KeyFrame內部研究專用

几十亿训出来的模型免费送,中国 AI 公司靠什么活?|Kimi K3作为SOTA模型为何要开源?|DeepSeek|阿里千问|开源模型|聊点不同E65

KK日常折腾·8月4日週二·24 min中文

三句話摘要

中國AI廠商為何開放模型權重而美國採取閉源——這不是技術選擇,而是商業生態與市場環境的必然結果。 中國AI廠商開源與美國廠商閉源的分化,本質上反映的是誰有能力把模型紅利轉化為其他形式收入——有雲、有電商、有廣告的平台型公司可以開源獲利;純模型銷售的公司必須閉源自衛;而被迫開源的獨立模型公司,實際上是在用全球可信度和融資估值來填補國內外商業路都走不通的現實。 商業模式決定開源取向

重點整理

重點
  • 1

    商業模式決定開源取向

  • 2

    阿里、谷歌等大平台型公司可安心開源模型,因為他們的利潤來自雲服務、廣告、電商,而非模型銷售。開源模型帶來用戶規模和數據反饋,最終轉化為高利潤的基礎設施消費——這是一套完整的商業閉環。相反,OpenAI和Anthropic沒有其他收入來源,開源模型直接等於喪失訂閱和API收入。

  • 3

    中國獨立模型公司的被迫開源

  • 4

    DeepSeek、月之暗面等廠商同時面臨四重障礙:芯片禁運阻斷海外服務部署、實體清單風險讓企業不敢簽合約、國內價格戰(Token價格0.0001美元/百萬)摧毀授權定價、沒有捆綁的其他業務。在此情況下,放棄模型收入的機會成本趨近於零,反而開源能換取全球排名、融資估值和人才吸引力。

  • 5

    成本結構的根本性反轉

  • 6

    開源模型將推理成本壓低兩個數量級——DeepSeek完成任務成本2美分 vs Claude Fable 5的2.75美元。美國應用層公司的單位經濟學因此徹底改變:從「高質量但昂貴」轉向「足夠好但便宜100倍」。這種轉變不是百分比級別的優化,而是數量級的革命。

  • 7

    政治經濟學的利益衝突

  • 8

    支持開放中國模型的陣營包括成本敏感的應用層公司、需要更多客戶購買芯片的英偉達、已掌握流量入口的谷歌。反對的是OpenAI和Anthropic(威脅其訂閱收入)。美國政府以國安名義考慮封禁,實際上也鞏固了在位者的優勢——但一旦美國企業的成本結構綁上廉價中國模型,封禁的政治代價就轉移到了美國企業肩上,形成反向遊說壓力。

實用技巧與重點

乾貨
  • 用戶規模與市場滲透:
  • QuestMobile(2026年3月):豆包3.45億月活、千問1.66億、DeepSeek 1.27億
  • 美國企業調用中國模型比例:2月突破30%,峰值46%
  • Vercel平台開源模型承接近三分之一AI請求
  • 成本對比:
  • DeepSeek V4-Flash:輸入每百萬Token 1元,緩存命中2毛
  • Claude Fable 5:每百萬Token輸入5美元、輸出25美元(成本差138倍)
  • Claude Opus 5:每百萬Token輸入5美元、輸出25美元(較Opus 4下降66%和67%)
  • 阿里豆包價格戰(2024年5月):每千Token 8厘,競爭對手跟進下降90%以上
  • 硬件需求:
  • Kimi K3:2.8兆參數、2.8TB存儲(相當於50-60部4K電影)
  • H100單卡顯存80GB,跑K3需35-40張,含緩存需40張以上
  • 八卡H100整機報價200多萬人民幣;四五台需1000萬以上投入
  • 融資與收入現狀:
  • 月之暗面估值:2025年12月43億美元→2026年7月500億美元(7個月漲11倍)
  • MiniMax月度現金消耗:2790萬美元(約2億人民幣)
  • 智譜年度經常性收入17億元、毛利率18.9%(對比軟體訂閱70-85%)
  • Anthropic年化收入(2026年5月)470億美元、OpenAI年化收入(2026年2月)250億美元
  • 政策與事件:
  • 《生成式人工智慧服務管理暫行辦法》(2023年8月15日):管制向公眾提供服務,不包括文件分發
  • Meta Llama API下線:2026年7月6日
  • Anthropic暫停模型訪問:2026年6月12日(出口管制),6月30日恢復
  • 商務部會談:與阿里、位元組、智譜等討論海外訪問分級管控
  • 美國新創公司遊說信:2026年7月22日,近200家簽署,警告封禁導致數百家公司倒閉
  • 月之暗面C端新用戶訂閱限制:2026年7月19日宣布(因算力不足)

結論

結論

中國AI廠商開源與美國廠商閉源的分化,本質上反映的是誰有能力把模型紅利轉化為其他形式收入——有雲、有電商、有廣告的平台型公司可以開源獲利;純模型銷售的公司必須閉源自衛;而被迫開源的獨立模型公司,實際上是在用全球可信度和融資估值來填補國內外商業路都走不通的現實。

完整解析

詳細

為什麼中國AI廠商選擇開源,美國廠商堅守閉源?這個問題的答案不在於技術能力,而在於各自截然不同的商業模式和市場約束條件。

以阿里為例,其商業邏輯非常清晰:不靠賣模型本身賺錢,而是靠賣運行模型的基礎設施賺錢。千問模型免費開源,但客戶要跑起來需要購買H100 GPU(光權重就要35-40張)、支付存儲、出網流量、向量資料庫等各項雲服務費用。一家想用AI改善工作流程的企業,最後發現自己需要按小時向阿里雲支付GPU租用、Token調用、存儲、向量資料庫、監控日誌、負載平衡等費用。阿里已在國內建立了完整的雲端服務優勢,可以輕鬆將模型開源帶來的用戶增長轉化為雲資源消費。放棄的模型授權收入本來就少,換來的卻是更高價值的基礎設施訂閱。C端策略亦然——免費的通義App購買的是1.66億月活用戶的品牌認知、企業客戶選擇優先級和使用者回饋數據,最終靠電商和廣告把錢賺回來。

相比之下,OpenAI和Anthropic沒有雲服務、沒有電商平台。收入完全來自訂閱和API調用。如果他們開源模型,客戶會在AWS上跑,錢全歸亞馬遜。開源對他們不是選擇,而是商業自殺。因此當他們看到中國模型開源壓低了全球Token價格時,唯一的應對是自己也降價——Opus的價格已從15美元/百萬Token降至5美元/百萬。

但中國獨立模型公司(DeepSeek、月之暗面、智譜)為何也開源呢?答案是他們被四重枷鎖逼上這條路。第一,芯片禁運限制了海外部署能力——無法在美國、歐盟建立推理集群。第二,海外客戶即使想用他們的API也不敢,因為怕被列入實體清單。第三,國內價格戰已把Token價格打到0.0001美元/百萬——低美國模型100倍以上。第四,他們沒有雲服務、電商或廣告業務可以捆綁。在四道門都關上的情況下,放棄模型授權的機會成本幾乎為零。反而開源能帶來全球頂級排名、美國企業採用、招聘吸引力和融資估值——月之暗面估值在7個月內從43億漲到500億美元就是證明。

這些開源模型對全球市場的衝擊是深遠的。開源模型把推理成本壓低了100倍以上,美國應用層公司的商業模式因此徹底改變。一家月收20美元、每用戶推理成本1.5美元的產品還能做下去;但若成本漲到15美元,生意就做不了。正因此,近200家矽谷新創公司7月聯名給總統寫信,警告若封禁中國開源模型,「數百家公司將立即倒閉」。他們的邏輯是:應用層創業公司做的是工作流程界面、產業數據、模型是買來的投入,單位經濟完全看推理成本。成本低兩個數量級是生存前提。

支持開放中國模型的陣營包括成本敏感的應用層公司、需要更多企業購買芯片的英偉達、已掌握流量入口不怕模型便宜的谷歌(他們按注意力計價,不按Token計價)。反對的只有OpenAI和Anthropic(威脅其訂閱收入)。美國政府以國安名義考慮封禁,實際上也鞏固了在位者優勢,但一旦美國企業成本結構綁上廉價中國模型,封禁代價就轉移到美國企業肩上,形成反向遊說壓力。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。