中国AI模型不足惧？——从商品化市场角度分析
我至今仍会提起自己在凯洛格管理学院STRT-431课程第一天的经历：这是所有MBA新生的必修课，我翻了翻指定阅读材料和案例，却失望地发现日程里完全没有科技公司的身影。我课后找教授询问原因，得到的答复是：这门课的目标并非讲解特定行业，而是挖掘具有普适性的通用原则，这些原则可以应用于任何行业的任何企业。
就像我常说的，我当时对这个答案并不满意。在我看来，科技行业的本质有着根本差异——尤其是软件和分发的边际成本（以及交易成本）为零这一点，把零代入公式往往会彻底颠覆原有逻辑！不过我很快意识到，这正是我的机会所在。《聚合理论》https://stratechery.com/2015/aggregation-theory/的核心洞见是：零边际成本催生了与人们对互联网的传统预期截然不同的价值链——在这个世界里，控制需求比分配供给更重要，中心化和规模化成为关键。
然而，人工智能的有趣之处在于，那些曾经的通用原则正重新回到台前。这一点在上周末表现得尤为明显：X平台上爆发了激烈争论，围绕的是中国推出的又一款开源权重模型Kimi K3，其能力已接近当前顶尖水平。简而言之，无论是从顶尖免费模型的短期影响，还是从行业的长期结构来看，边际成本都强势回归了。
销货成本与研发投入
关于开源权重模型，最常见的误解之一是认为它们更便宜——甚至是免费的。毕竟，你只需下载权重，无需投入时间、成本和技术能力去训练自己的模型。这当然是事实，但这里的“免费”仅针对研发投入；研发是固定成本，与营收规模无关。无论你最终营收是10万美元还是1亿美元，只要研发投入了100万美元，这笔支出就不会改变（当然，它会影响盈利能力）。
真正与营收挂钩的是销货成本（COGS），而AI领域的销货成本是真实存在的，这是软件行业长久以来未曾有过的情况。具体来说，运行模型推理——无论是Kimi还是Fable——都需要成本，而且在大多数商业模式下，AI服务商的推理成本与营收直接相关。沿用上面的例子：营收1亿美元所需的销货成本，可能是营收10万美元的1000倍。具体而言，如果生成1美元营收对应的令牌成本是50美分，那么1亿美元营收对应的销货成本就是5000万美元；而10万美元营收对应的销货成本仅为5万美元。
说到开源权重模型，关键在于它们并非免费可用。Kimi K3的成本https://platform.kimi.ai/docs/pricing/chat-k3是每百万输入令牌3美元，每百万输出令牌15美元；这比Sol的每百万输入令牌5美元、每百万输出令牌30美元便宜，但这或许并非衡量成本的正确方式。
令牌与智能
英伟达CEO黄仁勋将英伟达正在打造的业务描述为“令牌工厂”，从英伟达的角度来看，这个定位不无道理。英伟达GPU对模型持中立态度：它的目标是尽可能快速高效地生成令牌。这催生了每秒令牌数、首令牌生成时间、每瓦令牌数、令牌成本等一系列衡量指标，黄仁勋认为这些指标将成为决策的基础。
在AI的第一范式——ChatGPT时代，这个定位完全合理，因为令牌是直接交付给终端用户的。然而，AI的第二范式——推理时代，却让这种衡量方式变得复杂。推理需要大量的思维链令牌，不同模型得出正确答案所需的推理令牌数量也不同。例如，据报道Kimi所需的令牌数量远多于Sol，这使得它的价格优势变得毫无意义。智能代理也带来了类似的动态：不同模型执行代理工作流所需的令牌数量效率各异。
这意味着令牌并非商品。商品的核心特征是可替代性：一加仑石油就是一加仑石油，一吨铜就是一吨铜，一蒲式耳小麦就是一蒲式耳小麦。但一个模型生成的令牌与另一个模型生成的令牌并不相同。真正具有可替代性的是令牌所构建的产物，也就是智能。换句话说，如果Kimi和Sol都能得出正确答案，那么这个答案是可替代的；而得出答案过程中令牌消耗的差异，会导致销货成本的不同。
智能的销货成本由几个因素决定：
- 模型规模：权重和运行时状态决定了托管每个服务副本所需的昂贵内存和加速器数量。
- 推理效率：架构选择（如混合专家模型）可降低每个生成令牌的计算量。
- 内存效率：架构选择可减少KV缓存需求，从而支持更多并发请求，提高GPU利用率。
- 服务效率：批处理、调度、前缀缓存等推理优化可最大化资源利用率，并在多个请求间共享工作负载。
- 令牌效率：得出正确答案所需的令牌越少，推理成本就越低。
这一点之所以重要，是因为我们正迅速进入一个阶段：对于许多具有经济价值的任务而言，智能实际上已成为一种商品。例如，任何开发基础CRUD应用https://en.wikipedia.org/wiki/Create,_read,_update_and_delete的人，都可以使用多家供应商的模型来完成。在商品市场中，盈利的途径并非提高价格——毕竟你（或很快就能）用多个模型开发出完全相同的应用——而是通过更优的成本结构。
理解商品市场
这里有必要详细解释一下商品市场的运作机制，正如我几个月前在《亚马逊的持久性》https://stratechery.com/2026/amazons-durability/中提到的，科技行业的从业者通常并不熟悉商品市场的动态：
- 在商品市场中，所有人都以相同价格出售相同的商品，价格由供需关系决定。
- 商品需求是价格弹性的函数：商品越便宜，需求就越大，反之亦然。
- 商品供给是商品边际生产成本的函数。
关键在于，不同供应商的商品边际生产成本存在差异。实际上，成本结构最差的供应商最终只能以其边际成本出售商品（如果他们还能生产的话）；其他供应商的利润则取决于其成本结构相较于边际供应商的优势程度。
举个例子：
- 供应商A生产10单位商品的成本为每单位10美元
- 供应商B生产10单位商品的成本为每单位15美元
- 供应商C生产10单位商品的成本为每单位20美元
假设价格弹性使得在20美元的价格下，市场对该商品的需求为25单位。那么：
- 供应商A将以20美元的价格出售10单位商品，每单位利润为10美元
- 供应商B将以20美元的价格出售10单位商品，每单位利润为5美元
- 供应商C将以20美元的价格出售5单位商品，每单位利润为0美元
这并非完全精准：供应商C之所以会出现缺口，是因为供应商A和B可以略微压低价格，这当然会影响需求（因为需求具有弹性），但它说明了核心问题。供应商A的业务非常出色，供应商B的业务尚可，而供应商C则面临破产风险。
固定成本是导致破产风险的关键因素：供应商C既有固定成本（如研发投入），还可能背负着为生产设备融资的债务。它无法将这些成本纳入定价考量——请记住，市场清算价格近似于满足需求所需的成本最高的单位的边际成本——但这些成本完全可能导致供应商破产。而如果该供应商破产，价格就会上涨，直到有新的供应商进入市场（或现有供应商扩大产能）。
智能市场
让我们回到模型市场。目前，上述分析并不适用，因为前沿模型的需求远超供给，而供给受到算力不足的限制。这种算力短缺不仅意味着英伟达这样的算力供应商能获得极高的利润率，还意味着英伟达的客户（如SpaceXAI）可以将算力转售给Anthropic等公司，同样获得高额利润。与此同时，Anthropic能够承担这种加价，因为他们可以将令牌以更高的加价出售。
Anthropic能获得高额利润，不仅仅是因为需求过剩：Anthropic和OpenAI的前沿级智能单位成本可能是最低的，这得益于其模型能力、服务规模和令牌效率。他们在竞争对手之前数月就开始提供特定能力水平的模型，同时还在持续优化这些模型的成本。
还值得注意的是，市场目前尚未将智能视为商品：需求主要集中在Anthropic和OpenAI，而对能力稍逊的模型需求则低得多（因此SpaceXAI和Meta会将算力出售给Anthropic）；可以认为，优化成本的努力是在根据智能水平定义“待完成任务”，从而让智能买家能够创建一个智能商品化的市场。然而从长远来看，无论谁处于前沿地位，都最有能力主导非前沿市场，因为这些市场的技术水平仅仅比前沿落后n个月——而在这n个月里，前沿模型制造商一直在优化其服务成本。
总而言之，我认为人们对Kimi乃至中国模型的反应有些过度，至少从经济角度来看是如此。目前，由于算力不足，市场存在一个价格保护伞；我非常怀疑中国模型的边际服务成本更低，它们看起来更便宜，只是因为Anthropic和OpenAI受到供给限制，收取的价格远高于供需平衡时的水平。
前沿实验室的焦虑
那么，为什么模型制造商似乎对中国模型如此恐慌呢？
首先，我认为前沿实验室的财务模型仍以训练成本为主导。只要训练消耗的GPU比推理多，最大化推理收入以资助下一轮训练就至关重要，这意味着要对推理收取极高的价格。
然而展望未来，我预计推理市场的增长速度将远超训练成本（包括训练成本持续飙升的假设），这意味着他们可以通过规模效应来弥补利润。就在8个月前，这一点还并不明确，但智能代理范式的突破如此巨大，前沿实验室应该更有信心：一旦拥有足够的算力，他们不仅能生存，还能在更低的价格下蓬勃发展。
其次，智能实际上并非完美的商品，部分原因在于应用中的智能会自我提升。具体而言，运行推理的同时也在收集数据，这些数据可用于优化下一代模型。一方面，这更说明前沿实验室应在算力增加后降低价格、提高使用率；另一方面，这也解释了为什么微软https://x.com/satyanadella/status/2076323181154230284等公司越来越热衷于帮助企业运行自己的模型。如果中国模型是可行的替代方案，这种模式的可行性将大大提高。
第三，前沿实验室不仅能以此与中国模型区分开来，还能彼此区分：继续向上整合，深入客户体验。Claude Code和Codex的粘性之强令人惊讶：你开始使用的工具很可能就是你一直使用的工具，对于非技术用户来说更是如此。从长远来看，这种向上整合的需求意味着前沿模型确实会对包括微软在内的软件供应商构成威胁。反过来，当前拥有客户体验入口的软件公司，其抵御前沿实验室侵蚀的能力，取决于他们能否获得具有竞争力的模型。
最后，尤其不能忽视Anthropic的意识形态角度https://stratechery.com/2026/anthropics-safety-superpower/。这家公司认为只有自己才值得被托付AI技术，而开源权重模型的存在，对这一假设构成了致命打击。
中国的动机
Kimi并非唯一一款新的中国模型；据彭博社https://www.bloomberg.com/news/articles/2026-07-19/alibaba-s-qwen-unveils-preview-of-flagship-ai-model报道：
阿里巴巴集团控股有限公司股价周一最高上涨5.4%，此前该公司推出了其旗舰模型Qwen3.8 Max的预览版，称其性能仅次于Anthropic的Fable 5。就在几天前，初创公司Moonshot AI发布了一款强大的新模型，引发市场震荡，并引发美国对中国缩小与Anthropic和OpenAI等全球领导者差距的担忧。Qwen3.8 Max拥有2.4万亿参数，与Moonshot的Kimi K3同属重量级模型。K3拥有2.8万亿参数，可与顶级模型媲美，而阿里巴巴也设定了类似的高期望。
开发者现在可以通过阿里巴巴的代码平台（包括Qoder）访问Qwen3.8 Max。阿里巴巴计划很快开放该模型的权重，扩大预览版之外的访问范围。人们对这些中国产人工智能系统和模型的兴趣如此之高，以至于Moonshot周日晚些时候不得不暂停接受新订阅，以应对压倒性的需求。
Qwen3.8 Max也将开放权重这一点值得注意。阿里巴巴今年早些时候停止发布其前沿模型的权重，但现在似乎又恢复了这一做法；我猜测这一转变与上周习近平主席关于人工智能的讲话http://english.scio.gov.cn/topnews/2026-07/18/content_118605932.html有关，讲话中强调了开源权重的方针：
我们要坚持开放共赢，促进创新驱动发展。人工智能作为世界经济增长的新引擎、转型升级的加速器，正在从数字世界向物理世界跨越。我们要抓住这一难得的历史机遇，鼓励开源开放、协作共享，推动人工智能技术创新、产业发展和场景应用，统筹推进传统产业改造升级、新兴产业培育壮大、未来产业前瞻布局，让人工智能赋能各行各业、惠及千家万户。
中国的战略显而易见：让你的互补品商品化。请注意，习近平主席明确将开放与人工智能“从数字世界向物理世界跨越”联系起来；物理世界是中国主导的领域，中国在机器人等领域的领先地位将从广泛可用的AI模型中大幅受益。
同样，中国不希望美国在人工智能领域获得不对称优势；如果中国能削弱美国前沿实验室的同时，强化所有可能的美国对手，那就再好不过了，而且中国还能从开放生态系统带来的创新中获益。
蒸馏问题
同理，不要指望中国会对前沿实验室的蒸馏攻击采取任何措施。我认为将中国实验室的所有成功都归因于蒸馏是错误的，但同样错误的是假装蒸馏没有给中国实验室带来巨大优势。过去一年，随着强化学习后训练对模型性能变得越来越重要，这种优势真正显现出来。中国实验室无需从头构建强化学习环境，只需将前沿实验室的模型作为“老师”，就能以低得多的成本实现快速改进（这并非中国模型开发成本更低的唯一原因，但却是重要原因之一）。
有趣的是，中国模型在西方最重要的应用场景之一就是蒸馏。例如，刚刚发布开源权重模型的Thinking Machines，就依赖中国模型https://www.ft.com/content/ef486929-d2c2-480b-8b00-9cb98bda6acf来解决强化学习的冷启动问题。Dean Meyer和Konstantine Buhler在X平台上发表了一篇出色的文章https://x.com/deanmeyerrr/status/2077834267086729674?s=46，解释了蒸馏为何意味着西方开源权重模型相对于中国存在根本性劣势：
蒸馏并非中国开源模型领先的全部原因。中国实验室拥有世界级的研究人员、充足的算力、强大的预训练模型、软硬件协同设计能力，以及快速提升的后训练能力。但蒸馏压缩了从强大基础模型到接近前沿模型之间的高成本差距。即使蒸馏在 Chinese模型的整体能力中占比不大，但它在相对于美国开源模型的优势中占比显著。
新的执法机制将使中国公司进行大规模蒸馏变得更困难、更缓慢、成本更高。然而，执法无法消除由国家行为体支持的蒸馏。因此，西方前沿领域的每一次进步，都会为中国实验室创造一个新的“老师”。西方开发者要么必须独立重现这些能力，要么只能等待从中国模型中学习。这一差距让中国实验室相对于西方公司拥有持续的结构性优势。
这一点值得重申：由于美国开源权重模型制造商必须遵守前沿实验室的服务条款，他们（1）的模型性能不如中国替代品，（2）最终只能对中国模型的蒸馏结果再进行蒸馏，只是多了一道通过中国实验室的弯路。如果西方开源权重模型制造商能直接获取原始资源，岂不是更好？
就此而言，关于蒸馏还有一个更有趣的问题：蒸馏到底有什么不好？毕竟，大语言模型本身不就是对开放互联网上所有知识的蒸馏吗？这些知识由前沿实验室抓取，并被蒸馏成模型，而这些模型本身又被进一步蒸馏。那么到底是谁受到了损害？
事实上，这个悖论本身就是解决方案。我认为开源权重模型有利于创新（而且如上所述，前沿实验室不会受到影响），但依赖中国是个问题。美国应该通过一项法律，（1）明确规定为训练模型收集数据属于合理使用，（2）至少禁止美国公司的服务条款中包含禁止蒸馏的内容。阻止蒸馏——本质上只是调用API——几乎是不可能的；美国应该反其道而行之，推行新的版权政策，既为实验室提供保护，又确保他们学到的知识能为其他所有人的创新提供动力。
真正值得担忧的问题
整篇文章一直在试图平息人们对Kimi K3乃至中国开源权重模型的过度反应；然而，确实有一个问题值得担忧，那就是网络安全。看看The Stackhttps://www.thestack.technology/hugging-face-hacked-turned-to-chinese-llm-for-help-after-us-models-blocked-blue-team/的这篇报道：
Hugging Face表示，其生产基础设施上周初被一个“自主”AI代理系统攻破。该平台的安全团队最初在事件响应（IR）中遇到阻碍，原因是美国某前沿LLM模型的安全护栏“无法区分事件响应者和攻击者”。因此，Hugging Face的防御者转而使用中国Z.ai实验室的开源GLM 5.2模型——在自己的基础设施上运行，以分析攻击者留下的17000多条日志或痕迹。
对于总部位于纽约的Hugging Face来说，这是一个引人注目的公开声明。该平台允许用户协作开发模型、数据集和应用，今年夏天其年度经常性收入（ARR）达到了1亿美元。在一份事件报告中，该公司建议防御者“在事件发生前，准备好一个可在自己基础设施上运行的可靠模型（我们强调），既要避免被安全护栏锁定，也要防止攻击者的数据和凭证离开你的环境。”
特朗普政府对Anthropic发布Fable的恐慌反应是多么错误，尤其是这种反应加剧了Anthropic“只有我们才能信任强大AI”的最坏倾向。在只有一种AI的世界里，将最强大的网络安全能力保留给美国政府和可信盟友可能是合理的；但我们并非生活在这样的世界里。
现在已经有，并且未来还会有，完全有能力对现有基础设施发动网络攻击的模型，而且这些模型已经广泛可用。最好的防御——实际上也是唯一可行的防御——是确保防御者也能获得最好的模型。目前，由于特朗普政府的指令，防御者实际上被禁止将Fable或Sol用于网络安全；这意味着最好的替代方案是使用一个多年来一直试图削弱我们网络防御的国家开发的模型。这简直是疯了！
更好的解决方案显而易见：首先，放宽Fable和Sol在网络安全方面的限制；其次，确保美国开源权重模型制造商与中国处于平等的竞争环境。是的，前沿实验室会对此怨声载道，但政府应该意识到，听信他们的夸张言辞，已导致美国公司在防御方面依赖中国。让前沿实验室通过更出色的表现取胜；不要让他们定义安全或安保，也不要让他们阻碍人类集体知识的进步。与中国竞争已经够难了；让他们成为开放和创新的标杆，无疑是在放弃我们最大的优势。