文 | 影子备忘录
过去两年，硅谷 AI 圈最常被问到的问题只有一个：哪家的模型最强？
但 2026 年，这个问题正在被另一个更务实的问题取代：完成同一项任务，到底有没有必要用最贵的模型？
今年 6 月，打车巨头 Uber 透露了一个让整个行业沉默的数字：仅 2026 年前四个月，公司就耗尽了全年的 AI 预算，原因仅仅是员工大量使用 AI 编码工具。
亚马逊随即叫停了内部的 AI 使用排行榜，因为员工为了刷排名刻意执行不必要的任务、推高 Token 消耗；微软则计划停用多个关键产品部门员工的 Claude Code 订阅。
当亚马逊都开始心疼 Token 的时候，成本就不再是创业公司才需要操心的问题了。
咨询公司贝恩直接放出了一组分析数据：在企业 AI 累计支出突破 1 万亿美元之后，AI 带来的实际成本节约普遍远低于预期；44% 的大型企业正在用 " 上一轮 AI 尚未兑现的费用节省 " 来论证下一轮 AI 投资的合理性，贝恩把这种操作定性为 " 一个存在结构性漏洞的循环赌注 "。
压力之下，企业的选择开始发生变化。
从 " 最强 " 到 " 最划算 "
花旗银行的数据显示，开源模型每项任务成本已按周下跌 35% 至 0.8 美元，相对封闭模型的折让从 40% 扩大至 60%。
Forkast 的统计更为直白：开放权重模型的平均成本为每百万 Token 0.83 美元，专有替代方案为 6.03 美元，前者比后者便宜 7.3 倍，为开发者节省了 86% 的开支。
在更极致的对比中，DeepSeek V4-Pro 在网络安全任务测试中每题平均成本仅为 0.28 美元，闭源竞品 Opus 4.5 则高达 12.50 美元，差距超过 40 倍。
最戏剧性的案例发生在 9 月。小米和 SpaceX 在同一天发布了各自的新模型：MiMo-V2.6 系列（开源）和 Grok 4.7（闭源）。
两款模型拿到了相同的智能指数跑分，但 MiMo-V2.6-Pro 每项任务成本仅 0.13 美元，Grok 4.7 则高达 3.74 美元，差距近 29 倍。
这就是硅谷企业面前那张越来越清晰的账单。
据英国《金融时报》报道，AlphaSense 的数据显示，今年 8 月和 9 月，美国企业财报电话会议和投资者会议中，高管们提及 " 开放权重 " 或 " 开源 " 模型的次数较去年同期激增了 6 倍。
更关键的信号来自使用端。8 月，开放权重模型占通过 Vercel AI Gateway 总 Token 处理量的 56%，而去年 12 月这一比例仅为 7%。
OpenRouter 上开源模型处理的 Token 占比，也从今年 1 月的 34% 升至 6 月的 65%。
电信巨头 AT&T 走在了最前面。其首席数据与 AI 官安迪 · 马库斯透露，目前约 40% 的 AI 工作负载运行在开源模型上，计划一年内提升至 70%。
面对每天 450 亿 Token 的处理量，AT&T 还会利用专有数据微调开源模型，让其在特定任务上达到甚至超过闭源模型的表现。
Match Group 旗下 Tinder 的动作同样值得关注。其 CTO 透露，公司 AI 支出的年化规模从 1 月的 100 万美元猛增至 7 月的 1000 万美元，为控制成本，Tinder 已经开始将部分非技术查询路由给开源模型。
就连中国模型也在这场成本战中获得了一张意想不到的入场券。
根据 Ramp 发布的 2026 年 6 月软件趋势榜，DeepSeek 登上代表突破性增长的 "Trending" 榜首，而这张榜单过去的常客是 Figma、Fireworks AI 这类硅谷公司，一家中国模型公司登顶，是头一回。
" 模型拼盘 "：一个朴素的商业逻辑
真正重塑 AI 商业模式的，并非某个开源模型击败了闭源巨头，而是企业开始放弃 " 一个模型解决所有问题 " 的思路。
Tinder 的做法很有代表性：最昂贵的前沿模型负责复杂任务，更便宜的开源模型承担大量日常工作。
信息提取、文本分类、简单代码修改、客服回复等这些高频但低复杂度的任务，并不需要调用最顶级的模型。
这种 " 多模型路由 " 策略的兴起，使得企业平均使用的模型数量从 2025 年 Q1 的 2.1 个增加到 2026 年 Q1 的 4.7 个。
企业不再对某一家模型供应商 " 从一而终 "，而是根据任务的难度、时延要求和成本预算，动态分配不同的模型。
Databricks 高管 David Meyer 的判断印证了这一趋势：经强化学习优化的开源小模型，可以用更低的训练成本完成特定任务；企业级 AI 竞争焦点正从模型规模转向实际运行效率与单位成本。
换句话说，AI 行业正在从 " 卖最聪明的模型 " 转向 " 卖最合适的算力 "。
然而，这场成本转向在硅谷引发了一场罕见的公开分裂。
7 月 24 日，英伟达 CEO 黄仁勋在社交平台 X 上发布了首条帖子，称 " 世界既需要前沿闭源模型，也需要前沿开源模型 "，微软 CEO 纳德拉在 9 分钟后发帖响应。
随后，Meta、IBM、Hugging Face、a16z 等纷纷加入联署，公开信签署方从最初的 33 家迅速扩展到 133 家。
这份名为《开放权重与美国在 AI 领域的领导地位》的公开信，核心诉求是呼吁政策制定者避免过早限制或禁止开放权重 AI 模型。
但值得注意的是，OpenAI 和谷歌最终在压力下签署了公开信，而 Anthropic 从头到尾缺席。当黄仁勋进一步成立需要真金白银投入的 " 开放安全 AI 联盟 " 时，OpenAI、谷歌和 Anthropic 均未回应。
原因很简单：利益算盘截然不同。
有天使投资人分析称：闭源阵营的核心诉求是守住技术垄断红利，OpenAI、Anthropic 依靠千亿级算力投入打造顶级模型，商业模式完全依赖独家模型的付费调用，只有维持技术壁垒和封闭体系，才能保住高溢价和市场定价权。
而开源阵营立足产业扩容逻辑，英伟达、Meta 这类基础设施与生态型企业不靠模型本身赚钱，开源能大幅降低 AI 落地门槛，反而带动算力消耗与云服务需求增长。
黄仁勋力挺开源的本质，是维护其 GPU 生态的繁荣。模型越开放，开发者越多，算力需求就越大。
开源追赶到什么程度了？
如果开源模型只是 " 便宜但不好用 "，那么这场转向就不会发生，可是关键在于差距正在快速缩小。
Mozilla 最新报告显示，中国开源模型与闭源前沿模型的性能差距已缩短至约 4.4 个月。
企业为接入最顶尖闭源模型所支付的 API 费用，通常相当于同等水平开源权重模型部署成本的 5 倍左右，而换来的仅仅是约 4 个月的技术先发时间差。
斯坦福 HAI 2026 年 AI Index 报告的数据更具冲击力：截至 2026 年 3 月，排名前四的闭源实验室 Anthropic、xAI、谷歌和 OpenAI，在 Arena Leaderboard 上的 Elo 分差已缩小至 25 分以内。
当性能趋同成为现实，模型本身就很难再构成持久的护城河。
在某些细分场景中，开源模型甚至已经开始反超。
在 Claw-Eval 基准测试中，小米的开放权重模型 MiMo V2.5 Pro 排名高于 GPT-5.4、Meta 的 Muse Spark 和 Gemini 3.1 Pro。
GLM-5.2 在 SWE-bench Pro 上的厂商自报成绩（62.1）也超过了 GPT-5.5 的 58.6，而成本仅为其六分之一左右。
LeCun 在社交媒体上为国产开源模型点赞，Cursor 承认自研模型套壳 Kimi K2.5，Cognition 的 SWE-1.6 被曝在 GLM 模型上进行后训练……
这些案例共同勾勒出一个事实：开源模型已不再是 " 备选项 "，而是许多硅谷产品的实际底座。
硅谷法律 AI 公司 Harvey 的做法更为直接：其首个内部模型 Harvey Tenet，就是在 Kimi K3 的基础上进行后训练得到的。而 Harvey 恰恰是一家获得 OpenAI 投资的初创公司。
前沿 AI 的商品化，才刚刚开始
这场转变的深层逻辑，是 AI 行业正在经历一次从 " 稀缺品 " 到 " 商品 " 的转型。
2026 年 9 月，Silicon Data 的 LLM Token 支出指数首次跌破每百万 Token 1 美元，这是该指数开始追踪 200 多个模型以来的第一次。
Forkast 的评论直截了当：智能作为稀缺、高利润商品的时代，已经实质性结束。
与此同时，前沿模型的价格走向了另一个极端。
GPT-6 Astra 和 Claude Fable 5.1 发布时，输入价格定在每百万 Token 10 美元，输出价格更是直接翻倍到 50 美元。
行业正在 " 分层 "：底层是商品化的廉价推理，上层是昂贵的自主智能体能力。
正如 Forkast 的分析所指出的，前沿实验室不再试图提供最便宜的计算，而是在争夺最高价值的自主任务——它们从 " 卖 Token" 转向 " 卖工作流整合 "。
这意味着，"开源 vs 闭源 " 不是一个非此即彼的选择，而是一个分层配置的策略问题。
对于绝大多数企业而言，答案可能既不是全面拥抱开源，也不是死守闭源旗舰，而是像 AT&T 那样在能省钱的地方省钱，在需要顶尖能力的地方花钱。
Airbnb CEO Brian Chesky 几个月前说了一句让硅谷震动的话：" 我们正大量依赖阿里巴巴的通义千问模型，它比 OpenAI 更好更便宜。"
他补充说，公司也会使用 OpenAI 的最新模型，但在实际生产中通常不会大量使用，因为有更快、更经济的模型可供选择。
Chesky 和奥特曼是挚友，可是在涉及自家产品整合时，" 亲兄弟都要明算账 "。
这大概就是 2026 年硅谷 AI 最真实的注脚：情怀归情怀，账单归账单。
