新华财经北京 8 月 6 日电 （记者孙广见）A 股 AI 应用板块连续多日反复走强，截至 6 日中午，博彦科技 2 连板，泛微网络、天融信等多股涨停，AI 应用概念指数自 7 月 27 日以来，8 天内累计上涨超 20%。
近期，OpenAI 将入门模型 Luna 的 API 价格下调 80%、中端模型 Terra 降价 20%，同时，月之暗面同步全面开放 Kimi K3 完整模型权重，面向中小算力主体放开部署权限，成为本轮上涨的核心催化剂之一。业内人士认为，大模型竞争迈入普惠化新阶段，一场围绕商业模式与生态话语权的深度洗牌已经开启。
商业模式拐点已至 产业直面现实挑战
OpenAI 的降价与 Kimi K3 的权重开放，并非孤立的产品策略调整，而是全球大模型商业化进程中的标志性转向，其背后是底层商业逻辑的深刻改变。
南方科技大学风险分析预测与管控研究院院长助理吴柯认为，OpenAI 这套 「低端走量清场、中端守盘盈利、高端溢价锁客」 的组合拳，本质是用规模化成本优势击穿中小厂商的生存空间，将通用基础模型彻底推向 「水电煤」 式的普惠定价。而月之暗面这一策略直接打破了闭源厂商对模型定价的垄断，让顶级模型能力从 「独家售卖的奢侈品」 变为 「可二次开发的产业底座」。
公开资料显示，近两年国产主流大模型 API 价格整体降幅已超 90%，而随着开源模型能力逼近闭源第一梯队，单纯依靠售卖通用底座接口的商业模式正在快速失效。「调用量增长」 不再等同于 「营收利润增长」，行业从 「增量扩张」 被迫转向 「存量精算」。
可见，基础模型加速 「基础设施化」，API 定价体系重构，两者共同作用下，Token 价值持续贬值已成定局。
西部证券业务副所长、科技首席分析师郑宏达建议，厂商应跳出 「售卖模型能力」 的同质化竞争，聚焦金融风控、智能制造、政务服务、医疗问诊等垂直赛道，将模型能力深度嵌入业务全流程，转化为可量化的业务成果，真正实现从 「卖算力、卖接口」 向 「卖业务价值」 的模式升级。
值得注意的是，当基础模型能力快速普惠、参数规模不再是稀缺壁垒，竞争的主战场便从模型本身迁移到了生态体系。
北京具身智能科技有限公司执行 CEO 吴清华分析，闭源阵营的核心打法，是凭借极致的工程效率与成本控制，以低价锁定海量开发者与企业客户，形成 「调用量越大→单位成本越低→价格优势越强」 的正向循环。而开放权重阵营的逻辑，则是通过释放模型能力换取开发者生态，让更多第三方基于自身底座做行业微调、开发应用，将自身模型推升为事实标准，进而从上层服务、行业解决方案与生态分成中获取收益。
北京市社科院副研究员王鹏分析，月之暗面对云厂商设限、对中小开发者放开的差异化策略，正是生态博弈的典型体现，这意味着大模型的竞争不再是单点技术比拼，而是标准制定权、生态主导权的体系化较量。
面对商业模式换挡期，全行业都将直面阵痛与挑战。
上游算力租赁价格居高不下，下游 API 价格却持续下探，形成 「成本刚性、收入内卷」 的剪刀差。对于中小厂商而言，行业淘汰赛正在加速，缺乏差异化能力的通用大模型厂商将加速离场。
吴清华认为，API 收费毛利持续被压缩，私有化定制项目又高度依赖人力交付，边际成本难以下降，难以形成可复制的规模效应，C 端订阅则面临用户付费意愿有限、算力成本随用户量线性增长的困境。他强调，行业尚未出现一条被充分验证、可支撑百亿级营收的稳健盈利路径，「大模型帮别人降本增效，自己却赚不到钱」 的悖论仍未破解。
分层共生 依托产业链协同构建竞争力
全球大模型产业规则重构，对国内厂商既是盈利承压的挑战，也蕴藏着换道超车的结构性机遇。国内大模型产业更有望凭借独特的市场土壤与产业禀赋，走出一条分层分工、生态协同的差异化商业化路线。
中商产业研究院发布的 《2026-2031 年中国 AI 大模型深度分析及投资前景研究预测报告》 显示，中国 AI 大模型市场预计 2026 年达 680 亿元，2030 年增长至 3250 亿元。市场跨越式跃升并非偶然，而是技术、场景、产业链等多重因素叠加共振的必然结果。
本土应用场景是国内厂商核心优势。活跃的数字经济、体量庞大的政务数字化转型需求，让金融、制造、医疗、政务、电商等垂直赛道拥有海量落地场景。相较海外通用大模型厂商，国内企业更贴近本土业务流程，也更易获取行业专属数据，能够快速将模型能力与具体业务痛点深度结合，输出高价值的行业级解决方案。
工程优化能力与不断成熟的产业链，为本土 AI 企业持续降低成本提供了重要支撑。仙工智能全球品牌市场负责人龚紫婷认为，Token 价格下降意味着 AI 使用门槛进一步降低，但产业客户最终关注的并非单一模型成本，而是完成一次真实任务的综合成本。尤其在工业场景中，模型只是系统的一部分，真正决定价值的，是模型、控制与工程系统能否协同工作，并稳定、高效地完成实际任务。
在 API 价格持续下行的行业周期里，成本控制能力就是企业的生存底线。厂商一方面需要持续投入底层工程技术优化，通过架构迭代、调度升级不断摊薄单位推理成本；另一方面也要加快适配国产算力芯片，构建多元化算力供给体系，既降低对单一硬件供应链的依赖，也能压缩综合运营成本，在普惠化时代守住利润空间。
衡量 AI 产业的真实回报，更需要建立全周期、全成本的评估视角。吴柯认为，海外机构测算 AI 领域 ROIC（投资资本回报率） 时，往往假设高算力利用率、高定价与高吞吐，通常未完整计入模型训练、研发人力、销售推广等全链条成本；而国内测算普遍采用全成本口径，覆盖算力投资、模型训练、项目交付、资产折旧等多项支出，两种口径下的测算结果可相差数倍。
在他看来，AI 工厂的回报率核心取决于算力利用率、单位算力创收能力、产品定价结构与资产折旧政策，设备采购成本并非关键，能否让算力长期满负荷承载高价值、可收费的业务需求，才是决定 ROIC 水平的核心变量。
业内人士普遍认为，大模型产业的终局必然走向分层分工、协同共生，少数头部厂商聚焦通用底座的技术攻坚，更多市场主体深耕垂直行业模型、智能体应用与场景解决方案。对国内厂商而言，找准自身产业定位，依托完整的产业链协同构建核心竞争力，方能在产业变局中站稳脚跟。
编辑：胡晨曦
声明：新华财经 （中国金融信息网） 为新华社承建的国家金融信息平台。任何情况下，本平台所发布的信息均不构成投资建议。如有问题，请联系客服：400-6123115