Kimi K3 的热度确实不低，在 X 平台引发了一波广泛讨论，甚至让硅谷圈子里不少人都感到有些意外。

原因在于，在此之前，业内普遍认为开源大模型与硅谷那两家头部闭源模型之间的差距正在不断拉大。尤其是 Anthropic 发布 Fable 5 之后，各项指标大幅领先，当时国内模型确实还有一段不小的距离。结果 K3 一口气追了上来，令人刮目相看。

而且这还没完。阿里的 Qwen 新一代模型即将发布，据称智谱的 GLM 5.3、DeepSeek V4 正式版也在路上。一浪接着一浪，自然会引出一个关键问题：开源模型追得这么快，会不会威胁到硅谷前沿模型公司的商业模式？

上午看了 Stratechery 创始人 Ben Thompson 的文章，他对这个问题的分析整体比较到位。结合他的观点，也梳理一下近期和很多人讨论之后的一些理解。

前沿AI实验室的逻辑

OpenAI 和 Anthropic 的模型定价不菲，这背后有个核心逻辑：最先进的智能是稀缺资源，自然可以卖高价。它们网罗顶尖人才，投入海量算力，训练出最强模型，然后通过高价的 API 和订阅服务获取收入，再反哺下一代研发。这个循环能成立，关键在于它们卖的是稀缺品——用户找不到替代品，只能接受高价。企业即便觉得贵，也得掏钱，因为好模型能完成其他模型做不到的事。

但一旦开源模型能力逼近前沿，情况就变了。用户未必非要买最贵的模型，企业可以选择更便宜的 API，甚至自己部署。智能的价格会逐渐下降，前沿实验室的利润空间也会被压缩。尤其是今年 Agent 爆发之后，竞争焦点已经转移。以前大家比的是谁能训练出最强模型，现在比的则是谁能用更低的成本提供足够好用的智能。这也是 DeepSeek 一直压低价格的原因——梁文锋很早就意识到，当模型能力趋近时，价格和成本就成了竞争核心。

举个例子：假设 Opus 4.8 是目前最强模型，能力明显领先开源模型。但若未来某个开源模型能达到它 90% 的能力，使用成本却只有 10%，大多数企业会毫不犹豫选择后者。毕竟企业买模型是为了完成工作，如果两个模型都能搞定，那个便宜得多的选项显然更有吸引力。这让人想起早期的服务器市场——一开始高性能计算机主要来自 IBM 等大厂，价格高昂；后来 Linux 和普通服务器成熟，昂贵的计算能力逐渐商品化。

Token 便宜，不等于智能便宜

不过，Ben Thompson 也直接指出，目前大家可能高估了中国模型带来的短期冲击。因为 AI 市场还远未进入完全商品化阶段。从全球来看，对高质量智能的需求依然远超供给。最好的模型仍然稀缺，所以企业愿意为 Anthropic 和 OpenAI 支付高价。不少人一边讨论国产模型进步快，一边还是想方设法用 Claude Code 和 Codex。原因很简单：最好的模型确实能提高任务完成概率，减少反复修改的时间。

而且，我们经常用百万 Token 的输入输出价格来比较模型，但这个指标本身局限性很大。不同模型生成一个 Token 的价值完全不同。模型 A 可能用 1000 个 Token 就得出正确答案，模型 B 需要生成 1 万个 Token，还调用了多次工具，最后才完成同一个任务。虽然模型 B 的 Token 单价更低，但整体成本可能更高。所以真正应该比较的不是每百万 Token 的价格，而是单位智能成本——完成一个任务到底需要花多少钱？这有点像开车：只比较不同加油站的油价没意义，还要看百公里油耗。一个地方油价便宜，但车油耗高得离谱，最终开销依然很大。模型也一样，除了 Token 单价，还要看它需要思考多久、调用多少次工具、产生多少中间步骤、失败多少次，以及最终能否把事情完成。

AI 让边际成本重新回来了

这里还有一个容易被忽略的变化。过去做互联网软件，边际成本基本为零。一个 App 开发完成后，复制给第一个用户和第一百万个用户，成本差异不大。软件复制成本低，互联网分发成本也低，所以互联网公司特别喜欢讲规模效应——用户越多，收入越高，但服务新增用户的成本不会同比例增加。

AI 出现后，边际成本又回来了。每一次模型推理，都要消耗真实的算力、电力和 GPU 时间。用户生成的 Token 越多，企业承担的成本就越高。如果一个 AI 产品收入增长 100 倍，推理成本通常也会大幅增长。它很难像传统软件那样，开发完成后可以接近零成本地无限复制。

这里要区分两笔成本：开源模型确实能帮企业省掉前期研发投入——企业不需要自己组建团队从头训练，拿到权重后直接部署即可。但模型真正运行起来，推理成本一分钱也省不掉，每完成一次任务依然要持续消耗算力。所以，权重免费不等于智能免费。真正决定一家 AI 公司能否赚钱的，还是完成一次任务到底要花多少钱。这有点像杨植麟说的，做大模型的第一性原理是把更多的能源转化成智能。至于开源与否，这个说法确实很实在。

总成本领先

在推理成本这件事上，处于前沿位置的实验室反而可能更有优势。很多人会下意识认为开源模型价格更低，所以成本结构也一定更好。实际上，价格和成本不是一回事。Anthropic 和 OpenAI 的模型往往在最前沿位置运行几个月，在这期间它们会不断优化推理效率、缓存策略、服务调度和 Token 使用效率。等其他模型终于追上这个能力水平时，前沿实验室可能已经把这个水平的智能成本压得很低了。

比如，一个模型今天刚刚达到半年前 Claude 的能力。但 Anthropic 在过去半年里积累了海量真实调用数据，并针对这个能力水平做了很多工程优化——它可能知道哪些请求可以批量处理，哪些上下文可以缓存，哪些推理过程可以缩短，哪些任务根本不需要调用最强模型。所以即使智能逐渐商品化，前沿实验室也未必会立刻失去优势。它们很可能同时拥有两个优势：一方面，最新模型依然领先；另一方面，上一代能力的服务成本已经被压得很低。

从这个角度看，K3 对 Anthropic 和 OpenAI 的冲击，可能没有很多人想象中那么直接。它们真正需要担心的，并不是某个中国模型突然超过了自己，而是足够好的智能正在越来越快地扩散。过去领先一年，可能意味着可以高价销售一整年。未来领先三个月，竞争对手就已经追到了接近的位置。而且追上来的模型还会直接开源，快速进入各种产品和企业内部。模型领先带来的商业窗口，正在变短。

Anthropic 最怕什么？

那么，硅谷的前沿模型公司到底在害怕什么？

第一，害怕智能的价格被打下来。只要开源模型能力持续接近，用户就会拥有更多选择。即便用户最终仍然使用 Claude 或 GPT，也会要求更低的价格。开源模型未必需要抢走所有客户，只要它成为一个可信的替代方案，就足以改变市场的议价关系。

第二，害怕企业开始自己部署模型。模型公司在提供推理服务的过程中，不仅赚到了收入，也拿到了大量真实使用数据。用户在哪些任务中失败，哪些工作流最常见，什么样的回答更容易被接受——这些数据都可以帮助下一代模型进步。如果大量企业把模型部署在自己的服务器上，模型公司就拿不到这些数据了。这可能比少收一点 API 费用更值得担心。

第三，害怕自己的模型逐渐变成底层供应商。如果用户可以随时在多个模型之间切换，模型本身就很容易陷入价格竞争。所以 Anthropic 和 OpenAI 都在努力往上层应用走——Claude Code、Codex 的重要性就在这里。用户一旦在一个 Agent 里建立了自己的项目、习惯、指令、工作流和上下文，就不会轻易更换。模型可以替换，工作环境和使用习惯却有很强的黏性。

这也是为什么前沿模型公司越来越不满足于只卖 API。它们希望直接拥有用户界面、Agent、工作流，甚至操作系统和硬件。只有掌握了用户真正工作的地方，才不容易被下面的模型替代。所以，K3 真正给硅谷带来的提醒可能是：只做模型，已经不够安全了。