2026年10月中旬，在星展银行（DBS）主办的一场面向亚太企业高管的座谈会上，英特尔CEO陈立武（Lip-Bu Tan）说了一句话，这句话的回声比任何人预期的都要持久。

他说：DeepSeek、Kimi、GLM这些中国AI模型，性能「已经足够好」（good enough）。而且它们的token成本更低，普及速度「非常快」（very fast adoption）。他还表示自己坚定支持开源AI，认为市场会最终决定哪些模型最适合哪些应用场景。（来源：Reuters，2026-10-12）

这句话本身并不惊人。技术圈的人早就知道，中国AI模型在过去一年里进步巨大。真正值得深想的，是说这句话的人是谁——英特尔的CEO，一家靠卖AI芯片维生的美国公司，在政治敏感的中美科技脱钩背景下，选择公开为中国AI模型背书。

这不只是一个技术观察，而是一个被刻意选择的时机、地点和立场的综合信号。理解这个信号，需要从三个层面来拆解：英特尔的商业利益层、AI市场的结构变化层、以及中美科技博弈的地缘政治层。

一、谁说这话，比说什么更重要

理解陈立武这番话的第一步，是搞清楚他的立场和利益结构。

英特尔不是AI模型公司。它卖的是芯片——CPU、数据中心处理器、AI加速器（包括Gaudi系列）。英特尔的商业模式要求它面向全球销售硬件，不论客户用的是OpenAI的闭源模型还是DeepSeek的开源模型。

从这个商业逻辑出发，AI生态越分散、越多元，英特尔受益越大。OpenAI、Anthropic主导的封闭云API生态对英特尔不利——因为这种模式让客户的推理工作负载锁定在NVIDIA GPU驱动的云端，英特尔几乎没有切入机会。

相比之下，DeepSeek、Kimi这类低成本开源或开放模型的普及，意味着：

第一，更多企业会考虑私有化部署推理工作负载，而不是全部依赖云端API；第二，推理的边际成本下降，会刺激整体AI推理需求量级上升；第三，企业在本地部署开源模型时，CPU和推理加速芯片的需求随之上升——这正是英特尔产品线最具竞争力的场景。

所以陈立武称中国模型「够用」，本质上是在说：有一批足够便宜、足够好的模型，会把AI推理的蛋糕做大，英特尔将从这个过程中受益。这不是对OpenAI或Anthropic的攻击，而是一个精心计算过的商业判断，同时也是向市场发出的行为许可信号。

陈立武选择在DBS的亚太论坛上说这句话，不是偶然的。面向的受众是亚太企业决策者——这些人既是AI模型采购的决策者，也是未来可能购买英特尔AI推理芯片的潜在客户。他在告诉他们：你们的模型选择不只有美国这一个选项，从技术和成本角度，中国模型已经进入了可认真考虑的范畴，英特尔不会反对你们的这个选择。

这种「商业背书」的政治含义同样不可忽视。在美国政府持续扩大对华芯片出口限制的背景下，英特尔CEO公开说中国AI「够用」，是一个需要勇气的表态。他没有在华盛顿说这句话，而是选择了亚太的中立舞台，这本身就是一种精心设计的表达方式。

二、价差有多大：0.75美元对12美元，再对24美元

陈立武提到了成本优势，但没有给出具体数字。第三方API定价追踪数据填上了这个空缺，而这些数字比任何描述性语言都更有说服力。

以2026年10月的市场价格为基准，按每100万输入token加每100万输出token的总成本计算，主要模型的定价如下：

模型 输入价（美元/百万token） 输出价（美元/百万token） 合计（1M+1M）
DeepSeek V4.1 Flash（非繁忙时段） 0.15 0.60 0.75美元
GLM 5.3（Z.ai直连API） 1.40 4.40 5.80美元
Kimi K3 0.80 10.00 10.80美元
GPT-6.1 Sol 2.00 10.00 12.00美元
Claude Opus 5.5 4.00 20.00 24.00美元

（来源：第三方API定价追踪，数据由Unwire Pro于2026-10-13整理，原始数据来自OpenAI、Anthropic、DeepSeek官方API定价页面及第三方比价网站；本文价格仅供参考，实际计费以各平台官方页面为准）

同样的工作量，DeepSeek花0.75美元，GPT-6.1 Sol花12美元，Claude Opus 5.5花24美元。DeepSeek的输入价是GPT-6.1 Sol的7.5%，输出价是6%；对比Claude Opus 5.5，分别是3.75%和3%。

这不是百分之几十的差距，这是一个数量级甚至两个数量级的价差。

当然，这个比较有必要做一些校正。DeepSeek V4.1 Flash在繁忙时段收费加倍，输入价升至0.30美元，输出价升至1.20美元，总计约3美元——即使在繁忙时段，也只有GPT-6.1 Sol的25%。Kimi K3的输出价与GPT-6.1 Sol持平（每百万10美元），仅在输入端便宜。GLM 5.3的综合定价约为GPT-6.1 Sol的48%。中国模型并非整体便宜，但在某些场景（尤其是输出量大的推理密集型任务），DeepSeek的成本优势是惊人的。

把这些数字带入实际业务场景来看：假设某家企业每月需要处理1亿次token调用（输入输出各5000万），选择DeepSeek V4.1 Flash（取繁忙时段价格，更保守估算）总成本约150美元，选择GPT-6.1 Sol约为600美元，选择Claude Opus 5.5约为1200美元。每月节省450至1050美元，对中小企业而言已经是一个有感的数字；对大型企业，同样工作量下每年节省可能高达数百万美元。

这种程度的成本差异，已经足以触发企业CIO重新审视AI模型采购策略。陈立武的表态，在某种意义上是在提醒他的潜在客户：这笔账，值得算一算。

三、OpenRouter数据：从2%到45%，市场已经在用脚投票

成本优势只是故事的一半。陈立武说中国AI模型的普及速度「非常快」——数据印证了这一点，而且数字比预期更加惊人。

API聚合平台OpenRouter的周token用量数据记录了一条陡峭的上升曲线：2025年初，中国AI供应商在OpenRouter平台上的周token用量占比不足2%；到2026年4月初，这个数字超过了45%。短短15个月，中国AI模型在这个平台上的占比提升了20倍以上。（来源：Digital Applied整理的OpenRouter数据，转引自Unwire Pro，2026-10-13）

这个数字需要加上一个重要的注脚：OpenRouter主要面向开发者和技术用户，不代表全体企业市场。但它提供了一个可信的先行指标——技术用户的行为往往领先于企业整体采购决策3到6个月。

更有意思的是，在2026年4月的OpenRouter用量排名中，占据第一位的模型并不是DeepSeek的最新旗舰，而是小米（Xiaomi）的MiMo-V2-Pro——一个在Artificial Analysis综合智能指数上仅排名第10的模型。（来源：Digital Applied对OpenRouter 2026年Q1数据的分析，转引自Unwire Pro，2026-10-13，https://unwire.pro/2026/10/13/intel-ceo-deepseek-kimi-glm-good-enough/news/）这个对比本身就是对「选最强的」逻辑的有力反驳：市场并不总是选择排名最高的，而是选择在具体需求上「够用且便宜」的，排名第一用量的模型不是最强的，是最合适的。

这个细节极其重要，因为它打破了一个潜在的误解：「中国AI之所以被选择，是因为它们跑分高」。事实上，MiMo-V2-Pro跑分并不顶尖，但它在编程辅助和长上下文处理两个具体能力上表现突出，同时价格有竞争力。开发者选择它，不是因为它是最强的通用模型，而是因为它在他们实际工作场景中「够用且便宜」。

这正是陈立武所描述的「市场决定论」在现实中的体现：当有足够多种类的模型可选时，企业和开发者不会自动选最强的，他们会选最符合性价比的——而「够用」是判断性价比的关键门槛。

模型聚合平台CoreAI的观察进一步佐证了这一趋势：大多数开始使用中国模型的企业并没有「全面切换」，而是在架构上保留多个模型，把不同类型的工作负载分配到不同的模型——量大而低风险的任务交给低成本模型，高难度高风险的场景保留给前沿模型。

四、分层路由：AI架构的下一个演化方向

「够用就好」这个判断，正在催生一种新的企业AI架构范式——分层路由（tiered routing）。

旧的企业AI架构思路是：找到一个最强的基础模型（或少量几个），用它处理所有任务，把安全、合规、成本控制等约束条件叠加在它之上。这种思路的前提是模型选项有限、切换成本高、不同模型的质量差异可能不可接受。

新的架构思路正在取代它。在有了足够多「够用」的低成本选项之后，企业开始按以下逻辑来构建AI工作流：

第一层是高成本高质量任务，包括法律文件起草、医疗辅助诊断报告、金融投资建议、安全关键代码审计、高风险决策支持。这类任务不能出错，单次调用的成本敏感度低，适合Claude Opus 5.5或GPT-6.1这类前沿模型。

第二层是中等复杂度的日常任务，包括方案撰写、技术文档生成、多文档摘要分析、内部知识问答、数据报告生成。这类任务有质量要求但有一定容错空间，适合GLM 5.3、Kimi K3或中等价位的模型。

第三层是高频低风险的批量任务，包括代码自动补全、邮件分类和初步回复、数据清洗、格式转换、短文本生成、用户行为标注。这类任务量大、容错率高、成本敏感，DeepSeek V4.1 Flash是天然选择。

这种三层架构的设计，要求企业具备几个新的能力：能够量化每类任务的质量需求（允许的错误率、输出格式、上下文长度）；能够建立并维护各层模型的基准测试；能够在业务变化时动态调整路由策略；同时能够管理多个供应商关系、合规要求和数据安全策略。

有一个细节值得强调：分层路由不是简单的「便宜任务用便宜模型」。关键在于如何定义每层任务的质量门槛。以代码自动补全为例，如果一个模型在80%的情况下提供正确补全，另一个模型在92%的情况下正确，价格差10倍，这10倍的价差是否值得？答案取决于开发者的工作流——如果他们需要逐行审查代码，两个模型的体验差异可能不大；如果自动补全的结果直接进入生产代码，12%的准确率差距可能带来大量额外的调试时间，性价比计算完全不同。

「AI架构师」这个角色，将在未来两到三年内成为企业IT团队最紧缺的职位之一（编者注：此为趋势预判，基于当前多模型路由需求的快速增长，实际时间线因行业和企业规模而异）。会写提示词（prompt engineering）只是入门资格，真正有价值的能力是：设计一套能在成本、质量、速度、合规之间找到最优均衡点的多模型路由系统，并能持续优化它，随模型价格和能力的变化动态调整。

五、英特尔的战略算盘：开源普及等于硬件需求

理解陈立武为何在这个时间点发出这个信号，需要看懂英特尔当前的战略处境。

2026年，英特尔正在经历公司历史上最艰难的转型期之一。NVIDIA主导了大型语言模型训练市场，并在推理市场持续扩张。AMD Helion和其他AI加速器正在瓜分英特尔原有的数据中心份额。英特尔的Gaudi系列AI加速器虽然在推理效率上有亮点，但始终未能在大型AI训练场景中形成突破。

在这个背景下，开源AI模型的普及对英特尔是一个战略性机会。原因在于以下几点：

封闭云API模式下，企业的AI推理工作负载主要跑在亚马逊AWS、微软Azure、谷歌GCP上，这些平台基本都是NVIDIA GPU主导的基础设施，英特尔几乎没有直接受益的空间。这是英特尔在AI热潮中始终处于「配角」位置的根本原因之一——AI生态的价值主要由模型公司和云厂商捕获，芯片层面的利润主要流向了英伟达。

开源模型的私有化部署模式下，企业需要在自己的服务器或本地数据中心上运行模型。这一场景中，CPU推理（用英特尔Xeon）、以及英特尔Gaudi系列都有机会参与竞争。尤其是DeepSeek的一些开源变体，对显存要求相对较低，可以在CPU或低端AI加速器上运行，这是英特尔产品线的传统优势地带。

此外，合规性驱动的私有部署也在给英特尔送来机会。欧盟数据主权要求、亚太企业对数据跨境传输的谨慎、医疗金融行业的监管合规需求——这些都在推动更多企业选择在本地部署AI，而不是依赖境外API。低成本开源模型的可用性降低了私有部署的技术门槛，进一步扩大了这个市场。在英特尔的战略布局中，Gaudi加速器在推理端的成本竞争力，加上开源模型本地部署的市场需求，构成了一个具有商业逻辑的增长故事。

陈立武同场强调支持开源AI不是偶然。开源模型普及意味着私有部署增加，私有部署增加意味着推理芯片需求增长，而这正是英特尔最需要抓住的机会窗口。

六、地缘政治裂缝：政府说「脱钩」，企业说「够用」

这里有一个无法回避的张力：在美国政府持续收紧对华AI芯片出口限制的同时，英特尔的CEO正在公开称中国AI模型「够用」——这两个来自同一个国家的信号，指向完全相反的方向。

这个矛盾揭示了美国科技产业内部一条正在加深的裂缝：国家安全逻辑与商业利益逻辑之间的冲突。这条裂缝并不新鲜——它在半导体领域已经存在多年，但AI时代让它变得更加尖锐、更加显性。

从国家安全角度，美国政府的立场是：限制中国AI能力的发展速度，减少中国AI应用的全球渗透，防止先进技术和数据流向中国。出口限制是这个战略的核心工具，而且正在持续升级。

从商业逻辑角度，英特尔的立场是：全球AI生态的繁荣对英特尔有利，无论这种繁荣来自哪个国家的模型。中国AI模型的普及扩大了推理市场，而英特尔可以从这个扩张中受益。AI不是零和游戏，多个生态并存对硬件卖家是好事。

陈立武之所以选择在新加坡的DBS论坛说这句话，而不是在华盛顿DC的国会听证会上，是因为不同的舞台触发不同的解读框架。在亚太舞台，这是商业判断；如果在华盛顿说，则会立即变成政治声明，触发来自议员和政府官员的反应。硅谷高管学会了「地理敏感性表达」——在哪里说什么话，面对哪些受众释放哪些信号，本身就是一种地缘政治技能。

对中国AI公司而言，英特尔CEO的这番表态是一张极具价值的「信用证」。在向全球（尤其是亚太）企业客户推介时，DeepSeek、Moonshot、智谱AI现在可以引用这句话：就连英特尔的CEO都说我们够用了，你还在犹豫什么？来自美国公司CEO的背书，比任何中国官方媒体的宣传都更有说服力。

这种「第三方背书」的力量在商业实践中被严重低估了。当一家美国科技公司的高管公开认可竞争方的产品，它产生的「许可效应」（permission effect）是深远的——它降低了亚太企业采购中国AI模型的心理阻力，减少了「这个选择是否明智」的内部争议，让决策者有了一个可以援引的权威依据。陈立武可能没有意识到（或者完全意识到了），他的这番话对中国AI公司的全球推广是一份价值不菲的礼物。

七、不可忽视的风险：「够用」不等于「无风险」

在讨论中国AI模型的成本优势时，有一个维度经常被忽视：使用中国AI API服务所带来的数据安全和合规风险，在某些场景下，可能远超成本节省带来的收益。

数据跨境传输合规风险是最直接的挑战。当企业将业务数据通过API发送给DeepSeek、Kimi或GLM处理时，这些数据会跨越国境传输至中国境内的服务器（或部分中国公司在海外设立的服务器）。根据欧盟GDPR的数据传输规定，向中国传输包含欧盟居民个人数据的请求，需要满足适当的法律机制（如SCCs、BCRs）才合规；美国联邦数据保护法规也在这方面持续收紧。

行业监管风险在医疗、金融、法律等领域尤为突出。金融机构处理客户账户数据、交易记录时，若将这些数据发送至境外AI处理，可能触犯所在国的金融监管法规；医疗机构的患者数据受HIPAA（美国）、HIQA（爱尔兰）等法规保护，跨境传输限制严格；法律事务所的律师-客户特权材料跨境传输也存在职业合规风险。

服务可用性风险是另一个实际挑战。中国AI API服务在地缘政治事件、网络管控政策变化、或公司商业变故时，可能出现突然中断或访问限制。相比之下，OpenAI和Anthropic的服务在西方国家有更稳健的SLA（服务级别协议）保障和法律合同框架。

模型行为一致性风险也值得关注。中国AI模型在某些涉及历史、政治、社会敏感话题的处理方式上，受中国监管要求影响，可能与国际企业客户的预期出现偏差。这不是质量问题，而是内容策略差异导致的不可预测性。

这些风险并非不可克服，但需要企业在选择使用中国AI模型时，做出有意识的风险评估，而不是仅凭成本因素做决策。一个合理的实践路径是：将低敏感度的非个人数据任务（如公开内容摘要、代码逻辑优化、非业务特定文本生成）送往低成本模型，保持高敏感度、高合规要求的数据和任务在通过合规审查的服务中处理。

八、对前沿模型的影响：精英化而非衰退

陈立武的表态是否意味着前沿模型（Claude Opus、GPT-6.1这类高价旗舰）的市场将萎缩？这是一个容易产生误解的问题，答案是：不会萎缩，但会重新定位。

当「够用」的中低端选项变得足够可靠时，前沿模型的市场会经历一次精英化过程——用的人更少，但每次使用的价值更高，整体对前沿模型的需求在质量上升级，而不是数量上缩减。

具体来说，以下场景将继续甚至加速采用前沿模型：高风险专业决策（法律、医疗、金融），对准确性要求接近完美的场景；需要深度推理和多步骤规划的复杂任务；要求处理特定专业领域知识的深度分析；以及企业对模型供应商的合规性和数据处理政策有严格要求的场景（这里中国模型面临的合规障碍更大）。

从定价动态上看，短期内前沿模型的价格会承受一定的向下压力——尤其是中低端产品线，例如GPT-6.1 Sol（非Opus版）和Claude Haiku系列，可能被迫跟随中国模型调整价格。但顶端旗舰模型（Claude Opus 5.5、GPT-6.1旗舰）因为服务的场景不可替代，价格弹性相对较大，短期内不会大幅降价。

Anthropic和OpenAI现在面对的挑战，本质上是如何在「够用就好」的市场压力下，清晰地向企业客户传达「为什么你需要旗舰模型而不是够用的模型」。这是一个产品定位和价值叙事的挑战，而不仅仅是技术挑战。

从历史上看，这个模式并不陌生。企业软件市场曾经历过类似的分层进化：SAP和Oracle的顶端旗舰产品始终有其市场，但它们的中低端产品线持续面临来自更便宜替代品的竞争压力，最终不得不分化出不同的价格层次和服务模式。AI模型市场可能会经历相似的演化路径，只是速度会快得多——因为模型能力的迭代速度远超传统企业软件。

Anthropic最近推出的Claude Haiku 5.5系列（低价高效版本）和OpenAI的GPT-6.1 Sol（Turbo的降价继任者），已经是在这个方向上的主动应对。但中国模型带来的压力是否已经超出了微调定价所能应对的范围，还需要更多时间来验证。

九、给企业IT决策者的三个判断

如果陈立武的判断是正确的，企业IT决策者现在需要做什么？

第一，重新审视模型采购策略，引入成本视角。 在过去两年，很多企业选择AI模型的逻辑是「选最强的」或「选最安全的」，成本是次要因素。现在，成本应该成为一个主动量化的维度，而不是事后的考量。建议IT团队建立一个模型成本计算器，将实际业务中不同类型任务的token消耗量化，计算不同模型选择下的年度成本差异，让数字说话。

第二，建立分层路由的架构能力。 不是所有任务都需要旗舰模型，但不同类型任务需要多少质量，需要自己定义。建议从一到两个具体工作流入手，先以自家真实任务数据做小规模的模型对比测试，评估各模型在质量和成本上的权衡，再逐步扩大分层路由的覆盖范围。

第三，提前考量数据合规边界。 使用中国AI模型API涉及数据跨境传输问题，在欧盟GDPR、中国数据安全法、以及各国医疗金融行业监管框架下，有一部分数据类型是不适合送往境外API处理的。这需要在实施分层路由架构时，同步完成合规边界的划定。建议法务团队和IT架构师提前联合梳理数据类型清单，标注哪些可以发往境外API（非个人信息、公开数据等），哪些必须在本地或特定合规区域处理。这不是阻碍使用低成本模型的理由，而是确保架构设计时不走弯路的前提条件。

以上三个判断，是在「够用就好」成为市场主流逻辑之后，企业IT决策者需要完成的认知升级和架构升级。那些能够最快建立分层路由能力、清晰定义各类任务质量门槛、并妥善处理合规边界的企业，将在AI成本结构上率先获得竞争优势，而这个优势会随着时间推移不断累积。

结语：「够用」是这个时代最诚实的判断

「够用」（good enough）在英语里是一个微妙的词。它不是褒义，也不是贬义，它是一个关于性价比的经济判断——这个选项在我需要的维度上达到了我的门槛，而且价格合理，因此它就是正确的选择。

陈立武在DBS论坛上选择这个词，是一个长期浸润在工程文化中的技术人的诚实：DeepSeek、Kimi、GLM在相当多的企业场景下，已经达到了可接受的质量门槛，同时在成本上低到GPT-6.1 Sol的6%至25%。这个组合对成本敏感的企业用户，提供的是无法简单拒绝的价值主张。

这句话被一位美国芯片公司CEO说出，在亚太市场落地，背后是英特尔对自身商业利益的精算、是OpenRouter上45%份额数据的客观印证，也是整个AI市场结构在悄悄经历的一次范式转变的缩影。这三个层面相互叠加，共同构成了一个信号：AI竞争的游戏规则，正在从技术竞赛的单一维度，转变为技术、成本、合规、生态的多维度博弈。

AI不再是「谁最强谁赢」的单一维度游戏。它正在演变成一个「按场景匹配、按成本优化、按风险控制」的多维度工程问题。在这个游戏里，「够用就好」不是妥协，而是精准——找到恰好跨过质量门槛、同时成本最低的那个选项，才是真正的工程智慧。

AI军备竞赛，正在悄悄地从「谁最强」变成「够用就好」。这场转变的赢家，不一定是模型最强的公司，而是最先理解这个新规则、并围绕「够用」重新设计产品策略、定价逻辑和架构方案的公司。

参考资料：

  1. TrendForce: “Intel CEO Lip-Bu Tan Calls DeepSeek, Kimi, GLM Good Enough, Notes Low Token Costs and Fast Adoption” (2026-10-15) - https://www.trendforce.com/news/2026/10/15/news-intel-ceo-lip-bu-tan-calls-deepseek-kimi-glm-good-enough-notes-low-token-costs-and-fast-adoption/
  2. Reuters: “Intel CEO says Chinese frontier AI model adoption has been ‘very fast’” (2026-10-12) - https://www.reuters.com/world/china/intel-ceo-says-chinese-frontier-ai-model-adoption-has-been-very-fast-2026-10-12/
  3. Unwire Pro: “Intel CEO稱DeepSeek已夠用　企業選模型由追最強轉向計成本” (2026-10-13) - https://unwire.pro/2026/10/13/intel-ceo-deepseek-kimi-glm-good-enough/news/