硅谷因中国强大且低成本的 AI 模型而分裂

随着中国 AI 模型在安全和知识产权担忧日益加剧的背景下仍不断获得用户，Google News 正记录着硅谷一场尖锐的冲突。Moonshot AI、Z.ai、Alibaba、DeepSeek 及其他中国实验室推出的模型，在常见评测中已接近领先的美国系统，令争论进一步升温。

这些模型还通过开放权重为开发者提供了更大的控制权。开放权重是企业可以下载、定制或在自有基础设施上运行的参数。这种组合对 OpenAI 和 Anthropic 所偏好的商业模式构成了挑战。

争论已不再只是中国能否匹敌美国研究的问题。它关乎美国公司是否应欢迎成本更低的竞争，还是要求华盛顿加以限制。

大型 AI 实验室看到了知识产权、安全控制和国家安全方面的威胁。初创企业、投资者和基础设施公司则看到了能够减少对少数供应商依赖的实用技术。

由此形成的分歧，让专有前沿实验室与希望获得可访问、可定制模型的开发者站在对立面。它也动摇了这样一种假设：AI 创新只会从硅谷单向流向世界其他地区。

Google News 揭示的中国 AI 崛起

中国 AI 模型已从偶尔在基准测试中带来惊喜，变成美国开发者正在积极测试和部署的工具。

DeepSeek 在 2025 年初带来了第一次重大冲击。其发布表明，即使面临芯片限制，中国实验室仍能紧跟技术前沿。

最新一波进展已不止于一家公司。Moonshot AI、Z.ai、Alibaba、Tencent、MiniMax 和 Xiaomi 都发布了面向编程、研究、自动化和通用语言任务的系统。

Moonshot 的 Kimi 系列在 2026 年 7 月成为焦点。开发者称，其近期模型在日常工作中响应迅速、具有竞争力，尽管美国系统仍保有更广泛的能力。

采用证据比任何单项基准测试都更具意义。AP 报道称，在最近一段时期内，OpenRouter 使用量最高的五个模型均来自中国公司。

OpenRouter 让开发者能够通过一个界面向多个竞争模型发送请求。因此，其使用数据虽不完整，却能为观察开发者偏好提供有价值的视角。

Sensor Tower 估计，Kimi 在其 7 月发布后的第一周获得了超过 93 万次下载，较前一周增长 200%。

据同一份估计，其中约 8.6 万次下载来自美国，比前一周高出 387%。

随着需求接近可用容量，Moonshot 曾暂时暂停接受新订阅。这一中断显示了真实的市场兴趣，也暴露出突然大规模采用所带来的基础设施挑战。

这种需求并不意味着中国系统已经超越了所有美国模型。Arena CEO Anastasios Angelopoulos 对 AP 表示，就完整能力范围而言，它们仍落后于美国领军系统。

这一限定很重要。基准测试通常在受控条件下衡量狭窄的技能，而生产系统还必须处理可靠性、延迟、安全性、工具使用和意外输入。

不过，客户很少在每一次请求中都需要最强大的可用模型。常规摘要、数据提取、文档分类和基础编程，可能更看重效率而非最高智能水平。

这种区别构成了核心压力。如果模型能够处理常见工作负载，同时给予开发者更多部署选择，它就不必赢下每一项基准测试。

Google News 的报道反映出讨论转变之快。问题已不再是中国模型是否可信，而是它们的可信度能够带来多大的市场影响力。

更低成本令 OpenAI 和 Anthropic 承压

眼前的威胁并非技术上的失败，而是高能力 AI 稀缺性的消退。

OpenAI 和 Anthropic 围绕对专有系统的托管访问建立了业务。客户通过应用程序接口发送请求，而提供商控制模型及其运行环境。

这种安排提供了简便性、持续更新和集中式安全控制，但也使客户依赖于提供商的定价、可用性、政策和产品路线图。

开放权重模型改变了这种关系。企业可以下载权重、调整系统，并通过独立的基础设施提供商运行它。

一些组织可以在自己的云账户或数据中心托管模型。此举能够提升对敏感信息的控制力，尽管安全运行仍需要大量工程工作。

与规模最大的美国竞争对手相比，中国领先的 AI 实验室更持续地采用了这种分发模式。即使直接模型访问带来的收入有限，这一策略也能扩大采用范围。

2026 年 3 月的一项委员会分析发现，Alibaba 的 Qwen 生态系统已在 Hugging Face 上产生超过 10 万个衍生项目。每一个衍生项目都代表基于现有模型创建的修改、适配或专用实现。

这一生态系统可以形成自我强化。更多开发者会产出集成、评测、微调和文档，而这些资源又让下一位开发者更容易采用底层模型系列。

美国前沿实验室面临不同的经济要求。它们通过对所控制模型的付费访问，为大型研究项目和广泛的计算基础设施提供资金。

如果开放替代方案能够满足越来越多的常规请求，专有提供商就必须在性能、可靠性、安全性和专用能力方面展开更激烈的竞争。

开发者也可以在多个系统之间分配工作。某个产品可能将高级模型留给困难的推理任务，同时把重复性处理交给开放权重替代方案。

这种混合方式削弱了单一实验室将服务每一项请求的假设。对于更多应用而言，它让底层模型成为可替换的组件。

Anthropic 和 OpenAI 并非原地不动。它们可以发布更小的系统、提高效率、降低延迟，并提供独立部署难以匹敌的企业级控制能力。

它们的优势在准确性失误会带来重大后果的领域仍最为明显。高级网络安全、科学研究、法律分析和复杂软件工程，需要的不只是一个亮眼的基准分数。

但常规工作的规模同样重要。能够在有限监督下执行多步骤任务的智能体系统，可能从一次用户请求中产生大量模型调用。

随着这些调用不断增加，效率就成为产品特性。即使运行成本只有适度差异，也可能在大规模应用中影响架构决策。

因此，这种压力横跨两个时间维度。短期内，中国模型争夺的是开发者流量和日常工作负载。

从更长期看，广泛采用能够积累专业知识、集成能力和数据，从而支持进一步改进。正是这种战略可能性令专有实验室感到不安。

开放模型与封闭平台才是真正的竞争

硅谷之所以产生分歧，是因为中国开放权重模型有利于行业的一部分参与者，却威胁到另一部分参与者的控制力。

当先进模型的访问权保持集中时，OpenAI 和 Anthropic 将从中受益。稀缺性巩固了它们作为前沿智能关键供应商的地位。

独立开发者则受益于相反的条件。他们希望有更多高能力模型、更低的切换成本、更灵活的许可证，以及对部署方式的控制权。

基础设施公司也有支持开放的理由。无论由哪一家实验室开发了被服务的模型，Nvidia 都可以销售硬件和软件。

当开发者能够在众多系统中选择时，云服务提供商和推理平台会获得更多流量。因此，模型竞争能够扩大技术栈其他层面的需求。

这也解释了为何该争议不能被简单归结为美国对中国。美国公司处于相互冲突的位置，因为它们从市场的不同层级获利。

据报道，与 Little Tech Association 相关的 200 多家初创企业曾敦促美国政府不要实施一刀切禁令。该组织包括 Y Combinator，并在支持保障措施的同时反对广泛排除。

这些初创企业认为，移除外国开放权重模型会增强规模最大的美国实验室。限制措施可能会减少竞争，同时让小型公司更依赖国内提供商。

投资者 Bill Gurley 也提出，开放模型能够减少供应商锁定，并支持学术研究。它们还为资本受限的初创企业提供了更多试验空间。

反对阵营强调，一旦模型被下载，其能力仍可被使用。托管提供商可以监测使用情况、封禁账户、修补弱点并调整保障措施。

可下载模型无法轻易召回。运营者可以改变其行为、移除限制，或在不向原始开发者报告活动的情况下部署它。

这种持久性使安全担忧具有现实分量。它同样适用于任何国家生产的开放模型，而不仅仅是中国。

当国籍进入讨论时，分歧会变得更尖锐。中国模型出现于出口管制、贸易争端、军事竞争和国家影响力担忧并存的背景下。

对一些政策制定者而言，采用这些模型可能加深对战略竞争对手的技术依赖。对许多开发者而言，本地托管模型只是数据路径由自己掌控的软件。

两种观点都包含尚未解决的假设。本地托管可以减少向外国提供商直接暴露数据的风险，但模型行为仍可能反映训练选择和隐藏弱点。

封闭的美国服务可以提供更强的监管，但也会集中宝贵的数据和技术权力。国别来源无法解决所有安全问题。

因此，硅谷的争论跨越了熟悉的政治联盟。风险投资家可能反对那些成熟实验室所支持的限制措施。

初创企业将访问权描述为竞争必需条件。前沿实验室则将不受限制的扩散视为市场无法在发布后解决的风险。

Google News 将这些互不相容的激励因素呈现在同一条信息流中。同一个中国模型既可能被视为安全担忧、有用的依赖，也可能被视为对集中定价权的冲击。

蒸馏让竞争演变为知识产权之争

最具争议的问题是，中国实验室究竟是通过正当研究实现了效率提升，还是未经授权从美国模型中提取了成果。

蒸馏是指使用另一个模型生成的输出训练模型。更大的教师系统可以生成示例，帮助更小的学生模型复现特定行为。

研究人员多年来一直在使用这种方法的不同版本。争议集中在访问权限、规模、合同限制，以及自动化提取是否复现了受保护的能力。

Anthropic 指控中国公司使用了被禁止的蒸馏技术。美国官员也对 Moonshot AI 及其他开发者表达了担忧。

中国已否认相关指控，称其毫无根据。公开报道尚未完整厘清每个争议模型背后的训练数据情况。

这一核查缺口应始终是讨论的核心。相似的输出模式可以为调查提供线索，但无法揭示完整的训练流程。

当美国公司使用中国模型的输出或架构时，这场争论也会变得前后不一。Rest of World 报道称，Thinking Machines 在其工作中采用了 DeepSeek 技术以及来自 Kimi 的合成数据。

这种双向交流使得“模型知识只从美国流向中国”的说法变得复杂。现代 AI 开发通常会结合公开研究、开放权重、生成数据，以及竞争团队的思路。

Thinking Machines 已披露其使用中国系统，而针对其他实验室的指控则涉及涉嫌秘密或被禁止的活动。这些情况在法律上并不等同。

不过，它们暴露了一个更广泛的问题：行业尚未形成一条被广泛接受的界线，以区分从另一模型中学习与提取其受商业保护的行为。

当输出可通过公共接口获得时，这条界线就更难执行。提供商可以设定条款与技术限制，但研究人员仍可观察模型行为。

封闭实验室同样会使用由个人、出版商、艺术家和软件开发者创作的大量互联网内容进行训练。它们自身尚未解决的版权纠纷，也削弱了关于知识再利用的简单道德叙事。

这些都不能证明某项具体的蒸馏指控是错误的。它说明，任何政策回应都应基于与具体行为相关的证据，而不能只看国籍。

广泛限制可能会在拦截通过不当访问开发的系统时，一并阻碍合法模型。另一方面，执法宽松则可能奖励无视服务条款或知识产权保护的公司。

可行的应对方式应将若干问题区分开来。监管机构需要辨别网络安全风险、合同违约、版权纠纷、出口管制与一般商业竞争之间的差异。

将这些问题统统归入“中国 AI”的标签，会让辩论在政治上更直接，却在分析上更薄弱。每个问题都需要不同的证据和补救措施。

蒸馏也凸显了美国实验室面临的速度问题。在法律或政策机构决定应如何处理之前，模型输出就可能已成为训练材料。

这种延迟有利于准备快速发布的组织。一旦权重通过代码库和本地部署扩散，后续限制就难以清除每一份副本。

对开发者而言，不确定性会变成供应链问题。一个实用模型可能带有尚未解决的许可、来源或合规风险，而这些风险会在集成后才显现。

评估开放权重的公司应记录模型版本、许可证、托管安排、测试结果和数据处理决策。若政策发生变化，这些文档将支持未来迁移。

当模型生成内容进入项目时，知识工作者也面临相关挑战。一个可搜索的个人知识库可以保留来源与决策，而非让输出分散在各个聊天会话中。

实际教训并非假定每一次中国模型发布都存在不当之处，而是将来源可追溯性与运营控制视为一等评估标准。

低价 AI 的好处伴随着安全权衡

开放权重扩大了使用门槛，但也将安全责任从模型开发者转移给部署系统的主体。

托管模型提供商可以观察众多客户的有害活动。它可以调整过滤机制、调查滥用行为、暂停访问，并集中分发改进。

开放权重部署让运营方拥有更多控制权，同时也要求其管理访问权限、监控、更新、事件响应和模型特有的漏洞。

许多初创公司尚未准备好承担这一责任。下载权重比围绕它们构建安全的生产服务容易得多。

底层模型在微调、量化或与工具集成后，也可能表现不同。量化会降低数值精度以缩小模型体积，并可能改变性能。

智能体系统带来了额外暴露面，因为它们将模型连接到电子邮件、文件、浏览器、数据库和代码执行环境。一次错误可能变成实际操作，而不只是一句错误回答。

中国模型并不会独有这些风险。它们的快速传播使既有的开放模型问题更迫切，也更具政治敏感性。

Anthropic CEO Dario Amodei 曾多次警告，可下载的前沿模型可能被修改用于恶意目的。他的公司部分围绕受控部署和安全研究建立了品牌定位。

批评者回应称，封闭系统同样会失效。它们可能生成危险指令、泄露信息、遵从恶意提示，或通过连接的工具产生意外行为。

防护栏甚至可能阻碍防御性分析。Wired 报道称，Hugging Face 的研究人员在托管系统阻断其取证调查的部分工作后，使用了一款开放的中国模型。

单一事件无法定论安全争论。但它确实表明，集中式限制除了带来保护，也可能产生运营成本。

安全性取决于任务、部署环境、可用监控以及运营方能力。模型的原产国只是其中一个因素。

内容控制带来另一项不确定性。为中国市场训练的模型可能回避政治敏感话题，或反映当地监管预期。

开发者有时可以通过微调修改这些行为。但不同语言、提示和部署配置下的表现各不相同。

数据隐私同样需要仔细区分。调用境外应用程序接口，与在美国云账户内运行下载的权重，并不是一回事。

第三方托管又构成另一种安排。处理客户数据的可能是基础设施提供商，而不是最初的中国实验室。

政策讨论常将这些架构合并为一个类别。有效规则应当考察数据流向何处、谁控制权重，以及模型具备哪些能力。

能力门槛将难以长期维持。针对当前前沿系统的限制，可能会随着更小模型的进步而过时。

开放模型也带来公共利益。研究人员可以检查行为、复现实验、研究偏见，并且无需向供应商申请许可即可构建工具。

在美国提供商服务不足的市场，开发者可以让模型适应本地语言和有限硬件。这些用户可能比起基准领先地位，更看重可用性。

Rest of World 记录了节俭型 AI如何支持为受限基础设施设计的项目。更小的系统可在低性能设备上运行，并在连接不可靠时依然保持实用。

这一更广泛的背景解释了，为何一刀切的禁令影响的不只是硅谷初创公司。它还可能影响哪些国家和社区能够以可接受的条件部署有能力的 AI。

因此，这种权衡是真实存在的。更广泛的访问会增加实验与竞争，同时削弱原始开发者监督下游使用的能力。

任何一方都无法用一句口号消除这种张力。开放分发需要更强的运营标准，而封闭部署则需要对集中控制承担责任。

接下来发生的事将决定这种分裂是否持久

三个信号将显示，中国开放权重 AI 正在成为持久基础设施，还是只是在迫使市场作出又一次短暂的价格回应。

第一个信号是持续的生产环境使用。下载总量和基准关注度的重要性，不如在测试结束后仍继续运行在中国模型上的工作负载。

OpenRouter 排名提供了一个早期视角，但它只代表一个分发渠道。本地部署和私有云安装则更难衡量。

观察企业软件供应商是否在产品文档中点名这些模型，也要观察独立托管平台是否为它们扩展容量。

持续使用将强化“有能力的 AI 正在变得可互换”的观点。促销式发布后流量下降，则意味着可靠性与支持仍倾向于成熟提供商。

第二个信号是美国的竞争回应。OpenAI 和 Anthropic 可以通过改进更小的模型、企业控制能力和开发者经济性来捍卫自身地位。

Meta、Nvidia 和其他美国公司也可以扩展开放权重替代方案。它们的回应可能让开发者留在美国生态系统内，而无需禁止外国技术。

更广泛的开放模型竞赛已经包括基础设施供应商和新实验室。它并不局限于一对国家级冠军企业。

强有力的本土开放权重回应将削弱“竞争必须依靠限制”的说法。相反，开放性会成为企业竞争的另一块战场。

第三个信号是政策的具体性。美国官员必须决定，究竟应针对被禁止的提取行为、特定能力、政府采购、数据传输，还是所有中国权重。

与有据可查的行为挂钩的狭窄规则，可以在不自动保护既有实验室的情况下支持安全。广泛禁令则会将市场力量转向获批准的提供商。

执法的重要性将不亚于正式政策。可下载权重能够通过代码库、镜像站、私人传输和衍生模型跨越国境。

无法审计的规则可能会把使用活动推向地下，同时降低透明度。清晰的合规标准反而可以鼓励公司记录来源与部署控制措施。

结果影响远不止开发者的模型选择。它决定 AI 应用是继续与少数托管平台紧密绑定，还是能在相互竞争的引擎之间移植。

企业买家应使用自身任务测试质量，而不能只看公开排名。他们应比较可靠性、数据处理、许可、集成工作量和事件响应能力。

知识工作者也应保留 AI 辅助决策背后的推理过程。模型名称变化很快，而来源、提示和已批准输出的记录仍然很有价值。

Google News 将继续呈现双方最响亮的主张。读者应关注采用情况、经过验证的技术证据和精确的政策措辞。

核心问题很直接：美国实验室将通过让前沿智能保持稀缺而获胜，还是会在有能力模型广泛可得的市场中通过竞争获胜？

未来几个月，应关注部署情况，而非发布日的热度；追踪美国的开放发布，而非承诺；阅读实际规则，而非从中获益的公司提出的论点。

这些信号将揭示，中国的模型战略究竟是在改变 AI 的结构，还是仅仅迫使硅谷更快适应。