最近一周，AI圈最热闹的话题是什么？
不是GPT-5，不是Claude 4，而是中国AI模型。
阿里Qwen3.8 Max发布，直接声称"仅次于Anthropic的Fable 5"；月之暗面Kimi K3开源，性能直逼前沿。一时间，"中国AI威胁论"甚嚣尘上。
但我想泼一盆冷水：你们担心错了方向。
大多数人的认知里，AI烧钱主要是训练阶段。
训练一个GPT-4需要多少GPU？多少资金？网上流传的数字是——25亿美元。这确实吓人。于是所有人都在算：谁训练得起？谁有护城河？
但这篇Stratechery的分析指出一个关键盲点：训练是固定成本，推理才是可变成本。
"R&D是固定支出，与收入无关。你花1亿美元研发，赚1000万还是10亿，都要花这1亿。但COGS（销售成本）与收入直接相关——生成1000万的token和10亿的token，成本差了1000倍。"
实际是：推理成本才是生死线
让我们算一笔账：
-
• Kimi K3：$3/百万输入tokens，$15/百万输出tokens -
• Sol（某美国模型）：$5/百万输入，$30/百万输出
看起来Kimi更便宜？但这可能是个价格陷阱。
Jensen Huang（英伟达CEO）说他们在建"token工厂"。但这个比喻在推理时代出了问题：
-
1. 思维链tokens爆炸：推理模型需要大量中间tokens，不同模型需求差异巨大 -
2. Agent工作流效率：不同模型完成相同任务需要的tokens量不同 -
3. 模型不是同质商品：1个token从Kimi出来，和1个token从Sol出来，不是同一种东西
"Tokens不是商品。商品是可替代的——一桶油是一桶油，一吨铜是一吨铜。但不同模型生成的token不可替代。可替代的是从token构建的'智能'。"
商品市场的残酷逻辑
文章用了一个教科书级别的例子解释商品市场：
-
• A厂商：$10/单位 -
• B厂商：$15/单位 -
• C厂商：$20/单位
市场需求：25单位 at $20
结果：
-
• A赚翻（$10/unit利润） -
• B还行（$5/unit利润） -
• C勉强保本（$0/unit利润）
谁成本结构最差，谁就死在黎明前。
现在AI市场还在"供给短缺"阶段，前沿模型供不应求。但一旦供给跟上，商品化开始：
-
• 任何人都能用多厂商模型做CRUD应用 -
• 差异化不在模型本身，在成本结构 -
• 固定成本（R&D）会压垮高成本厂商
中国模型的真实处境
文章认为市场对"中国AI威胁"反应过度：
-
1. 价格伞效应：因为算力短缺，美国厂商被迫收取高价。一旦算力跟上，价格会暴跌 -
2. 推理成本优势存疑：表面便宜可能只是定价策略，真正成本结构未必占优 -
3. 数据飞轮：前沿厂商同时跑推理+收集数据+训练下一代，良性循环
"中国模型更便宜？不见得。只是Anthropic和OpenAI供给受限，被迫收取远超边际成本的价格。"
前沿厂商的护城河
那前沿厂商应该怎么办？文章给了三个方向：
-
1. 降低推理成本：随着算力供给增加，用更低价格+更大volume盈利 -
2. 向上整合：做Claude Code、Codex这种粘性产品，让用户难以迁移 -
3. 企业级部署：帮助企业自建模型，这对中国开源模型是重大利好
我的判断
这篇文章最大胆的预言：智能将成为商品。
当智能变成商品，赚钱的不再是卖智能的人，而是成本结构最优的人。
这对AI行业意味着什么？
-
• 训练不再是护城河，推理效率才是 -
• 开源模型会极大压缩利润空间 -
• 应用层可能才是最大的价值捕获点
至于"中国AI威胁论"——与其担心，不如想想：当智能随手可得时，你的独特价值在哪里？
本文参考：Stratechery - Who's Afraid of Chinese Models?