硅谷AI，正在开源

过去两年，硅谷AI圈最常被问到的问题只有一个：哪家的模型最强？

但2026年，这个问题正在被另一个更务实的问题取代：完成同一项任务，到底有没有必要用最贵的模型？

今年6月，打车巨头Uber透露了一个让整个行业沉默的数字：仅2026年前四个月，公司就耗尽了全年的AI预算，原因仅仅是员工大量使用AI编码工具。

亚马逊随即叫停了内部的AI使用排行榜，因为员工为了刷排名刻意执行不必要的任务、推高Token消耗；微软则计划停用多个关键产品部门员工的Claude Code订阅。

当亚马逊都开始心疼Token的时候，成本就不再是创业公司才需要操心的问题了。

咨询公司贝恩直接放出了一组分析数据：在企业AI累计支出突破1万亿美元之后，AI带来的实际成本节约普遍远低于预期；44%的大型企业正在用“上一轮AI尚未兑现的费用节省”来论证下一轮AI投资的合理性，贝恩把这种操作定性为“一个存在结构性漏洞的循环赌注”。

压力之下，企业的选择开始发生变化。

从“最强”到“最划算”

花旗银行的数据显示，开源模型每项任务成本已按周下跌35%至0.8美元，相对封闭模型的折让从40%扩大至60%。

Forkast的统计更为直白：开放权重模型的平均成本为每百万Token 0.83美元，专有替代方案为6.03美元，前者比后者便宜7.3倍，为开发者节省了86%的开支。

在更极致的对比中，DeepSeek V4-Pro在网络安全任务测试中每题平均成本仅为0.28美元，闭源竞品Opus 4.5则高达12.50美元，差距超过40倍。

最戏剧性的案例发生在9月。小米和SpaceX在同一天发布了各自的新模型：MiMo-V2.6系列（开源）和Grok 4.7（闭源）。

两款模型拿到了相同的智能指数跑分，但MiMo-V2.6-Pro每项任务成本仅0.13美元，Grok 4.7则高达3.74美元，差距近29倍。

这就是硅谷企业面前那张越来越清晰的账单。

据英国《金融时报》报道，AlphaSense的数据显示，今年8月和9月，美国企业财报电话会议和投资者会议中，高管们提及“开放权重”或“开源”模型的次数较去年同期激增了6倍。

更关键的信号来自使用端。8月，开放权重模型占通过Vercel AI Gateway总Token处理量的56%，而去年12月这一比例仅为7%。

OpenRouter上开源模型处理的Token占比，也从今年1月的34%升至6月的65%。

电信巨头AT&T走在了最前面。其首席数据与AI官安迪·马库斯透露，目前约40%的AI工作负载运行在开源模型上，计划一年内提升至70%。

面对每天450亿Token的处理量，AT&T还会利用专有数据微调开源模型，让其在特定任务上达到甚至超过闭源模型的表现。

Match Group旗下Tinder的动作同样值得关注。其CTO透露，公司AI支出的年化规模从1月的100万美元猛增至7月的1000万美元，为控制成本，Tinder已经开始将部分非技术查询路由给开源模型。

就连中国模型也在这场成本战中获得了一张意想不到的入场券。

根据Ramp发布的2026年6月软件趋势榜，DeepSeek登上代表突破性增长的“Trending”榜首，而这张榜单过去的常客是Figma、Fireworks AI这类硅谷公司，一家中国模型公司登顶，是头一回。

“模型拼盘”：一个朴素的商业逻辑

真正重塑AI商业模式的，并非某个开源模型击败了闭源巨头，而是企业开始放弃“一个模型解决所有问题”的思路。

Tinder的做法很有代表性：最昂贵的前沿模型负责复杂任务，更便宜的开源模型承担大量日常工作。

信息提取、文本分类、简单代码修改、客服回复等这些高频但低复杂度的任务，并不需要调用最顶级的模型。

这种“多模型路由”策略的兴起，使得企业平均使用的模型数量从2025年Q1的2.1个增加到2026年Q1的4.7个。

企业不再对某一家模型供应商“从一而终”，而是根据任务的难度、时延要求和成本预算，动态分配不同的模型。

Databricks高管David Meyer的判断印证了这一趋势：经强化学习优化的开源小模型，可以用更低的训练成本完成特定任务；企业级AI竞争焦点正从模型规模转向实际运行效率与单位成本。

换句话说，AI行业正在从“卖最聪明的模型”转向“卖最合适的算力”。

然而，这场成本转向在硅谷引发了一场罕见的公开分裂。

7月24日，英伟达CEO黄仁勋在社交平台X上发布了首条帖子，称“世界既需要前沿闭源模型，也需要前沿开源模型”，微软CEO纳德拉在9分钟后发帖响应。

随后，Meta、IBM、Hugging Face、a16z等纷纷加入联署，公开信签署方从最初的33家迅速扩展到133家。

这份名为《开放权重与美国在AI领域的领导地位》的公开信，核心诉求是呼吁政策制定者避免过早限制或禁止开放权重AI模型。

但值得注意的是，OpenAI和谷歌最终在压力下签署了公开信，而Anthropic从头到尾缺席。当黄仁勋进一步成立需要真金白银投入的“开放安全AI联盟”时，OpenAI、谷歌和Anthropic均未回应。

原因很简单：利益算盘截然不同。

有天使投资人分析称：闭源阵营的核心诉求是守住技术垄断红利，OpenAI、Anthropic依靠千亿级算力投入打造顶级模型，商业模式完全依赖独家模型的付费调用，只有维持技术壁垒和封闭体系，才能保住高溢价和市场定价权。

而开源阵营立足产业扩容逻辑，英伟达、Meta这类基础设施与生态型企业不靠模型本身赚钱，开源能大幅降低AI落地门槛，反而带动算力消耗与云服务需求增长。

黄仁勋力挺开源的本质，是维护其GPU生态的繁荣。模型越开放，开发者越多，算力需求就越大。

开源追赶到什么程度了？

如果开源模型只是“便宜但不好用”，那么这场转向就不会发生，可是关键在于差距正在快速缩小。

Mozilla最新报告显示，中国开源模型与闭源前沿模型的性能差距已缩短至约4.4个月。

企业为接入最顶尖闭源模型所支付的API费用，通常相当于同等水平开源权重模型部署成本的5倍左右，而换来的仅仅是约4个月的技术先发时间差。

斯坦福HAI 2026年AI Index报告的数据更具冲击力：截至2026年3月，排名前四的闭源实验室Anthropic、xAI、谷歌和OpenAI，在Arena Leaderboard上的Elo分差已缩小至25分以内。

当性能趋同成为现实，模型本身就很难再构成持久的护城河。

在某些细分场景中，开源模型甚至已经开始反超。

在Claw-Eval基准测试中，小米的开放权重模型MiMo V2.5 Pro排名高于GPT-5.4、Meta的Muse Spark和Gemini 3.1 Pro。

GLM-5.2在SWE-bench Pro上的厂商自报成绩（62.1）也超过了GPT-5.5的58.6，而成本仅为其六分之一左右。

LeCun在社交媒体上为国产开源模型点赞，Cursor承认自研模型套壳Kimi K2.5，Cognition的SWE-1.6被曝在GLM模型上进行后训练……

这些案例共同勾勒出一个事实：开源模型已不再是“备选项”，而是许多硅谷产品的实际底座。

硅谷法律AI公司Harvey的做法更为直接：其首个内部模型Harvey Tenet，就是在Kimi K3的基础上进行后训练得到的。而Harvey恰恰是一家获得OpenAI投资的初创公司。

前沿AI的商品化，才刚刚开始

这场转变的深层逻辑，是AI行业正在经历一次从“稀缺品”到“商品”的转型。

2026年9月，Silicon Data的LLM Token支出指数首次跌破每百万Token 1美元，这是该指数开始追踪200多个模型以来的第一次。

Forkast的评论直截了当：智能作为稀缺、高利润商品的时代，已经实质性结束。

与此同时，前沿模型的价格走向了另一个极端。

GPT-6 Astra和Claude Fable 5.1发布时，输入价格定在每百万Token 10美元，输出价格更是直接翻倍到50美元。

行业正在“分层”：底层是商品化的廉价推理，上层是昂贵的自主智能体能力。

正如Forkast的分析所指出的，前沿实验室不再试图提供最便宜的计算，而是在争夺最高价值的自主任务——它们从“卖Token”转向“卖工作流整合”。

这意味着，“开源vs闭源”不是一个非此即彼的选择，而是一个分层配置的策略问题。

对于绝大多数企业而言，答案可能既不是全面拥抱开源，也不是死守闭源旗舰，而是像AT&T那样在能省钱的地方省钱，在需要顶尖能力的地方花钱。

Airbnb CEO Brian Chesky几个月前说了一句让硅谷震动的话：“我们正大量依赖阿里巴巴的通义千问模型，它比OpenAI更好更便宜。”

他补充说，公司也会使用OpenAI的最新模型，但在实际生产中通常不会大量使用，因为有更快、更经济的模型可供选择。

Chesky和奥特曼是挚友，可是在涉及自家产品整合时，“亲兄弟都要明算账”。

这大概就是2026年硅谷AI最真实的注脚：情怀归情怀，账单归账单。