80%美国AI初创使用中国开源模型，AI的供应链用脚投票

抖音推荐 2025年08月28日 16:33 1 admin

一则来自顶级风险投资公司 Andreessen Horowitz（a16z）合伙人 Martin Casado 的言论，近期在 AI 领域引发了业界的广泛关注。据《经济学人》报道，Martin Casado 在观察自家投资组合时发现一个有趣的趋势：如今在硅谷，相当一部分前来寻求融资的 AI 初创公司，其路演时所展示出的核心模型，既非出自 OpenAI，也非来自 Anthropic，而是来自中国的开源模型，这个比例甚至可能高达 80%。

几乎在同一时间，另一个在开发者社区流传的现象似乎也为此提供了旁证：在全球众包 AI 评测平台 Design Arena 的开源模型排行榜上，前 16 名全部被中国模型占据。一时间，许多网友感叹中国的开源 AI 模型正在对美国的应用创新生态产生实质性影响，甚至可能改变全球 AI 领域的竞争格局。《经济学人》甚至表示：“中国 AI 正在凭借开源超过美国”。

但在风口与热议之下，其背后的真实语境究竟如何？仅凭这两个数字，还不足以我们做出断言。

图丨Design Arena 开源模型榜单（来源：Design Arena）

想要理解 Martin Casado“80%”论断背后的逻辑，我们必须首先了解初创公司的生存逻辑。对于一家刚刚起步、资金捉襟见肘的 AI 企业而言，选择技术栈是一道在理想与现实间不断权衡的计算题。长期以来，以 OpenAI 的 GPT 系列为代表的专有大语言模型（LLM，Large Language Model）凭借其强大的性能，被视为获得最先进 AI 能力的唯一船票。然而，这张船票价格不菲。通过 API 调用的方式，每一次交互都意味着实打实的成本支出。对于一个产品尚未成型、没有稳定现金流的团队，这笔开销足以构成沉重的负担。

开源模型，尤其是近年来性能表现优异的中国开源模型，如 DeepSeek 系列和阿里巴巴的通义千问（Qwen）系列，恰好为这些创新者们提供了另一条可能性，一条看起来阻力更小的路径。其吸引力或许主要体现在三个层面：

首先是成本效益。开源模型可以被部署在本地，初始投入之后，推理成本相对可控。这种模式在很大程度上降低了初创公司的试错成本，使得它们能将更多资源投入到产品开发和市场验证本身。

其次是控制权与定制化。初创公司的价值往往体现在其独特的业务场景和专有数据上。开源模型允许团队在自己的数据上进行微调（fine-tuning），从而打造出更贴合特定需求的产品。这个过程通常无需将敏感数据上传至第三方云服务，这在一定程度上缓解了数据主权和安全性的顾虑，对于金融、医疗等数据敏感行业来说，这一点尤为重要。相比之下，开发者能够对专有模型进行的定制化操作则相对有限。

最后，也是很关键的一点，是性能的追赶。在过去，选择开源常常被认为是在性能上的一种妥协。但进入 2025 年，情况似乎发生了变化。以 DeepSeek R1 为代表的许多开源模型在多项基准测试中的表现，已经可以和一些顶级的专有模型相提并论，在数学和代码等特定任务上甚至展现出很强的竞争力。

这意味着，初创公司如今面临的选择，可能不再是“昂贵的最佳性能”和“廉价的次优性能”之间的艰难权衡。他们有机会在不牺牲核心性能的前提下，享受开源带来的成本与灵活性优势。对于需要快速构建最小可行产品（MVP，Minimum Viable Product）以验证创意的早期团队来说，高性能的中国开源模型提供了一种颇具资本效率的方案。

然而，如果我们把视线从初创公司的世界，转向大型企业的决策层，看到的可能是一种截然不同的景象。当前的 AI 市场，似乎正呈现出两极分化的格局。一边是开发者和初创公司对开源的热情，另一边则是大型企业在核心业务部署上对专有模型的依赖。

风险投资公司 Menlo Ventures 的数据显示，2025 年上半年全球企业在生成式 AI 上的 84 亿美元支出中，OpenAI 和 Anthropic 两家公司就占据了 57% 的份额，而 Meta 的开源模型 Llama 仅占 9%。这种分化清晰地反映了不同用户群体的优先级差异：初创公司和开发者优先考虑性能、成本和灵活性的平衡；而大型企业则更关注安全性、技术支持、服务等级协议（SLA，Service-Level Agreement）和法律责任的明确性。

图丨企业 LLM 市场份额统计（来源：Menlo Ventures）

企业的 AI 采购决策流程，正变得越来越像传统的软件采购。它们依赖详细的评估清单、严格的合规审查以及与现有供应商（如 Google Cloud 和 Microsoft Azure）的合作关系。这为那些拥有成熟企业销售体系和完整服务支持的科技巨头创造了天然的渠道优势。相比之下，即使一个开源模型在技术上表现优异，企业若要采用，仍需自行承担部署、维护和风险管理的全部责任，这对于许多风险规避型的大型组织来说，是一个难以逾越的门槛。

而且当开源模型来自中国时，这种顾虑之上可能还会叠加地缘政治和数据安全的考量。对数据管理、供应链稳定性的担忧，共同构成了一道无形的信任鸿沟。

尽管这些担忧在很多时候可能只是无端的揣测，但它们实实在在地影响着企业的决策，使得这些企业很难将核心业务的信任票投给中国的开源模型。一个独立开发者可以纯粹从技术角度做选择，但一家跨国公司的首席信息安全官在做决策时，必须进行更为复杂的风险评估。这使得他很难向董事会解释，为何要将公司的核心业务流程，构建在一个其认为存在不确定性的技术基础之上。这道鸿沟或许可以解释，为什么中国开源模型虽然在技术上备受瞩目，却仍需时间来赢得全球企业市场的广泛信任。

而且即便是来自美国的开源模型，在企业市场中也并没有占据太高的比例。甚至 Melon Ventures 的调研显示，当初创公司逐渐发展扩张后，出于获取更强大的性能和其他考量，也会选择转向闭源模型（某种程度这可能也与 Llama 系列模型目前相对落后的表现不无关系）。

如果我们结合 Casado 在最近一档播客节目中的发言，或许可以更好的理解这一复杂的市场状况：一方面，他认为“在落地层面，的确出现了从开源转向闭源的移动”；另一方面，“围绕开源的公共论述与政策支持，又比以往任何时候都更响亮。”白宫《AI 行动计划》对开源/开放权重的强力背书，就是典型例证。换句话说，“话语场”更支持开源，但“生态层”却在收紧。

图丨相关播客节目（来源：20VC）

他提到了一个常被忽视的事实，“开源”在 AI 语境下本身就是个容易误导的词：行业的“标准做法”往往是开源较小的模型以换取分发与品牌，而将更强的模型闭源以守住商业护城河。这与传统软件不同——就算释放了权重，也不代表他人可以真正复制，因为要复现能力，需要重建数据管道与训练管道。正因如此，投入数亿到数十亿美元训练出的模型“不太可能直接无条件送人”，商业理性会主导行为。于是，顶层基础模型的“真开源”会收窄，但开源仍会是生态中不可或缺的一大块；“历史上开源只占软件总价值约 20%，而在 AI 中这一占比明显更高”——某种意义上，AI 时代的开源比软件史上的开源做得更好。

不过，Casado 对开源的中长期前景整体并不乐观。他判断行业正经历从“开源”走向“闭源”的趋势，“我认为开源会越来越少”。除了开源所面临的商业难题，技术发展的趋势也在推高门槛：随着模型能力的提升，训练成本呈指数级增长，自然会限制真正开源的顶级模型数量；与此同时，推理成本的快速下降使得通过 API 调用专有模型越来越经济，减少了用户本地自部署开源模型的动机。许多分析者因此认为，未来的 AI 市场将更像云计算行业：少数拥有巨额资金与数据能力的公司维护最先进的模型，而大多数用户通过 API 访问这些服务。

想要从零开始复现一个顶级的基础模型，所需投入是巨大的，这远远超出了大多数组织的能力范围。这种极高的准入门槛，或许意味着未来能够持续推出最前沿基础模型的玩家，将只会是少数几个拥有雄厚资本和数据能力的主体。因此，一种可能的未来图景是，开源格局并非百花齐放，而是由少数几个“开源（或开放权重）平台”提供最前沿的基础模型，而广大的开发者和企业则在此基础上进行应用创新。开源的广度（应用层面）会继续扩展，但其深度（基础模型创新层面）则可能趋于集中。

因此，在“80% 美国 AI 初创靠中国开源模型”背后，实际上所反映的是 AI 发展进入一个多极化、多层次竞争的新阶段。某种程度上，Yann LeCun 评价 DeepSeek 时的那句话放在这里同样合适——“这是开源的胜利”。一个由少数美国专有实验室主导尖端 AI 模型的单极时代正在走向终结。市场正朝两个既独立又相互关联的生态系统演化：一是由信任、安全和全面支持驱动的企业市场，这里仍是美国专有模型的传统优势领域；二是由性能、成本和灵活性驱动的开发者与初创公司市场，这里正成为全球开源力量，尤其是中国开源模型展现活力的舞台。

参考资料：

1.https://www.economist.com/business/2025/08/21/china-is-quietly-upstaging-america-with-its-open-models

2.https://www.theinformation.com/articles/why-businesses-are-skipping-open-source-models?rc=rpuplc

3.https://www.youtube.com/watch?v=v0-7wlTdGck&t=8s

4.https://menlovc.com/perspective/2025-mid-year-llm-market-update/

运营/排版：何晨龙