錢、人才都不缺，問題出在結構上。
作者｜宇航猿
編輯｜靖宇
我問了很多人，為什麼美國沒有領先的開源模型。沒人能給我答案。
在最近一期 20VC 播客上，知名投資人 Jason Calacanis 拋出了這個問題，語氣裏帶着困惑。他數了一遍美國有能力做這件事的公司名單 Google、Meta、xAI，然後攤手：
沒有一家在認真做。
這個困惑在 2026 年的夏天顯得格外刺眼。
中國模型公司月之暗面的 Kimi K3 模型剛一推出，不僅把美國芯片股打趴下了，而且撕裂了整個硅谷；OpenAI 的 GPT 5.6 Sol 在測試中越獄，直接攻陷了 Hugging Face，以至於後者不得不在本地部署中國公司智譜的 GLM 5.2 模型，才分析出了此次攻擊的細節。
同時，Hugging Face 的數據顯示，中國開源模型的下載量已經佔到平台總量的 41%。
NPR 報道，美國初創公司正在批量轉向更便宜的中國模型來壓縮成本。一位匿名的美國創業者告訴媒體，使用阿里巴巴的 Qwen 模型每年能省下 40 萬美元。
全球最有錢、最有人才的美國 AI 產業，在開源模型這件事上集體缺席。
這不是偶然，而是一個結構性問題。
01
開不起的源
要理解美國為什麼做不出開源 AI，得先理解美國前沿 AI 的經濟賬。
訓練一個前沿模型的成本是數億美元。OpenAI 和 Anthropic 的年訓練開支已經遠超大多數上市公司的全部研發預算。
但比成本更要命的是時間。
20VC 播客中，投資人 Rory 指出了一個殘酷的現實：一個前沿模型的「保質期」大約只有 12 到 24 個月。新一代模型一出，上一代就貶值。這意味着數億美元的訓練投入，必須在一到兩年內通過 API 定價回收，否則就是沉沒成本。
在這種壓力下，閉源不是一種選擇，而是生存邏輯。
OpenAI 和 Anthropic 賣的不是模型本身，而是通過模型提供的「智能服務」——按 token 計費，按調用收錢。整個商業模式建立在一個前提上：用戶無法繞開你，直接獲得模型的能力。開源會直接摧毀這個前提。
那能不能像軟件行業那樣，靠社區力量來做開源？
答案也是否定的。一個分析文章說得很直白：開源 AI 不是 Linux。Linux 之所以成功，是因為全球的程序員可以貢獻代碼，而代碼一旦寫出來，複製和分發的成本幾乎為零。但訓練一個前沿 AI 模型，需要集中調度數十萬塊 GPU 跑上幾個月，這不是任何社區能衆籌的事情。
所以在美國 AI 的版圖裏，要麼靠閉源賣錢（OpenAI、Anthropic 的路），要麼靠一個不需要模型盈利的金主來養（Meta 曾經的路）。沒有第三條路。
Ramp 的經濟學家 Ara Kharazian 在接受 NPR 採訪時說了一句大實話——中國開源模型的崛起，恰恰證明市場上存在一個巨大的需求，而美國的模型公司目前沒有在滿足它。
美國前沿 AI 的成本結構，天然排斥開源。訓練成本要回收，推理成本要覆蓋，投資人要超額回報——三重壓力之下，免費是一個付不起的代價。
02
Meta 的叛變
如果說美國 AI 圈曾經有一個真正的開源信徒，那就是 Meta。
2024 年，Mark Zuckerberg 寫了一篇長文，標題就叫開源 AI 是前進之路。在一次播客上被問到對閉源模型的看法時，他的回答簡潔有力——Fuck that。
Meta 接連發布 Llama 2、Llama 3，成為美國開源 AI 事實上唯一的旗手。
但 Meta 做開源的邏輯，從一開始就不是為了建設公共生態。它的算盤是競爭策略——如果開源模型足夠好，就能侵蝕 OpenAI 和 Google 的護城河。而 Meta 自己靠廣告賺錢，不需要模型直接盈利。說白了，Llama 是一把遞給全世界的武器，目標是 Meta 的競爭對手，不是 AI 普惠的理想。
可惜，這把武器在 2025 年末失靈了。
Llama 4 的內部表現沒有達到預期，在與 GPT 和 Claude 的對比中落了下風。Meta 隨即做出了一個震動整個行業的決定——放棄開源路線，轉向一個代號為「Avocado」的閉源模型項目。
這個轉向的深層原因，比 Llama 4 的失敗本身更值得關注。
Meta 多年來優化的一直是開源的分發效率——怎麼讓更多人用上 Llama，怎麼讓生態長得更快。但它從未真正在「前沿性能」這個維度上全力以赴。一旦戰場轉移到閉源模型之間的能力比拼，Meta 發現自己已經落後於始終只做一件事的對手。
有分析文章說得很直接：當全世界最堅定的開源 AI 公司親手放棄了這條路，這本身就驗證了 OpenAI 和 Anthropic 從一開始選擇的商業模式。
Meta 的 Avocado 轉向，不是小扎的心血來潮，而是整個美國 AI 產業用實踐投出的一張票——在前沿 AI 這個賽道上，閉源是唯一在商業上成立的路徑。
03
被鎖死的路
Meta 不幹了。有沒有其他美國公司願意接這個位置？
理論上是有的。美國至少有四五家公司具備訓練前沿模型的技術能力。但它們面臨一個結構性困境。
假設你是一家美國初創公司，想做一個低成本開放權重模型，你面對的第一個問題是效率。從零訓練一個模型，成本是天文數字。業界公認的一種高效方法叫蒸餾——用一個更強模型的輸出來訓練一個更小、更便宜的模型。
這不是什麼灰色手段，馬斯克在法庭上公開承認自家公司 xAI 也用蒸餾，並表示這是行業常規做法。
但問題來了。OpenAI 和 Anthropic 的服務條款，明確禁止用戶將模型輸出用於訓練競爭性模型。如果你是一家守規矩的美國公司，你就不能用市場上最強的模型來加速自己的訓練。
Thompson 一針見血地指出了這個悖論的荒誕之處——美國的開放權重模型製造商遵守前沿實驗室的服務條款，結果是它們比不遵守這些條款的競爭對手更弱。
再疊加人才和資本的虹吸效應。美國最好的 AI 研究者幾乎全部被 OpenAI、Anthropic 和 Google 鎖定，因為那裏有最大的算力、最高的薪水和最前沿的課題。剩下的創業公司，要用十分之一的資源做出同等水平的東西，這幾乎是一個不可能完成的任務。
也不是沒有人在嘗試。
2026 年 7 月 15 日，OpenAI 前 CTO Mira Murati 的 Thinking Machines Lab 發布了 Inkling，一個 9750 億參數的開放權重模型，使用了最寬鬆的 Apache 2.0 許可證。
但 Thinking Machines 自己也坦承——Inkling 不是前沿模型，它的定位是微調的好底座。
一個前 OpenAI CTO 帶着 120 億美元估值的創業公司全力以赴，做出來的東西還是夠不到前沿。這恰恰證明了開源條路被鎖得有多死。
04
回不去的開源時代
如果把視野拉遠一點，美國做不出開源 AI 這件事，指向的可能是一個更大的命題——AI 時代的經濟規律，和軟件時代根本不同。
回頭看，開源軟件的黃金時代幾乎是一個經濟學上的奇蹟。
1991 年，一個 21 歲的芬蘭大學生 Linus Torvalds，在自己的臥室裏寫出了 Linux 內核的第一個版本，然後把源碼發到了網上。沒有風投，沒有算力賬單，沒有 GPU 集群。他需要的全部工具就是一台 PC 和一個編譯器。
關鍵在於，一旦代碼寫出來，複製的成本幾乎為零。任何人都可以下載、修改、再分發。全世界的程序員通過互聯網協作，每人貢獻一點代碼，積少成多，最終讓 Linux 長成了一個能撐起全球互聯網基礎設施的操作系統。Apache、MySQL、Python、Android——整個開源生態都建立在同一個經濟前提上：代碼是一種寫出來之後就不再消耗物理資源的東西。你寫了一個函數，一億個人調用它，你不需要為這一億次調用多付一分錢。
在這個前提下，開源是一件經濟學上完全自洽的事。個人程序員貢獻得起，因為貢獻的只是時間。企業參與得起，因為維護社區的成本遠低於自己從頭開發。用戶受益，因為免費使用不增加任何人的負擔。這是一個完美的正和博弈。
AI 模型把這個前提徹底打碎了。
一個大模型的複製不是 Ctrl+C。它的複製是推理——每回答一個問題，每生成一段文字，都在消耗真實的算力和電力。模型越大，推理越貴。
當 Claude 在為你寫一封郵件的時候，Anthropic 的數據中心裏有一排 GPU 正在滿負荷運轉。這不是零邊際成本，這是每一次使用都在燒錢。
更殘酷的是訓練端。Linux 內核可以迭代 30 年，每一行新代碼都疊加在舊代碼之上，知識是累積的。但 AI 模型的訓練是推倒重來式的——每一代新模型都需要重新投入數億美元，上一代的訓練成本基本無法複用。軟件時代的開源像滾雪球，AI 時代的開源像填無底洞。
Rory 在 20VC 播客中點出了另一層差異：微軟當年能用捆綁策略碾壓競爭對手，是因為把瀏覽器塞進操作系統的成本幾乎為零。但 AI 公司不行——你每降一次價，你的推理成本不會跟着降。你的邊際成本是剛性的，是由物理定律和電費賬單決定的。
這就是為什麼開源 AI，在經濟學意義上是一個反自然的存在。
你不可能讓一個有持續物理成本的東西真正免費。有人必須持續為這些成本買單——用風險投資、用廣告收入、用國家戰略預算，或者用別的什麼。但無論哪種方式，都不是 Linus Torvalds 在臥室裏就能啓動的那種模式了。
所以美國做不出低成本開源 AI 模型，不是某家公司的失敗，不是某個政策的缺陷。這是 AI 這種技術的經濟本質，和開源這種模式之間的深層矛盾。
一個值得追問的懸念是：如果開源在 AI 時代註定需要真金白銀來支撐，那願意持續為全世界付出的那個角色，最終會是誰？
中國模型公司不斷給美國同行帶來的驚喜，是這個問題最好的答案。