前沿AI商品化，如临“死亡之谷”

本文来自微信公众号： 未尽研究 ，作者：未尽研究

这个夏季，闭源前沿模型公司依靠单次模型领先获得高溢价的最后一个窗口，正在关闭。

之前，拥有最强模型意味着拥有巨大的商业想象力。模型能力领先，可以带来用户迁移、企业采购和资本市场认可，并进一步反哺更大规模训练，形成正反馈。

但在经历上半年的高速扩张后，以OpenAI、Anthropic和谷歌为代表的美国闭源模型阵营，正在加速迎来前沿智能走向商品化的挑战——其垄断性和差异性的根基开始动摇。

谷歌Gemini API调用量仍保持增长，但加速度已经开始放缓；Anthropic的ARR据第三方估算也出现增长斜率下调迹象。与此同时，前沿模型的能力差距正在快速收敛，领先模型的生命周期越来越短，依靠单次技术领先获得长期溢价的难度正在增加。

将这一变化简单归因于开源模型对市场份额的侵蚀，并不完整。更深层的原因在于，AI产业正在从能力竞赛进入规模化竞争阶段，而大规模应用依然受到羁绊，如临“死亡之谷”。

谷歌、Anthropic涨势放缓

上周，谷歌发布2026年第二季度财报，按照惯例披露旗下模型API使用情况。目前，Gemini API每分钟处理约220亿token，较上一季度160亿实现增长。但是，如果回看过去几个季度，就能发现Gemini调用规模的增长斜率开始出现边际下降，从上一季度环比增长60%，下降到当前环比增长37.5%：

• 2025年9月：70亿token/分钟；

  
  

• 2025年12月：100亿token/分钟；

  
  

• 2026年3月：160亿token/分钟；

  
  

• 2026年6月：220亿token/分钟。

  
  

市场对此早有预期。尽管在财报电话会议上，谷歌高管特意强调了当前AI需求受到算力供应约束，但这并不是谷歌独有的问题。OpenAI和Anthropic同样面临算力压力，中国开源模型Kimi K3也曾因为算力不足暂停C端新用户订阅。算力正在成为整个前沿模型竞争的共同约束。谁能提升单位算力产出，就能占据一定优势。

不过，市场当前更关心的是，谷歌是否正在面对前沿竞争节奏加快带来的压力。这个月，谷歌突然取消了Gemini 3.5 Pro发布，取而代之的是上周推出的Gemini 3.6三款Flash模型，但是同样没有Pro版本。这距离巴菲特押注谷歌全栈AI才过去不到一年。

前沿智能并不存在绝对的护城河。在近期流出的投资者交流录音中，DeepSeek创始人梁文锋谈到，Anthropic超过OpenAI并不会成为长期状态，未来OpenAI、Anthropic和谷歌大概率仍会交替领先。

在他看来，Anthropic拥有先发优势，但这种优势并不能长期维持。模型竞争的终局差距在于时间、成本与用户体验；模型领先更多是一种阶段性优势，而不是不可复制的长期壁垒。

市场信号尚不能证明Anthropic已经失去优势，但正在验证梁文锋的上述观点。近期，部分第三方追踪数据显示，Anthropic增长速度可能正在从此前高速扩张阶段回归。

自5月初官方披露ARR（经常性年度收入）达到470亿美元后，Anthropic再未公开更新这一指标。市场开始通过第三方渠道追踪其增长情况。数据分析平台TickerTrends目前追踪Anthropic ARR约741亿美元，仍高于OpenAI的413亿美元；但从增长速度看，Anthropic近期扩张已经不如此前迅速。而且，自上次数据以来，Anthropic增长约58%，而OpenAI增长约65%。

前沿智能的商品化趋势

ARR增长主要取决于两个因素：定价能力和用户规模。前者取决于模型领先程度与领先窗口，后者取决于用户粘性和市场扩张速度。

Anthropic的优势，在于抓住了AI编程这个最容易商业化的场景。但这一趋势无法简单无限外推。企业预算、组织摩擦，以及竞争对手的价格战与开源模型的替代，都可能影响增长曲线。

就在DeepSeek那场录音外泄的投资者交流会一个月后，OpenAI发布GPT-5.6系列模型，这打破了Anthropic此前建立的技术领先地位。而更令Anthropic焦虑的，并不是某一次被竞争对手超越，而是前沿模型之间的竞争正在从谁领先，转向领先能够持续多久；而事实证明“领先周期”正在快速缩短。

Anthropic加快了迭代节奏。上周，Claude Opus 5已在所有平台上线，输入价格5美元/百万token，输出价格为25美元/百万token，与Opus 4.8相同。它的性能接近Fable 5，价格是Fable 5的一半。然而，在单位任务成本上，Opus 5取得的成绩仍然只是接近更早发布的GPT-5.6 Sol。

市场传言，GPT-6和Fable 5.1，已经准备就位，很可能8月上线。此前，在认领针对HuggingFace智能体攻击事件时，OpenAI也承认相关行动涉及一款更强大的内部测试模型。而在财报会议上，谷歌同样承认，下一代旗舰模型仍需要更大规模的参数量和更强训练基础设施。Gemini 4正在全力训练，谷歌希望通过加快模型发布节奏，继续保持前沿竞争力。

一方面，这意味着模型领先带来的溢价窗口正在缩短，高昂训练成本越来越难通过长期竞争优势回收；另一方面，也意味着AI市场可能进入更高频的用户迁移阶段，模型公司的用户关系将面临持续挑战。

两个月前，前银行家Saeks被Cursor公司聘为首席技术官，负责帮助它们衡量并提升在人工智能投入上的投资回报率。在他看来，过去，一项任务的最佳模型每隔几个月改变一次，而现在感觉每周都要改变好几次。

窗口期越短，Harness（围绕模型构建的工具调用、流程编排和任务执行层）工程的价值越大。当企业通过中间层实现模型与业务任务的解耦，模型能力只是变量之一，切换成本会显著下降，前沿智能的“用户粘性”也就难以单独建立。这正是商品化的核心特征。越来越多企业发现，提升Harness和工作流效率带来的收益，甚至超过单纯切换到更强模型。模型不再是全部价值来源，而成为智能生产系统中的一个组件。

Anthropic的增长奇迹本身也证明了前沿模型的商业价值。Claude Code的爆发，使其ARR在短时间内快速增长；约75%-85%的ARR来自API业务，也说明企业Agent工作流，正在成为AI商业化的重要入口。API模式的核心优势在于，它不存在传统订阅模式下单用户收入的明确上限。随着同一客户部署更多智能体工作流，token消耗量和对应收入可以持续增长，而不需要依赖新增客户。

但API模式的另一面，是它天然更依赖模型能力差异和定价权。相比订阅模式依靠产品习惯和长期合同形成用户粘性，API业务更容易被企业纳入基础设施选择。随着企业通过Harness和Agent平台将模型能力封装进业务流程，未来，企业甚至无需主动选择某个模型，而是由上层系统根据成本、速度、能力和安全要求自动完成模型路由。这意味着，API虽然拥有最大的增长想象空间，却也可能成为最容易被商品化的一层。

而且，随着AI应用逐步落地，企业不会只关注某个阶段最强的模型，而会倾向于保留多模型选择、模型路由和自有AI基础设施。原因在于，对企业而言，最大的风险在于长期使用过程中，组织学习、业务经验和流程优化能力都沉淀到了外部模型供应商的平台内。

更关键的问题在于，AI增量市场并没有完全按照此前预期打开。就在几个月前，高token消耗量还是企业拥抱AI的勋章。有的公司甚至设立“token消耗排行榜”来奖励员工，通过使用规模证明自身正在进入AI时代。而到了这个夏天，风向已经完全逆转，企业开始追求“节流最大化”。经济学实验室Ramp的数据显示，员工人均token支出的增速已明显放缓，而更大规模企业的AI渗透率仍远未饱和。

企业真正关心的是真正完成一项工作，究竟要花多少钱。企业寻找的不再只是更便宜的token，或者更有价值的token，而是在既定成本下获得更高任务完成率的帕累托最优解。Databricks通过评测也发现，单一模型的前沿性并不能完全决定AI系统的可用性。未来，模型组合、任务分配和智能体调度能力，可能比单一模型排名更加重要。

开源模型加入前沿智能竞争

中国开源模型在前沿智能上的持续逼近，正进一步加剧这场竞争。

模型能力的商品化，通常从价格敏感市场开始。在推出Mythos与Fable之前，Anthropic的产品体系可以被理解为三个层次：代表最高能力溢价的Opus，面向应用场景的Sonnet，以及面向低成本市场的Haiku。

开源模型几乎“杀死”了Haiku系列。该系列主打低价，因而价格区间受开源模型的冲击最为直接。今年以来，Haiku系列已有两款先后退役，仅存的一款也将在今年10月退役；更重要的是，该系列已经长期没有跟随Sonnet和Opus同步更新，届时将彻底无Haiku可用。

随着GLM-5.2与Kimi K3等开源模型持续逼近，市场开始猜测，除了Haiku这类成本型产品线，以及在“白宫许可级”的Fable和Mythos之外，是否还会有其他模型产品线受到压力。前艾伦实验室研究员Nathan Lambert在Kimi K3发布后，为此写下了一句简洁的注脚：“前沿的开放权重模型如今已成为现实。”

Kimi K3也为自己赢得了前沿智能带来的溢价。它的定价高于国内大模型厂商的旗舰模型，与自家前代K2.6相比，输出价格涨幅超过3.5倍，但仍然显著低于美国本土前沿模型。这意味着，开源模型正在进入此前由闭源模型主导的高价值市场，并开始压缩前沿智能的价格溢价。

更重要的是，Kimi K3验证了开源模型追逐前沿智能，并非只有低成本蒸馏这一条路径。“蒸馏”仍然对强化学习等后训练阶段至关重要，但并不是开源模型加速追赶的唯一因素。

Kimi K3团队在最新公开的技术报告中复盘了开源模型追赶前沿的路径：过去，测试时扩展带来的短期收益掩盖了预训练扩展不足的问题，许多开源模型长期停留在1T参数规模级别，这也成为与前沿模型差距拉大的重要原因。Kimi K3这次同步推进前训练扩展，总参数从约1.04T大幅增至2.78T，激活参数从32.6B增至104.2B，层数从61层扩至93层，正在重新拉高开源前沿的上限。

随着中国本土算力生态逐步迈向GW级，这条扩展路径也有望重新获得资源支撑。这使得来自更低价格区间和更高透明度的双重挤压，就不会轻易消失。

近期，Anthropic对开源模型持续批判的姿态，正在开发者社区中迅速消耗其此前对五角大楼不妥协的立场建立的声誉。Anthropic最新表态措辞微妙，声称从未主张禁止开放权重模型；但它仍然限定“不具备危险能力的开放权重模型是一种公共产品”，而非目前拥有前沿智能的中国开源模型。Anthropic希望通过限制芯片获取和打击“工业化”蒸馏，延长闭源模型的领先窗口。

这也是为什么，围绕模型蒸馏、开放权重和芯片限制的争论，本质上并不只是安全问题，而是未来AI价值如何分配的问题。但是，历史反复证明，单一环节的技术优势很难永久锁定整个产业价值。模型无法天然垄断智能，类似地，芯片与半导体设备优势可以创造阶段性领先，但同样难以永久锁定整个算力生态。