对AI大模型竞争下半场的思考

风险提示：本文所提到的观点仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。

作者：陆家嘴幽灵

来源：雪球

近期 ， 随着各大公司前沿模型的密集发布 ， 全球大模型产业竞争格局正也在发生微妙的变化 。 过去 ， 市场对AI企业的关注点几乎都集中在基准测试得分上 ； 但现在 ， 竞争的核心指标已经逐渐向使用量、单位经济成本转移 。

周末学习了AI大模型竞争现阶段的情况 、 未来发展趋势变化 ， 和大家做个分享 。

01
性能趋同下的定价之争

在AI商业化的实际落地中 ， 企业客户最核心的诉求是投资回报率 。 当头部模型的性能差距被压缩到极小范围内时 ， 价格就成了决定市场份额的关键 。

从多项独立性能测试来看 ， 国内外前沿模型的垂直能力正在迅速趋同 （ 图片来源 ： BBG ） 。 阿里的Qwen 3.7 、 智谱的GLM 5.2 、 特别是月之暗面的Kimi K3 ， 几乎已位列全球模型第一梯队 。

在Terminal-Bench 2.1 （ 评估修复Bug 、 管理文件等实际软件任务 ） 的测试中 ， GPT-5.6 Sol与Claude Opus 5依然位居前列 ， 但K3得分已达到85.0% ， 甚至超过了A家的旗舰服务Claude Fable 5 （ 84.6% ） 。

然而 ， 在极其接近的性能背后 ， 是显著的成本差异 。

在近期一项名为Brewberg的真实世界测试中 （ 要求模型从零构建一个虚构的咖啡电商网站 ） ，多数前沿模型都能达到100%的功能准确率，但耗费的成本差异巨大。

由于较高的Token单价以及在执行中进行了大量复杂调试与重写 ， Fable 5完成该任务耗费近49美元 。 相比之下 ， 国内部分顶尖模型只需不到2美元。

这种深植于国内互联网商业模式中的价格竞争策略 ， 正在为海外企业客户提供巨大的价值 。 以AI初创公司Polsia为例 ， 在业务爆发导致单月AI支出升至100万美元后面临成本危机 ， 最终将大部分非紧急后台任务切换至MiniMax M2.7模型 ， 单月成本一下子降至10万美元 。 这也揭示了当下大模型的商业现实 ：

绝大多数商业应用并不需要全知全能的昂贵模型，足够好且成本极低的模型才是企业级市场的刚需。

这也被另一个现象所验证 ：

海外前沿AI研究人员对K3、DS等模型反应平淡，但底层开发者、Agent公司和企业用户却正加速切换到国内开源模型上。

02
开源的战略与生态

除了价格因素 ， 国内外大模型在技术输出路径上的差异 ， 也在推动重塑全球开发者生态 。

海外头部实验室普遍采用闭源 （ Closed-weight ） 策略。 这种模式虽然能将核心技术牢牢控制在内部 ， 并维持较高的API调用溢价 ， 但同时也加剧了企业客户对数据隐私与系统安全性的担忧 。

相反 ， 国内实验室普遍采用开源 （ Open-Weight ） 策略。 允许开发者下载 、 复制并将模型部署在本地或第三方云服务器上 ， 这也击中了海外企业的痛点 。 目前 ， 多家全球知名企业均已开始采用托管在本地服务器上的国内模型 。

这种以开放换市场的策略正在数据端得到验证 。 在知名开发者平台OpenRouter上 ， 国内模型在今年6月首次实现了全球使用量的反超 ， 并在7月占据了超过60%的市场份额 。

尽管在普通C端 （ 如App应用下载 ） ， 海外模型应用仍然占据主导地位 ， 但在B端开发者与企业级工作流的争夺中 ， 国内模型的渗透率正在不断加速 。

这里顺便提一下为什么模型能力不断进化 ， 但企业应用端Token消耗量的增长却遇到了瓶颈 ：

1. Human-in-the-loop：在编程领域 ， AI可以通宵写代码并进行测试验证 。 但在广大白领工作 （ 如PPT 、 写报告 ） 中 ， 由于目标无法被精确量化预设 ， 人类必须始终坐在电脑前不断检查 、 修改和迭代 。这种模式限制了Token的连续吞吐量 ；

2. 订阅制 vs 计件制：目前SaaS软件正在从记录系统转向执行系统 。 但早期AI订阅收入可能只是企业的试错预算 。 只有当AI切实节约了人力成本或创造了增量收入 ， 客户才会在试用期后继续续约 。 目前来看 ，除了编程工具 ， 企业端的真实渗透率仍待提高。

03算力电力与人才成本博弈

除去算法和参数 ， 大模型竞争的本质是算力、电力与研发人力这三大底层物理要素的综合较量 。

在算力储备上 ， 受制于高端芯片 ， 国内实验室在算力规模上面临客观约束 。 但这种劣势 ， 正在被电力与人力成本的优势所对冲 。

AI数据中心是典型的高耗能基础设施 。 当前 ， 海外因新建计算设施需求激增 ， 正面临严重的电网负荷瓶颈与电力成本上升问题 ， 导致部分云服务商不得不将数据中心向别处转移 。

反观国内 ， 正计划在未来五年内投入建设全国性数据中心网络 ， 并依托风能 、 太阳能等丰富的新能源产能 ， 为AI基础设施提供成本更低 、 更稳定的电力保障 。

此外 ， 在研发人才端 ， 国内顶尖AI人才的密度在持续提升 ， 同时人力成本结构仍然具有显著优势 。 这种底层成本的结构性差异 ， 为国内AI企业长期维持价格竞争策略提供了基础 。

04总结

随着行业竞争从前沿能力的探索 ， 转向商业落地的普及 ， 市场对AI企业的估值体系也在面临考验 。

当前 ， 海外AI厂商估值已经达到了惊人的高度 ： A家在今年5月的融资中估值高达9650亿美元 、 OA估值也达到8520亿美元 。 相比之下 ， 国内头部AI企业估值仍处于数百亿美元区间 （ 如DS约450亿美元 ， 月之暗面约350亿美元 ） 。

海外模型厂商高昂的估值 ， 建立在其保持技术代差并获取超额利润的假设之上 ， 但随着竞争白热化 ， 这一护城河正在受到挑战 ：

一方面 ，开源模型的持续进步压低了全行业Token定价中枢 ， 使得依靠提供公用事业级计算能力获取超额利润的路径变得更加困难 ；

另一方面 ，企业客户在经历早期的AI狂热后 ， 正在变得更加精打细算 。

而现在的模型竞争正是两条主线碰撞 ：

一条是海外重资产前沿路线 ：寄希望于通过持续的算力堆叠跨越AGI门槛 ， 并通过闭源模型收取高额费用 ；

另一条是国内的极致降本路线 ：寄希望于通过工程优化和开源生态 ， 不断获取全球长尾算力需求 。

正如有句话说的那样 ：

You do not need God to write your emails.

这不仅是一句调侃 ， 更是市场需要严肃对待的商业信号 。

未来 ， 随着更多模型厂厂商走向市场 ，财报将取代基准测试成为检验企业的最终标准 。 如何在普及降本的行业大趋势下 ， 证明自身拥有不可替代的客户黏性与现金流创造能力， 将是决定这些厂商能否支撑起高市值的关键 。