AI资本周期的转折点：从通用模型崇拜到垂直价值捕获

过去三年，人工智能赛道吸纳了全球风险投资近三分之一的资金。2025年，仅美国市场AI相关VC融资就达2110亿美元，同比增长85%。同期四大云厂商的AI资本开支合计超过2000亿美元，而来自AI应用的增量营收不足200亿美元。投入与产出之间横亘着一个数量级的差距。

这一差距能否弥合，正成为市场定价的核心分歧。本文从算力成本、数据质量和专业化分工三个维度分析当前AI泡沫的结构性脆弱性，并论证垂类专业化为何是长期唯一可行的价值出口。

一、通用AI泡沫的结构性脆弱与破裂机制

通用大模型的高估值建立在这两个假设之上：Scaling Law将持续产生超线性回报，以及先发者能建立可持续的防御壁垒。然而，这两个假设正在同时动摇。

从GPT-4到GPT-5，边际收益明显递减。训练成本从数千万美元跃升至数亿美元，而推理能力的提升并未出现10倍级突破。更关键的是，高质量人类生成数据有限，而合成数据导致的“模型坍缩”已被《自然》杂志2024年的研究证实——用AI生成数据训练AI，模型会在3至5代内输出多样性降低、事实准确性下降。Scaling Law正遭遇物理与经济双重边界。

与此同时，通用模型API的同质化程度极高，用户可在GPT-4、Claude、Gemini和开源Llama之间低成本切换。价格战已经打响，DeepSeek将API定价降至GPT-4的七十分之一。当产品无差异、切换成本为零、边际成本持续下降时，超额利润无法维持。

当前，三个负反馈循环正在加速泡沫出清。

第一，资本开支挤压利润：训练成本每12至18个月翻倍，而API价格持续下降。当明星公司在IPO招股书中披露其单位经济(例如每1美元API收入对应1.2美元成本)，二级市场将重新定价。无论IPO发生在泡沫破裂之前还是之后，它本质上是一个透明度事件，而非时间节点本身。第二，算力资产加速折旧：GPU技术迭代周期约2至3年，H100现货价格已较2025年初下跌约40%。若推理负载增速不及预期，持有大量GPU库存的厂商将被迫抛售，进而削减英伟达订单。英伟达当前3万亿美元市值隐含了数据中心GPU收入年增30%以上的预期。第三，融资环境收紧：即便美联储进入降息周期，利率仍维持在4%左右。一旦二级市场AI概念股出现20%以上回调，一级市场估值将同步重置，无法展示正毛利率的AI公司将面临现金流断裂。

IPO的密集窗口(2026至2027年)只是将隐藏信息集中暴露于公众市场，它是泡沫破裂的“信息对称化节点”，而非根本原因。

二、数据污染不可逆，垂类模型构建独立护城河

通用大模型依赖海量公开数据训练，但互联网语料质量正经历不可逆的劣化。斯坦福2026年AI指数报告显示，新发布互联网内容中AI生成比例已超50%，而在2022年底这一数字接近于零。

这意味着任何网络抓取的数据集都不可避免地包含前几轮AI模型产生的幻觉和错误。高质量人类生成数据越来越昂贵(OpenAI已开始按每字0.01至0.05美元收购)，而Reddit、Stack Overflow等内容社区已通过API收费或禁止AI抓取来保护自身内容资产。通用模型的数据供应链正在断裂。

垂类模型从一开始就不依赖这一供应链。它们使用企业内部积累的、封闭的、经人类专家验证的数据——银行的交易纠纷记录、医院的病理报告、工厂的设备日志。

这些数据与业务运转同步，不受互联网污染影响，且因法律和商业约束无法被竞争对手获取。因此，垂类模型的数据质量不仅不会劣化，反而随业务积累持续优化。这是一个质量分化过程：通用模型的数据熵不断增加，垂类模型的数据熵维持低位。目前，垂类模型在特定任务上的准确率(95%至98%)已显著高于通用模型(70%至85%)，且这一差距将持续拉大。

垂类模型的经济优势同样显著。微调后的7B至13B参数模型在推理阶段的成本仅为通用大模型的1/20到1/30。对于一个年调用量1000万次的企业，采用垂类模型可节省推理成本每年20万至50万美元，而微调的初始投入通常在1万至5万美元之间，回本周期在3个月以内。此外，通用API还隐含数据脱敏合规成本、延迟造成的生产效率损失、以及幻觉导致的额外人工审核成本。

将这些隐性成本显性化后，通用API的“表面低价”更不具有吸引力。麦肯锡调查显示，42%的企业计划在2026年底前部署经过微调的开源模型而非直接调用商用API，这一比例在2024年仅为18%。

三、两个市场加速分化，资本已率先转向

AI产业正加速分化为两个经济特征迥异的市场。

通用模型层提供基础的写作、查询、聊天等功能。产品高度同质化，切换成本为零，边际成本持续下降，最终将形成2至3家免费或接近免费的寡头，以广告或交叉补贴维持运营，利润率接近于零。这一市场的规模虽然巨大(数十亿用户)，但单位经济价值极低。

垂类专业层聚焦于医疗、法律、金融、工业、保险等专业领域。每个细分市场有独特的术语体系、合规要求和业务流程，使用封闭数据形成数据壁垒。客户粘性高——一旦将AI集成到理赔审核或故障预警的工作流中，替换成本极高。定价能力来自准确率和可靠性，而非计算规模，毛利率可达70%至80%。这一市场将由成百上千家小而专的公司组成，每个玩家在自己的细分领域建立局部垄断。

资本流动已清晰显示这一转向。2025年，法律AI融资超50亿美元，医疗垂类AI超40亿美元，而通用大模型公司的外部融资额同比持平甚至下降。A16Z、CRV等一线基金明确将投资重心转向“垂直AI应用”。这意味着专业投资者已经预期到通用层的价值压缩，并提前布局于具备数据壁垒和专业深度的垂类层。

AI泡沫的结构脆弱性源于Scaling Law边际收益递减和通用模型防御壁垒消失。

IPO窗口将暴露真实的单位经济，触发估值重置。但这一重置不会终止AI产业的投资，而是将资本从通用层挤压到垂类层。垂类专业化在数据质量、成本效率和交易成本三个维度上均优于通用模型。企业采购决策正在从“追逐最大模型”转向“选择最可靠工具”。2000年互联网泡沫破裂后，幸存并壮大的不是广义的“互联网公司”，而是解决具体商业流程的公司。

当前周期具有结构相似性：泡沫终将出清，但解决真实问题的垂类AI将在此后十年内捕获该行业绝大部分利润。