中國 AI 模型因成本與戰略轉變引發全球關注

作者：Stratechery

編譯：深潮 TechFlow

深潮導讀：Kimi K3 挑戰認知模型市場，華爾街與矽谷為何反應過度？本文剖析 AI 從 ChatGPT 時代邁入 Agent 時代後，代幣（token）已不再是商品，真正的商品是智能本身——而在這場以邊際成本為王的戰爭中，中國開源模型看似免費，其實服務成本一點不低。前沿實驗室的恐慌，更多是因為尚未適應從訓練成本主導轉向推理規模主導的新遊戲規則。

我曾經講過一個故事，關於我在凱洛格商學院上 STRT-431 第一天的經歷，這是每位 MBA 新生的必修課。我翻閱課程資料和案例研究，失望地發現課程表上沒有任何科技公司。我跑去問教授為什麼，得到的回答是：這門課的目標不是研究特定行業，而是發掘能應用於任何行業任何公司的普適原則。

正如我常說的，當時我對這個答案非常不滿意：在我看來，科技的本質，尤其是軟體和分發的零邊際成本（和零交易成本），是根本性的不同。在公式中填入零往往會打亂一切。但我很快意識到，這恰恰是我的機會。聚合理論（Aggregation Theory）的核心洞察是：零邊際成本導致的價值鏈與人們曾經對互聯網的預期完全不同——在一個控制需求比分發供應更重要的世界裡，你會看到集中化和規模化。

然而，AI 的有趣之處在於，那些古老的普適原則正重新回到前台。這一點在上週末最為明顯，當時 X 上爆發了關於 Kimi K3 的激烈爭論。Kimi K3 是中國推出的另一個開源權重模型，其能力正逼近最先進水平。簡而言之：邊際成本以一種重要的方式回歸了，無論是從最先進免費模型的短期影響，還是從行業長期結構的角度來看。

關於開源權重模型最常見的誤解之一是它們更便宜——甚至是免費的。畢竟你可以直接下載權重，跳過創建自己模型所需的時間、費用和能力。這當然沒錯，但這裡的「免費」指的是你在研發（R&D）上需要花費的金額。研發是固定支出，與你產生的收入無關。如果你在研發上花了 100 萬美元，不論你的收入是 10 萬美元還是 1 億美元，你仍然在研發上花了 100 萬美元（當然這會影響你的盈利能力）。

與收入相關的是 COGS——銷售成本——而對 AI 來說，COGS 是真實存在的，這是軟體行業長時間以來未曾出現的情況。具體來說，在模型上運行推理——無論是 Kimi 還是 Fable——都需要花費成本，而且 AI 提供商在推理上的支出，至少在大多數商業模式中，與收入直接相關。重用上面的例子，產生 1 億美元收入與 10 萬美元收入，可能需要 1000 倍的 COGS。具體來說，如果產生 1 美元收入的代幣成本是 50 美分，那麼 1 億美元收入將有 5000 萬美元的 COGS，10 萬美元收入只有 5 萬美元的 COGS。

關於開源權重模型的重點是，它們並非免費服務。Kimi K3 的成本為每百萬輸入代幣 3 美元，每百萬輸出代幣 15 美元。這比 Sol 的每百萬輸入代幣 5 美元和每百萬輸出代幣 30 美元便宜，但這可能不是正確的衡量標準。

英偉達 CEO 黃仁勳將英偉達正在構建的東西描述為「代幣工廠」，從英偉達的角度來看，這種說法很合理。英偉達的 GPU 不針對特定模型：它們生成代幣，並以最快、最高效的方式做到這一點。這導致了如每秒代幣數、首個代幣時間、每瓦代幣數、代幣成本等衡量指標，黃仁勳認為這些指標將成為決策的基礎。

這個框架在 AI 的第一個範式——ChatGPT 時代——確實有意義，當時代幣直接交付給最終用戶。然而，AI 的第二個範式，即推理時代，打亂了這種衡量方式。推理意味著思維鏈代幣的爆炸式增長，而不同模型需要不同數量的推理代幣才能得到正確答案。例如，據報導，Kimi 使用的代幣數量明顯多於 Sol，這使其價格優勢化為烏有。Agent 引入了類似的動態：某些模型在執行 Agent 工作流程所需的代幣數量上更高效。

這意味著代幣並非商品。商品的定義特徵是其可互換性：一加侖石油就是一加侖石油，一噸銅就是一噸銅，一蒲式耳小麥就是一蒲式耳小麥。但一個模型的代幣與另一個模型的代幣並不相同。可互換的是由代幣所構建的東西，也就是智慧。換句話說，如果 Kimi 和 Sol 都生成了正確答案，那麼這個答案就是可互換的。生成正確答案所需的代幣差異會導致 COGS 的不同。

智能的 COGS 是幾個不同因素的函數：

模型佔用空間：權重和運行時狀態決定了託管每個服務副本所需的昂貴記憶體和加速器數量

Inference efficiency: Architecture choices (e.g., Mixture of Experts models) reduce computational cost per generated token

記憶體效率：架構選擇可減少 KV 緩存需求，允許更多併發請求和更高的 GPU 利用率

服務效率：批次處理、排程、前綴快取及其他推理優化，以最大化利用率並在請求間共享工作

代幣效率：所需代幣越少，推理成本越低

這一點很重要，因為我們正快速接近這樣一種狀態：對於許多經濟上有益的任務而言，智能實際上已成為一種商品。例如，任何人構建基本的 CRUD 應用程式，都可能使用來自多個供應商的模型來完成。而在商品市場中，盈利之路並非通過收取更高的價格——你可以（或很快就能）使用多個模型製作完全相同的應用——而是通過擁有更優越的成本結構。

這裡值得梳理一下機制，因為正如我幾個月前在《亞馬遜的耐久性》中指出的，商品市場的動態並非科技行業人士普遍熟悉：

在商品市場中，每個人收取相同的價格，因為每個人賣的都是同樣的東西。這個價格由供需決定。

對商品的需求是價格彈性的函數：商品越便宜，需求越大，反之亦然

商品的供給是生產商品邊際成本的函數

關鍵在於理解，不同供應商生產商品的邊際成本各不相同。這在實際中意味著成本結構最差的供應商最終會以他們的邊際成本出售商品（如果他們還能生產的話）。其他所有人的利潤取決於他們的成本結構比邊際供應商好多少。

舉個例子：

供應商 A 可以以每單位 10 美元的成本生產 10 個單位的商品

供應商 B 可以以每單位 15 美元的成本生產 10 個單位的商品

供應商 C 可以以每單位 20 美元的成本生產 10 個單位的商品

假設價格彈性使得在 20 美元時有 25 個單位的商品需求。這意味著：

供應商 A 將以 20 美元出售 10 個單位，每單位賺 10 美元

供應商 B 將以 20 美元出售 10 個單位，每單位賺 5 美元

供應商 C 將以 20 美元出售 5 個單位，每單位賺 0 美元

這並不完全準確：供應商 C 承擔短缺的原因是供應商 A 和 B 能在價格上略為壓低他們，這當然會影響需求（具有彈性），但這說明了問題。供應商 A 有很好的生意，供應商 B 有不錯的生意，供應商 C 即將破產。

破產風險是固定成本重新回到前台的地方：供應商 C 既有固定成本（如可能的研發支出），也可能承擔了債務來為生產商品所需的設備融資。它不能以這些成本來定價商品——記住，市場出清價格接近滿足需求所需的最高成本單位的邊際成本——但這些成本絕對可以把供應商逼出市場。如果供應商倒閉，價格就会上漲，直到另一個供應商決定進入（或其他供應商擴張）。

讓我們回到模型上來。現在，上述所有分析都不適用，因為前沿模型的需求超過了供給，而供給受到算力短缺的限制。這種算力短缺不僅意味著英偉達這樣的算力供應商能獲得非常高的利潤率，還意味著英偉達的客戶，例如 SpaceXAI，也可以以高利潤率將算力轉售給像 Anthropic 這樣的公司。與此同時，Anthropic 可以支付加價，因為他們可以以更高的加價出售代幣。

然而，不僅僅是供過於求賦予了 Anthropic 巨大的利潤率：Anthropic 和 OpenAI 可能擁有最低的前沿品質智能單位成本，這得益於模型能力、服務規模和代幣效率。他們比競爭對手提前幾個月提供特定能力水平的模型，同時將最佳模型應用於優化這些成本。

還值得注意的是，市場尚未將智能視為商品：需求專門針對 Anthropic 和 OpenAI，對較差模型的需求則少得多（因此 SpaceXAI 和 Meta 將產能賣給 Anthropic）。一種思考推動成本優化的方式是，這是一個根據智能水平定義待完成工作的函數，如此智能買家便可創造一個智能被商品化的市場。然而從長遠來看，無論誰處於前沿，都最有可能主導非前沿市場，這些市場僅僅是前沿減去 n 個月，也就是前沿模型製造商一直優化其服務成本的那幾個月。

所有這些都說明，我認為對 Kimi 和中國模型的普遍反應過度了，至少從經濟角度來看是這樣。現在有一個價格保護傘，這是算力短缺的下游結果。我非常懷疑中國模型在邊際成本基礎上是否提供更便宜的服務，它們只是看起來更便宜，因為 Anthropic 和 OpenAI 的供應如此有限，導致它們收取的價格遠高於有足夠供應來滿足智能需求時的價格。

那麼，為什麼模型製造商似乎對中國模型如此恐慌？

首先，我認為前沿實驗室將自身定位於一個訓練成本主導其財務建模的世界。只要訓練消耗的 GPU 多於推理，最大化推理收入以資助下一次訓練運行就至關重要，這意味著對推理收取極高的價格。

然而，展望未來，我預計推理市場的增長速度將遠快於訓練成本（這包括訓練成本將繼續飆升的假設），這意味著他們真的可以靠規模來彌補。直到八個月前，這是否會成為現實還不清楚，但 Agent 范式的解鎖如此巨大，以至於前沿實驗室應該更有信心，他們不僅能以更低的價格生存，還能茁壯成長（一旦他們擁有足夠的算力）。

其次，智能實際上並非一種完美的商品，部分原因是應用智能會讓它變得更聰明。具體來說，無論誰在運行推理，都在收集數據，而這些數據會用於讓下一次迭代的模型變得更好。一方面，這正是前沿實驗室在增加算力時降低價格並提高使用量的理由。另一方面，這也是為何像微軟這樣的公司越來越熱衷於幫助企業運行自己的模型。如果中國模型是可行的替代方案，這就更加可行。

第三，前沿實驗室除了能從中國模型中脫穎而出，另一種區分自身的方式是持續向上整合至客戶體驗中。Claude Code 和 Codex 被證明具有相當高的黏性，這令人驚訝。無論你從哪種工具開始使用，都很可能成為你長期堅持使用的工具，對非技術用戶而言更是如此。從長遠來看，這種向上整合的必要性確實意味著前沿模型對軟體供應商構成直接威脅，包括微軟。另一方面，目前擁有客戶體驗的軟體公司，在多大程度上能獲得具競爭力的模型，就在多大程度上能抵禦前沿實驗室的侵蝕。

最後，Anthropic 的意識形態立場尤其不容忽視。這是一家相信只有自己才能被託付 AI 的公司，而開源權重替代品的存在對這一假設是致命打擊。

Kimi 不是唯一的新中國模型。彭博社報導：

阿里巴巴集團控股有限公司的股價週一上漲 5.4%，此前該公司推出了其旗艦模型 Qwen3.8 Max 的預覽版，並稱其僅次於 Anthropic 的 Fable 5。這次週日發布發生在初創公司月之暗面推出強大新產品僅幾天後，後者震動市場，並引發美國對中國縮小與 Anthropic 和 OpenAI 等全球領導者差距的擔憂。Qwen3.8 Max 擁有 2.4 萬億參數，與月之暗面的 Kimi K3 一同進入重量級類別。K3 擁有 2.8 萬億參數，可與頂級產品相媲美，阿里巴巴也設定了同樣高的期望。

開發者現在可以透過阿里巴巴的編碼平台（包括 Qoder）訪問 Qwen3.8 Max。阿里巴巴計劃很快將該模型的權重開源，將訪問範圍擴展至預覽版之外。由於對這些中國製造的人工智慧系統和模型的興趣極高，月之暗面被迫於週日晚些時候暫停接受新訂閱，以應對壓倒性的需求。

阿里巴巴集團控股有限公司的股價週一一度上漲 5.4%，此前该公司推出了其旗艦 Qwen3.8 Max 模型的預覽版本，並稱其僅次於 Anthropic PBC 的 Fable 5。這次週日發布僅在 Moonshot AI 推出強大新產品數天之後，後者震動市場，並引發美國對中國在追趕 Anthropic 和 OpenAI 等全球領先者方面的擔憂。Qwen3.8 Max 擁有 2.4 萬億參數，與 Moonshot 的 Kimi K3 一同進入重量級行列。K3 擁有 2.8 萬億參數，可與頂級產品媲美，阿里巴巴也設定了同樣高的期望。

開發者現在可以通過阿里巴巴的編碼平台訪問 Qwen3.8 Max，包括 Qoder。阿里巴巴計劃很快開放該模型的權重，將訪問範圍擴大至預覽版本之外。這些中國製造的人工智慧系統和模型的需求如此之高，以至於 Moonshot 被迫在週日晚些時候暫停接受新訂閱，以應對壓倒性的需求。

值得注意的是，Qwen3.8 Max 也將開放權重。阿里巴巴在今年早些時候停止發布其領先模型的權重，但似乎已改變了這一決定；我懷疑這一轉變與上周習近平關於 AI 的講話有關，該講話進一步強調了開放權重的方法：

我們應堅持開放共贏的原則，推動創新驅動發展。作為世界經濟增長的新引擎和增長動力轉換的加速器，人工智慧正從數字世界走向物理世界。我們應抓住這一難得的歷史機遇，鼓勵開源、開放、協作和共享。我們應促進人工智慧的技術創新、產業發展和場景化應用。我們應協調推進傳統產業的轉型升級、新興產業的培育壯大和未來產業的前瞻性規劃，讓各行各業都能從人工智慧中受益。

中國的戰略顯而易見：將你的互補品商品化。注意習近平明確將開放性與 AI「從數字世界走向物理世界」聯繫起來；物理世界是由中國主導的世界，中國在機器人技術等領域的領先地位將從廣泛可用的 AI 模型中獲益匪淺。

同樣，中國不希望美國在 AI 方面獲得不對稱優勢；如果中國能在削弱美國前沿實驗室的同時增強任何與所有潛在的美國對手，那就更好了，而且它能從附著於開放生態系統的創新中受益。

同樣，不要指望中國對前沿實驗室的蒸餾攻擊採取任何措施。我認為將中國實驗室的所有成功都歸因於蒸餾是錯誤的，但假裝蒸餾沒有為中國實驗室帶來巨大優勢同樣是錯誤的。這種優勢在过去一年中真正顯現出來，因為訓練後強化學習對模型性能變得越來越重要。中國實驗室不必從頭開始構建強化學習環境，而是可以簡單地使用前沿實驗室的模型作為教師，以低得多的成本實現快速改進（這不是中國模型開發成本更低的唯一原因，但這是一個重要原因）。

有趣的是，中國模型在西方最重要的用例之一本身就是知識蒸餾。例如，剛剛發布開放權重模型的 Thinking Machines，依賴中國模型來解決強化學習的冷啟動問題。Dean Meyer 和 Konstantine Buhler 在 X 上撰寫了一篇出色的文章，解釋蒸餾意味著西方開放權重模型相對於中國模型在根本上處於劣勢：

蒸餾並不能解釋中國在開放模型方面的全部領先優勢。中國實驗室擁有世界級研究人員、大量算力、強大的預訓練模型、軟硬體協同設計以及快速提升的訓練後能力。但蒸餾壓縮了從強大基礎到接近前沿系統之間昂貴的最後差距。即使蒸餾在中國模型總能力中所佔份額較小，它在其相對於美國開放模型的優勢中也佔有重要份額。

新的執法機制將使大規模蒸餾對中國公司來說變得更難、更慢、更昂貴。然而，執法無法消除由國家行為者支持的蒸餾。因此，西方的每一次前沿進展都為中國實驗室創造了另一個教師。西方建設者必須獨立複製這些能力，或者等待從中國模型中學習。這種差距為中國實驗室提供了相對於西方公司的反覆出現的結構性優勢。

這一點值得重複：由於美國的開放權重模型製造商必須遵守前沿實驗室的服務條款，他們（1）不如中國的替代品，（2）最終蒸餾出來的只是蒸餾物，只是繞道經過中國實驗室。如果西方開放權重模型製造商能直接從源頭獲取，豈不是更好？

為此，圍繞蒸餾還有一個更有趣的問題：它到底為什麼不好？畢竟，大型語言模型不就是對開放互聯網上所有知識的蒸餾嗎？由前沿實驗室抓取並蒸餾成正在被蒸餾的模型？這裡到底誰受到了侵害？

事實上，這個悖論就是解決方案。我相信開放權重模型有利於創新（並且，根據上述內容，我認為前沿實驗室會沒事），但依賴中國是個問題。美國應通過一項法律，（1）明確規定收集數據用於訓練模型屬於合理使用，（2）至少禁止美國公司使用禁止蒸餾的服務條款。阻止蒸餾——實際上就是查詢 API——幾乎是不可能的；美國應走另一條路，傾向於制定一項新的版權政策，既保護實驗室，也確保它們所學的知識能推動他人的進一步創新。

整篇文章一直在淡化對 Kimi K3 以及中國開放權重模型的過度反應；然而，有一個值得擔憂的理由，那就是網路安全。考慮 The Stack 的這個故事：

Hugging Face 表示，其生產基礎設施於上周早些時候遭到「自主」AI 代理系統的入侵。該平台的安全團隊最初在事件響應（IR）中受阻於未具名的美國 LLM 前沿模型護欄，「它們無法區分事件響應者和攻擊者，」他們說。因此 Hugging Face 的防禦者轉而使用來自中國 Z.ai 實驗室的開源 GLM 5.2 模型——在他們自己的基礎設施上運行它來分析攻擊者留下的 17,000 多條日誌或足跡。

對於總部位於紐約的 Hugging Face 來說，這是一次引人注目的公開承認，該公司讓用戶在模型、數據集和應用程序上協作，並在今年夏天達成了 1 億美元 ARR 的里程碑。在一份事件報告中，該公司建議防禦者「在事件發生前準備好一個可以在自己基礎設施上運行的有能力的模型[我們的斜體]，既可以避免護欄鎖定，也可以防止攻擊者將數據和憑證帶出你的環境。」

很難誇大特朗普政府對 Anthropic 發布 Fable 的恐慌反應有多麼錯誤，尤其是因為它加劇了 Anthropic 最壞的傾向，即假設只有他們才能被信任使用強大的 AI。在一個只有一個 AI 的世界裡，將最強大的網絡安全能力保留給美國政府和可信盟友可能是有道理的；然而，這並不是我們生活的世界。

已經存在並將有完全能夠對現有基礎設施發動網絡安全攻擊的模型，而且這些模型將——已經——廣泛可用。最好的防禦——事實上是唯一可行的防禦——將是確保防禦者也能獲得最好的模型。現在，由於特朗普政府的指令，防禦者實際上被禁止使用 Fable 或 Sol 進行網絡安全；這意味著最好的替代方案是使用來自一個多年來一直試圖削弱我們網絡防禦的國家的模型。這太瘋狂了！

更好的做法是明確的：首先，放寬 Fable 和 Sol 在網路安全方面的限制，其次，確保美國開放權重模型製造商與中國處於平等競爭環境。是的，前沿實驗室會大吵大鬧，但政府應意識到，聽從他們的歇斯底里已導致美國陷入美國公司依賴中國進行防禦的境地。讓前沿實驗室通過做得更好來獲勝；不要讓他們定義安全或保障，也不要讓他們拉起人類集體知識的梯子。中國已夠難競爭了；讓他們扛起開放和創新的大旗簡直是放棄我們最大的優勢。