钱和人都不缺，卡脖子的是结构。
作者｜宇航猿
编辑｜靖宇
「我挨个问了一圈，为啥美国搞不出领先的开源模型？没人能回答我。」
在最新一期的 20VC 播客里，知名投资人 Jason Calacanis 带着满脸困惑抛出这个问题。他掰着手指头数了遍美国有能力干这事的玩家：Google、Meta、xAI，最后两手一摊：
没一家是动真格的。
这种迷茫在 2026 年的夏天被无限放大。
；OpenAI 的 GPT 5.6 Sol 在测试环节遭遇越狱，Hugging Face 平台因此遭殃，
与此同时，Hugging Face 的数据揭示了一个现实：中国开源模型的下载量已占据平台总量的 41%。
据 NPR 报道，美国初创企业正批量切换至更廉价的中国模型以压缩开支。一位不愿具名的美国创业者向媒体透露，改用阿里巴巴的 Qwen 模型，每年能省下 40 万美元。
手握全球最多资金与顶尖人才的美国 AI 产业，在「开源模型」这一赛道上集体缺席。
并非偶然，这是结构性的必然。
01
高悬的门槛
要搞懂美国为何造不出开源 AI，得先算清楚前沿 AI 的经济账。
训练一个前沿模型，动辄花费数亿美元。OpenAI 和 Anthropic 每年的训练开销，早已超过大多数上市公司的全部研发预算总和。
但比成本更致命的，是时间窗口。
20VC 播客中，投资人 Rory 点出了一个残酷真相：前沿模型的「保质期」仅约 12 到 24 个月。新一代一出，旧款立刻贬值。这意味着数亿美元的训练投入，必须在一两年内通过 API 定价回本，否则就是打水漂。
在这种高压下，闭源不是选项，而是生存本能。
OpenAI 和 Anthropic 售卖的不是模型本体，而是依托模型提供的「智能服务」——按 token 计费，按调用收费。整套商业逻辑建立在一个前提上：用户无法绕过他们直接获取模型能力。一旦开源，这个前提瞬间崩塌。
那能不能像软件行业那样，靠社区力量搞开源？
答案同样是否定的。一篇分析文章说得透彻：开源 AI 根本不像 Linux。Linux 的成功源于全球程序员贡献代码，且代码一旦生成，复制分发的边际成本趋近于零。但训练前沿 AI 模型，需集中调度数十万块 GPU 连续运行数月，这不是任何社区靠众筹能做到的事。
所以在美国 AI 版图中，要么走闭源变现路（OpenAI、Anthropic 的路径），要么靠无需模型盈利的「金主」供养（Meta 曾经的路）。没有第三条路可选。
Ramp 经济学家 Ara Kharazian 在接受 NPR 采访时直言不讳——中国开源模型的崛起，恰恰证明市场存在巨大需求，而美国模型公司目前并未满足它。
美国前沿 AI 的成本结构，天生排斥开源。训练成本需回收，推理成本需覆盖，投资人索要超额回报——三重挤压之下，「免费」是付不起的代价。
02
Meta 的转身
若说美国 AI 圈曾有一位真正的开源信徒，那只能是 Meta。
2024 年，Mark Zuckerberg 发表长文，标题直指「开源 AI 是前进之路」。在一次播客中被问及如何看待闭源模型时，他的回答简短有力——Fuck that。
Meta 接连推出 Llama 2、Llama 3，成为美国开源 AI 事实上唯一的旗手。
但 Meta 做开源的逻辑，自始至终不是为了构建公共生态。其核心算盘在于竞争策略——若开源模型足够强大，便能侵蚀 OpenAI 和 Google 的护城河。而 Meta 依靠广告盈利，无需模型直接赚钱。说白了，Llama 是一把递给全世界的武器，目标指向 Meta 的竞争对手，而非 AI 普惠的理想。
遗憾的是，这把武器在 2025 年末失灵了。
Llama 4 的内部表现未达预期，在与 GPT 和 Claude 的对决中处于下风。Meta 随即做出震动行业的决定——放弃开源路线，转向代号为「Avocado」的闭源模型项目。
这一转向背后的深层原因，比 Llama 4 的失败本身更值得玩味。
多年来，Meta 优化的始终是开源的分发效率——如何让更多人用上 Llama，如何让生态扩张更快。但它从未在「前沿性能」这一维度上全力以赴。一旦战场转移至闭源模型间的能力硬碰硬，Meta 发现自己已落后于那些始终只做一件事的对手。
有分析文章直言：当全世界最坚定的开源 AI 公司亲手放弃这条路，这本身就验证了 OpenAI 和 Anthropic 从一开始选择的商业模式正确性。
Meta 的 Avocado 转向，并非小扎心血来潮，而是整个美国 AI 产业用实践投出的一张票——在前沿 AI 赛道上，闭源是唯一在商业上成立的路径。
03
锁死的通道
Meta 撤了。还有哪家美国公司愿意接棒？
理论上存在。美国至少有四五家公司具备训练前沿模型的技术实力。但它们面临一个「结构性困境」。
假设你是一家美国初创公司，想打造低成本开放权重模型，首先要面对效率难题。从零训练模型，成本是天价。业界公认的高效路径叫「蒸馏」——利用更强模型的输出来训练更小、更便宜的模型。
这并非灰色手段，马斯克曾在法庭上公开承认自家 xAI 也使用蒸馏技术，并称其为行业惯例。
但问题随之而来。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。如果你是一家守法的美国公司，就不能利用市场上最强的模型来加速自身训练。
Thompson 一针见血地指出了这一悖论的荒诞——美国的开放权重模型制造商遵守前沿实验室的服务条款，结果反而比无视这些条款的竞争对手更弱。
再加上人才与资本的虹吸效应。美国顶尖 AI 研究者几乎全被 OpenAI、Anthropic 和 Google 锁定，因为那里拥有最大算力、最高薪资及最前沿课题。剩余创业公司需用十分之一资源做出同等水平产品，这近乎不可能任务。
当然，也有人尝试突围。
2026 年 7 月 15 日，OpenAI 前 CTO Mira Murati 的 Thinking Machines Lab 发布 Inkling，这是一个拥有 9750 亿参数的开放权重模型，采用最宽松的 Apache 2.0 许可证。
但 Thinking Machines 自己也坦言——Inkling 并非前沿模型，其定位仅为「微调的好底座」。
一位前 OpenAI CTO 带着估值 120 亿美元的创业公司全力以赴，产出的成果仍够不到前沿标准。这恰恰证明了开源道路被锁死得有多彻底。
04
回不去的时代
若将视野拉远，美国造不出开源 AI 这一现象，可能指向更大命题——AI 时代的经济规律，与软件时代截然不同。
回溯过往，开源软件的黄金时代堪称经济学奇迹。
1991 年，一名 21 岁的芬兰大学生 Linus Torvalds，在卧室里写出 Linux 内核初版，并将源码上传网络。没有风投，没有算力账单，没有 GPU 集群。他所需的全部工具仅一台 PC 和一个编译器。
关键在于，代码一旦写成，「复制」成本几乎为零。任何人皆可下载、修改、再分发。全球程序员通过网络协作，每人贡献些许代码，积少成多，最终让 Linux 成长为支撑全球互联网基础设施的操作系统。Apache、MySQL、Python、Android——整个开源生态建立在同一经济前提上：代码是一种写完后不再消耗物理资源的东西。你编写一个函数，一亿人调用，你无需为这一亿次调用多付一分钱。
在此前提下，开源是经济学上完全自洽的事。个人程序员负担得起，因投入仅是时间。企业参与得起，因维护社区成本远低于从头开发。用户受益，因免费使用不增加任何人负担。这是一场完美的正和博弈。
AI 模型彻底粉碎了这一前提。
大模型的「复制」绝非 Ctrl+C。其「复制」本质是推理——每回答一个问题，每生成一段文字，都在消耗真实算力与电力。模型越大，推理越昂贵。
当 Claude 为你撰写邮件时，Anthropic 数据中心内有一排 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 内核可迭代 30 年，每一行新代码叠加于旧代码之上，知识呈累积态。但 AI 模型训练是「推倒重来」式——每一代新模型均需重新投入数亿美元，上一代训练成本基本无法复用。软件时代开源如滚雪球，AI 时代开源似填无底洞。
Rory 在 20VC 播客中点出另一层差异：微软当年能靠捆绑策略碾压对手，是因为将浏览器塞进操作系统的成本几乎为零。但 AI 公司不行——每降一次价，推理成本不会随之下降。你的边际成本是刚性的，由物理定律和电费账单决定。
正因如此，「开源 AI」在经济意义上是一个反自然的存在。
你不可能让具有持续物理成本的东西真正免费。总有人需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，或其他方式。但无论哪种方式，都已不再是 Linus Torvalds 在卧室里就能启动的模式。
所以美国造不出低成本开源 AI 模型，非某家公司之败，亦非政策之缺。这是 AI 技术的经济本质与「开源」模式间的深层矛盾。
一个值得追问的悬念是：若开源在 AI 时代注定需真金白银支撑，那愿意持续为全世界「付出」的角色，最终会是谁？
中国模型公司不断给美国同行带来的「惊喜」，或许是此问题的最佳注脚。
*头图来源：WIRED
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
极客一问
你认为美国为什么
做不出好用的开源模型？
