中国大模型，到底在撼动什么？
大家都在担心中国大模型，但前沿实验室其实无妨；我们需要的是扶持起真正开放的美国替代方案。
就在今天（7月16日），月之暗面（Moonshot AI）发布了 2.8 万亿参数的 Kimi K3——全球首个开源 3 万亿参数级别模型。阿里巴巴紧随其后放出 Qwen3.8 Max 预览版，参数规模 2.4 万亿，并计划很快开放权重。中国大模型正以前所未有的速度逼近前沿水平。
恐慌迅速蔓延。但 Ben Thompson 在 Stratechery 上的最新长文《谁在害怕中国模型？》给出了一个反直觉的判断：这种恐慌，大部分是被夸大的。 真正该担心的不是模型本身，而是另一种东西。
一、「免费」不等于没有成本
一个最普遍的误解：开源权重模型「免费」。
确实，它省去了自研模型的时间和门槛。但这里的「免费」指的是研发投入（R&D）——这是一笔固定支出，花 1000 万训练出来的模型，不管最终带来 10 万还是 1 亿收入，这笔钱已经花出去了。
真正跟收入挂钩的是 COGS（销货成本）。对 AI 来说，运行推理是要花钱的，而且推理花费基本和收入成正比。 营收增长 1000 倍，推理成本大概率也要跟着增长 1000 倍。
以 Kimi K3 为例，API 定价为每百万输入 token 3 美元、每百万输出 token 15 美元。对比 Anthropic 的 Sonnet 5——标准定价恰好也是 $3/$15。Kimi 并不比美国前沿模型更便宜。
| 模型 | 参数量 | 输入价格 ($/M tokens) | 输出价格 ($/M tokens) | 开源 |
|---|---|---|---|---|
| Kimi K3 | 2.8T MoE | $3.00（缓存命中 $0.30） | $15.00 | 7月27日开放权重 |
| Claude Sonnet 5 | 未公开 | $3.00（促销期 $2.00） | $15.00（促销期 $10.00） | 闭源 |
| Qwen3.7-Max | 未公开（万亿级） | $2.50 | $7.50 | 闭源（Max 线） |
结论：Kimi K3 目前和 Claude Sonnet 5 定价持平，甚至比 Sonnet 5 的促销价贵 50%。 所谓「中国模型靠低价倾销」的说法，至少在单价层面站不住脚。
二、Token 不是大宗商品，智能才是
英伟达 CEO 黄仁勋把自己的业务描述为「token 工厂」。站在卖 GPU 的角度，这个说法没问题——GPU 只管生成 token，不管模型是谁的。
但 Ben Thompson 指出，这个框架在「推理时代」已经不适用了：不同模型为得到同一个正确答案，消耗的 token 数量天差地别。
这才是关键。如果 Kimi 消耗的 token 量明显多于 Sonnet 5——因为它思维链更长、效率更低——那它的单价优势就被完全抵消了。
所以 Ben Thompson 提出了一个更精确的框架：
Token 本身不是大宗商品，因为不同模型产出的 token 不等价。真正可以互相替代的，是 token 组合出来的「正确答案」——也就是智能本身。
决定「生产一份智能」成本的因素：
- 模型体积（参数量越大，推理越贵）
- 推理效率（架构优化，如 Kimi 的 KDA 混合注意力）
- 显存效率（KV 缓存优化）
- 服务效率（批处理、调度）
- Token 效率（为得到正确答案消耗多少 token）
对大量基础任务（比如写一个 CRUD 应用），智能正在变成一种商品。商品化市场里，利润不来自更高定价，而来自更优的成本结构。
三、高价是算力稀缺的保护伞
用一个简化的商品模型来理解：三家供应商，单位成本分别是 10 美元、15 美元、20 美元。如果市场需求在 20 美元价位下有 25 个单位，那成本最低的供应商赚得盆满钵满，成本最高的只能勉强保本。
放到智能市场：目前顶尖模型的需求远超供给，主要瓶颈是算力。 这让英伟达和它的下游（转卖算力给 Anthropic 和 OpenAI 的云厂商）都能赚取高额溢价。
Anthropic 和 OpenAI 很可能拥有目前最低的单位智能成本——它们在模型能力、服务规模和 token 效率上领先数月。当前的高定价，更多是算力稀缺造成的「价格保护伞」，而非中国模型真的在边际成本上更便宜。
换句话说：对中国模型在成本层面的恐慌，被明显夸大了。
四、前沿实验室为什么反而更慌
既然如此，为什么 Anthropic 和 OpenAI 反而表现得如此紧张？Ben Thompson 给出了四个原因：
1. 旧财务逻辑的惯性。 前沿实验室仍锚定「训练成本主导一切」——只要训练消耗的算力多于推理，就必须靠推理端的高定价去反哺下一轮训练。但推理市场的增长速度正远超训练成本，「薄利多销」已经变得可行。
2. 用智能就是在造智能。 谁在跑推理，谁就在收集数据，这些数据又反哺下一代模型。这既是压低价格、扩大使用量的理由，也是微软帮企业自建私有模型部署的原因——而这件事在中国模型足够可用的前提下才更具可行性。
3. 客户体验是最后的护城河。 Claude Code 和 Codex 展现出很强的用户粘性。谁先用惯了某个「外壳」工具，往往就会一直用下去。反过来，谁掌握客户体验入口，谁就更有能力抵御前沿模型厂商的侵蚀。
4. Anthropic 的意识形态问题。 这是一家坚信「唯有自己才配掌管 AI」的公司，而开源模型的存在，恰恰从根本上动摇了这种预设立场。
五、中国的真正策略：让互补品商品化
文章援引彭博社报道：阿里巴巴发布了旗舰模型 Qwen3.8 Max 预览版，参数规模 2.4 万亿，且计划很快开放权重。阿里今年早些时候曾一度停止开源顶尖模型，如今又转回开源路线——猜测与习近平关于 AI 的讲话有关，讲话强调坚持开放共赢、鼓励开源协作。
中国的策略很清楚：让自己的「互补品」商品化。
物理世界正是中国占据优势的领域——机器人、智能制造、自动驾驶。广泛可得的开源 AI 模型，将让这些产业大幅受益。同时，中国也有动机不让美国在 AI 上取得不对称优势。
蒸馏：一个被低估的结构性优势
「蒸馏」（distillation）——用前沿模型的输出来训练自己的模型。把中国模型的成功完全归因于蒸馏并不准确，但说它毫无作用同样是错误的。
耐人寻味的是，西方也在反过来依赖中国模型做蒸馏。 Thinking Machines 发布开源模型时，就借助中国模型解决强化学习的冷启动问题。
这里有一个结构性矛盾：西方前沿实验室的服务条款禁止蒸馏，美国开源厂商只能通过中国模型来间接获得蒸馏红利。即便未来监管让蒸馏变得更难、更慢、更贵，也难以杜绝有国家力量支持的蒸馏行为——因为蒸馏本质上就是调用 API。
Ben Thompson 的结论是：大语言模型本质上就是对开放互联网全部知识的一次「蒸馏」。开源有利于创新，问题不在于开源，而在于让美国被迫依赖中国。
六、真正该担心的：网络安全
文章最后指向了一个被忽视的领域。
Hugging Face 的生产环境曾遭到一次自主 AI 智能体系统的攻击。其安全团队在应急响应中受阻——原因是美国前沿模型的护栏机制无法区分「应急响应人员」和「攻击者」。
无奈之下，Hugging Face 转而使用中国智谱（Z.ai）的开源模型 GLM 5.2，部署在自有基础设施上，分析超过 1.7 万条攻击日志。
事后 Hugging Face 建议：防御方应提前准备好一个可以在自有基础设施运行、经过审查的强大模型，以避免被护栏锁死。
这才是真正的荒谬之处： 出于监管限制，防御方被禁止在网络安全场景使用 Fable 或 Sol（Anthropic/OpenAI 的模型），只能退而求其次去用一个来自「多年来一直试图削弱美国网络防御能力」的国家的模型。
七、谁在害怕，谁又该害怕
Ben Thompson 的核心建议是两条：
第一，放松前沿模型在网络安全场景的使用限制。 能够发起攻击的强大模型已经广泛存在。唯一可行的防御方式，是让防御方同样用上最好的模型——而不是用「安全」之名把防御方的手绑住。
第二，确保美国的开源模型厂商能在公平环境下与中国竞争。 建议立法明确：将训练数据抓取界定为合理使用（fair use），并禁止服务条款中「禁止蒸馏」的条款。
中国本身已经很难对付。如果再把「开放和创新」的旗帜也拱手让给对方，等于把美国最大的优势拱手相让。
让前沿实验室凭借更好的产品去赢得竞争，而不是让它们来定义什么是「安全」，更不能让它们借「安全」之名切断人类知识共享的阶梯。
本文基于 Ben Thompson 发表于 Stratechery 的文章《Who’s Afraid of Chinese Models?》深度编译分析。原文链接：stratechery.com