资金与人才储备充裕，症结在于结构错位。
作者｜宇航猿
编辑｜靖宇
「我问过不少人，为何美国拿不出顶尖的开源模型。至今没人能给我个准话。」
在最新一期的 20VC 播客里，知名投资人 Jason Calacanis 带着满脸疑惑抛出此问。他掰着手指头数了数美国具备实力的玩家——Google、Meta、xAI，随后无奈摊手：
没一家是在真正用心做的。
这份困惑，在 2026 年的盛夏显得尤为刺眼。
；OpenAI 的 GPT 5.6 Sol 在测试环节遭遇越狱，Hugging Face 平台瞬间沦陷。
与此同时，Hugging Face 公布的数据揭示，中国开源模型的下载量已占据平台总量的 41%。
据 NPR 报道，美国初创企业正大批转向更廉价的中国模型以压缩开支。一位不愿具名的美国创业者向媒体透露，采用阿里巴巴的 Qwen 模型，每年可节省 40 万美元。
坐拥全球最雄厚资本与顶尖人才的美国 AI 产业，却在「开源模型」这一领域集体失语。
这并非偶然，而是结构性的必然。
01
玩不起的开源
要搞懂美国为何造不出开源 AI，得先算清前沿 AI 的经济账。
训练一个前沿模型，烧掉的是数亿美元。OpenAI 和 Anthropic 的年训练开销，早已超过大多数上市公司的全部研发预算总和。
但比成本更致命的，是时间窗口。
20VC 播客中，投资人 Rory 指出了一个残酷现实：前沿模型的「保质期」仅约 12 到 24 个月。新一代模型一出，旧一代立刻贬值。这意味着数亿美元的训练投入，必须在两三年内通过 API 定价收回，否则便是沉没成本。
在这种高压下，闭源不是选择题，而是生存法则。
OpenAI 和 Anthropic 售卖的不是模型本体，而是依托模型提供的「智能服务」——按 token 计费，按调用收费。整个商业闭环建立在一个前提上：用户无法绕过你直接获取模型能力。一旦开源，这个前提即刻崩塌。
那能否效仿软件行业，靠社区力量推动开源？
答案同样是否定的。一篇分析文章直言不讳：开源 AI 绝非 Linux。Linux 的成功源于全球程序员贡献代码，且代码一旦写出，复制分发成本几乎为零。但训练前沿 AI 模型，需集中调度数十万块 GPU 连续运行数月，这是任何社区众筹都无法完成的任务。
因此，在美国 AI 版图中，要么走闭源变现路（如 OpenAI、Anthropic），要么依赖无需模型盈利的「金主」供养（如 Meta 过往路径）。没有第三条路可选。
Ramp 经济学家 Ara Kharazian 在接受 NPR 采访时坦言——中国开源模型的崛起，恰恰证明市场存在巨大需求，而美国模型公司目前并未满足它。
美国前沿 AI 的成本结构，天生排斥开源。训练成本需回收，推理成本需覆盖，投资人索要超额回报——三重压力下，「免费」是付不起的代价。
02
Meta 的「转身」
若说美国 AI 圈曾有一位真正的开源信徒，非 Meta 莫属。
2024 年，Mark Zuckerberg 发表长文，标题直指「开源 AI 是前进之路」。在一次播客中谈及对闭源模型看法时，他的回答简洁有力——Fuck that。
Meta 接连推出 Llama 2、Llama 3，成为美国开源 AI 事实上的唯一旗手。
但 Meta 做开源的逻辑，自始便非为了建设公共生态。其算盘是竞争策略——若开源模型足够强劲，便能侵蚀 OpenAI 和 Google 的护城河。而 Meta 自身靠广告盈利，无需模型直接变现。换言之，Llama 是一把递给全世界的武器，目标指向 Meta 的竞争对手，而非 AI 普惠的理想。
可惜，这把武器在 2025 年末失灵了。
Llama 4 内部表现未达预期，在与 GPT 和 Claude 的对决中落于下风。Meta 随即做出震动行业的决定——放弃开源路线，转向代号「Avocado」的闭源模型项目。
这一转向的深层原因，比 Llama 4 的失败本身更值得玩味。
多年来，Meta 优化的始终是开源的分发效率——如何让更多人用上 Llama，如何加速生态扩张。但它从未在「前沿性能」维度全力以赴。一旦战场转移至闭源模型间的实力比拼，Meta 发现自己已落后于始终专注单点的对手。
有分析文章指出：当全世界最坚定的开源 AI 公司亲手放弃这条路，这本身便印证了 OpenAI 和 Anthropic 从一开始选择的商业模式正确性。
Meta 的 Avocado 转向，非小扎心血来潮，而是整个美国 AI 产业用实践投出的一张票——在前沿 AI 赛道，闭源是唯一商业成立的路径。
03
被锁死的通道
Meta 撤了，还有谁愿意接棒？
理论上存在可能。美国至少有四五家公司具备训练前沿模型的技术能力。但它们面临「结构性困境」。
假设你是一家美国初创公司，想做低成本开放权重模型，首当其冲的问题是效率。从零训练模型，成本天文数字。业界公认的高效方法是「蒸馏」——利用更强模型的输出训练更小、更便宜的模型。
这并非灰色手段。马斯克在法庭上公开承认 xAI 也使用蒸馏，并称其为行业常规操作。
但问题来了。OpenAI 和 Anthropic 的服务条款明确禁止用户将模型输出用于训练竞争性模型。若作为一家守规矩的美国公司，你就不能用市场上最强的模型来加速自身训练。
Thompson 一针见血地指出了这一悖论的荒诞——美国开放权重模型制造商遵守前沿实验室的服务条款，结果反而比不遵守条款的竞争对手更弱。
再叠加人才与资本的虹吸效应。美国顶尖 AI 研究者几乎全被 OpenAI、Anthropic 和 Google 锁定，因为那里拥有最大算力、最高薪水和最前沿课题。剩余创业公司需用十分之一资源做出同等水平成果，这近乎不可能任务。
并非无人尝试。
2026 年 7 月 15 日，OpenAI 前 CTO Mira Murati 的 Thinking Machines Lab 发布 Inkling，一款参数达 9750 亿的开放权重模型，采用最宽松的 Apache 2.0 许可证。
但 Thinking Machines 坦承——Inkling 并非前沿模型，定位仅是「微调的好底座」。
一位前 OpenAI CTO 带领估值 120 亿美元的创业公司全力以赴，做出来的东西仍够不到前沿。这恰恰证明开源道路被锁死得有多彻底。
04
回不去的开源时代
若将视野拉远，美国做不出开源 AI，指向的可能是一个更大命题——AI 时代的经济规律，与软件时代截然不同。
回顾历史，开源软件的黄金时代堪称经济学奇迹。
1991 年，21 岁的芬兰大学生 Linus Torvalds 在卧室写出 Linux 内核初版，并将源码上传网络。没有风投，没有算力账单，没有 GPU 集群。他所需工具仅一台 PC 和一个编译器。
关键在于，代码一旦写出，「复制」成本几乎为零。任何人皆可下载、修改、再分发。全球程序员通过互联网协作，每人贡献少许代码，积少成多，最终让 Linux 长成撑起全球互联网基础设施的操作系统。Apache、MySQL、Python、Android——整个开源生态建立在同一经济前提上：代码是写完后不再消耗物理资源之物。你写了一个函数，一亿人调用，无需为这一亿次调用多付一分钱。
在此前提下，开源在经济学上完全自洽。个人程序员负担得起，因仅贡献时间。企业参与得起，因维护社区成本远低于从头开发。用户受益，因免费使用不增加任何负担。这是一个完美的正和博弈。
AI 模型彻底粉碎了这一前提。
大模型的「复制」绝非 Ctrl+C。其「复制」即推理——每回答一个问题，每生成一段文字，都在消耗真实算力和电力。模型越大，推理越贵。
当 Claude 为你撰写邮件时，Anthropic 数据中心内一排 GPU 正满负荷运转。这不是零边际成本，这是每次使用都在烧钱。
更残酷的是训练端。Linux 内核可迭代 30 年，每一行新代码叠加于旧代码之上，知识呈累积态。但 AI 模型训练是「推倒重来」式——每一代新模型均需重新投入数亿美元，上一代训练成本基本无法复用。软件时代开源如滚雪球，AI 时代开源似填无底洞。
Rory 在 20VC 播客中点出另一层差异：微软当年能以捆绑策略碾压对手，因将浏览器塞进操作系统成本几乎为零。但 AI 公司不行——每降一次价，推理成本不会随之降低。边际成本是刚性的，由物理定律和电费账单决定。
这就是为何「开源 AI」在经济学意义上是一种反自然存在。
你不可能让具有持续物理成本的东西真正免费。必有人持续为这些成本买单——用风险投资、广告收入、国家战略预算，或其他方式。但无论何种方式，都已不再是 Linus Torvalds 在卧室里就能启动的模式。
故美国做不出低成本开源 AI 模型，非某家公司之败，非某项政策之缺。这是 AI 技术经济本质与「开源」模式间的深层矛盾。
一个值得追问的悬念是：若开源在 AI 时代注定需真金白银支撑，那愿持续为全世界「付出」的角色，终归是谁？
中国模型公司不断给美国同行带来的「惊喜」，正是对此问题最好的回答。
*头图来源：WIRED
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO
极客一问
你认为美国为什么
做不出好用的开源模型？
