因为美国的前沿实验室正在输掉这场竞赛。
不信？
每出现一个美国的闭源或专有模型，我们就能看到中国涌现出数十个工业级开源模型。
美国唯一的开源标杆——Meta，在2024年4月发布了Llama 3，但此后就被中国模型的海啸淹没。在AI领域，一年就是一辈子。更糟的是，Llama 3的多模态能力远不如中国模型，根本没法比。
Llama 4可能会带来惊人的成果，但仅靠一家美国公司，怎么跟中国4、5甚至10家开源AI公司每月发布新模型的速度竞争？
自Llama 3发布以来，中国已经推出了DeepSeek V2、V3（本周还有V3的新版本），以及能力惊人的DeepSeek R1，还有Qwen 2和2.5（强大的纯文本模型），以及Qwen 2.5 VL（可能是目前最强的开源多模态模型，训练数据涵盖视频、GUI导航、智能体任务等），还有刚刚发布的32B版本，再加上字节跳动等公司的模型，更别提中国在视频模型上的绝对碾压——它们已经彻底超越了Sora。
Llama新版本快来了，但有传言称，DeepSeek R1发布后，Meta工程师紧急开会研究它的论文，试图找出Llama 4的问题，导致发布推迟——他们得先赶上R1的推理能力。
你以为美国的芯片制裁能阻止中国AI的崛起？不可能。中国正在砸下数百亿研发更便宜、更快、更好的极紫外光刻机（EUV），现在已经在测试了。几年后，芯片制裁肯定彻底失效，唯一的结果就是全世界都去买中国芯片，而不是美国的。
必须改变，而且要快。
我们需要更多美国的开源标杆，现在就要。
更糟的是，美国实验室不仅不开源，有时候甚至根本不发布。
Sora在X（推特）上高调亮相，但快一年了还没发布，而国内外其他视频模型早已超越它。美国实验室被“有效利他主义”（EA）驱动的“安全”审查和对中心化控制的执念拖累，而中国公司却以疯狂的速度发布，看着我们自废武功，笑而不语。
美国前沿实验室掉队的原因很多，但最大问题是算力。GPU贵得离谱，没人能买或租到足够的算力来满足需求。OpenAI刚发布GPT-4o的图像生成功能，几天后Altman就发推说他们的GPU“快烧了”。Gemini 2.5发布不到一周，Google AI Studio负责人就说他们仍受“速率限制”困扰，开发者每分钟只能发20个请求。似乎没有一家公司能应对超大模型的推理需求。
有时候是商业原因。o3在击败ARC-AGI初代时轰动一时，但它去哪了？据说它驱动了DeepResearch，但除了OpenAI没人能用，只有o3-mini这种缩水版。他们宁愿用它增强自家工具，也不让你用它开发竞品。
有时候是模型规模问题——归根结底还是算力。像4.5这样的新模型，训练算力是旧版的10倍，但贵得离谱，性能却没提升多少。预训练的规模法则已经失效。
有时候是反技术和去增长的文化毒害了美国的创新和历史乐观精神。美国大实验室里充斥着想用锁链和护栏阻止、拖慢或阉割AI的人，甚至想彻底扼杀它。
与此同时，DeepSeek、字节跳动和阿里巴巴等中国AI巨头，正照着美国当年全球软件霸权的老剧本出牌：
用开放赢。用软实力赢。用“够用就好”赢。
基准测试高10分，但成本贵100倍，值吗？
对80%的应用场景来说，不值。
在美国公司苦于算力不足时，中国公司正疯狂发布模型。
开源模型的优势是分布式算力。用户可以在自己的GPU上运行。既然没人能搞到足够的GPU，不如直接开源，让分布式算力发挥作用。虽然赚不到所有钱，但能抢占心智份额。而且部分钱会回流——当企业用开源模型开发应用时，很可能会找你购买更快的企业级推理服务或模型Max版，形成良性循环。
开源是现在的赢家策略，也将是未来的赢家策略。
未来十年，开源模型将成为智能经济的基石，上面会涌现大量闭源和开源应用。
记住，开源不意味着没有闭源应用，而是把技术栈的某一层标准化，然后向上构建更有趣的东西。推特是闭源的，但它离不开Docker、Kubernetes、Linux和PyTorch这些开源组件。
但开源怎么赚钱？软件免费了还能盈利吗？
开源公司虽不能从每次部署中获利，但商业模式一直是：用标准化组件构建应用，提供企业支持和服务。这就是Red Hat、Hashicorp和MongoDB等公司能成为数十亿美元企业，同时“白送”核心产品的原因。
在AI领域，这套模式会再次上演。
开源公司会让智能标准化，而我们将在智能软件栈上继续攀登。
我们将看到围绕模型的企业服务，如“长上下文”版本、针对特定场景的微调、推理扩展、内存优化、应用、API、SDK和咨询服务。还会出现“开源核心+高级功能付费”模式，比如“无限专家混合模型”（动态添加专家适配器以满足特定需求）部分开源，而高阶技能包收费。还会有更精致的集成界面、调优和训练平台。
DeepSeek是AI的转折点。它在中国内外迅速普及，被Perplexity、亚马逊等企业广泛采用。
过去二十年，美国主导的开源席卷全球，创造了数万亿美元的经济价值，驱动着你口袋里的手机、家里的路由器、AWS/Azure/GCP等美国云巨头，以及全球所有最强超算。
从投入产出比看，没有任何东西能像开源这样在文明层面创造价值。正如Huggingface的Clem Delangue最近引用哈佛开源研究报告时所说：
“开源投入41.5亿美元，为企业创造了8.8万亿美元价值（即每投入1美元，创造2000美元价值）。如果没有开源，企业在软件上的支出将是现在的3.5倍。”
中国公司学到了这一点。美国AI实验室却忘了。
美国实验室全面转向闭源。它们曾从Transformer、PyTorch、Linux、Docker和Ray等开源研究中获益巨大，如今却走向完全相反的方向。
当美国实验室专注于闭源模型，并试图通过禁止中国模型进入美国市场、推动严苛芯片出口管制来扼杀竞争时，中国实验室正用开源赢得胜利。
但即便如此，光靠开源也不足以赢得AGI竞赛。
我们需要不同的东西。更多的东西。我们必须解决AI最大的问题。
什么问题？
如何让AI盈利。
我们的实验室不仅不赚钱，还在烧钱。Anthropic卷入谷歌反垄断案，因为政府想阻止搜索引擎巨头投资AI公司，而Anthropic直接告诉政府：我们需要这笔钱活下去。尽管他们的高端模型订阅费高达200美元，Altman却说OpenAI仍在亏损。这并不奇怪——一块顶级GPU就要3-5万美元。
尽管拥有数十亿美元投资和全球众多客户，它们仍未盈利。
这不可持续。
我们需要全新的AI商业模式，一个还没人想出来的模式。什么样的模式？
能解决硬件问题的模式。
硬件问题是什么？这是AI目前最棘手的问题，不是新算法或如何做出更聪明、更快的模型，而是——
GPU太TM贵了，它们成了AI实验室的无底洞。这是个死循环：GPU必不可少，但正是它们让实验室不断亏钱。
公司筹集数十亿美元购买GPU集群，但它们贬值比新车还快。软件公司离不开GPU，但它们拖累了全球每家AI公司的利润。
在AI的早期时代，唯一发财的人是黄仁勋（Jensen Huang，英伟达CEO）。
那么，如何解决AI时代的死循环？
我们得借鉴另一套玩法。