大模型盈利元年：数据“接棒”参数

　　数智瞭望

　　数据的“接棒”，最终让AI走出了实验室和炫技场，真正成为千行百业数字化转型的通用基础设施，开始为实体经济注入实实在在的增长动力。

　　李海楠

　　刚刚过去的7月，政策与市场逐渐形成共识：对数据价值兑现的关注程度已经高出对大模型参数的追捧。

　　国家数据局7月1日正式发布《数据产权登记工作指引(试行)》，结束了此前数据产权分散在地方登记、规则不统一的局面，数据资产的流通首次有了全国统一的“身份证”;同样在7月，港股半年报披露窗口开启，多家AI驱动的硬科技企业预告上半年扭亏为盈，标志着行业从“烧钱换规模”迈入“盈利兑现”阶段：极视角大模型业务爆发，经调整利润扭亏，其中上半年大模型解决方案业务收入超过8000万元，同比增幅高达4110%，成为营收核心支柱;零犀科技验证“结果定价”模式，实现规模化盈利，将收费与客户业务实际成果挂钩，在金融、保险、汽车、教育四大垂直领域落地行业智能体，实现了风险共担与收益共享。

　　2026年被行业普遍视为大模型从“技术竞赛”转向“商业变现”的关键节点。接受中国经济时报记者采访的专家认为，从拼参数到拼数据、拼落地，大模型行业正在迎来关键跨越。2026年的盈利兑现只是起点，随着数据要素价值持续释放，大模型将成为千行百业数字化转型的通用基础设施，为实体经济注入持续动力。

　　01

　　逻辑切换：参数竞赛的终局与数据上位

　　三年前“百模大战”打响时，行业的核心共识是“参数越大、能力越强”，千亿级参数模型接连发布，算力投入规模一度成为企业实力的核心标尺。但仅仅三年时间，竞争的天平已经彻底倾斜。

　　“与三年前比拼参数规模、算力投入的竞争逻辑不同，此轮盈利兑现的核心动力，均指向企业长期积累的高质量行业数据集。”中国人民大学重阳金融研究院副研究员丁壮对中国经济时报记者表示，价格战背后，是算力与算法正在快速“通缩”为标准化的基础设施。他给记者算了一笔账：DeepSeek官方报告披露，其671B参数模型的训练成本仅为557.6万美元;智谱GLM-4-Plus的API价格已从最初的50元/百万Token降至相同单位只需要5元，“算力和算法正如水电煤一样，可得性越来越高，价格越来越透明，已经无法构成企业的核心壁垒。”

　　对此，中国工程科技前沿交叉战略研究中心特约研究员钮钦在接受中国经济时报记者采访时给出了一个形象的比喻：如果把大模型产业比作一场马拉松，过去两年是起跑阶段，大家拼的是“肌肉”(算力)和“步频”(算法参数)，现在进入赛程中段，决定胜负的关键变成了“内力”，也就是高质量行业数据的积累。“这无疑点明了此轮盈利分化的核心。”他表示，唯一无法被快速复制、无法通过价格战压缩价值的，只有与场景深度绑定的高质量数据。

　　02

　　盈利真相：数据如何直达利润表

　　眼下，高质量数据正在通过“一减一增”两条核心路径，直接改写大模型企业的利润表。

　　“减”的是全链路的综合成本。丁壮指出，数据质量首先决定了AI幻觉率，而幻觉率恰恰是大模型跨过商用容错门槛的核心指标——在医疗、金融、工业等容错率极低的场景，一次错误输出就可能让客户直接弃用产品，而一旦数据质量达标、幻觉率降到行业阈值以下，企业原本需要投入的大量人工复核、售后纠错成本会直接呈指数级下降。其次，高质量数据能大幅压缩训练与微调的试错成本：数据标注越精准、行业逻辑越贴合，模型收敛速度越快，算力空转的浪费就越少，直接摊薄了模型迭代的固定成本。

　　在钮钦看来，高质量数据与大模型企业能否实现盈利，一要聚焦“省钱”路径，即降低试错成本;二要聚焦“赚钱”路径，即解决信任问题。他指出，二者之间好比“食材与厨师”之间的微妙关系，高质量数据就是大模型产业的“顶级食材”，培育高质量数据集合就是从源头降低生产端的损耗。

　　“增”的是商业变现的天花板。当大模型的输出准确率足够高，企业的商业模式就可以从“卖工具授权”升级为“卖结果价值”。

　　丁壮举了工商银行的例子：其大模型目前已累计拦截可疑电诈汇款超60万笔，为客户避免损失超170亿元。“客户买的不是一套AI软件，是真金白银的损失减少，这种付费意愿和客单价，与过去卖工具完全不是一个量级。”

　　这背后正是基于标的定位群体的数据支撑让预判越发精准。

　　“高质量的行业数据是稀缺的秘方，谁能掌握它，谁就能更好解决问题，从而在市场上获得超额回报。”钮钦观察到，高质量数据带来的输出确定性，治好了大模型“胡说八道”的幻觉问题，让AI从过去“好玩的玩具”变成了“好用的生产工具”，直接推高了企业的付费转化率和客单价。

　　这种成本与收益的反向变化，背后是经济学规律的作用：当算力、算法的投入持续增加，其边际收益已经进入递减区间，单纯堆参数、采购显卡带来的性能提升越来越有限，席卷行业的价格战就是最直接的印证;而高质量数据的边际收益反而持续递增——数据可以在同一个场景反复复用，还能随着业务开展持续沉淀新的内容，形成“越用越准、越准越多人用”的复利效应。

　　在丁壮看来，市场将2026年视为大模型盈利元年，本质上不是模型突然变聪明了，而是数据的价值第一次真正体现在了企业的利润表上，完成了从“沉睡资源”到“有效资产”的关键一跃。

　　03

　　价值闭环：制度铺路与长期护城河

　　大模型企业盈利并非单点突破的偶然，而是其背后的数据要素制度框架的持续完善。从2022年底中共中央、国务院印发《关于构建数据基础制度更好发挥数据要素作用的意见》，即“数据二十条”确立的产权分置框架，到今年6月印发的《关于推进行业高质量数据集建设行动的实施方案》明确推动数据采买纳入预算编制、探索Token交易机制，一系列政策推动数据从“资产”向可定价、可交易的“商品”跨越。

　　丁壮指出，数据驱动盈利将成为全行业标准增长范式，但属于“有条件的复制”，需跨过三道门槛：制度供给完善、行业数字化跟进、全社会形成数据付费共识。国家数据局数据显示，我国已建成高质量数据集12万个，截至今年6月底，科研、工业、医疗等领域数据集总规模超1565PB，为AI发展提供坚实支撑。按照“人工智能+制造”专项行动目标，2027年将建成100个工业高质量数据集、1000个工业智能体、推广500个典型应用场景。当前，金融、医疗、制造等数据“深水位”行业已率先完成积累，其他行业仍需逐步推进。

　　对率先盈利的企业而言，静态数据集存量不足以构成长期护城河，避免盈利“昙花一现”才是核心考题。

　　钮钦认为，企业必须从“守着金山的矿主”转型为“会提炼价值的炼金师”，构建数据全链路运营能力建立独有壁垒：

　　一是跑通“数据—场景—模型迭代”正向飞轮，竞争对手可购买历史公开数据，却无法获取企业实时业务产生的新数据，这类数据反哺模型、提升体验，形成用户与数据的正向循环;二是掌握合成数据“自造血”能力，针对医疗罕见病、工业极端缺陷等稀缺场景，通过仿真数据训练模型，摆脱对天然数据的依赖;三是深耕行业知识加工，将零散数据转化为结构化行业知识，把从业者隐性经验沉淀为模型可学习的逻辑，构建认知层面的壁垒。

　　钮钦判断，工业时代竞争力看铁路网覆盖密度，智能时代竞争力则看数据供应链的带宽和良品率。未来AI行业不再是科技巨头专属，中小企业可通过数据市场购买数据集低门槛切入垂直场景，行业将从“单打独斗”走向“协同作战”，实现全行业生产效率系统性提升。

　　当参数竞赛的喧嚣退去，大模型产业终于走到了价值兑现的关口：数据的“接棒”，最终让AI走出了实验室和炫技场，真正成为千行百业数字化转型的通用基础设施，开始为实体经济注入实实在在的增长动力。