人工智能价格战已经打响

关于开放和封闭人工智能模型的争论，常常被包装成一场哲学思辨。但实际上，这正演变成一场价格战。

中国的开发者，如深度求索 (DeepSeek)、阿里巴巴的通义千问 (Qwen)以及月之暗面 (Moonshot) 的 Kimi，正在发布功能日益强大的开源权重模型，其成本仅为美国前沿实验室收费的一小部分。

“开源权重”意味着用户可以下载训练好的参数并根据许可条款进行修改。但这并不意味着可以访问训练代码、详细的数据信息或完整的训练方法。

对客户而言，这种区别的重要性可能远不及账单金额。

开源权重模型可以进行私有化部署和定制，无需为消耗的每一个 token 向开发者付费。它不必在所有基准测试中都超越最佳模型，只要足以胜任工作即可。

这种情况已经发生。Amazon Web Services 通过其 Bedrock 平台提供了来自深度求索、通义千问、Kimi、GLM 和 MiniMax 的中国模型。这些模型不再是藏在开发者地下室里的无名之辈，而是通过全球最大的云平台进行分发。

美国已经让步

这让 OpenAI、Anthropic 和 Google 陷入了尴尬境地。它们必须投入巨资以保持领先地位，而竞争对手却在不断拉低客户愿意支付的价格。

它们的对策不会是交出所有核心优势。

领先的美国模型将保持封闭和昂贵，其保费的合理性将通过更强的推理能力、可靠性、安全性和集成度来证明。与此同时，它们也会推出更便宜、有时是开源权重的模型，用于处理那些“足够好”就行的工作负载。

美国已经让步。

OpenAI 在2025年发布了其 GPT-OSS 开源权重模型。Google 推出了 Gemma，而 Meta 长期以来一直利用开放分发模式来挑战拥有更强大云业务的竞争对手。

现在的问题不再是美国实验室是否会开放一些模型，而是在不损害自身盈利能力的前提下，它们能够开放多大程度的能力。

它们别无选择。

一旦企业的使用超越了简单的聊天机器人，进入到智能体 (agent) 阶段，人工智能的成本就会变得高昂。

这些系统会反复调用模型、读取长篇文档，并让一个模型检查另一个模型的工作。该行业称之为“tokenmaxxing”，这是一个美化的说法，实际上就是让计费表不停地转。

直到最近，应对性能不佳的方案还是增加上下文、增强推理能力和使用更多智能体。那个时代可能即将结束。

2026年6月，研究人员推出了潜在上下文语言模型，可将长输入文本压缩4到16倍。

智能体可以快速浏览压缩后的材料，并只展开相关部分。这个想法很简单：当模型只需要一份文件时，不要把整个文件柜都发过去。

企业最终将不再那么关心基准测试得分，而是更关心完成一项有用任务的成本。更便宜的模型和更好的上下文管理可以维持技术的普及应用，而整个行业则在为已经投入的数十亿美元寻找回报。

华尔街入局

这些回报不能永远停留在理论层面。

美国科技公司对巨额投资的容忍度或许高于多数行业，但它们终究是资本主义企业。投资者已经在质疑，人工智能的收入能否覆盖芯片、数据中心和电力的成本。

据报道，Nvidia 正在与华尔街公司合作，为人工智能基础设施筹集超过5000亿美元的资金。这或许可以降低资产负债表上的风险，但并不能让风险消失。

它只是将风险转移给了私人信贷基金、保险公司、银行和基础设施投资者。

一个令人不安的问题是，如果人工智能的应用受挫，这些设备的价值或其残值将是多少。可以把残值想象成一辆汽车在贷款期末的转售价格。如果贷款人知道一项资产可以以合理的价格转售，他们就会愿意为该资产再融资。

图形处理器的情况则更为复杂。

新一代芯片或更高效的模型可能会让旧硬件以远超预期的速度被淘汰。华尔街或许缓解了融资问题，但并未消除风险。硅芯片的老化速度可能远不如一辆日本运动型多用途车 (SUV) 那样平缓。

尽管华尔街的参与缓解了眼下的融资限制，但这并未废除资本回报的规律。

中国则从相反的方向面临着同样的问题。中国的开发者牺牲了利润来换取用户普及度和市场份额。当目标是在整个技术栈中建立影响力，而不是最大化每个模型的利润率时，这种策略是有效的。

然而，深度求索最近的提价举动颇具启示意义。这并不意味着价格战已经结束，因为其模型定价仍然具有竞争力。但即使是数字革命者，最终也需要产生现金流。中国的开发者同样需要获得合理的回报。

不称之为禁令的禁令

地缘政治因素将使这场竞赛无法产生一个全球性的赢家。一些美国公司会因为成本优势而使用中国模型。但许多其他公司则会对其敬而远之，即使这些模型托管在美国的基础设施上。

美国全面禁止私营部门使用中国模型是可能的，但这并非我的基本预期。

美国政府可以通过采购规则、安全要求以及涵盖国防、关键基础设施和敏感数据的限制措施，来达到大致相同的效果。国会对中国开源权重模型的审查已经在加强。

对许多公司的董事会来说，决策过程会更简单。节省的成本，不足以让他们冒险在发生数据泄露后去解释为何使用中国模型。声誉风险实在太高，更不用说对首席信息官的职业生涯可能造成的影响。

模型本身可能不是赢家

基础模型市场很可能会在美国和中国整合，最终剩下两到三家大型企业。但这并不意味着人工智能市场的其余部分也会是赢者通吃。

在某些垂直领域，专业数据、界面和工作流程比拥有最大模型更为重要，这些领域将会出现各自的赢家。语音领域的 Wispr 和 ElevenLabs，演示文稿领域的 Gamma，音乐领域的 Suno，以及企业生产力领域的 Notion 都印证了这一模式。

基础模型或许提供智能，但这些应用将其转化为人们愿意使用的产品。它们不需要赢得模型竞赛，只需要在自己的细分市场中取胜。

云平台也可能是较为稳妥的赢家之一。

例如，Amazon 可以提供相互竞争的模型，无论客户选择哪一个，它都能收取“过路费”。那些能够轻松在不同模型间切换的应用公司，也应该会从智能成本的降低中受益。

尚未解决的问题是责任归属。封闭模型的提供商可以监控使用情况、更新安全措施并撤销访问权限。

一旦模型权重被发布，这种控制权基本上就丧失了。意志坚决的用户可以通过微调开源权重模型来绕过安全措施，这就要求部署者自行提供通常由托管服务内置的保护功能。

开放模型将为行业设定价格底线。封闭模型则将试图通过性能、信任和便利性来证明其保费的合理性。双方都可能产生赢家。

真正的战斗不在于谁能构建最聪明的模型，而在于谁能将更廉价的智能转化为持久的现金流。

作者是大华银行 (UOB) 私人银行投资策略主管