开源Token霸榜，Anthropic独吞真金：AI商业模式的结构性分野
在人工智能产业的表象之下，正发生着一场静默却深刻的结构性变革。近期，Decagon CEO Jesse Zhang 发表的观点引发了行业的广泛热议：尽管开源模型在技术普及度和用户基数上呈现爆发式增长，但在企业级市场的实际支出占比中，开源模型的份额却在悄然下滑。与此同时，Anthropic 等前沿模型实验室并未因开源浪潮的冲击而受损，反而凭借高附加值的商业模型攫取了行业大部分利润。这一现象看似矛盾，实则揭示了 AI 产业从“技术验证期”向“规模化生产期”过渡时的核心经济逻辑。
流量与营收的背离：开源模型的“虚假胜利”？
初看数据，开源模型似乎已经赢得了市场。根据 Vercel AI Gateway 的仪表盘显示，在过去的一周内，DeepSeek 的 Token 处理量迅速攀升至榜首，占据了该平台基础设施总 Token 流量的三分之一以上。紧随其后的是智谱，其推出的 GLM-5.2 模型也让智谱跃升至流量第四名。从纯粹的技术分发和模型调用次数来看，开源模型无疑是当前的赢家。
然而，当我们把视角从“使用量”切换到“支出额”时，局势便发生了逆转。尽管 Token 数量庞大，但 Anthropic 依然占据了 Vercel 平台 AI 总支出的半数以上。OpenRouter 的数据进一步印证了这一趋势：DeepSeek V4 Flash 每周处理约 5.3 万亿 Token，是行业最热门的模型；而 Anthropic 的 Opus 4.8 每周仅处理略高于 2 万亿 Token。
关键差异在于定价策略。数据显示，Opus 4.8 的平均 Token 成本约为 V4 Flash 的 23 倍。Opus 4.8 每百万 Token 成本约为 1.37 美元，而 V4 Flash 仅为 0.06 美元。基于这一巨大的价差推算，尽管 Opus 4.8 的用量低于开源模型，但它极有可能占据了平台模型支出的绝大部分。这种“开源占流量，闭源占营收”的局面，彻底打破了“开源取代闭源”的线性预测，表明两者服务于不同的市场层级。
Dario Amodei 的“暴论”：开源是伪命题吗？
面对开源模型的崛起，Anthropic CEO Dario Amodei 曾提出一个极具争议的观点：在 AI 领域，开源是一个干扰项，甚至是一个伪命题。他直言，即使模型公开，外界也无法窥探其内部运行机制，因此业内所谓的“开源”实际上是“开放权重”。与传统开源软件不同，大模型无法像 Linux 那样通过社区协作进行持续修改和迭代增强。
Amodei 指出，对于企业而言，模型是否开源并非首要考量。企业真正关心的是模型在关键任务上的表现。更重要的是，开源绝不等于免费。运行庞大模型所需的云端算力、专业团队的部署优化以及确保低延迟稳定运行的基础设施投入，构成了高昂的隐性成本。因此，与其纠结于模型的开源属性，不如关注其实际解决业务问题的能力。
这一观点在当前企业 AI 落地实践中得到了验证。随着 AI 应用从概念验证走向生产环境，企业对模型的需求发生了本质变化。开源模型的优势不再仅仅体现在代码的可访问性上，更在于其可定制性和成本可控性。
生命周期双轨制：从智能溢价到极致效率
Decagon 的实践为理解这一现象提供了绝佳样本。目前，Decagon 约 90% 的工作负载运行在开源模型上，而非 OpenAI 或 Anthropic 的产品。这并非出于客户强制要求，也不是单纯为了节省成本，而是由生产环境的刚性约束决定的。
在构建客服 AI 智能体时，延迟是决定产品可用性的生死线。如果每次对话轮次都需要等待 8 秒，没有任何用户愿意使用。因此，企业需要体量更小、响应更快的模型。在日常业务场景中，如处理常规咨询，并不需要模型具备掌握立陶宛首都或高中物理知识的能力，这些通用智能反而成了冗余负担。
然而，开箱即用的小模型往往难以达到高质量标准。只有通过针对特定任务进行大规模微调，它们才能满足生产需求。问题是，前沿模型实验室通常不提供这种“小模型 + 深度微调”的组合方案。它们最强的模型不开放权重，无法由企业自行塑造；而它们的小模型又无法达到顶尖性能。因此，“小模型 + 深度微调”成为企业必然选择开源开放权重模型的根本原因。
Jesse Zhang 将前沿模型与开源模型的关系重新定义为企业 AI 应用生命周期的两个阶段。在应用萌芽期，企业面临巨大的不确定性，此时选择最聪明、最通用的前沿模型（如 Opus 4.8）进行原型验证是合理的。企业愿意为未来可能用到的智能能力支付溢价，以探索问题形态和边界。
一旦应用场景成熟，企业明确了输入数据分布、预期行为模式及潜在失败风险，权衡逻辑便会逆转。此时，通用智能不再是优势，反而是累赘。企业转向体量最小、速度最快、经过专门微调的开源模型，以追求极致的效率和成本效益。
双层经济结构：AI 产业的稳定基石
这种基于生命周期的分层经济结构，为 AI 产业提供了一种相对稳定的发展范式。一方面，前沿模型实验室继续主导“应用发现”阶段，通过提供顶尖智能能力吸引早期采用者，获取高额利润并反哺研发。另一方面，开源模型逐渐主导“生产部署”阶段，通过低成本、高性能的解决方案服务于规模化业务。
只要 AI 可覆盖的任务市场保持快速增长，这种结构就能持续存在。即便大量成熟场景迁移至开源模型，新的应用场景仍在不断涌现，前沿模型始终拥有早期的验证市场。这解释了为何 Decagon 等企业虽然大量使用开源模型，但对 Anthropic 等前沿模型的整体支出并未显著下降。
此外，并非所有应用场景都能被低成本模型完全替代。对于复杂推理、创造性工作或高精度决策任务，顶级模型的技术壁垒依然坚固。Nvidia Nemotron 等新兴模型的入局，凭借强大的产业适配能力，将进一步丰富这一生态，但不会改变“顶层探索、底层落地”的基本格局。
未来展望：漫长迁移与价值重构
Jesse Zhang 认为，今天所有使用前沿模型进行验证的应用场景，未来都有可能迁移到开源模型，但这一过程会比许多人预期的更为漫长。这种迁移不仅仅是技术的替换，更是企业认知、数据治理和组织能力的全面升级。
对于模型供应商而言，这意味着竞争维度的多元化。前沿模型厂商需持续突破能力边界，维持技术领导力；开源社区则需完善工具链，降低微调与部署门槛。对于企业用户而言，关键在于建立灵活的模型策略，避免被单一供应商锁定，同时在“智能溢价”与“运营效率”之间找到动态平衡。
开源模型的崛起并非对前沿模型实验室的替代，而是 AI 产业成熟化的标志。它迫使业界重新审视模型的价值构成，从单纯追求参数规模转向关注场景适配性、部署效率及总体拥有成本（TCO）。在这种双层经济结构中，开源与闭源并非零和博弈，而是互补共生，共同推动人工智能向更深、更广泛的应用纵深发展。