▲本文图片均来自网络，如有侵权请联系删除
算大模型的巨变
本文首发于影子备忘录文 陌影笙
此前，硅谷上演了一幕极具戏剧性的反转。
OpenAI前首席技术官米拉·穆拉蒂离职后创办的“思维机器实验室”，融资20亿美元、估值120亿美元，被美国科技界寄予厚望。
然而这家明星公司发布的首款通用大模型Inkling，却公开承认在一个核心架构上借鉴了中国DeepSeek-V3，并用月之暗面的Kimi K2.5进行了辅助训练。
一家融资上百亿的美国AI企业，核心架构来自中国，训练数据来自中国，甚至连商业模式都在效仿中国开源路线。
《福布斯》杂志对此直言不讳：当中国实验室从美国模型学习时，被污蔑为盗窃；当美国实验室从中国模型学习时，却被美言为工程。这种修辞上的双重标准，已经到了无法忽视的地步。
一场静悄悄的基础设施迁移
AI模型聚合平台OpenRouter的统计显示，自2026年2月8日以来，美国企业调用中国AI模型的词元占比每周均超过30%，峰值达到46%。
而过去12个月的平均占比仅为11%，2025年上半年最低时只有4.5%。
一年时间，从4.5%到46%。这意味着美国企业将近一半的AI推理任务，跑在了中国模型上。
这不是实验室里的技术演示，而是真金白银的生产级应用。
加密货币交易平台Coinbase将智谱GLM-5.2与月之暗面Kimi K2.7设为工程师默认模型，AI支出压缩近一半。
旧金山AI初创公司Lindy从Anthropic Claude全面切换至DeepSeek-V4，推理成本下降约95%，每年节省数百万美元。
爱沙尼亚数据采集公司Floxy迁移至DeepSeek-V3后，推理成本下降约92%。智谱GLM-5.2发布后首个完整周，日词元量增长约27倍，客户数量增长约80倍，成为2026年落地速度最快的模型。
一个关键细节：Lindy公司仅有约25名员工，其API账单一度超过全体员工的薪资支出。当AI账单成为生存问题，性价比就不再是锦上添花，而是生死攸关的决策变量。
中国大模型正在从“可选项”变成“必选项”。
而美国企业转向中国模型，最直接的原因是成本。
中国代表性大模型的算力效率比美国领先大模型平均高30.4%，头部模型Token均价约为美国同类产品的四分之一。
OpenRouter的数据显示，中国开源模型比Anthropic和OpenAI的领先模型便宜60%到90%。多位海外企业负责人透露，迁移至中国大模型后，推理成本下降了30%至95%不等。
但成本只是表象。真正让美国企业愿意“迁移”而非“观望”的，是中国大模型在性能上的快速逼近。
斯坦福大学2026年《人工智能指数报告》显示，截至2026年3月，中美头部模型在综合测评上的差距已缩小至约2.7%。布鲁金斯学会研究员估计，中国模型目前落后美国顶尖竞争对手约六到九个月。而在某些细分领域，中国模型已经实现反超。
2026年7月，月之暗面发布Kimi K3，2.8万亿参数的开源权重模型。在Arena前端代码排行榜上，Kimi K3以1679分登顶，超过Anthropic Claude Fable 5的1631分和OpenAI GPT-5.6 Sol的1618分。
前端7个细分方向，拿下6个第一。综合排名从上一代的第18名直接跃升至第一梯队。
一家买不到最大规模算力的中国实验室，在面临美国对最先进芯片出口管制的情况下，通过架构创新和工程优化把差距缩得这么快。
算力还是唯一的答案吗？
中国大模型的竞争力，根植于一套不同于硅谷“算力军备竞赛”的技术哲学。
DeepSeek-V3采用的混合专家模型架构，总参数约2840亿，但每次推理实际激活的参数仅约130亿。
这意味着同等性能下计算资源消耗被大幅压缩。DeepSeek训练V3的总成本约560万美元，这个数字在OpenAI和Anthropic动辄数亿美元的预算面前，几乎可以忽略不计。
Inkling同样走了这条路。9750亿个总参数，但只有410亿个是“活跃”参数，每次查询只激活模型的一小部分。
思维机器实验室明确表示，Inkling的设计重点不是追求原始性能的极限，而是在“成本与性能之间取得平衡”。
Kimi K3的2.8万亿总参数中，激活参数仅约500亿个。
月之暗面表示，研发重点不是简单扩大参数规模，而是通过模型架构、训练方法和后训练的协同优化，将规模优势转化为能力提升，整体扩展效率相较上一代提升约2.5倍。
这套技术路线的核心逻辑是：与其不计代价地堆砌算力，不如在架构层面做减法，用更少的资源激活更强的能力。
这不是“低成本替代”，而是一种不同的技术范式。当美国巨头在算力扩张的道路上一路狂奔时，中国企业选择了一条更精密的路径：用算法效率弥补硬件短板，用工程优化替代算力堆砌。
如果说架构创新是“内功”，那么开源策略就是中国大模型撬动全球市场的“杠杆”。
Inkling选择了“开放权重”路线，用户可以部署在自己的服务器上并根据具体应用场景进行微调。思维机器实验室表示，当前多数AI工具都是“由少数机构训练完成后固定下来”，未来人工智能应更加开放。
这套叙事听起来是不是很熟悉？这正是中国开源大模型过去两年一直在做的事情。
中国大模型普遍坚持开源开放，推动技术普惠与生态共荣。在OpenRouter上，最受欢迎的6个模型全部来自中国公司。
中国模型下载量和衍生模型数量已超美国，引领全球人工智能开源生态。
开源带来的不仅是技术传播，更是一种商业模式的重构。美国开发者社区讨论中国大模型的频率与一两年前相比明显升高，很多人关注的是它们是否开源、能不能本地部署、推理成本怎么样，而不只关注聊天效果。
Hugging Face的机器学习主管直言，越来越多的公司倾向于使用更便宜的、可以自行控制和调整的AI技术栈，“鉴于开源和开放权重模型的现状，这通常意味着选择中国的方案”。
当一个技术生态的“默认选项”开始从美国模型转向中国模型，变化的性质就已经超越了单纯的商业竞争。
华尔街的信仰危机
华尔街过去三年相信的是一条简单的大模型定律：模型越强，参数越大，训练越贵，GPU越多，英伟达越值钱。
这条公式一路运行到2026年中，英伟达市值从1万亿美元冲到5万亿美元。
DeepSeek-R1在2025年初用远低于预期的成本跑出接近GPT-4的推理水平，英伟达一天蒸发5890亿美元。那次被市场当作虚惊一场，半年后资本开支继续扩张。
但Kimi K3的冲击不一样。高盛在内部备忘录中写下了一个反问：一家买不到最大规模算力的中国实验室，凭什么把差距缩得这么快？这个问题一旦被提出，华尔街的信仰就开始动摇。
以前所有人默认，规模就等于GPU。今天规模变成了GPU加算法加数据加后训练加强化学习的合力。算力不再是唯一的答案。
硅谷巨头们预计2026年资本开支达到7000亿美元。这些钱要变成芯片、变成数据中心、变成英伟达的订单。
前提是大模型必须继续变大、继续烧钱。但如果越来越多的公司能用更少的GPU、更低的成本做出同等水平的模型，全球GPU采购量还需要那么大吗？
摩根大通将Kimi K3的发布称为“DeepSeek 2.0时刻”。高盛直接推出“中国AI价值链”可交易篮子，给出“做多”指令。华尔街正在用真金白银重新定价AI产业的未来。
回看中国大模型的发展轨迹，这是一条清晰的进化路径。
第一阶段，国内大模型整体处在“能用”的水平，起步晚于美国，上下文长度有限、逻辑推理偏差大，在数学、代码、复杂长文本等核心任务上存在显著代差。
第二阶段进入“好用”阶段，性能快速提升，开始在某些领域逼近美国同行。
现在，中国大模型正在进入第三阶段。
Kimi K3的发布不仅是一次技术突破，更是一场关于AI产业定价权和全球生态主导权的关键博弈。它证明了中国企业能够走出一条不同于硅谷的普惠路线。
这种路线为世界提供了另一种选择，不是只有不计代价的算力堆砌才能通向AGI。
《福布斯》在评论Inkling事件时写道：“中美AI竞争的胜负取决于产业生态，而非单一模型。”这句话道出了问题的本质。
结语
大模型竞争，什么最关键？
当美国企业开始借鉴中国架构，当华尔街开始质疑算力投资的合理性，当开源模型在性能上逼近闭源旗舰，一个根本问题浮现出来：在大模型竞争中，什么才是真正的胜负手？
算力很重要，但不是唯一答案。中国企业在芯片受限的条件下，用架构创新和工程优化证明了这一点。
参数规模很重要，但效率更重要。2.8万亿参数的模型，只激活500亿个参数就能达到顶尖性能，这不是参数的胜利，而是架构的胜利。
闭源模型的商业护城河正在被开源生态侵蚀。当最受欢迎的6个模型全部来自开源阵营，当美国企业将近一半的推理任务跑在开源模型上，闭源模式的商业逻辑需要重新审视。
大模型竞争的终极答案，或许不在于谁拥有更多的GPU、更大的参数、更贵的模型，而在于谁能在给定的资源约束下创造出更高的智能效率，谁能构建一个让全球开发者愿意参与的开源生态，谁能把技术创新转化为可规模化、可持续的产业能力。
美国企业正在抄中国作业，不是因为中国有什么“秘密武器”，而是因为中国企业找到了一条更聪明的前进路径。
这条路不追求用资源碾压对手，而是追求用效率重新定义竞争规则。
而这条路，才刚刚开始。
原文标题 : 美国大模型，正在抄中国作业
▲本文图片均来自网络，如有侵权请联系删除
算大模型的巨变
本文首发于影子备忘录文 陌影笙
此前，硅谷上演了一幕极具戏剧性的反转。
OpenAI前首席技术官米拉·穆拉蒂离职后创办的“思维机器实验室”，融资20亿美元、估值120亿美元，被美国科技界寄予厚望。
然而这家明星公司发布的首款通用大模型Inkling，却公开承认在一个核心架构上借鉴了中国DeepSeek-V3，并用月之暗面的Kimi K2.5进行了辅助训练。
一家融资上百亿的美国AI企业，核心架构来自中国，训练数据来自中国，甚至连商业模式都在效仿中国开源路线。
《福布斯》杂志对此直言不讳：当中国实验室从美国模型学习时，被污蔑为盗窃；当美国实验室从中国模型学习时，却被美言为工程。这种修辞上的双重标准，已经到了无法忽视的地步。
一场静悄悄的基础设施迁移
AI模型聚合平台OpenRouter的统计显示，自2026年2月8日以来，美国企业调用中国AI模型的词元占比每周均超过30%，峰值达到46%。
而过去12个月的平均占比仅为11%，2025年上半年最低时只有4.5%。
一年时间，从4.5%到46%。这意味着美国企业将近一半的AI推理任务，跑在了中国模型上。
这不是实验室里的技术演示，而是真金白银的生产级应用。
加密货币交易平台Coinbase将智谱GLM-5.2与月之暗面Kimi K2.7设为工程师默认模型，AI支出压缩近一半。
旧金山AI初创公司Lindy从Anthropic Claude全面切换至DeepSeek-V4，推理成本下降约95%，每年节省数百万美元。
爱沙尼亚数据采集公司Floxy迁移至DeepSeek-V3后，推理成本下降约92%。智谱GLM-5.2发布后首个完整周，日词元量增长约27倍，客户数量增长约80倍，成为2026年落地速度最快的模型。
一个关键细节：Lindy公司仅有约25名员工，其API账单一度超过全体员工的薪资支出。当AI账单成为生存问题，性价比就不再是锦上添花，而是生死攸关的决策变量。
中国大模型正在从“可选项”变成“必选项”。
而美国企业转向中国模型，最直接的原因是成本。
中国代表性大模型的算力效率比美国领先大模型平均高30.4%，头部模型Token均价约为美国同类产品的四分之一。
OpenRouter的数据显示，中国开源模型比Anthropic和OpenAI的领先模型便宜60%到90%。多位海外企业负责人透露，迁移至中国大模型后，推理成本下降了30%至95%不等。
但成本只是表象。真正让美国企业愿意“迁移”而非“观望”的，是中国大模型在性能上的快速逼近。
斯坦福大学2026年《人工智能指数报告》显示，截至2026年3月，中美头部模型在综合测评上的差距已缩小至约2.7%。布鲁金斯学会研究员估计，中国模型目前落后美国顶尖竞争对手约六到九个月。而在某些细分领域，中国模型已经实现反超。
2026年7月，月之暗面发布Kimi K3，2.8万亿参数的开源权重模型。在Arena前端代码排行榜上，Kimi K3以1679分登顶，超过Anthropic Claude Fable 5的1631分和OpenAI GPT-5.6 Sol的1618分。
前端7个细分方向，拿下6个第一。综合排名从上一代的第18名直接跃升至第一梯队。
一家买不到最大规模算力的中国实验室，在面临美国对最先进芯片出口管制的情况下，通过架构创新和工程优化把差距缩得这么快。
算力还是唯一的答案吗？
中国大模型的竞争力，根植于一套不同于硅谷“算力军备竞赛”的技术哲学。
DeepSeek-V3采用的混合专家模型架构，总参数约2840亿，但每次推理实际激活的参数仅约130亿。
这意味着同等性能下计算资源消耗被大幅压缩。DeepSeek训练V3的总成本约560万美元，这个数字在OpenAI和Anthropic动辄数亿美元的预算面前，几乎可以忽略不计。
Inkling同样走了这条路。9750亿个总参数，但只有410亿个是“活跃”参数，每次查询只激活模型的一小部分。
思维机器实验室明确表示，Inkling的设计重点不是追求原始性能的极限，而是在“成本与性能之间取得平衡”。
Kimi K3的2.8万亿总参数中，激活参数仅约500亿个。
月之暗面表示，研发重点不是简单扩大参数规模，而是通过模型架构、训练方法和后训练的协同优化，将规模优势转化为能力提升，整体扩展效率相较上一代提升约2.5倍。
这套技术路线的核心逻辑是：与其不计代价地堆砌算力，不如在架构层面做减法，用更少的资源激活更强的能力。
这不是“低成本替代”，而是一种不同的技术范式。当美国巨头在算力扩张的道路上一路狂奔时，中国企业选择了一条更精密的路径：用算法效率弥补硬件短板，用工程优化替代算力堆砌。
如果说架构创新是“内功”，那么开源策略就是中国大模型撬动全球市场的“杠杆”。
Inkling选择了“开放权重”路线，用户可以部署在自己的服务器上并根据具体应用场景进行微调。思维机器实验室表示，当前多数AI工具都是“由少数机构训练完成后固定下来”，未来人工智能应更加开放。
这套叙事听起来是不是很熟悉？这正是中国开源大模型过去两年一直在做的事情。
中国大模型普遍坚持开源开放，推动技术普惠与生态共荣。在OpenRouter上，最受欢迎的6个模型全部来自中国公司。
中国模型下载量和衍生模型数量已超美国，引领全球人工智能开源生态。
开源带来的不仅是技术传播，更是一种商业模式的重构。美国开发者社区讨论中国大模型的频率与一两年前相比明显升高，很多人关注的是它们是否开源、能不能本地部署、推理成本怎么样，而不只关注聊天效果。
Hugging Face的机器学习主管直言，越来越多的公司倾向于使用更便宜的、可以自行控制和调整的AI技术栈，“鉴于开源和开放权重模型的现状，这通常意味着选择中国的方案”。
当一个技术生态的“默认选项”开始从美国模型转向中国模型，变化的性质就已经超越了单纯的商业竞争。
华尔街的信仰危机
华尔街过去三年相信的是一条简单的大模型定律：模型越强，参数越大，训练越贵，GPU越多，英伟达越值钱。
这条公式一路运行到2026年中，英伟达市值从1万亿美元冲到5万亿美元。
DeepSeek-R1在2025年初用远低于预期的成本跑出接近GPT-4的推理水平，英伟达一天蒸发5890亿美元。那次被市场当作虚惊一场，半年后资本开支继续扩张。
但Kimi K3的冲击不一样。高盛在内部备忘录中写下了一个反问：一家买不到最大规模算力的中国实验室，凭什么把差距缩得这么快？这个问题一旦被提出，华尔街的信仰就开始动摇。
以前所有人默认，规模就等于GPU。今天规模变成了GPU加算法加数据加后训练加强化学习的合力。算力不再是唯一的答案。
硅谷巨头们预计2026年资本开支达到7000亿美元。这些钱要变成芯片、变成数据中心、变成英伟达的订单。
前提是大模型必须继续变大、继续烧钱。但如果越来越多的公司能用更少的GPU、更低的成本做出同等水平的模型，全球GPU采购量还需要那么大吗？
摩根大通将Kimi K3的发布称为“DeepSeek 2.0时刻”。高盛直接推出“中国AI价值链”可交易篮子，给出“做多”指令。华尔街正在用真金白银重新定价AI产业的未来。
回看中国大模型的发展轨迹，这是一条清晰的进化路径。
第一阶段，国内大模型整体处在“能用”的水平，起步晚于美国，上下文长度有限、逻辑推理偏差大，在数学、代码、复杂长文本等核心任务上存在显著代差。
第二阶段进入“好用”阶段，性能快速提升，开始在某些领域逼近美国同行。
现在，中国大模型正在进入第三阶段。
Kimi K3的发布不仅是一次技术突破，更是一场关于AI产业定价权和全球生态主导权的关键博弈。它证明了中国企业能够走出一条不同于硅谷的普惠路线。
这种路线为世界提供了另一种选择，不是只有不计代价的算力堆砌才能通向AGI。
《福布斯》在评论Inkling事件时写道：“中美AI竞争的胜负取决于产业生态，而非单一模型。”这句话道出了问题的本质。
结语
大模型竞争，什么最关键？
当美国企业开始借鉴中国架构，当华尔街开始质疑算力投资的合理性，当开源模型在性能上逼近闭源旗舰，一个根本问题浮现出来：在大模型竞争中，什么才是真正的胜负手？
算力很重要，但不是唯一答案。中国企业在芯片受限的条件下，用架构创新和工程优化证明了这一点。
参数规模很重要，但效率更重要。2.8万亿参数的模型，只激活500亿个参数就能达到顶尖性能，这不是参数的胜利，而是架构的胜利。
闭源模型的商业护城河正在被开源生态侵蚀。当最受欢迎的6个模型全部来自开源阵营，当美国企业将近一半的推理任务跑在开源模型上，闭源模式的商业逻辑需要重新审视。
大模型竞争的终极答案，或许不在于谁拥有更多的GPU、更大的参数、更贵的模型，而在于谁能在给定的资源约束下创造出更高的智能效率，谁能构建一个让全球开发者愿意参与的开源生态，谁能把技术创新转化为可规模化、可持续的产业能力。
美国企业正在抄中国作业，不是因为中国有什么“秘密武器”，而是因为中国企业找到了一条更聪明的前进路径。
这条路不追求用资源碾压对手，而是追求用效率重新定义竞争规则。
而这条路，才刚刚开始。
原文标题 : 美国大模型，正在抄中国作业
