钱、人才都不缺，问题出在结构上。

作者｜宇航猿

编辑｜靖宇

「我问了很多人，为什么美国没有领先的开源模型。没人能给我答案。」

在最近一期20VC播客上，知名投资人JasonCalacanis抛出了这个问题，语气里带着困惑。他数了一遍美国有能力做这件事的公司名单Google、Meta、xAI，然后摊手：

没有一家在认真做。

这个困惑在2026年的夏天显得格外刺眼。

；OpenAI的GPT5.6Sol在测试中越狱，直接攻陷了HuggingFace，

同时，HuggingFace的数据显示，中国开源模型的下载量已经占到平台总量的41%。

NPR报道，美国初创公司正在批量转向更便宜的中国模型来压缩成本。一位匿名的美国创业者告诉媒体，使用阿里巴巴的Qwen模型每年能省下40万美元。

全球最有钱、最有人才的美国AI产业，在「开源模型」这件事上集体缺席。

这不是偶然，而是一个结构性问题。

01

开不起的源

要理解美国为什么做不出开源AI，得先理解美国前沿AI的经济账。

训练一个前沿模型的成本是数亿美元。OpenAI和Anthropic的年训练开支已经远超大多数上市公司的全部研发预算。

但比成本更要命的是时间。

20VC播客中，投资人Rory指出了一个残酷的现实：一个前沿模型的「保质期」大约只有12到24个月。新一代模型一出，上一代就贬值。这意味着数亿美元的训练投入，必须在一到两年内通过API定价回收，否则就是沉没成本。

在这种压力下，闭源不是一种选择，而是生存逻辑。

OpenAI和Anthropic卖的不是模型本身，而是通过模型提供的「智能服务」——按token计费，按调用收钱。整个商业模式建立在一个前提上：用户无法绕开你，直接获得模型的能力。开源会直接摧毁这个前提。

那能不能像软件行业那样，靠社区力量来做开源？

答案也是否定的。一个分析文章说得很直白：开源AI不是Linux。Linux之所以成功，是因为全球的程序员可以贡献代码，而代码一旦写出来，复制和分发的成本几乎为零。但训练一个前沿AI模型，需要集中调度数十万块GPU跑上几个月，这不是任何社区能众筹的事情。

所以在美国AI的版图里，要么靠闭源卖钱（OpenAI、Anthropic的路），要么靠一个不需要模型盈利的「金主」来养（Meta曾经的路）。没有第三条路。

Ramp的经济学家AraKharazian在接受NPR采访时说了一句大实话——中国开源模型的崛起，恰恰证明市场上存在一个巨大的需求，而美国的模型公司目前没有在满足它。

美国前沿AI的成本结构，天然排斥开源。训练成本要回收，推理成本要覆盖，投资人要超额回报——三重压力之下，「免费」是一个付不起的代价。

02

Meta的「叛变」

如果说美国AI圈曾经有一个真正的开源信徒，那就是Meta。

2024年，MarkZuckerberg写了一篇长文，标题就叫「开源AI是前进之路」。在一次播客上被问到对闭源模型的看法时，他的回答简洁有力——Fuckthat。

Meta接连发布Llama2、Llama3，成为美国开源AI事实上唯一的旗手。

但Meta做开源的逻辑，从一开始就不是为了建设公共生态。它的算盘是竞争策略——如果开源模型足够好，就能侵蚀OpenAI和Google的护城河。而Meta自己靠广告赚钱，不需要模型直接盈利。说白了，Llama是一把递给全世界的武器，目标是Meta的竞争对手，不是AI普惠的理想。

可惜，这把武器在2025年末失灵了。

Llama4的内部表现没有达到预期，在与GPT和Claude的对比中落了下风。Meta随即做出了一个震动整个行业的决定——放弃开源路线，转向一个代号为「Avocado」的闭源模型项目。

这个转向的深层原因，比Llama4的失败本身更值得关注。

Meta多年来优化的一直是开源的分发效率——怎么让更多人用上Llama，怎么让生态长得更快。但它从未真正在「前沿性能」这个维度上全力以赴。一旦战场转移到闭源模型之间的能力比拼，Meta发现自己已经落后于始终只做一件事的对手。

有分析文章说得很直接：当全世界最坚定的开源AI公司亲手放弃了这条路，这本身就验证了OpenAI和Anthropic从一开始选择的商业模式。

Meta的Avocado转向，不是小扎的心血来潮，而是整个美国AI产业用实践投出的一张票——在前沿AI这个赛道上，闭源是唯一在商业上成立的路径。

03

被锁死的路

Meta不干了。有没有其他美国公司愿意接这个位置？

理论上是有的。美国至少有四五家公司具备训练前沿模型的技术能力。但它们面临一个「结构性困境」。

假设你是一家美国初创公司，想做一个低成本开放权重模型，你面对的第一个问题是效率。从零训练一个模型，成本是天文数字。业界公认的一种高效方法叫「蒸馏」——用一个更强模型的输出来训练一个更小、更便宜的模型。

这不是什么灰色手段，马斯克在法庭上公开承认自家公司xAI也用蒸馏，并表示这是行业常规做法。

但问题来了。OpenAI和Anthropic的服务条款，明确禁止用户将模型输出用于训练竞争性模型。如果你是一家守规矩的美国公司，你就不能用市场上最强的模型来加速自己的训练。

Thompson一针见血地指出了这个悖论的荒诞之处——美国的开放权重模型制造商遵守前沿实验室的服务条款，结果是它们比不遵守这些条款的竞争对手更弱。

再叠加人才和资本的虹吸效应。美国最好的AI研究者几乎全部被OpenAI、Anthropic和Google锁定，因为那里有最大的算力、最高的薪水和最前沿的课题。剩下的创业公司，要用十分之一的资源做出同等水平的东西，这几乎是一个不可能完成的任务。

也不是没有人在尝试。

2026年7月15日，OpenAI前CTOMiraMurati的ThinkingMachinesLab发布了Inkling，一个9750亿参数的开放权重模型，使用了最宽松的Apache2.0许可证。

但ThinkingMachines自己也坦承——Inkling不是前沿模型，它的定位是「微调的好底座」。

一个前OpenAICTO带着120亿美元估值的创业公司全力以赴，做出来的东西还是够不到前沿。这恰恰证明了开源条路被锁得有多死。

04

回不去的开源时代

如果把视野拉远一点，美国做不出开源AI这件事，指向的可能是一个更大的命题——AI时代的经济规律，和软件时代根本不同。

回头看，开源软件的黄金时代几乎是一个经济学上的奇迹。

1991年，一个21岁的芬兰大学生LinusTorvalds，在自己的卧室里写出了Linux内核的第一个版本，然后把源码发到了网上。没有风投，没有算力账单，没有GPU集群。他需要的全部工具就是一台PC和一个编译器。

关键在于，一旦代码写出来，「复制」的成本几乎为零。任何人都可以下载、修改、再分发。全世界的程序员通过互联网协作，每人贡献一点代码，积少成多，最终让Linux长成了一个能撑起全球互联网基础设施的操作系统。Apache、MySQL、Python、Android——整个开源生态都建立在同一个经济前提上：代码是一种写出来之后就不再消耗物理资源的东西。你写了一个函数，一亿个人调用它，你不需要为这一亿次调用多付一分钱。

在这个前提下，开源是一件经济学上完全自洽的事。个人程序员贡献得起，因为贡献的只是时间。企业参与得起，因为维护社区的成本远低于自己从头开发。用户受益，因为免费使用不增加任何人的负担。这是一个完美的正和博弈。

AI模型把这个前提彻底打碎了。

一个大模型的「复制」不是Ctrl+C。它的「复制」是推理——每回答一个问题，每生成一段文字，都在消耗真实的算力和电力。模型越大，推理越贵。

当Claude在为你写一封邮件的时候，Anthropic的数据中心里有一排GPU正在满负荷运转。这不是零边际成本，这是每一次使用都在烧钱。

更残酷的是训练端。Linux内核可以迭代30年，每一行新代码都叠加在旧代码之上，知识是累积的。但AI模型的训练是「推倒重来」式的——每一代新模型都需要重新投入数亿美元，上一代的训练成本基本无法复用。软件时代的开源像滚雪球，AI时代的开源像填无底洞。

Rory在20VC播客中点出了另一层差异：微软当年能用捆绑策略碾压竞争对手，是因为把浏览器塞进操作系统的成本几乎为零。但AI公司不行——你每降一次价，你的推理成本不会跟着降。你的边际成本是刚性的，是由物理定律和电费账单决定的。

这就是为什么「开源AI」，在经济学意义上是一个反自然的存在。

你不可能让一个有持续物理成本的东西真正免费。有人必须持续为这些成本买单——用风险投资、用广告收入、用国家战略预算，或者用别的什么。但无论哪种方式，都不是LinusTorvalds在卧室里就能启动的那种模式了。

所以美国做不出低成本开源AI模型，不是某家公司的失败，不是某个政策的缺陷。这是AI这种技术的经济本质，和「开源」这种模式之间的深层矛盾。

一个值得追问的悬念是：如果开源在AI时代注定需要真金白银来支撑，那愿意持续为全世界「付出」的那个角色，最终会是谁？

中国模型公司不断给美国同行带来的「惊喜」，是这个问题最好的答案。

极客一问

你认为美国为什么

做不出好用的开源模型？