谁在害怕中国模型？
原文：Who’s Afraid of Chinese Models? 作者：Ben Thompson 日期：2026-07-21
有个故事我总讲：我在西北大学凯洛格管理学院上 STRT-431 第一堂课的时候——这是每个一年级 MBA 必修的入门课——翻了一遍阅读材料和案例分析，沮丧地发现没有任何科技公司入选。鉴于我的性格，课后我找教授询问原因，得到的回答是：这门课的目的不是学习特定行业，而是揭示可广泛应用于任何公司、任何行业的普适原则。
按我通常讲这个故事的方式，我对这个回答并不太满意：在我看来，科技的本质——尤其是软件和分发的零边际成本（以及零交易成本）——是根本不同的；在公式里放入零往往会带来颠覆性的变化。然而我很快意识到，这正是我的机会。聚合理论（Aggregation Theory）的底层洞察就是：零边际成本会导致与人们之前对互联网的预期根本不同的价值链——在一个控制需求比供应分发更重要的世界里，中心化和规模化成为主导。
然而，AI 引人入胜的地方在于，那些古老的普适原则正以前所未有的方式重新回到舞台中央。这一点在上个周末表现得再明显不过了——X 平台上关于 Kimi K3 的争论愈演愈烈，这是又一款来自中国的开放权重模型，其能力已经逼近最前沿水平。归根结底，核心就是：边际成本强势回归，无论是在尖端免费模型的短期影响层面，还是行业的长期结构层面，都是如此。
营业成本 vs 研发投入
关于开放权重模型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，跳过创建自有模型所需的时间、费用和能力。这当然是对的，但这里的”免费”指的是研发（R&D）支出。研发是固定支出，与你产生的收入无关。你在研发上花了 100 万美元，无论你的收入是 10 万还是 1 亿——你依然花了 100 万美元在研发上（当然，这会影响你的盈利能力）。
与收入相关的是 COGS——营业成本（Cost of Goods Sold）——而对于 AI 来说，COGS 的存在感远远超过过去很长一段时间的软件行业。具体而言，在任何模型上运行推理——无论是 Kimi 还是 Fable——都需要花钱，而 AI 提供商在推理上花费的金额，至少在大多数商业模式中，与收入直接相关。套用上面的例子，产生 1 亿美元收入 vs 10 万美元收入，可能需要 1000 倍的 COGS。具体地说：如果生成驱动 1 美元收入所需的 Token 成本是 50 美分，那么 1 亿美元的收入将产生 5000 万美元的 COGS；10 万美元的收入只会产生 5 万美元的 COGS。
关于开放权重模型的关键点是：它们的服务成本并不为零。Kimi K3 的定价是每百万输入 Token 3 美元，每百万输出 Token 15 美元；这比 Sol 的每百万输入 Token 5 美元和每百万输出 Token 30 美元更便宜，但这可能还不是正确的衡量维度。
Token vs 智能
英伟达 CEO 黄仁勋将英伟达的定位描述为”Token 工厂”，从英伟达的角度来看，这个框架是有道理的。英伟达的 GPU 是模型无关的：它们产生 Token，并以最快、最高效的方式做到这一点。这导致了诸如每秒 Token 数、首 Token 时间、每瓦特 Token 数、Token 成本等指标，黄仁勋认为这些指标将成为决策的基础。
这个框架在 AI 的第一个范式——ChatGPT 时代——绝对成立，那时 Token 直接交付给终端用户。然而，AI 的第二个范式——推理时代——让这种度量标准变得复杂。推理意味着思维链 Token 的爆炸性增长，而不同模型需要不同数量的推理 Token 来得到正确答案。例如，据报道 Kimi 使用的 Token 显著多于 Sol，这使得其价格优势变得毫无意义。智能体也引入了类似的动态：有些模型在执行智能体工作流时比其他模型更有效。
这意味着 Token 并不是同质化商品。商品的本质特征是可替代性：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 Token 与另一个模型产生的 Token 并不相同。真正可替代的是由 Token 构建出来的东西——即”智能”。换句话说，如果 Kimi 和 Sol 都得出了正确答案，那么那个”答案”是可替代的；两者在到达正确答案过程中产生的 Token 差异，是 COGS 差异的一个贡献因素。
智能的 COGS 是以下几个因素的函数：
- 模型规模：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（例如混合专家 MoE）减少每生成 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、前缀缓存和其他推理优化最大化利用率并在请求间共享工作
- 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，是因为我们正在迅速接近一个状态：对于许多有经济价值的任务，智能实际上是一种商品。例如，任何人构建一个基本的 CRUD 应用，很可能可以使用来自多个提供商的模型。而在商品市场中，通往盈利的路径不是通过收取更高的价格——你可以（或很快将可以）使用多个模型做出完全相同的应用——而是通过拥有更优的成本结构。
理解商品市场
值得逐步理清这里的机制，因为正如我几个月前在 Amazon’s Durability 中提到的，科技行业的人通常不熟悉商品市场的动态：
- 在商品市场中，所有人收取相同的价格，因为所有人都在卖同样的东西；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，需求就越多，反之亦然
- 商品的供给是生产商品边际成本的函数
关键是，不同供应商生产商品的边际成本不同。在实践中这意味着：成本结构最差的供应商最终以他们的边际成本出售商品（如果他们能生产的话）；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。
举例说明：
- 供应商 A 可以以 $10/件的成本生产 10 件商品
- 供应商 B 可以以 $15/件的成本生产 10 件商品
- 供应商 C 可以以 $20/件的成本生产 10 件商品
假设价格弹性使得在 $20 的价格下有 25 件的需求。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
这不是完全精确的——供应商 C 承担缺口的原因是供应商 A 和 B 能够略微压低价格，进而影响需求（需求是有弹性的）——但这说明了要点。供应商 A 有很好的生意，供应商 B 有不错的生意，供应商 C 会破产。
破产风险是固定成本重新成为焦点的地方：供应商 C 既有固定成本（如潜在的研发支出），也可能借了债来购买生产商品所需的设备。它不能在定价时将固定成本考虑在内——记住，市场出清价格趋近于满足需求所需的最高边际成本——但这些成本绝对可以将供应商逼出市场。如果该供应商出局，价格就会上涨，直到另一供应商决定进入（或其他供应商扩张）。
智能市场
让我们回到模型。目前，以上分析都不适用，因为对前沿模型的需求超过供给，且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赚取了极高的利润，也意味着英伟达的客户（如 SpaceXAI）能够以高利润率将算力转售给 Anthropic 这样的公司。而 Anthropic 之所以能承担这个溢价，是因为他们可以凭借更高的溢价出售 Token。
但让 Anthropic 拥有高利润的不只是需求过剩：Anthropic 和 OpenAI 很可能拥有每单位前沿质量智能的最低成本，这得益于模型能力、服务规模和 Token 效率。他们在竞争者之前数月就已服务于特定能力级别的模型，并同时应用最好的模型来优化这些成本。
同样值得指出的是，市场尚未将智能视为商品：需求是针对 Anthropic 和 OpenAI 的——对不如它们的模型需求少得多（因此 SpaceXAI 和 Meta 将算力卖给 Anthropic）；理解推动成本优化的一个角度是，这是按智能级别定义”待完成工作”的函数，以便智能买家可以创建一个将智能商品化的市场。然而，长远来看，谁站在前沿，谁也最有能力主导非前沿市场——那些无非是”前沿减 n 个月”的市场，即在这 n 个月中，前沿模型制造商一直在优化他们的服务成本。
所有这些都在表明：我认为市场对 Kimi 以及中国模型的整体反应相当过度，至少从经济角度看是这样。目前存在一个价格保护伞，这是算力短缺的下游结果；我非常怀疑中国模型在边际成本基础上真的更便宜——它们只是看起来更便宜，因为 Anthropic 和 OpenAI 受到严重供给约束，正在收取远高于”如果有足够供给来满足智能需求”时的价格。
前沿实验室的恐慌
那么，为什么模型制造商们——尤其是前沿实验室——对中国模型如此恐慌？
第一，我认为前沿实验室锚定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，最大化推理收入来资助下一次训练运行就至关重要，这意味着要为推理收取非常高的价格。
然而展望未来，我预计推理市场的增长速度将远快于训练成本（这还包括训练成本将继续飙升的假设），这意味着他们真的可以通过量来弥补。八个月前这还不明朗，但智能体范式的解锁规模如此巨大，前沿实验室应该有更多的信心：他们不仅能在更低的价格下存活，而且能繁荣（一旦他们有足够的算力）。
第二，智能实际上并非完美的商品，部分原因是应用智能会使自己变得更聪明。具体来说，谁在运行推理，谁就在收集数据，这些数据会被用来让模型的下一代变得更好。一方面，这更说明前沿实验室应该降低价格、增加使用量；另一方面，这也是为什么像微软这样的公司越来越执着于帮助客户运行自己的模型——如果中国模型是可行的替代方案，这更容易实现。
第三，前沿实验室与中国模型以及彼此之间区分的另一个方式是继续向上层整合到客户体验中。Claude Code 和 Codex 正被证明具有相当强的粘性——你开始使用哪个工具，很可能就会一直用下去，对非技术用户来说更是如此。长远来看，这种向价值链上层移动的必要性确实意味着前沿模型对包括微软在内的软件提供商构成绝对威胁。但反过来，当前拥有客户体验的软件公司获得竞争性模型的程度，就是它们能够抵御前沿实验室侵蚀的程度。
最后，Anthropic 特有的意识形态角度不容忽视。这是一家认为自己才是唯一可以托付 AI 的公司，而开放权重替代方案的存在给了这个假设致命一击。
中国的动机
Kimi 并非唯一的新中国模型。据 Bloomberg 报道：
阿里巴巴集团控股有限公司股价周一上涨高达 5.4%，此前该公司发布了其旗舰 Qwen3.8 Max 模型的预览版本，将其描述为仅次于 Anthropic 的 Fable 5。此次周日发布仅在初创公司 Moonshot AI 推出强大新产品几天后，后者已搅动市场并在美国引发对中国追赶 Anthropic 和 OpenAI 等全球领导者的担忧。Qwen3.8 Max 拥有 2.4 万亿参数，加入 Moonshot 的 Kimi K3 所在的”重量级”序列。拥有 2.8 万亿参数的 K3 可与顶尖产品媲美，阿里巴巴也设定了类似的高期望值。
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。阿里巴巴计划不久后将其变为开放权重，将访问范围扩展到预览版之外。对这些中国 AI 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，这一点值得注意。阿里巴巴今年早些时候停止为其前沿模型发布权重，但显然已恢复这一做法。我怀疑这一转变与上周习近平主席关于 AI 的讲话有关，该讲话加倍强调开放权重路线：
我们应该坚持开放共赢的原则，推动创新驱动发展。作为世界经济增长的新引擎和发展动力的加速器，AI 正在从数字世界进入物理世界。我们应该抓住这个难得的历史性机遇，鼓励开源、开放、协作和共享。我们应该促进 AI 的技术创新、产业发展和场景化应用。我们应该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，让各行各业都能从 AI 中受益。
中国的战略很明显：将你的互补品商品化。注意习近平明确将”开放”与 AI”从数字世界进入物理世界”联系起来；物理世界是中国主导的世界，而该国在机器人等领域的领先地位将极大地受益于广泛可获取的 AI 模型。
顺着同样的思路，中国不希望美国在 AI 上获得不对称优势；在削弱美国前沿实验室的同时强化任何及所有潜在美国对手，对中方来说再好不过，而中国也能从附着在开放生态系统上的创新中获益。
蒸馏问题
同理，不要指望中国会对蒸馏攻击前沿实验室采取任何措施。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变得尤为重要，因为后训练阶段的强化学习对模型性能越来越关键。中国实验室无需从零构建强化学习环境，可以直接使用前沿实验室的模型作为教师，从而以低得多的成本实现快速进步（这不是中国模型开发成本更低的唯一原因，但是一个主要原因）。
有意思的是，中国模型在西方最重要的用例之一正是蒸馏本身。例如，刚刚发布了一个开放权重模型的 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 上写了一篇精彩文章，解释了蒸馏意味着西方开放权重模型相对于中国从根本上处于劣势：
蒸馏并不能解释中国开放模型的全部领先优势。中国实验室拥有世界级的研究人员、大量算力、强大的预训练模型、软硬件协同设计以及快速改进的后训练能力。但蒸馏压缩了从强大基础到准前沿系统之间的那个代价高昂的最后差距。即使蒸馏在中国模型总能力中只占较小份额，它在美国开放模型的优势中也占据了有意义的份额。
新的执法机制将使大规模蒸馏对中国公司变得更加困难、缓慢和昂贵。然而，执法不会消除由国家行为者支持的蒸馏。因此，每一次西方前沿突破都会为中国实验室创造另一个教师。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那里学习。这个差距给了中国实验室相对于西方公司一个周期性的结构性优势。
这一点值得重复：因为美国的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）比中国替代方案更差，（2）最终是在蒸馏被蒸馏过的东西——只不过绕道经过了中国的实验室；让西方的开放权重模型制造商直接从源头学习，难道不是更好吗？
对此，还有一个更有趣的关于蒸馏的问题：蒸馏到底是凭什么被定义为坏的？ 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——被前沿实验室爬取并蒸馏到模型中，而这些模型本身又被再次蒸馏？这里到底谁被亏待了？
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利（并且，如上所述，我认为站在前沿的实验室会没事的），但依赖中国是个问题。美国应该通过一项法律：（1）明确将收集数据训练模型定性为合理使用，（2）禁止通过服务条款禁止蒸馏，至少对美国公司如此。阻止蒸馏——实际上就是查询 API——几乎不可能；美国应该反其道而行之，推行一项新的版权政策，既为实验室提供免责保护，也保证它们学到的知识能为进一步的创新提供给所有人。
真正需要害怕的理由
整篇文章都在努力化解对 Kimi K3 以及中国开放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。看看来自 The Stack 的这篇报道：
Hugging Face 称其生产基础设施上周初被一个”自主”AI 智能体系统入侵。该平台的安全团队在事件响应（IR）中最初因某美国 LLM 前沿模型的护栏而受阻——据称”这些护栏无法区分事件响应者和攻击者”。因此，Hugging Face 的防御团队转而使用来自中国 Z.ai 实验室的开源 GLM 5.2 模型——在他们自己的基础设施上运行——来分析攻击者留下的 17,000+ 条日志或足迹。
对于这家总部位于纽约、让用户在模型、数据集和应用上进行协作、并在今夏达到 1 亿美元 ARR 里程碑的 Hugging Face 来说，这是一份引人注目的公开声明。在一份事件报告中，该公司建议防御者”拥有一个可以在自己基础设施上运行的、经过审查和准备就绪的强大模型，以便在事件中避免护栏锁定，同时防止攻击者数据和凭据离开你的环境。”
很难充分表达特朗普政府对 Anthropic 发布 Fable 的恐慌反应有多么错误，特别是这加剧了 Anthropic 最糟糕的倾向——认为只有他们才能被信任来掌控强大的 AI。在一个只有一个 AI 的世界里，将最强大的网络安全能力保留给美国政府及可信盟友也许有道理；然而，这不是我们生活的世界。
现在存在并将持续存在能力极强的模型可以进行网络攻击，而这些模型已经广泛可用。最好的防御——事实上是唯一可行的防御——将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使用 Fable 或 Sol 进行网络安全工作；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。这太荒谬了！
更好的路线是清晰的：第一，放宽对 Fable 和 Sol 在网络安全方面的限制；第二，确保美国的开放权重模型制造商与中国站在同一起跑线上。是的，前沿实验室会对此抗议和叫嚷，但政府应该意识到，听从他们的歇斯底里已经把美国带到了一个 U.S.公司依赖中国进行网络防御的境地。让前沿实验室凭”做得更好”来赢得竞争；不要让他们定义什么是安全或安保，也不要让他们撤走人类集体知识的梯子。与中国竞争已经够难了；让他们扛着开放和创新的大旗，只会拱手让出我们最大的优势。
译者注：本文是 Ben Thompson 对 2026 年 7 月中国 AI 模型（Kimi K3、Qwen3.8 Max）密集发布的即时反应，时机非常特殊——正值 Anthropic Fable 发布后美国政府的恐慌性监管，以及习近平主席关于 AI 开放的重要讲话之后。文章的核心论点：
- 智能正在商品化——对于大量经济任务，多个模型提供可替代的智能输出，这意味着成本结构将成为核心竞争维度
- 边际成本回归——AI 不同于零边际成本的软件，推理的 COGS 是真实存在的，Token 效率是关键
- 前沿实验室的恐慌被夸大——算力短缺造成了价格保护伞，当前的高定价不可持续；智能体范式将创造足够大的市场
- 蒸馏不是原罪——禁止蒸馏既站不住脚又损害创新，LLM 本身就是对互联网知识的蒸馏
- 真正的威胁是网络安全领域的不对称——禁止美国模型用于网络防御，却让中国模型填补空白，是最大的战略失误
Ben Thompson 的立场始终是”开放对创新有利”，但这次他从经济学、博弈论和地缘政治三个层面做了系统论证，这在国内 AI 讨论中是很少见的视角。