全球最有钱、最有人才的美国AI产业，在“开源模型”这件事上集体缺席。这不是偶然，而是一个结构性问题——开源AI的经济本质，与“开源”模式之间存在深层矛盾。
2026年夏天，一个现象格外刺眼：中国模型公司月之暗面的Kimi K3模型刚一推出，不仅把美国芯片股打趴下，而且撕裂了整个硅谷。与此同时，Hugging Face数据显示，中国开源模型的下载量已经占到平台总量的41%。
NPR报道，美国初创公司正在批量转向更便宜的中国模型来压缩成本。一位匿名的美国创业者告诉媒体，使用阿里巴巴的Qwen模型每年能省下40万美元。
但全球最有钱、最有人才的美国AI产业，在“开源模型”这件事上集体缺席。这不是偶然，而是一个结构性问题。
注：数据来源Hugging Face平台统计及NPR公开报道。美国前沿开源模型指在性能上可与GPT-5.6、Claude Opus等前沿闭源模型竞争的开放权重模型。
要理解美国为什么做不出开源AI，得先理解美国前沿AI的经济账。训练一个前沿模型的成本是数亿美元。OpenAI和Anthropic的年训练开支已经远超大多数上市公司的全部研发预算。
但比成本更要命的是时间。20VC播客中，投资人Rory指出一个残酷的现实：一个前沿模型的“保质期”大约只有12到24个月。新一代模型一出，上一代就贬值。这意味着数亿美元的训练投入，必须在一到两年内通过API定价回收，否则就是沉没成本。
在这种压力下，闭源不是一种选择，而是生存逻辑。
卖“智能服务”按token计费，用户无法绕开你直接获得模型能力。开源会直接摧毁这个前提。
需要有一个不需要模型盈利的“金主”来养，或者靠社区力量众筹——但AI训练不是Linux，无法社区众包。
Ramp的经济学家Ara Kharazian在接受NPR采访时说了一句大实话——中国开源模型的崛起，恰恰证明市场上存在一个巨大的需求，而美国的模型公司目前没有在满足它。
注：对比卡展示了两种模式的核心商业逻辑。开源AI需要持续的资金投入，而美国前沿AI的成本结构天然排斥“免费”。
如果说美国AI圈曾经有一个真正的开源信徒，那就是Meta。2024年，Zuckerberg写了长文《开源AI是前进之路》，并在播客上对闭源模型给出简洁有力的回答——“Fuck that”。
Meta接连发布Llama 2、Llama 3，成为美国开源AI事实上唯一的旗手。但Llama的底层逻辑不是普惠理想，而是竞争策略——如果开源模型足够好，就能侵蚀OpenAI和Google的护城河。Meta自己靠广告赚钱，不需要模型直接盈利。
可惜，这把武器在2025年末失灵了。
Meta不干了。有没有其他美国公司愿意接这个位置？理论上是有的。但美国公司面临一个“结构性困境”。
业界公认的高效训练方法叫“蒸馏”——用一个更强模型的输出来训练一个更小、更便宜的模型。马斯克在法庭上公开承认自家公司xAI也用蒸馏，并表示这是行业常规做法。
但问题来了：OpenAI和Anthropic的服务条款，明确禁止用户将模型输出用于训练竞争性模型。如果你是一家守规矩的美国公司，你就不能用市场上最强的模型来加速自己的训练。
2026年7月15日，OpenAI前CTO Mira Murati的Thinking Machines Lab发布了Inkling，一个9750亿参数的开放权重模型，使用了最宽松的Apache 2.0许可证。但Thinking Machines自己也坦承——Inkling不是前沿模型，它的定位是“微调的好底座”。
一个前OpenAI CTO带着120亿美元估值的创业公司全力以赴，做出来的东西还是够不到前沿。这恰恰证明了开源这条路被锁得有多死。
注：蒸馏悖论指美国公司因遵守服务条款而无法使用最强模型加速训练，导致竞争力下降。Inkling案例说明即使有顶级团队和资源，也难以突破这一困境。
如果把视野拉远一点，美国做不出开源AI这件事，指向的可能是一个更大的命题——AI时代的经济规律，和软件时代根本不同。
回头看，开源软件的黄金时代几乎是一个经济学上的奇迹。Linux内核的代码一旦写出来，“复制”的成本几乎为零。全世界的程序员通过互联网协作，每人贡献一点代码，积少成多。整个开源生态都建立在同一个经济前提上：代码是一种写出来之后就不再消耗物理资源的东西。
AI模型把这个前提彻底打碎了。
零边际成本。你写了一个函数，一亿个人调用它，你不需要为这一亿次调用多付一分钱。经济学上完全自洽。
每一次推理都在消耗真实的算力和电力。边际成本是刚性的，由物理定律和电费账单决定。无法真正免费。
更残酷的是训练端。Linux内核可以迭代30年，每一行新代码都叠加在旧代码之上，知识是累积的。但AI模型的训练是“推倒重来”式的——每一代新模型都需要重新投入数亿美元，上一代的训练成本基本无法复用。软件时代的开源像滚雪球，AI时代的开源像填无底洞。
Rory在20VC播客中点出了另一层差异：微软当年能用捆绑策略碾压竞争对手，是因为把浏览器塞进操作系统的成本几乎为零。但AI公司不行——你每降一次价，你的推理成本不会跟着降。你的边际成本是刚性的，是由物理定律和电费账单决定的。
这就是为什么“开源AI”，在经济学意义上是一个反自然的存在。你不可能让一个有持续物理成本的东西真正免费。
美国做不出低成本开源AI模型，不是某家公司的失败，不是某个政策的缺陷。这是AI这种技术的经济本质，和“开源”这种模式之间的深层矛盾。一个值得追问的悬念是：愿意持续为全世界“付出”的那个角色，最终会是谁？
中国开源模型正在填补美国公司留下的空白。当开源在AI时代注定需要真金白银来支撑，愿意持续为全世界“付出”的那个角色，最终会是谁？
在评论区留下你的看法 →