开源跑量闭源赚钱：2025年AI模型经济的双层生态格局解析
流量与利润的背离：AI市场的新常态
在2026年的AI产业版图中，一个看似矛盾的现象正成为行业共识：开源模型在Token处理量上取得了压倒性的胜利，但真正攫取巨额商业价值的，依然是Anthropic、OpenAI等闭源前沿模型实验室。这种“开源跑量，闭源赚钱”的局面，打破了早期许多人对于开源将彻底颠覆现有商业模式的乐观预期，揭示出企业级AI应用更为复杂和理性的底层逻辑。
Decagon CEO Jesse Zhang近期的观察极具代表性。尽管其公司90%的工作负载已迁移至开源模型，但这并非出于简单的成本考量，而是由生产环境的严苛要求决定的。企业级应用的核心痛点往往不在于模型是否“免费”，而在于能否在毫秒级的延迟内提供高质量的服务。当客服智能体、实时翻译或自动化代码生成等场景进入生产阶段，对速度的极致追求使得轻量级、可深度微调的开源模型成为唯一选择。然而，这并不意味着前沿模型市场的萎缩，相反，它们在整体企业AI支出中依然占据主导地位，甚至因为自身定价策略的调整而进一步巩固了利润池。
开源的本质：从“自由软件”到“开放权重”的范式转移
要理解这一现象，首先必须厘清传统开源软件与大模型之间的本质差异。Anthropic CEO Dario Amodei曾直言不讳地指出，在大模型领域，开源更多是一个被营销放大的“伪命题”。传统开源软件的核心价值在于社区协作与代码透明，开发者可以修改内核、修复漏洞并共同迭代。然而，拥有“开放权重”的大模型并不具备这一特性。
用户看到的只是模型输出的结果，无法窥探其内部训练数据、对齐过程或架构细节。更重要的是，大模型的运行成本并非仅包含模型本身的获取费用，还包括昂贵的云端推理资源、专业团队的部署优化以及持续的数据标注费用。对于大多数企业而言，即使获得了开源权重，若缺乏相应的算力基础设施和技术能力，这些模型也无法直接转化为生产力。因此，Dario Amodei所关注的核心始终是模型在关键任务上的性能表现，而非其开源属性。这种认知偏差的存在，使得开源模型虽然能在长尾场景和低成本需求中占据流量高地，却难以动摇闭源模型在高端市场的根基。
数据背后的真相：Vercel与OpenRouter的微观透视
从第三方数据平台的视角来看，这种结构性分化更为直观。Vercel的AI Gateway仪表盘显示，仅在过去一周内，DeepSeek的Token处理量迅速攀升，占据了平台总流量的三分之一以上。智谱的GLM-5.2也紧随其后，跻身前列。从单纯的调用次数来看，开源模型无疑赢得了胜利。特别是在处理高频、低复杂度的任务时，如简单的文本分类、摘要生成或代码补全，开源小模型凭借极低的延迟和成本优势，成为了开发者的首选。
然而，当我们转向支出维度，情况则发生了逆转。OpenRouter的数据揭示了更为深层的商业逻辑：虽然DeepSeek V4 Flash每周处理约5.3万亿Token，但其平均Token成本仅为0.06美元；相比之下，Anthropic的Opus 4.8每周处理量虽仅为2万亿Token左右，但其平均成本高达1.37美元/百万Token，约为前者的23倍。这意味着，尽管开源模型在数量上遥遥领先，但Anthropic凭借高昂的单价，依然占据了平台模型支出的半壁江山。这种巨大的单价差异，反映了市场对“通用智能”溢价的认可。企业愿意为能够处理模糊指令、进行复杂推理和创意生成的前沿模型支付高额费用，因为这些能力往往是商业创新的关键驱动力。
应用生命周期模型：验证与部署的分层演进
Jesse Zhang提出的“AI应用生命周期”理论，为这一现象提供了完美的解释框架。他认为，开源模型与闭源模型并非竞争对手，而是处于同一应用场景不同发展阶段的工具。
在一个新应用场景刚出现时，企业面临的是高度的不确定性。问题边界模糊，数据分布未知，失败的后果可能巨大。此时，选择一款最聪明、通用性最强、能够适应各种模糊需求的前沿模型，是风险最低的策略。尽管成本高昂，但这种“通用智能”的溢价被视为合理的创新投资。在这个阶段，闭源模型主导了应用发现与原型验证。
随着应用场景的成熟，企业逐渐摸清了输入数据的规律，明确了模型应有的行为模式，并识别出潜在的失败案例。此时，需求从“通用智能”转向“专用极致”。企业需要的是体量最小、速度最快、且针对特定任务深度微调的模型。这时，开源模型凭借其可定制性和低成本优势，接管了生产部署环节。这是一个自然且必然的演进过程，而非零和博弈。
双层经济结构的稳定性与未来展望
这种“前沿模型主导探索，开源模型主导部署”的双层经济结构，展现了极强的稳定性。只要AI应用的边界仍在不断拓展，新的场景就会不断涌现，从而源源不断地产生对前沿模型的需求。同时，已有场景的不断成熟，也为开源模型提供了广阔的生产部署空间。
对于模型实验室而言，关键在于保持技术代差。只要闭源模型在推理能力、多模态理解和安全性上持续领先，它们就能维持高溢价。对于企业开发者而言，理解这一分层逻辑至关重要。盲目追求开源可能导致在原型阶段错失最佳的技术验证窗口；而一味依赖闭源则可能在规模化阶段被高昂的成本拖垮。
此外，随着Nvidia Nemotron等新一代适配能力极强的模型入场，这一格局可能会迎来新的变量。Nvidia强大的产业关系和高度的软硬件协同优化能力，使得其模型有望迅速填补开源与闭源之间的空白地带，进一步丰富生态层次。
结语：理性看待开源，回归商业本质
综上所述，开源模型的崛起并非意味着闭源模型的衰落，而是AI产业走向成熟和细分化的标志。企业不应纠结于模型是否开源的标签，而应回归商业本质，根据应用场景的生命周期阶段，动态选择最优的技术方案。
在2026年及未来的很长一段时间内，AI市场将维持这种双层结构。开源模型将在长尾、高频、低延迟的生产环境中占据流量主导，而闭源前沿模型将继续在核心业务、创新探索和复杂推理领域占据利润高地。这种互补共生的生态，才是推动AI技术真正落地并产生巨大商业价值的关键所在。对于行业参与者而言，理解并适应这一规律，比争论开源与闭源的优劣更为重要。