硅谷正在“悄悄”使用中国AI

开篇

订阅者朋友，Airbnb首席执行官Brian Chesky去年10月在接受彭博社采访时说过一句话。他谈到阿里巴巴的Qwen模型时说“非常好、非常快、非常便宜”。与Sam Altman私交甚笃的他能在公开场合说出这样的话，说明硅谷的氛围已经发生了相当大的变化。

不只是阿里巴巴的Qwen。从初创公司起步的MiniMax、Kimi，还有DeepSeek都是如此。甚至在最近的OpenClaw热潮中，被选用最多的模型也是中国模型。

事实上，NBC News对15位AI初创公司创始人、机器学习工程师和投资人进行了匿名采访，其中大多数人表示，出于成本问题，他们已经在实际业务中采用了中国产的AI模型。但这并不只是“用便宜货”这么简单的故事。今天我们就来仔细梳理一下这个现象背后的结构性意义。

数字揭示的真相：80%背后的真实情况

a16z（安德森·霍洛维茨）的普通合伙人Martin Casado在接受《经济学人》采访时抛出的一个数字震动了整个行业。他说：“来找我们做投资路演的、基于开源模型的初创公司中，有80%在使用中国模型。”

不过这里需要补充一点背景。Casado本人后来做出了解释，这个80%指的是在使用开源模型的初创公司中的比例。而在全部初创公司中，使用开源模型的比例约为20%到30%，所以实际上，全体初创公司中大约16%到24%在使用中国的开源模型。即便如此，考虑到一年前这个比例几乎接近于0%，这种变化的速度本身就是关键所在。

Hugging Face的下载数据让这一趋势更加清晰。阿里巴巴的Qwen系列在2025年累计下载量上超过了Meta的Llama，据MIT的研究显示，中国开源模型的总下载量已经超过了美国模型。特别值得注意的是，基于Qwen衍生的模型占Hugging Face新增语言模型的40%以上，而基于Llama的模型比例则降至约15%。这意味着Qwen事实上已经成为全球开源AI的默认基础模型（default base model）。

为什么会发生这种事：价格 × 开放性 × 速度

要理解这一现象，需要看三个维度。

第一，价格差距悬殊。DeepSeek V3.2的API价格约为每100万输入token 0.28美元。OpenAI GPT-4.1在同等标准下的价格为2.00美元。大约相差7倍。如果加上自托管¹​，成本实际上会趋近于0。对于依靠风险投资来管理消耗速度（burn rate）的早期初创公司而言，如果API费用占到月度支出的20%到40%，这就是关乎生存的问题。

第二，开放性打造了生态系统。美国的主要模型（GPT、Claude）大多是闭源的。由于不公开权重²​，定制化存在局限。相反，Qwen、DeepSeek、Kimi等中国模型公开了权重，任何人都可以下载、修改、再分发。据浏览器代理初创公司Circlemind AI联合创始人Antonio Vespoli所说，在开发者社区中，训练指南和技术支持资料最丰富的模型已经是中国模型了。

第三，发布速度完全是另一个维度。MIT研究员Shayne Longpre指出，中国AI实验室的模型发布周期是以周或双周为单位的。相比之下，美国主要实验室的模型更新周期是半年到一年，从开发者的角度看，可选项的增加速度要快得多。

限制催生的创新：芯片出口管制的悖论

这里有一个有趣的悖论。美国为了遏制中国AI的发展，限制了英伟达最新芯片（H100等）的出口。但结果似乎恰恰是这种限制加速了中国的轻量化创新。

DeepSeek表示自己是用不在出口管制范围内的旧型号芯片（H800）开发的，Perplexity首席执行官Aravind Srinivas将这种情况形容为“需求是发明之母”。据瑞银证券（UBS）的中国互联网分析师透露，中国互联网企业2025年的资本支出（CapEx）约为560亿美元，仅为美国同类企业的十分之一水平，但AI模型性能却达到了“可比（comparable）”的水准。

参数量³​约6亿的图像生成模型，已经轻量化到可以在普通笔记本电脑上运行的程度。据称，一台M2以上的MacBook，或搭载第12代英特尔处理器加32GB内存的Windows笔记本电脑就足够了。这已经不是技术的“民主化”，而是进入门槛本身正在彻底消失的状况。

西方开源阵营的转折点：Meta的选择

与此同时，西方阵营唯一具有实质意义的开源模型——Meta的Llama——也站在了变化的十字路口。

Meta的首席AI科学家、被称为“深度学习之父”之一的Yann LeCun，在结束了12年的Meta生涯后，于2025年11月宣布离职。他一直公开主张“LLM⁴​无法达到人类水平的AI”，并宣布将创立新的初创公司AMI Labs，研究“世界模型（world model）”——即能够理解物理世界的AI。

更值得关注的是，在LeCun离开之后，Meta的AI战略正在发生变化。出身于Scale AI的Alexandr Wang就任新的AI负责人，而原本以研究为中心的FAIR团队规模被缩减。而且从Llama 4之后，据称可能会引入新的许可体系。如果Llama此前在开源阵营中承担的角色被削弱，那么这个空白由谁来填补呢？照目前的趋势看，答案已经很明确了。

Oswarld视角

老实说，我认为把这一现象读解为“美国 vs. 中国”这个框架本身就是一个陷阱。

在制定GTM战略的过程中，我一直观察到一个规律：在科技市场，真正改变游戏规则的不是性能优势，而是可及性的转变。PC取代大型机，不是因为性能更优越。AWS改变企业IT，也不是因为它造出了更好的服务器，而是因为它让购买服务器这件事本身变得没有必要。

现在中国开源模型所做的事情也类似。它们并不是在争夺“做出更好的模型”，而是在采取一种消除使用模型的成本和进入门槛本身的策略。习近平政府直接扶持开源生态系统，企业们甘愿承受短期损失也要公开模型——这种结构，无论好坏，都是极其战略性、极其一致的。

我真正担忧的是韩国。在美国和中国之间——无论是AI模型、开源生态系统，还是芯片供应链——我们还没有找到能在这场盛宴中摆上自己饭碗的位置。不能把这件事简单地当作“哇，中国真厉害”这样的消费型新闻来看待就结束了。为什么他们能用那么小的模型做出那样的性能？我们又该如何利用这一点？这些问题必须一直追问下去。

结语

总结一下：

• 硅谷相当一部分初创公司已经在实际业务中采用了中国的开源AI模型，而且这一趋势正在加速。
• 这不只是单纯的成本削减，而是一个结构性变化的信号——AI产业的价值正在从“模型开发”转向“模型之上的服务”。
• 芯片出口管制这一限制，反而促进了中国轻量化创新，这种悖论性的结果也值得关注。 下次选择AI工具的时候，不妨把“这是哪家公司的模型”换成“这项服务能多有效地解决我的问题”作为判断标准。因为市场已经在这样运转了。

参考资料与延伸阅读

• NBC News，《More of Silicon Valley is building on free Chinese AI》，2025.11.30。：这是今天这期新闻信的起点报道。15位匿名采访对象的内容是核心。
• MIT Technology Review，《What’s next for Chinese open-source AI》，2026.02.12。：这篇文章最系统地整理了OpenRouter数据和Hugging Face下载趋势。
• Al Jazeera，《China’s AI is quietly making big inroads in Silicon Valley》，2025.11.13。：其中包含Nathan Lambert（ATOM Project）的采访。很好地展现了中国模型在美国被采用的实际情况。
• CNBC，《Meta chief AI scientist Yann LeCun is leaving to create his own startup》，2025.11.19。：有助于理解Yann LeCun离职的背景，以及Meta AI组织重组的来龙去脉。
• MIT Technology Review，《Yann LeCun’s new venture is a contrarian bet against LLMs》，2026.01.22。：这是Yann LeCun亲自解释自己为何反对LLM范式，以及AMI Labs方向性的采访。
• IntuitionLabs，《LLM API Pricing Comparison (2025)》，2025.10.31。：整理比较了各主要AI模型的token价格资料。想用数字确认成本差距时可以参考。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. 自托管（Self-hosting）：不通过外部API调用AI模型，而是直接安装在自有服务器上运行的方式。虽然需要初期建设成本，但随着使用量增加，相比API费用会更加便宜。 ↩

2. 权重（Weights）：AI模型通过学习获得的数值参数。打个比方，就像人“从经验中学到的判断标准”。公开权重后，任何人都可以复制和修改该模型。 ↩

3. 参数（Parameter）：表示AI模型规模的单位。6B（60亿）属于相对较小的模型，而GPT-4级别的模型被估计有数千亿个以上。参数越少，运行所需的计算资源就越少。 ↩

4. LLM（Large Language Model，大语言模型）：通过学习海量文本数据、以预测下一个词的方式运作的AI模型。ChatGPT、Claude、Gemini等都是具有代表性的LLM。 ↩