中國開源 AI 正逼美國改打法
中國 AI 實驗室主打開源模型，正在壓低推理成本，也逼 OpenAI、Anthropic 這類美國閉源 лаборатory 重新想商業模式。
中國開源 AI 正在壓低成本，也逼美國閉源 AI 實驗室重新調整商業模式。
說真的，這件事沒那麼抽象。前 Hugging Face 高層 Tiezhen Wang 直接講，開源不是做公益，是搶分發、搶人才、搶基礎建設。這句話很刺，但也很實在。
現在的局面很清楚。OpenAI、Anthropic 這類美國公司多半守著閉源路線。中國這邊，像 DeepSeek、MiniMax、Zhipu 則把模型往外放。這不是單純的理念差異，是一場成本戰。
Wang 在 Rest of World 的訪談裡，講得很直白。中國開源模型正在降低 Token 成本，也讓更多團隊願意直接上手。對開發者來說，這代表你能更快試、更多試，還能少被 API 帳單追著跑。
| 數據 | 內容 | 意義 |
|---|---|---|
| 2026 年 5 月 | Wang 離開 Hugging Face | 他開始更直接評論中美開源路線 |
| 10 倍 | Wang 提到 Zhipu 股價成長幅度 | 市場資金正在回流中國 AI |
| 4 個月 | Uber 被提到在 4 個月內燒掉一整年 Token 預算 | 託管式 AI 成本壓力很真實 |
| 1 到 2 年 | Wang 預期中國會出現主要採用增長 | 企業導入速度可能比美國更快 |
開源模型正在變成出口品
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
Wang 的核心判斷很有意思。中國 AI 實驗室不只是跟美國競爭，還在幫美國團隊加速。他提到 DeepSeek 的強化學習訓練做法，已經變成一些美國研究圈的參考起點。這種互相借力的關係，很像你以為在打仗，結果大家都在同一條供應鏈上做生意。
這裡的重點是，開源模型不是單純把權重丟出來而已。它是一種分發管道。開發者可以下載、微調、自己部署。這比只提供 API 快很多，也比等雲端服務商排程便宜很多。
講白了，誰能讓模型變成基礎設施，誰就更容易拿到長尾市場。不是每家公司都想跟 OpenAI 買最完整的服務。很多團隊只想找一個能跑、能改、能上線的底層模型。中國開源路線正好卡在這個需求上。
- 模型權重可下載，開發者能直接改。
- 部署到自家伺服器，成本更可控。
- 新創可快速試驗，不必先簽大合約。
- 中國模型也能跑在美國晶片上。
蒸餾、授權，還有誰在賺錢
Wang 對 distillation 的看法很直。對他來說，這是正常研究流程，不是什麼道德大戲。你可以把它想成一個模型去學另一個模型的輸出，和人看完一本書再整理重點差不多。這說法可能不討喜，但技術圈很多人其實心裡都懂。
他也提到，這種做法不是中國獨有。像 xAI 這類公司，過去也公開談過資料抓取和訓練來源的爭議。問題不在於有沒有蒸餾，而在於誰能把蒸餾後的價值留在自己手上。
所以你會看到授權條款越來越硬。Wang 說，一些中國模型開始限制雲端商轉賣免費模型、自己吃掉價差。這其實很合理。模型如果一直被平台商白拿，原廠最後只會剩下名聲，賺不到錢。
“Distillation is a neutral word in the research world,” Wang said in the Rest of World interview.
這句話很硬，也很有爭議。但它點出一個現實。現在的開源 AI 很少是完全無條件的。很多公司都在找一個折衷點。個人免費用，企業大規模商用就付費。這比純粹開放來得現實，也比較能活下去。
- 個人免費，能拉高採用率。
- 商業雲端使用，能收回成本。
- 授權條款可防止平台商吃掉利潤。
- 小模型先放，大模型保留一部分控制權。
成本才是最硬的戰場
Wang 最實際的觀點，是 Token 成本。這件事很多人嘴上不講，帳單一來就都懂了。他提到 Uber 在 4 個月內就燒掉一整年的 Token 預算，也提到 Microsoft 曾說 Token 成本比預期高。數字可能有語境，但方向很清楚，託管式 AI 還是貴。
這就是中國開源模型好用的地方。只要模型夠好、夠便宜，公司就敢多試、多上線、多做內部流程整合。你不用每次都等供應商報價，也不用怕一個月跑太多就爆預算。
更重要的是，企業內部的採用速度會被成本直接拉動。很多公司不是不想用 AI，而是怕用下去成本失控。當成本降到可接受範圍，部門主管才會真的把 AI 塞進日常工作。這種壓力，往往比 demo 更有用。
Wang 也提到市場反應。像 Zhipu 的股價成長約 10 倍，代表資本市場願意回頭押中國 AI。資金一進來，算力、人才、資料都會跟著動。這種循環對開源團隊很重要，因為模型釋出不是終點，後面還要燒錢養下一版。
- 成本低，企業才敢大規模試用。
- Token 預算可控，產品迭代會更快。
- 資本回流，能補上算力缺口。
- 開源模型可形成「釋出、採用、融資、再釋出」循環。
對新創來說，順序比立場重要
Wang 給新創的建議很務實。先選最符合產品需求的模型，不管它是閉源還是開源。先把用戶抓住，再來想要不要換成更便宜的模型。這個順序很現實，因為大多數新創死掉，不是死在模型哲學，而是死在沒人用。
等產品真的有流量後，開源模型就變得香很多。你可以把部分工作負載搬回自家機器，也可以把某些高頻任務改成本地推理。當使用量越來越大，Token 成本就會從小問題變成大問題。
Wang 說，某些情況下，切到開源模型後，成本可能差到「大概一百倍」。這數字聽起來很猛，也不一定每個場景都成立。但只要差距有 10 倍，就夠改變產品策略了。台灣很多團隊現在還在盯模型分數，卻沒算清楚每月帳單，這其實蠻危險的。
對工程團隊來說，真正的問題不是「哪個模型最強」，而是「哪個模型能天天跑」。如果一個模型讓你做 prototype 很爽，但正式上線後帳單爆掉，那它就只是 demo 工具，不是產品底座。
這場拉鋸還會往哪裡走
中國這波開源 AI 的打法，重點不是跟美國比誰的閉源模型更神秘。它是在比誰能把 AI 壓到更低成本，讓更多團隊願意真的用起來。這種策略很土，但很有效。
對美國實驗室來說，壓力已經很明顯。閉源能維持高毛利，也能保住控制權，但它會把很多中小型開發者推向更便宜的替代品。當替代品夠好，市場就不會只看 benchmark，還會看部署成本、授權條款和內部導入速度。
我覺得接下來一年，最值得看的不是誰又發了幾個分數更高的模型，而是誰能把 AI 真正塞進企業工作流。那才是開源和閉源真正對打的地方。你如果是開發者，現在就該問自己：你要的是最好看的 demo，還是能每天穩定跑的系統？