一、从“用户行为驱动增长”到“算力效率即价值”的范式迁移

1.1 趋势演进背后的本质动力：计算资源成为经济活动的核心生产要素

传统互联网的商业模式，是以“注意力获取”为核心的。通过精准推送内容、广告点击量和交易转化率来衡量价值。这种体系建立在人类认知的被动性与商业对用户行为的操控能力之上。

但现在，随着生成式模型与Agent技术走向实用化，核心价值点已经发生了根本偏移：

  • 流量红利消退
  • 算法主导生产流程
  • 计算密度决定竞争优势

换句话说：企业不再为眼球付费，而为每一次推理、训练、决策所消耗的计算能量付费。这就是所谓的“从平台模式到服务模式”，本质是算力替代人力，算法替代经验的过程。

MaaS (Model as a Service) 不只是软件架构转型，它代表了整个数字经济基础层的重构——算力开始像水电一样“按需调用”。企业和开发者不是拥有“一套代码”，而是购买“一个智能单元”。

这导致三个关键转变：

  1. 盈利结构变化：一次性授权变为基于调用量的订阅
  2. 价值创造方式变化：从内容分发转为模型供给
  3. 技术竞争维度变化：从用户体验设计转为计算链路优化

1.2 软硬一体化的背后推手：全栈生态是控制算力网络的核心手段

深层次原因分析：

  • 物理算力资源稀缺性（尤其在芯片受限背景下）
  • 算法复杂度导致性能瓶颈移动向上游
  • 统一接口和调度机制降低开发者摩擦成本

因此，真正的战场在于：

  • 控制数据源
  • 定义计算框架
  • 掌握底层硬件接口标准

如NVIDIA不仅是GPU厂商，而是计算架构定义者，其CUDA生态系统形成了事实标准。国内华为昇腾也正尝试以国产替代路径复制这个策略，试图在未来三年内实现生态闭环。

这是“技术护城河”最坚固的形式——不是代码开源与否，而是谁能定义接口。

1.3 数据基础设施崛起：从存储到治理再到智能引擎

数据不再是冷冰冰的数字资产，而是一类可以被实时激活和演化的内容资源。数据空间的提出，本质上是在推动数据要素资本化的过程。谁能让数据流动、被理解、参与决策，谁就将拥有新的生产资料控制权。

当前问题集中在三方面：

  • 数据孤岛严重
  • 数据质量参差不一
  • 数据与AI系统割裂

解决手段必须从平台思维转向管道式设计思维：

  • 将数据采集、清洗、标注、存储、索引、访问构建成一条自动化流水线。
  • 构建标准化API，使得数据像API一样的可调用、可交换。
  • 引入区块链/可信执行环境等机制，增强数据流通的信任安全。
未来的企业不是“使用AI”，而是“运行于AI”之上。而AI的本质就是数据的处理工具集——所以，掌控数据，就等同于掌控生产力。

1.4 AI Agent驱动下的供给侧变革：从卖产品到卖智能

如今，绝大多数企业的智能系统仍停留于“外挂模块”的阶段：只在特定场景部署一些AI功能，但这些模块缺乏与其他系统的深度耦合，也无法自我进化。

这暴露出三大痛点：

  1. 输入不足→输出无效：大多数模型依赖静态训练数据，而非动态反馈
  2. 孤立部署→无法协同：Agent之间缺乏通信机制，不能形成任务编排
  3. 缺乏基础设施支撑→落地困难：没有统一的管理平台和调度中心

因此，真正具备竞争力的供应商将是那些提供：

  • Agent生命周期管理平台
  • 分布式调度与协作框架
  • 端到端可观测性系统
  • 跨行业知识图谱支持

这不再是“卖一个AI模型”就能解决的问题，而是要构建企业范围内的智能执行中枢。

二、结构性机遇：软件基础设施如何弥补中国高端芯片短板？

2.1 关键挑战背景：高性能芯片受制于外部环境

全球半导体产业格局高度集中，美国及其盟友对中国半导体发展的压制持续升级。在此背景下，企业面临两大选择：

  • 继续依赖海外芯片和技术栈
  • 自主研发+生态建设替代之路

前者风险极高，后者投入成本巨大，周期漫长。因此，软件基建的机会窗口在此刻尤为突出。

2.2 异构计算调度平台的价值捕获：将“碎片”整合成“合力”

软件调度器的作用不仅仅是“把任务跑起来”，而是在更深层次上进行能效优化和资源博弈。

例如：

  • 在多厂商多平台环境下，自动分配最优资源配置
  • 根据工作负载动态切换CPU/GPU/Ascend/NPU架构
  • 利用本地+远程混合算力池提升整体吞吐量

这些都是“软件定义算力”时代的标志特征。这种能力在中国市场具有极高的战略意义——因为它不仅降低了对外部硬件的依赖，还能有效延迟系统性能下降曲线。

2.3 芯片与软件协同创新：构建中国特色的AI底座

中国企业正在探索一种不同于国外巨头的路径：不是全面兼容主流开源框架，而是围绕自主芯片打造专用系统生态。

案例对比：

  • 华为 MindSpore + Ascend
  • 百度飞桨 + 知行科技自研NPU
  • 商汤科技 SenseCore + 天工自研FPGA

每条路线都强调与国产芯片的软硬件协同优化。这种“适配优先”的策略，在短期内可能会牺牲一定的通用性，但从长期来看却是通往“自主可控”不可或缺的一环。

三、市场机会：从基础设施到行业赋能的跃迁路径

序号机会领域实际作用
①MaaS平台计算即服务的终极形态，形成高粘性收费机制
②可信数据空间数据合规流转的关键基础设施，政策强驱动型
③AI异构计算平台打破算力瓶颈，融合多种架构提升整体利用率
④Agent协调管理系统企业级“虚拟员工工厂”，提升组织智能化水平
⑤智能运维平台实现基础设施层的“黑箱可视”，降低维护难度

其中最具爆发力的赛道是：

  • 可信数据空间（政府主导 + 政策支持）
  • Agent协作平台（企业转型刚需）
  • AI异构调度系统（缓解芯片短缺压力）

四、竞争格局：四类玩家的战略地位与生存逻辑

玩家类型竞争优势风险点潜在发展机会
AI新锐厂商敏捷定制能力强缺乏标准化、难以形成壁垒场景深耕 + 平台化抽象
传统大数据公司行业Knowhow深厚AI转型滞后加速向MaaS迁移
平台型巨头资源丰富，影响力大内部协同差向“云+数据+AI”三位一体转型
垂直专业厂商技术精深、闭环完整资本实力有限构建小众生态 + 逐步扩展
最具威胁的是第三类玩家——综合型平台商，他们一旦完成内部整合并确立自己的“AI-Native”品牌定位，将在短期内迅速扩大市场份额。而第四类垂直厂商则适合切入细分市场，寻找差异化突破口，避开大规模正面冲突。

五、投资逻辑重构：以“Data Intelligence Engine”为核心标的

传统VC关注“用户数”或“营收指标”已不足以解释AI市场的投资价值，真正值得关注的是：

维度解释
数据吞吐能力每秒可处理的数据量、数据源多样性
模型迭代速度训练与推理的时间比、微调效率
平台适配性是否支持不同芯片、操作系统、框架
Agent自治水平自我学习、任务编排、异常处理能力
行业渗透率能否覆盖金融、制造、医疗等关键行业的核心需求
生态开放性是否支持第三方插件、API开放程度
安全与合规性数据隐私保护机制、是否符合国家监管要求

真正伟大的AI基础设施公司，应该像Linux对操作系统的颠覆一样，成为整个行业数字化转型的操作系统。

详见：「AI Infra 投资的核心维度拆解：技术、生态、市场、商业模式」

理解验证：

1. MaaS是否会成为AI基础设施领域的下一个SaaS？

答案方向：
会，但需要满足两个前提：

  1. 模型标准化且易于部署
  2. 成本可预测且具备边际效益递增

当前主要障碍在于：模型体积大、部署复杂、调用不稳定，尚未达到SaaS级别的标准化服务成熟度。不过，随着模型压缩技术成熟和云原生调度兴起，MaaS有望在三五年内实现规模化商用。

2. 为什么华为MindSpore能够在国内取得一定成功？

推理路径：

  • 与昇腾芯片深度绑定，提供最优性能表现
  • 企业客户有国产替代诉求
  • 在工业、能源、政务等领域先行试水
  • 中科院、高校等科研机构的支持
  • 政府政策引导下获得项目优先级

这是一种“政产学研企”联动模式的胜利，并非技术层面压倒性领先的结果。

3. AI Infra赛道中是否有“护城河”可持续性更高的子赛道？

最佳结论：
异构计算调度平台 + 专用AI框架 + 数据治理平台组成的组合型选手更容易构筑长期竞争优势。因为这三个环节分别解决了：

  • 算法与硬件协同问题（效率）
  • 开发门槛问题（易用）
  • 数据质量与来源问题（可用性）

三者相辅相成，缺一不可。因此，这类企业的壁垒最高。

最终结论：
当AI进入“Agent时代”，所有技术竞争最终都将回归到底层基础设施战争。谁能掌握数据流、计算流、信息流的主动权，谁就能主导未来的智能经济。在这一轮产业变迁中，中国的机会不在应用层，而在基础设施层。

标签：ai

你的评论