BIS白皮书：AI供应链的五个层级

作者：Leonardo Gambacorta 和 Vatsala Shreeti，2025年3月

国际清算银行（BIS）2025 年报告指出，AI 发展依赖由硬件、云基础设施、训练数据、基础模型、AI 应用构成的复杂供应链，各层级市场结构差异显著

一、研究背景与目的

人工智能（AI）的快速发展依赖于一个复杂的多层次供应链，包括硬件、云计算、训练数据、基础模型和终端应用五个关键层级。本文系统分析了每一层的市场结构、经济驱动因素及大型科技公司（Big Tech）在其中日益增长的影响力，并探讨了由此带来的竞争、创新、韧性、网络安全和金融稳定等方面的政策挑战。

二、AI供应链的五个层级

硬件层：Nvidia 垄断，竞争壁垒高

市场集中度：2023 年全球数据中心 GPU 营收中，Nvidia 占比超 90%，AMD 及其他厂商合计不足 10%；芯片制造依赖TSMC（全球 > 60% 半导体、>90% 先进半导体产能），进一步加剧集中。

垄断驱动因素：

技术壁垒：GPU 并行计算能力适配 AI 需求，Nvidia 先发优势显著（早期服务游戏市场，积累并行计算技术）。

生态锁定：GPU 捆绑专属软件平台 CUDA（行业标准，仅支持 Nvidia 芯片），开发者基于 CUDA 构建代码，切换成本极高。

战略布局：2019 年收购 Mellanox，优化 GPU 网络连接效率，强化性能优势。

竞争动态：AMD、Intel 及科技巨头（微软、Google、华为）自研芯片，但短期内难以撼动 Nvidia 地位。

云基础设施层：三巨头主导，区域垄断显著

市场集中度：2024 Q1 全球云营收中，AWS（31%）、Azure（24%）、Google Cloud（11%）合计占 66%；2023 年全球 IaaS 市场三巨头占比 74%，区域市场更集中（如印度 87%、澳大利亚 77%）。

垄断驱动因素：

高切换成本：不同云厂商接口 / 技术差异大，工程师需重新培训（外生成本）；使用专有软件会进一步增加切换难度（内生成本）。

限制性条款：收取高额 “出口费”（数据转出至竞品平台的费用，远高于中小厂商），微软对跨云使用 Windows 应用收取高额许可罚款。

生态捆绑：以折扣提供垂直整合服务（如存储 + 计算 + 分析），锁定用户。

训练数据层：公共数据枯竭，科技巨头占优

数据来源变化：早期 AI 模型（如 GPT-3）依赖免费公共数据（互联网文本），但研究预测高质量语言数据 2026 年将耗尽（Villalobos et al 2022），当前转向专有数据、合成数据及收购数据。

科技巨头优势：

专有数据池：Meta（Instagram/Facebook 数据）、Google（搜索 / 邮件数据）、微软（LinkedIn/Bing 数据）拥有海量用户行为数据。

数据获取策略：调整隐私政策（如 Google 允许用 Docs/Maps 数据训练 AI）、收购数据企业（2019 年 Google 收 Fitbit 获取健康数据）、合作数据平台（2022 年 Meta/Google 与 Shutterstock 合作）。

制衡因素：部分数据无有效反馈循环（无法提升模型性能），且数据增量存在边际效益递减。

基础模型层：动态竞争但头部集中

市场现状：全球超 300 个基础模型，由 14 家企业提供，但OpenAI、Google DeepMind、Anthropic、Meta 四家主导；2023 年 GPT-4 占生成式 AI 全球营收 69%（Korinek and Vipra 2024）。

集中驱动因素：

高成本门槛：训练 GPT-4 成本超 $1 亿 （The Economist 2023b），固定成本高、可变成本低，形成规模经济。

市场的网络效应（正反馈循环）：先发者通过用户惯性、数据反馈循环巩固优势，即使成本下降，新进入者也难突破。

竞争模式：分 “专有”（OpenAI，高成本、低灵活）与 “开源”（Meta Llama，高灵活、易滥用），垂直整合趋势显著（模型厂商向上绑定硬件 / 云，向下延伸应用）。

AI 应用层：百花齐放但 “赢者通吃”

市场特征：ChatGPT 爆发后，AI 应用渗透医疗、教育、金融等领域，但数字平台 “赢者通吃” 逻辑适用。

典型案例：2024 年聊天机器人市场，ChatGPT 以 60% 月访问量占比领先，Claude、Gemini 等竞品合计不足 40%，先发优势（如 ChatGPT 的 “首个现象级 AI 应用” 认知）是核心壁垒。

三、大型科技公司（Big Tech）的扩张路径 美中科技巨头（如微软、Google、Meta、亚马逊、华为）是 AI 供应链的核心玩家，通过 “投资 - 整合 - 闭环” 策略扩大影响力：

大额投资与排他合作：2023 年科技巨头占 AI 企业总融资 33%，生成式 AI 融资占比达 67%（Graph 2.D）；合作附加排他条款，如微软 $10 亿投资 OpenAI，要求其独家使用 Azure 云，亚马逊投资 Anthropic 绑定自身云与自研芯片。

垂直整合全链条：从硬件（自研 AI 芯片，如 Google TPU、亚马逊 Trainium）→云（AWS/Azure）→数据（专有池 + 收购）→基础模型（Google Gemini、Meta Llama）→应用（微软 Copilot、Google 搜索嵌入 Gemini），实现 “端到端控制”。

构建 “云 - 数据 - 模型” 闭环：控制计算资源与数据，使 AI 模型更优；模型使用生成更多数据，反哺模型迭代（“数据重力” 效应），进一步强化竞争优势

垂直整合：Big Tech（如微软、谷歌、亚马逊、Meta）已横跨所有五个层级，例如：

微软投资OpenAI并绑定Azure云服务；

谷歌、Meta、亚马逊自建芯片、模型和数据闭环；

亚马逊要求Anthropic使用其芯片和云服务。

数据闭环（Data-Cloud Loop）：

云平台 → 数据生成 → 模型训练 → 更好服务 → 更多用户 → 更多数据 → 更强模型

资本控制：2023年，Big Tech占AI总融资的33%，在生成式AI领域占比高达67%。

四、市场集中带来的风险

竞争与创新风险

消费者锁定：高切换成本导致用户难以转向中小厂商；

中小企业壁垒：GPU、云资源、数据获取成本高，新进入者难以生存；

创新方向扭曲：少数企业控制 AI 研发方向，可能偏离社会需求（如侧重盈利而非公共福利，Acemoglu 2021）。

运营韧性与网络安全

单点故障：依赖 Nvidia（GPU）、TSMC（芯片制造）、CrowdStrike（网络安全）等单一供应商，2024 年 CrowdStrike 软件故障导致 850 万台电脑崩溃，波及航空、银行等行业；

集中化攻击风险：核心基础设施集中于少数企业，一旦遭网络攻击，将引发跨行业连锁反应。

金融稳定隐患

模型同质化：金融机构使用相同 AI 模型 / 数据，加剧 “顺周期性”（市场繁荣时过度乐观，危机时过度恐慌）；

市场波动：相似算法可能引发 “闪崩”“流动性枯竭”，如 2021 年美股算法交易导致的短期暴跌。

五、政策挑战与应对建议

政策难点：

多层市场、多个监管机构、目标冲突；

技术演进快于监管；

国际协调困难；

事后反垄断可能“为时已晚”。

政策建议（已在多国推进）：

数据共享机制：建立公共训练数据集；

非歧视访问：确保小企业对基础模型的公平访问；

多云战略：降低对单一云服务商依赖；

标准化API：降低迁移成本；

国际监管合作：如G7、TTC、AI Action Summit等多边机制。

六、结论

AI供应链当前呈现出“上游高度集中、下游竞争激烈但易赢家通吃”的格局。Big Tech通过垂直整合、数据控制和资本优势，正在构建一个“大AI”生态系统。这种集中化虽带来效率，但也可能抑制创新、增加系统性风险。政策制定者需在全球协作框架下，动态监测市场结构、行为与风险，推动AI市场健康、包容和可持续发展。

问题 1：AI 硬件层（如 GPU）为何呈现 Nvidia 近乎垄断的格局？其他厂商（如 AMD、科技巨头）难以突破的核心障碍是什么？

Nvidia 垄断 GPU 市场的核心原因的是 “技术先发优势 + 生态锁定 + 战略布局” 的三重壁垒：

技术与先发优势：Nvidia 早期服务游戏市场，其 GPU 的并行计算能力天然适配 AI 模型训练 / 推理需求，比 CPU 效率高数千倍；2010 年后率先布局 AI 芯片，积累了超过 10 年的技术专利与用户认知。

生态锁定效应：GPU 捆绑专属软件平台CUDA（并行计算行业标准），开发者需基于 CUDA 编写代码，且下游应用（如 TensorFlow、PyTorch）深度适配 CUDA；切换至 AMD（依赖 ROCm）或科技巨头芯片需重构代码，成本极高，形成 “开发者 - 软件 - 硬件” 的闭环。

战略补强：2019 年收购 Mellanox，优化 GPU 间网络连接效率，使 Nvidia GPU 集群性能领先竞品 30% 以上（The Economist 2024）。

其他厂商难以突破的核心障碍是生态壁垒而非单纯技术：AMD、Intel 的芯片在硬件参数上可接近 Nvidia，但缺乏兼容主流 AI 框架的软件生态；Google、微软等科技巨头自研芯片（TPU、Athena）仅用于自身云服务，未开放生态，无法吸引第三方开发者，难以形成规模效应。

问题 2：科技巨头对 AI 供应链的垂直整合（如微软覆盖云 - 数据 - 模型 - 应用），对中小企业和行业创新会产生哪些具体影响？是否存在潜在益处？

答案：垂直整合对中小企业和创新的影响具有两面性，负面影响更显著：

（1）负面影响

中小企业生存空间压缩：

资源壁垒：科技巨头控制 GPU、云资源、高质量数据，中小企业难以获取廉价算力（如 Nvidia GPU 优先供应大企业）和训练数据（公共数据枯竭，专有数据被巨头垄断）；

排他性限制：科技巨头通过投资绑定 AI 初创企业（如 OpenAI 绑定 Azure），禁止其使用竞品服务，中小企业失去合作机会。

创新方向受限：

短期创新：巨头倾向于投资 “能快速盈利” 的应用（如生成式 AI 聊天机器人），忽视医疗 AI、气候模拟等长期公共利益领域；

长期创新：新进入者难以突破巨头的生态闭环（如基于 Azure 的应用无法迁移至 AWS），抑制技术多样性。

（2）潜在益处

效率提升：垂直整合减少供应链环节摩擦，如 Google 的 TPU 芯片与 Google Cloud 深度适配，模型训练效率比 “第三方 GPU + 云” 组合高 20%（BIS 2024），可降低部分 AI 应用成本；

技术外溢：部分巨头开放基础模型（如 Meta Llama），中小企业可基于开源模型快速开发应用，降低研发门槛（如创业公司用 Llama 开发行业专属 AI 工具）。

总体而言，负面影响（抑制竞争、扭曲创新）远大于益处，需通过政策（如禁止排他性合作、要求开放生态）平衡。

问题 3：AI 供应链集中化为何会威胁金融稳定？监管机构可采取哪些针对性措施防范此类风险？

答案：AI 供应链集中化威胁金融稳定的核心逻辑是 “风险传导的集中化与同质化”，具体路径及应对措施如下：

（1）威胁金融稳定的具体路径

模型与数据同质化→顺周期性与羊群效应：金融机构依赖少数科技巨头的 AI 模型（如风控模型、交易算法）和数据（如用户信用数据），导致所有机构在市场繁荣时过度放贷、危机时集中抽贷，加剧金融周期波动（Aldasoro et al 2024）；

核心供应商故障→系统性中断：金融机构依赖 Nvidia（算力）、AWS（云）、特定基础模型厂商，若供应商遭 网络攻击或运营故障（如 2024 年 CrowdStrike 事件），将导致银行交易系统、券商算法交易、保险公司风控瘫痪；

算法趋同→市场波动与流动性枯竭：相似 AI 交易算法在极端行情下会同时触发 “止损”“平仓” 指令，引发闪崩（如 2021 年美股 “ meme 股” 波动），甚至导致市场流动性突然消失（OECD 2021）。

（2）监管机构的针对性措施

强化供应链韧性监管：要求金融机构披露 AI 供应链依赖关系（如 GPU 供应商、云服务商），制定 “关键供应商中断应急预案”，强制备份方案（如同时使用 2 家以上云厂商）；

防范模型同质化：鼓励金融机构开发定制化 AI 模型，限制 “一刀切” 采用第三方通用模型；要求模型厂商披露数据来源与算法逻辑，避免机构盲目跟风；

建立跨机构风险监测：搭建 AI 金融风险共享平台，实时监控不同机构的 AI 模型使用情况，预警 “算法趋同” 风险；对高频交易 AI 实施 “波动阈值管控”，防止极端行情下的过度交易。

国际协同：推动全球统一的 AI 金融风险监管标准（如 BCBS 2024 数字金融监管框架），避免监管套利（如金融机构将高风险 AI 业务转移至监管宽松地区）。