过去几周，中国大模型密集迭代，动静不小。绝对的工程化优势，让国产模型将顶级 AI 的训练成本大幅压低。在普通人眼中，这不过是几家大模型厂商的竞技；但在更宏大的全球视角下，中国大模型已然形成一个群体角色。这个群体所展现的竞技精神，被视作一种能真正威胁硅谷的力量，既紧张又刺激。
Moonshot 的 Kimi K3 于 7 月 16 日开源了 2.8 万亿参数的模型，号称全球最大开源模型，并在 Frontend Code Arena 上击败了 Anthropic 的旗舰 Fable 5。三天后，阿里紧急 preview 了 2.4 万亿参数的 Qwen 3.8-Max。再往前推三个月，DeepSeek 在 4 月发布了 V4 系列，训练成本仅约 550 万美元，在多个基准上追平甚至超过了 GPT-5.5。硅谷战略分析师、聚集理论提出者 Ben Thompson 在分析这一现象时指出，AI 把传统产业的边际成本带回了世界，过去三十年科技界习惯的软件零边际成本逻辑在 AI 时代已不再成立。这也是中国大模型让全球感到紧张的根本原因。
成本重新成为了 AI 产业的核心变量，这一底层逻辑的变化，几乎关系到所有新事物的估值、生态位和商业模式。硅谷究竟在害怕什么？核心在于其 CAPEX 故事难以继续。过去三年，硅谷前沿实验室向华尔街讲述的核心逻辑是：规模法则 + 算力堆砌 = 不可逾越的护城河。只要砸足够多的 GPU 就能拉开足够大的性能差距，后来者追不上。这一叙事支撑了天文级的资本投入：微软、谷歌、Meta 等巨头在 2024 到 2025 年的 AI 基础设施投入累计数千亿美元，前沿实验室单轮融资动辄百亿美金，整个估值体系都建立在“算力稀缺且昂贵”这一前提之上。
没有人能拆掉算力的绝对稀缺性，但中国大模型拆掉了相对前提。DeepSeek V3 训练成本仅 550 万美元左右，在 2048 张 H800 GPU 集群上训练不到两个月，第一次粗暴地撕开了“做顶级模型必须烧大钱”的咒语。今年 4 月发布的 DeepSeek V4 则证明了这种高效率是可复制的。1.6 万亿参数的 V4-Pro 延续了深度求索的性价比路线，以远低于硅谷同级模型的开销，在 GPQA Diamond 上拿到了 88% 到 90% 的顶尖成绩，LiveCodeBench 甚至超过了 GPT-5.5。Kimi K3 走了另一条路，2.8 万亿参数的 MoE 模型单科击败 Fable 5；阿里在 Kimi K3 发布三天后紧急 preview 的 Qwen 3.8-Max，2.4 万亿参数，也宣称仅次于 Fable 5。
MoE 架构、稀疏激活、FP8 训练、MXFP4 量化、强化学习后训练优化，这些在算力稀缺大前提下的技术选择，共同把顶级能力对算力的依赖压到了硅谷童话里的几分之一。更重要的是，工程化降本的打法正在成为中国厂商的群体特征，群体效应会让算力堆砌的窗口更快关闭。AI 的成本结构与传统软件完全不同，研发是固定成本，但 AI 有真实的 COGS，即推理算力，花钱规模直接挂钩收入规模。因此，中国厂商压低的不只是训练成本，也在挑战整个 AI 产业的经济结构。训练端的稀缺性被打破、推理端的成本战又被打响，硅谷讲给华尔街的“高投入换来高毛利”的逻辑可能崩塌。DeepSeek V4-Flash 的 API 定价是每百万输入 tokens 0.14 美元，比 GPT-5.5 和 Claude Opus 4.7 便宜 7 到 10 倍。
华尔街必然会，甚至可能已经开始，重新评估叙事。红杉合伙人 David Cahn 曾提出著名的“6000 亿美元问题”：AI 基础设施投入要产生合理回报，需要整个生态的收入来填补巨大的烧钱缺口，而当前收入规模远远不够。这一质疑在过去半年被反复提起。但区别在于，中国的新技术、新产业总是在应用落地和商业化上提前焦虑、提前布局，硅谷的 AI 公司则过得相对舒适，忽视了结构性蝴蝶效应。NVIDIA 的万亿市值基础可能会松动，前沿实验室的千亿融资估值 benchmark 要重来，Hyperscaler 的 CAPEX 回报率逻辑也要重写。硅谷的恐惧，来自支点可能被抽掉，大厦将倾。
不过，当前来看，硅谷一部分的护城河也放在了数据和生态，在算力之外。前沿实验室正在向上游转移到 Claude Code、Codex 等开发者 Agent 生态中，OpenAI 在企业市场的绑定也越来越深，这些可能是比模型性能更厚的护城河。但这种观点本身已经承认了一件事：纯粹靠模型性能赚钱的逻辑可能行不通，或者说正是因为这套逻辑被中国厂商打破了，整个商业模式的毛利结构被往下压，硅谷必须往应用层和生态层转移，才能保住高位叙事和高毛利。模型层正在从硅谷的利润中心，变成一种防御系统。
美国从 2022 年开始对华实施 GPU 出口管制，A100、H100、H200 相继被列入限制名单，意图卡住中国 AI 的算力瓶颈。但管制的效果是，中国大模型没有如预期停滞，反而在算力受限的环境下发展出了高效率的架构优化能力。DeepSeek V4 的 550 万美元训练成本就是在 2048 张 H800（H100 的出口限制版）上跑出来的，算力封锁客观上反倒是逼出了工程效率。与此同时，最让华盛顿紧张的事，比性能追赶更难应对：开放权重，开放的是 AI 时代重新定义标准的“选票”。中国厂商把高性能模型以开源形式释放到全球，拿到了 AI 时代的部分定义权。
Kimi K3 的 2.8 万亿参数使其成为目前全球最大的开源模型，DeepSeek V4 走 MIT 协议，Qwen 3.8 也宣布开源，三家头部厂商同时把旗舰模型开源。开源在这个语境下早已超越了技术选择，本质是生态策略。商业层面的解释是：把你的互补品商品化。一个玩家把上游某个关键环节做成了廉价甚至免费的开放品，原本想靠这个环节赚钱的对手就失去了壁垒。全球开发者，尤其东南亚、中东、拉美的开发者，出于定制化和性价比，用中国开源模型作为底座，融入中国的技术栈、文档体系、迭代节奏。部署就是生态绑定，绑定一旦形成，迁移成本远高于更换一个 API。AI 的定义权，取决于谁的模型被最多人用，不取决于谁的通用能力最强。
硅谷过去二十年，一直靠闭源标准和生态绑定维持技术主导权，Windows、iOS、AWS 都是以闭源标准把全球开发者绑进美国技术栈的案例。现在，中国大模型用开源把这个逻辑反转了。性能差距可以用钱追，生态绑定一旦形成就难以拆解，这会是美国更不愿意直面的结构性恐惧。中国把高性能模型开源释放，配合在制造业和供应链上的优势，会让 AI 从数字世界进入物理世界的路径变得更通畅。这也是中国互联网厂商们最擅长的平台战略。近年来，国内也明确鼓励 AI 开源、开放、协作，产业政策和厂商策略之间已经形成了共振。成本曲线下移，会让算力壁垒的资本泡沫失效，开源生态则能松动美国的标准垄断。
国内创业生态里的紧张气氛，主要来自基模厂商的价格战、以及原生能力扩张对中间层的挤压。国内大模型 API 价格从 2024 年开始剧烈下降，字节豆包率先降价，阿里、百度、深度求索等厂商持续跟进，API 每百万 token 的定价从几块钱的量级杀到几分钱。表面上，基模厂商在用亏本价抢开发者生态，逻辑也很直接，先把开发者绑在自己的模型上，再谈变现。代价是中间层创业公司的商业模式可能会被直接“拍死”，依赖基座 API 价差做生意的应用会被视为套壳，也会在一轮轮的降价中失去空间。“生于套壳，卒于更新”，是这两年在国内 AI 创业圈里比较流行的说法。
基模每一次能力升级，无论是长文本、长推理、多模态还是代码生成、Agent 化，都会顺手消灭一批创业应用，最广泛的场景有翻译工具、PDF 总结、简单的客服自动化、轻量代码助手这些赛道，几乎每个月都在被清洗。这些应用价值贬值的根源，绝对不是巨头打压，但商业模式的结构性失效、付费生意被几乎免费的能力完全覆盖，更令人觉得无力。毕竟 Kimi K3 在 coding benchmark 上击败 Fable 5，意味着即使是最前沿的能力也在被快速拉平。明年，找不到核心价值的 AI 套壳应用，生存空间只会越来越窄。
很多业内人士的共识是，token 本身成为不了商品，算力也不是直接的商品，真正可以被商品化的是 token 所构建出来的 intelligence，模型提供的“智力”本身。在大量应用场景下，这种商品化的智力，正在被多个国产模型以差不多的水平提供给企业和个人，而且越来越便宜。大家把这个现象称为智力贬值。基模厂商提供的 API 让每个人都能低门槛、低成本地获取“智力商品”，那么任何打算通过“智力”本身建立高溢价商业模式的玩家，可能就都会被迫退场。商品市场里，供应商们卖同一种东西，价格由供需决定，最终活下来的是成本结构最好的玩家。AI 的智力一旦真的商品化，基模厂商的价格战就会进入这个逻辑，赢家由成本结构决定，模型性能反而会退居其次。
但我们在这里必须承认一个反常识的事实，就是中国大模型厂商自己也还没有在这场成本战里真正赚到钱。训练投入靠大厂家底托举和资本托举续杯，整个市场什么时候跑出健康利润模式的玩家，还有待商榷。为什么说中国大模型的高性价比，是一件紧张又刺激的事？成本战可能是自我利好，也可能是和硅谷的双向伤害，打破了“大模型高毛利”的预期，让华尔街重估 CAPEX 回报。而对于中国厂商自己来说，也未尝不是在烧钱换生态。有没有留出健康利润空间，谁的打法和标的是健康的、谁是病态的，已经变成了厂商们各执一词的罗生门。
硅谷更怕估值逻辑重写，中国厂商和创业者则更怕把“智力是水电煤”的故事讲完以后，单位经济模型跑不通。但从结果来看，无论中国厂商自己能不能赚钱，他们已经把成本曲线拉下来了，这件事不会因为他们的盈亏而回头。
谁在害怕中国大模型？
对整个 AI 产业而言，零边际成本的软件时代，正在让位于有真实 COGS 的产业逻辑。中国厂商的工程化能力太强，训练速度太快，生态部署太广泛，所以在座的各位，谁都躲不开成本下沉带来的重新洗牌。
放在长期主义的视野里，中国大模型的角色其实很清楚：硅谷 AI 的出发点和烧钱立足点，本质是把 AI 当成了一种可以长期维持高毛利的特殊生意；而中国厂商的工程化降本，把 AI 拉回到了传统产业“成本定胜负”的商品逻辑里。我们不比谁赢了那 1%，我们先比谁能用更少的钱，让 90% 的人接受这个品类，为这个品类买单。谁的单位成本更低、谁的成本结构更健康，谁就能赢。这件事过去在制造业、在芯片代工、在光伏和电池上都发生过，现在轮到了 AI。对于普通人和企业而言，如果大模型的赢家逻辑从“谁最聪明”，转向了“谁的成本结构最好”，未尝不是一件好事。原因也很简单，大多数人的生活和工作根本用不到那 1% 的最稀缺的智力，更多人需要的只是一个好用、丝滑也负担得起的打开方式。终局没人能预测，但有些故事一旦开始俯冲，就不会再回头了。