来的AI模型交易市场应既支持预训练模型资产的直接售卖，亦允许客户仅通过API获取预测结果而无需持有模型本体。Pei等^[19]进一步将此类AI模型市场界定为使多方主体能够共享、发现和集成数据与AI资源并由此产生附加值的场所与机制。据此，本研究进一步将数据要素市场中AI模型交易的交付形态解构为三个层级，如图1所示。

第一层级是资产型交付(Model asa Product，MaaP)。其交易标的是模型权重文件的占有权转移或源代码的授权使用许可。此形态下，模型作为完整的数字资产进行交割，流转范式遵循传统的物理拷贝逻辑，买方获得模型的物理副本及后续二次开发、私有化部署乃至再次流通的物理基础。第二层级是服务型交付（Model as a Service，MaaS）。交易标的上移至AI模型的推理算力使用权与智能产出。此形态下，模型参数本。身不离开供给方基础设施，价值通过API调用等逻辑效用实现跨域转移。尽管该形态不具备传统数据文件的物理拷贝流转特征，但从经济学视角审视，其实现了智能效用的即时消费与跨域价值转移。这种交付形态类似于数据市场中的提供基于数据的服务而非数据本身^[20]，是数据要素价值释放并向高阶服务化演进的必然路径。第三层级是方案型交付(Model as a Solution)。交易标的进一步封装为融合AI模型、AI数据、AI算力与合规认证的复合契约。该形态兼具资产的归属感与服务的灵活性，其流转范式演进为在制度保障下的权属确认与安全能力集成，尤其适用于金融、政务等对数据安全与合规性要求极高的垂直领域。

基于上述AI交易形态的分层逻辑，本研究进一步将AI模型交易的内涵界定为:以算法模型参数所承载的智能效用为内核，通过在模型本体交付、服务接口调用或场景化解决方案等多元化交付形态之间进行选择与组合，实现数据处理能力与知识逻辑在不同市场主体间有偿流转的经济活动。

相较于以原始数据集为标的物、强调数据资源所有权或使用权转移的传统数据交易模式，AI模型交易更突出能力使用权的配置。在服务化交付形态下，尽管模型本体并未发生物理转移，但其推理能力通过标准化接口实现了跨主体调用与价值计量，本质上构成了一种可计量、可定价、可结算的能力流通形式。从经济学视角审视，这种基于调用量或效果付费的机制，与数据产品按次使用或按服务计费的模式具有一致性，因而可以被纳入广义的数据要素交易范畴。在此基础上，AI模型交易进一步实现了从资源流通向智能效用流转的范式跃迁。这种转变的核心在于模型的“胶囊化”特质，即通过非线性特征提取将碎片化知识与海量数据固化为参数体系，最后在技术层面实现数据要素可用不可见的合规流通。这不仅极大地降低了传统数据交易中的隐私泄露风险，更凭借模型强大的泛化能力与进化潜力，赋予了交易标的物更高的附加值。

当前，国内外产业界已开启AI模型交易的实践探索。国外形成了以Hugging Faceo^[6]、Open AI^[7]、AWSMarketplace^[21] AI Marketplace by AI planet^[22]等为代表的多元化交易模式，涵盖开源模型共享、API调用、定制化模型售卖等多种形态。国内以数据要素交易市场建设为契机，涌现出阿里云^[8]、百度云^[9]、深圳数据交易所^[23]贵阳大数据交易所^[24]等一批本土AI模型交易平台,逐步构建起适配中国数据要素交易市场需求的AI模型交易生态。需要特别指出的是，从产业实践观察，传统数据交易与AI模型交易在服务化交付层面呈现出高度的形态趋同。数据提供商将数据封装为API或SaaS服务，与大模型企业的API调用、订阅制服务在商业表象上难以严格切割。这种趋同性恰恰印证了数据要素价值释放从数据资源持有向知识能力服务演进的本质规律。AI模型交易并非凭空产生，而是数据要素服务化演进过程所抵达的高阶形态。当数据要素交易市场封装的服务内核由简单的数据查询、统计跃升为以AI模型为支撑的智能推理与内容生成时，数据服务便发生了向AI模型服务的质态跃迁。因此，本研究对AI模型交易的界定，侧重于其内核智能效用与知识逻辑交付的特质，而非执着于交易形式的表象区隔。AI模型交易的兴起，本质上是数据要素市场化配置迈向高阶形态的必然产物，预示着数据要素价值实现路径从原始驱动向智能驱动的转变。

在明确AI模型交易内涵后，需进一步从要素属性视角追溯其区别于传统数据交易的典型特征。若将原始数据视为数字经济时代的原油，则AI模型不仅是转化动力的引擎，更是封装了特定逻辑与知识的智能动力资产。结合信息资源管理、计算机科学与经济学等交叉学科视角，本研究从知识本质、技术构造和价值演进等三个维度阐释AI模型交易的内生特质及其对交易活动的结构性影响，进一步剖析AI模型交易区别于传统数据交易的内生特质，如图2所示。

(1)知识本质特征

从知识本质特征维度审视，AI模型交易表现出极高的知识凝聚性与逻辑抽象性。不同于传统数据交易中原始数据的简单堆叠^[25]，AI模型是海量数据要素经过深度神经网络等算法进行非线性特征提取后的产物，本质上实现了从事实呈现向逻辑抽象的知识跃迁。在信息资源管理框架下，这种特征体现为知识的“胶囊化”，即将原本弥散在数据中的隐性规则、模式与关联性固化为显性的参数权重，使交易标的从事实记录型资源转向逻辑推理型工具。这意味着买方获取的不仅是数字信息资产，更是一种高度浓缩的、具备特定问题求解能力的知识实体，从而在底层逻辑上实现从数据交付向智能交付的范式变革，体现了数据要素价值释放的认知高阶形态。

(2)技术构造特征

在技术构造特征维度，AI模型交易呈现出显著的要素解耦性与封装透明性。AI模型作为一种高阶的数据产品形态，其核心技术特质在于实现数据价值与原始载体的物理脱钩。通过高维参数化表征，模型在保留底层数据规律的同时，天然屏蔽了原始敏感信息的泄露风险^[26]，赋予了交易数据可用不可见的合规属性。然而，这种深度封装也诱发了技术上的黑盒化特征，使得模型效能高度依赖于推理环境、算力支撑及接口协议的协同。因此，AI模型交易往往表现为一种高度集成化的技术契约，涵盖了权重的交付、API调用的权限管理以及持续的工程化运维支持，构成了AI模型在复杂市场环境下流转的技术壁垒与信任基石。

(3)价值演进特征

从价值演进特征维度观察，AI模型展现出显著的效用驱动与非线性增值趋势。传统数据交易的价值评估往往遵循成本或规模导向^[27]，而AI模型的价值则直接锚定于其对特定任务的解决效能，如准确率、泛化能力及鲁棒性等。这种效用导向使得模型定价逻辑从静态资产评估转向动态性能激励。更为重要的是，AI模型在流转中具备极强的网络效应^[28]与长尾价值，AI模型在下游场景的每一次调用与反馈，都可能成为其进一步微调与进化的数据养料，从而诱发价值的二次叠加。这种非线性的价值增长曲线，打破了传统资源交易中边际效用递减的规律，使AI模型交易成为数据要素市场中价值释放效率最高的流通形式。

上述特征在模型本体、服务接口与解决方案等不同AI模型交易形态中呈现出差异化表现，但其内在逻辑具有一致性。三个维度特征构筑了AI模型“本体-载体-效用”的内在交易逻辑闭环。其中，知识本质特征构成AI模型交易的逻辑起点.决定了其作为高阶要素产品的知识本体属性;技术构造特征则作为中介载体，通过解耦与封装机制将深奥的知识逻辑转化为可流通、可交付的技术契约，保障知识实体在复杂市场环境下的合规流转;价值演进特征则是前两者的最终映射与价值归宿知识的凝聚程度与技术的成熟水平最终在效用层面转化为可量化的经济价值。结合AI模型交易的内涵，从三层交付形态的视角审视，三维特征的协同关系呈现出清晰的梯度对应:在资产型交付中，知识凝聚性占据主导地位;在服务型交付中，技术构造特征和价值演进特征成为核心支撑;在方案型交付中，三维特征深度融合，知识、技术与价值共同封装为面向特定场景的综合性智能交付方案。三者协同演进、互为支撑，共同驱动AI模型交易活动从初期的产品买卖模式向深度的服务生态系统转型，并由此催生出数据要素市场化配置的新范式。

在我国数据要素市场化配置改革纵深推进与“人工智能+”国家战略落地的双重驱动下,AI 模型作为数据要素经算法加工与场景融合形成的高阶数字资产,其流通交易正经历从零星的技术外包向标准化市场交易的转型。基于上述对AI模型交易不同交付形态的理论界定，本研究在综合考虑AI模型作为数据要素高阶形态资产的客体属性，以及数据要素市场中多元主体互动关系的基础上，构建以“AI模型开放程度”与“交易治理制变化程度"为核心的二维分析框架，对不同类型的AI模型交易模式进行结构化界定。其中，AI模型开放程度主要刻画模型在交易过程中的可获取性边界，即从完全开源共享到高度封闭的接口调用与服务化输出，反映模型作为数据要素产品的可访问性与可再利用水平;交易治理制度化程度则强调模型交易过程中规则体系的完备性、权责界定的清晰性以及执行机制的刚性约束，其高低直接影响交易成本配置方式与市场运行的稳定性。

在治理维度的理论建构上，本研究以Wiliamson^[29]的治理结构理论为基础，将市场治理、混合治理与层级治理的经典划分引人数据要素交易场景，并结合丁波涛^[30]关于数据要素市场治理所提出的市场化治理、垂直型治理与关系型治理三种基本形态，将分类维度中的交易治理制度化程度进一步细化。整个维度划分从以社区规范与声誉机制为核心的关系型治理，到依托价格机制与标准化契约的市场型混合治理，再到通过规则嵌人与平台机制实现交易内生化的平台型混合治理，最终过渡至以强制度约束为特征的垂直型治理。整体而言，关系型治理与部分市场型混合治理多发生于数据要素场外交易情境，而平台型混合治理与垂直型治理则体现出向数据要素场内交易演进的趋势。这一连续划分谱系的引人，不仅避免了对治理模式进行离散划分所带来的解释局限，也从动态视角揭示了数据要素交易由关系驱动、规则驱动向制度驱动演进的内在逻辑。

基于上述二维分析框架，本研究采用探索性多案例研究方法，遵循理论抽样原则选取国内外具有代表性的AI模型交易模式作为分析对象。案例筛选在兼顾典型性与差异性的基础上，力求覆盖不同维度组合下的多种交易模式，以增强研究结论的外部效度与理论解释力。具体而言，本研究首先系统梳理既有文献中关于AI模型交易与数据要素市场的相关研究成果，再以“模型交易平台"“ AI Model Marketplace”" AI Model Trading"等关键词通过谷歌、百度等搜索引擎进行检索，将结果进行整理、统计和筛选。在此基础上，进一步从数据要素融合深度的角度进行甄别，重点考察平台在模型训练数据合规、定价机制设计以及交易安全保障等方面的制度成熟度，从而确保所选案例能够反映数据要素驱动下AI模型交易的关键实践特征。基于上述筛选逻辑，本研究最终选 取 Hugging Facef^[6]、Open AI^[7]、AWS Market-place^[21] 阿里云^[8]和深圳数据交易所^[23]这五个典型平台作为本研究的核心案例。通过跨案例的横向比较，旨在系统揭示全球范围内AI模型交易模式的多样化演进路径。

如图3所示，在该二维框架下，不同AI模型交易模式呈现出清晰的结构性分布。当模型开放程度较高而制度化程度较低时，模型资源具有显著的公共性特征，交易主要依赖社区规范与声誉机制维系，表现为以Hug-ging Face为代表的开源生态型。当模型开放程度较低且制度化程度处于中等水平时，模型以封装接口形式对外提供，交易依赖标准化契约与价格机制实现，对应以OpenAI为代表的闭源服务型。当模型开放程度和制度化程度均处于中等时，模型、数据与算力被嵌入统一平台体系，交易规则内生于平台运行机制之中，形成以AWSMarketplace为代表的平台集成型。当模型开放程度较高与制度化程度中等时，平台通过开源社区与商业体系协同运作，在促进资源流动的同时嵌人规则约束，表现为以阿里云为代表的平台社区协同型。而当模型开放程度较低但制度化程度较高时，AI模型交易被纳人政府主导的制度体系，通过确权登记、合规审查与安全保障机制实现规范化流通，对应以深圳数据交易所为代表的制度先导型。

总体来看，以AI模型开放程度与交易治理制度化程度为经纬构建的二维分析框架，将多样化的AI模型交易模式嵌入统一的比较分析空间之中。从矩阵分布格局可以发现，当前全球AI模型交易的发展并未沿单一维度线性推进，而是在开放逻辑与制度化逻辑之间呈现持续博弈与动态耦合的演进特征。该框架不仅为界定不同交易模式的边界与内涵提供了清晰的分析工具，也为后续对各类研究案例的深人剖析及其演化趋势与交易生态的系统比较奠定了方法论基础。

在开源生态驱动的AI模型交易中，Hugging Face展现了从单一工具提供商向全球性数据基础设施与价值中转站演进的范式特征。Hugging Face是2016年于美国成立的一家专注于开发构建机器学习应用工具的公司，专注为AI研究人员和开发者提供开源的模型库和工具。目前全球范围内，超过50000个组织正在使用该平台,该平台目前托管了超过320000个模型和50000个数据集，成为全球机器学习社区合作开发模型、数据集和应用程序的主要集合地。

从演进模式来看，Hugging Face首先通过提供开源维护的Transformers库统一模型使用接口^[31]，极大地降低开发者调用先进NLP模型的技术门槛，这使得海量的开发者与模型开始向HuggingFace Hub汇聚，形成了规模化的AI模型交流枢纽，实现了开发者、模型与数据集的高密度聚合。随后进人数据价值放大阶段，平台通过Spaces^[32]将静态的模型参数转化为可交互、可感知的动态数据流，加速了模型在多元场景下的验证迭代与应用落地，实现了从数据资源持有向AI效用释放的转变。如今，其收购机器人公司Pollen Robotics并推出开源机器人Reachy^[33]，则标志着其演进方向从纯AI模型的软件数据走向具身智能，机器人在物理世界运行中产生的交互数据将成为训练下一代AI模型的高价值燃料。

在交易生态上，Hugging Face的核心在于其战略中立性和对数据主权的尊重，即不是简单地提供一个AI模型的下载链接，而是构建了一整套围绕数据生命周期的工具链，包括AI数据集存储库、AI模型微调工具、AI模型托管平台等，将自身打造成AI模型开发不可或缺的数据基础设施。商业模式上采用免费增值模式，通过免费开放核心公共数据资源维持社区生态的繁茂，同时针对企业级需求提供具有高安全性、访问控制与专业支持的私有化托管方案。这种模式精准切中了企业在数据交易中对隐私保护与安全合规的痛点，实现了从通用开源模型共享向私域模型价值变现的跃迁。这种以基础设施身份嵌人AI模型交易全生命周期的策略，为全球AI模型交易活动的开源生态化发展提供了极具参考价值的开源样板。

相较于开源驱动模式，OpenAI代表了闭源服务模式下AI模型交易活动的典型范式。该模式将核心AI模型视为高度稀缺性的私有数据要素资产,通过API作为数据交易的主要管道，严格控制数据资产的访问与使用，以实现直接收益的最大化并构建闭环技术生态。OpenAI是一个美国人工智能研究实验室，由非营利组织OpenAIInc 和其营利组织子公司OpenAI LP^[34]组成。其代表的产品ChatGPT在全球范围内，每周为超过8亿以上用户提供服务。

从演进模式来看，OpenAI的演进模式经历了从科研公益向AI模型资本化的深度转向。其早期以非营利组织身份通过开源愿景汇聚全球顶尖人才与学术资源，构建起极高的技术声誉储备^[35]，其定位更多是人工智能安全研究的先驱者，而非市场交易的主体。随后通过成立营利性实体OpenAILP子公司并深度绑定微软的算力资源^[36]，将巨额资本投人转化为模型算力的指数级增长，将AI模型从实验室的公共产品改造为具备高溢价能力的数字商品，完成了从非营利科研机构向AI模型交易闭源生态型营利性实体^[37]，确立了以算力成本和模型权重为核心壁垒的商业逻辑，通过API收费和订阅制将模型的智能直接转化为销售收入。如今，发布ChatGPT API和 GPT-4 API等官方 API,推出 Sora、o1等垂直或增强模型，其交易模式变成AI模型底座提供商，通过API授权路径，OpenAI构建了AI模型交易租金模式.开发使用者支付费用获取调用权，从而在AI模型之上开发成千上万的应用。

在交易生态上,OpenAI以 GPT系列、DALL-E、Sora及o1等全模态模型为核心底座，构建了以API授权为核心的模型，即服务交易模式。通过向下游开发者及科技巨头提供闭源技术接口，OpenAI在锁定全球应用流量人口的同时，利用用户交互产生的数据回流持续进行强化学习迭代，形成数据回流到模型强化再到用户增长的内生闭环。这种交易生态不仅将全球应用流量转化为海量的真实交互数据，更产生了一种基于AI模型租金的马太效应。对使用方而言，这种模式虽然降低了智能化采纳门槛，但也增强了其对技术供应商的长期依赖。OpenAI通过这种供应商锁定效应，确立了其在AI模型交易中的垄断性地位，展现了闭源生态下数据要素价值捕获的极致路径。

Amazon Web Services(AWS)是亚马逊公司旗下的子公司，主要向个人、企业和政府提供按需即用云计算平台以及应用程序接口，并按照使用量计费，其云服务占据全球33%以上的市场份额。AWSMarketplace是AWS其中的一个数字目录，允许客户查找、购买和部署在AWS上运行的软件和服务。AWS Marketplace代表了算力与模型高度耦合的集成化交易范式，其将AI模型视为云上的一种数字商品或服务单元，利用AWS底层基础设施提供商的数据资源优势，将模型与算力、存储、安全服务深度集成，构建了一站式要素配置市场。

从演进模式来看，早期AWS侧重于提供底层基础设施软件资源，随着数据要素价值的凸显，其战略重心转向平台服务与软件服务的深耕，通过Amazon Sage-Maker^[38]等工具将AI模型的开发与部署全生命周期纳人云端治理体系^[39]。AWS Marketplace的崛起，标志着其完成了从单一服务商向AI模型交易撮合者的身份转变。截至目前，AWSMarketplace 已汇聚超过6万种产品，其中基础设施软件与AI模型占据核心地位^[40]。独立软件供应商、系统集成商和渠道合作伙伴可以将多个软件产品、专业服务乃至亚马逊云科技自身的服务在AWS Marketplace进行预集成与打包，形成面向特定行业或业务场景的综合解决方案。买方不再需要自行拼凑各类工具，而是可以直接在AWS Marketplace采购一个能够解决具体业务问题的AI模型或者成果，从而极大地缩短了数据要素价值实现的时间。

在交易生态上，AWS Marketplace构建了一个以云计算基础设施为底座、以数据要素流通为核心的闭环协同平台。该平台并非孤立存在的交易中介，而是深度嵌入AWS整体服务体系的关键节点，形成了数据存储于云、模型部署于云、计算发生于云的一体化架构。这种平台集成模式通过在同一云端环境内部完成数据调用与AI模型推理，规避了AI模型交易中跨域传输带来的隐私泄露风险与合规成本。从主体关系来看，平台构建了多方共赢的AI模型交易生态网络。对买方而言，统一账单、一键部署与按需付费机制显著降低了AI模型技术采纳门槛;对卖方而言，全球化的分发渠道与透明的销售数据反馈系统赋能其持续优化AI模型产品;对平台自身而言，与AWSCloudFormation、Cloud Trail等服务的深度集成，确保了从部署、监控到审计的全生命周期管理能力。这种交易生态的独特价值在于将传统的线性买卖交易关系转化为立体的价值共创网络，使得数据提供方、模型开发者、算力服务商与应用企业能够在同一技术框架下高效协作，从而形成难以复制的竞争壁垒。

随着数据要素市场的发展，我国互联网企业依托既有的云计算基础设施与开发者生态，率先开启AI模型交易的探索实践，推动AI模型从技术工具向可交易数据商品的形态跃迁。这一转型过程的实质在于将AI模型视为云计算能力层的关键组件，通过平台化的交易机制实现其价值的规模化释放。作为国内最早构建完整云计算能力体系的科技企业，阿里云是该模式的典型代表。

从演进模式来看，阿里云呈现出从底层基础设施供给方向高阶模型要素市场枢纽转型的清晰轨迹。初创期，阿里云以解决内部算力瓶颈为契机，通过自主研发大规模分布式计算操作系统“飞天”(Apsara)^[41]，奠定了算力资源云化与标准化的技术根基。这一阶段实现了算力这一核心生产要素的弹性化供给，为后续数据要素与模型要素的价值释放提供高可靠的基础设施支撑。进入平台拓展期，阿里云完成了从支撑内部业务向对外提供公共云服务的战略跨越，初步构建了以计算能力为核心的资源型平台生态，实现了算力资源的商品化流通。随着人工智能技术的深度渗透，阿里云通过承接多个AI项目，推动云计算与大数据、人工智能的深度融合，平台逻辑开始由单纯的算力交易转向算力、数据与算法的协同驱动。AI模型逐步嵌入医疗影像诊断^[42]城市交通调度^[43]等高阶业务场景，阿里云据此确立了以“模型即服务”为核心的AI模型交易架构，完成从工具平台向AI模型交易枢纽的形态跃迁。当前，伴随大模型技术的爆发式发展，阿里云通过推出通义千问系列大模型^[44]，并构建魔搭社区(modelscope)^[45]与百炼大模型平台^[46]相协同的双平台架构，形成多层次、立体化的模型要素流通体系。在这一体系中，魔搭社区作为开放的模型资源库，有效降低了模型开发者与使用者之间的信息不对称与交易成本，促进了知识资产的开放共享;百炼大模型平台则聚焦企业级模型服务与应用开发，通过提供低门槛的模型微调与应用开发工具，实现模型能力的要素化输出。这一演进模式不仅涵盖从底层倚天芯片到上层行业专属模型的纵向技术整合，还通过全球数据中心的密集部署与差异化定价策略，在空间维度上持续拓宽AI模型服务的市场渗透半径。

从交易生态来看，阿里云的AI模型交易体系呈现出开源生态与闭源商业混合同构的典型特征。一方面，通过开源通义千问系列大模型确立技术话语权与标准规范，借助正向网络效应吸引并汇聚全球开发者资源;另一方面，通过与一汽、比亚迪、松下等头部企业的战略合作，深耕汽车、金融、工业等垂直领域，将通用大模型转化为具备高行业壁垒的知识资产。这种开源牵引创新、闭源驱动变现的双轮驱动模式，辅之以灵活的价格策略，有效降低了数据要素向生产力转化的门槛，加速了AI模型在全产业链的渗透与扩散。值得关注的是，随着DeepSeek等第三方模型的接入及多模态交互套件的推出，阿里云已演进为具备全球影响力的多边平台型AI模型交易平台，不仅实现了自研技术的商业化闭环，更依托其全链条服务能力，正在重塑人工智能时代数据要素交易市场的演进范式。

自我国将数据确认为新型生产要素以来,以数据交易所为核心载体的数据要素市场体系加速成型,并在制度建设不断完善的过程中,逐步将AI模型服务纳入场内交易的规范化框架之中。作为国家级数据要素市场化配置改革的重要试验平台，深圳数据交易所^[23]依托其既有的数据确权登记、合规审查、交易撮合与结算清算等制度基础设施，为AI模型这一新型交易标的提供了初步的制度嵌入空间。从组织属性上看，其兼具准公共制度供给职能与市场化运营机制，在“数据要素x”与“人工智能+”双重驱动下，呈现出由传统数据交易平台向“数据-算力-模型-应用”一体化生态平台的演进趋势，成为制度先导型AI模型交易模式的重要实践样本。

从演进模式来看，深圳数据交易所的发展可划分为从数据交易制度奠基、数据资产化探索，到AI算料与模型服务萌芽,直至AI模型嵌入与生态扩展的四个递进阶段。2022年的起步阶段，平台通过发起开放群岛开源社区^[47]、建设数据要素服务工作站及完成首笔场内跨境数据交易，初步构建了以确权与合规流通为核心的数据交易制度框架与技术基础。进人2023年，随着全国首笔无质押数据资产增信贷款^[48]落地，平台逐步建立起数据定价、评估与风险控制机制，标志着数据要素从资源形态向资产形态的跃迁。此阶段虽未直接涉及AI模型交易，但为模型训练所需的高质量数据供给与价值评估体系奠定了制度基石。2024年则呈现出明显的AI算料化与模型前置特征，深圳数据交易所联合开放算料联盟累计发布超过1000个垂直行业算料集^[49]，并构建包含人工智能专区在内的27个特色数据专区，将数据进一步加工为适用于模型训练的结构化资源。这一转变意味着交易标的已从原始数据产品向AI模型训练要素包升级，推动数据要素向AI模型这一高阶价值形态转化。进人2025年,深圳数据交易所迈人AI模型嵌入式交易与生态协同新阶段。平台完成国产大模型Deep-Seek的本地化部署^[50]，并同步上线AI聚合服务专区^[51],涵盖AI数据服务、AI算力服务、AI模型服务与AI能力服务四大板块，依托训推中心、标注加工中心、质量评估中心、语料推荐中心及知识库中心五大核心能力,初步构建起从数据采集、标注、处理到AI模型选型、部署与应用落地的全链条服务闭环。

然而，需要指出的是，尽管深圳数据交易所在制度供给与生态架构层面为AI模型交易提供了坚实的合规基础，当前其AI模型交易的实际流程尚未达到传统数据产品交易的规范化与自动化水平。相较于较为成熟的数据交易产品可通过场内系统实现自主检索、在线下单、合规交付的流程化操作，现阶段AI聚合专区的交易仍主要依托需求问卷收集的非标准化撮合模式，缺乏面向供需双方的自主自助式交易界面与标准化合约机制。这一差异反映出 AI模型作为新兴交易标的，在定价复杂性、性能评估主观性与交付形态多样性等方面对传统数据交易规则构成了新的挑战，也表明制度先导型范式的演化正处于从框架搭建迈向流程再造的关键过渡期。

从交易生态来看，深数所构建了制度供给、技术支撑、主体聚合与场景孵化四维互构的AI模型交易生态，各维度之间彼此嵌套、协同演化，共同塑造了以平台为核心的场内外融合交易格局。制度供给维度通过持续强化合规指引 标准参与及跨境规则探索，提升市场的规范性与可预期性。技术支撑维度则依托数据交易商业平台、数据产权登记服务中心与数据资产化服务中心的“一平台两中心”一体化架构，借助隐私计算、区块链与可信数据空间等技术保障数据流通的安全可控与权属可溯，并发布了国内首个AI可信数据空间联合解决方案^[52]。主体聚合维度以“3+4+N”业务服务模式为核心,即3项基础服务、4项增值服务及N个生态联盟合作,并以开放群岛开源社区为枢纽、65个全国工作站为节点，形成跨区域的生态服务辐射能力。场景孵化维度则通过算料集建设、AI专区运营与大模型部署实践，将模型生产、训练与应用深度嵌入交易体系，构建起“AI数据-AI算料-AI模型-AI场景”的闭环生态。在这一生态中，AI模型既是数据价值释放的高阶载体，亦作为提升交易效率与治理能力的关键工具，彰显出鲜明的双重属性。上述四个维度相互强化、动态耦合，构成了数据要素交易市场中AI模型交易从“有场无市”走向“场市共生”的组织基础与演化动力，也为我国探索AI模型场内交易的制度化路径提供了重要的实践参照。

通过对Hugging Face、OpenAI、AWS Marketplace、阿里云和深圳数据交易所的深度剖析,可以发现,全球AI模型交易活动已形成开源生态型、闭源服务型、平台集成型、平台社区协同型和制度先导型五类并行的演进模式。这五类模式在数据要素的流转深度、价值俘获方式等维度呈现出显著差异。表1从核心资源驱动、商业模式、交付形态、数据流转方式、AI 模型交易特征、生态治理模式、市场角色定位和开发者锁定效应等关键维度,对上述案例进行系统性对比。

通过上述维度的比较可以发现，不同模式的演进路径本质上反映了其对数据要素属性与价值实现逻辑的差异化理解。从交付形态的维度观察，五种模式在资产型、服务型、方案型的交付形态上呈现出差异化定位。开源生态型以模型权重文件的资产型交付为核心，服务型API调用作为辅助，这与其模型即公共品的价值取向一致。闭源服务型则将服务型交付推向极致，通过API接口实现智能效用的即时消费，资产型交付被完全屏蔽，体现了对技术黑箱的价值保护策略。平台集成型依托云基础设施优势，以方案型交付为主流，将模型、算力、数据与合规能力封装为面向特定场景的一体化契约。平台社区协同型在三种交付形态间形成梯度布局，社区侧保持资产型的开放属性以汇聚开发者，商业侧以服务型为变现主渠道，头部客户则通过方案型实现深度绑定。制度先导型尚处于探索期，其交付形态的演进方向明确指向方案型，通过数据、算力、模型的合规集成满足高敏感行业需求，同时以确权登记制度为未来的资产型场内流通铺设轨道。上述交付形态的分化，本质上是对AI模型知识凝聚程度、技术封装水平与价值实现路径的综合映射

此外，不同模式的演进逻辑本质上反映了其对AI模型三重特征的差异化响应与适配。从知识本质特征维度审视，五种模式对知识资产的权属界定与凝聚方式呈现出从共有到私有的连续谱系。开源生态型将模型知识定位为社区共有资产，其知识凝聚依赖于开源协议与文档规范的社会性契约。闭源服务型则将知识高度胶囊化于不可见的参数权重之中，形成企业私有资产壁垒。平台集成型与平台社区协同型处于中间地带，分别将知识凝聚于解决方案模板与社区商业双轨之中。制度先导型则将知识资产进一步抽象为合规标的，其凝聚方式体现为权属证明与审计轨迹的制度性确认。这一特征维度的差异，直接决定了不同模式下模型的可访问性边界与二次开发空间。

从技术构造特征维度分析，五种模式在要素解耦性与封装透明度两个子维度上形成显著分化。开源生态型追求极致的解耦与透明，模型权重完全开放下载，赋予买方最大程度的技术自主权。闭源服务型则走向另一极端，通过API接口实现模型与原始载体的高度封装，仅输出推理能力而不暴露技术内核。平台集成型借助云基础设施实现模型与算力的深度耦合，虽提供便捷的一站式部署，却也构筑了迁移的技术壁垒。平台社区协同型呈现出独特的双轨构造，即社区版模型保持高解耦性以吸引开发者，商业版模型则增强封装以保护商业价值。制度先导型则因合规要求，强制引入隐私计算、联邦学习等技术手段，在保留模型效用的同时实现数据与模型的可用不可见。锁定效应是衡量AI模型交易技术控制力的重要变量。闭源服务型通过API依赖构筑高转换成本的技术壁垒，开发者一旦接人便面临算法治理的围墙，形成强锁定效应。开源生态型则保持高互操作性，开发者模型迁移成本较低，呈现弱锁定效应。平台集成型与平台社区协同型通过算力与模型的协同策略，将开发者绑定在特定云基础设施中，使模型交易转化为算力消费，形成中强至中度的锁定结构。这种锁定效应反映了数据要素流通过程中与开发者之间的权力不对称性，也是决定商业模式盈利能力与生态可持续性的关键。

从价值演进特征维度考察，五种模式的价值捕获逻辑与增值路径各具特色。开源生态型的价值高度依赖网络效应，每一次社区贡献与模型下载都可能通过反馈迭代促进模型增值优化，形成价值共创的正循环。闭源服务型则遵循经典的租金逻辑，其价值直接锚定于API调用的效果质量，呈现出明确的效用导向定价。平台集成型的价值核心在于集成溢价，即通过降低买方在模型、算力、数据之间的配置摩擦成本而获得收益。平台社区协同型的价值增长具有显著的非线性特征，通用模型在垂直场景的每一次适配与微调，都可能诱发价值的二次乃至多次叠加。制度先导型的价值则源于信任溢价，其提供的合规保障与权属确认，在高敏感行业场景中构成难以替代的价值增量。

综上所述，五类模式并非互斥，而是在数据要素市场化配置的不同层面实现功能互补。开源生态型以协同创新为底层逻辑，强调通过降低知识型要素的获取门槛来汇聚规模效应，奠定了创新的广度;闭源服务型将AI模型视为稀缺排他性资产，通过对核心要素的垄断实现租金式增长，探索了能力的深度;平台集成是提升了应用的精度;平台社区协同型增强了场景的适配，体现了AI算力要素与AI模型要素的深度耦合;制度先导型则展现了我国特有的制度禀赋，将合规性视为流通的前提，体现了制度驱动交易的本土化演进特色。这种多模式并存的态势，正共同驱动着AI模型交易从初期的自发探索向成熟的要素配置体系演进。

基于前文对开源生态型、闭源服务型、平台集成型、平台社区协同型和制度先导型等五类AI 模型交易模式的深度对比可知,当前全球范围内AI 模型的价值变现仍以场外的直销、API 授权及私有化部署为主导渠道,数据交易所等场内机构在AI 模型交易中的实际流量占比极为有限。深圳数据交易所等国内平台的AI 专区,现阶段主要功能定位于合规框架的搭建、供需信息的撮合以及制度基础设施的铺设,其交易模式尚处于由非标准化需求问卷收集向自动化场内交易过渡的初级阶段。然而,正是这种看似“有场无市”的现状,凸显了以深圳数据交易所为代表的制度先导型范式的独特研究价值。在数据安全合规要求趋严、模型权属纠纷日益增多的背景下,AI模型交易从场外非标准化走向场内标准化是规范发展的必然趋势。

本研究结合数据要素市场化配置改革的核心要求,立足我国数据要素交易市场中AI 模型交易的独特特征,针对当前市场发展中可能存在的不足,提出具有针对性、可操作性的发展管理启示,为我国AI 模型交易高质量发展提供理论支撑与实践指引。

AI 模型作为数据要素的高度凝练形态,其定价机制与传统的数据集离线交易存在本质差异,因此必须建立起一套能够反映数据、算力、算法三重贡献的动态分配体系。在管理实践中,我国应探索从传统的一口价买断模式向基于词元(token)调用量、推理质量以及商业收益分成的多元化计价模式转变。参考OpenAI 的API 授权路径,市场亟需建立一套标准化的AI 模型价值评估模型,不仅要考虑训练数据的规模与质量,更要评估模型在特定垂直行业中的应用溢价。同时,应利用区块链、智能合约等技术手段,实现模型流转全过程的价值溯源,确保原始数据贡献者、模型研发方与算力提供方能够根据其实际贡献获得公平的收益回馈。这种从所有权转让向收益权分配的逻辑转向,将是激活我国数据要素市场长效动能的关键。

从AWS Marketplace与阿里云的经验来看，AI模型交易的本质之一是计算能力的封装交付，而非单纯的代码传输。因此，我国在管理上应高度重视模型流通中的安全与交付标准化工作。一方面，需大力推广“AI模型沙盒”与隐私计算技术，在物理或逻辑隔离的环境中完成模型的推理调用，解决模型被非法反向工程或数据投毒的风险，实现模型可用不可见。另一方面，应加快制定统一的模型接口标准与模型质量说明书，通过标准化的元数据描述降低买卖双方的信息不对称。既能降低模型在跨平台迁移时的摩擦成本，也能在技术底层为数据要素的安全流通筑牢防火墙，从而实现模型交易从场外私下撮合向场内标准化交付的跨越。

AI 模型交易的复杂性及其国内客观交易生态,决定了治理模式必须具备高度的敏捷性与包容性,并需建立起场内外市场的协同互促机制。在治理机制层面,建立覆盖预训练数据合规、算法审核、推理监测的全生命周期监管体系,将合规要求嵌入API接口与调用流程,依托数据交易所实施穿透式监管。在流通层面,正视场外API调用与订阅服务的主流地位,建立场外服务流通和场内权属确认的双轨机制。进一步推动数据交易所与头部模型厂商互认,将场外MaaS服务纳入合规登记,同时探索AI模型数字资产凭证机制,实现场外高效调用的服务流与场内登记质押的资产流的解耦与双循环。

依托我国庞大的市场需求与完善的算力基础设施,培育一批具有国际竞争力的AI模型交易平台,推动我国优质AI模型向全球市场输出。加强与国际AI模型交易平台或者科研机构的合作,建立国际协同创新机制,参与全球AI模型交易规则的制定,提升我国在全球数据要素与AI模型交易领域的话语权。与此同时,需要防范国际市场风险,建立AI模型出口的合规审查机制,确保模型出口符合我国数据安全与国家安全要求。

制版编辑 | 周凡倩

审核 | 于   媛