引言：黄仁勋的第一条推文，没有发芯片
2026年7月24日，英伟达CEO黄仁勋在社交平台X上发布了入驻后的第一条推文。他没有推介任何芯片或产品，而是附上了一封题为《开放权重与美国AI领导力》（Open Weights and American AI Leadership）的联合公开信。
联署方名单很长：英伟达、微软、Meta、IBM、戴尔、Palantir、Hugging Face、Mistral、Mozilla、Perplexity、Y Combinator、a16z……横跨算力硬件、云厂商、开源平台、投资机构，首批25家。公开信的核心诉求只有一句话：呼吁美国政府不要过早限制可下载、检查、修改和自行部署的开放权重模型。
这场“集体站队”并非孤立事件。同一周，OpenRouter公布的全球大模型调用量榜单上，排名前五的清一色是中国模型——DeepSeek-V4-Flash、小米MiMo-V2.5、腾讯Hy3、DeepSeek-V4-Pro、智谱GLM-5.2。OpenAI的GPT-5.6 Luna罕见降价80%，却只勉强挤进第八名。彭博社称之为“中国AI闪电战”。
两条线索指向同一个问题：当开源模型性能持续逼近闭源、价格只有零头，企业还有理由为闭源“溢价”买单吗？
这不是一道“哪个更好”的选择题。对企业的CTO和IT决策者来说，真正的问题是：预算该往哪边投，才不会在一年后后悔？
第一章：性能——差距从“代际”缩至“百分点”
核心观点：开源与闭源的性能差距已从“不可比”缩至“几乎无感”，在大量日常任务上，普通用户已经分不出差别。
先看几个关键数据点。
Kimi K3，全球首个开源的3万亿参数级别模型，2026年7月发布。在第三方独立测评机构Vals AI中，综合得分74.7，位列全球第二，超越GPT-5.6，仅次于Claude Fable 5。在前端代码测试中，Kimi K3甚至超越了Claude Fable 5。云平台Vercel创始人公布的专业评测结果显示，Kimi K3综合表现位列第一，首次有开源模型在该权威榜单超越全部海外闭源模型。
DeepSeek-V4系列，预览版在部分测试中性能已接近美国闭源旗舰。Qwen3.5-9B以仅九分之一的参数量，在GPQA Diamond基准上得分81.7，超过了OpenAI的GPT-OSS-120B。
斯坦福《2026人工智能指数报告》的判断是：中美顶尖模型的综合性能差距已大幅缩小，国产旗舰与Claude、GPT在大多数任务上的差距只剩下1%到4%。
这个“1%到4%”很关键——它说明在摘要、翻译、基础客服问答、代码补全这类占了企业AI用量八九成的任务上，普通人已经感知不到区别。一个做AI Agent的美国初创公司Lindy，因为API账单一度超过全员薪资，从Claude切到DeepSeek-V4之后，推理成本直接掉了95%，一年省下数百万美元。切完之后没有收到一条用户投诉说“变差了”。
开源不再是个“备胎选项”。当开源模型在编程、推理、长上下文等核心能力上逼近甚至局部超越闭源旗舰时，“闭源一定更强”的旧认知已经过时了。
第二章：成本——100倍的价差，正在重塑选型逻辑
核心观点：成本已成为选型里真正决定性的一票——同样的工作负载，开源模型和闭源模型的API价差可以超过100倍。
Artificial Analysis的实测数据触目惊心：完成同样的工作负载，DeepSeek只要0.03美元，Claude Fable 5要3.15美元——价差超过100倍。
换个角度看单价。DeepSeek V4 Flash的输入价格约为每百万Token 0.14美元，而美国同类模型的定价约为3美元。DeepSeek V3.2每百万输入Token仅0.28美元，比GPT-4o的2.50美元便宜约90%。Kimi K3的定价约为Opus 4.8的60%、GPT-5.5的一半、Fable 5的三分之一。
成本差距正在从“选型的参考因素”变成“选型的决定因素”。
瑞银2026年中的调研显示，约60%的企业已出台各类管控措施收紧AI开支。有公司单用户单月AI花费达到3.5万美元，有团队Token用量超配额200%。企业的应对策略是“模型路由”——根据任务难度动态选择不同成本的模型。Coinbase把中国大模型设为工程师默认工具，全公司AI支出压了近一半。印度大量中小科技公司整体AI成本降了一个数量级，约90%。
Gartner预测，在全球企业的AI组合中纳入中国LLM和多模态模型的比例，将从2025年的5%上升至2027年的50%。Gartner高级研究总监闫斌明确指出：“大部分领先的开源LLM都来自中国”。
当CFO开始过问每百万Token的单价，开源模型的“价格屠刀”就有了最大的说服力。
第三章：供应商锁定——为什么硅谷巨头要“反水”
核心观点：闭源模式的本质是“把AI能力的钥匙交给少数几家公司”，开源模型的核心价值是让企业拿回控制权。
公开信的逻辑很直接：开放权重模型让开发者可以下载、检查、修改模型并在自有基础设施上运行，而不是只能通过OpenAI、Anthropic等封闭平台或API使用AI服务。
这解决了一个根本问题：供应商锁定。
信中指出，开放模型可加强云端、芯片、应用及服务等环节的竞争，减少企业被单一AI供应商锁定的风险，并让企业更容易控制自身数据及AI能力。公开信还强调：单纯依赖封闭模型本质上并不安全——模型可能被攻破、被误用，或以外部人士难以察觉的方式出现故障；而开放权重模型能让众多科研人员和开发者审视其行为、识别漏洞、开发防护措施。
黄仁勋的态度很明确：“AI将变革每个行业，赋能每家公司，并被每个国家构建。开源模型能强化安全性与网络安全，加速创新与普及，并实现主权。世界既需要前沿的闭源模型，也需要前沿的开源模型。 ”
为什么英伟达要牵头？道理不复杂：开放模型生态越繁荣，全球开发者训练、微调、部署大模型产生的GPU算力需求就越大。英伟达在今年3月已向美国SEC披露，计划未来五年投入260亿美元专项用于开放权重AI模型的研发与生态体系建设。
当然，闭源阵营也有自己的理由。OpenAI和Anthropic近期向美国政策制定者示警，称中国AI公司可能通过大量调用美国模型、收集输出结果，“蒸馏”出成本更低的新模型。Anthropic CEO达里奥·阿莫代伊回应称，公司从未主张全面禁止开源权重模型，但认为最强模型开放后很难保留安全护栏。
值得注意的是，OpenAI、Anthropic和谷歌并未参与签署这封公开信。硅谷内部关于AI技术路线的分歧，已经公开化了。
第四章：生态——开源不是“免费”，闭源也不是“省心”
核心观点：开源模型降低了“入场券”价格，但企业仍需为工程化、运维和合规付出成本；闭源模型省去了这些麻烦，但代价是长期依赖和成本不可控。
理性的决策者需要同时看到硬币的两面。
开源模型的隐性成本至少有三层：
第一，工程化成本。 开源模型提供的是权重文件，不是“开箱即用”的产品。你需要自建推理服务、监控体系、模型更新管道。对没有MLOps能力的中小企业来说，这笔投入可能远超模型本身的“节省”。
第二，运维复杂度。 开源模型版本迭代快——DeepSeek、Qwen、Llama都在频繁更新。每次升级都可能涉及适配、测试、灰度发布。这些工作是有成本的。
第三，合规与安全。 “开放权重”不等于“开源AI”。公开权重只是把训练好的参数放出来，训练数据、训练代码、修改和商用的权限，往往并不跟着一起开放。企业在使用开源模型时，仍需自行评估许可协议、数据合规和输出安全。
闭源模型的成本结构则完全不同：API按量计费，用量越大成本越高；供应商锁定意味着议价权在对方手里；一旦核心模型涨价或变更条款，企业几乎没有还手之力。
一个参考数据：OpenAI 2026年第二季度营收67亿美元，仅较第一季度的57亿美元增长18%，运营亏损却从93亿美元扩大至123亿美元。年化收入运行率达400亿美元。闭源模式的商业可持续性，正在经受市场的拷问。
红杉资本在2026年AI峰会上指出，AI智能正经历“铝时刻”——从昂贵资源变为廉价工业品。曾经需要年薪50万美元的博士才能完成的逻辑推理，现在成本已经接近于零。当智能本身变成大宗商品，靠“卖Token”赚钱的闭源模式还能维持多久？
结论：不是“选边站”，而是“分层用”
回到最初的问题：企业大模型底座该押注开源还是闭源？
我的回答是：别把这个问题当成“二选一”。
真正务实的做法是按任务分层：
-高频、标准化、成本敏感的任务（客服问答、摘要翻译、代码补全、数据清洗）——优先考虑开源模型。性能已足够，成本优势碾压。一个做AI Agent的美国初创公司Lindy从Claude切到DeepSeek-V4之后，推理成本掉了95%——这个案例值得每个企业的CTO认真算一遍。
-复杂推理、高准确率要求、容错率低的核心任务（金融风控、医疗诊断、法律文书）——可以保留闭源旗舰兜底。但在用量评估上做严格管控，避免“Token失控”。
-数据安全要求极高的场景（政务、军工、核心研发）——私有化部署开源模型是唯一选择。数据不出内网，这是闭源API给不了的安全承诺。
-探索性、验证性场景（PoC、内部工具、小范围试点）——开源模型是天然的起点。零成本或极低成本验证想法，验证通过后再决定是扩容还是升级。
三个判断供参考：
第一，开源模型已经从“追赶者”变成了“竞争者” 。性能差距缩至1%-4%，成本差距拉大到100倍。忽视开源选项，就是忽视一个已经成熟的技术供给。
第二，供应商锁定是比性能差距更致命的长期风险。今天的闭源模型再强，明天也可能涨价、变更条款、甚至断供。拿回控制权，不只是技术选择，更是战略选择。
第三，“开源”不是目的，“降本增效”才是。不要为了开源而开源，也不要为了“国产替代”而盲目切换。算清TCO、评估性能需求、做好迁移预案——让数据说话，而不是让情绪做决定。
黄仁勋在公开信中说得很清楚：“世界既需要前沿的闭源模型，也需要前沿的开源模型”。企业不需要在两者之间“选边站”，而是要根据自己的业务场景、数据安全要求、成本预算和团队能力，做出理性的分层决策。
开源在“围剿”闭源，但这场战争不会只有一个赢家。真正受益的，是那些有能力在不同模型之间灵活切换、把每一分钱花在刀刃上的企业。