☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
本周一，Decagon 首席执行官 Jesse Zhang 发表了一篇深度分析文章，指出尽管开源模型在实际应用中快速普及，但企业在开源模型上的预算占比却呈现下滑趋势。
这一现象让人联想到此前 Anthropic CEO Dario Amodei 曾提出的颇具争议的观点：在当前 AI 生态中，开源更像是一种“干扰项”，甚至称得上是一个被误用的概念。
“即便模型权重公开，你依然无法窥见其内部推理逻辑、训练数据分布或系统级优化细节。因此业内更准确的表述应是‘开放权重’，而非真正意义上的‘开源’。传统开源软件允许社区自由修改、协同演进、持续增强功能，而大语言模型并不天然具备这种可协作性。”Amodei 解释道。
正因如此，他评估一款新模型时，从不首先关注它是否开放权重。“DeepSeek 是否开源？对我来说毫无意义。”他直言，“我唯一关心的是：它能否在关键任务上超越我们？是否足够可靠、高效、可控？”他还强调，开源绝不等于零成本——模型参数动辄数十亿甚至千亿，企业仍需投入大量资金用于云上推理部署、工程化调优与运维保障，以确保低延迟、高稳定性。比起纠结“是否开源”，不如聚焦于“谁的模型能最出色地完成你的核心任务”。
随着 AI 应用逐步从探索走向落地，轻量化、场景化模型正成为主流趋势，Decagon 也不例外。但 Jesse 指出一个耐人寻味的事实：企业在尖端闭源模型上的总支出，并未随开源模型崛起而显著减少。
据透露，Decagon 当前约 90% 的线上工作负载运行在开源模型之上，而非 OpenAI 或 Anthropic 提供的服务。他进一步说明：
这并非出于成本压力，也非客户强制要求（尽管他们通常乐见其成）。根本原因在于：我们别无选择。当你在生产环境中部署客服类 AI 智能体时，响应延迟直接决定产品生死。若每轮对话平均等待 8 秒，用户早已流失。因此必须选用体积更小、推理更快的模型。一次简单的售后咨询，不需要模型知晓立陶宛首都，也不必掌握量子力学公式。然而，开箱即用的小型模型往往达不到客户对准确性、一致性与鲁棒性的严苛标准。唯有通过大规模、高强度的任务定制化微调，才能让它们真正胜任。问题在于，前沿模型实验室几乎不提供此类能力组合：你既无法对它们最强的旗舰模型进行深度定制，也无法获得其小型版本的完全控制权——这些模型不属于你，也不能任你重塑。所以，“轻量模型 + 极致微调”这一路径，本质上只能依托开放权重模型实现。成本优势确实存在，但只是次要收益；自托管带来的数据主权与合规安心感，也只是附加价值，而非我们拥抱开源模型的核心动因。
在 Jesse 看来，前沿模型与开源模型之间并非零和博弈关系。开源模型的成功，并非建立在前沿实验室市场份额萎缩的基础之上。二者更像是同一技术生命周期中的两个阶段：企业先用昂贵的前沿模型验证某个新场景是否可行；待该场景逻辑清晰、边界明确、需求稳定后，再平滑迁移至更经济、更可控的开源模型上。
正因不断有成熟场景向轻量模型迁移，同时又有大量新兴应用场景持续涌现，企业在前沿模型上的总体投入并未明显收缩。
Jesse Zhang 并未公布详尽统计数据支撑上述判断，但 TechCrunch 挖掘到了一些佐证线索。
Vercel 的 AI Gateway 监控面板显示，仅过去七天内，DeepSeek 的 Token 处理量已跃居榜首，目前占据 Vercel 全平台 AI 流量的三分之一以上。同期，推出 GLM-5.2 的智谱科技也强势攀升至第四位。
但如果切换视角，观察整体 Token 支出结构，则会发现 Anthropic 依然牢牢掌控着该平台近半数的 AI 开支。虽然近期 Anthropic 自行上调了部分服务价格，导致其支出占比在过去一个月略有回落，但幅度微乎其微。
OpenRouter 的数据同样印证了类似格局。相较 Vercel，OpenRouter 覆盖范围更广、终端用户更多元，但企业级客户比例略低。
从绝对使用量看，DeepSeek V4 Flash 已成最大赢家，单周处理 Token 数高达约 5.3 万亿。而最受追捧的前沿模型 Opus 4.8，单周 Token 处理量约为 2.05 万亿。
OpenRouter 并未直接披露各模型支出排名，但数据显示：Opus 4.8 的平均每百万 Token 成本约为 1.37 美元，而 V4 Flash 仅为 0.06 美元——前者成本是后者的 23 倍左右。
据此推算，尽管 Opus 4.8 的 Token 使用量不足 V4 Flash 的一半，它仍极有可能贡献了平台绝大部分的模型支出。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
这些数据尚未囊括刚刚入场的 NVIDIA Nemotron。凭借 NVIDIA 在芯片、云服务与垂直行业的深厚资源，以及 Nemotron 出色的软硬协同适配能力，这款模型有望迅速跻身头部阵营。
目前的数据尚不足以完全证实 Jesse Zhang 关于 AI 应用生命周期演进的理论，但至少表明：Anthropic 等前沿模型厂商并未因开源浪潮而遭受实质性冲击——至少现阶段尚未显现。
一种可能的解释是：AI 可覆盖的任务总量扩张速度远超预期。即便越来越多成熟场景转向开源模型，顶级闭源模型仍可通过抢占新场景的早期验证阶段，稳住自身市场地位。
正如 Jesse Zhang 所言：“开源模型支出占比下降，并非因为它们正在失败，而是因为整个企业级 AI 市场仍处于技术采纳曲线的最初期。”“前沿模型实验室将持续主导‘应用发现’，而开源模型则将越来越多地承担‘规模化交付’的重任。”
新场景初现之时，企业倾向于采用当下最强大的通用模型——因为你尚不清楚最终问题形态，愿意为那些未来或许用不上的‘冗余智能’支付溢价。此时，这是一种理性投资。
但当场景高度成熟，输入特征分布已知、行为边界清晰、失败模式可预测时，权衡逻辑就会逆转。
此刻，过度泛化的通用能力反而成了负担。企业真正需要的是体积最小、响应最快、且经过极致任务定制、能把单一目标做到极致的专用模型。
“依此逻辑，今天所有基于前沿模型开展原型验证的应用，未来都有望迁移到开源模型生态中。”Jesse 表示，“不过，这个过程或将比多数人预想的更为漫长。”
另一种可能性在于：即便客户开始尝试开源方案，仍有大量高复杂度场景难以被低价模型替代——比如金融风控、医疗辅助诊断、工业仿真等对精度、可靠性与可解释性要求极高的领域。
但无论如何，“双层模型经济”——即前沿模型负责探索创新、开源模型专注规模落地——很可能将成为 AI 产业长期稳定的结构性特征。
参考链接：
https://www.php.cn/link/41b1436d082d03c3f0bd834b2efdcfe4
https://www.php.cn/link/423aba7c2acfc597e43e90830bf4524b
https://www.php.cn/link/99f2661ae6f88169af63fd82e8f82901
本文来自微信公众号“AI前线”，作者：褚杏娟 ，36氪经授权发布。
