中国开源模型会戳破美国AI泡沫吗？深度拆解传导链条

一场剧本重复上演的市场震荡

2026年7月16日，月之暗面公布Kimi K3——全球首个3万亿级参数的开放权重模型。所谓"开放权重"，意味着模型训练后的参数文件被公开发布，任何企业或开发者都可以下载并自行部署推理，从而绕过闭源API按量付费的商业模式。这与传统软件意义上的"开源"略有不同——训练数据和完整训练代码通常不会公开——但其核心商业冲击力是一样的：它为全球用户提供了一个不依赖美国闭源厂商的高性能替代方案。

公布当天，美股科技板块剧烈波动；几天后，特朗普政府被曝考虑加强对中国前沿AI模型的限制。类似的剧本在GLM 5.2、DeepSeek发布时也出现过。

于是市场上流行起一种论调：中国开源模型会不会戳破美国AI泡沫？ 当中国开源模型以显著更低的价格接近美国顶尖闭源模型的表现，那么美国市场巨额AI基建资本开支，以及AI厂商的天价估值，是否还合理？

本文将拆解这条从「性能收敛」到「价格竞争」，再到「估值重估」的传导链条，看清楚中国开源模型究竟能触碰到美国AI产业的哪些神经。

中国开源模型并非全面追平

首先需要明确一个事实：虽然GLM 5.2、Kimi K3这样的中国顶尖开源模型在性能测试中得分很高，部分领域甚至超过了美国的开源模型和顶级闭源模型，但它们并不是全面追平。

从月之暗面公布的测试和第三方榜单看，Kimi K3的综合能力仍略落后于Gemini和GPT系列的旗舰模型，只是差距已经很难再用固定的几个月来概括。在最复杂的Agent任务、以及对可靠性与合规要求极高的场景里，美国顶级闭源模型仍然拥有定价权。

中国开源模型首先冲击的，是中间那一大批「能力已经够用」的任务场景。对这些任务，用户关心的是：同样的活儿，为什么我要多付十倍的价钱去用顶尖闭源模型？

用真金白银投票的企业

这种成本敏感已经在真实生产环境中显现。美国AI初创公司Lindy的CEO公开表示，他们把生产环境里大部分托管型Agent的流量从Claude切换到DeepSeek相关模型，推理成本直接下降约90%。加密货币交易所Coinbase引入更便宜的开源模型后，在用量不降反增的情况下，整体AI账单削减近50%。

在OpenRouter这样的模型聚合平台上，中国开源模型的Token消耗占比，从2025年上半年的约4.5%，飙升到2026年以来的30%以上，部分周甚至接近或超过46%，一度反超美国模型。这里的Token是大语言模型处理文本的基本计量单位——大致相当于一个英文单词的3/4或一个中文字——AI公司按输入和输出的Token数量向用户收费，类似电信公司按流量计费。当中国开源模型将每百万Token的价格从数美元压到几美分时，依赖Token溢价的公司就面临巨大的利润压缩。

从DeepSeek到GLM再到Kimi，中国模型让「低价开源」从一次性冲击，变成了长期供给。

冲击的是商业模式，而非国别

那是不是意味着OpenAI、Anthropic会受到巨大冲击？不能简单判断。真正决定一家公司承受多大冲击的，不是它来自哪个国家，而是它靠什么赚钱。

OpenAI的收入以订阅为主，ChatGPT周活跃用户已突破9亿，订阅用户超过5000万，按月付固定费用，Token价格对订阅收入的直接影响有限。不过它的企业业务已贡献40%以上收入，这部分同样躲不开价格竞争。

而Anthropic的收入结构明显更偏向企业和API——2025年底年化收入约90亿美元，2026年飙升到数百亿美元量级，公司披露的数值超过470亿美元，其中约80%来自API和企业合同，按调用量计费。这在价格层面直接面临开源模型的激烈竞争。

所以，中国开源模型冲击的不是「美国AI公司」这个整体，而是主要依赖Token溢价商业模式的那些公司。Token溢价的本质是：闭源模型通过独占高性能能力来维持高于边际成本数倍乃至数十倍的定价。一旦开源模型在同等任务上达到"够用"水平，这种溢价就失去了支撑基础。

效率提升不等于算力需求萎缩

另一个关键问题是：中国开源模型在架构上实现了更高的算力利用效率——MoE（Mixture of Experts，混合专家）稀疏激活等创新让单个任务消耗的算力大幅下降。MoE的核心原理是将模型参数分成多个"专家"子网络，每次推理时由门控网络动态选择只激活其中一小部分。例如Kimi K3的3万亿总参数中，每次实际参与计算的可能只有几千亿参数，这意味着模型可以拥有巨大的总知识容量，但单次推理的计算成本远低于同等参数规模的密集模型——实现了参数规模与计算成本的解耦。DeepSeek-V3、Mixtral等模型都采用了这一架构。

如果越来越多企业转向高效模型，全球总算力需求会不会反而萎缩？

杰文斯悖论：效率越高，总消耗越大

历史给出了答案。19世纪的英国，经济学家威廉·斯坦利·杰文斯在1865年的著作《煤炭问题》中发现，瓦特改良蒸汽机后，英国的煤炭总消耗不仅没下降，反而飙升。原因是：蒸汽机热效率越高，工厂烧煤的单位成本就越低，于是更多行业开始用蒸汽动力扩大生产。每台机器耗煤在下降，但机器总数暴涨，总消耗被更大的需求推上去了。

这一悖论在科技史上反复被验证：LED照明效率是白炽灯的5倍以上，但全球照明用电总量并未下降，因为低成本催生了大量新场景（装饰照明、24小时商业照明等）；互联网带宽成本下降了99%以上，但全球数据流量增长了数百万倍。

AI正在复刻这个剧本。据Tirias Research测算，全球Token消耗量从2024年的约677万亿增长到2025年的约2092万亿；高盛预计随着AI Agent普及，Token消耗还将再增长约24倍。效率省下来的Token，被更长的推理链条、更复杂的多Agent协作重新吞噬掉了。每提升一个数量级的效率，就会解锁一批原本因成本过高而不可行的应用场景——比如让AI Agent进行数十步甚至数百步的深度推理链，或者让多个Agent之间进行复杂协作对话。

事实上，算力供给仍是各家实验室的核心约束。Anthropic一面通过新的算力交易反复调整调用限额，一面继续大规模采购算力；月之暗面在Kimi K3发布几天后，也因需求激增逼近容量上限而暂停新用户订阅。效率在提升，需求却撞上了供给的天花板。

美国AI泡沫的真正来源：错综复杂的资金循环

接下来是最核心的问题：中国模型会不会戳破美国AI泡沫？

需要区分：前面讨论的是产业，而泡沫是金融现象，看的是资产价格能不能被未来的利润和现金流支撑。美国AI泡沫来自哪里？答案是错综复杂的资金循环。

• 亚马逊与Anthropic：亚马逊累计投资130亿美元，Anthropic反过来承诺未来10年在亚马逊采购超1000亿美元算力。左手投出130亿，右手接回1000亿长期订单。
• 英伟达与xAI：一个SPV（Special Purpose Vehicle，特殊目的载体）计划融资约200亿美元（75亿股权+125亿债务），英伟达在股权部分投入约20亿，SPV拿钱买英伟达GPU再租给xAI，而125亿债务的抵押品正是这些GPU和租约本身。SPV是一种为特定融资目的而设立的独立法律实体，常用于将特定资产与发起人的整体信用风险隔离。在这笔交易中，风险在于：如果GPU贬值速度快于预期，或者xAI无力支付租金，抵押品价值就可能不足以覆盖债务，而英伟达既是设备供应商又是出资方，存在利益冲突和循环依赖。
• 甲骨文与OpenAI：签了5年期总额约3000亿美元的托管合同，而OpenAI去年净亏损385亿美元，评级机构已公开警告违约风险。
• CoreWeave：以GPU资产和Meta的算力租约做支持发债，公司主体信用评级仍在垃圾级，2026年计划资本开支高达310亿到350亿美元，而营收只有120亿到130亿美元。CoreWeave的商业模式类似于一家用大量贷款购买飞机再出租给航空公司的飞机租赁公司——大量采购英伟达GPU并以租赁方式提供给AI公司使用。其资本开支是营收的近3倍，意味着公司高度依赖持续融资来维持扩张。如果GPU迭代加速导致旧卡贬值（类似飞机提前退役），或者大客户缩减租约，抵押品价值缩水将引发连锁反应。

每笔交易单独看都可能有合理逻辑，但当资本方、设备商、云服务商和采购方高度交叉时，市场就更难判断订单究竟来自终端客户持续付费，还是融资支持下的基建采购。这带来两个风险：需求的独立性（客户是否同时是投资者）和对手方的信用（融资收紧后是否违约）。

这套金融机制不是GLM或Kimi造成的，但中国开源模型的低价竞争可能压缩AI公司的收入预期，成为市场重新审视这些长期合同回报率的催化剂。这才是中国开源模型与美国AI泡沫的真正连接。

算两笔账：回本缺口与资本开支增速

第一笔，回本缺口。 贝恩估算，到2030年全球可能需要约2万亿美元的年度AI相关收入才能支撑预期中的算力扩张；即便算上AI带来的成本节约，仍可能存在约8000亿美元的年度收入缺口。摩根大通的口径是需要约6500亿美元新增年收入才能实现10%回报。核心问题是：现在投入的巨额资金，最终能不能转化为独立、持续、真正回款的终端收入？所谓"独立"，是指收入来自真正的终端用户为AI价值买单，而非上下游关联方互相确认收入；所谓"回款"，是指合同金额确实转化为现金流入，而非停留在应收账款或长期承诺上。

第二笔，资本开支增速。 瑞银预测超大规模云厂商的资本开支增速：2026年高达76%（约6730亿美元），2027年可能骤降到25%，2028年收窄到6%。绝对金额可能还在涨，但对按指数增长定价的股票来说，增速下台阶本身就可能引发估值重估。这在金融学中被称为"二阶导效应"——市场不仅关注增长本身，更关注增长的加速度。当加速度由正转负，即便增长仍在持续，估值模型中的折现预期也会剧烈调整。

所以我的判断是：美国AI泡沫真正的火药是过高的回报预期，引线是资本开支增速、融资条件与终端收入之间的错配。火药和引线都在美国内部，中国开源模型最多是一颗可能加速重估的外部火星。

思科的前车之鉴：技术正确不等于投资正确

有人会困惑：既然底层需求真实增长，泡沫从哪里来？这个困惑25年前有人提过，剧本几乎一模一样。

1996年美国电信业放松管制（即《1996年电信法案》，打破了AT&T等巨头的垄断格局，允许新进入者建设竞争性网络）后的5年里，运营商投入超5000亿美元疯狂建设光纤、交换机和无线网络，相当一部分依赖债务融资。卖设备的思科营收5年内暴涨850%，2000年3月市值登顶全球第一，市盈率200倍。当时的逻辑和今天一模一样：流量一定会爆发，基础设施建多少都不算过剩。

后来运营商债务危机爆发（WorldCom破产、Global Crossing倒闭等），集体削减资本开支，思科股价在两年多里暴跌约88%。但关键在于：互联网流量并没有停止增长，思科营收从2000年的约190亿美元涨到如今的600亿美元以上，可它的股价直到2025年12月才首次重新突破2000年高点，真正用了超过25年。

互联网没有失败，失败的是市场当年为这份增长支付了过高的价格。 技术趋势正确、产业需求增长、投资者亏损，完全可以同时发生。这是泡沫最反直觉的特征：你对未来的判断可以完全正确，但如果入场价格已经透支了未来十几年的增长，投资回报仍然可能是灾难性的。

当然，摩根大通等机构认为这次和2000年不同：承担主要资本开支的微软、谷歌、亚马逊、Meta本身拥有庞大的成熟业务和真实现金流，不依赖债务续命。但这个观点主要适用于财务健康的云巨头，对CoreWeave这类高杠杆玩家并不适用。

值得跟踪的三个关键信号

如果你关注美国AI产业泡沫的发展趋势，建议重点跟踪以下三个信号：

1. 云巨头的资本开支增速：记住那组预测数字76%、25%、6%。如果绝对投入还在涨、增速却快速下滑，市场可能重估整条供应链的增长预期。具体来说，可以关注每季度财报中微软、谷歌、亚马逊、Meta披露的CapEx数据，以及管理层对下一季度资本开支的指引（guidance）。一旦多家巨头同时下调指引，信号就非常明确了。
2. AI收入的独立性和现金回款：不要看到长期合同就当成收入。客户是不是同时也是投资者？现金有没有真正回款？关联交易不等于虚假收入，但关联程度越高，越需要核查收入质量。可以重点关注财报中的"经营性现金流"与"收入"之间的差额——如果收入高速增长但经营性现金流增速远远落后，说明大量收入可能停留在应收账款或非现金确认阶段。
3. GPU的折旧年限：云巨头普遍把服务器按5到6年计提折旧，但因架构迭代周期已缩短（英伟达从A100到H100到B200到下一代的间隔已缩短到约18个月），有分析师认为3年以内才更接近GPU真实竞争寿命。争议核心不是旧卡能不能用，而是能不能以足够高的利用率和价格创造回报。若账面还能用6年、技术上3年就失去竞争力，今天少计提的折旧就可能变成未来的资产减值。折旧年限的选择直接影响当期利润——延长折旧年限会美化当期利润表，但如果资产实际价值下降更快，就会在未来某个时点集中暴露为一次性减值损失。

结论：中国开源不是制造者，而是催化剂

回到开头的问题：中国会戳破美国AI泡沫吗？

• 模型层面的通用能力溢价，可能会被中国开源模型持续压缩——这是「会」的部分。
• 整个行业的算力需求不一定因此下降，反而可能继续增长——这是「不会」的部分。
• 至于估值层的泡沫破不破，最终取决于庞大的资本开支能不能转化为足够的终端收入和自由现金流。

中国开源不是泡沫的制造者，但它可能迫使市场更早地重新算这笔账。

核心要点