美国AI厂商沿用DeepSeek架构？合规溢价下的“贵替”困局
技术路线的镜像：当美国明星实验室选择“抄作业”
在人工智能技术迭代呈指数级加速的当下，底层架构的创新壁垒正在逐渐消融。美国由OpenAI前CTO伊利亚·萨茨克沃斯基（Ilya Sutskever）关联紧密背景团队所创立的Thinking Machines Lab，于近期发布了其首款基础模型Inkling。这一举动本应引发业界对新一代技术突破的期待，然而随之公布的技术细节却呈现出一种极具反差的图景：这款被寄予厚望的模型，在核心技术路线上高度依赖中国开源大模型的既有成果。
根据Thinking Machines发布的技术报告，Inkling采用了混合专家（MoE）架构，总参数量高达9750亿，每处理一个Token激活410亿参数。值得注意的是，报告明确指出其MoE设计主要沿用了DeepSeek-V3的架构逻辑，包括大量专家模块的调度机制以及无辅助损失负载均衡等关键设计。在预训练后的冷启动阶段，公司更是直接使用月之暗面（Moonshot AI）的Kimi K2.5等开放模型生成的合成数据进行了监督微调。
这种技术路径的选择并非偶然的技术失误，而是一种经过深思熟虑的工程决策。在科学研究和工程开发领域，站在巨人的肩膀上本是常态。DeepSeek和Kimi作为全球领先的开源模型，其权重的公开和技术报告的透明化，为后续开发者提供了巨大的创新空间。然而，对于一家拥有20亿美元融资、估值120亿美元的“OpenAI校友会”级别公司而言，其首款产品如此直白地依赖中国模型的架构与数据，确实超出了行业对其技术原创性的常规预期。
性能与价格的倒挂：一款“平庸”的旗舰
从基准评测数据来看，Inkling的表现并未展现出与其高昂估值相匹配的统治力。在多项权威评测中，Inkling均落后于其技术参考对象——中国的Kimi K2.5和智谱AI的GLM系列模型。
在考察大语言模型逻辑推理能力的“人类最后的考试”中，Inkling得分仅为29.7%，而Kimi K2.6和GLM 5.2分别达到了35.9%和40.1%。在更具实战意义的软件工程能力评测SWE-Bench Pro中，Inkling得分为54.3%，同样低于Kimi的58.6%和GLM的62.1%。即便在Terminal Bench 2.1这一侧重代码执行能力的基准测试中，Inkling的63.8%也远低于GLM 5.2的82.7%。虽然Inkling在网页应用设计和音频理解等特定领域表现尚可，但在决定大模型核心竞争力的综合推理与代码生成能力上，它显然未能跻身第一梯队。
更令人瞩目的是其定价策略。在Thinking Machines旗下的Tinker平台上，Inkling 64K版本每100万输入Token收费1.87美元，输出Token收费4.68美元。相比之下，Kimi K2.6的官方API输入输出价格分别为0.95美元和4美元，GLM 5.2分别为1.4美元和4.4美元。即便考虑到平台服务费的差异，Inkling的预填充成本接近Kimi的两倍，生成成本也明显高于中国竞品。
这种“性能更弱、价格更贵”的市场定位，在纯粹的技术市场竞争逻辑下显得格格不入。如果仅以技术指标和性价比为标尺，Inkling很难吸引追求极致效率的企业用户。然而，商业世界的评价体系从来不止于技术参数，地缘政治与合规风险正成为重塑AI市场格局的关键变量。
合规壁垒下的市场错位：为不确定性买单
Thinking Machines之所以敢于推出这样一款产品，其核心逻辑在于精准捕捉了美国企业在AI应用落地过程中日益加剧的合规焦虑。近年来，美国政府对来自中国的科技产品和数据安全的监管力度持续收紧。虽然尚未出台全面禁止使用中国开源模型的法律，但针对数据主权、供应链安全以及潜在算法偏见的不确定性警告，已足以让涉及政府业务、金融、医疗等敏感领域的大型美国企业感到警惕。
在这种背景下，美国本土企业面临着一个两难困境：使用性能强大、成本低廉的中国开源模型（如DeepSeek、Kimi、Qwen），可能面临未来的政策突变和数据合规审计风险；而选择美国本土闭源模型（如OpenAI、Anthropic），则面临极高的API调用成本、缺乏数据隐私控制权以及黑盒模型带来的不可解释性问题。
Inkling的出现，恰好填补了这一市场空白。它由美国公司开发，采用宽松的Apache 2.0许可证，支持私有化部署和深度定制，且在法理上被视为“美国本土产品”。对于美国企业而言，选择Inkling支付的每一美元溢价，实质上是在购买一种“合规确定性”和“地缘政治保险”。即使Inkling的基础性能稍逊一筹，但其背后的美国血统和可审计性，使其更容易通过政府客户和大型跨国公司的内部合规审查。
这种“合规溢价”使得Inkling在特定的细分市场具备了不可替代性。正如Thinking Machines所定位的，Inkling并非旨在争夺通用聊天机器人的用户份额，而是作为企业级AI应用的底座。对于需要微调模型以适应特定业务场景（如客服、内部知识库、行业智能体）的企业来说，模型的可定制性和部署灵活性远比基准测试排名重要。
地缘博弈的代价：美国AI产业的结构性劣势
尽管Inkling的策略在商业上看似精明，但从宏观产业视角来看，这一现象揭示了美国AI发展路径中潜在的结构性矛盾。美国原本希望通过技术封锁和政策限制，保护本土AI企业的市场空间，迫使供应链回流。然而，现实情况是，中国在开源大模型领域的快速崛起，已经使得全球技术基线发生了根本性转移。
DeepSeek-V3和Kimi等模型不仅在架构创新上领先，更在训练效率和成本控制上树立了新的标杆。美国企业如果被迫放弃这些经过市场验证的高效、低成本开源方案，转而采用性能较弱、成本较高的本土替代品，将直接推高整个美国生态层的AI应用开发成本。
这种成本劣势具有传导效应。基础模型的性能和价格差距会逐级向上游传递，最终体现在美国终端AI应用产品的竞争力下降。当中国初创企业可以利用极低的成本快速迭代和优化基于Kimi或DeepSeek的应用时，美国企业则需在更高的固定成本基础上进行创新。长此以往，美国AI产业可能面临“高成本、低效率”的内卷困境，反而削弱了其在全球市场上的竞争优势。
此外，Thinking Machines借鉴中国模型架构并成功商业化的案例，也反映了全球AI技术生态的深度交织。强行割裂技术供应链不仅违背了开源社区共享、协作的精神，也可能阻碍全球AI技术的整体进步。对于美国而言，如何在确保国家安全与维持技术开放性之间找到平衡，将是未来政策制定的重大挑战。
Inkling的推出，或许只是地缘政治影响技术选择的一个缩影。它提醒我们，在AI这个高度全球化的行业中，单纯的民族主义市场策略可能无法带来预期的保护效果，反而可能迫使本土企业支付高昂的“隔离税”。对于投资者和企业决策者而言，理解这一背后的逻辑，比单纯关注模型的基准排名更为重要。未来的赢家，或许不是拥有最强大单一模型的公司，而是最能灵活平衡技术性能、成本效率与合规风险的商业实体。