大模型厂商在流血补贴，应用层却哀鸿遍野——赚的钱不够给OpenAI交学费。但偏偏有一批中间商闷声发财：他们不训练模型，不做产品，直接把别人的API打包成分发工具，月收入动辄几百万。这背后藏着一个被严重低估的商业真相：AI能力会越来越便宜，但把能力封装成产品这件事，永远值钱。

AI中间商战争：谁在赚大模型的钱？

凌晨两点，某创业公司创始人盯着账单发呆：他们的AI产品月收入12万，OpenAI API支出43万。

这不是段子。这是2026年上半年，无数AI应用公司的真实财务状况。

大模型厂商在流血补贴，VC在疯狂撒钱，应用层却哀鸿遍野——赚的钱不够给OpenAI交学费。但偏偏有一批"中间商"闷声发财：他们不训练模型，不做产品，直接把别人的API打包成分发工具，月收入动辄几百万。

这背后藏着一个被严重低估的商业真相：AI能力会越来越便宜，但把能力封装成产品这件事，永远值钱。

别人炼钢，他卖铁锹

先说一个有意思的数据。

2026年，OpenAI API收入预计超过150亿美元。但你知道中间抽成层（wrappers、aggregators、vertical solutions）贡献了多少营收吗？

粗估超过300亿美元。

这个数字之所以惊人，是因为这300亿基本上是"虚"的——没有人真正在训练模型，没有人真正在创造新的AI能力。他们做的事情是：把AI能力的调用门槛降下来，把使用场景扩出去。

举几个具体例子你就懂了。

Replicate，一个让开发者用一行代码调用任何开源模型的平台。他们不拥有一张H100，但估值已经超过10亿美元。商业模式极其简单：你调用API，Replicate收个转手差价，叠加托管和扩缩容服务费。

Base64，同样的路数，专注在图片和视频生成赛道。他们甚至做了AutoML流水线——你上传一批数据，平台自动帮你选模型、调参数、部署Endpoints。

国内类似的项目更多。硅基流动、MiniMax开放平台、字节火山引擎——本质上都是"AI能力分发商"，靠信息差和规模效应活着。

这像极了什么？

云计算早期的AWS、阿里云——彼时大量传统企业根本不知道怎么把业务搬到云上，中间有一批MSP（Managed Service Provider）帮他们上云、做运维、优化成本。AWS吃肉，他们喝汤，但活得很滋润。

大模型这波浪潮里，中间商赚的不是技术钱，是"翻译"钱——把AI能力翻译成企业能用的语言。

2024年之前，中间商模式并不成立。

那时候AI能力稀缺，GPT-4一家独大，价格坚挺，分发没有空间。但从2024年下半年开始，几个条件同时成熟：

第一，模型供给爆炸。 LLaMA 3、Qwen 2.5、DeepSeek、Yi-1.5……开源模型质量直逼闭源，但价格只有后者的十分之一甚至百分之一。供给多了，价格就乱了，乱了就有人想赚信息差。

第二，应用场景分散。 不是每个企业都需要GPT-4的能力。一个客服机器人用Qwen-7B就够，一个内容审核用LLaMA-3B便足矣。场景碎片化导致了需求分散，分散就产生了撮合价值。

第三，推理成本持续下降。 vLLM、SGLang、TensorRT-LLM这些推理框架的成熟，让单卡吞吐量提升了一个数量级。成本曲线往下走，中间商的利润空间往上走。

三个条件凑在一起，中间商模式的窗口期就来了。

并不是所有中间商都长一个样。按做的事情划分，目前有三类：

第一类：模型路由（Model Routing）。

这类公司的核心能力是：给不同的query自动匹配最合适的模型。

原理不复杂——简单问题用小模型，复杂问题用大模型，中间层负责判断和调度。但实际做起来有两个难点：一是判断引擎要足够准，不能让简单问题误判进大模型；二是要有足够的模型覆盖，能在一个平台上同时调用十几个模型。

代表产品：Cerebras Model Routing、Fireworks AI的Multi-Model Routing。

这类公司的壁垒在于：积累了大量调用数据后，路由算法会越来越准，后来者很难追上。

第二类：垂直封装（Vertical Wrappers）。