抄中国作业的硅谷，下一道题是AI应用

文 | Sleepy

硅谷开始抄中国的作业了。

最近，美国冒出了一批低价开放模型，目标是能力追上中国的开源模型，价格也压到同一个水平。

Mira Murati 的 Thinking Machines Lab 上个月发布了第一款模型 Inkling。官方说明里写了两件事，底层架构参考 DeepSeek-V3，后训练数据由 Kimi K2.5 生成。

硅谷最贵的一批人，用中国开源模型的骨架，喂中国模型生成的数据。放在两年前，这种事只会反过来发生。

今年早些时候，Arcee AI 的 Trinity-Large-Thinking 在 PinchBench 上拿到 91.9 分，比 Anthropic 的 Opus 4.6 低 1.4 分，价格是后者的 4%。

Arcee AI 的 CEO Mark McQuade 说：「我们正在努力让美国追赶并超越中国。」

硅谷现在照着抄的，已经不只是模型，还有中国公司打下来的价格。

架构可以借鉴，训练方法可以复现，数据能交给别的模型批量生成。权重一旦放出去，开发者还能接着开发。价格这件事更简单，只要有一家先砍下来，剩下的迟早都得跟上。

过去三年，大模型公司靠参数、算力和闭源起了朱楼，也宴了宾客。现在这栋楼眼看着就要塌了。

十六天

7 月 17 日凌晨，月之暗面发布 Kimi K3。总参数 2.8 万亿，上下文 100 万 token，全球规模最大的开放模型。

在 Frontend Code Arena 前端编程榜上，K3 拿到 1679 分，排在它后面的是 Claude Fable 5 和 GPT-5.6 Sol。这是开放模型第一次坐到闭源模型前面。 七个前端细分方向，它拿下六个第一。

马斯克在评测结果下面留了一句「Impressive」。

K3 的 API 不便宜，每百万输出 token 收 100 元。可是在 SuperCLUE 的横向测试里，它的任务得分比第二名高 18%，跑完同一批任务，平均成本反而低了 16%。

模型贵不贵，不看每百万 token 标价多少，看把一件事从头做完要花多少。这两个数越离越远，标价本身就越没意义。

两天后的深夜，月之暗面暂停了 C 端新用户订阅。48 小时的请求量远远超出预估，算力不够用了。

7 月 27 日，K3 开放完整权重，连同技术报告和配套基础设施一起放出。

紧接着轮到 DeepSeek。

市场原本一直在等 V4 正式版。4 月底，DeepSeek 先放出 V4-Pro 和 V4-Flash 两个预览版，都支持 100 万 token 上下文，官方管这叫「百万上下文普惠时代」。之后两三个月没什么动静，直到 8 月 2 日，V4 Flash 正式发布并开放权重。总参数 2840 亿，单次推理只激活 130 亿，DeepSWE 编程测试的分数从 7.3 涨到 54.4。

更狠的还是价格。5 月那次，V4-Pro 直接降到原来的四分之一，那已经是 DeepSeek 一个月里第四次调价。等到 Flash 正式上线，大家还是对它的性价比大吃一惊。

「一分钱一分货」是过去的规矩。现在中国模型越来越能打，钱收得越来越少。外国友商当然难受，可是也没什么办法。用户已经见过又便宜又好用的东西，谁都不愿意再回去当冤大头。

随后阿里宣布将在下周放出 Qwen3.8-Max 的权重。过去一直摆在闭源旗舰位置的 Max 系列，也开始开放。它的国际价格，输入大约是 Opus 5 的 40%，输出只有 24%。

这些事情是在短短 16 天内发生的。

过去模型公司靠稀缺定价，只有我能做，你就只能照我的价钱付。榜单上只差几分，价格能差出几十倍。

Kimi、DeepSeek、Qwen 三家公司的技术路线不一样，但做的事是同一件，都在把能力往上推，把权重开放出来，把价格往下砍，然后赶紧接进产品里。

想抄作业，可是没人给钱

美国那边也有人看懂了这个趋势。

2025 年底，Arcee AI 把账上的钱几乎全押了进去。33 天，2048 块 B300，2000 万美元，全公司只有 30 个人。做出来的 Trinity Large 总参数 4000 亿，单次推理激活 130 亿，训练数据里将近一半是合成的。今年 7 月，Arcee 又和美国能源部签了合作，准备做一款面向科研的模型。

团队、成绩、成本、政府订单，该有的都有了。偏偏融资这道门，怎么也敲不开。

Arcee 至今总共融了 5000 万美元，估值 2.4 亿美元。放在今天的大模型赛道，这点钱别说上桌吃饭了，连包间的门都进不去。

CEO Mark McQuade 说：「几乎所有一线 VC 都拒绝了我们。」

美国的开放模型还没跟中国正面交手，先被自家投委会拦下了。

2026 年第一季度，全球 AI 初创公司融了 2555 亿美元，接近三分之二集中在三笔交易里，分别是 OpenAI 的 1220 亿、Anthropic 的 300 亿、xAI 的 200 亿。钱几乎全流进了闭源公司。

Arcee 的早期投资人、Emergence Capital 合伙人 Joe Floyd 说，他从不少 VC 那里听到的拒绝理由都差不多：

「我不希望这种模式成功。我不想投资，因为这会损害我对 Anthropic 和 OpenAI 的投资。」

真正肯为开放模型花钱的，反倒是卖芯片的。

今年 3 月，英伟达在 SEC 文件里披露，未来五年准备投入 260 亿美元支持开放权重。Reflection AI、Poolside、Thinking Machines Lab 都拿到了它的钱。

这笔账黄仁勋算得比谁都清楚。闭源模型赚的是 API 的钱，开放模型烧的是卡。模型卖得越便宜，开发者蹬得越多，英伟达的卡就卖得越好。

7 月 24 日晚上，黄仁勋注册 X 账号，发出的第一条推文是转发一封公开信，题目叫《开放权重与美国在 AI 领域的领导地位》。信里说，美国能不能继续领导这个行业，不能只看手里有没有最先进的模型，还要看有没有一套能扩散到各行各业的生态。

后来近 200 家美国初创公司的创始人联名致信特朗普政府，反对封禁中国开放模型。这封信我读下来，最有意思的地方是它一句漂亮话都没有。他们没替中国说好话，也没打开放主义的旗号，理由只是便宜的中国模型已经变成了生产工具，真要封掉，他们只能回头去买昂贵的美国 API。

McQuade 接受采访时还说过另一句话，大规模普及只是时间问题。

便宜出来的需求

硅谷还在争论开放权重该不该做，中国已经开始闯下一关了。

「AI 应用元年」这几个字，过去三年喊了好多遍。但是判断一项技术有没有真的进入应用期，只看两件事，用户肯不肯掏钱，企业有没有把它接进业务。

今年 Claude Code 和 Cursor 的年化收入都过了 10 亿美元，AI 编程工具在个人开发者里的渗透率接近一半。

企业那头变化更大。沙丘智库的调研里，中国企业的 AI Agent 采纳率从 2024 年底的 17.3%，涨到 2026 年年中的 40.3%。

李彦宏为此提了个新指标，叫 DAA，日活跃智能体数量。以前互联网公司数的是每天有多少人打开产品，往后要数的是每天有多少 Agent 在替人干活，又真正交付了多少结果。

调用量的曲线更惊人。按央视的统计口径，中国日均 token 调用量从 2024 年初的约 1000 亿，涨到今年 3 月底的 140 万亿，两年多翻了一千多倍。

模型越来越便宜，算力却越来越紧俏。今年 3 月，腾讯云、阿里云和百度智能云在十天里接连上调算力价格，涨幅三成左右。上半年智能体一爆发，推理算力的租赁价又涨了四成以上。

原因就在于，人们使用 AI 的方式已经变了。以前问一句答一句，花不了多少 token。现在一个 Agent 要真把活干完，得带着上下文，调好几个工具，来回检查，做错了还得从头再来。单价是降了，消耗量成倍地往上涨。

降价没有把市场做小，它把过去那些算不过来账的需求全放了进来。

1981 年，IBM 开放 PC 架构，兼容机很快涌进市场，硬件价格一路往下走。最后真正赚到大钱的不是造机器的，是长在机器上面的 Lotus 1-2-3、WordPerfect，以及后来的微软。

今天这条路走得几乎一模一样。大家还盯着底层能力差了几分，上面的公司已经开始抢用户、抢入口、抢工作流。

美国公司可以研究 DeepSeek 的架构，可以用 Kimi 生成的数据，也可以花 2000 万美元训练出一款成绩不错的开放模型。但是应用没有这么容易照搬。

应用没有可以下载的权重，也没有 benchmark。决定它跑不跑得起来的，是一家公司十几年摸爬滚打攒下的那点门道。

过去大厂习惯把模型做成一个独立产品，等着用户专门打开一个聊天框。现在模型开始往钉钉、飞书、企业微信里钻，Agent 直接长在原来的组织和流程里。

在美国，一个办公 Agent 可能沿着 Gmail、Slack 和 Salesforce 生长。在中国，它会先从钉钉、飞书和企业微信进去，再往下接财务软件、供应链、工厂系统和政务平台。两边就算使用同一款模型，最后做出来的产品也不会一样。

价格打下来之后

2022 年到 2025 年，美国对华芯片限制层层加码。H100 不卖，B300 不卖，先进制程和制造设备也被管起来。中国公司就在这样的条件下，做出了全球规模最大的开放模型。

到了 2026 年，美国开始讨论限制中国模型的权重。OpenAI 和 Anthropic 据报道已经向监管机构表达了担忧，国会也在研究，模型权重还能不能继续跨境流动。

刀还没落下来，自己人先喊疼了。

芯片禁令卡的是中国公司的供给，模型禁令先砍到的，却是美国创业公司的成本。那封联名信里也写得很清楚，封禁拦不住传播，只会逼着开发者赶在关门之前，把能下载的模型先全部下载下来。

芯片是实体，可以卡订单、卡物流、卡代工厂。权重只要流出去一次，就能被无限下载、镜像、量化、微调和蒸馏。

更管不住的是价格。

美国在最尖端的闭源模型上依然领先。OpenAI 和 Anthropic 还坐在第一排，训练最顶级的模型也依然离不开英伟达的卡，这一点短期内不会变。

可是到了应用这一程，输赢很少由某一款最强模型决定。它比的是模型够不够便宜，企业手里有没有一个现成的数字化入口，以及开发者能不能真的钻进业务流程里去。

回头看过去三十年，中国赢过很多次，赢法却大体相同。

移动支付、电商、外卖、直播，都是把外面发明的技术塞进十几亿人的日常，再做成规模惊人的生意。最底下那层基础，长期由别人提供。晶体管来自贝尔实验室，x86 属于英特尔，TCP/IP 由美国政府资助，Windows、安卓和 iOS 都长在西海岸。就连深度学习时代最常用的 TensorFlow 和 PyTorch，也分别出自谷歌和 Meta。

「发明在美国，规模在中国」，这句话说了三十年，很少遇到真正的例外。

现在，例外出现了。

Thinking Machines Lab 的技术说明写得很清楚。硅谷最受瞩目、也最有钱的新公司之一，在模型的基座层参考了中国公司的架构，后训练又使用了另一家中国模型生成的数据。

过去，硅谷从中国采购产能、招募人才或者寻找市场。现在，它开始直接照着中国公司验证过的技术路线往下做。

硅谷崇拜当然有来历。过去几十年，计算机产业最重要的底层技术，大多确实从那里长出来。从机器里的芯片，到程序员每天打开的 IDE，硅谷长期站在技术链条的上游。

但技术世界最终看的是结果。谁能提出新的架构，谁能把成本打下来，谁能让同行开始模仿，谁就有资格重新定义上游。

现在，这张名单上开始出现中国公司的名字了。

硅谷未来大概率会追上来，那里有足够多的工程师、资本和芯片。但是已经接进真实业务的应用不会停下来等人。谁先钻进企业的流程，谁就先拿到客户、数据和下一轮改进的机会。起跑线从来不是同一条。

AI 的应用时代不会挑一个黄道吉日敲锣打鼓地开张。它最先出现的地方是财务报表，是暴涨的调用量，是一个程序员在半夜又一次把额度用光。

大规模普及只是时间问题。这句话是一个美国人说的。