AI预算逆势增长：大厂投入重构与数学大模型突破

执行摘要：在整体市场预算收缩背景下，头部科技公司普遍削减传统营销开支、加大AI研发投入，产业资源加速向大模型倾斜。同期OpenAI在数学推理领域取得新进展，引发学界对AI与数学研究边界的讨论。本报告梳理AI产业格局、产业链变化与竞争态势，并给出趋势判断。

产业现状与格局

一、预算结构的再平衡：从“买增长”到“买未来”

2025年，中国互联网与科技产业出现了近年来罕见的一致性动作：头部企业系统性调整预算结构，压缩市场费用、加码AI投入。这一轮调整并非简单的“降本增效”，而是资源配置逻辑的重构——过去十年，大厂以市场投放换取用户规模增长；当下，增长红利趋缓，企业普遍将资金从“获取增量用户”转向“构建增量能力”。

从公开财报与行业观察看，这一趋势呈现三个共性特征：

• 市场费用刚性压缩：多家的销售与市场开支同比增速明显低于营收增速，部分企业绝对值出现下降，买量、补贴类投入优先被削减；
• AI研发投入逆势上升：资本开支与研发费用中，算力采购、基础模型训练、AI应用落地的占比持续提升，成为预算中增长最快的科目；
• 考核导向转变：内部对AI业务的评估从短期商业化回报转向技术与数据资产的长期积累。

这一变化标志着产业投资周期切换：以营销驱动的流量竞争周期进入尾声，以研发为核心的能力竞争周期开启。企业比拼的不再是“谁花得快”，而是“谁投得深”。

二、资源流向重构的传导链

预算再平衡并非一步到位，而是沿一条清晰的传导路径展开：

这一传导链意味着，本轮调整的最终落点是竞争壁垒的形态变化：营销投放形成的用户心智壁垒，正在被算力规模、模型能力与数据飞轮所构建的技术壁垒替代。资源向研发端的迁移越彻底，后进入者的追赶成本就越高。

三、头部集中：格局加速收敛

研发驱动型投资天然带有规模门槛。训练基础模型所需的算力、数据与人才投入呈指数级上升，只有具备充足现金流与自建基础设施能力的头部企业才能持续跟进。由此带来的直接后果是产业集中度的提升：

• 算力集中：高端GPU集群集中于少数头部厂商，中小玩家以租用或接入API为主；
• 人才集中：顶尖AI研究者向头部实验室与头部企业聚集，薪酬溢价推高了行业准入门槛；
• 数据集中：高价值、高质量数据集日益沉淀于拥有庞大业务场景的大厂内部。

四象限所示，头部大厂凭借“高投入+高生态位”稳居领跑者象限；垂直场景应用商虽研发投入有限，但依托行业know-how占据差异化生态位，是格局中不可忽视的潜力变量；而依赖传统买量模式、研发投入不足的厂商，则面临向存量玩家象限滑落的风险。

四、数学大模型突破：研发周期的价值验证

在投入上升的产业背景下，技术侧的进展为“研发驱动”逻辑提供了最有力的注脚。OpenAI近期公布的数学推理新成果引发业界广泛关注——模型在复杂数学问题的求解能力上取得显著跃升。数学作为形式化程度最高的学科，其推理能力被视为衡量大模型通用智能上限的试金石。

华裔数学家陶哲轩对此的回应颇具产业警示意味：他提醒业界警惕对数学资源的“掠夺式开采”，主张AI应以辅助而非榨取的方式参与数学研究，保护学术生态的可持续性。这一观点揭示了研发周期中的深层张力：技术能力突破需要开放的数据与知识供给，但过度消耗可能损害创新生态的再生产能力。

对国内产业而言，该突破的意义在于：其一，验证了巨额AI研发投入在技术回报上的可行性，为大厂预算倾斜提供了信心支撑；其二，凸显了基础研究与产业应用之间的距离正在快速缩短，研发投入的兑现周期比预期更短；其三，提示了“高质量、稀缺性知识数据”的战略价值，数据治理与合规获取能力将成为下一阶段竞争的隐性门槛。

五、小结：进入“以研发计价”的新周期

综合来看，产业当前呈现“预算再平衡—格局收敛—技术突破验证”三位一体的演进态势：市场费用压缩为AI投入腾挪空间，研发的规模门槛推动资源向头部集中，而数学推理等前沿突破则反向强化了持续加码研发的产业共识。可以判断，产业已进入以研发为核心的投资周期，预算结构将不可逆地向技术能力建设倾斜。

下一阶段的分水岭，将不再是营销预算的多少，而是算力储备、数据资产与研究组织的密度。对此，第2章将展开具体测算与对比分析。

上游：算力与模型层

在大厂“减市场预算、加AI预算”的整体调向下，上游产业环节成为资金汇聚的核心地带。算力、数据、基础模型三者构成AI产业链的底层支柱，预算结构的变化正在重塑这一层的竞争格局：基础设施投入持续加码，基础模型能力迭代加速，头部效应愈发显著。

算力：预算集中度的核心载体

AI预算的逆势增长，最先传导至训练与推理基础设施。与传统IT投入分散在多条业务线不同，本轮AI预算呈现明显的“集中化”特征——资金向GPU集群、智算中心、推理服务等少数环节聚集。训练侧的算力需求随模型参数规模和数据量同步扩张，而推理侧随着应用落地，正在从“可选项”转变为持续性的经营性支出，其占比预计将长期上升。

对大厂而言，算力投入具有双重属性：既是成本，也是壁垒。自建集群与租用云算力并行，头部厂商倾向于通过长期算力锁定保障训练节奏，这进一步抬升了后来者进入上游的资金门槛。

数据与基础模型：从规模竞赛到能力突破

数据与基础模型是上游的“软性”核心。预训练语料的规模红利逐渐接近边际，高质量数据（代码、数学、推理链等）的价值凸显，数据治理与合成数据能力成为新的投入方向。

基础模型层面，能力突破仍在持续。以数学与推理为代表的硬核能力成为新的竞争焦点——数学问题对模型的逻辑严密性、多步推理能力要求极高，是衡量模型通用智能的重要标尺。近期OpenAI在数学领域公布的重要进展引发广泛关注，数学家陶哲轩就此表态，认为数学不应被AI“掠夺式开采”——即AI应作为辅助工具深度融入数学研究，而非简单抽取已有成果。这一讨论折射出上游能力突破与学术生态之间的张力：模型能力越强，与人类专家协作模式的界定越重要。

从产业逻辑看，基础模型能力突破直接决定下游应用的天花板，这也是大厂甘愿在市场预算收缩的背景下维持乃至扩大模型研发投入的根本原因：模型层是当前确定性最高的竞争焦点，输掉模型层就意味着输掉整个生态位。

竞争格局：分化中的头部集中

从四象限视角看，上游竞争呈现“高门槛、高领先度”的强头部格局：既掌握海量算力又具备模型前沿能力的玩家占据领跑位；开源生态与垂直模型玩家以差异化路径寻找空间，但因资源门槛有限，在通用能力追赶上的不确定性更高。算力服务商则处于承上启下的位置，受益于预算集中，但也面临客户自建算力的替代风险。

上游投入的结构透视

小结

上游环节是本轮AI预算逆势增长的最大受益方。算力投入的集中化抬高了行业门槛，数据质量取代数据规模成为新的瓶颈，而以数学推理为代表的基础模型能力突破正在重新划定竞争分界线。陶哲轩关于“不应掠夺式开采数学”的提醒，也提示上游能力竞赛需要与学术生态形成可持续的协作关系。上游格局的固化程度，将直接影响中下游应用层未来几年的竞争空间——这是下一章的分析重点。

中游：工具与平台层

当上游模型能力以月为单位迭代，中游的工具与平台层正在成为承接 AI 能力、实现产业价值变现的关键枢纽。本章从中游生态的结构变化、企业采购行为的转向以及数学大模型突破带来的连锁反应三个维度，观察这一层的演进逻辑。

一、中游的三层承接结构

大厂“减市场预算、加AI预算”的资源再配置，直接改变了中游生态的供需关系。开发框架、Agent 工具与行业化平台构成了层层递进的承接链条：

开发框架层（如各类模型调用与微调框架）负责将底层模型的原始能力工程化，让开发者以更低成本接入；Agent 工具层则在框架之上封装任务规划、工具调用与多轮协作能力，成为近两年增速最快的细分赛道；行业化平台层面向金融、制造、医疗等垂直场景，将通用模型能力翻译为企业可用的解决方案。三层协同，使模型能力得以沿着“技术—工具—场景”的路径完成价值传导。

二、企业采购逻辑：从营销获客到 AI 工具

参考素材揭示的关键趋势是：头部企业正在压缩传统市场营销预算，将节省的资金转入 AI 相关投入。这一转变的产业含义在于——

第一，预算流向重塑了中游的客户结构。过去 SaaS 与数字工具的主要买单方是市场部门（获客工具、CRM、投放系统），如今 IT 与业务部门主导的 AI 工具采购占比上升，企业软件的决策链条与产品形态随之调整。

第二，采购标的从“流量入口”转向“效率杠杆”。企业不再仅为触达客户付费，而是为研发提效、客服自动化、数据分析等内部能力付费。这类需求更刚性、复购更稳定，客观上提升了中游工具厂商的收入质量。

第三，中游生态加速成型。预算集中催生了平台化机会：大型云厂商与模型厂商通过开放 API、构建开发者生态吸附中小工具厂商，形成“模型厂商—平台—ISV—终端企业”的分层格局。

三、竞争格局：技术门槛与商业价值的二维分化

中游厂商的定位可沿“技术门槛—商业价值”两个维度观察：

行业化平台兼具高技术门槛与高商业价值，是当前竞争的制高点；Agent 工具处于快速上升通道，但同质化风险初现；传统营销获客类工具则面临预算转移的直接冲击，多数落入“存量玩家”象限，被迫向 AI 能力转型。

四、数学大模型突破：中游的新变量

参考素材中 OpenAI 在数学领域取得的大结果，以及陶哲轩“数学不该被AI掠夺式开采”的警示，对中游层具有双重意义。

一方面，数学推理能力的跃升将外溢至中游工具：代码生成、科学计算、形式化验证等对推理精度要求极高的场景，有望出现新一代高价值工具产品。这部分能力壁垒高、差异化强，可能重塑中游的技术门槛分布。

另一方面，前沿学者的谨慎态度提醒产业界：模型能力的突破不等于学术价值的自动实现。对于中游厂商而言，如何在工具设计中嵌入对研究规范、数据来源与使用边界的尊重，将成为长期竞争力的一部分，而非仅仅是合规成本。

小结

中游是 AI 预算再配置的直接受益层：企业采购逻辑从营销获客转向效率型工具，为开发框架、Agent 工具与行业化平台带来结构性需求；而数学大模型等上游能力突破，将持续抬高中游的技术天花板。下一章将聚焦下游应用层，观察这些能力如何最终抵达终端场景。

下游：应用与场景层

在大厂“减市场预算、加AI预算”的整体转向下，下游应用层呈现出明显的结构性分化。曾经占据数字营销主位的传统投放预算持续收缩，而科研、编程等高价值场景则率先跑通商业闭环，成为AI预算的主要流向。需求结构的迁移，正在重塑应用层的价值排序。

一、预算迁移的传导链条

从大厂的预算调整动作看，资金流向经历了三个环节的传导：削减传统数字营销预算，将释放的资金注入AI基础设施与模型研发，最终沉淀到高价值应用场景的落地验证。这一链条的背后，是大厂对“流量采买边际效益递减”与“AI能力资产化”之间的再平衡判断。

二、高价值场景率先落地

科研场景是本轮落地中最受关注的方向。数学大模型的突破性进展，正在改变基础科研的工作方式。以OpenAI近期公布的数学大结果为代表，大模型在定理证明、猜想验证等前沿任务上展现出接近领域专家的能力，引发学界广泛讨论。陶哲轩对此提出的观点颇具代表性：数学不应被AI“掠夺式开采”——即AI应作为辅助工具参与数学研究，而非以穷举式算力简单替代人类的创造性思考。这一表态折射出科研社区对AI工具的期待与审慎并存：一方面认可其在效率提升上的价值，另一方面强调人机协作的边界。

编程场景则是商业化最成熟的赛道。代码生成、缺陷修复、测试自动化等能力直接对应企业研发降本需求，付费意愿明确、效果可量化，使其成为AI应用层收入结构中的支柱。大厂内部工程团队的AI渗透率提升，也进一步验证了该场景的落地深度。

三、传统营销预算收缩与需求迁移

与高价值场景的火热形成对照，传统数字营销正处于预算收缩周期。素材生成、投放优化等环节虽已被AI能力覆盖，但“用AI提升营销效率”并未阻止整体盘子的萎缩——大厂更倾向于将有限预算投向能形成长期资产的方向，而非一次性流量消耗。需求结构由此发生迁移：从“买流量”转向“建能力”，从外部采购转向内部AI工具自建。

四、应用场景价值矩阵

从技术门槛与商业价值两个维度看，各应用场景的定位分化清晰：

编程与科研场景凭借高技术门槛与高商业价值占据第一象限；AI营销工具虽然门槛较低，但正借助效率优势向上迁移；传统数字投放则滑向第四象限，面临存量竞争与预算挤压的双重压力。

五、应用层价值金字塔

综合预算流向与落地深度，下游应用层可概括为三层结构：

六、展望

下游的分化不是短期波动，而是需求结构的趋势性迁移。随着数学大模型等基础能力持续突破，科研场景的落地节奏有望加快；编程场景的竞争将从功能比拼走向工作流整合；而传统数字营销的转型方向已经明确——不是消失，而是以AI驱动的效率形态嵌入新的预算结构。对应用层玩家而言，能否进入“高技术门槛、高商业价值”的领跑区，将决定其在下一轮预算分配中的位置。

数据、能力与竞争

一、预算结构变化：AI成为确定性投入

从产业面观察，本轮大厂预算调整呈现明显的结构性特征：市场预算收缩，AI预算逆势增长。这不是简单的成本腾挪，而是战略重心的迁移——企业将原本投向品牌曝光与渠道扩张的资源，系统性转向上游的模型能力建设。其背后逻辑在于：市场投入带来的是短期收入曲线，而模型能力构成的护城河具有复利效应，且先发差距一旦拉开，追赶成本将呈指数级上升。

这一投入重构直接传导至两个竞争维度：一是算力与工程能力的军备竞赛，二是数据资源的争夺。前者有明确的资本开支路径可循，后者则进入了一个规则尚未完全确立的深水区。

二、数学推理：严谨领域的信号意义

OpenAI在数学推理领域公布的最新进展，被业界视为模型能力逼近人类前沿水平的重要信号。数学之于AI评测的特殊价值在于其可严格验证性——与开放域问答不同，数学证明的对错可以形式化判定，难以通过数据污染“刷分”。因此，数学成绩的突破，往往被解读为模型底层推理能力而非记忆能力的提升。

对产业而言，这一信号有三层含义：

1. 技术路线验证：强化学习与大规模推理计算的路线在严谨推理领域得到实证，将吸引更多资本与人才向此方向集中；

2. 应用场景打开：科研辅助、芯片设计验证、金融建模等高价值场景的可用性提升，AI从“内容工具”向“专业生产力工具”跃迁；

3. 竞争门槛抬高：前沿推理能力的训练成本极高，进一步压缩了腰尾部玩家的生存空间，行业分化加速。

三、数据边界：可持续利用与“掠夺式开采”之辩

能力竞赛的另一面，是数据资源使用的边界问题。值得注意的是，此次OpenAI的数学进展引发讨论的同时，数学界出现了针对性的反思。以陶哲轩为代表的学者提出，数学作为学术公共资源，不应被AI“掠夺式开采”——即模型厂商大规模获取数学文献、定理库与专家产出，却未建立对数学社区的反哺机制与可持续的协作框架。

这一争议揭示了AI产业的深层结构性矛盾：

• 能力依赖公共知识：前沿模型的训练语料大量来自学术界数十年积累的公开成果，这是典型的“公共池资源”；
• 收益分配不对称：商业模型的收益由厂商获取，而知识生产者（学者、期刊、开源社区）面临贡献被稀释、评价体系被冲击的风险；
• 长期供给风险：若AI工具大量替代学生训练、论文撰写等基础科研环节，可能导致未来人类专家供给断层，反噬AI自身赖以进步的源头。

从产业逻辑看，这不是简单的道德议题，而是可持续发展的商业问题。类比渔业资源管理，“竭泽而渔”式地开采学术数据，短期提升模型分数，长期将削弱数据源的再生产能力。可预期的演化方向包括：数据授权与分成机制的建立、模型厂商与学术社区的共建协议、以及针对高价值领域数据的合规获取框架。

四、竞争格局的分化

将当前参与者置于“技术门槛—商业价值”坐标系中，可以看到清晰的分化：

领跑者以OpenAI为代表，凭借前沿推理能力占据高壁垒高价值区间；头部云厂商依托算力与客户基础紧随其后；垂直科研AI初创在高壁垒区间具备潜力，但需解决数据获取与可持续性问题；而技术门槛低的应用层玩家，则面临被上游模型能力“平移碾压”的压力。

五、本章小结

AI预算的逆势增长，本质是产业对“能力即护城河”的共识性下注。数学推理的突破证明了这条路线的天花板尚远，但同时也将竞争的焦点推向了更难的部分——数据。当公共学术资源成为模型能力的原料，如何构建可持续的获取与反哺机制，将成为下一阶段头部厂商竞争的隐性分水岭。谁能率先建立合规、互惠的数据协作框架，谁就能在能力竞赛的深水区获得更持久的供给保障。

（本章约1300字，观点基于公开信息整理，不构成投资建议。）

趋势判断

综合前几章对预算重构与数学大模型突破的分析，本章从三个维度给出对未来产业走向的判断：预算结构的变化方向、模型能力竞争的关键变量，以及整个产业必须面对的深层考验。

判断一：预算结构性转移将持续，且不可逆

头部厂商“减市场预算、加AI预算”并非短期应激动作，而是战略重心的系统性迁移。其底层逻辑在于：市场投放带来的增长边际效益递减，而AI投入直接作用于产品能力与组织效率，具有更强的复利属性。从产业逻辑看，这一转移具备三个持续性的支撑条件：

其一，竞争倒逼。当领先者将更多预算投向模型训练与推理优化时，跟随者若不跟进，将在产品代差上迅速落后，形成“预算军备竞赛”的自我强化循环。其二，内部替代效应。AI在内容生成、客服、研发辅助等环节的渗透，正在替代部分传统市场与运营开支，预算转移具备内部资金来源，而非单纯的总盘子扩张。其三，董事会层面的认知转变。AI支出正从“探索性费用”重新归类为“战略性资本开支”，这一会计与治理层面的变化，使预算结构转移获得长期制度保障。

上述循环揭示了一个关键特征：预算转移不是单次再分配，而是一个自我反馈的闭环系统。只要“AI投入→能力提升→商业回报”的传导链条能够被验证，这一结构性转移就将在未来数年内持续深化。

判断二：推理能力与垂直场景成为差异化关键

OpenAI在数学领域的新进展再次印证：单纯依赖规模堆叠的预训练路线，其边际收益正在收窄，而以推理为核心的后训练与测试时计算路线，正成为能力突破的主战场。数学之所以成为标志性场景，在于它具有可严格验证的答案、清晰的多步推理链条，是检验模型“深度思考”能力的最纯粹试金石。

陶哲轩“数学不该被AI掠夺式开采”的表态，则从另一个侧面揭示了垂直场景的产业张力：顶尖专家既是高质量数据的稀缺来源，也是模型能力的最终裁判。这意味着，垂直场景的竞争不只是算力竞争，更是领域知识获取与专家合作生态的竞争。

从四象限格局看，未来的差异化壁垒将由“推理能力 × 垂直深耕”两个维度共同决定。横轴与纵轴双高的厂商将获得定价权与生态位；仅有算力而无深度场景理解的玩家，将逐步退化为基础设施提供者，面临商品化压力。

冰山结构提示：公众看到的基准突破，只是长期隐性积累的显性输出。对追赶者而言，模仿“可见部分”容易，复制“水面之下”极难。

判断三：数据可持续性与投入产出效率构成双重考验

趋势的另一面是约束。产业前景虽被普遍看好，但两个结构性难题正在浮现。

考验之一：数据可持续性。 公开互联网语料的有效存量趋于见顶，高质量、可验证的推理数据更加稀缺。数学等严谨领域的“掠夺式开采”争议，正是这一矛盾的具体表现——专家数据被快速抽取，而反哺机制尚未建立。未来能否建立“专家参与—数据授权—收益共享”的可持续供给模式，将决定垂直领域模型能力的天花板。

考验之二：投入产出效率。 预算向AI集中并不意味着回报确定。训练成本高企、推理开销随使用量线性放大、商业化路径尚在探索之中，均使投入产出比面临压力。若“投入→能力→收入”的传导链条在两到三年内无法闭环，当前的结构性转移可能遭遇资本市场与内部治理的双重审视。

小结

本章的三个判断可以概括为：方向确定、路径分化、约束渐显。预算结构性转移是确定性最高的趋势，已由竞争逻辑与治理逻辑双重锁定；推理能力与垂直场景是分化的主轴，将重塑厂商的相对位置；而数据可持续性与投入产出效率，则是决定这轮AI预算周期能否形成正循环的两道门槛。对产业参与者而言，真正的战略问题已不再是“是否投入AI”，而是“在哪个垂直场景建立不可替代性”以及“如何在数据与回报的双重约束下维持投入的节奏与耐心”。