1. 从“技术信仰”到“财报焦虑”一个刺耳的比喻“产品周期股”这个词原本是消费电子和半导体行业的专属标签。它描述的是这样一类公司业绩不靠稳定的订阅或服务收入而是押注某一款爆品。爆品周期来了营收利润一飞冲天周期一过库存积压、增速骤降、估值杀到脚踝。把这个词安在国产大模型头上乍听刺耳细想却精准得让人后背发凉。过去两年国产大模型赛道的关键词是“百模大战”“千亿参数”“榜单屠榜”。几乎每隔几周就有一场发布会参数一个比一个大跑分一个比一个高融资一轮比一轮猛。但到了今天行业里的聪明钱和聪明人开始换一套语言说话了。他们不再问“你的模型多大”而是问“你的日活多少”“你的付费率多少”“你的推理成本降到几分钱”。这种话语体系的切换本质上就是从“技术叙事”转向“产品叙事”从“信仰估值”转向“周期估值”。这篇文章想聊的就是这个转变背后的逻辑。我会拆解为什么说国产大模型正在呈现“产品周期股”的特征这种特征对开发者、创业团队和投资人分别意味着什么以及在这个周期里一个普通的技术从业者该怎么调整自己的动作。不管你是正在选型API的工程师还是在做AI应用的产品经理或者只是关心这个行业走向的观察者这篇内容都值得你花时间看完。因为周期股最残酷的地方在于它涨的时候你不信它跌的时候你扛不住而真正赚钱的人都是在周期底部布局、在周期顶部兑现的。2. 为什么说大模型像“产品周期股”四个核心特征拆解2.1 特征一收入结构高度依赖“爆款单品”消费电子公司的典型收入曲线是这样的一款旗舰手机发布前三个月销量占全年一半以上之后逐月衰减直到下一代旗舰发布再来一波。国产大模型的收入结构惊人地相似。目前绝大多数模型厂商的营收来源无非是API调用费、私有化部署项目费、以及少量订阅费。其中API调用费又高度集中在少数几个“爆款应用场景”上比如角色扮演、文案生成、代码补全、知识问答。我认识一个做AI写作工具的团队他们高峰期单月API消耗量能占到某模型厂商公开API收入的相当比例。但他们的产品本身也有明显的“产品周期”开学季和考试季是旺季寒暑假是淡季大促期间用户活跃度暴涨大促一过就断崖式下跌。这种波动会沿着产业链向上传导让模型厂商的收入也跟着坐过山车。当一个模型厂商的收入曲线被几个大客户的采购节奏牵着走时它就已经具备了周期股的第一特征。更麻烦的是这种依赖是双向的。模型厂商为了留住大客户不得不给出越来越低的价格折扣甚至签排他协议。而大客户为了压低成本会同时接入多家模型做AB测试随时准备切换到更便宜的那家。这种博弈关系下模型厂商的议价能力其实比想象中弱得多。2.2 特征二技术迭代速度远超用户需求迭代速度半导体行业有个著名的“摩尔定律”每18到24个月性能翻倍。国产大模型的迭代速度比这还夸张几乎每三到六个月就有一代新模型发布参数翻倍、上下文窗口翻倍、推理成本减半。但问题在于用户的需求并没有以同样的速度增长。我做过一个粗略的统计对于绝大多数文本生成场景用户能感知到的质量提升阈值其实很低。从“能用”到“好用”的跨越可能只需要模型能力提升20%但从“好用”到“惊艳”的跨越可能需要提升200%而用户愿意为此多付的费用可能只增加10%。这就导致一个尴尬的局面厂商投入巨额算力做出来的新一代模型在用户端感知到的差异并不明显但研发成本却实实在在地翻了一番。这种“技术供给过剩、用户需求滞后”的错配是产品周期股的典型症状。就像手机厂商每年都在堆摄像头像素但用户真正在意的可能只是电池续航和信号质量。当技术迭代无法转化为用户付费意愿时厂商就只能靠“发布新机”这个动作本身来刺激市场形成一种“发布-炒作-销量脉冲-衰减-再发布”的循环。2.3 特征三资本开支的“刚性”与收入的“弹性”严重错配建一个千亿参数模型的训练集群动辄需要数亿甚至数十亿的投入。这些投入包括GPU采购、数据中心建设、电力冷却、人才薪酬每一项都是刚性支出签了合同就得付钱不管模型能不能赚钱。但收入端呢API调用的价格战已经打到“厘”级别私有化部署项目周期长、回款慢、定制化成本高订阅制在国内市场又很难跑通。我见过一个创业团队的财务报表他们训练一个垂直领域模型花了小几千万但上线后前六个月的收入加起来还不够付一个月的电费。这不是个例而是行业普遍现象。这种“重资产投入、轻资产收入”的模式和航空公司买飞机、钢铁厂建高炉没有本质区别。一旦收入不及预期折旧和运维成本就会像黑洞一样吞噬现金流。更关键的是这种资本开支具有“不可逆性”。你买了GPU就算模型不赚钱GPU也在贬值你招了算法团队就算项目砍了裁员也要付赔偿金。这种刚性成本结构决定了模型厂商在周期下行时几乎没有缓冲垫只能硬扛。2.4 特征四估值逻辑从“市梦率”向“市盈率”切换在行业早期投资人给大模型公司的估值逻辑是“市梦率”——不看收入看团队背景、看技术路线、看赛道天花板。一个刚成立半年的团队只要核心成员来自知名机构就能拿到数亿估值。但到了今天越来越多的投资人开始问“你去年收入多少毛利率多少获客成本多少复购率多少”这种估值逻辑的切换是产品周期股形成的最后一块拼图。当资本市场不再为“可能性”买单而是为“确定性”定价时模型厂商就必须证明自己能在每一个产品周期里稳定赚钱。但问题是大模型的产品周期太短了短到可能还没收回上一代模型的研发成本下一代模型就已经在路上了。这种“还没回本就要再投入”的节奏让财务报表永远处于紧绷状态。3. 周期股逻辑下的众生相谁在裸泳谁在囤粮3.1 模型厂商从“秀肌肉”到“秀账单”前两年模型厂商的发布会清一色是技术指标秀参数规模、榜单排名、多模态能力、长文本处理。现在你再看越来越多的厂商开始把“推理成本下降XX%”“API调用量增长XX倍”“付费客户数突破XX家”放在PPT首页。这个转变不是偶然的而是生存压力倒逼的结果。我观察到一个很有意思的现象某模型厂商在最新一轮融资路演中花了整整三分之一的时间讲“如何帮助客户降低单位token成本”而不是讲模型能力有多强。这说明什么说明客户已经不关心你有多强了客户关心的是“用你的模型能不能帮我省钱”。当厂商开始帮客户算经济账时它就已经从一个“技术供应商”变成了一个“成本中心”而成本中心的估值逻辑和利润中心是完全不同的。更残酷的是模型厂商之间的同质化竞争正在加剧。除了少数几家在特定领域有数据壁垒的厂商大多数模型在通用能力上的差距已经缩小到用户难以感知的程度。这就意味着价格战是唯一的竞争手段。而价格战的终局就是行业利润率趋近于零所有玩家都变成“薄利多销”的苦生意。3.2 应用层开发者在“模型红利”和“模型税”之间走钢丝对于应用层开发者来说大模型的产品周期股特征既是红利也是陷阱。红利在于模型厂商为了抢客户会把API价格压到极低甚至免费开放一些能力。开发者可以用很低的成本做出产品原型快速验证市场需求。但陷阱在于一旦你依赖某个模型厂商的特定能力构建了产品护城河这个厂商随时可能涨价、限流、或者改变接口规则。我认识一个做法律文书生成的团队他们早期基于某模型做了大量微调和提示词优化产品体验很好付费率也不错。但后来该模型厂商推出了自己的法律文书生成功能直接把他们变成了“竞品”。更致命的是厂商把API价格提高了三倍同时把他们的调用优先级降到了最低。这个团队花了三个月时间迁移到另一个模型但迁移过程中用户流失了将近四成。这个案例的教训是在周期股逻辑下应用层开发者不能把“模型能力”当作自己的核心竞争力而应该把“用户数据”和“工作流嵌入”当作护城河。模型能力是厂商的随时可能被收回但用户的使用习惯和沉淀数据是你的迁移成本很高。3.3 投资人从“撒网式布局”到“掐尖式下注”投资人的动作变化是最明显的。前两年只要团队背景光鲜、技术路线新颖就能拿到融资。现在投资人普遍收紧了口袋只投两类项目一类是有明确收入模型和付费客户的垂直应用另一类是有独特数据源或场景壁垒的模型厂商。那些既没有收入、又没有数据壁垒的“通用大模型”项目基本已经融不到钱了。我接触过几个FA他们现在的口头禅是“不看参数看账单”。一个项目如果连自己怎么赚钱都说不清楚BP写得再漂亮也没用。这种转变对行业来说是好事它挤掉了大量泡沫让真正有商业价值的项目浮出水面。但对创业者来说这意味着融资窗口正在关闭如果不能在接下来几个季度证明自己的造血能力可能就永远没有机会了。3.4 普通从业者技能贬值和技能重估同时发生对于算法工程师来说大模型的产品周期股特征意味着两件事。第一纯“调参”和“刷榜”的技能正在快速贬值。因为模型架构越来越标准化训练流程越来越自动化一个刚毕业的硕士经过几个月培训就能胜任大部分训练任务。第二懂业务、懂成本、懂工程化落地的复合型人才正在升值。因为厂商需要有人帮他们把模型能力转化为客户价值而不是单纯地提升榜单分数。我最近帮几个团队做技术招聘发现一个明显的趋势那些只会写训练脚本、跑benchmark的候选人简历通过率在下降而那些有实际部署经验、懂推理优化、能跟客户沟通需求的候选人薪资预期反而在上涨。这个趋势在未来一年会更加明显。4. 穿越周期的实操策略从“追风口”到“算细账”4.1 策略一把“单位经济模型”算到小数点后两位不管你是做模型还是做应用现在都必须把单位经济模型算清楚。什么叫单位经济模型就是每服务一个用户、每处理一次请求你赚多少钱、花多少钱。对于模型厂商这意味着要算清楚每百万token的推理成本、每次训练的折旧摊销、每个客户的获客成本和生命周期价值。对于应用开发者这意味着要算清楚每个付费用户的API消耗、服务器成本、支付通道费、以及退款率。我见过一个团队他们做AI客服客单价定得很低靠走量赚钱。但他们没有算清楚一件事当用户量增长时API调用量是线性增长的但客服质量会因为并发过高而下降导致退款率上升。结果规模越大亏得越多。后来他们把定价提高了三倍同时限制了并发量反而实现了盈利。这个案例说明在周期股逻辑下“规模效应”不一定成立关键看你的边际成本结构。4.2 策略二用“多模型路由”对冲单一厂商风险对于应用层开发者我强烈建议不要绑定任何单一模型厂商。具体做法是在架构层面抽象出一个“模型路由层”根据任务类型、成本预算、响应时间要求动态选择最合适的模型。比如简单的分类任务用便宜的小模型复杂的推理任务用贵的大模型对延迟敏感的场景用本地部署的模型。这种架构的额外好处是当某个厂商涨价或限流时你可以快速切换而不需要重写业务代码。我见过一个团队他们用了一个开源的模型路由框架把三家厂商的API封装成统一接口切换成本几乎为零。后来其中一家厂商突然涨价50%他们当天就切到了另一家用户完全无感知。这种“狡兔三窟”的策略在周期股逻辑下是生存必备。4.3 策略三把“数据飞轮”建在用户侧而不是模型侧很多团队把数据飞轮理解成“用更多数据训练更好的模型”但这个飞轮是建在模型侧的需要持续投入算力和标注成本。在周期股逻辑下更聪明的做法是把飞轮建在用户侧让用户在使用产品的过程中自然地产生标注数据、反馈数据和偏好数据这些数据反过来提升产品体验吸引更多用户。举个例子一个做会议纪要的AI工具用户每次修改AI生成的纪要都是一次免费的标注。这些修改数据可以用来优化后处理规则也可以用来做个性化微调。关键是这个飞轮的驱动力来自用户的使用行为而不是厂商的算力投入。当模型能力趋同时这种用户侧的数据壁垒才是真正的护城河。4.4 策略四用“场景纵深”替代“能力广度”在周期股逻辑下通用能力的竞争已经变成红海但垂直场景的纵深还有大量机会。我所说的“场景纵深”不是简单地做一个“法律AI”或“医疗AI”而是深入到某个具体工作流中解决一个非常具体的痛点。比如不是做“合同审查AI”而是做“采购合同中的付款条款风险识别”并且把识别结果直接对接到企业的合同管理系统里自动触发审批流程。这种深度嵌入的场景模型厂商很难直接覆盖因为它需要大量的行业知识和系统集成工作。而一旦嵌入成功客户的迁移成本极高因为你不仅替换了一个模型还替换了一套工作流。4.5 策略五保持“小团队、高毛利、快迭代”的体态在周期股逻辑下大团队是负担高毛利是安全垫快迭代是生存技能。我观察到那些活得好的AI团队普遍规模不大核心成员不超过二十人但人均产出很高。他们不做大而全的平台只做小而美的工具毛利率控制在60%以上每两周发一个版本根据用户反馈快速调整。这种体态的好处是当周期下行时他们可以快速收缩砍掉不赚钱的业务线保留核心团队过冬。而当周期上行时他们又可以快速扩张抓住新的机会。相比之下那些动辄几百人的大团队一旦收入不及预期每个月的工资支出就能把现金流压垮。5. 常见问题与排查技巧实录5.1 问题一API成本突然暴涨怎么排查和应对这是应用层开发者最常遇到的问题。排查思路分三步第一步检查自己的调用日志看是不是某个功能模块的调用量异常增长比如某个循环里不小心重复调用了API。第二步检查模型厂商的计费规则有没有变化比如是不是把某些之前免费的能力改成了收费或者调整了token计算方式。第三步检查是不是被恶意刷量了比如有人用你的接口做免费代理。应对策略上短期可以设置调用频率限制和预算告警长期还是要做多模型路由。我自己的经验是在代码层面加一个“成本守卫”中间件每次调用前先估算token消耗超过预算就自动降级到便宜模型或直接返回缓存结果。这个中间件帮我省了不少钱。5.2 问题二模型效果突然变差怎么定位是模型问题还是数据问题这个问题在周期股逻辑下特别常见因为模型厂商会频繁更新模型版本有时候新版本在通用榜单上分数更高但在你的特定场景上效果反而变差。定位方法是先固定输入数据用新旧两个版本分别跑一遍对比输出差异。如果差异集中在某些特定类型的输入上那很可能是模型更新导致的。如果差异是随机的那可能是你的数据分布发生了变化。我的建议是在应用层建一个“回归测试集”每次模型厂商发布新版本先在这个测试集上跑一遍确认效果没有下降再全量切换。这个测试集不需要很大几百条覆盖核心场景的样本就够了但能帮你避免很多线上事故。5.3 问题三客户要求私有化部署但预算只够买一张卡怎么破这是做企业级AI应用经常遇到的尴尬。客户想要数据不出域但又不愿意为硬件投入太多。我的经验是不要硬接这种需求而是引导客户采用“混合部署”方案敏感数据在本地用小模型处理非敏感数据调用云端大模型。这样既满足了合规要求又控制了成本。如果客户坚持要全私有化那就老老实实报一个包含硬件、软件、实施、运维的完整报价不要为了签单而亏本做项目。在周期股逻辑下每一个亏本的项目都是未来的现金流黑洞。5.4 问题四团队里算法工程师和产品经理天天吵架怎么协调这个问题的根源在于算法工程师的KPI是模型指标产品经理的KPI是用户指标两者天然有冲突。协调方法是把两者的KPI统一到“单位经济模型”上。算法工程师不仅要看模型准确率还要看推理成本产品经理不仅要看日活还要看付费率。当大家用同一套语言说话时吵架就变成了算账。我见过一个团队他们每周开一次“成本-效果”对齐会算法工程师汇报模型迭代带来的成本变化产品经理汇报用户付费意愿的变化然后一起决定下一周的优化方向。这个机制运行了半年团队效率提升很明显。5.5 问题五投资人问“你的护城河是什么”怎么回答在周期股逻辑下标准的“技术领先”答案已经不管用了。投资人想听到的是“切换成本”和“网络效应”。你可以这样回答我的护城河不是模型本身而是用户在我这里沉淀的数据和工作流。用户用我的产品越久迁移到竞品的成本就越高。同时我的用户越多我收集到的反馈数据就越多产品迭代就越快形成正向循环。如果投资人继续追问“模型厂商抄你怎么办”你可以说模型厂商做的是通用能力我做的是场景纵深。它要抄我就得养一个懂这个场景的团队还得重新做系统集成成本比跟我合作高得多。而且我的客户关系和数据资产是它拿不走的。6. 一个从业者的周期生存手记写了这么多最后分享一点我自己的体会。过去两年我见过太多团队在风口上起飞又在周期里坠落。那些活下来的团队都有一个共同点他们不把大模型当作信仰而是当作工具。工具会迭代会降价会过时但只要你服务的用户需求还在你就有存在的价值。我自己的做法是每个月做一次“周期体检”算一算账上的现金还能撑几个月算一算核心客户的续费率有没有下降算一算团队里有没有人在做“周期敏感”的事情。如果发现现金撑不过六个月就立刻砍掉不赚钱的业务线如果发现续费率下降就立刻找客户聊原因如果发现有人在追热点而不是服务客户就立刻调整方向。这个习惯帮我避开了不少坑。有一次我们差点接了一个看起来很美的定制项目预算很高但周期很长回款很慢。做周期体检时发现如果接了这个项目我们的现金流会在第三个月断裂。于是果断放弃后来那个客户果然拖欠了尾款接盘的团队亏得很惨。周期股不可怕可怕的是在周期顶部加杠杆在周期底部割肉。对于国产大模型这个赛道我的判断是泡沫正在挤出但需求是真实的。那些能算清楚账、服务好客户、控制好成本的团队会在下一个周期里活得很好。而那些只会讲故事、追热点、烧钱的团队会被周期无情地淘汰。这不是悲观这是常识。 
长河君 · 2026/10/20 12:19:18 · 阅读 1.2k 国产大模型成‘产品周期股‘：从技术信仰到财报焦虑的生存指南
1. 从“技术信仰”到“财报焦虑”一个刺耳的比喻“产品周期股”这个词原本是消费电子和半导体行业的专属标签。它描述的是这样一类公司业绩不靠稳定的订阅或服务收入而是押注某一款爆品。爆品周期来了营收利润一飞冲天周期一过库存积压、增速骤降、估值杀到脚踝。把这个词安在国产大模型头上乍听刺耳细想却精准得让人后背发凉。过去两年国产大模型赛道的关键词是“百模大战”“千亿参数”“榜单屠榜”。几乎每隔几周就有一场发布会参数一个比一个大跑分一个比一个高融资一轮比一轮猛。但到了今天行业里的聪明钱和聪明人开始换一套语言说话了。他们不再问“你的模型多大”而是问“你的日活多少”“你的付费率多少”“你的推理成本降到几分钱”。这种话语体系的切换本质上就是从“技术叙事”转向“产品叙事”从“信仰估值”转向“周期估值”。这篇文章想聊的就是这个转变背后的逻辑。我会拆解为什么说国产大模型正在呈现“产品周期股”的特征这种特征对开发者、创业团队和投资人分别意味着什么以及在这个周期里一个普通的技术从业者该怎么调整自己的动作。不管你是正在选型API的工程师还是在做AI应用的产品经理或者只是关心这个行业走向的观察者这篇内容都值得你花时间看完。因为周期股最残酷的地方在于它涨的时候你不信它跌的时候你扛不住而真正赚钱的人都是在周期底部布局、在周期顶部兑现的。2. 为什么说大模型像“产品周期股”四个核心特征拆解2.1 特征一收入结构高度依赖“爆款单品”消费电子公司的典型收入曲线是这样的一款旗舰手机发布前三个月销量占全年一半以上之后逐月衰减直到下一代旗舰发布再来一波。国产大模型的收入结构惊人地相似。目前绝大多数模型厂商的营收来源无非是API调用费、私有化部署项目费、以及少量订阅费。其中API调用费又高度集中在少数几个“爆款应用场景”上比如角色扮演、文案生成、代码补全、知识问答。我认识一个做AI写作工具的团队他们高峰期单月API消耗量能占到某模型厂商公开API收入的相当比例。但他们的产品本身也有明显的“产品周期”开学季和考试季是旺季寒暑假是淡季大促期间用户活跃度暴涨大促一过就断崖式下跌。这种波动会沿着产业链向上传导让模型厂商的收入也跟着坐过山车。当一个模型厂商的收入曲线被几个大客户的采购节奏牵着走时它就已经具备了周期股的第一特征。更麻烦的是这种依赖是双向的。模型厂商为了留住大客户不得不给出越来越低的价格折扣甚至签排他协议。而大客户为了压低成本会同时接入多家模型做AB测试随时准备切换到更便宜的那家。这种博弈关系下模型厂商的议价能力其实比想象中弱得多。2.2 特征二技术迭代速度远超用户需求迭代速度半导体行业有个著名的“摩尔定律”每18到24个月性能翻倍。国产大模型的迭代速度比这还夸张几乎每三到六个月就有一代新模型发布参数翻倍、上下文窗口翻倍、推理成本减半。但问题在于用户的需求并没有以同样的速度增长。我做过一个粗略的统计对于绝大多数文本生成场景用户能感知到的质量提升阈值其实很低。从“能用”到“好用”的跨越可能只需要模型能力提升20%但从“好用”到“惊艳”的跨越可能需要提升200%而用户愿意为此多付的费用可能只增加10%。这就导致一个尴尬的局面厂商投入巨额算力做出来的新一代模型在用户端感知到的差异并不明显但研发成本却实实在在地翻了一番。这种“技术供给过剩、用户需求滞后”的错配是产品周期股的典型症状。就像手机厂商每年都在堆摄像头像素但用户真正在意的可能只是电池续航和信号质量。当技术迭代无法转化为用户付费意愿时厂商就只能靠“发布新机”这个动作本身来刺激市场形成一种“发布-炒作-销量脉冲-衰减-再发布”的循环。2.3 特征三资本开支的“刚性”与收入的“弹性”严重错配建一个千亿参数模型的训练集群动辄需要数亿甚至数十亿的投入。这些投入包括GPU采购、数据中心建设、电力冷却、人才薪酬每一项都是刚性支出签了合同就得付钱不管模型能不能赚钱。但收入端呢API调用的价格战已经打到“厘”级别私有化部署项目周期长、回款慢、定制化成本高订阅制在国内市场又很难跑通。我见过一个创业团队的财务报表他们训练一个垂直领域模型花了小几千万但上线后前六个月的收入加起来还不够付一个月的电费。这不是个例而是行业普遍现象。这种“重资产投入、轻资产收入”的模式和航空公司买飞机、钢铁厂建高炉没有本质区别。一旦收入不及预期折旧和运维成本就会像黑洞一样吞噬现金流。更关键的是这种资本开支具有“不可逆性”。你买了GPU就算模型不赚钱GPU也在贬值你招了算法团队就算项目砍了裁员也要付赔偿金。这种刚性成本结构决定了模型厂商在周期下行时几乎没有缓冲垫只能硬扛。2.4 特征四估值逻辑从“市梦率”向“市盈率”切换在行业早期投资人给大模型公司的估值逻辑是“市梦率”——不看收入看团队背景、看技术路线、看赛道天花板。一个刚成立半年的团队只要核心成员来自知名机构就能拿到数亿估值。但到了今天越来越多的投资人开始问“你去年收入多少毛利率多少获客成本多少复购率多少”这种估值逻辑的切换是产品周期股形成的最后一块拼图。当资本市场不再为“可能性”买单而是为“确定性”定价时模型厂商就必须证明自己能在每一个产品周期里稳定赚钱。但问题是大模型的产品周期太短了短到可能还没收回上一代模型的研发成本下一代模型就已经在路上了。这种“还没回本就要再投入”的节奏让财务报表永远处于紧绷状态。3. 周期股逻辑下的众生相谁在裸泳谁在囤粮3.1 模型厂商从“秀肌肉”到“秀账单”前两年模型厂商的发布会清一色是技术指标秀参数规模、榜单排名、多模态能力、长文本处理。现在你再看越来越多的厂商开始把“推理成本下降XX%”“API调用量增长XX倍”“付费客户数突破XX家”放在PPT首页。这个转变不是偶然的而是生存压力倒逼的结果。我观察到一个很有意思的现象某模型厂商在最新一轮融资路演中花了整整三分之一的时间讲“如何帮助客户降低单位token成本”而不是讲模型能力有多强。这说明什么说明客户已经不关心你有多强了客户关心的是“用你的模型能不能帮我省钱”。当厂商开始帮客户算经济账时它就已经从一个“技术供应商”变成了一个“成本中心”而成本中心的估值逻辑和利润中心是完全不同的。更残酷的是模型厂商之间的同质化竞争正在加剧。除了少数几家在特定领域有数据壁垒的厂商大多数模型在通用能力上的差距已经缩小到用户难以感知的程度。这就意味着价格战是唯一的竞争手段。而价格战的终局就是行业利润率趋近于零所有玩家都变成“薄利多销”的苦生意。3.2 应用层开发者在“模型红利”和“模型税”之间走钢丝对于应用层开发者来说大模型的产品周期股特征既是红利也是陷阱。红利在于模型厂商为了抢客户会把API价格压到极低甚至免费开放一些能力。开发者可以用很低的成本做出产品原型快速验证市场需求。但陷阱在于一旦你依赖某个模型厂商的特定能力构建了产品护城河这个厂商随时可能涨价、限流、或者改变接口规则。我认识一个做法律文书生成的团队他们早期基于某模型做了大量微调和提示词优化产品体验很好付费率也不错。但后来该模型厂商推出了自己的法律文书生成功能直接把他们变成了“竞品”。更致命的是厂商把API价格提高了三倍同时把他们的调用优先级降到了最低。这个团队花了三个月时间迁移到另一个模型但迁移过程中用户流失了将近四成。这个案例的教训是在周期股逻辑下应用层开发者不能把“模型能力”当作自己的核心竞争力而应该把“用户数据”和“工作流嵌入”当作护城河。模型能力是厂商的随时可能被收回但用户的使用习惯和沉淀数据是你的迁移成本很高。3.3 投资人从“撒网式布局”到“掐尖式下注”投资人的动作变化是最明显的。前两年只要团队背景光鲜、技术路线新颖就能拿到融资。现在投资人普遍收紧了口袋只投两类项目一类是有明确收入模型和付费客户的垂直应用另一类是有独特数据源或场景壁垒的模型厂商。那些既没有收入、又没有数据壁垒的“通用大模型”项目基本已经融不到钱了。我接触过几个FA他们现在的口头禅是“不看参数看账单”。一个项目如果连自己怎么赚钱都说不清楚BP写得再漂亮也没用。这种转变对行业来说是好事它挤掉了大量泡沫让真正有商业价值的项目浮出水面。但对创业者来说这意味着融资窗口正在关闭如果不能在接下来几个季度证明自己的造血能力可能就永远没有机会了。3.4 普通从业者技能贬值和技能重估同时发生对于算法工程师来说大模型的产品周期股特征意味着两件事。第一纯“调参”和“刷榜”的技能正在快速贬值。因为模型架构越来越标准化训练流程越来越自动化一个刚毕业的硕士经过几个月培训就能胜任大部分训练任务。第二懂业务、懂成本、懂工程化落地的复合型人才正在升值。因为厂商需要有人帮他们把模型能力转化为客户价值而不是单纯地提升榜单分数。我最近帮几个团队做技术招聘发现一个明显的趋势那些只会写训练脚本、跑benchmark的候选人简历通过率在下降而那些有实际部署经验、懂推理优化、能跟客户沟通需求的候选人薪资预期反而在上涨。这个趋势在未来一年会更加明显。4. 穿越周期的实操策略从“追风口”到“算细账”4.1 策略一把“单位经济模型”算到小数点后两位不管你是做模型还是做应用现在都必须把单位经济模型算清楚。什么叫单位经济模型就是每服务一个用户、每处理一次请求你赚多少钱、花多少钱。对于模型厂商这意味着要算清楚每百万token的推理成本、每次训练的折旧摊销、每个客户的获客成本和生命周期价值。对于应用开发者这意味着要算清楚每个付费用户的API消耗、服务器成本、支付通道费、以及退款率。我见过一个团队他们做AI客服客单价定得很低靠走量赚钱。但他们没有算清楚一件事当用户量增长时API调用量是线性增长的但客服质量会因为并发过高而下降导致退款率上升。结果规模越大亏得越多。后来他们把定价提高了三倍同时限制了并发量反而实现了盈利。这个案例说明在周期股逻辑下“规模效应”不一定成立关键看你的边际成本结构。4.2 策略二用“多模型路由”对冲单一厂商风险对于应用层开发者我强烈建议不要绑定任何单一模型厂商。具体做法是在架构层面抽象出一个“模型路由层”根据任务类型、成本预算、响应时间要求动态选择最合适的模型。比如简单的分类任务用便宜的小模型复杂的推理任务用贵的大模型对延迟敏感的场景用本地部署的模型。这种架构的额外好处是当某个厂商涨价或限流时你可以快速切换而不需要重写业务代码。我见过一个团队他们用了一个开源的模型路由框架把三家厂商的API封装成统一接口切换成本几乎为零。后来其中一家厂商突然涨价50%他们当天就切到了另一家用户完全无感知。这种“狡兔三窟”的策略在周期股逻辑下是生存必备。4.3 策略三把“数据飞轮”建在用户侧而不是模型侧很多团队把数据飞轮理解成“用更多数据训练更好的模型”但这个飞轮是建在模型侧的需要持续投入算力和标注成本。在周期股逻辑下更聪明的做法是把飞轮建在用户侧让用户在使用产品的过程中自然地产生标注数据、反馈数据和偏好数据这些数据反过来提升产品体验吸引更多用户。举个例子一个做会议纪要的AI工具用户每次修改AI生成的纪要都是一次免费的标注。这些修改数据可以用来优化后处理规则也可以用来做个性化微调。关键是这个飞轮的驱动力来自用户的使用行为而不是厂商的算力投入。当模型能力趋同时这种用户侧的数据壁垒才是真正的护城河。4.4 策略四用“场景纵深”替代“能力广度”在周期股逻辑下通用能力的竞争已经变成红海但垂直场景的纵深还有大量机会。我所说的“场景纵深”不是简单地做一个“法律AI”或“医疗AI”而是深入到某个具体工作流中解决一个非常具体的痛点。比如不是做“合同审查AI”而是做“采购合同中的付款条款风险识别”并且把识别结果直接对接到企业的合同管理系统里自动触发审批流程。这种深度嵌入的场景模型厂商很难直接覆盖因为它需要大量的行业知识和系统集成工作。而一旦嵌入成功客户的迁移成本极高因为你不仅替换了一个模型还替换了一套工作流。4.5 策略五保持“小团队、高毛利、快迭代”的体态在周期股逻辑下大团队是负担高毛利是安全垫快迭代是生存技能。我观察到那些活得好的AI团队普遍规模不大核心成员不超过二十人但人均产出很高。他们不做大而全的平台只做小而美的工具毛利率控制在60%以上每两周发一个版本根据用户反馈快速调整。这种体态的好处是当周期下行时他们可以快速收缩砍掉不赚钱的业务线保留核心团队过冬。而当周期上行时他们又可以快速扩张抓住新的机会。相比之下那些动辄几百人的大团队一旦收入不及预期每个月的工资支出就能把现金流压垮。5. 常见问题与排查技巧实录5.1 问题一API成本突然暴涨怎么排查和应对这是应用层开发者最常遇到的问题。排查思路分三步第一步检查自己的调用日志看是不是某个功能模块的调用量异常增长比如某个循环里不小心重复调用了API。第二步检查模型厂商的计费规则有没有变化比如是不是把某些之前免费的能力改成了收费或者调整了token计算方式。第三步检查是不是被恶意刷量了比如有人用你的接口做免费代理。应对策略上短期可以设置调用频率限制和预算告警长期还是要做多模型路由。我自己的经验是在代码层面加一个“成本守卫”中间件每次调用前先估算token消耗超过预算就自动降级到便宜模型或直接返回缓存结果。这个中间件帮我省了不少钱。5.2 问题二模型效果突然变差怎么定位是模型问题还是数据问题这个问题在周期股逻辑下特别常见因为模型厂商会频繁更新模型版本有时候新版本在通用榜单上分数更高但在你的特定场景上效果反而变差。定位方法是先固定输入数据用新旧两个版本分别跑一遍对比输出差异。如果差异集中在某些特定类型的输入上那很可能是模型更新导致的。如果差异是随机的那可能是你的数据分布发生了变化。我的建议是在应用层建一个“回归测试集”每次模型厂商发布新版本先在这个测试集上跑一遍确认效果没有下降再全量切换。这个测试集不需要很大几百条覆盖核心场景的样本就够了但能帮你避免很多线上事故。5.3 问题三客户要求私有化部署但预算只够买一张卡怎么破这是做企业级AI应用经常遇到的尴尬。客户想要数据不出域但又不愿意为硬件投入太多。我的经验是不要硬接这种需求而是引导客户采用“混合部署”方案敏感数据在本地用小模型处理非敏感数据调用云端大模型。这样既满足了合规要求又控制了成本。如果客户坚持要全私有化那就老老实实报一个包含硬件、软件、实施、运维的完整报价不要为了签单而亏本做项目。在周期股逻辑下每一个亏本的项目都是未来的现金流黑洞。5.4 问题四团队里算法工程师和产品经理天天吵架怎么协调这个问题的根源在于算法工程师的KPI是模型指标产品经理的KPI是用户指标两者天然有冲突。协调方法是把两者的KPI统一到“单位经济模型”上。算法工程师不仅要看模型准确率还要看推理成本产品经理不仅要看日活还要看付费率。当大家用同一套语言说话时吵架就变成了算账。我见过一个团队他们每周开一次“成本-效果”对齐会算法工程师汇报模型迭代带来的成本变化产品经理汇报用户付费意愿的变化然后一起决定下一周的优化方向。这个机制运行了半年团队效率提升很明显。5.5 问题五投资人问“你的护城河是什么”怎么回答在周期股逻辑下标准的“技术领先”答案已经不管用了。投资人想听到的是“切换成本”和“网络效应”。你可以这样回答我的护城河不是模型本身而是用户在我这里沉淀的数据和工作流。用户用我的产品越久迁移到竞品的成本就越高。同时我的用户越多我收集到的反馈数据就越多产品迭代就越快形成正向循环。如果投资人继续追问“模型厂商抄你怎么办”你可以说模型厂商做的是通用能力我做的是场景纵深。它要抄我就得养一个懂这个场景的团队还得重新做系统集成成本比跟我合作高得多。而且我的客户关系和数据资产是它拿不走的。6. 一个从业者的周期生存手记写了这么多最后分享一点我自己的体会。过去两年我见过太多团队在风口上起飞又在周期里坠落。那些活下来的团队都有一个共同点他们不把大模型当作信仰而是当作工具。工具会迭代会降价会过时但只要你服务的用户需求还在你就有存在的价值。我自己的做法是每个月做一次“周期体检”算一算账上的现金还能撑几个月算一算核心客户的续费率有没有下降算一算团队里有没有人在做“周期敏感”的事情。如果发现现金撑不过六个月就立刻砍掉不赚钱的业务线如果发现续费率下降就立刻找客户聊原因如果发现有人在追热点而不是服务客户就立刻调整方向。这个习惯帮我避开了不少坑。有一次我们差点接了一个看起来很美的定制项目预算很高但周期很长回款很慢。做周期体检时发现如果接了这个项目我们的现金流会在第三个月断裂。于是果断放弃后来那个客户果然拖欠了尾款接盘的团队亏得很惨。周期股不可怕可怕的是在周期顶部加杠杆在周期底部割肉。对于国产大模型这个赛道我的判断是泡沫正在挤出但需求是真实的。那些能算清楚账、服务好客户、控制好成本的团队会在下一个周期里活得很好。而那些只会讲故事、追热点、烧钱的团队会被周期无情地淘汰。这不是悲观这是常识。