AI 顶层竞争格局判断：大概率将高度集中，形成“一超多强”或“多极寡头”格局，由单一企业完全垄断的可能性相对较低，但不排除一家取得压倒性优势
人工智能产业会不会最终只剩一家企业？更有依据的判断是：持续开发前沿基础模型、提供大规模算力并掌握主要服务入口的企业，大概率将集中在少数几家；其中可能出现明显领先者，也可能形成多个实力相近的竞争中心。但全球市场长期被一家企业完全占据，仍需要一系列难以同时满足的条件。
因此，“一超多强”与“多极寡头”都是值得讨论的演化方向，“不会只剩一家”则应保留为有条件的预测。判断这一问题，既要解释集中化的动力，也要考察哪些力量能够维持替代选择。
一、AI 顶层集中指的是哪些市场
“AI 顶层”并非严格的市场定义。本文主要讨论能够持续推进前沿通用模型的研发主体，以及为其提供关键算力、云端部署和大规模分发渠道的平台。它们处在产业链的关键位置，但并不属于同一个市场，集中程度也未必一致。
算力基础设施涉及芯片、数据中心和云服务；基础模型市场涉及模型研发、授权和接口服务；应用市场则涉及面向具体用户的产品。一个企业在其中一层领先，不代表它能够控制其余所有层。判断竞争格局，应先说明比较的是哪一层，以及哪一个地区、哪一类客户。
例如，少数模型服务商可以支撑大量法律检索、工业设计、教育和办公应用。应用品牌很多，并不能证明上游竞争充分；上游高度集中，也不能据此认定所有应用最终都会归于同一家。更需要追问的是：这些产品实际依赖多少个独立的模型与算力来源，替换供应商是否可行。
二、前沿模型与算力平台为何容易高度集中
（一）持续投入提高进入门槛
前沿模型竞争要求企业持续投入研发、训练、评估和服务运维。完成一次训练只是起点，后续还要承担失败试验、模型更新和大规模服务的成本。企业能否长期获得资金、算力与人才，比一次产品发布更能决定它是否留在竞争前列。
OECD 于2025年发布的人工智能基础设施研究，将高集中度、进入壁垒、垂直关系、转换障碍与供给瓶颈列为重要市场特征。这说明集中化的压力不仅来自模型研发，也来自支撑研发与部署的基础设施。①
（二）规模优势可以转化为价格与交付优势
在技术路线和服务质量相近的条件下，较大的业务规模可能帮助企业分摊固定投入、提高设备利用率，并以更稳定的服务争取客户。新增客户带来的收入又可支持下一轮研发，由此形成累积优势。
但规模与效率之间并非无限递增。规模扩大也可能增加协调成本，低效的训练路线会消耗更多资源，庞大的用户量未必带来相称的利润。判断领先者是否具有长期优势，需要同时看成本、客户留存和收入质量。
（三）服务入口与迁移成本强化既有地位
企业把模型接入内部系统之后，还要建立权限管理、知识库、评估流程和员工使用习惯。换用另一家服务，可能需要重新测试、调整接口并验证输出质量。此时，即使模型性能接近，迁移成本也会影响客户的选择。
欧盟、英国和美国相关竞争执法机构在2024年的联合声明中，特别关注关键投入的集中控制，以及大型平台利用既有优势和分发渠道延伸市场力量的风险；声明也提醒，投资与合作安排可能放大这些风险。②
据此可以推论，未来的重要竞争者未必只是“模型评分最高”的企业。能够把模型能力与稳定交付、销售渠道及客户工作流程结合起来的主体，也可能获得较强的市场地位。
三、高度集中为何仍可能容纳多家竞争者
（一）技术领先不等于所有任务都领先
模型的综合表现并不能完全代表每一个场景的实际效果。编程、长文分析、多语言处理与低延迟响应，对系统的要求不同。同一客户也可能为了质量、速度或成本，在不同任务中选择不同模型。
斯坦福大学《2025年人工智能指数报告》指出，2024年近九成重要模型来自产业界，同时部分模型排名的性能差距缩小。这组历史观察提示，产业化优势与竞争者之间的追赶可以同时发生；它并不能证明未来必然由某一家长期领先。③
领先者若要排除所有竞争者，必须把技术优势持续转化为客户难以替代的服务。这比在某一次测评中获得第一名要求更高。新的训练方法、专用模型和部署方式，也可能改变既有成本结构。
（二）客户有保留替代供应商的理由
对重要业务而言，服务中断、价格调整和产品政策变化都会影响运营。即使一家供应商表现突出，部分客户仍有理由保留第二来源，或者把不同业务分别交给不同服务商。这种采购需求能够为其他竞争者留下空间。
多家并存并不意味着客户可以无成本地切换。不同接口、输出差异和合同条件仍会妨碍替换。但只要存在具备实际承接能力的替代者，领先企业就更难完全脱离竞争约束。
（三）地区需求使全球竞争呈现差异
不同地区在语言、部署环境、数据管理和公共采购方面存在不同需求。一个全球领先的服务商，未必能以同一种产品满足所有客户。围绕本地需求建立的模型与服务，可以形成相对稳定的客户基础。
由此推论，即使全球出现一个明显领先者，区域市场仍可能保有其他强者。不过，地区支持本身不足以确保长期竞争力，相关企业仍须解决资金、技术和实际使用效果的问题。
四、开放权重模型能否改变寡头格局
开放权重模型允许使用者在许可条件内取得模型权重，并进行部署或适配。它与完整意义上的开源并不必然相同，能否商用、修改与再分发，需要查看具体许可。对产业竞争而言，关键在于它是否增加了可行的部署路径和服务来源。
斯坦福大学《2025年人工智能指数报告》记载，从2022年11月至2024年10月，达到 GPT-3.5 水平的系统，其推理成本下降超过280倍；部分基准中，开放权重模型与封闭模型的性能差距也有所缩小。这些数据描述的是特定时期与衡量口径，不能直接外推为最前沿模型的训练成本同幅下降。④
开放权重与推理效率提升，可能让更多企业利用已有模型开发产品，降低对单一接口服务商的依赖。它们尤其有利于不必追求最高通用能力、但重视定制和部署自主性的场景。
不过，模型权重可以取得，并不代表优质芯片、稳定算力和运维人才也同样容易取得。部分服务商仍可能集中采购或依赖少数云平台。因此，模型供应更丰富与算力供应高度集中，完全可能同时存在。开放权重能够增加竞争机会，其效果取决于许可、性能和部署成本能否共同满足实际需求。
五、一超多强与多极寡头各在什么条件下形成
“一超多强”是指一家企业在主要市场中明显领先，同时其他企业仍具备独立竞争和替代能力。“多极寡头”是指少数企业占据主要份额，各自拥有较强的技术、客户或渠道优势，没有一家能够全面压倒其余竞争者。这两种说法描述的是竞争关系，并不预设固定的企业数量。
如果某家企业能够持续保持明显技术优势，又能以较低成本服务客户，并把主要入口与工作流程掌握在自身生态内，格局就更可能偏向“一超多强”。若其余企业只能在少数领域提供替代，领先者的优势还会进一步扩大。
如果不同企业分别在模型能力、部署成本、区域需求或客户渠道上形成优势，且客户可以根据任务选择供应商，格局就更可能偏向“多极寡头”。企业之间可能同时存在竞争与合作，但合作关系不能被简单视为一个共同控制的集团。
两种格局也可能发生转换。技术突破可以使领先者拉开差距；更低成本的替代方案可以削弱优势；渠道整合或重大收购则可能改变实际控制关系。因此，文章中的判断应理解为条件分析，而非已经确定的产业终局。
六、多家企业存在为何仍需关注竞争约束
判断市场是否具有竞争性，不能只数品牌。若多家模型企业都依赖同一个关键供应商，或者受到同一主体的实际控制，其独立竞争空间可能比表面数量更小。反过来，即使主要市场份额集中，只要客户确实能够转用其他服务，新进入者能够取得必要投入，市场仍可能受到有效约束。
前述竞争执法机构的联合声明提出公平交易、互操作性与选择等原则，并关注锁定机制及投资合作安排对竞争的影响。其重点包括客户能否作出有意义的选择，以及新进入者是否受到不当限制。⑤
在这一框架下，值得观察的是关键投入能否获得、服务之间能否衔接、数据与工作流程能否迁移，以及合作关系是否削弱独立决策。集中化带来的研发能力与规模效率，需要与保留替代选择的条件一起评价。
七、判断 AI 竞争格局应观察哪些指标
首先是技术优势能否持续。应比较多个任务中的实际表现，观察领先幅度能否跨越数轮模型更新，而不是用一次排行榜结果预测长期地位。
其次是客户与收入是否形成稳定优势。实际付费、续用和业务接入，比短期下载量更能反映服务是否具有持续价值。评估时还应区分用户规模、使用量与收入份额，避免将不同指标混为一谈。
再次是替代成本与关键资源的控制程度。需要考察客户更换模型所需的测试和改造成本，以及研发企业获得算力、人才和资金的条件。能够发布模型的企业数量，与能够持续提供可靠服务的企业数量，也应分别观察。
最后是开放模型和独立应用能否形成可持续业务。如果它们能够在有用的任务中长期维持价格与质量优势，就会对主要平台形成约束；如果仅能短期吸引用户，却无法覆盖持续服务成本，对竞争格局的影响就可能有限。
八、对 AI 顶层长期格局的判断
综合上述机制，前沿基础模型及关键算力平台向少数主体集中，是具有较强经济依据的趋势；“一超多强”与“多极寡头”则是两种合理的竞争情景。应用层可以继续保持较多参与者，其独立程度取决于对上游的依赖及自身业务能力。
“全球最终只剩一家”要求领先者长期保持足以排除替代者的技术、成本和渠道优势，同时压缩区域竞争、开放模型与客户多源采购的空间。这样的结果不能被完全排除，但现有依据不足以把它认定为必然。
更稳妥的结论是：AI 顶层大概率将高度集中，可能形成“一超多强”或“多极寡头”；多家长期并存具有现实基础，但不排除一家取得压倒性优势。此后应持续检验的，是客户是否仍有可用的替代选择，以及其他企业能否真正挑战领先者。
注释与参考资料
① OECD《Competition in artificial intelligence infrastructure》，2025年11月14日。参见市场特征部分关于集中度、进入壁垒、转换障碍与供给瓶颈的分析。
② 欧盟、英国与美国相关竞争执法机构《生成式人工智能基础模型与人工智能产品竞争联合声明》，2024年7月23日。参见“Risks to competition”关于关键投入、平台优势与合作安排的说明。
③ 斯坦福大学 HAI《The 2025 AI Index Report》，2025年。参见主要发现第10项，相关数据反映2024年的重要模型来源与性能差距。
④ 斯坦福大学 HAI《The 2025 AI Index Report》，2025年。参见主要发现第7项，关于特定能力水平的推理成本与部分基准中的模型性能差距。
⑤ 欧盟、英国与美国相关竞争执法机构《生成式人工智能基础模型与人工智能产品竞争联合声明》，2024年7月23日。参见“Principles for protecting competition in the AI ecosystem”关于公平交易、互操作性和选择的说明。