title

AIBT-04｜核心模型席位、平台集中與投資組合博弈

english_title

Core Model Positions, Platform Concentration, and the Portfolio Game of AI Investment

series

AI 泡沫、產業重整與文明適應論

series_code

AIBT

document_id

EML-AIBT-2026-04

series_position

Core Paper 04 / 12

series_part

第二部｜核心企業、產品替代與組織重構

version

v0.1

date

2026-10-31

concept_by

Neo.K

research_collaboration

GPT-6

institution

EveMissLab／一言諾科技有限公司

status

完整研究原稿／可否證概念模型；未經同行評審

evidence_cutoff

2026-10-31 Asia/Taipei; historical data separately dated

canonical_source

UTF-8 Markdown; LF; no BOM

canonical_math_delimiters

single-dollar inline; double-dollar display

parent_document

AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md

previous_paper

AIBT-03｜地緣政治不是無限資本支票

next_paper

AIBT-05｜自研模型的經濟合理性：API、契約與供應風險的替代機制

AIBT-04｜核心模型席位、平台集中與投資組合博弈

Core Model Positions, Platform Concentration, and the Portfolio Game of AI Investment
系列：《AI 泡沫、產業重整與文明適應論》（AIBT）／第二部第四篇
命題提出： Neo.K　研究協作： GPT-6
研究機構： EveMissLab／一言諾科技有限公司
版本／日期： v0.1／2026 年 10 月 31 日
性質： AI 產業組織、投資經濟、平台市場與可否證預測設計；不構成證券投資建議。

作者： Neo.K
日期： 2026-10-31
版本： v0.1

摘要

AI 的前沿訓練需要巨額算力、電力、人才、資料、硬體供應與融資，促使大規模資金向一組被認為具有持久競爭優勢的企業集中。從投資者角度，這不必是一家企業「贏者通吃」，而可能是對多家候選核心企業進行組合式押注。但技術領先、取得融資、獲得市場份額、形成現金流、以及投資人實際獲利，是彼此不同的結果。已能辨認可能勝出的公司，並不保證已能以合理價格買入它們。

本篇提出「核心席位內生容量假說」與「候選組合可辨識—投資收益不可保證分離命題」。在特定 AI 價值鏈層級、工作任務、地域、時間與資本成本下，能維持足夠客戶、能力與財務連續性的核心供應商數量可能有限；但這個數量不是固定的五家或六家，也不等於全球模型數量。市場具有上游硬體與雲端集中、模型動態競爭、推理價格下降、垂直整合以及下游細分應用等多重結構，不存在可以無條件套用到所有層級的單一「AI 市場市占率」。

2026 年的證據同時支持資金集中與競爭動態。Dealroom／Air Street Capital 截至 9 月 16 日的統計顯示，AI 企業當年迄當時融資約 5,190 億美元，其中最大十五筆融資合計 3,120 億美元；Menlo Ventures 的 2025 年美國企業 LLM API 調查估計前三家供應商約占 88%。與此同時，2026 年《Journal of Economic Perspectives》一篇使用 OpenRouter 資料的研究顯示，模型及推理供應商大量增加，價格快速下降，領先者頻繁更替，沒有單一模型在所有任務上占優。此種矛盾表象正是本篇的研究對象。[S01][S02][S03]

本文區分融資流集中、付費需求集中與經濟租金集中，提出可重現的集中度口徑、投資股權稀釋算例、2027–2028 年四種條件性情境及十項可否證假說。結論是：核心供應商可能相對有限，卻不必具有永久固定席位；有長期生存能力的公司，也不必讓在高估值時投入的投資者獲利。

關鍵詞： 核心模型席位、AI 創投融資、平台集中、可競爭性、投資組合、開放權重、企業採購、垂直整合、企業存活、投資報酬、泡沫與產業出清。

Abstract

AI development combines scale economies and high fixed costs with active entry, open-weight competition, falling inference prices, and differentiated enterprise demand. This study proposes an endogenous notion of sustainable core supplier positions conditional on market layer, task, jurisdiction, time, and cost of capital. It distinguishes the ability to identify plausible leaders from realizing attractive returns at a given entry valuation. Dated evidence from Dealroom, Menlo Ventures, the OECD, the Journal of Economic Perspectives, BCG, and CB Insights is interpreted under explicit market and sampling restrictions. The paper provides operational concentration measures, an illustrative dilution-based investment case, alternative market trajectories for 2027–2028, and testable hypotheses; it does not claim a predetermined number of winners or an inevitable AI market crash.

0. 前置、研究範圍與非主張

AIBT-01 研究估值與現金回收時鐘，AIBT-02 研究算力、能源與有效模型成本，AIBT-03 研究國家產業戰略與企業利潤的差異。本篇接著問：當技術、客戶與資本開始向部分企業集中時，市場究竟如何形成能長期存在的核心供應商？投資者何時可以辨認它們，何時卻可能因投資價格太高而虧損？

本篇使用五種證據標記：OBS 是有來源與期間的觀測；DEF 是操作性定義；HYP 是可否證假說；SCN 是條件性情境；NOR 是制度規範比較。上述分類不相互替代。

本篇明確不主張：世界只需五或六家 AI 公司；某個國家只有五家模型研發商；最大模型商必然有最多利潤；所有中小公司都會倒閉或被收購；開放權重必然取代封閉模型；市占高就代表違法；大額融資已全部到帳；2027 年必然金融崩潰；模型價格下降就代表研發無利可圖；一家企業成功就意味各輪投資者都成功。

1. 先定義市場，才能談「核心供應商席位」

AI 產業至少有七種彼此關聯、但不能直接混算的市場。

核心席位在本文是經濟位置，不是正式會員制，也不是「能力評測前五名」。指定市場後，候選核心企業至少須有（甲）持續付費需求，（乙）可滿足的可靠品質，（丙）在資金成本與維護要求下的長期存活途徑，（丁）經得起新進者替代的競爭條件。缺少私企財務與合約資料時，只能稱為候選核心，而不是已驗證的永久龍頭。

市場定義必須同時固定地理／法域、任務類別、交易單位、買方類型、觀察期間。同一家企業可以橫跨多層，但不能把其所有營收加總後當作單一「全球 AI 市占率」。OECD 2026 年的競爭研究亦指出硬體、雲端、資料、基礎模型與應用層的集中風險並不相同。[S04]

2. 2026 年證據：資金集中與模型競爭可以同時成立

2.1 融資輪次的高度集中（OBS）

Dealroom／Air Street Capital 2026 年 10 月 8 日報告，資料截至同年 9 月 16 日：[S01]

可計算：

這個約 60.1% 描述融資事件的金額集中，既不能推出十五家公司掌握六成客戶，也不能推出最終獲利、上市成功率或固定贏家席位。特別是同一家模型公司可在該十五筆榜單中多次出現。[S01]

2.2 企業模型 API 使用份額集中（OBS）

Menlo Ventures 於 2025 年底發布的美國企業調查與市場估計，以約 500 位決策者及自有市場模型估計企業 LLM API 供應商份額：Anthropic 約 40%、OpenAI 約 27%、Google 約 21%，前三合計 88%。其對 2025 年整體企業生成式 AI 支出的估計為約 370 億美元，其中應用層約 190 億美元；370 億並非專屬模型 API 支出。[S02]

這不能推廣成中國、歐盟、日本或全球其他任務市場的份額，也不是 2026 年 10 月即時資料。該研究存在調查與推估誤差，企業可能同時購買多家模型，應避免將「採用／使用」、「支出」和「供應商可保留淨收入」混為同一指標。

定義指定市場的份額 $s_i$ 且總和為一，可用赫芬達爾—赫希曼指數表示集中度：

以前三家估計份額當作純數學示例，已知部分的平方和為：

剩餘 12% 若分散於眾多小供應商，整體 HHI 可接近此數；若全部集中於一個供應商，則上限約為 2914。這不是監管機關認定的實際 HHI，因為原始資料是樣本推估、對應市場邊界與成交量亦有不確定性；目的只是提醒集中度必須指定分母。[S02]

2.3 正式文獻的重要反向證據（OBS）

Demirer、Fradkin 與 Tadelis 2026 年在 Journal of Economic Perspectives 研究 OpenRouter 的推理交易市場，發現可商用模型、模型創作者與服務商數量迅速增加；研究描述的「智能價格」約下降一千倍，開放權重／開源模型在可比較條件下約比封閉模型便宜 90%，供應商更替頻繁，而且沒有一家模型在所有應用場景均占優。[S03]

這顯示「核心資本集中」不能被偷換成「所有模型市場已無競爭」。但 OpenRouter 也不是所有雲端直售 API、企業私有模型、國家機關採購或專業產業部署的完整樣本；其歷史價格降幅亦不能無條件解讀成同品質的每種任務都便宜一千倍。

OECD 2026 年 7 月兩項研究則同時指出：某些上游環節因規模與關鍵要素呈現結構性集中風險，但基礎模型領先位置、價格與專業化供應仍有變動；部分 AI 創新集中與銷售集中呈關聯，但不可直接推導因果。[S04][S05]

2.4 併購不是所有新創的保證退出（OBS）

BCG 2026 年 9 月分析 2020 年至 2026 年 8 月超過四萬筆科技業主要併購，其中約 11,372 筆屬 AI 生態相關。人才／技術能力取得仍是主要併購動機；平台組裝型交易的占比由 2020 年約 3% 增至 2026 年前段約 9%，而全面性的水平整併仍很有限。[S06]

因此，大公司可能購買人才、特定軟體、客戶或供應鏈位置，也可能直接自行開發相同功能，而不收購原公司。創業公司的可能退出方式包括持續存活、轉型、併購、債務重整與停業，不能假設「市場競爭太激烈就會被巨頭買走」。

CB Insights 的 2026 年第三季摘要同時呈現季度融資額約 1,033 億美元、比第二季約 1,531 億美元下降約三分之一，但當季仍有 42 家公司獲得十億美元估值。融資波動與新進高估值公司並存，不足以單獨證明所有 AI 資本市場已崩盤。[S07]

證據小結： 資金集中、特定買方市場集中、開源模型帶來進入壓力、以及股權估值脆弱，可以同時存在。這些資料不支持給世界模型商一個永恆不變的固定人數上限。

3. 核心席位不是常數，而是內生市場結果

3.1 核心席位容量的候選定義（DEF）

令 $\ell$ 為市場層、 $q$ 為任務、 $g$ 為地域或法域、 $t$ 為時點， $\theta$ 為預先指定的品質、服務可靠性、需求及財務門檻。定義：

這裡 $\operatorname{Viable}$ 只是一個待以資料操作化的可持續存在判定，而非已知的自然法則。研究時須提前規定至少多少有效付費量、多久未中斷服務、多少交付成功率，以及何種融資與現金流足以支持企業延續。沒有這些資料，就不能對 $K$ 宣稱實測數字。

這個符號刻意不把「全球擁有幾家模型公司」寫成某個普遍常數。在通用前沿預訓練、區域雲端部署、法律文書 Agent、離線工業模型等不同市場，能長期維持成本優勢的組織數量可以很不一樣。

3.2 推動集中與推動競爭的機制並存（HYP）

核心席位有限的條件式主張是：若某市場高額固定成本無法由足夠多家企業的付費需求共同攤平，而且低價替代選項及平台分發降低每家可留存收益，維持完整前沿投入的獨立供應商數量可能少於市場早期創業公司數量。這既沒有證明全球模型研發將自然合併為一家，也沒有證明所有新公司都沒有存在價值。

3.3 進入門檻與生存門檻不同

一個新創可以用現有 GPU 和開源模型在數月內推出有價值的產品；但可否保持三年客戶續約、資安、售後、模型更新及持續付費，另有成本。反過來，一家大型公司若負擔超高的前沿研發成本，也未必比一家有明確利潤的區域服務商更容易保持正現金流。

因此必須分開觀察：進場企業總數、具有可售產品的企業數、持續獲利的企業數、能定期自訓前沿模型的企業數，以及控制重要交易入口的企業數。單一指標不具替代性。

3.4 結構集中與可受挑戰性（contestability）

「少數核心供應商」若仍面臨潛在新進者、不同模型與客戶多供應商選擇，不一定具有永久超額定價權。相反，即使一項服務表面有許多品牌，若背後由同一雲端、同一模型或同一分發平台提供，實際關鍵瓶頸仍可能高度集中。這是評估市場可競爭性時要同時計入的兩個方向。[S04]

4. 投資人的「可預測候選組合」與「贏家報酬」不能互換

4.1 從看不清市場到縮小候選集合

當行業剛起步，投資人不容易判斷哪些模型或服務將形成穩定市場。隨著技術基準、企業採購、續約資料、雲端供應、模型可靠性和真實客戶需求逐漸出現，資金可能從大量試錯轉向一組可辨識的候選企業。候選集不必只有一家，也可能按風險將資本分配給晶片、雲端、模型、平台、代理工作流程與專業整合等不同層次。

但這裡至少有三個各自獨立的預測任務：

1. 生存預測：某企業若干年後是否仍營運？
2. 競爭地位預測：它能否在某個清楚界定的市場維持高份額或不可替代的服務？
3. 投資報酬預測：投資者以特定價格、股權條件與進入時點投入後，能取得多少實際回款？

即使前兩者的預測變得容易，第三者可能反而因為大家都追逐同一批候選企業而更困難。被普遍看好的未來收入，往往已經反映在當下的高估值或嚴格投資條件之中。

4.2 投資者報酬的最低定義

若投資人 $j$ 在企業 $i$ 投入 $I_{ij}$，在退出時點獲得可實現現金分配 $D_{ij,T}$，另有後續資金與交易成本 $C_{ij}$，則最簡化的淨收益為：

這個式子不是上市公司評價公式，只是會計式分解。 $D_{ij,T}$ 受持股稀釋、股權類別、清算優先權、債務、上市鎖定期、可交易性、稅務與其他條件影響，不能直接由「新聞公布估值」換算。

SCN－假設股權稀釋算例： 某公司初始估值為 100 個金額單位，一名投資者支付 1 單位取得 1%。幾輪融資後股權被稀釋為 0.5%。公司最後價值翻倍至 200 單位，且暫不考慮分配優先、稅務和交易費用，該投資者實得：

公司估值翻倍，該投資者只收回原本的 1 單位，名目毛回收倍數為 1 倍；考慮持有年限及資金成本後，甚至可能是經濟上的負報酬。本例為虛構數值，不是任何真實企業的股權紀錄。

4.3 有贏家不表示創投組合都能賺錢

SCN－完全假設的十家公司組合： 各投入 1 單位。若有 2 家成功、其餘 8 家投資歸零，兩家成功公司各回收 10 單位，合計回收 20，組合毛倍數為 2 倍；但若兩家成功公司各只回收 3，合計回收 6，毛倍數為 0.6 倍。兩種情境都出現兩家商業存活者，投資回報卻相反。此例不代表現實 AI 創投的成功率為 20%。

VC 結果還有清算順序、未出售股權估值、投資期限、流動性與基金費用；因此「新創數量減少」或「核心名單清晰」不能直接被寫成「投資者可以輕鬆贏」。

4.4 大額融資會改變被投企業的競爭條件

當投資者認為某組公司最可能勝出，資金開始集中，它們可能更容易租用 GPU、招募人才、搶占客戶、提供更便宜的服務。這造成信念—資本—能力—份額的可能正向回饋。觀察到受資公司變強，並不能立刻判斷投資者原先的預測完全準確：競爭優勢可能部分由資金集中本身創造。

此機制也可能反轉。若融資條件收緊、需求低於預期、新架構改變成本曲線，或開源權重削弱價格溢價，原本被資金簇擁的企業仍可能失去優勢。因此要在實證上區分融資前已有的領先能力與融資後才出現的領先結果。

5. 中美「五強」是經濟結構的直覺，不是公司總數

在研究討論中，以阿里巴巴 Qwen、智譜／Z.ai、字節跳動豆包、DeepSeek、月之暗面 Kimi 描述中國主要模型供應商，是方便指涉一組知名候選者的敘述，不代表中國不存在 MiniMax、騰訊混元、百度文心、華為盤古或其他研發團隊。美國也不能僅以 OpenAI、Anthropic、Google、Meta、xAI 幾個名稱當作全球 AI 活動的完整清單；Microsoft 等平台與其他專業研發者在不同層級有各自位置。

下表不是能力排名或贏家預測，而是研究不同組織的資本與收益邏輯。

特別是像華為這種橫跨晶片、算力、雲端及模型的組織，不能只依單一模型排名判斷其整體 AI 經濟利益；同樣也不能因為戰略需要它們，就推論所有部門與投資都能無限期獲利。此處與 AIBT-03 的國家戰略／企業利潤分離形成接口。

5.1 獨立模型公司與多業務平台，不在同一個財務位置

獨立研發者較需要模型產品本身帶來足夠外部現金回收；大型平台則可以讓 AI 改善既有雲端、廣告、辦公或終端產品，即使沒有單獨對外銷售模型服務，也可能從其他業務受益。因此，兩家公司即使在同品質模型上互相競爭，其短期盈利壓力、交叉補貼能力及投資者要求也可能不同。

但平台交叉補貼並非沒有成本。補貼可能壓縮平台自身毛利、增加資料中心支出，甚至影響原有高利潤產品的定價。研究應避免把模型對既有業務的改善全部歸功於模型部門，也不把平台全公司的自由現金流當成模型本身的現金流。

5.2 一個國家的模型數量，不會直接決定其產業安全

國家還可能關注晶片、封裝、電網、國內部署、資料主權、語言服務和國防等不同環節。其產業政策可使某些供應商具備保底需求，也可能形成較高成本與財務風險；不等於這些供應商一定要在所有模型榜單勝出。研究必須用可核查的採購與產能資料，而不能用「國際競賽」直接推論企業收益。

6. 資金、需求與租金：至少三種集中度

6.1 不同的分母

本文區分資金流集中 $C_F$ 、付費需求集中 $C_D$ 與經濟租金集中 $C_R$。三者的共同點是都可以用份額計算，但份額的分母不一樣：

• $C_F$：同期披露或實際到位的股權融資、債務融資、產業補助，應分開統計。
• $C_D$：同任務、同地域的已付費使用、完成任務、訂單或實際收款。
• $C_R$：扣除運維、設備折舊、風險與合理資本成本後，真正由各層級持續保留的經濟利益。

不能直接設 $C_F=C_D=C_R$。資金可能集中於模型公司，長期經濟租金卻集中在晶片、雲端、分發或專用資料層；也可能由使用 AI 的既有企業與消費者取得相當大一部分效益。

6.2 多層競爭的非直觀結果

模型 API 的供應商如果很多，買方也可能被少數雲端或模型路由平台限制；模型本身若集中在幾個研發者，推理仍可能由多家區域供應商提供。市場開放性不該只看模型數，而應看採購者能否實質換供應商、價格是否可比較、資料能否移轉及合約是否具有可執行的替代方案。

企業也可能透過多模型採購降低單點依賴，但它須承擔相容、治理、安全、驗證、維護和跨供應商資料流動成本。多模型本身不是零成本，也不保證最終較便宜；這正是 AIBT-05 要處理的具體經濟比較。

6.3 網路效應可能重新定位，而非被消除

若開放模型使模型層更商品化，平台租金可能移到上層的身份、支付、推薦、客戶資料、企業採購入口；反之，開放的契約與服務標準也可能讓使用者直接在多家服務商間選擇，削弱平台鎖定。兩種方向都需要真實市場資料檢驗，不能只因「大公司」或「開源」字樣就預設結論。[S04]

7. 對 2027–2028 年的四種條件性市場情境（SCN）

本節是事前情境設計，不把 2027–2028 年任何事件寫成已觀察事實。不同市場、地區和工作任務可能同時處於不同情境。

7.1 路徑 S1：盈利的核心模型供應商未必是最好的投資

即使某模型商在 2028 年仍擁有全球性企業客戶，它的企業估值也可能已在 2026 年提前反映多年成長。若後續收入確實增加，但新增設備、人才和客戶取得成本也上升，資本回報不一定符合市場想像。因此 公司成長、股權價格與投資人的回收倍數不必同步。本情境延續 AIBT-01 的估值時鐘錯位論點。

7.2 路徑 S2：模型更強，但前沿競賽的商業價格溢價更小

假設開放權重及專業模型逐漸接近企業所需的性能，更多客戶可能選擇在合適的成本下使用較舊或較小的模型，或把高階模型留給少數複雜任務。這可能使最新前沿模型的能力仍創新，但其可收取的溢價縮小。反之，若新模型創造前所未見、具有高付費意願的專業服務，投入前沿訓練仍可能非常划算。兩者要用相同任務、有效成功率、實付成本與可靠性比較，不只觀察 benchmark。

7.3 路徑 S3：競爭越強，供應鏈卻可能越集中

如果大量模型都依賴少數硬體、算力、數據或分發入口，上游設備需求和租金可能比個別模型商更穩定；但若上游產能擴張過快，也可能因折舊和價格下跌面臨修正。不能從上游一時獲利，推斷整條 AI 供應鏈永久具有壟斷租金。應同時檢查競爭、產能利用、折舊年限和需求彈性。[S04]

7.4 路徑 S4：泡沫破裂後為何還可能出現更多 AI 產品

若部分企業清算或縮編，其原先購買的晶片、資料中心容量、員工知識與可合法轉讓的資產，可能轉由其他企業與機構使用。只要既有模型與工具持續可取得，更多個人、家庭或應用開發者仍可能以更低成本生產軟體。這是條件式的重新配置可能，不是保證所有倒閉公司的資產都能有效再利用，也不是預言 AI 技術在任何情況下都絕不倒退。

8. 十項可否證假說（HYP）

以下各項均是待測量命題，並非已證實的產業規律。每一項的「反證」不是單一偶發事件，而應以預先設定的樣本與時間窗進行檢驗。

H1｜核心席位容量隨市場而變

假說： 前沿訓練、企業通用 API、專業模型與區域整合市場的可維持核心企業數，因進入成本和客戶替代性而顯著不同。
支持性證據： 同期間不同層級的市場集中度、有效進入率、存活率與盈利率呈現穩定差異。
弱化或反證： 嚴格固定市場口徑後，各層核心企業數長期固定且不隨結構條件變化。

H2｜集中融資不保證集中獲利

假說： 大額融資份額上升，未必伴隨相同企業的可持續經濟利潤份額上升。
支持性證據： 同 cohort 企業後續淨現金回收與融資排名顯著分離。
弱化或反證： 最大受資組在控制資金成本與產業別後，普遍具更佳長期盈利及風險調整收益。

H3｜投資價格會侵蝕投資人的勝出收益

假說： 在控制實際商業地位後，較高進場估值、嚴重稀釋與較長回收期，將降低投資者淨回報。
支持性證據： 同一成功公司在不同輪次的可實現投資倍數出現顯著差異。
弱化或反證： 所有進場時點均可取得足以補償風險的超額報酬。

H4｜前沿模型的能力榜單比企業採購變得快

假說： 模型能力排行的領先者更替，快於大型企業採購關係的更替。
支持性證據： 盲測領先時間短，但大客戶既有合約仍維持多期。
弱化或反證： 客戶在無重大風險和切換成本下同步跟隨模型排行榜。

H5｜既有平台享有較低的獲客成本

假說： 在同品質和相似價格下，具有辦公、雲端、搜尋或裝置入口的平台，能以較低成本將模型推向現有客戶。
支持性證據： 控制品牌、客戶數與模型表現後，預設入口仍增加轉換率、留存或成本優勢。
弱化或反證： 相同條件下非平台新進者取得相近或更低的有效客戶獲取成本。

H6｜開放模型外部選項限制部分價格溢價

假說： 當同品質開放模型的總部署成本下降時，可替代任務上的封閉模型價格溢價會承受壓力。
支持性證據： 可替代程度提高後，企業的實付推理價格、合約議價與多模型使用同步變化。
弱化或反證： 封閉供應商持續以可驗證的可靠性、安全、法規和服務差異維持溢價，而非只能靠封閉性。

H7｜大企業不會收購所有低差異化小公司

假說： 大型平台可直接吸收通用功能，缺乏稀缺資產與真實客戶的小型公司，可能更常縮編、停止營運或轉型，而不是被溢價併購。
支持性證據： 完整追蹤成立 cohort 的退出類型，非併購退出與低價轉型具有一定比例。
弱化或反證： 在控制企業特徵後，絕大多數低差異化小公司仍能以足額溢價被收購。

H8｜市場租金可能從模型層移至通路層

假說： 模型層競爭加劇時，上游晶片、雲端、身份與分發入口若較難替代，可能取得較高的持續經濟租金。
支持性證據： 跨層同口徑的實際毛利、資本成本及現金回收比較，顯示某些關鍵瓶頸層的超額回報更加持久。
弱化或反證： 上游競爭、客戶多來源採購與開放標準使該租金同時消失。

H9｜「投資者更容易判斷誰會贏」需要事前預測測試

假說： 隨需求與技術證據增加，投資者對特定時間窗內核心供應商存活和市場份額的辨識能力，能超越只依當期營收或估值排序的簡單基準。
支持性證據： 預先鎖定的投資者預測集，在對照樣本與固定損失函數下具有明顯較佳的校準性及預測力。
弱化或反證： 事後被稱為「可預測贏家」的名單在預測實驗中無法超越基準，或結果僅來自追隨既有熱門標的。

H10｜使用者福利可與模型商股權回報背離

假說： AI 推理價格下降及可用能力增加，可以與某些模型供應商股權估值下修並存。
支持性證據： 同品質任務成本下降、可靠性提高，但供應商的投資回收或估值倍數下降。
弱化或反證： 價格、服務可用性和任務成果普遍惡化，且沒有其他供應商提供替代。

9. 真正可檢驗的研究設計

9.1 先分層、再固定 cohort

測試集中度時應先選定：交易層、地理市場、任務集合、價格及品質、觀察期間、買方群體、供應商不重複 ID，以及雙重計數排除規則。跨平台代銷、雲端轉售和企業內部自研，可能使單一訂單在多個資料來源中重複出現；不能不加校正便加總。

對企業存活研究，2026 年創立的企業可能尚未有足夠時間成長或退出，屬於典型的右設限資料。研究應保留停業或被收購者，不可只從 2028 年仍在新聞版面的公司反向挑出 2026 年的「預測贏家」。

9.2 五本互不替代的研究帳

關鍵不等式的意義： 融資流份額、客戶付款份額和經濟租金份額本身可能差異顯著；不能假設它們的數值相等，也不能直接用模型 benchmark 建構經濟市場份額。

9.3 候選資料字典

9.4 分層集中度不能只做一次截面

同一市場的 $HHI$ 、前三或前五家份額，應至少每季追蹤；另須提供企業更替、份額轉移、價格下降、服務品質四個時間序列，以免「今年很集中」被錯讀成「未來永遠是同一批贏家」。例如 2025 年某市場的 88% 集中度，無法直接證明 2028 年同一三家仍持有相同比例。

9.5 投資者預測力的前視實驗

1. 在 2026 年或某固定時點，預先登記可得資訊清單與候選企業集合。
2. 投資者預測的目標必須明確：存活、某市場份額、自由現金流為正，或投資回報。
3. 和「選擇當期市場份額前幾名」「按營收排序」「均等分散」等基準比較。
4. 避免將後來融資取得的競爭優勢事後歸因為 2026 年已可確知的能力。
5. 在 2027、2028 年依原規則評分，不任意更改分母、勝出定義或日期。
6. 回報預測區間與錯誤案例，而不只引用成功的投資故事。

這樣才有辦法判斷「核心候選組合更可預測」是真正的市場學習，還是資本對已有熱門標的的互相追逐。

10. 其他合理解釋及反例

競爭解釋一：大市場支持很多成功供應商。 如果 AI 價格下降大幅增加可負擔的需求，需求擴張可能高於價格下降，並支援更多可盈利的企業。此時核心數量未必縮小，而可能依任務分化。

競爭解釋二：部分高額融資反映真實巨大需求，而不是投資者從眾。 若大型供應商已具可靠長期現金回收和市場購買意願，集中投入未必構成不合理泡沫；應以風險調整投資回報、現金流及資本成本而非交易金額大小判斷。

競爭解釋三：開放模型並不一定削弱企業差異化。 低價基礎能力可能讓企業將預算移到資料治理、獨特服務、授權、審計、保固與客戶關係，從而形成新的專業市場。

競爭解釋四：大型平台也會面臨更高費用。 既有分發、雲端與客戶入口並非免費；平台交叉補貼、對原有業務的侵蝕、資料權限和反競爭審查，都可能增加其維持領先的成本。

競爭解釋五：市場份額集中可與效率和消費者福利同時提高。 若供應商確實利用規模降低成本並持續創新，集中不直接等於低效率或違法壟斷；須按明確定義的市場與行為衡量。

競爭解釋六：資本市場修正可能不改變真正核心供應商數量。 高估值下修是資產定價事件，未必使客戶停止使用服務或模型品質倒退。AIBT-01 已說明財務時鐘與技術時鐘的差異。

11. 與 AIBT-05、AIBT-06 及整體社會研究的邊界

AIBT-04 描述市場資本、競爭結構和核心席位。接下來 AIBT-05 要回答企業採購者的問題：既然模型供應商可能已形成相當成熟的專業供應鏈，企業為何必須自行開發通用模型或大量購買本地推理設備？客製化 API 契約、保密、事故責任、風險轉移與成本效益應如何比較？

AIBT-06 再討論單一 AI 產品的商業不可替代性：當圖像、影音、程式與 Agent 功能被平台整合或由開放模型低價重現時，原獨立公司的護城河究竟剩下多少？本篇不得先把所有產品都判為無差異化。

AIBT-07 至 09 將研究 Agent 生產、企業最小有效規模、替代與增強的交集，以及需求／收入分配；AIBT-10 至 12 再延伸至家庭與人機微型工作室、制度適應時間差及 SAS-01 真 AI 奇點的物理再生閉環。核心企業的集中和投資者盈虧不能自動作為文明正和的判準。

12. 結論

第一，核心席位是內生市場結果。 在昂貴的前沿訓練和大型企業採購市場，存在推動資本與需求集中的力量，但模型更新、開放權重、專業化和成本下降會持續改變「多少核心供應商足夠」的答案。固定的五家、六家只是一種方便的敘述性直覺，不是經濟定律。

第二，融資集中不等於永久定價權。 2026 年有很高的融資集中度，但正式學術研究同時證明模型市場存在多樣性、降價與領先者更替。須將投資市場的分母、API 使用市場的分母與經濟租金的分母分別記錄。

第三，企業勝出與投資獲利是不同的問題。 哪些企業具有更高存活概率，可以因資料增加而逐漸可辨識；但一旦所有投資者都用很高估值買入，同一批公司的投資回報仍可能不理想。稀釋、優先權、資金成本及退出時間不可省略。

第四，市場可以重整，AI 技術仍可能繼續發展。 部分低差異化公司失去融資、被功能吸收或倒閉，並不意味其創造的技術、人才與已部署模型一定消失；同樣，這種持續性也不保證能形成系統級物理再生或廣泛文明正和。

因此 AIBT-04 不宣告確定的「贏家名單」，而正式提出：在指定市場與時間下，可持續的核心供應商數量、可競爭程度與投資者回收之間的關係，必須逐項實證，不能用股價、融資額或模型榜單的單一排名替代。

附錄 A｜公開來源與證據口徑（截至 2026-10-31）

本附錄使用來源編號與完整官方／原始網站連結，供未來讀者直接核查。所有數據均有各自統計期間；引用來源並不代表接受其全部市場預測或價值判斷。

1. [S01] Dealroom／Air Street Capital（2026-10-08）。State of AI Report 2026: The Funding Data，融資統計截至 2026-09-16。https://dealroom.co/airstreet/2026/ 。使用：2026 年迄期融資 5,190 億、前十五筆 3,120 億、其中生成式 AI 2,610 億、美國總部公司 3,930 億。限制：融資輪而非公司、部分年度、分類口徑與交易金額披露。
2. [S02] Menlo Ventures（2025-12）。2025: The State of Generative AI in the Enterprise。https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/ 。使用：約 500 位美國企業決策者、企業 LLM API 使用／支出份額 40／27／21、2025 年企業生成式 AI 相關支出估計。限制：抽樣與估算，非全球普查。
3. [S03] Demirer, M., Fradkin, A., & Tadelis, N.（2026）。The Emerging Market for Intelligence: How Firms Buy and Sell AI. Journal of Economic Perspectives, 40(3), 23–46。DOI：10.1257/jep.20261506。https://www.aeaweb.org/articles?id=10.1257/jep.20261506 。使用：OpenRouter 的模型供給、價格、開源與動態競爭。限制：特定商業渠道不能代表全部 AI 採購。
4. [S04] OECD（2026-07-10）。Artificial Intelligence Markets: Recent Developments and Competition Issues。DOI：10.1787/d531d73f-en。https://www.oecd.org/en/publications/artificial-intelligence-markets_d531d73f-en/full-report.html 。使用：AI 產業鏈分層、結構性集中與模型可競爭性。
5. [S05] OECD（2026-07-30）。Competition in the Age of AI。https://oecd.ai/en/ai-publications/competition-in-the-age-of-ai 。使用：AI 創新與企業市場力量的描述性相關、創業進入與既有者優勢。限制：不能把關聯當因果證明。
6. [S06] Boston Consulting Group（2026-09-21）。The Playbook for AI Deals Is Still Being Written。https://www.bcg.com/publications/2026/ai-m-and-a-no-consolidation-yet 。使用：2020 至 2026-08 併購樣本、人才能力取得、平台組裝與水平整併程度。限制：依研究自身分類定義與收購資料庫。
7. [S07] CB Insights（2026-10-08）。State of AI Q3’26 公開摘要。https://www.cbinsights.com/research/report/ai-trends-q3-2026/ 。使用：Q2／Q3 融資比較與獨角獸數量。限制：未引用需要付費完整報告才能核實的細節。

附錄 B｜內部理論前置（不作為外部獨立驗證）

• AIBT_00_研究總綱_AI泡沫產業重整與文明適應論_v0.1_2026-10-31.md。
• AIBT_01_AI泡沫不是技術終結_估值現金流與投資回收期限_v0.1_2026-10-31.md。
• AIBT_02_算力資本密度_能源約束與參數量悖論_v0.1_2026-10-31.md。
• AIBT_03_地緣政治不是無限資本支票_國家競賽與企業利潤的分歧_v0.1_2026-10-31.md。
• 2026-10-31_AI_投資集中與功能可替代性_研究備忘錄.md。
• 2026-10-31_AI核心供應商集中_華為與產業出清.md。

後續

下一篇：AIBT-05｜自研模型的經濟合理性：API、契約與供應風險的替代機制。本篇的研究假說與測量口徑應在 2027–2028 年資料更新時保留，以免用事後已知的企業結果修改原始預測與反證條件。