谁害怕中国模型？——AI商品化时代的经济逻辑与战略焦虑
我在凯洛格管理学院的STRT-431课程第一天讲过一个故事，这是每位一年级MBA必修的入门课。我翻阅了阅读材料和案例研究，发现课程安排里没有一家科技公司，感到很失望。像我这样的人，课后便去找教授询问原因，教授告诉我，课程目标不是学习特定行业，而是发现普遍适用的通用原则，这些原则可以应用于任何行业的任何公司。
我通常讲这个故事时，会说我对这个答案并不满意：在我看来，科技的本质——特别是软件和分销的边际成本为零（交易成本也为零）——是根本性的不同；在公式里代入零往往会引发混乱！然而，我很快意识到，这恰恰是我的机会。支撑聚合理论的基本洞见是，边际成本为零会导致价值链条与人们曾经对互联网的预期截然不同：在一个控制需求比分销供给更重要的世界里，会出现集中化和规模化。
然而，人工智能的迷人之处在于，那些旧的通用原则正在重新回到前台。这一点在上周末表现得最为明显，当时X平台上关于Kimi K3（又一款来自中国的开源权重模型）接近前沿能力水平的争论愈演愈烈。简而言之：边际成本在很大程度上又回来了，无论是对前沿免费模型的短期影响，还是对行业长期结构的影响。
销售成本与研发
讨论开源权重模型时最常见的误解之一是，它们更便宜——甚至免费。毕竟，你可以直接下载权重，省去创建自己模型所需的时间、费用和能力。这确实没错，但这里的“免费”指的是研发支出；研发是固定费用，与收入无关。如果你花100万美元做研发，无论你收入是10万美元还是1亿美元都不重要——你仍然花了100万美元做研发（当然，这会影响盈利能力）。
与收入相关的是销售成本——销售成本对于AI来说是很实在的，这与软件很久以来的情况不同。具体来说，在模型上运行推理——无论是Kimi还是Fable——都需要花钱，而AI提供商花在推理上的钱，至少在大多数商业模式中，与收入直接相关。再借用上面的例子，产生1亿美元的收入与10万美元的收入相比，销售成本可能相差1000倍。具体来说，如果生成价值1美元收入的代币需要花费50美分，那么1亿美元收入将有5000万美元的销售成本；10万美元收入则只有5000美元销售成本。
关于开源权重模型的关键点是，它们并不是免费的。Kimi K3每百万输入代币收费3美元，每百万输出代币收费15美元；这比Sol（每百万输入代币5美元，每百万输出代币30美元）便宜，但这可能不是正确的衡量标准。
代币与智能
英伟达CEO黄仁勋将英伟达构建的东西描述为“代币工厂”，从英伟达的角度看，这种框架是合理的。英伟达GPU与模型无关：它们生成代币，并以最快、最高效的方式完成。这导致了一系列衡量指标，如每秒代币数、首个代币时间、每瓦特代币数、代币成本等，而黄仁勋认为这些指标将成为决策基础。
在AI的第一个范式——ChatGPT时代，这种框架无疑是有道理的，当时代币直接交付给最终用户。然而，AI的第二个范式——推理时代，却让这一衡量方法失效。推理意味着思维链代币的爆发，不同模型需要不同数量的推理代币才能得出正确答案。例如，Kimi reportedly使用的代币远多于Sol，使其价格优势化为乌有。Agent引入了类似的动态：某些模型在执行Agent工作流时所需的代币数量比其他模型更高效。
这意味着代币不是商品。商品的定义特征是可替代性：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。然而，一个模型产生的代币与另一个模型产生的代币是不同的。真正可替代的是由代币构建的东西，也就是智能。换句话说，如果Kimi和Sol都生成了正确答案，那么这个答案就是可替代的；产生正确答案所需代币数量的差异导致了销售成本的差异。
智能的销售成本由几个不同因素决定：
- 模型体量：权重和运行时状态决定了需要多少昂贵的内存和加速器来托管每个服务副本。
- 推理效率：架构选择（例如混合专家架构）减少了每个生成代币的计算量。
- 内存效率：架构选择可以减少KV缓存需求，从而允许更多并发请求和更高的GPU利用率。
- 服务效率：批处理、调度、前缀缓存及其他推理优化最大化利用率并在请求间共享工作。
- 代币效率：达到正确答案所需的代币越少，推理成本越低。
这之所以重要，是因为我们正在迅速接近这样一个状态：对许多经济上有益的任务而言，智能实际上是一种商品。例如，任何构建基础CRUD应用程序的人很可能都能使用多个提供商的模型。而在商品市场中，盈利的途径不是通过收取更高的价格——因为你同样可以（或很快就能）使用多个模型构建完全相同的应用——而是通过拥有更优的成本结构。
理解商品市场
有必要在这里详细解释一下机制，因为正如我几个月前在《亚马逊的持久性》中所指出的，商品市场的动态并非科技界人士通常所熟悉：
- 在商品市场中，所有人都收取相同的价格，因为所有人都在销售相同的东西；这个价格由供需决定。
- 商品需求是价格弹性的函数：商品越便宜，需求越大，反之亦然。
- 商品供给是生产该商品边际成本的函数。
需要理解的关键点是，不同供应商生产商品的边际成本不同。这在实际中意味着，成本结构最差的供应商最终会以边际成本出售商品（如果他们还能生产的话）；而其他所有人的利润则取决于他们的成本结构与边际供应商相比有多大优势。
举个例子：
- 供应商A可以用每个10美元的成本生产10单位商品
- 供应商B可以用每个15美元的成本生产10单位商品
- 供应商C可以用每个20美元的成本生产10单位商品
假设价格弹性使得在20美元价格下存在25单位商品的需求。这意味着：
- 供应商A将以20美元卖出10单位商品，每单位赚10美元
- 供应商B将以20美元卖出10单位商品，每单位赚5美元
- 供应商C将以20美元卖出5单位商品，每单位赚0美元
这不完全准确：供应商C之所以承担短缺，是因为供应商A和B能够以略微低价出售，从而影响需求（需求是有弹性的），但这说明了问题。供应商A生意很好，供应商B生意不错，供应商C则要破产。
破产风险正是固定成本再次凸显的地方：供应商C既有固定成本（比如潜在的研发支出），也可能背负债务来融资购买生产商品的设备。它不能将这些成本纳入定价考虑——请记住，市场出清价格近似于满足需求所需最高成本单位的边际成本——但这些成本绝对可以将其挤出市场。而且，如果这家供应商倒闭，价格就会上涨，直到另一家供应商决定进入（或现有供应商扩大产能）。
智能市场
让我们回到模型上来。目前，上述分析都不适用，因为前沿模型的需求超过供给，而供给受限于算力短缺。这种算力短缺不仅意味着像英伟达这样的算力供应商享有很高的利润率，还意味着英伟达的客户（如SpaceXAI）可以转手以高利润率向Anthropic等公司再销售算力。同时，Anthropic之所以能承受加价，是因为它们可以以更高的加价销售代币。
然而，给Anthropic带来高利润的不仅仅是需求过剩：Anthropic和OpenAI很可能拥有前沿级智能中每单位成本最低的优势，这得益于模型能力、服务规模以及代币效率。它们在竞争对手之前数月以特定能力水平提供服务模型，同时也在用最好的模型优化这些成本。
同样值得注意的是，市场尚未将智能视为商品：需求是针对Anthropic和OpenAI的，而对那些能力不如它们的模型需求要少得多（因此SpaceXAI和Meta向Anthropic出售容量）；推动成本优化的一个思路是，按智能水平定义待完成任务，使得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，处于前沿的玩家也最有能力主导非前沿市场，这些市场只是前沿减去n个月的时间，这n个月里前沿模型制造商一直在优化服务成本。
综上所述，我认为对Kimi和中国模型的反应被夸大了，至少从经济角度看是这样。目前存在一个源于算力短缺的价格保护伞；我高度怀疑中国模型在边际成本基础上更便宜，它们之所以看起来更便宜，只是因为Anthropic和OpenAI的供给严重受限，导致它们收取的价格远高于供给充足以满足智能需求时的价格。
前沿实验室的偏执
那么，为什么模型制造商，尤其是前沿实验室，似乎对中国模型如此恐慌？
首先，我认为前沿实验室还固守在一个训练成本主导财务模型的世界里。只要训练消耗的GPU多于推理，那么最大化推理收入以资助下一轮训练就至关重要，这意味着对推理收取极高的价格。
然而，展望未来，我预计推理市场将比训练成本增长更快（这包括训练成本将继续飙升的假设），这意味着它们确实可以通过规模来弥补。就在八个月前，情况还不明朗，但Agent范式的解锁如此巨大，前沿实验室应该更有信心，一旦拥有足够的算力，它们不仅能生存，还能在更低价格下蓬勃发展。
第二，智能实际上并不是完美的商品，部分原因是应用的智能会使自身变得更聪明。具体来说，谁在运行推理，谁就在收集数据，这些数据将用于改进下一代模型。一方面，这更让前沿实验室有理由降低价格并随着更多算力上线而增加使用量；另一方面，这也是微软等公司越来越痴迷于帮助公司运行自己模型的原因。如果中国模型是一个可行的替代方案，那么这种策略就更可行了。
第三，前沿实验室不仅可以从中国模型中脱颖而出，也可以相互区分，继续向上整合到客户体验中。令人惊讶的是，Claude Code和Codex已经证明了它们的粘性：你开始使用的任何一种工具都很可能继续使用下去，对于非技术用户来说更是如此。而且从长远来看，这种向上迁移栈的迫切需求确实意味着前沿模型对软件提供商（包括微软）构成了威胁。反过来，目前拥有客户体验的软件公司能够获得竞争性模型的程度，决定了它们能够抵抗前沿实验室侵蚀的程度。
最后，Anthropic意识形态的角度不容忽视。这家公司相信只有它才能被托付AI，而开源权重替代方案的存在则是对这种假设的致命打击。
中国的动机
Kimi不是唯一的新中国模型。据彭博社报道：
> 阿里巴巴集团控股有限公司股价周一上涨高达5.4%，此前该公司发布了旗舰产品Qwen3.8 Max的预览版，称其性能仅次于Anthropic PBC的Fable 5。此次发布仅发生在初创公司Moonshot AI推出强大新产品几天后，该产品引发了市场动荡，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。K3拥有2.8万亿参数，与顶级产品竞争，阿里巴巴也设定了类似的期望。
> 开发者现在可以通过阿里巴巴的编码平台（包括Qoder）访问Qwen3.8 Max。阿里巴巴计划很快开源该模型，将访问范围扩大到预览版之外。对这些中国制造的人工智能系统和模型的兴趣如此之高，以至于Moonshot在周日晚间被迫暂停接收新订阅，以应对巨大的需求。
Qwen3.8 Max也将开源，这一点值得注意。阿里巴巴今年早些时候停止了其领先边缘模型的权重发布，但似乎又恢复了这一变化；我怀疑这一转变与上周习近平关于AI的讲话有关，讲话中强调了开源路线：
> 我们应该坚持开放共赢原则，推动创新驱动发展。作为世界经济增长的新引擎和增长动力转换的加速器，人工智能正在从数字世界走向物理世界。我们应该抓住这一罕见的历史机遇，鼓励开源、开放、协作和分享。我们应该促进AI的技术创新、产业发展和场景应用。我们应该协同推进传统产业转型升级、新兴产业培育壮大和未来产业前瞻布局，使各行各业都能从AI中受益。
中国的战略很明显：商品化你的互补品。注意，习近平明确将开放与AI“从数字世界走向物理世界”联系起来；物理世界是由中国主导的世界，而中国在机器人等领域的领先地位将极大受益于广泛可用的AI模型。
同样，中国不希望美国在AI方面获得不对称优势；如果中国能削弱美国前沿实验室，同时加强任何潜在美国对手的力量，那就更好了，而且它也能从依附于开放生态系统的创新中受益。
蒸馏问题
同样，不要指望中国会对前沿实验室的蒸馏攻击采取任何行动。我认为将所有中国实验室的成功都归因于蒸馏是错误的，但假装蒸馏没有给中国实验室带来巨大优势同样错误。这一优势在过去一年中尤为明显，因为训练后强化学习对模型性能越来越关键。中国实验室无需从头构建强化学习环境，而是可以直接使用前沿实验室的模型作为教师模型，从而以更低的成本快速改进（这不是中国模型开发成本更低的唯一原因，但是一个重要原因）。
有趣的是，西方使用中国模型最重要的用例之一恰恰是蒸馏。例如，刚刚发布开源权重模型的Thinking Machines就依赖中国模型来解决强化学习的冷启动问题。Dean Meyer和Konstantine Buhler在X上发表了一篇精彩的文章，解释蒸馏意味着西方开源权重模型相对于中国处于根本劣势：
> 蒸馏并不能解释中国全部开源模型领先优势。中国实验室拥有世界级的研究人员、可观的算力、强大的预训练模型、软硬件协同设计以及快速改进的训练后能力。但蒸馏压缩了从强基座到近乎前沿系统之间昂贵的最后差距。即使蒸馏只占中国模型全部能力的一小部分，它也是其相对于美国开源模型优势的重要组成部分。
> 新的执法机制将使大规模蒸馏对中国公司来说更难、更慢、更昂贵。然而，执法不会消除由国家行为者支持的蒸馏。因此，西方前沿的每一次进步都为中国的实验室创造了一个新的教师模型。西方构建者要么必须独立复制这些能力，要么等待从中国模型中学习。这种差距给了中国实验室相对于西方公司的结构性优势。
这一点值得重复：因为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，它们（1）比中国替代品更差，（2）最终只是间接地蒸馏，绕道中国实验室。如果西方开源权重模型制造商能够直接访问源头，岂不是更好？
为此，一个更有趣的问题是关于蒸馏的：它为什么不好？毕竟，大语言模型是什么？不过是从开放互联网上所有知识中蒸馏出来的结果，由前沿实验室抓取并蒸馏成模型，而它们本身又被进一步蒸馏？这里到底是谁受了委屈？
事实上，这个悖论就是答案。我相信开源权重模型对创新有益（而且根据上述分析，我认为前沿实验室不会有问题），但依赖中国则是个问题。美国应该通过一项法律：（1）明确为训练模型收集数据属于合理使用，（2）禁止美国公司使用服务条款来禁止蒸馏。阻止蒸馏——本质上只是查询API——几乎是不可能的；美国应该反其道而行之，拥抱新的版权政策，既为实验室提供保护，又确保它们所学到的知识为其他人进一步创新提供动力。
恐惧的理由
整篇文章都在试图平息对Kimi K3乃至中国开源权重模型的过度反应；然而，有一个理由值得担忧，那就是网络安全。想想《The Stack》的这篇报道：
> Hugging Face表示，其生产基础设施在上周初被一个“自主”AI代理系统入侵。该平台的安全团队在事件响应中最初被美国前沿大语言模型的护栏所困扰，这些护栏“无法区分事件响应者和攻击者”。因此，Hugging Face的防御者转而使用来自中国Z.ai实验室的开源GLM 5.2模型——在自己的基础设施上运行它来分析攻击者留下的17,000多条日志或足迹。
> 对于总部位于纽约的Hugging Face（用户可在其平台上协作模型、数据集和应用程序，今夏年经常性收入达到1亿美元）来说，这是一个引人注目的公开承认。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以在自己基础设施上运行的、经过审查的、有能力模型”，以避免护栏封锁，并防止攻击者数据和凭据离开你的环境。
特朗普政府对Anthropic发布Fable的恐慌反应有多么错误，简直难以言表，特别是它加剧了Anthropic最坏的倾向——认为只有他们才能被信任拥有强大的AI。在一个只有一种AI的世界里，或许有理由将最强大的网络安全能力保留给美国政府和可信盟友；然而，我们并不生活在这样的世界里。
现在和将来都会有模型能够对现有基础设施发起网络安全攻击，而这些模型将会——而且已经——广泛可用。最好的防御（实际上是唯一可行的防御）是确保防御者也能够使用最好的模型。目前，由于特朗普政府的指令，防御者实际上被禁止使用Fable或Sol进行网络安全；这意味着最好的替代方案是使用来自一个多年来一直试图削弱我们网络防御的国家的模型。这太疯狂了！
更好的路线是明确的：首先，放宽对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竞争环境。是的，前沿实验室会为此吵闹；但行政当局应该认识到，听从他们的歇斯底里已经导致美国公司依赖中国的防御。让前沿实验室通过变得更好来获胜；不要让他们定义安全或保障，也不要收起人类集体知识的梯子。与中国竞争已经够难了；让他们扛起开放和创新的旗帜，无异于放弃我们最大的优势。