决定开源与闭源 AI 模型生态系统未来力量平衡的最大争论，本质上是一个经济问题——即 AI 用户是否会继续为顶级闭源模型支付高得多的费用（也就是高利润率）。2026 年初是 AI 行业的关键时期，因为编程智能体已经展现出第一个巨大 AI 市场将持续为更优智能支付高额溢价的领域。

这种二元对立的另一面，是这些实验室的 API 业务不可避免的衰退。这些实验室将意识到，他们需要保护自己最优秀的模型，推迟在 API 中推出这些模型，以保护模型 token 供应、防止知识蒸馏，并专注于利润率更高的用例。所有这些影响将在 5 到 10 年的时间跨度内清晰可见，因为短期内市场、价格、利润率和需求将由计算能力的快速建设（短期内供应受限）和对模型 token 的大规模补贴（通过持续投资新的 AI 公司）所决定。

这一论点的核心，在于超越 Opus 4.5 和 Codex 5.2 门槛的编程智能体所带来的明显习惯改变。人们做出这种转变并非因为懒惰，而是因为在使用智能体作为复杂知识工作的实现辅助工具时，他们的净产出明显更高。对于那些依赖编程智能体工作的人来说，他们总是愿意为最好的产品支付更多，而不是满足于“足够好”。让产品变得更好的方式有很多：速度、智能、专用模型等等。

我愿意为如今的工具每月支付 2000 美元，尤其是知道它们会变得更好。与此同时，许多公司可能正在强制人们使用智能体和相关功能，而这些人实际上在当前形式下几乎无法从中获益——这反而有助于 AI 建设（或者说泡沫）的持续。

目前最优秀的封闭实验室——眼下这个名单只有 Anthropic 和 OpenAI，但预计谷歌也能迎头赶上——始终会在给定成本下制造出最高效的智能模型。构建模型是一项对人才、数据和算力的大规模资本投入。这些系统，即模型权重、框架、工具和服务基础设施的组合，在集成方面具有巨大的回报（而开源模型则被设计为适用于多种多样的服务场景）。这些集成优势——硬件与新型软件的集成——可以通过任何可能的方式来提升模型性能。

在不久的将来，模型在基准测试分数上可能会趋于饱和，但如果这个智能天花板真的限制了实用性，那么实验室就会优化每秒或每瓦特的实用性，以另一种方式服务用户。模型的改进在每一个方向上都是可能的——进展中从未遇到壁垒。我们仍处于大规模构建智能的早期阶段，这包括利用物理世界建造大量数据中心、组织众多 AI 研究人员以便大型团队能共同贡献于一个模型，当然还要解决许多解锁性能的小型底层难题。所有迹象都表明，仍有可观的性能有待解锁，而封闭实验室是提取这些性能的最佳配置。

实验室的共识是，让模型变得更聪明——就绝对智能的前沿而言——具有最大的价值。在我看来，这是正确的判断，因为它能打开巨大的新市场。在固定的智能水平上优化模型，可以锁定市场、随着时间推移扩大可及性，并提高用户的投资回报（同时可能降低销售智能的利润率）。

许多人都在押注，模型会持续变得更好，并且正在学会在这些框架中良好运作，尽管某些工作流程仍略显笨拙。这是正确的押注。这些人都会继续使用绝对最好的可用模型。这就像消费者购买 iPhone。你可以选择安卓，忍受一堆小麻烦来省钱，但何必呢？在工作场景中，性能回报甚至更高，这也就支撑了定价权。

在这种思维模型下，前沿实验室作为企业，将看起来像是苹果和微软混合体的全新重塑形态。苹果的一面在于，它们销售的是集成度高、极难复制的技术。微软的一面在于，它们向整个经济体销售高杠杆率的订阅服务。我预计在未来 5 到 10 年内，OpenAI 和 Anthropic 的估值都将达到 2 万亿到 10 万亿美元的区间。真正的前沿实验室将形成一个类似当今云市场的寡头格局。

在这个等式的另一边，是开放模型经济。这并不是说前沿实验室会主导 AI 应用的所有方面。是的，我预计 OpenAI 和 Anthropic 将成为 AI 热潮中最具代表性的公司（当然，与英伟达并列的新兴公司），但围绕开放模型所捕获的集体价值总体上将大得多，只是其收入和利润将由广泛的企业层级共同分享。

许多企业希望转向开放模型，但当前的模型在分布外任务上还不够好。最终，开放模型的构建者将不再在 Artificial Analysis 指数上追逐 Claude 和 GPT，而是填补这一利基市场。这种分化可能由经济因素驱动——它们不再有足够的收入来支撑持续扩大模型规模所需的不断增长的研发成本。也可能由纯粹的需求驱动——某些 AI 解决方案只有在开放模型所提供的低价位点上才能存在。封闭实验室是寡头格局，而开放模型的构建者和使用者则将远为多样和众多。其总市场价值将大幅超过 OpenAI 和 Anthropic 的累计价值。

开源模型本质上不具备集成性，因此需要多家公司协同提供服务。每一层都会有替代方案，从而将价格压低至商品化水平。这些低廉且可预测的价格，将成为众多企业为特定任务构建内部智能体和工具的市场切入点。此模式下的主要部署方式是：企业找到一个在目标任务上达到足够性能阈值的模型，之后便不再更换该模型（因为部署成本较高）。随着模型定制化日益便捷——这一点在开源模型微调技术栈中已初现端倪（如 Tinker、Fireworks、Prime Intellect 等）——这个市场将进一步扩大。

未来几年，与 OpenAI 和 Anthropic 相比，开源模型推理在谷歌、亚马逊、微软等传统超大规模云平台，以及 Together、Fireworks、OpenRouter 等新兴 AI 基础设施公司中的占比将持续稳步上升。

关键在于，开源与闭源模型经济遵循着不同的指数增长曲线。我仍然相信整个生态系统将以快速步伐持续进步，但关于递归自我改进（RSI）将赋予闭源实验室不可逾越优势的说法，实属夸大其词。诸如后台智能体等新型产品形态，可以同时支持开源和闭源模型。

闭源模型凭借当前的智能体实现了惊人的产品-市场契合，通过将知识工作的高端领域货币化，开启了其集成式指数增长。开源模型经济所需时间将长得多，但其发展轨迹将更令人期待，因为它映射着 AI 向整个经济与全球更广泛渗透的过程。

1

“编程智能体”这个说法很有趣，因为我们几乎不直接在其中编写代码。它们是通用型智能体，之所以如此强大，恰恰是因为它们能生成大量代码。