在过去的两年里，AI领域的竞争形势一目了然：哪家公司的模型规模越大、基准测试表现越好，哪家公司就能宣称领先，至少在下一款产品发布前都保持着优势。

　　然而，这种评判标准如今已开始显得不够全面了。

　　行业人士表示，随着企业界从单纯的测试AI模型能力，转向将其真正落地到实际产品和业务流程中，核心诉求已经不再是盲目追求性能最强的模型，而是如何在合理的成本、必要的数据以及特定的部署环境下，匹配到最适合特定任务的模型。

　　这一转变为一种新型的人工智能竞争打开了大门——这种竞争不再侧重于模型规模，而是更关注路由分发、成本、控制和算力效率。

　　“模型本身已经不再是核心产品，”Perplexity首席执行官Aravind Srinivas表示，“关键在于‘框架’——即那个将模型置于功能强大的框架之中，并将其与众多工具相匹配的协调系统。”

　　这意味着，AI产品正在演变为一个智能化系统，能够自主判定在何时使用何种模型，以及需要调用哪些外部工具或公司内部数据源。单纯的客户服务任务可能不需要最昂贵的模型，而复杂的编码问题则可能需要。常规的内部工作流可以使用更便宜的开源模型运行，而更棘手的步骤则可升级到更强大的模型上。

　　“答案始终是：选用最适合该任务的模型，”Srinivas表示。

　　替代模型的涌现正值美国企业收紧AI支出之际，这对OpenAI和Anthropic构成了新的挑战——这两家公司过去几年正是通过销售最前沿的技术而蓬勃发展的。

　　上周，Perplexity预告了其Perplexity Computer产品的新系统，该系统基于中国智谱推出的开源模型GLM 5.2构建。该系统旨在让成本更低的模型处理更多工作，仅在必要时调用更强大的模型。

　　这种做法反映了市场上的更广泛变化。企业可以自行下载、调优和运行的开源模型，正变得越来越强大。与大型AI实验室推出的高端专有模型相比，它们的运行成本也更低。

　　Benchmark的合伙人Peter Fenton指出，这场变革的影响将是颠覆性的。“我们认为，未来18到24个月内，甚至可能在今年年底前，90%以上的Token将由开源模型生成——这一观点虽然可能有些反主流，但正逐渐成为共识，”

　　“当企业能够直接运行这些‘足够好’的开源模型，从而绕过前沿模型公司索取的高额费用时，这些巨头赖以生存的推理利润率必将面临巨大压力。”Fenton说道。

　　Fenton指出，转向开源模型不仅仅是为了节省成本。在某些情况下，针对特定任务进行调优的小型模型，其运行速度和性能可能优于大型通用模型。

　　阵地转移

　　这正是Benchmark投资Ollama的原因之一——该公司致力于让开发者和企业更轻松地下载、运行和管理开源模型。

　　“模型诞生于何处、由谁训练固然是一个方面，” Ollama首席执行官Jeff Morgan表示，“但对我们接触的众多企业而言，更生死攸关的问题是——这个模型最终在哪里运行，以及如何高效运行。”

　　Morgan表示，超过85%的《财富》500强企业已采用Ollama的服务，其中包括航空、保险和医疗保健等受监管行业的企业。他指出，许多公司最初会使用小型模型，在靠近自身数据的环境中运行，待逐渐熟悉后，再扩展到更大的开源模型。

　　开源模型的兴起也给美国带来了战略挑战。许多最具竞争力的开源权重模型都来自中国实验室，包括智谱和DeepSeek。这使得开源AI成为了一个商业问题、政策问题以及国家竞争力问题。

　　Srinivas表示，美国应该支持开源模型，因为它们使AI更加经济实惠且触手可及。“如果你希望人工智能的益处能广泛惠及美国及美国盟国的小型企业，那么人工智能就必须变得更加经济实惠，而开源是实现这一目标的唯一途径。”

　　这一转变还可能影响整个美国科技行业正在进行的大规模数据中心建设。当前的人工智能热潮假设需求将持续流向配备高端芯片的大型云数据中心。Srinivas指出，部分AI工作最终可能会转而在本地运行，即在消费者或企业拥有的设备上进行。

　　这并不会消除对数据中心的需求，但可能会催生一种更混合的AI系统：常规任务在本地处理，而最复杂的工作则被发送至云端更强大的模型进行处理。

　　对于投资者而言，关键问题在于：随着开源模型不断改进，且企业对所采用的技术变得更加挑剔，那些美国头部的AI企业还能否维持其定价能力……