深度分析：谁在害怕中国模型？

本文翻译自Stratechery，作者为Ben Thompson，原文标题：“ Who’s Afraid of Chinese Models?”，原文日期： 2026 年 7 月 20 日，头图来自：AI生成

我经常讲起自己第一次上凯洛格管理学院 STRT-431 课程时的经历，这是一门所有 MBA 一年级学生都必须修读的入门课。我翻阅课程阅读材料和案例研究时，失望地发现，课程安排中竟然没有任何一家科技公司。

以我的性格，我当然在课后找到教授，询问原因。教授告诉我，这门课的目的并不一定是让学生了解某些具体行业，而是要发现那些能够广泛适用的普遍原则，使其可以应用于任何行业中的任何公司。正如我通常在讲述这个故事时所说的，我当时并不觉得这个答案令人满意。在我看来，科技行业的性质——尤其是软件和分发的边际成本为零、交易成本也为零这一事实——意味着它与其他行业存在某种根本性的不同。毕竟，在公式中代入零，往往会让整个公式发生剧烈变化。

不过，我很快意识到，这恰恰构成了我的机会。“聚合理论”背后的根本洞见在于：零边际成本所产生的价值链，与人们最初设想的互联网价值链有着根本区别。在这样一个世界里，控制需求比配送供给更加重要，而其结果是中心化与规模化。

然而，人工智能最令人着迷之处，在于那些古老的普遍原则正在多大程度上重新回到舞台中央。这一点在刚刚过去的周末表现得格外明显。当时，围绕 Kimi K3 的影响，X 上爆发了激烈争论。Kimi K3 是又一个来自中国的开放权重模型，其能力正在接近最先进水平。

归根结底，问题在于：边际成本正以一种极其重要的方式重新回归。无论是从最先进免费模型所产生的短期影响来看，还是从整个行业的长期结构来看，都是如此。

一、销货成本（COGS）与研发

围绕开放权重模型的讨论中，最常见的误解之一，是认为它们更加便宜，甚至是免费的。毕竟，你只需要下载模型权重，便可以省去自行创建模型所需要投入的时间、费用和能力。

这当然是真的。不过，这里的“免费”，指的是无须承担模型研究与开发的费用。研发支出是一项固定成本，与企业产生多少收入无关。

假设你在研发上投入了 100 万美元，那么无论你的收入是 10 万美元还是 1 亿美元，你在研发上支出的仍然是 100 万美元。当然，这会影响企业的盈利能力。

真正与收入相关的是销售成本，也就是 COGS。

对人工智能而言，COGS 是真实存在的，而软件行业已经很长时间没有面对过这种情况。

具体而言，运行模型进行推理，无论这个模型是 Kimi 还是 Fable，都需要花钱。至少在大多数商业模式中，人工智能服务提供商在推理方面的支出，与其收入直接相关。

继续使用前面的例子：创造 1 亿美元收入，而不是 10 万美元收入，很可能需要承担 1,000 倍的销售成本。

具体来说，假设生成能够带来 1 美元收入的 token 需要花费 0.50 美元，那么，1 亿美元收入将对应 5,000 万美元的销售成本；10 万美元收入则只会对应 5 万美元的销售成本。

对于开放权重模型而言，关键在于：向用户提供这些模型的服务并不是免费的。Kimi K3 每百万输入 token 的价格为 3 美元，每百万输出 token 的价格为 15 美元。这比 Sol 每百万输入 token 5 美元、每百万输出 token 30 美元更加便宜。然而，这甚至可能不是正确的衡量方式。

二、 token与智能

英伟达首席执行官黄仁勋把英伟达正在建设的系统称为“token 工厂”。从英伟达的角度来看，这种表述是合理的。

英伟达的 GPU 与具体模型无关。它们负责生成 token，并尽可能以最快、最高效的方式完成这一工作。

因此，人们会使用每秒 token 数、首个 token 生成时间、每瓦 token 数、token 成本等指标进行衡量。黄仁勋认为，这些指标将成为决策的基础。

在人工智能的第一个范式，也就是 ChatGPT 时代，这种分析框架显然是合理的，因为 token 会被直接交付给最终用户。

然而，人工智能的第二个范式——推理时代——使这种衡量方式变得复杂起来。

推理会导致思维链 token 数量急剧增加，而不同模型为了得到正确答案，需要使用不同数量的推理 token。

例如，据报道，Kimi 使用的 token 数量显著多于 Sol，这使其价格优势失去了实际意义。智能体也引入了类似的动态：在执行智能体工作流时，有些模型比另一些模型更加高效，所需要的 token 数量更少。

这意味着，token 并不是一种大宗商品。

大宗商品的决定性特征，是其具有可互换性：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，一个模型生成的 token，与另一个模型生成的 token 并不相同。

真正具有可互换性的，是由 token 构造出来的东西，也就是智能。

换句话说，如果 Kimi 和 Sol 都生成了正确答案，那么这两个答案是可互换的。二者为了得到正确答案而生成的 token 数量不同，则会造成销售成本的差异。

智能的销售成本取决于几个不同因素：

• 模型占用规模： 模型权重和运行时状态决定了托管每一个服务副本需要多少昂贵的内存，以及多少个加速器。

• 推理效率： 混合专家模型等架构选择，可以减少生成每个 token 所需要的计算量。

• 内存效率： 某些架构选择可以降低 KV 缓存需求，从而容纳更多并发请求，并提高 GPU 利用率。

• 服务效率： 批处理、调度、前缀缓存以及其他推理优化，可以最大限度地提高资源利用率，并在不同请求之间共享计算工作。

• Token 效率： 得出正确答案所需要的 token 越少，推理成本就越低。

这一点之所以重要，是因为对于许多具有经济价值的任务而言，我们正在迅速接近这样一种状态：智能事实上已经成为一种大宗商品。

例如，任何想要构建一个基础 CRUD 应用的人，很可能都可以使用多家提供商的模型完成这一任务。

而在大宗商品市场中，通向盈利的道路并不是收取更高的价格。原因仍然在于：你可以——或者很快就可以——使用多个模型制作出完全相同的应用。

真正的盈利途径，是拥有更优越的成本结构。

三、理解大宗商品市场

这里值得逐步说明其运作机制。正如我几个月前在《亚马逊的持久性》中指出的，大宗商品市场的运行逻辑，并不是科技行业从业者通常熟悉的东西。

在大宗商品市场中，所有人收取的价格基本相同，因为所有人出售的是同一种产品；这个价格由供给与需求决定。

一种大宗商品的需求取决于价格弹性：商品越便宜，需求越大；商品越贵，需求越小。

一种大宗商品的供给，则取决于生产这种商品的边际成本。

这里最关键的一点，是不同供应商生产这种商品的边际成本并不相同。在实践中，这意味着成本结构最差的供应商，最终会按照自己的边际成本出售商品——前提是它还能进行生产。其他所有供应商的利润，则取决于它们的成本结构比这个边际供应商好多少。

举例来说：

• 供应商 A 可以以每单位 10 美元的成本生产 10 单位商品。

• 供应商 B 可以以每单位 15 美元的成本生产 10 单位商品。

• 供应商 C 可以以每单位 20 美元的成本生产 10 单位商品。

假设价格弹性决定了，当价格为 20 美元时，市场对这种商品的需求量为 25 单位。那么：

• 供应商 A 将以每单位 20 美元的价格出售 10 单位商品，每单位赚取 10 美元。

• 供应商 B 将以每单位 20 美元的价格出售 10 单位商品，每单位赚取 5 美元。

• 供应商 C 将以每单位 20 美元的价格出售 5 单位商品，每单位赚取 0 美元。

这种描述并不完全精确。

供应商 C 之所以会承担销量缺口，是因为供应商 A 和 B 可以通过略微降价来压过它，而这种降价当然又会影响需求，因为需求具有弹性。

不过，这个例子已经说明了核心问题：供应商 A 拥有一门非常出色的生意，供应商 B 拥有一门不错的生意，而供应商 C 将会破产。

破产风险正是固定成本重新变得重要的地方。

供应商 C 不仅承担着固定成本，例如潜在的研发支出，还可能为了购买生产这种大宗商品所需的设备而举债。

它不能在给商品定价时把这些成本考虑进去。请记住，市场出清价格大致等于满足市场需求所必需的最高成本单位的边际成本。

但是，这些固定成本完全可能把供应商拖垮。

而当这个供应商退出市场后，价格就会上涨，直到另一个供应商决定进入市场，或者现有供应商扩大产能。

现在，让我们把这一分析重新带回模型市场。

目前，上述分析还不适用，因为市场对前沿模型的需求超过了供给，而供给受到算力短缺的限制。

这种算力短缺不仅意味着英伟达这样的算力供应商可以获得极高的利润率，也意味着英伟达的客户，例如 SpaceXAI，可以转过身来，以较高利润率把算力转售给 Anthropic 这样的公司。

与此同时，Anthropic 愿意支付这部分溢价，是因为它能够在出售 token 时收取更高的溢价。不过，为 Anthropic 带来高利润率的并不仅仅是供不应求。

得益于模型能力、服务规模和 token 效率，Anthropic 和 OpenAI 很可能拥有行业中最低的单位前沿级智能成本。

它们能够比竞争对手提前数个月，以某一特定能力水平提供模型，同时又能够使用最好的模型来优化自身成本。

还有一点值得注意：市场目前并没有把智能真正当作大宗商品。

现在的市场需求明确指向 Anthropic 和 OpenAI，而对能力较弱模型的需求则少得多。这也正是 SpaceXAI 和 Meta 会把算力出售给 Anthropic 的原因。

我们可以这样理解降低成本的努力：企业正在按照智能水平来定义“待完成任务”，从而使智能购买者能够建立一个智能商品化的市场。

然而，从长期来看，处于能力前沿的公司，也最有条件主导非前沿市场。

所谓非前沿市场，只不过是若干个月之前的前沿市场。换句话说，在这几个月中，前沿模型制造商已经在不断优化提供相应能力的成本。

因此，至少从经济角度来看，我认为人们对 Kimi 以及中国模型整体的反应被严重夸大了。目前，由于算力不足，市场中存在一个价格保护伞。

我非常怀疑中国模型在边际服务成本上真的更便宜。它们之所以看起来更便宜，只是因为 Anthropic 和 OpenAI 受到严重的供给限制，因此收取的价格远高于在算力供给足以满足智能需求时它们会收取的价格。

四、前沿实验室的偏执

那么，为什么模型制造商，尤其是前沿模型制造商，看起来会如此恐慌中国模型？

首先，我认为前沿实验室的思维仍然锚定在一个由训练成本主导财务模型的世界里。

只要训练所消耗的 GPU 多于推理，最大限度地提高推理收入，就对资助下一轮训练至关重要。这意味着，它们必须为推理服务收取非常高的价格。

然而，展望未来，我预计推理市场的增长速度将远远超过训练成本的增长速度。这里的判断已经包含了训练成本仍将继续飞涨这一假设。

这意味着，它们确实可以通过扩大规模来弥补价格下降。

就在八个月前，人们还不能确定事情是否会如此发展。但智能体范式所释放的市场规模如此巨大，以至于前沿实验室应当更有信心：在拥有足够算力之后，即使降低价格，它们也不仅能够生存，而且能够繁荣发展。

其次，智能实际上并不是一种完全同质化的大宗商品。部分原因在于，得到实际应用的智能会让自己变得更加聪明。

具体而言，任何负责运行推理的一方，同时也在收集数据，而这些数据会被用于改进模型的下一次迭代。

一方面，这更加说明，随着更多算力上线，前沿实验室应当降低价格并扩大使用量。

另一方面，这也解释了为什么微软这样的公司越来越执着于帮助企业运行自己的模型。如果中国模型能够成为可行的替代方案，这条道路就会变得更加可行。

第三，前沿实验室不仅可以通过继续向上整合客户体验，与中国模型形成差异化，也可以通过这种方式彼此区分。

Claude Code 和 Codex 正在表现出极强的黏性，这一点非常引人注目。

一旦你开始使用某一个智能体执行框架工作，你很可能会继续使用它。对于非技术用户而言，这种黏性很可能会更加强烈。

从长期来看，这种向技术栈上层移动的必要性，确实意味着前沿模型会对软件提供商构成直接威胁，其中也包括微软。

反过来说，目前已经掌握客户体验的软件公司，能够在多大程度上获得具有竞争力的模型，将决定它们能够在多大程度上抵御前沿实验室的侵入。

最后，尤其不能忽视 Anthropic 的意识形态因素。

这是一家认为只有自己才值得被托付人工智能的公司，而开放权重替代方案的存在，对这一假设构成了致命打击。

五、中国的动机

Kimi 并不是唯一的新中国模型。彭博社报道称：阿里巴巴集团控股有限公司的股价周一一度上涨 5.4%。此前，该公司发布了其旗舰模型 Qwen3.8 Max 的预览版本，并称其能力仅次于 Anthropic PBC 的 Fable 5。

这款模型于周日发布。而就在几天前，初创公司月之暗面推出了一款强大的新产品，引发了市场动荡，也加剧了美国对于中国正在缩小与 Anthropic 和 OpenAI 等全球领先企业之间差距的担忧。

Qwen3.8 Max 拥有 2.4 万亿个参数，与月之暗面的 Kimi K3 一同进入超大规模模型行列。K3 拥有 2.8 万亿个参数，能够与顶级产品竞争，而阿里巴巴也对 Qwen3.8 Max 寄予了同样高的期望。

开发者现在可以通过阿里巴巴的编程平台使用 Qwen3.8 Max，其中包括 Qoder。阿里巴巴计划很快开放该模型的权重，使其使用范围超出当前的预览版本。

市场对这些中国制造的人工智能系统和模型兴趣极高，以至于月之暗面在周日晚些时候不得不暂停接受新订阅，以应对压倒性的需求。

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曾停止发布其最先进模型的权重，但现在似乎撤回了这一改变。

中国的战略显而易见：将自己的互补品商品化。

物理世界正是中国占据主导地位的世界，中国在机器人等领域的领先优势，将从广泛可用的人工智能模型中获得巨大收益。

同样，中国也不希望美国在人工智能领域获得不对称优势。中国能在削弱美国前沿实验室的同时，增强美国任何潜在对手的能力，那当然再好不过。与此同时，中国还可以从围绕开放生态系统产生的创新中获益。

六、蒸馏问题

基于同样的逻辑，不要期待中国会对针对前沿实验室的蒸馏攻击采取任何行动。我认为，把中国实验室的全部成功都归因于蒸馏，是错误的。但假装蒸馏没有给中国实验室带来巨大优势，同样是错误的。

在过去一年中，随着训练后强化学习对模型性能变得越来越关键，这种优势已经真正显现出来。

中国实验室无须从头构建强化学习环境，只需要把前沿实验室的模型当作教师，就可以以低得多的成本迅速提升模型能力。

这并不是中国模型开发成本更低的唯一原因，但它是一个重要原因。

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，刚刚发布开放权重模型的 Thinking Machines，就依赖中国模型来解决强化学习中的冷启动问题。

Dean Meyer 和 Konstantine Buhler 在 X 上发表了一篇非常出色的文章。他们解释说，蒸馏意味着西方开放权重模型相对于中国模型存在根本性劣势：

蒸馏并不能解释中国在开放模型领域的全部领先优势。中国实验室拥有世界一流的研究人员、可观的算力、强大的预训练模型、软硬件协同设计能力，以及迅速提升的训练后能力。但是，蒸馏压缩了从一个强大基础模型到接近前沿水平系统之间那段成本高昂的最后差距。即使蒸馏只占中国模型总体能力的一小部分，它仍然构成了中国模型相对于美国开放模型优势的重要部分。

新的执法机制将使中国企业进行大规模蒸馏变得更加困难、更慢、成本更高。然而，执法无法消除由国家行为体支持的蒸馏。因此，西方前沿模型每取得一次进展，就会为中国实验室创造一个新的教师模型。

西方开发者要么必须独立复现这些能力，要么等待从中国模型中学习。这种差距使中国实验室相对于西方公司获得了一种反复出现的结构性优势。

这一点值得再次强调：由于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，它们最终会面临两个结果：第一，它们的模型不如中国的替代方案。第二，它们最终只能对蒸馏结果再次进行蒸馏，只不过需要先绕道经过中国实验室。

如果西方开放权重模型制造商可以直接前往源头进行蒸馏，难道不是更好吗？由此又引出了一个关于蒸馏的更有趣的问题：蒸馏究竟为什么是不好的？

归根结底，大语言模型本身，不正是对开放互联网上全部知识进行蒸馏的结果吗？前沿实验室抓取这些知识，并将其蒸馏进模型，而这些模型随后又被其他模型蒸馏。

那么，究竟是谁的权益被侵犯了？

事实上，这个悖论本身就是解决方案。我认为开放权重模型有利于创新。而且，正如上文所述，我认为处于前沿位置的实验室不会因此陷入困境。但是，依赖中国模型确实是一个问题。美国应当通过一项法律：

第一，明确规定，为训练模型而收集数据属于合理使用。

第二，至少对于美国公司而言，禁止服务条款限制模型蒸馏。

阻止蒸馏几乎是不可能的，因为所谓蒸馏，从字面上说，就只是向 API 发起查询。

美国应当反其道而行之，积极推行一种新的版权政策：既为前沿实验室提供法律保护，也保证它们所学习到的知识能够推动其他所有人的进一步创新。

本文从头到尾都在试图缓解人们对 Kimi K3，以及对中国开放权重模型整体的过度反应。然而，确实存在一个值得担忧的理由，那就是网络安全。来自 The Stack 的这篇报道：

Hugging Face 表示，其生产基础设施在上周早些时候遭到了一个“自主”人工智能智能体系统的入侵。该平台的安全团队表示，在最初进行事件响应时，他们受到了一些未具名的美国前沿大语言模型安全护栏的阻碍，因为这些护栏“无法区分事件响应人员和攻击者”。因此，Hugging Face 的防御人员转而使用中国 Z.ai 实验室的开放权重模型 GLM 5.2。

他们在自己的基础设施上运行该模型，对攻击者留下的超过 17,000 条日志或活动痕迹进行了分析。对于总部位于纽约的 Hugging Face 来说，这是一次引人注目的公开承认。

Hugging Face 允许用户围绕模型、数据集和应用展开协作，并在今年夏天达到了 1 亿美元的年化经常性收入。

该公司在事件报告中建议，防御人员应当“在事件发生之前，就准备好一个经过审查、可以在自身基础设施上运行的强大模型。这样既可以避免因安全护栏而无法使用模型，也可以防止攻击者数据和凭证离开自己的环境”。

特朗普政府在 Anthropic 发布 Fable 后所作出的恐慌性反应，其错误程度怎么强调都不过分。尤其糟糕的是，这种反应进一步强化了 Anthropic 最恶劣的倾向，也就是认为只有它自己才可以被托付强大的人工智能。

在一个只有一种人工智能的世界里，把最强大的网络安全能力保留给美国政府和可信盟友，或许是合理的。

但我们所处的并不是这样一个世界。现在已经存在，并且未来还会出现更多完全有能力对现有基础设施发动网络攻击的模型。

而且，这些模型将会广泛传播。事实上，它们已经广泛传播。最好的防御——事实上也是唯一可行的防御——就是确保防御人员同样能够使用最好的模型。

目前，由于特朗普政府的指令，防御人员实际上被禁止使用 Fable 或 Sol 从事网络安全工作。这意味着，最好的替代方案，竟然是使用来自一个多年来一直试图削弱美国网络防御能力的国家的模型。这简直荒谬至极。

更好的路线非常清楚：

第一，放宽 Fable 和 Sol 在网络安全用途上的限制。

第二，确保美国开放权重模型制造商可以在与中国平等的竞争环境中发展。

是的，前沿实验室会对此大喊大叫、极力抗议。但是，美国政府应当意识到，正是因为听信了它们歇斯底里的说法，美国才落入了这样一种境地：美国公司在保护自身安全时，反而要依赖中国。

让前沿实验室凭借更好的产品取胜，不要让它们定义什么是安全，什么是安保，也不要让它们抽走由人类集体知识搭建起来的梯子。与中国竞争本来就已经足够困难，如果还让中国扛起开放与创新的旗帜，那就等于亲手放弃美国最大的优势。

作者简介：本·汤普森（Ben Thompson）是独立科技分析师，也是 Stratechery 的创办人和作者。他曾在苹果实习，并先后在微软和 Automattic 工作，主要从事战略、开发者关系与市场营销等事务。他本科就读于威斯康星大学，随后在西北大学凯洛格管理学院取得工商管理硕士学位，重点研究战略与市场营销；同时在麦考密克工程学院取得工程管理硕士学位，研究设计、创新与以人为本的设计。

汤普森于 2013 年开始撰写 Stratechery，并从 2014 年起以此为全职工作。多年居住于台湾后，他于 2025 年迁回美国。

Stratechery 是一个聚焦科技与媒体行业战略、商业模式，以及技术对社会影响的独立分析网站。网站的每周长篇文章免费公开，工作日更新中的部分内容则面向订阅用户。其读者包括科技行业及受技术影响行业的企业管理者、风险投资人与投资者，以及希望理解互联网和科技产业结构变化的普通读者。

注：本文根据 Stratechery 原文翻译整理。为适应中文阅读习惯，译文对个别长句进行了必要的语序调整，但未增删作者的实质观点。原文及相关内容版权归作者 Ben Thompson 与 Stratechery 所有。