MODEL / MOAT04 SEP 2026
半导体与AI投资 06｜模型有没有护城河？
以及它长在哪里
前一篇我们说，云厂商站在资本开支的承担端。但还有一个更前置的问题没有处理：它们承担的这些成本，最终是为谁的护城河买单？
如果答案是没有，那么这一轮里投入最多的那一层，将是价值捕获最少的那一层。这个问题必须先回答，才谈得上其他。
SCALE 01 规模经济在推理端 |
FLYWHEEL 02 数据飞轮未证实 |
REACH 03 分发不在模型方 |
如果答案是"模型公司"，那么模型层的护城河强度，就决定了整条链的价值分配。
中心判断：
模型层大概率会形成护城河，但它很可能不长在模型本身——而长在分发、成本结构和工作流嵌入上。这三样东西，前沿模型公司并不完全拥有。
这个判断如果成立，会导出一个不舒服的推论：训练出最强模型的人，未必是赚到最多钱的人。
MODEL / 01
一、先把"护城河"拆成可检验的东西
护城河不是形容词。经典的来源就那么几类，逐一拿来检验模型层：
一、规模经济：部分成立，但方向在变
训练前沿模型需要巨额资本，这构成了准入门槛——能玩的人确实不多。
但要注意两件事：
第一，达到"够用"的门槛在快速下降。同等能力的模型，训练成本逐年下滑；追赶者复现前沿能力所需的资源，远小于开创者当初的投入。开路的成本和跟路的成本，从来不是一个数量级。
第二，真正的规模经济可能在推理端，而不是训练端。训练是一次性投入，推理是持续成本。谁的单位推理成本更低，谁就能在同等价格下有更厚的利润，或在同等利润下报更低的价格。
这是模型层最容易被低估、也最像传统制造业的一条护城河：不是谁更聪明，而是谁更便宜。
而单位推理成本，取决于芯片、集群效率、调度、模型架构——这里面有很大一部分不由模型公司自己掌握。
二、网络效应：需要一个前提，而这个前提未被证明
标准论证是"数据飞轮"：用户越多 → 数据越多 → 模型越强 → 用户更多。
这个链条有一个薄弱环节：用户交互数据，能在多大程度上转化为模型能力的提升？
—对推荐系统、搜索引擎，答案是明确的"很大"——用户行为直接就是标注；—对通用大模型，这个转化关系至今没有被公开证据清晰确立。能力提升的主要来源，目前看更多来自训练方法、数据配比与算力规模，而非用户交互量。
所以"数据飞轮"在模型层，目前更接近一个假设而非事实。
它可能是对的——如果偏好数据、真实场景的失败案例、长期交互记忆确实构成难以复制的资产，飞轮就成立。但在拿到证据之前，不该把它当作已经存在的护城河来估值。
三、切换成本：API 层很低，工作流层很高
这是本文认为最被误判的一点。
在 API 层面，切换成本极低：接口相似、有兼容层、换一个供应商是几行代码的事。如果模型只是一个 API，它几乎没有切换成本可言。
但真实的企业使用不停留在 API 层。当一个模型被嵌入到工作流里——提示词经过长期调优、输出格式被下游系统依赖、评测集针对它构建、人员习惯了它的行为特征——切换成本会迅速上升。
切换成本不长在模型上，长在模型周围的那一圈东西上。
这解释了一个看似矛盾的现象：基准测试上领先，不一定带来客户迁移。因为客户换的不是一个 API，是一整套已经跑通的流程。
推论：谁能让自己被更深地嵌入工作流，谁的护城河就更硬——而这与模型能力排名，不是同一件事。
四、分发：可能是最强的一条，而它不在模型公司手里
一个模型要被使用，必须先被触达。而分发入口掌握在：操作系统、浏览器、办公软件、社交平台、云平台、企业 IT 采购体系。
历史反复表明：当技术本身趋于同质，价值会向控制分发的一方转移。
这一条最关键的地方在于：分发渠道的所有者，往往同时也是模型公司的投资方、客户和竞争对手。这个三重身份决定了议价关系的复杂程度——它不是简单的供应商与渠道，而是随时可能互换位置的关系。
MODEL / 02
二、于是护城河的位置，可能和直觉相反
把上面四条合起来：
| 护城河来源 | 强度 | 归谁 |
| 训练规模 | 中，且在衰减 | 模型公司 |
| 推理成本 | 可能很强 | 部分归芯片与基础设施方 |
| 数据飞轮 | 未证实 | 模型公司（若成立） |
| API 切换成本 | 弱 | — |
| 工作流嵌入 | 强 | 谁离用户近，归谁 |
| 分发入口 | 可能最强 | 平台方，不是模型公司 |
最强的两条——分发与工作流嵌入——都长在离用户更近的一侧，而不是长在模型上。
这就是本文中心判断的来源：模型层会有护城河，但护城河的产权，未必属于训练模型的人。
MODEL / 03
三、这个判断可能错在哪
反证一：能力差距可能重新拉开。
本文的整个推论建立在"能力趋同"这个前提上。如果某一代出现真正的代际跃迁——不是基准分数上的几个百分点，而是能做与不能做的区别——那么商品化的前提立刻失效，模型本身重新成为最硬的护城河。
这是本文最脆弱的假设，而且它不可预测。能力曲线是否会继续收敛，没有人知道。
反证二：推理成本优势可能被垂直整合抹平。
如果模型公司自研芯片、自建集群（这件事已经在发生），那么"推理成本护城河归基础设施方"的判断就要修正——它可能被模型公司自己拿走。
反证三：分发方未必愿意做纯管道。
分发方同样在训练自己的模型。如果分发和模型能力都归同一方，本文这套"护城河产权分离"的框架就不成立——它会重新合并成一个垂直整合的整体。
这是一条很强的反证，它指向的结论是：真正的赢家可能是同时拥有分发、模型与基础设施的一方。
反证四：企业采购的惯性可能远超技术差异。
大型机构的采购决策受合规、审计、供应商关系、既有合同影响。这类惯性可能比任何技术护城河都更持久，也更不透明。
MODEL / 04
四、可以观察的信号
这些信号不需要预测，只需要跟踪：
—同一任务的单位推理价格走势 —— 如果持续快速下降，商品化在发生；—头部模型公司之间的客户流动 —— 大客户是否真的会因为基准分数迁移；—模型公司是否向下游走 —— 从卖 API 转向做应用、做终端，这是它们自己对"API 没有护城河"的判断；—分发方与模型方的关系变化 —— 独家协议是在加强还是在松动；—开源模型与闭源前沿的能力差距 —— 这是"能力趋同"这个前提最直接的温度计。
第 3 条最值得关注：一家公司的行动比它的表态更能说明它对自己护城河的判断。如果卖 API 的人开始拼命往应用层走，那说明它自己也不认为 API 层守得住。
MODEL / 05
五、这对整条链意味着什么
回到前一篇的问题：云厂商承担的资本开支，是在为谁的护城河买单？
如果模型层的护城河确实主要长在分发与工作流嵌入上，那么：
—纯模型公司的处境比表面上更难——它需要在护城河形成之前，先烧掉巨额资本；—同时掌握分发的平台处境更好——它们既是客户又是潜在替代者；—算力提供方处于中间——它们收的是当期现金，但要承担长期资产的折旧。
而这一切的前提，仍然是那个我们回答不了的问题：终端应用究竟能创造多少可持续的付费需求。
护城河决定的是"蛋糕怎么分"，但蛋糕有多大，仍然未知。
MODEL / 06
六、本文的置信度分层
| 层级 | 内容 | 可靠性 |
| 概念 | 护城河的经典来源分类 | 教科书 |
| 事实 | API 层切换成本低、存在兼容层 | 可验证 |
| 弱判断 | 能力正在趋同 | 本文核心前提，可被证伪 |
| 未证实 | 数据飞轮在通用模型上成立 | 本文明确不采信为既有护城河 |
| 结构推断 | 护城河主要长在分发与工作流嵌入 | 逻辑推理，有反证 |
| 不可知 | 是否会出现代际跃迁 | 不可预测 |
第三行和第六行互为镜像：如果出现代际跃迁，本文大部分推论需要重写。读者应把"能力趋同"当作一个需要持续验证的前提，而不是已经确立的事实。
方法说明：本文讨论产业结构与护城河形态，不评价任何公司的技术能力，不预测具体事件与时间，不涉及任何标的的估值或买卖判断。不构成投资建议。