有一个数字，美国 AI 行业不太喜欢公开讨论：

OpenRouter（开发者使用最广泛的多模型 API 网关之一）上，中国 AI 模型自今年2月8日起，每一周的 token 份额都超过30%。

到2026年9月中旬，这个数字一度达到 67%。

这意味着，流经这个平台的每3个 AI token 里，有2个是中国模型处理的。

这不是一个技术社区的小众现象。OpenRouter 是硅谷初创企业和中型技术公司最常用的模型路由层之一，它的 token 份额数据相当于 AI 行业的”实时票房”——记录的不是谁声称自己最好，而是开发者实际把钱花在了哪个模型上。当这个票房数据显示中国模型占据了超过三分之二的份额时，整个行业需要认真审视背后发生了什么。

核心数据来源说明：本文关于 OpenRouter token 份额的数据，来自 OpenRouter 官方公开排行榜，读者可自行查证。关于具体企业采用中国 AI 模型的案例，主要引自 Bloomberg 2026年9月报道及 CryptoBriefing 2026年10月报道（详见文末参考资料）。部分行业数据系基于公开信息的合理估算，文中均已逐项标注估算依据和不确定性。

一段必要的历史回顾：从”不可能追上”到”价格倒挂”

要理解2026年这场迁移的规模，必须回到3年前。

2023年，当 OpenAI 的 GPT-4 发布时，硅谷的主流共识是：中国 AI 实验室在大语言模型上落后美国至少18-24个月。当时的证据看起来很充分——中国最好的开源模型在主流基准测试上与 GPT-3.5 相当，远未触及 GPT-4 的水平。英伟达 A100/H100 芯片的出口管制在2022年10月启动后，进一步强化了这种判断：没有顶级算力，中国不可能在模型规模上追赶。

2024年初，DeepSeek V2 的发布开始动摇这个共识。这个模型使用了 MoE（Mixture of Experts，混合专家）架构，在推理效率上展现了惊人的优化——以远低于同级别美国模型的算力消耗，达到了接近的性能。更重要的是，DeepSeek 把 API 价格定在了 OpenAI 同类产品的约 1/50。当时很多人认为这是”亏本补贴”或”质量不足所以只能打价格战”。

到2024年底和2025年初，情况变得更清晰。DeepSeek V3、阿里巴巴的 Qwen 2.5、Moonshot AI 的 Kimi 系列、智谱的 GLM 系列，在多个基准测试上开始与 Claude 3.5 Sonnet 和 GPT-4o 打平甚至胜出。而价格差距不但没有缩小，反而进一步拉大。到2025年中期，中国模型的平均 API 价格大约是美国同类模型的 1/10 到 1/50，部分任务场景下差距达到 1/100。

2025年下半年到2026年初，一个关键转折发生了：中国模型不再只是”便宜的替代品”，而是在特定任务上成为了”性价比最优选”。这意味着企业不再需要在”质量”和”价格”之间做取舍——在很多实际业务场景中，中国模型同时满足了两个条件。

这段历史解释了为什么2026年2月成为了 OpenRouter 数据的拐点。在此之前，中国模型的份额在缓慢爬升；在此之后，增长曲线陡然变化。不是因为发生了某个单一事件，而是因为积累了2年多的能力追赶终于越过了企业采用的”信任阈值”。

成本压力是主因，但”成本”的含义比想象中复杂

为什么？据 Bloomberg 2026年9月的报道，调查给出了具体数字：

中国 AI 模型每 token 成本比美国提供商低 10-50 倍，部分情况下低 90%。

与此同时，OpenAI 和 Anthropic 的使用计费模式，正在给企业带来”账单冲击”（bill shock）：据多家初创企业向媒体反映，企业 AI 账单在产品上线后的第1-3个月内上涨了数十倍乃至 100 倍。

这种”账单冲击”的机制值得展开解释。大多数 AI 初创企业在原型阶段使用的 token 量很小——每天可能只有几万到几十万次 API 调用。但一旦产品上线并获得用户增长，token 消耗量会以指数级别增长。一个典型的 AI 客服产品，从100个测试用户扩展到10万活跃用户，API 成本可能从每月 2000 美元暴增到每月 20 万美元。根据 Anthropic 官网公开的 Claude 3.5 Sonnet 定价（约 3 美元/百万输入 token，15 美元/百万输出 token），一个日活10万的对话式 AI 产品，月度 API 成本轻松突破数十万美元量级。

而同样的工作负载，如果切换到 DeepSeek V4 的 API 定价（参考其官网公开价格），成本可能降到原来的 1/10 甚至更低。

这不是”省钱”的问题，这是”能不能活下去”的问题。

对于一家 A 轮融资 1500 万美元的初创企业来说，每月数十万美元的 API 成本意味着资金跑道可能不足 2 年。如果切换到中国模型把这个数字降低 80-90%，资金跑道可以显著延长。在2026年的融资环境下——AI 领域的估值泡沫已经开始收缩，投资人对 AI 初创企业的盈利预期越来越严格——这种成本差异直接决定了企业的生存概率。

一句话：当你的模型账单决定你能活18个月还是4年，选择便宜50倍的供应商不是偏好，是生存本能。

用脚投票，在这个背景下，是理性选择。

Lindy：最极端的案例，也是最有代表性的样本

Lindy 是一家 AI 自动化初创企业，他们把迁移做到了最彻底：

据 Bloomberg 2026年9月报道，2026年6月，Lindy 把所有 API 调用从 Anthropic Claude 切换到 DeepSeek V4。

结果：推理成本降低约 90%，据其 CEO Flo Crivello 在接受 Bloomberg 采访时称，节省了数百万美元。

Lindy 的产品定位是”AI 员工”——用户可以创建自动化的 AI 代理来处理邮件、日程安排、数据分析等任务。这类产品的特点是：每个用户的每次操作都会触发多次 API 调用，而且对话轮次多、上下文窗口长。这意味着 token 消耗量远高于简单的问答式 AI 产品。

Crivello 在采访中透露的信息有几个关键点值得注意：

第1，切换不是一夜之间完成的。据 Crivello 描述，Lindy 团队花了约3周时间做 A/B 测试，对比 Claude 和 DeepSeek V4 在各类任务上的表现。结果显示，在 Lindy 的核心使用场景（邮件摘要、日程协调、简单数据提取）中，DeepSeek V4 的输出质量与 Claude 的差异在统计上不显著。在少数需要复杂推理的场景中，Claude 仍然略优，但差距不足以证明 10 倍的价格溢价是合理的。

第2，切换后的用户反馈出乎意料地平淡。Lindy 没有公开宣布模型切换，而是静默完成。据 Crivello 透露，在切换后的4周内，用户投诉率没有显著变化。这是整场迁移中最值得传播的事实：用户根本没发现底层模型换了。 它说明在实际业务场景中，终端用户对底层模型的感知远低于行业讨论中的预期。

第3，节省的成本被重新投入到产品开发和用户获取上。Lindy 用省下的钱雇了更多工程师，并降低了产品定价以获取更多用户。这形成了一个正向循环：更低的 AI 成本 → 更低的产品价格 → 更多用户 → 更大的规模优势。

Lindy 的规模不算大，但这个案例代表了一类企业的处境——它们没有大公司的谈判能力（Google 和微软可以跟 OpenAI 谈批量折扣），也没有自研模型的能力和资源；它们是 AI 模型的纯粹消费者，价格差异直接影响生死。

据 PitchBook 2026年 Q3 报告的行业概览数据，美国约有数千家 AI 初创企业处于 A 轮到 B 轮阶段（PitchBook 为付费数据库，具体数字因分类标准不同而有差异）。行业普遍估计，其中大部分依赖第三方 API 作为核心推理基础设施，比例约在 60-80% 之间（该区间为多位行业分析师的公开估算综合，非单一精确数据源）。Lindy 不是孤例——它是这类公司的缩影。

对于这类公司，90% 的成本削减不是”锦上添花”，而是”生死攸关”。

大公司的策略：不是全换，是构建”模型供应链”

大公司处理这个问题更谨慎，但方向是一致的。据 Bloomberg 2026年9月报道：

  • DoorDash：据报道正在使用 Moonshot AI 的 Kimi 处理部分工作负载，主要集中在客服对话和订单异常检测等非核心但高频的场景
  • Airbnb：据报道与阿里巴巴的 Qwen 合作，用于多语言内容生成和房源描述的自动翻译优化
  • Coinbase：据报道使用包括 GLM-5.2 在内的多个模型，构建了一个多模型路由系统，根据任务类型自动分配到最优模型

重要说明：上述企业案例均来自 Bloomberg 和 CryptoBriefing 的报道引述，截至发稿时，DoorDash、Airbnb 和 Coinbase 均未就此事发表官方确认声明。本文对这些案例的分析建立在报道内容的基础上，读者应注意这些信息的来源限制，相关细节可能存在偏差或不完整。

这些不是”出走”，而是”对冲”。它们在构建一个多模型架构——当某个供应商提价、出现问题或受到监管限制时，可以快速切换。

这种做法在供应链管理中有一个经典名称：多源采购（multi-sourcing）。过去30年，制造业从单一供应商模式转向多源采购是一个漫长的过程，通常由供应链中断事件（如2011年日本地震、2021年苏伊士运河堵塞）推动。AI 行业正在经历同样的转变，只不过速度快得多。

DoorDash 的案例尤其值得关注。作为一家上市公司，DoorDash 的 AI 支出直接影响毛利率。根据其公开财报中披露的技术基础设施支出趋势，以及行业分析师对 AI 推理成本在整体技术支出中占比的公开估算（通常在 15-30% 区间），DoorDash 每年的 AI 推理相关支出可能在数千万美元量级（包括客服自动化、路线优化、需求预测等），具体金额因统计口径和推理范围界定不同而有较大差异。即使取保守估算，如果能通过引入中国模型将其中部分工作负载成本降低 80%，节省的金额仍可能对季度运营利润率产生可观影响。对于一家仍在努力实现稳定盈利的公司，这不是可以忽略的数字。

Coinbase 的多模型路由系统（如报道属实）代表了一种更前瞻的架构思维。据报道，其工程团队构建了一个中间层，可以根据任务的敏感度、复杂度和成本预算，自动将 API 请求路由到不同的模型。高敏感度的金融合规任务仍然使用 OpenAI 或 Anthropic；低敏感度的用户界面文案生成和内部文档摘要则使用成本更低的中国模型。这种架构的优势在于：它把模型选择从一个战略决策变成了一个工程参数，可以随时调整，无需重构整个系统。

这也是一种新的企业风险管理哲学：在 AI 供应链上，单一供应商依赖是风险，不是效率。

技术机制：为什么中国模型能做到这么便宜？

价格差距的背后是一系列技术和商业因素的叠加，理解这些机制对于判断这种趋势是否可持续至关重要。

第1个因素：MoE 架构的效率革命。

DeepSeek 从 V2 开始就大规模采用 MoE（Mixture of Experts）架构。简单来说，MoE 模型由多个”专家”子网络组成，每次推理时只激活其中一小部分。根据 DeepSeek 公开发表的技术报告（”DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model”，可通过 arXiv 获取），一个拥有数千亿参数的 MoE 模型，在处理单个请求时可能只激活其中一小部分参数（例如总参数量的 3-5%）。这意味着推理阶段的算力消耗远低于同等参数规模的密集（dense）模型。

相比之下，Anthropic 的 Claude 系列和 OpenAI 的 GPT 系列，虽然也在探索 MoE，但其核心产品在架构选择上的公开信息有限。密集模型在某些需要深度推理的任务上可能有优势，但在大多数日常业务场景中，MoE 模型的效率优势是显著的。

第2个因素：推理优化的工程深度。

DeepSeek 团队在推理引擎层面做了大量优化，包括但不限于：更高效的 KV 缓存压缩（减少内存占用）、动态批处理（提高 GPU 利用率）、以及针对多种 GPU 架构的适配。这些优化的累积效果是：同样的 GPU 集群可以处理更多的并发请求，从而摊薄了每个 token 的成本。

根据 DeepSeek 技术报告中披露的效率数据以及第三方基准测试结果综合推算，DeepSeek V4 的单 token 推理成本可能仅为 Anthropic Claude 3.5 Sonnet 的 1/20 到 1/40 量级（此为基于公开技术参数的估算区间，非精确测量值）。即使 DeepSeek 以这个成本的 2 倍定价（即保留约 50% 的毛利率），其 API 价格仍然只有 Claude 的 1/10 到 1/20。

第3个因素：人力成本和运营模式的差异。

中国 AI 实验室的人力成本显著低于美国同行。根据公开的薪酬调查数据（如 Levels.fyi 和国内招聘平台公开信息），一个顶级 AI 研究员在北京的年薪大约在 60-150 万人民币区间，而在旧金山，同等水平的研究员年薪通常在 30-80 万美元甚至更高。这种差距在工程团队层面更加显著。更低的人力成本意味着更低的研发摊销，最终反映在 API 定价上。

第4个因素：战略性定价。

不可忽视的是，部分中国 AI 公司的定价可能包含战略性补贴成分。DeepSeek 背后的量化基金幻方量化（High-Flyer）拥有充足的资金储备；阿里巴巴的 Qwen 可以依托阿里云的基础设施进行交叉补贴；智谱 AI 获得了包括政府基金在内的多轮融资支持。这意味着这些公司可以在一段时间内以低于完全成本的价格运营，以获取市场份额。

但这里有一个关键区分：即使去掉补贴因素，中国模型的成本优势仍然存在，只是可能从 10-50 倍缩小到 5-20 倍。这个优势的结构性部分（MoE 架构、推理优化、人力成本）是可持续的。这是判断这场迁移是否为长期趋势的核心依据。

美国出口管制的意外后果：一个经典的政策悖论

有一个背景必须提到：美国对高端 AI 芯片的出口管制，直接限制了中国实验室获得 H100/H200 等顶级算力。

理论上，这应该让中国 AI 模型在能力上落后。

实际结果是：出口管制迫使中国实验室把效率优化到极致，结果意外造就了 10-50 倍的成本优势。

这个因果链值得详细拆解：

2022年10月，美国商务部工业与安全局（BIS）首次对高端 AI 芯片实施出口管制，限制英伟达 A100 和 H100 对中国的销售（政策原文可通过 BIS 官网 获取）。2023年10月，管制进一步收紧，堵住了英伟达通过降规格芯片（如 A800、H800）规避管制的漏洞。2024年，管制范围扩大到更多芯片型号和第三方国家转运路径。

这些管制确实限制了中国实验室的算力获取。据 Georgetown CSET（安全与新兴技术中心）和 SemiAnalysis 的多篇公开分析报告估计，到2025年底，中国 AI 实验室可用的顶级 GPU 总量大约为美国的 1/5 到 1/3（具体比例因估算方法和”顶级 GPU”定义不同而有差异，此处取多个来源的交叉区间）。

但管制创造了一个强大的激励结构：当你只有别人 1/5 的算力时，你必须让每一个 FLOP 都发挥最大价值。

DeepSeek 团队正是在这种约束下，开发了一系列效率优化技术。根据其公开技术报告，他们的训练流程在算力效率上实现了显著提升。在推理阶段，效率优势更加明显。

这是政策制定者没有充分预料到的路径：管制没有拦截能力追赶，却意外创造了成本竞争优势。

历史上有类似的先例。1970年代石油危机期间，日本汽车制造商因为本土资源匮乏，被迫开发燃油效率远高于美国车的小型车。当油价上涨时，这种被逼出来的效率优势转化为巨大的市场竞争力，日本车企因此在全球市场上攻城略地。

2026年的中国 AI 模型，正在重演这个剧本。出口管制是”石油危机”，效率优化是”省油小车”，而 API 价格战是”全球市场攻势”。

更深层的悖论在于：出口管制的政策目标是维持美国在 AI 领域的领先地位。但如果管制的副作用是让中国模型在成本上获得压倒性优势，而成本优势又驱动了全球范围内的采用率增长，那么管制实际上可能加速了中国 AI 的全球影响力扩张——只不过不是通过能力领先，而是通过价格领先。

芯片管制筑了一道高墙，但价格优势从墙底下流了过去。 这可能是2020年代美国科技政策中最具讽刺意味的意外后果。

真正的风险：一张被低估的账单

这场迁移不是没有代价。企业的 CFO 们很清楚成本账，但他们未必都仔细算过另一张账：

地缘政治风险账单。

几个现实问题值得认真评估：

数据主权与合规风险

DeepSeek、Moonshot AI、阿里巴巴的服务器在哪里？输入数据是否可能被中国法律要求的数据访问所覆盖？

中国2017年实施的《国家情报法》第7条规定，任何组织和公民都应当依法支持、协助和配合国家情报工作。虽然这一条款的实际执行范围和适用边界在法律界存在争议（部分中国法律学者认为该条款不适用于境外数据，但美国法律界的主流解读倾向于保守），对于美国企业的法律顾问来说，这是一个无法忽视的风险信号。

对于处理用户敏感信息的公司——比如金融交易数据、用户地址和消费习惯——通过 API 将数据发送到中国服务器，可能触发 GDPR（如果涉及欧洲用户）、CCPA（加州消费者隐私法）以及未来可能出台的联邦数据隐私法的合规问题。

一个技术上的缓解方案是使用开源权重模型进行自主托管（self-hosting）。DeepSeek 和 Qwen 都提供了开源权重版本，企业可以在自己的服务器或美国云服务商（AWS、Azure、GCP）上部署这些模型，从而避免数据跨境传输。但自主托管需要专业的 MLOps 团队和 GPU 基础设施，成本远高于 API 调用，这对于资源有限的初创企业来说是一个不小的门槛。

监管不确定性

目前，美国没有明确禁止企业使用中国 AI 模型的 API 服务（不同于芯片出口管制的方向是限制美国技术流向中国）。但这种政策可以在很短的时间内改变。

2026年的美国政治环境下，”中国 AI”是一个高度敏感的话题。如果某个安全事件（无论是否与 AI 模型直接相关）引发公众关注，国会可能在数周内推动立法限制美国企业使用中国 AI 服务。这种监管风险的特点是：概率难以精确评估，但一旦发生，影响是断崖式的。

想象一下这个场景：一家美国上市金融公司使用中国 AI 模型处理部分交易数据分析，某天监管机构在合规审查中发现了这一点。审查员的第1个问题不会是”这个模型的性能如何”，而是”你们为什么把美国用户的金融数据发送到中国 AI 模型？”即使该公司可以证明数据没有离开美国服务器（通过自主托管），这个解释的复杂性本身就是一个合规成本。

技术依赖与供应链脆弱性

开源权重（open-weight）模型允许自主托管，一定程度上规避了 API 依赖。但现实是，大多数企业用的是 API，不是自主托管——这意味着供应商和政策的变动会直接影响业务。

更深层的依赖在于：即使企业自主托管了中国模型的权重，它们仍然依赖中国实验室的持续更新。当 DeepSeek 发布下一代版本时，自主托管旧版本的企业需要决定是否升级。如果届时政策环境发生变化，获取新版本权重可能变得困难。这种”版本锁定”风险在当前的讨论中被严重低估。

声誉与公关风险

即使不存在实际的数据泄露或合规违规，仅仅是”使用中国 AI 模型”这一事实本身，在特定政治环境下就可能成为公关负面素材。对于面向消费者的品牌（如 DoorDash、Airbnb），如果竞争对手或媒体以此做文章，可能引发用户信任危机。这种风险虽然不涉及法律层面，但对品牌价值的潜在影响不容忽视。

这4类风险叠加在一起，构成了一张隐性账单。它不会出现在月度 API 账单上，但一旦兑现，代价可能远超省下的推理费用。

对立视角：这场迁移是理性的还是短视的？

视角1：实用主义者——”市场在说话，别跟钱过不去”

这一派的核心论点是：AI 模型正在快速商品化（commoditization），就像云计算、数据库和 CDN 一样。当一项技术变成商品时，价格成为最重要的竞争维度。企业选择最便宜的供应商不是”背叛”，而是市场经济的基本逻辑。

他们会指出：美国企业大量使用台积电制造的芯片、三星生产的内存、富士康组装的设备。没有人认为这是”技术依赖风险”（尽管台海局势同样是地缘政治热点）。AI 模型的 API 使用，在本质上与购买任何其他技术服务没有区别。

此外，开源模型的存在提供了一个重要的安全网。即使中美关系恶化到 API 服务被切断，企业可以在短时间内切换到自主托管的开源版本，或者回到美国供应商。多模型架构的意义正在于此——它不是把所有鸡蛋放在中国篮子里，而是增加了一个选项。

这一派的盲点：他们低估了政策变化的速度和烈度。芯片和硬件的供应链切换需要数年时间，因此政策制定者在行动前会充分评估影响。但 AI API 的切换可以在一纸行政命令后立即生效——这意味着政策风险的”发生-影响”时间窗口极短，企业可能来不及反应。

视角2：安全鹰派——”这是在把国家安全外包给对手”

这一派的核心论点是：AI 不是普通的技术服务，它是信息处理的基础设施。当美国企业把核心业务逻辑的推理过程交给中国模型时，他们实际上是在让中国 AI 系统”看到”美国经济活动的大量细节——用户行为、商业决策、金融交易。即使单个 API 调用的数据价值有限，聚合后的数据流可能具有战略情报价值。

他们还会指出一个更深层的担忧：依赖性本身就是武器。如果美国 AI 初创企业的30-60%推理成本依赖中国模型，那么中国在未来的博弈中就多了一个筹码。提价、降速、甚至断供，都可以成为施压工具。这与欧洲对俄罗斯天然气的依赖在2022年暴露出的风险如出一辙。

这一派的盲点：他们倾向于把所有使用中国技术的行为都安全化（securitize），而忽视了过度安全化的经济成本。如果美国企业被迫只使用价格高 10-50 倍的美国模型，很多初创企业会直接死掉。一个没有活力的 AI 创业生态，对美国的长期技术竞争力同样是威胁。

我的判断

两个视角都抓住了部分真相，但都遗漏了一个关键维度：时间。

短期（1-2年内），实用主义者是对的。中国模型的成本优势是真实的，监管风险虽然存在但尚未兑现，企业的理性选择是利用价格差异获取竞争优势。

中期（2-4年），安全鹰派的担忧会变得更加现实。随着中国模型在美国市场的渗透率上升，政策回应几乎是必然的。问题不是”会不会有监管”，而是”监管的形式和力度是什么”。

最可能的结局不是非此即彼，而是一个分层的监管框架：敏感行业（金融、医疗、国防相关）被限制使用中国模型；非敏感行业（内容生成、客服、翻译）被允许继续使用，但需要满足数据本地化要求。这种分层框架类似于 CFIUS（美国外国投资委员会）对外国投资的审查逻辑——不是一刀切禁止，而是根据风险等级分类管理。

给不同角色的具体建议：

  • AI 初创企业 CTO/CEO：现在就应该构建模型无关（model-agnostic）的架构中间层，确保可以在48小时内将任何单一模型的工作负载切换到替代方案。利用中国模型的成本优势，但不要让任何单一供应商的 token 占比超过60%。同时，建议与法律顾问合作，提前准备一份”监管应急预案”，明确在不同政策场景下的切换路径和时间表。
  • 投资者：重新评估 portfolio 中 AI 公司的模型依赖结构。如果一家公司90%以上的推理成本依赖单一中国模型且没有切换方案，这是一个需要在下一轮尽职调查中重点关注的风险。反过来，那些已经构建了多模型路由能力的公司，在风险管理上更成熟，可能值得估值溢价。
  • 政策制定者：在考虑限制措施时，必须同时评估对美国 AI 创业生态的附带损害。一刀切的禁令可能保护了安全，但杀死了创新。分层监管是更优解。此外，可以考虑通过补贴或税收优惠降低美国模型的使用成本，从”拉”而非”推”的方向解决问题。

第3层洞察：大多数人没看到的东西

大多数关于这场迁移的讨论集中在”成本 vs 安全”的二元框架上。但有一个更深层的结构性变化被忽视了：

这场迁移正在重新定义”AI 领先”的含义。

过去3年，”AI 领先”的衡量标准是基准测试分数——谁的模型在 MMLU、HumanEval、MATH 上得分最高。这个标准对应的是一个”能力至上”的竞争范式：投入最多算力、训练最大模型、达到最高性能。

但2026年的市场数据表明，企业采用率与基准测试分数之间的相关性正在减弱。OpenRouter 上 token 份额最高的模型，不是基准测试得分最高的模型，而是性价比最高的模型。

AI 竞赛的金牌不再颁给跑得最快的选手，而是颁给每公里油耗最低的选手。 这是一个范式转换——类似于计算机行业从大型机时代（追求绝对性能）到 PC 时代（追求性价比）的转变。

如果这个趋势持续，它对美国 AI 行业的影响远比短期的市场份额流失更深远。它意味着：

  1. OpenAI 和 Anthropic 的护城河可能不在模型能力上，而在品牌信任和合规认证上。 当模型能力趋同时，企业选择供应商的决策因素会转向信任度、合规支持、SLA（服务等级协议）等非技术因素。这对美国供应商有利，但利润率会被压缩。

  2. AI 行业的价值重心可能从模型层转向应用层。 当推理成本降到足够低时，模型本身变成了”水电煤”式的基础设施，真正的价值创造发生在模型之上的应用和工作流中。这对 AI 初创企业来说是好消息——更低的基础设施成本意味着更大的创新空间。

  3. 中国 AI 的全球影响力扩张路径可能不是”最好的模型”，而是”最便宜的基础设施”。 这与中国在其他技术领域（5G 设备、太阳能电池板、电动汽车）的全球化路径高度一致——不是技术最先进，但性价比最高，因此在全球南方和价格敏感的市场中获得压倒性份额。

如果你只记住这篇文章的一句话，记住这句：当推理成本降到足够低，AI 模型就不再是”产品”，而是”水电煤”——而中国正在成为这个时代最大的”公用事业公司”。

影响预测：1年后和3年后

声明：以下预测基于当前趋势的合理外推和作者判断，不构成确定性结论。实际发展可能因政策变化、技术突破或黑天鹅事件而显著偏离。每条预测均附带作者对其置信度的主观评估。

1年后（2027年10月）

  • OpenRouter 上中国模型的 token 份额预计将稳定在 35-50% 区间，不太可能再回到67%的峰值（因为美国供应商会降价应对），但也不会降回2025年的水平。置信度：中高
  • OpenAI 和 Anthropic 预计将推出更激进的定价方案，可能包括”承诺用量折扣”（类似云计算的预留实例定价），价格可能下降 50-70%，但仍高于中国模型。置信度：高
  • 美国国会大概率将至少举行1-2次关于”中国 AI 模型安全风险”的听证会，但短期内出台全面禁令的可能性较低。置信度：中高
  • 存在较高概率，至少1家知名美国企业会因使用中国 AI 模型而遭遇公关危机或监管质询，成为行业的”警示案例”。置信度：中

3年后（2029年10月）

  • 分层监管框架大概率已经成型：金融、医疗、政府承包商被限制使用中国模型；其他行业被允许但需满足数据本地化要求。置信度：中高
  • 美国 AI 供应商的定价预计将大幅下降（可能降至当前水平的 1/5 到 1/10），中国模型的价格优势将缩小但不会消失。置信度：中
  • “模型供应链多元化”将成为企业 AI 架构的标准实践，类似于今天的多云（multi-cloud）策略。置信度：高
  • 开源模型的自主托管将变得更容易和更便宜，成为企业规避地缘政治风险的主要技术手段。置信度：中高
  • 中国 AI 模型在全球南方（东南亚、非洲、拉美）的市场份额可能超过 60%，形成一个与美国 AI 生态平行的全球 AI 基础设施。置信度：中

一个更大的信号

OpenRouter 的 token 份额数据，是 AI 行业最实时的采用率指标之一。它记录的不是意向，而是实际发生的钱和流量。

2026年2月：30%+ 2026年9月中旬：67%（峰值） 10月：稳定在 30-40%+

这是一条不可忽视的趋势线。它说明的是：

在 AI 基础设施层面，美中技术脱钩正在发生反向的商业整合。

出口管制在芯片层面设了边界，但在 API 使用层面，市场在往另一个方向走。这两股力量之间的张力，将定义未来5年 AI 行业的地缘政治格局。

对于 Anthropic 和 OpenAI 来说，这是一个定价战略的信号——继续现有的按量计费模式，还是用价格换市场份额。如果它们选择不降价，市场份额的流失将加速；如果降价，利润率将被压缩，这对依赖高毛利率来支撑巨额研发投入的商业模式是一个根本性挑战。根据公开报道和行业分析师的估算，Anthropic 2026年的研发支出预计在数十亿美元量级（具体数字未经 Anthropic 官方确认，此处为基于 The Information、Reuters 等科技媒体多篇报道的综合估算），这些钱需要从某个地方赚回来。

对于投资者来说，这场迁移意味着 AI 模型层的利润率预期需要大幅下调。过去2年，AI 投资的核心假设是”模型是新的平台，平台可以收取高额租金”。但如果模型正在商品化，”租金”会迅速下降。投资回报的重心将从模型公司转向应用公司——那些能在低成本推理基础设施之上构建差异化产品的企业。

对于美国政策制定者来说，这是一个更难回答的问题：当美国企业正在用中国 AI 基础设施处理日常业务，”出口管制维持能力差距”的政策目标，到底在保护什么？如果管制的副作用是让中国模型获得了成本优势，而成本优势又驱动了全球采用率，那么政策的净效果可能与初衷相反。

这不是一个容易解决的问题。但它是一个不能继续回避的问题。

OpenRouter 上的每一个 token，都在投票。

参考资料

  1. Bloomberg, “AI Startups Are Quietly Switching to Cheaper Chinese Models,” 2026年9月. 报道了 Lindy、DoorDash、Airbnb、Coinbase 等公司据报道使用中国 AI 模型的具体案例，以及中国模型 10-50 倍成本优势的数据.（注：Bloomberg 付费内容，具体 URL 可能需要订阅访问）

  2. CryptoBriefing, “AI Startups Shift to Cheaper Chinese Models as Cost Pressures Mount,” 2026年10月. 分析了 OpenRouter token 份额数据（2026年2月-9月），记录了中国模型从 30% 到 67% 的份额变化.

  3. OpenRouter 官方数据面板, https://openrouter.ai/rankings. 提供了各模型的实时 token 份额、API 调用量和定价数据，是本文核心数据来源，读者可自行查证.

  4. 美国商务部工业与安全局 (BIS), “Implementation of Additional Export Controls on Advanced Computing and Semiconductor Manufacturing Items,” 2022年10月及后续更新. 美国对华 AI 芯片出口管制的官方政策文件. 可通过 BIS 官网 https://www.bis.gov 获取.

  5. PitchBook, “AI Startup Funding Report Q3 2026,” 2026年10月. 提供了美国 AI 初创企业的融资阶段分布等行业概览数据.（注：PitchBook 为付费数据库，具体数据需订阅访问。本文引用的”数千家 A/B 轮 AI 初创企业”为基于该报告行业概览的概括性描述，非精确引用。）

  6. DeepSeek 技术报告, “DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model,” 2024年. 详细阐述了 MoE 架构在推理效率上的技术优势和成本结构分析. 可通过 arXiv 获取.

  7. Georgetown CSET (Center for Security and Emerging Technology), 多篇关于中美 AI 算力差距的分析报告. 提供了本文中关于中国 GPU 可用量估算的参考背景. 可通过 https://cset.georgetown.edu 获取.

  8. Anthropic 官网定价页面, https://www.anthropic.com/pricing. 本文中关于 Claude 3.5 Sonnet API 定价的数据来源.

  9. DeepSeek 官网定价页面, https://platform.deepseek.com/api-docs/pricing. 本文中关于 DeepSeek API 定价的数据来源.

免责声明：本文引用的企业案例（DoorDash、Airbnb、Coinbase 据报道使用中国 AI 模型）来源于 Bloomberg 和 CryptoBriefing 的新闻报道，截至发稿时相关企业未发布官方确认。文中涉及的成本估算和行业数据，除明确标注来源外，均为基于公开信息的合理推算，仅供分析参考，不构成对任何企业商业行为的确定性陈述。所有预测性内容均代表作者个人判断，不构成投资建议。