开源与闭源AI模型之争：从能力竞争转向经济效率博弈

AI竞争逻辑转变：从能力到经济性

过去两年，AI行业的核心议题是谁能训练出最强模型；如今，企业更关注“哪些任务值得调用最强模型，哪些可用便宜模型完成”。这一转变标志着AI竞争正从Capability（能力）转向Economics（经济性）。Token Optimization（Token优化）与Model Routing（模型路由）成为企业AI部署的两大关键词。

开源模型Token份额激增，但收入仍由闭源主导

数据显示，某头部Coding Agent平台上，开源模型的Token份额在7个月内从0.1%飙升至15%。截至2024年6月，中国模型在OpenRouter平台上的Token使用量已超过美国模型，亚洲模型整体占比达60%。然而，Token份额不等于收入份额——Anthropic虽仅占约12–13%的Token，却在编程相关支出中长期占据超60%的收入。市场正分化为两条车道：commodity lane（跑量）与premium lane（收钱）。

模型市场呈现“哑铃结构”：非强即廉

调研指出，AI模型市场正形成“哑铃结构”：一端是OpenAI、Anthropic等提供的前沿模型（Great），另一端是以DeepSeek为代表的高性价比开源模型（Cheap）。中间地带生存空间被压缩。DeepSeek凭借极致低价成为OpenRouter上最大单一供应商，市场份额超16%，设定了市场的“price-performance floor”（性价比地板）。任何比它贵但性能提升不显著的模型将难以存活。

企业采购逻辑升级：从买模型到买调度系统

企业不再单纯采购单一模型，而是部署能智能调度多模型的系统。Cognition等公司已实现将单次推理任务拆解为多个子任务，根据成本、延迟、准确率自动分配至不同模型。用户无需知晓背后调用的是哪家模型。这种Model Routing机制使企业既能控制成本，又能避免被单一厂商锁定。

标价失真：Fully Loaded Cost成新衡量标准

模型API的标价（如每百万Token价格）正失去参考价值。企业更关注Fully Loaded Cost per Successful Task（每次成功任务的完全成本），该成本包含缓存命中率、重试次数、推理稳定性等因素。部分低价模型因输出不稳定需多次重试，实际节省有限。例如，DeepSeek虽便宜，但用户抱怨其结果一致性差，可能抵消成本优势。

云与半导体：算力需求未减反增

尽管企业优化Token使用，但受Jevons Paradox（杰文斯悖论）驱动——单位成本下降反而刺激总需求增长——AI算力消耗仍在加速。Google第一方模型API吞吐量从每分钟160亿Token增至220亿。中国开源模型因本地算力不足，仍需依赖AWS、Azure等公有云部署，进一步推高云端GPU、HBM及高速网络需求。

投资启示：基础设施与调度层成新机会

模型层逐渐商品化，而能帮助企业自动选型、优化成本、提升ROI的平台（如Routing、Inference Infra、Agent编排）价值上升。Fireworks等公司凭借推理效率与调度能力获市场青睐。但若OpenAI、Anthropic加速向软件层垂直整合，独立Infra软件公司可能面临压力。

未来关键观察点

作者提出四个需持续跟踪的指标：1）Anthropic与OpenAI收入增速是否因“高价模型干杂活”减少而放缓；2）中国模型能否在公有云实现大规模稳定供给；3）开源与闭源模型的质量差距是收敛还是稳定；4）Fully Loaded Cost是否会成为采购决策的核心语言。这些将决定开源能否真正挑战闭源的商业护城河。