中国 AI 模型因成本、开放性与风险分歧硅谷

Google News 发现，硅谷内部首次就中国 AI 模型出现明显分歧。开发者日益看重其成本与灵活性，而领先的美国实验室则警告安全、知识产权和战略依赖风险。

这场分歧已不再是美国与中国之间的简单竞争。如今，它正按照美国公司构建产品、获取收入和管理风险的方式，将它们分化开来。

OpenAI、Anthropic 和 Google 高度依赖对专有系统的受控访问。初创公司、云服务商和独立开发者，则可从能力更强的模型变得更便宜、可下载且更易修改中获益。

这一冲突解释了为何 DeepSeek、Alibaba 的 Qwen、Z.ai 的 GLM 和 Moonshot AI 的 Kimi，如今的重要性已远超基准测试排名。它们不断扩大的采用规模，正挑战支撑硅谷部分最大 AI 投资的商业模式。

Google News 捕捉到硅谷的分歧

中国 AI 模型已从美国科技公司的外部竞争威胁，转变为其内部的商业选择。

眼下的发展是，能力强大的中国开放权重模型迅速涌现。开放权重意味着模型训练参数可以被下载、检查、修改，并可在其开发者托管服务之外运行。

DeepSeek 在 2025 年初引发全球关注。此后，Alibaba、Z.ai 和 Moonshot AI 相继发布了面向推理、编程、研究和自动化智能体任务的模型。

这一持续发布周期改变了讨论方向。硅谷不再讨论中国实验室能否产出有竞争力的模型，而是开始决定这些模型是否应进入真正的美国产品。

企业采用已初见端倪。美国公司已测试或部署包括 Qwen、GLM 和 Kimi 在内的模型家族，用于编程工具、客户服务和内部自动化。

云平台也降低了使用这些模型所需的门槛。开发者可以通过成熟的基础设施访问多款中国模型，而不必从零搭建部署系统。

The Washington Post 引用的 OpenRouter 数据显示，2026 年 6 月最后一周，中国 AI 按 token 计算的流量已接近美国 AI 流量的一半。这一占比较年初的 16% 有所上升。

Token 流量并不等同于企业收入或长期客户留存。但它显示了开发者将实际工作负载导向何处，而非仅仅关注基准测试。

The Associated Press 报道称，近期某个月 OpenRouter 上使用量最高的五个模型均来自中国。Moonshot 的 Kimi 应用在 K3 发布后的一周内，下载量也超过 93 万次。

需求规模之大，令 Moonshot 一度暂停接受新订阅。产能压力不能证明长期采用，但表明兴趣并未局限于狭窄的研究群体。

更大的转变在于采购行为。公司现在可以先将领先的专有模型与多个可下载替代方案进行比较，再为每种工作负载分配模型。

一家企业可能将美国前沿模型保留给最复杂的推理任务，同时把日常编程、分类、研究或客户支持请求转交给更便宜的开放模型。

这种模型路由方式削弱了单一供应商将控制 AI 应用每一层的假设，也使模型选择成为持续性的运营决策。

因此，Google News 反映的不只是又一个发布周期。相关报道捕捉到的是一个正从模型忠诚转向按工作负载逐项竞争的市场。

中国 AI 模型为何正在获得市场

当 AI 智能体会生成数千次模型调用、而非回答一次提示时，成本变得更加重要。

早期生成式 AI 产品通常遵循简单的交互模式：用户输入请求，系统生成答案，互动随即结束。

智能体 AI 的运作方式不同。智能体是一种通过反复调用模型、工具、数据库和外部服务，来规划并完成多步骤任务的软件。

一次客户请求可能触发规划、网络研究、文档检索、代码生成、评估和纠正。每一步都会消耗额外 token，并增加总体推理工作负载。

这种倍增效应使细微的成本差异变得重要，也促使企业采用能够满足任务可靠性要求的最低成本模型。

根据采用分析，Goldman Sachs 分析师认为，中国模型正进入更广泛采用的关键阶段。他们的论点部分聚焦于智能体工作负载的快速增长。

性能也已提升到足以满足许多日常用途的程度。只要能够可靠完成编程、搜索、分类和起草任务，中国模型无需在每项评估中都处于领先地位。

这就是高端美国系统面临的“足够好”压力。当客户的工作负载并不需要更高能力时，有限的能力优势会更难变现。

开放权重分发带来了另一项优势。公司可以在自选基础设施上运行下载的模型，自定义其行为，并控制何时将更新推向生产环境。

这种控制力吸引了担心供应商锁定的团队。托管服务商可以变更限制、行为、可用性或模型版本，却无需赋予每位客户直接控制权。

本地运行也有助于满足隐私要求。敏感文档会保留在客户选定的基础设施内，尽管安全部署仍需要审慎的访问控制和监控。

开发者可以针对狭窄任务对开放权重模型进行微调。微调使用专业示例调整模型，帮助其遵循某一领域的语言、结构或工作流程。

中国实验室也加大了对混合专家架构的投入。这种设计会针对每项请求仅激活大型模型的部分组件，从而限制推理时的计算量。

一项技术生态系统评估发现，领先的中国模型开发者已广泛采用这种架构。Kimi、MiniMax 和 Qwen 都是其中的例子。

这一设计不会自动让模型变得更好。它提供了一条平衡能力、运营成本和灵活部署的路径。

这种平衡反映了中国开发者面临的限制。先进处理器的获取受限，促使团队从现有硬件和软件中寻求更高效率。

国内竞争也构成另一项动力。中国实验室必须与众多本土模型提供商、大型科技公司和快速发展的初创公司竞争。

开放发布有助于它们在专有服务建立更深的市场控制之前吸引开发者。每一次适配、集成和社区工具，都能扩大一个模型家族的覆盖范围。

这一策略将分发转化为竞争优势的来源。胜出的模型并不总是得分最高的模型，也可能是开发者可以访问、修改并负担得起反复运行成本的模型。

对美国初创公司而言，这一价值主张难以忽视。它们的客户期待更好的 AI 功能，而投资者则期待审慎的支出。

中国 AI 模型提供了另一种谈判选择。即使从不部署这些模型的公司，也可以利用可信替代方案，向现有供应商施压，要求改善访问条件和商业条款。

开放权重 AI 挑战专有模型业务

这场核心竞争是开放分发与受控访问之间的竞争，而不只是中国与美国之间的竞争。

OpenAI、Anthropic 和 Google 主要通过托管产品和应用程序编程接口分发其最强大的模型。客户为访问权限付费，模型权重则仍受控制。

这种方式具有重要优势。开发者可以更新安全防护、监控滥用、改善基础设施并部署修复，而无需从每位客户处收回软件。

它也保护知识产权。训练前沿系统需要专业研究人员、大规模计算集群、广泛的数据管道和大量资本。

受控访问为实验室提供了收回这些投资的直接路径。客户获得持续维护的服务，而实验室则保留对其最有价值资产的控制。

中国开放权重 AI 对这一模式施加了压力。能力强大的可下载模型将模型所有权与托管访问分离，让其他公司能够在基础设施层面展开竞争。

云服务商可以托管同一个底层模型。初创公司可以对其进行定制。企业可以私有化部署。研究人员无需征得原实验室许可即可研究其行为。

这种灵活性将经济价值分散到更广泛的群体中，也限制了原开发者对每次请求收取溢价的能力。

因此，硅谷内部的激励机制存在鲜明差异。前沿实验室受益于稀缺性、受控访问和清晰的能力领先地位。

应用初创公司则受益于充足的模型供给。它们希望拥有多个可互换的供应商、更低的运营成本，以及迁移工作负载的自由。

基础设施公司同样受益于更多样的模型选择。每一个可下载系统都可能带动对芯片、托管、网络、优化软件和安全服务的需求。

这一经济分歧在 2026 年 7 月变得明确。Nvidia、Microsoft、Meta、Palantir 及数十家公司支持了一封倡导开放权重开发的行业公开信。

Google 和 OpenAI 随后也加入其中，尽管它们的领先商业产品主要依赖封闭系统。Anthropic 则明显缺席。

Nvidia 还成立了一个联盟，将开放模型作为防御性工具加以推广。其论点聚焦于让安全团队能够在自身环境中检查、适配和运行模型。

这一开放模型联盟并不否定专有系统。它认为市场和安全社区需要这两种路径。

另有 200 多家小型公司反对美国全面禁止外国开放权重模型。它们担心限制措施会强化少数现有实验室的地位。

这正是该事件核心的反转之处。中国模型是美国 AI 实验室的战略竞争对手，但对美国初创公司而言，它们也可以是有用的竞争性基础设施。

投资者也加入了这场争论。一些人认为，负担得起的开放模型有助于小团队与资金雄厚、能够优先获得专有系统的公司竞争。

前沿实验室则回应称，不受限制的模型分发会带来普通软件市场无法涵盖的风险。一旦能力强大的权重在全球范围内扩散，原开发者就无法将其收回。

两种说法都反映了真实的激励因素。双方都不是从中立立场评估开放权重 AI。

一家初创公司看到了更低的成本、定制化能力和更强的议价空间。一家专有实验室看到的则是无法收回的投资、被复制的能力，以及用于控制滥用的工具减少。

企业买家介于两者之间。他们希望拥有竞争，却不愿接受隐蔽的安全、合规或地缘政治风险。

这种张力可能比单纯的国家品牌更能塑造采购决策。买家会问：哪些工作负载需要前沿性能，哪些可以迁移至可控的开放部署。

他们还需要更好的评估体系。一项基准测试结果无法判断某个模型能否安全处理一家公司的文档、代码库、权限和故障情形。

测试多个系统的组织需要保留这些决策的可审计记录。一套结构化的AI knowledge base可以跨团队保存评估、政策和部署证据。

实际结果不太可能是一个模型取代所有其他模型。更可能是一个分层市场，模型会持续围绕具体任务展开竞争。

这种结构会给那些假设客户会将几乎所有工作负载都交给单一高价平台的供应商带来最大压力。

安全与蒸馏让成本论证变得更复杂

较低的运营成本并不能消除有关模型来源、治理或部署后行为的问题。

美国官员和 AI 实验室指控多家中国公司利用蒸馏技术复现专有系统的能力。

蒸馏是指利用另一个模型生成的输出训练一个模型。这种方法在机器学习中很常见，但当开发者通过欺骗性账户或被禁止的自动化方式收集输出时，就会引发争议。

Anthropic 曾指称，中国公司利用协调账户获取其模型的输出。美国官员随后指控 Moonshot AI 的 Kimi K3 部分基于 Anthropic 的 Fable 系统构建。

这些指控需要谨慎看待。公开证据尚未确立每一项技术细节，中国官员也已拒绝类似指控，称其毫无根据。

强劲的基准测试结果无法揭示模型究竟如何获得其能力。独立调查人员需要访问账户记录、训练文档和技术工件。

知识产权争议也包含尚未解决的法律问题。模型学习的是统计模式，而不是保存另一个系统源代码的简单副本。

不过，自动化提取可能违反服务合同。它也可能在不补偿开发这些能力的实验室的情况下转移高成本能力。

这让美国初创公司处于尴尬境地。它们受益于低成本替代方案，却可能依赖于面临来源争议的模型。

安全则是另一项担忧。开放权重在发布后可以被修改，包括移除安全防护或增强有害能力的改动。

Anthropic CEO Dario Amodei 曾指出，能力足够强的可下载模型会带来风险，因为开发者无法撤销其权重。托管服务提供商则可以阻止访问或部署安全更新。

一旦模型通过代码仓库、私有服务器和第三方平台传播，这种控制便不复存在。即使政府实施禁令，也无法收回每一份已下载的副本。

支持者则认为，开放性为防御者带来更高的可见性。安全研究人员可以检查模型、复现故障，并在不受提供商阻止敏感分析的情况下运行它。

在一起涉及自主测试系统和 Hugging Face 的安全事件发生后，这场辩论变得更加紧迫。据报道，调查人员在托管模型拒绝部分取证工作后使用了一个开放模型。

该事件并不能解决更广泛的安全问题。防御性用途与进攻性滥用可以同时存在。

模型的国别属性带来了更多担忧。企业必须评估许可、数据处理、审查行为、供应链控制以及潜在的政府访问。

一家完全在自身基础设施中运行权重的公司，可以降低部分数据传输风险。但这并不会自动消除代码、依赖项、训练数据或模型行为中的漏洞。

开放权重与开源之间的区别同样重要。开放权重会公开训练后的参数，但未必披露训练数据、完整源代码或可复现的训练方法。

将每个可下载模型都称为开源，可能造成虚假的信心。不同项目和许可证之间的透明度差异很大。

一项政策评估发现，中国模型已缩小了重要的能力差距。它也强调了扩散、安全和政策层面的权衡。

另一个不确定性与基准测试的可靠性有关。模型创建者会选择有利于其发布叙事的测试、报告方法和比较对象。

独立评估可以缓解这一问题，但公开基准测试仍不同于生产工作负载。编程得分并不保证能安全修改代码仓库，或提供可靠的客户支持。

因此，企业试点应衡量错误率、延迟、基础设施要求、数据暴露和恢复行为。团队还需要测试模型如何处理对抗性请求。

支持中国 AI 模型的最有力论点，并不是它们始终更优秀，而是它们已经足够可信，值得纳入评估。

最有力的怀疑论回应，也不是每个中国模型都不安全，而是采购决策不能仅仅建立在价格和基准测试声明之上。

这种不确定性阻止市场演变为一场单纯奔向最低价选项的竞赛。信任、法律风险和运营控制仍是总成本的一部分。

谁面临最大压力

专有前沿实验室面临直接的利润率压力，而企业则面临更棘手的治理问题。

Anthropic 处于这场争议的核心。它销售受控访问，强调安全性，并公开批评前沿开放权重系统周围的风险。

中国竞争对手挑战了这一立场的每个部分。它们的模型承诺更低成本、更广泛的分发和由客户控制的部署。

如果这些系统能够胜任更多编程和研究任务，Anthropic 就必须通过可靠性、安全性、支持服务和可衡量的能力优势来证明其溢价合理。

OpenAI 面临类似的经济压力，尽管它一直支持更广泛的开放权重阵营。这一立场承认开放模型对开发者和美国竞争力的重要性。

Google 横跨两边。Gemini 是一个主要的专有平台，而 Google 也发布开放模型，并受益于广泛的开发者生态系统。

Meta 此前代表了美国最强的大规模开放权重替代方案。Qwen 和 DeepSeek 的崛起削弱了美国公司将主导这一类别的假设。

因此，中国模型的采用给 Meta 带来压力，要求其维持有竞争力的开放发布。若选择退缩，更多全球开发者将围绕中国模型家族进行构建。

云服务提供商面临不同的选择。支持更多模型会吸引客户，但每一次新增都带来安全、合规和维护责任。

它们必须决定哪些许可证、区域限制和模型行为可以接受。它们还需要提供工具，让客户了解每项请求在何处被处理。

应用公司获得了最直接的议价能力。它们可以比较多个模型，并根据任务难度、延迟、风险和成本路由请求。

据有关美国企业部署的报道，Coinbase 曾讨论使用中国模型降低 AI 支出。Shopify 测试了 Qwen，用于服务商家的助手。

Cursor 已基于 Moonshot 模型构建了专门的编程系统。这些例子表明，开放权重可以成为组成部分，而非显眼的消费者品牌。

这种区别很重要。许多用户永远不会知道，是哪个底层模型处理了一项支持请求或生成了一条代码建议。

模型公司无需建立最强的消费者品牌认知，也能实现巨大的使用量。它们的权重通过其他产品、云服务和定制系统传播。

企业在中国供应商之外也有其他选择。Meta、Google 和法国的 Mistral 提供开放权重系统，而规模较小的美国开发者仍在发布专用模型。

这种更广泛的竞争限制了任何有关中国实验室已获得永久控制权的说法。它们当前的优势建立在发布速度、能力、成本和开发者采用之上。

美国实验室可以通过更小的专有模型、更具吸引力的托管服务或新的开放发布来应对。它们也可以强调认证和合同保护。

政府政策可能迅速改变平衡。对中国模型的限制可能降低安全风险，但也可能缩小美国初创公司的选择范围。

广泛限制可能保护专有实验室免受价格竞争，同时也可能鼓励美国以外的开发者围绕中国生态系统构建。

Silicon Valley 的辩论反映了这些相互竞争的利益。大型实验室、小型初创公司、基础设施供应商和投资者并不共享同一种对美国竞争力的定义。

对企业买家而言，国家间竞争只是其中一层。它们仍需要可靠运行、适配自身基础设施并满足法律义务的软件。

对开发者而言，计算更为直接。如果一个模型能以可接受的质量完成任务，它就会成为可用组件，无论地缘政治叙事如何。

政策与实践之间的这一鸿沟解释了这种压力。中国 AI 模型不需要获得普遍信任，就能重塑市场。

它们只需要足够多的开发者和公司将其视为可信替代方案。这个门槛已经被跨越。

Google News 头条之后值得关注什么

三个信号将表明，中国开放权重的采用会成为持久的基础设施，还是仅仅对成本压力的暂时回应。

第一个信号是持续的企业使用。下载量和市场流量显示的是试验，而持续的生产工作负载才表明更深层的投入。

观察云平台是否扩大其中国模型目录。还要关注大型公司是否披露在面向客户的产品中部署这些模型，而非仅限于内部测试。

生产使用量上升将强化市场已转向模型层面竞争的论点。初步测试后流量下降则会削弱这一论点。

第二个信号是美国开放权重阵营的回应。Google、Meta、OpenAI 和其他实验室需要发布兼具竞争力能力和开发者可放心使用许可的模型。

强大的美国替代方案可以在不让市场重回专有集中化的前提下，减少对中国模型家族的依赖。它也将检验推动采用的是开放性还是国别来源。

如果美国开放模型重新赢得开发者使用，成本和灵活性很可能是决定性因素。如果中国模型继续增长，其技术生态系统则拥有更深层的优势。

第三个信号是监管行动。美国政策制定者正在权衡知识产权、国家安全和竞争方面的担忧，这些因素指向相互冲突的应对措施。

一项针对欺骗性数据攫取或敏感部署的精准政策，能够在很大程度上保留开放市场。过于宽泛的限制则可能让美国开发者失去常用工具。

此类限制或许会在短期内巩固美国本土前沿实验室的优势，但也可能抬高应用成本，并加速中国模型在其他地区的采用。

监管者应区分几个经常被混为一谈的问题：模型来源、数据传输、本地部署、关键基础设施和一般商业用途，所涉及的风险并不相同。

运行在企业隔离服务器上的可下载模型，并不等同于在海外接收机密提示词的托管服务。忽视这一差异的政策，可能带来意想不到的后果。

读者也应审慎看待基准测试发布。独立评估、可靠性测试和生产环境披露，比一次单独的模型发布更重要。

Google News 将持续报道任何在某项测试中领先的系统所带来的惊人说法。真正持久的故事在于部署、开发者行为和商业利润率。

对于知识工作者而言，这场竞争应当会让研究、编程、写作和信息管理工具中的模型选择更加丰富。每项功能背后的供应商可能会频繁变化。

这种灵活性也让采购方承担更多责任。团队应询问数据流向何处、每项任务由哪个模型处理，以及更新后结果是否仍可复现。

中国 AI 模型已经改变了硅谷的既有判断。价格可负担的开放权重模型，不再只是用于实验的次要类别。

尚未解答的问题是，美国公司将通过更好的开放替代方案、更严格的监管，还是更强的专有服务来应对。要判断哪条路径胜出，应关注实际工作负载的迁移，而不只是 Google News 的排名。