谁在害怕中国模型？
原文：Who’s Afraid of Chinese Models? 作者：Ben Thompson 日期：2026-07
我常讲一个故事，关于我在凯洛格管理学院上 STRT-431 的第一天——那是每个 MBA 一年级必修的入门课。我翻阅着阅读材料和案例研究，沮丧地发现清单上没有一家科技公司。以我的性格，课后我去找教授问为什么，得到的回答是：这门课的目标不一定是学习特定行业，而是揭示可以应用于任何公司、任何行业的广泛普适原则。
我通常讲到这里时会说，我对这个回答并不满意：在我看来，科技的本质——特别是软件和分发零边际成本（以及零交易成本）——是根本不同的；在公式里塞进零往往会引发灾难！然而我很快意识到，这正是我的机会所在。支撑聚合理论的根本洞见在于，零边际成本导致了与人们曾经对互联网期望完全不同的价值链：在一个控制需求比分发供应更重要的世界里，集中化和规模化成为常态。
但 AI 引人入胜之处在于，那些古老的普适原则正在强势回归。这一点在上个周末体现得再明显不过了——关于 Kimi K3 的影响在 X 上引发了激烈争论，这是又一款来自中国的开放权重模型，在能力上接近顶尖水平。总之：边际成本以极大方式回归了，既体现在最先进免费模型的短期影响上，也体现在行业长期结构上。
营业成本 vs 研发成本
关于开放权重模型最常见的误解之一是它们更便宜——甚至是免费的。毕竟，你只需下载权重，省去了自研模型所需的时间、费用和能力。这当然是事实，但这里的”免费”指的是你在研发上的支出；研发是一项固定费用，与你产生的收入无关。如果你在研发上花了 100 万美元，无论收入是 10 万还是 1 亿美元，你仍然花了 100 万美元在研发上（它当然会影响你的盈利能力）。
与收入相关的是营业成本——COGS（cost of goods sold），而 AI 的 COGS 是真实的，这在软件领域已经很久没出现过了。具体来说，对模型运行推理——无论是 Kimi 还是 Fable——都要花钱，AI 提供商在推理上的花费至少在大多数商业模式中与收入直接相关。沿用上面的例子，产生 1 亿美元对 10 万美元的收入，可能需要 1000 倍的 COGS。具体来说，如果生成驱动 1 美元收入所需的 Token 成本是 50 美分，那么 1 亿美元收入将产生 5000 万美元的 COGS；10 万美元收入只会产生 5 万美元的 COGS。
关于开放权重模型的关键是，它们并不是免费服务的。Kimi K3 每百万输入 Token 定价 15；这比 Sol 的 30 便宜，但这甚至可能不是正确的衡量标准。
Token vs 智能
英伟达 CEO 黄仁勋将英伟达的构建描述为”Token 工厂”，从英伟达的角度来看这种框架是有道理的。英伟达 GPU 是模型无关的：它们生成 Token，并以最快、最高效的方式完成。这导致了诸如每秒 Token 数、首 Token 时间、每瓦 Token 数、Token 成本等测量指标，黄仁勋认为这些指标将成为决策的基础。
这种框架在 AI 的第一个范式——ChatGPT 时代——绝对成立，那时 Token 直接交付给最终用户。然而，AI 的第二个范式——推理时代——打乱了这种测量。推理意味着思维链 Token 的爆炸式增长，不同模型需要不同数量的推理 Token 才能得出正确答案。例如，据报道 Kimi 使用的 Token 显著多于 Sol，使其价格优势变得毫无意义。智能体引入了类似的动态：有些模型在执行智能体工作流时比其他模型更 Token 高效。
这意味着 Token 不是商品。商品的定义特征是 fungible（可替代）：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。但一个模型的 Token 和另一个模型的 Token 并不相同。可替代的是由 Token 构建出来的东西，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；生成正确答案所需 Token 的差异是 COGS 差异的一个贡献因素。
智能的 COGS 是几个不同因素的函数：
- 模型足迹：权重和运行时状态决定了每个服务副本需要多少昂贵的内存和加速器。
- 推理效率：架构选择（如专家混合）减少了每生成 Token 的计算量。
- 内存效率：架构选择可以减少 KV 缓存需求，允许更多并发请求和更好的 GPU 利用率。
- 服务效率：批处理、调度、前缀缓存等推理优化最大化利用率并在请求之间共享工作。
- Token 效率：达到正确答案所需的 Token 越少，推理成本越低。
这之所以重要，是因为我们正在快速接近一个状态：对于许多经济上有益的任务，智能实际上正在成为一种商品。例如，任何人构建一个基本的 CRUD 应用，很可能可以使用多个提供商的模型来完成。在一个商品市场中，通往盈利的道路不是通过收取更高价格——你确实可以（或很快将可以）使用多个模型制作完全相同的应用——而是通过拥有更优的成本结构。
理解商品市场
值得在这里梳理一下机制，因为正如我几个月前在《亚马逊的持久性》中指出的，商品市场的动态是科技行业的人通常不熟悉的：
- 在商品市场中，每个人收取相同的价格，因为每个人都在卖同样的东西；这个价格由供需决定。
- 商品的需求是价格弹性的函数：商品越便宜，需求越多，反之亦然。
- 商品的供给是生产该商品的边际成本的函数。
需要理解的关键是，生产商品的边际成本因供应商而异。这在实践中意味着，成本结构最差的供应商最终以他们的边际成本出售商品（如果它们还能生产的话）；其他所有人的利润取决于他们的成本结构比边际供应商好多少。
举个例子：
- 供应商 A 可以生产 10 单位商品，每单位 $10
- 供应商 B 可以生产 10 单位商品，每单位 $15
- 供应商 C 可以生产 10 单位商品，每单位 $20
假设价格弹性使得在 $20 价位上有 25 单位的需求。这意味着：
- 供应商 A 将以 10
- 供应商 B 将以 5
- 供应商 C 将以 0
这不完全精确：供应商 C 承担短缺的原因在于供应商 A 和 B 能够稍微压低价格，这当然会影响需求（需求是有弹性的），但这说明了问题。供应商 A 有很好的生意，供应商 B 有不错的生意，而供应商 C 将要破产。
破产风险是固定成本重新出场的环节：供应商 C 既有固定成本（如潜在的研发支出），也可能负债购置了生产商品所需的设备。它不能以这些成本为考量来定价——记住，市场出清价格约等于满足需求的最高成本单元的边际成本——但这些成本绝对可以把这个供应商赶出市场。如果该供应商破产，价格就会上涨，直到另一个供应商决定进入（或其他供应商扩产）。
智能市场
让我们把这些带回模型世界。目前，以上分析均不适用，因为前沿模型的需求超过供给，而供给受到算力短缺的限制。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极高的利润率，还意味着英伟达的客户，如 SpaceXAI，可以转手以高利润率将算力转售给 Anthropic 这样的公司。而 Anthropic 反过来可以承受这个溢价，因为它们能以更高的溢价出售 Token。
然而，给 Anthropic 带来高利润率的不仅仅是过剩需求：由于模型能力、服务规模和 Token 效率，Anthropic 和 OpenAI 很可能拥有每单位前沿质量智能中最低的成本。它们在竞争对手之前数月就在某个特定能力级别上服务模型，同时应用最好的模型来优化这些成本。
同样值得注意的是，市场尚未将智能视为商品：需求特指 Anthropic 和 OpenAI，对不那么好的模型需求少得多（因此 SpaceXAI 和 Meta 将容量卖给 Anthropic）；思考成本优化推力的一种方式是，这是按智能水平定义 jobs-to-be-done 的函数，这样智能买家可以创造一个智能被商品化的市场。然而从长期来看，处于前沿的人最有优势主导非前沿市场——非前沿市场不过是前沿市场减去 n 个月，即那些前沿模型制造商已经在优化服务成本的月份。
这一切都是在说，我认为对 Kimi 和中国模型的反应总体上相当过度，至少从经济角度来看。当前存在一个价格伞，这是算力短缺的下游效应；我非常怀疑中国模型在边际成本基础上服务更便宜，它们只是看起来更便宜，因为 Anthropic 和 OpenAI 由于供给严重受限，正在收取远高于如果有足够供给满足智能需求时本应收取的价格。
前沿实验室的偏执
那么，为什么模型制造商们对中国模型特别恐慌？
首先，我认为前沿实验室锚定在一个训练成本主导其财务模型的世界里。只要训练消耗的 GPU 比推理多，最大化推理收入以资助下一次训练运行就是至关重要的，这意味着对推理收取非常高的价格。
然而展望未来，我预期推理市场的增长将远快于训练成本（这包含了训练成本将继续飙升的假设），这意味着它们真的可以靠量来弥补。就在八个月前，这种前景还不明朗，但智能体范式的解锁如此巨大，前沿实验室应该更有信心，它们不仅能在更低价格下生存，还能繁荣（一旦拥有足够算力）。
其次，智能实际上并不是完美的商品，部分原因是应用智能会让自身更聪明。具体而言，运行推理的一方也在收集数据，这些数据用于让模型的下一次迭代更好。这一方面是前沿实验室在更多算力上线时降低价格、增加使用量的更多理由；另一方面，这也是像微软这样的公司越来越痴迷于帮助企业运行自己模型的原因。如果中国模型是可行的替代方案，这一点就更加可行。
第三，前沿实验室不仅能区别于中国模型，也能彼此区分的另一个方式是持续向上整合到客户体验中。Claude Code 和 Codex 展现出的粘性令人瞩目；无论你开始使用哪个编排工具，都可能是你坚持用下去的那个，对非技术用户来说更是如此。从长期来看，这种向栈上方移动的必然性确实意味着前沿模型对软件提供商——包括微软——构成了绝对威胁。另一方面，当前拥有客户体验的软件公司有多大的程度能接触到有竞争力的模型，就是它们能在多大程度上抵御前沿实验室侵蚀的程度。
最后，Anthropic 的意识形态角度尤其不可忽视。这是一家认为只有自己才能被信任掌控 AI 的公司，而开放权重替代品的存在对这一假设给予了致命打击。
中国的动机
Kimi 并不是唯一的新中国模型；据彭博社报道：
阿里巴巴集团股价周一上涨达 5.4%，此前该公司发布了旗舰模型 Qwen3.8 Max 的预览版，称其仅次于 Anthropic 的 Fable 5。这一周日的发布距离初创公司月之暗面推出强大新模型仅几天，后者搅动了市场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，与月之暗面的 Kimi K3 同属重量级。拥有 2.8 万亿参数的 K3 可与顶级产品竞争，阿里巴巴也设定了类似的高期望。
开发者现已可通过阿里巴巴的编码平台（包括 Qoder）访问 Qwen3.8 Max。阿里巴巴计划很快将该模型开放权重，将访问范围扩大到预览版之外。对这些中国制造 AI 系统和模型的兴趣如此高涨，以至于月之暗面被迫在周日晚间暂停接受新订阅以管理压倒性需求。
Qwen3.8 Max 也将开放权重，这一点值得关注。阿里巴巴今年早些时候停止发布其领先模型的权重，但似乎已恢复这一做法；我怀疑这一转变与上周习近平关于 AI 的讲话有关，讲话加倍强调了开放权重路线：
我们要坚持开放共赢原则，推动创新驱动发展。AI 作为世界经济增长的新引擎和增长动力转换的加速器，正从数字世界走向物理世界。我们要抓住这一难得的历史机遇，鼓励开源、开放、协作和共享。我们要推动 AI 的技术创新、产业发展和场景化应用。我们要协调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。
中国的策略显而易见：商品化你的互补品（commoditize your complements）。注意习近平明确将开放性与 AI “从数字世界走向物理世界”联系起来；物理世界是中国主导的世界，该国在机器人等领域的领先地位将极大地受益于广泛可用的 AI 模型。
同理，中国不希望美国在 AI 中获得不对称优势；中国越是能削弱美国前沿实验室，同时加强任何和所有潜在的美国对手，就越有利，并且它还可以从将依附于开放生态系统的创新中获益。
蒸馏问题
同样地，不要指望中国对针对前沿实验室的蒸馏攻击采取任何措施。我认为将所有中国实验室的成功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是个错误。这个优势在过去一年真正显现出来，因为训练后强化学习对模型性能变得越来越关键。中国实验室不必从头构建强化学习环境，可以简单地使用前沿实验室模型作为教师，从而以低得多的成本实现快速改进（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，中国模型在西方最重要的使用场景之一本身就是蒸馏。例如，刚刚发布了一个开放权重模型的 Thinking Machines，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 上写了一篇精彩文章解释蒸馏意味着西方的开放权重模型相对中国处于根本劣势：
蒸馏不能解释中国开放模型领先的全部原因。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提升的后训练能力。但蒸馏压缩了从强基模型到近前沿系统之间昂贵的那最后一公里差距。即使蒸馏在中国模型总能力中占比较小，它在美国开放模型相对于中国的劣势中占比是显著的。
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，执法不会消除受国家行为体支持的蒸馏。因此，每一次西方前沿进步都会为中国实验室创造又一位老师。西方构建者要么独立重现这些能力，要么等待从中国模型那里学习。这一差距给中国实验室带来了对美国公司的循环结构优势。
这一点值得重复强调：因为美国开放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）最终在蒸馏蒸馏的结果——只不过经过中国实验室绕了一圈。如果西方开放权重模型制造商能直接接触到源头，不是更好吗？
话又说回来，关于蒸馏还有一个更有趣的问题：它到底为什么是坏的？毕竟，大语言模型难道不正是对开放互联网上所有知识的蒸馏——由前沿实验室抓取并蒸馏进模型，而这些模型本身又正在被蒸馏？到底谁受到了损害？
事实上，这个悖论本身就是解决方案。我认为开放权重模型对创新有益（并且如上所述，我认为前沿实验室最终会安然无恙），但关键在于需要为西方开放权重模型创造不被中国蒸馏优势扭曲的公平竞争环境。
译者注：Ben Thompson 是 Stratechery 的创始人，这篇长文以经济学视角深度剖析了 Kimi K3 等中国模型崛起引发的恐慌。核心论点：AI 智能正在商品化，边际成本结构比定价本身更重要；中国通过开放权重策略”商品化互补品”以削弱美国前沿实验室的优势；蒸馏争议的本质是结构性不公平——西方开放模型不能直接用前沿模型蒸馏，而中国可以。文中对 COGS、商品市场机制和前沿实验室焦虑的剖析极具参考价值。