目錄

• 你可能想知道
• 主要議題
• 關鍵洞見表
• 後續……

你可能想知道

更便宜的開源模型崛起會取代像 Anthropic 這類大型前沿實驗室嗎？

在 AI 部署的生命週期中，前沿模型與開源模型如何相互作用？

主要議題

週一，Decagon 的執行長 Jesse Zhang 發表了一篇發人深省的論點，標題為「所有人對企業中的開源 AI 都錯了」。Zhang 探討當今 AI 市場的一個關鍵悖論：雖然許多已建立的部署正在轉向更輕量的開源模型，但在最先進且昂貴模型上的總體支出並未顯著下降。這種模式引發疑問：開源模型是否真的在與前沿實驗室的產品競爭——或者相反，是在補充它們。

Zhang 並不把這種關係視為單純的競爭，而是視為部署生命週期中的兩個連續階段。在他看來，昂貴的前沿模型扮演探索引擎的角色：它們驗證新的使用案例並證明什麼在大規模下可行。一旦某個使用案例成熟，可能會轉移到成本較低的開源替代方案以投入生產。這一論點暗示了分工：前沿模型領導探索，而開源模型日益承擔生產工作負載。

與這種生命週期觀點一致的實證信號可見於使用儀表板。例如，Vercel 的 AI 閘道指標最近顯示，DeepSeek 在代幣量上躍居前列，在某一週處理了其基礎設施中大約三分之一的代幣。Z.ai 的 GLM-5.2 也攀升到顯著位置。儘管這些量上的變動存在，但觀察代幣支出卻呈現不同圖景：Anthropic 仍然佔該平台超過一半的 AI 支出。儘管 Anthropic 的佔比有所小幅下降——部分因其自身提價——該公司仍掌握了不成比例的大量支出。

OpenRouter 的資料集在更大規模上也講述了類似故事。像 DeepSeek V4 Flash 這類開源模型主導原始使用量，每週處理兆級代幣。相比之下，該平台上使用最頻繁的前沿模型 Opus 4.8 處理的代幣遠少得多。然而，當考慮平均代幣成本時，Opus 4.8 的每代幣價格約為 V4 Flash 的 20–25 倍（有範例報告 Opus 約為每百萬代幣 1.37 美元，而 V4 Flash 約為 0.06 美元）。這個價格差距意味著即便代幣數量較低，前沿模型仍可能佔據大部分總支出。

這些模式並不能確鑿證明 Zhang 的生命週期論，但它們確實表明像 Anthropic 這類前沿實驗室尚未被開源競爭者取代。一個合理的解釋是市場快速擴張：可由 AI 處理的任務集合增長如此迅速，以致前沿模型能藉由主導早期探索性部署來保持其市場地位。正如 Zhang 概括的動態，「前沿實驗室會繼續掌握探索。開源會日益掌握生產。」

另一個互補的解釋是技術層面：某些複雜的使用案例仍難以用更輕、更便宜的模型來實現。需要高可靠性、細緻推理或領域專業知識的任務，可能仍依賴最強大的模型。對於這些高難度的應用，為前沿代幣支付額外成本可能可被更好的結果、風險降低或更快的價值實現所正當化。

綜合來看，這些力量暗示一個雙層的 AI 經濟可能成為近期格局的穩定特徵。前沿供應商在創新和早期概念驗證出現的領域保持領導地位，而開源模型則在使用案例成熟並標準化後提供可擴展、具成本效益的生產替代方案。這種分層與可觀察到的趨勢一致：垂直 AI 應用和許多應用層解決方案已經遷移到更輕量的模型，而前沿供應商則繼續掌控高價代幣定價的部分。

即便是曾預示基礎模型會被深度商品化的預測，也只是部分實現。某些要素如預期般出現——垂直解決方案和許多 GPT 包裝應用已轉向更便宜的後端——但整體均衡仍偏向於前沿供應商，尤其是在最有價值的代幣支出方面。目前，前沿實驗室仍保有市場中高毛利的那一塊，如果以探索為主導的需求與難以取代的使用案例持續增長，這一地位可能保持穩固。

關鍵洞見表

後續……

展望未來，若當前的雙層均衡會持續或演變，將取決於數項技術與市場動態。開源架構的持續改進、更好的微調與安全工具，以及更高效的推理，可能縮小性能與成本差距。相反地，前沿實驗室可能透過專有訓練數據、專門化的優化或與硬體和企業服務更緊密的整合來保留優勢。

為了在這不斷演變的格局中航行，利害關係人應探索模型效率、領域適配與部署協調方面的進展。對能捕捉真實世界任務複雜度的健全評估框架與基準的投資，也將是了解何處更便宜的模型足夠、何處需要前沿能力的關鍵。簡而言之，監測技術進展與變動的商業使用案例，對預測價值在 AI 堆疊中如何分配至關重要。

隨著市場成熟，預期探索主導的前沿創新與以生產為焦點的開源採用將持續相互作用——雙方彼此塑造，共同決定 AI 部署的經濟學。