中国或许尚未撼动美国的人工智能领先地位，却可能已动摇了市场对这一领先地位可持续性的信心。
2026 年 7 月，月之暗面（Moonshot AI）推出的 Kimi K3 让这一转变清晰可见。据 Axios 报道，在 Arena 的综合文本能力排名中，Kimi K3 位列 Anthropic 上一代旗舰模型之上，且成本低 40%。排名可能出现变动，但中国厂商的竞争力已不再属于「价廉质劣」的范畴。
路透社援引估算数据称，性能相近的中国模型成本仅为美国系统的四分之一至六分之一。斯坦福大学《2026 年人工智能指数报告》显示，自 2025 年初以来，两国交替占据性能领先位置。真正关键的差距正从原始性能转向单位美元可获得的有效智能。
从能力比拼转向成本竞争
前沿技术竞赛只追求最优结果，不计成本。但大多数工作负载只需要模型在准确性、速度与可靠性上满足任务要求即可。随着人工智能进入常态化应用阶段，在数百万份文档处理、代码迭代与工具调用的场景下，价格的重要性愈发凸显。
在前沿水平之下，中国模型以有限的性能妥协换取了大幅成本节约。开放权重支持第三方部署或自托管部署。开发者可将美国领先模型用于处理复杂工作，将常规任务分配给其他模型。
基准测试得分最高的模型，未必拥有最强的商业地位。
高端智能能力依然稀缺，而够用的智能能力正逐渐商品化。
为何约束反而催生了优势
美国的出口管制限制了中国获取先进人工智能芯片的渠道，迫使实验室在现有算力基础上挖掘更高效能。这一压力推动了稀疏架构、模型蒸馏、量化、缓存技术与更优推理软件的发展。这些技术并非中国独有，但中国开发者快速完成了技术整合。
深度求索（DeepSeek）2025 年的技术突破，推动阿里巴巴、字节跳动、腾讯与月之暗面纷纷转向开放权重路线与激进定价策略。开发者可优化部署方案并更换供应商。更低的价格会提升使用量、优化程度与分发规模。这一优势的核心是一套围绕效率与快速替代构建的生产体系。
更便宜的模型不等于人工智能成本降低
模型的运行需要芯片、电力与数据中心支撑；应用落地则需要安全保障与监管。 Token 单价下降可能导致总支出上升，因为智能体的运行时长会随之增加。更便宜的模型会压缩服务商的利润空间，同时拉动基础设施需求。
标称价格并未涵盖切换成本与治理成本。受监管机构必须厘清数据处理流程、审计要求与政策风险敞口。自托管部署可降低对应用程序编程接口（API）的依赖，但安全与维护责任将转移至买方。低价不等于低总拥有成本。
投资者应验证的方向
应对比单任务完成成本，将运行失败与人工审核成本纳入考量。如果低价模型会造成高昂的错误损失，其实际成本并不更低。
需区分使用规模与价值获取能力。开放权重有助于扩大分发范围，但会压缩利润空间。应关注营收、毛利率与客户留存率，而非下载量。
价格可移植性与政策风险。跨模型、跨云服务商、跨区域调度工作负载可降低风险敞口。否则，低价模型可能演变为代价高昂的依赖。
价值流向何方
美国资本仍在为前沿技术研发提供资金，而亚洲的半导体产能依然不可或缺。中国开发者正日益影响智能能力的成本水平。
随着性能趋于收敛、价格持续下行，价值将向分发渠道、可信数据、客户关系与基础设施环节转移。最终的胜出者，将把更廉价的智能能力转化为更低成本的完整交付成果。
