卡内基梅隆揭秘美国AI产业链：谁能扼住AI的喉咙？
OpenAI和迪士尼如何捆绑，AMD、软银和英伟达究竟在下哪盘棋？
卡内基梅隆大学刚刚抛出一颗「产业核弹」：首个系统刻画数据、算力、模型、资本乃至人才流向的AI供应链数据集。
谁控制上游瓶颈？谁掐住了全球AI产业的咽喉？
这一次，资本、科技与权力的真实版「关系网」被摊在了阳光下。
传送门：https://aisupplychains.org/
AI产业链，洞察产业机密
AI供应链描述了AI模型、数据和工件如何在上游生产，以及它们如何在下游进行适配和使用。
为了构建数据集，研究者抓取了数千篇文章、新闻稿、SEC文件等，并继续每周更新。
供应链上游的市场集中度创造了瓶颈，这可能导致产品或服务中断时出现连锁故障。
它也可能助长垄断行为，少数大公司可以随心所欲地设定价格、合同条款等。
这些数据可用于发现AI组织之间的密切财务关系，包括相互投资和循环投资。
还可以追踪AI在下游各行业的使用与采用情况。
➡️这有助于追踪AI的危害、同质化等问题。
然而，尽管AI供应链在整个生态中愈发居于核心位置，它依然难以被清晰地描绘与分析。
市面上的行业报告多半只点名关键机构，却鲜少刻画它们之间的关系与依赖。
这个项目正是为弥补这一缺口：通过绘制AI供应链，考察各类参与者如何互动。
弄清这些关联，有助于展开数项关键分析：
瓶颈与行业韧性：AI行业倚赖若干关键投入（算力、数据、人才等）。所谓瓶颈，即链条中依赖度极高的节点，会为AI产业带来脆弱性。
创新与治理：要制定有效的AI政策与治理机制，必须看清知识、资源与能力在生态中的流动。理解上下游依赖，是设计有关算力、信息披露、责任归属与安全监管等干预措施的基础。
市场集中度与竞争格局：供应链的绘制能揭示市场力量聚集于何处，也能看出生态中不同层级的竞争如何演化。
战略性洞察：对供应链的系统性视角有助决策者追踪生态演变，识别关键节点，预判战略优势的转移。把资本、人才与能力的流动脉络理清，方能更好预测、并更有效地介入。
百年AI，终成产业
AI的孕育与落地，前后近百年。
然而自从大语言模型问世，AI产品与服务便如井喷般涌现。
LLM让人们能用自然语言与AI互动，大大降低了使用门槛，让更多人得以接触，也推动了它走向主流。
蓬勃发展的AI产业催生了所谓的「AI供应链」：
一个由众多组织交织而成的复杂网络，共同参与AI系统的研发、部署与使用。
链中有云服务商、数据策展方、可观测性平台、模型开发者、企业用户等等。
一般而言，向他方提供产品或服务者为上游，承接的一方为下游。
依此看来，这条链最上游可追至人工标注员与反馈提供者，最下游则延伸到各类AI应用的终端用户。
AI产业走向成熟
AI供应链本身的出现，意义重大。
过去，AI与机器学习系统多半在企业内部完成，或由少数机构独立承担：团队自行收集数据、自行训练模型、自行搭建基础设施。
随着部分环节开始外包（如数据集采集），Amazon Mechanical Turk、Scale AI等数据服务应运而生。
如今，随着AI行业的迅猛扩张，专业化公司开始接管研发流程中的各个独立环节。
这种拆分带来更高的专业度与效率，既标志着行业走向成熟，也为创新与竞争打开了新的空间。
如果我们看不清AI供应链，就只能在技术神话与商业宣传之间被牵着走；
一旦把这条链条摊开——谁在制造瓶颈，谁在攫取超额收益，谁在把风险层层转嫁，就无处遁形。
未来的AI治理，不应只盯着某个「出事的模型」，而必须对整条供应链问责：
谁提供了算力与数据，谁推动了落地与扩散，谁从中获利，谁承担后果。
只有当监管者、研究者和公众都学会沿着供应链追问，AI 才有可能从「少数巨头的权力机器」，变成「多数人共享的基础设施」。
参考资料：
https://aisupplychains.org/project
https://x.com/cen_sarah/status/1987956473570508893?s=20
本文来自微信公众号“新智元”，作者：新智元，36氪经授权发布。
