人工智能市场最新发展与竞争问题

人工智能市场：近期发展与竞争问题 2026年6月24日 关键信息 • 人工智能（AI）能够带来巨大的经济和社会效益。如果整个AI价值链的市场保持开放、创新和具有竞争性，这些效益将会更加显著。然而，近期的经合组织（OECD）研究表明，AI市场的结构会对竞争产生重大风险。 与此同时，一些市场领域早期的证据表明，科技巨头正面临来自灵活、专业服务商的竞争。这似乎适用于基础模型——特别是大型语言模型——在这些模型中，性能持续提升，价格下降，而人工智能模型能力的领先地位也一再受到挑战。 尽管市场初期显示出活力迹象，但人工智能价值链中竞争的更广泛结构性风险是真实存在的、持续的，并且预计将加剧。这些风险包括关键投入（计算能力、数据和技能）的高度集中、先行优势以及日益增强的垂直整合。人工智能能力的进一步快速提升，以及与关键领域现有领导者（尤其是在芯片供应和云服务提供上游）建立优先合作伙伴关系，可能会为少数公司创造决定性优势，并进一步集中数字市场。 因此，政策制定者在监控快速发展的AI市场方面面临着日益严峻的挑战，这要求持续保持警惕和跨境合作，以确保长期可持续的竞争结果。 怎么了？ 人工智能市场的竞争对经济增长具有深远影响。人们普遍预期，人工智能（AI）将提高全要素生产率（Aghion and Bunel, 2024; Filippucci et al., 2024; Calvino et al., 2025），尽管悲观和乐观观点的估计差异显著（Acemoglu, 2024，以及Baily, Brynjolfsson and Korinek, 2023）。重要的是，这些预期收益假设人们能够广泛获取强大且价格合理的人工智能工具，而这在很大程度上取决于人工智能市场能否保持创新和竞争活力、对新的参与者保持开放，并允许用户以低成本切换到最佳解决方案（OECD, 2024）。 本政策简报借鉴了经合组织此前关于人工智能市场和竞争的工作（经合组织，2024年和2025b；卡拉加里斯等，2026年），并融入了基于安德烈等（2025年）研究的最新进展证据。总体而言，这一系列工作及新的更新描绘了一幅复杂图景。虽然人工智能市场的特定领域——尤其是基础模型——在过去三年中展现出活力，但人工智能价值链的不同层面仍存在结构性风险（科里尼和维普拉，2025年；哈吉乌和赖特，2025年，甘巴科尔塔和谢雷蒂，2026年）。人工智能的开发和部署正在重塑企业绩效、成本结构和战略优势，并对市场力量产生重要影响。特别是，现有市场地位在长期内可能变得根深蒂固，尤其是在结构上集中的市场领域（例如硬件、数据）。 人工智能市场中的竞争为何对经济至关重要？ 超越人工智能市场是竞争性还是静态集中的问题，关键问题在于它们是否能在长期内保持可竞争性。需要有限的市场准入门槛、低转换成本以及不存在排他性行为，以确保用户从较低价格、更高质量的技术和更广泛的选择中在长期内受益。本简报概述了当前的证据，并突出了不同人工智能市场细分领域可能限制该技术未来收益的关键长期风险。 实证研究表明持续创新和价格下降，尤其是在人工智能模型开发领域。尽管人工智能模型开发领域存在显著进入成本以及少数科技巨头的存在¹，但根据最新的经合组织证据和学术研究（André等人，2025；Demirer等人，2025；经合组织人工智能观测站，2026），生成式人工智能模型的表现迅速提升，价格下降，开发者及提供者的数量增加。专注于认知任务（包括推理和编码）的语言模型开发者数量从2024年1月的9人增加到2026年4月的47人。同期，活跃的文本到文本模型数量从22个增加到453个。 AI经济前沿概念——由André等人（2025年）提出——捕捉了在给定价格下可获得的最高模型性能（如图1所示）。它代表了潜在AI用户面临的性能-价格权衡。这条前沿线一直在稳步向左上方移动，表明在更低的价位上出现了性能更好的模型。尽管市场高度寡头垄断，反映了高昂的进入成本，但领先企业仍面临着不断涌现的更好模型的持续压力。过去三年中，达到AI经济前沿的开发者数量已从2个增至8个，其中包括大型科技企业（老牌企业）以及来自美国和中国的人工智能专业新进入者。虽然 市场份额的数据难以获取，经济前沿的技术领导地位——以模型质量和价格定义——似乎竞争激烈，前沿存在的时间仅持续几个月。经济前沿的构成频繁变化，这影响了既有企业和专门的AI实验室，表明了竞争压力（Demirer等人，2025年）。然而，地理集中度很高，因为绝大多数领先模型是在美国或中国开发的，而AI相关投资也集中在这两个国家。 图1. 人工智能经济前沿：以远低的价格提升模型性能 人工智能语言模型（文本到文本模态）的经济前沿演进 注意：质量是根据行业通用基准定义的模型性能的标准化加权指数。每个点代表每月可用的文本到文本模型中，给定质量下价格最低的模型。价格以每个令牌为单位，通过云端的应用程序编程接口（API）进行测量。实蓝线（虚红线）代表2026年4月（2025年1月）的人工智能经济前沿。有关质量指数的详细信息，请参阅https://artificialanalysis.ai/methodology和André等（2025）。 源自作者根据André等（2025）的研究及Artificial Analysis提供的数据进行的计算。 人工智能发展前沿的活力推动了更快的采纳和更密集的使用，为下游用户释放了显著的生产力潜力。人工智能模型的质量调整价格反映了这一趋势。经合组织（OECD）针对文本到文本（语言）模型的综合价格指数在2024年1月至2026年4月间下降了近80%（图2）。在所有市场细分和所有用例中，包括编码和代理能力，价格都急剧下降。 然而，每单位代币价格下降和性能提升对于降低使用AI的有效成本而言是必要条件，但并非充分条件。AI代理每项任务消耗的代币数量大幅增加，从而将模型使用强度提升数个数量级，这可能导致AI使用有效成本上升，尤其是在大规模应用时。事实上，广泛的经济生产力提升很可能需要通过在核心业务流程中集成来实现高强度的系统性应用。此类应用也 需要通过组织变革以及对数据、技能等无形资产进行补充性投资来实现，但这可能需要较长时间（Calvino等人，2026年；Brynjolfsson、Syverson和Rock，2021年）。 此外，网络安全、安全和运营风险可能成为跨行业和企业采用与扩散的日益增长的障碍。随着人工智能能力的持续增强，人工智能代理日益深入地集成到IT系统中，这些担忧正变得至关重要，并可能减缓采用进程。此外，它还可能增加转换成本，并迫使产品与网络安全解决方案捆绑，从而有利于更集成数字化的公司。 图2。人工智能模型的质量调整价格已迅速下降 质量调整型AI价格指数（文本到文本模态） 请注意：索引显示了从2023年6月开始，使用云端AI模型的质量调整价格演变情况。详情请参见André等人（2025）。来源：作者根据André等人（2025）的计算结果。数据来自Artificial Analysis。 人工智能市场的竞争风险在多个细分市场中依然重要。人工智能市场的若干固有特性在价值链的不同层级上以不同强度带来结构性竞争风险。表1突出了每个细分市场的主要技术特征、市场特征以及隐含的关键竞争风险，从更上游的硬件、云基础设施和数据开始，随后是下游的模型开发和应用。有四个特征出现在多个市场细分中，下面将逐一讨论。 关键投入的集中以及规模经济和范围经济都很重要，包括高端芯片（Haramboure 等人，2023）、专业云基础设施（经合组织，2025b）、大型数据集（通常是专有的）、稳健的能源系统（国际能源署，2025；经合组织，2025a）以及稀缺的专业技能（Calvino 等人，2026）。由于投入瓶颈或这些关键价值链环节中看门人地位的形成，竞争可能逐渐减弱（经合组织，2024；竞争与市场管理局，2024）。这种情况过去曾在搜索引擎和社交媒体等数字市场发生过（经合组织，2022），如果不在整个人工智能价值链上加强竞争，也可能再次发生在人工智能市场（Beraja 和 Buera，2026）。除了对技术的控制，互补基础设施——专业数据中心、电力生成和稳健的电网连接与输电——也可能成为市场力量的关键来源（国际能源署，2025）。 确实，自2022年以来生成式AI市场的快速扩张伴随着少数国家和企业内部AI能力的集中（图1 A），这对先行者和垂直整合参与者有利。到2025年，美国估计的AI投资总额是其他经合组织国家超过两倍（图3 B）。这一差距预计将进一步扩大，反映了少数在全球多个司法管辖区运营的全球AI巨头在AI投资方面存在的巨大差异（Frost, Rishabh and Shreeti, 2026）。美国最大的五家科技公司2025年在资本支出上花费了4000亿美元，预计2026年将花费6600亿美元（Wachter and Wachter, 2026）。 云服务提供市场和专业芯片（GPU）的制造是结构性行业集中市场的两个例子，其中高固定成本、显著的规模经济和范围经济、先发优势以及漫长的开发周期往往会引发市场集中。2023年，三大云服务提供商占据了全球云市场（Gambacorta和Shreeti，2026）的74%。另一个例子，处于价值链更上游的是英伟达，其占据了2023年GPU市场的90%（Gambacorta和Shreeti，2026）。市场集中最终是否会引发竞争问题，是一个需要结合市场参与者的行为因素进行进一步分析的问题。 注意：A部分。数据中心容量以兆瓦（MW）表示，即运行数据中心所需的电力。MW是衡量数据中心容量的常用指标，但它不是计算能力的直接衡量标准，因为电力也用于冷却和其他辅助基础设施。作比较而言，1兆瓦的持续功率大致相当于约800个美国家庭的平均年用电量。分母为不变购买力平价下的国内生产总值。B部分。AI容量是指一个国家发展和部署先进AI系统的能力。AI发展能力投资是指为生产前沿AI模型所需的估计投资和研发成本，包括模型训练、算法改进以及与模型对齐相关的后训练成本。估计值通过汇总公司层面的AI模型训练成本估算值来计算。AI发展包括生成式AI以及其他类型的AI。AI基础设施能力投资是指用于推理和训练的AI计算基础设施的成本。它涵盖了数据中心的投资，包括ICT硬件以及为运行这些设施所需的能源和非IT投资。来源：A部分：作者根据IEA（2025年）数据计算。B部分：作者根据IEA（2025年）、OECD.AI（2026年）、Preqin数据以及Artificial Analysis的初步估计。 强大的开源发展通过降低进入成本、对现有企业施加价格压力、减少对少数供应商的依赖、提高透明度以及促进累积创新，缓解了部分集中效应（André 等人，2025；Demirer 等人，2025；OECD，2025c）。然而，开源和通用标准也可能创造生态系统效应和排他性捆绑，这会加剧先发优势，并为少数公司创造网络效应。 先发优势与正反馈循环。这种集中可能由于数据反馈循环、网络效应、用户锁定、人工智能模型自我改进以及优先模型访问（Hagiu and Wright, 2025；Korinek and Vipra, 2025；The Economist, 2026；Gambacorta and Shreeti, 2026）而加剧先发优势。它也可能限制进入，尤其是在模型开发和推理需要大量沉没成本、稀缺人才、昂贵的尖端计算访问以及战略运营合作伙伴关系的情况下。 垂直整合以及对价值链关键环节的把控也威胁着人工智能市场的竞争性。许多领先的数字公司跨越人工智能价值链的多个层面运营——包括模型开发、云服务提供以及下游数字服务——这使它们能够优先推广自有产品、将人工智能与现有产品捆绑销售，并提高用户的转换成本（Frost, Rishabh and Shreeti, 2026）。此类策略即使在模型价格下降时也可能削弱市场的竞争性。透明度不足、利益冲突和游说活动进一步扭曲了