如果要给过去两年的AI竞争描绘一幅画像，那画面其实相当清晰：谁的模型参数更大，谁在基准测试中表现更亮眼，谁就能暂时坐上“领先者”的宝座——直到下一款产品发布，同样的剧本再重演一遍。

但说实话，这套评判标准正变得越来越“不够用”。

行业里一个明显的风向标是：当企业不再满足于用技术指标来“测试”AI，而是真正开始把模型嵌入实际业务和产品中时，大家关心的焦点已经转移。不再是“哪家模型最强”，而是“在合理的成本、可获取的数据和特定的部署环境下，究竟哪个模型最适合我这摊活儿”。

这个转变打开了一扇新的大门。AI竞争的核心赛道正在悄然切换——竞争不再围绕模型规模打转，而是转向了路由分发、成本控制、算力效率这些更务实的维度。

用Perplexity首席执行官Ara vind Srinivas的话说，“模型本身已经不再是核心产品。关键在于‘框架’——那个能把模型和能力整合在一起，并且精准调用工具的协调系统。”

换句话说，AI产品正在变成一个智能调度系统，它需要自主判断：什么时候该用哪个模型，需不需要调用外部工具，或者从公司内部数据库里拉取什么信息。 一个小任务，用最贵的模型去跑，纯属浪费；一个复杂的编码问题，便宜的模型又搞不定。常规的内部流程，开源模型就能胜任；遇到棘手的环节，再升级到更强悍的模型上。

“答案始终是：选用最适合该任务的模型。”Srinivas的这句话，几乎可以概括当下AI行业的共识。

这种替代性模型的涌现，正好赶上了美国企业开始收紧AI预算，这对OpenAI和Anthropic来说，是一个不小的挑战。过去几年，这两家公司靠出售最前沿的技术赚得盆满钵满，但这条路现在越走越窄了。

上周，Perplexity预告了其Computer产品的新系统，该系统基于中国智谱推出的开源模型GLM 5.2构建。这套系统的核心思路，就是让成本更低的模型处理大多数工作，只在必要时才调用更强大的模型。

这种“省钱”的做法，其实反映了市场的一个更大趋势：企业可以自行下载、微调和运行的开源模型，正变得越来越强，同时运行成本也比那些高端专有模型低得多。

Benchmark的合伙人Peter Fenton对这个趋势的判断很直接：“我们认为，未来18到24个月内，甚至可能就在今年年底前，90%以上的Token将由开源模型生成——这观点听起来有点反主流，但正逐渐成为共识。”他进一步指出，当企业能够直接运行这些“足够好”的开源模型，从而绕开前沿模型公司坐地起价的高额费用时，这些巨头赖以生存的推理利润率必然会面临巨大压力。

更重要的是，转向开源模型不只是为了节省成本。在某些场景下，针对特定任务调优过的小型模型，运行速度和性能甚至能超过大型通用模型。

这也是Benchmark投资Ollama的原因之一——这家公司做的就是让开发者和企业能更轻松地下载、运行和管理开源模型。Ollama的CEO Jeff Morgan说得更直白：“模型诞生于何处、由谁训练是一个方面，但对我们接触的众多企业而言，更生死攸关的问题是——这个模型最终在哪里运行，以及如何高效运行。”据他透露，超过85%的财富500强企业已经采用了Ollama的服务，覆盖航空、保险、医疗保健等受严格监管的行业。很多公司会先用小模型在靠近自身数据的环境里运行，等熟悉了，再逐步扩展到更大的开源模型。

阵地转移

开源模型的崛起，也带来了一个战略层面的问题。目前最具竞争力的开源权重模型，很多都来自中国实验室，比如智谱和DeepSeek。这使得开源AI已经不只是商业问题，更是一个政策和国家竞争力问题。

Srinivas认为，美国应该支持开源模型，因为它能让AI变得更经济实惠、更触手可及。“如果你希望人工智能的益处能广泛惠及美国及美国盟国的小型企业，那么人工智能就必须变得更加经济实惠，而开源是实现这一目标的唯一途径。”

这个转变还可能影响美国科技行业正在进行的大规模数据中心建设。当前的人工智能热潮假设所有需求都会流向配备高端芯片的大型云数据中心。但Srinivas指出，部分AI工作最终可能会转而在本地运行——在消费者或企业拥有的设备上完成。这当然不会完全消灭数据中心，但可能会催生一种更混合的AI系统：常规任务本地处理，最复杂的工作发送到云端。

对于投资者来说，关键问题已经摆在台面上：随着开源模型不断改进，企业对技术方案越来越挑剔，那些美国头部AI公司，还能不能像以前一样牢牢守住自己的定价权？