Kimi K3 发布那天，美股 AI 板块又经历了一次集体跳水。Moonshot 暂停了新用户订阅——GPU 容量被打到了上限。阿里巴巴紧接着发布了 Qwen3.8 Max 预览版，2.4 万亿参数，号称仅次于 Anthropic 的 Fable 5，股价当天涨了 5.4%。

市场的反应模式已经让人有些眼熟。上一次是 DeepSeek R1，再上一次是 Qwen 的开源版本。中国模型一有动静，美国 AI 公司的市值就蒸发几百亿。

但 Ben Thompson 不买账。

在 7 月 20 日发表的 Stratechery 长文中，这位硅谷最有影响力的科技分析师用一套商品市场理论，把"中国 AI 恐慌"拆了一遍。结论很直接：从经济学角度看，市场的反应过头了。

Thompson 没有从技术对比切入，而是先讲了一段 MBA 课堂往事。他在西北大学 Kellogg 商学院上第一堂战略课时，翻遍课程大纲发现没有一家科技公司的案例。教授的解释是：战略课教的是适用于一切行业的普适原理。当时他不服——软件和分发的边际成本为零，这和其他行业根本不同。但多年以后他发现，AI 正在把那些"过时"的原理重新拉回舞台中央。因为边际成本回来了。

这个判断是他全文的基石。

开源权重模型"免费"是一个容易让人上当的说法。不花钱的是研发——R&D 是一次性固定成本。推理不是。模型跑起来，每一次 token 产出都在烧钱。用 Thompson 的话说：做 1 亿美元收入和 10 万美元收入，R&D 一样，但销售成本差一千倍。Kimi K3 定价每百万输入 token 3 美元、输出 15 美元，比 Anthropic Sol 的 5 美元/30 美元便宜不少。但这场游戏比的不只是 token 单价。

Thompson 引入了一个关键区分：token 不是商品。

黄仁勋喜欢把 GPU 称为"token 工厂"。从英伟达视角看，这种框架没错——GPU 不管模型是谁家的，只管高效地产 token，于是行业习惯了用 token 每秒、token 成本做决策。但 Thompson 指出，推理时代这个逻辑塌了。同一个问题，不同模型消耗的 token 数量可以差几倍。Kimi K3 在有复杂推理需求时，消耗的 token"明显多于 Sol"，价格优势可能被 token 效率的差距吃掉。

真正可替代的不是 token，而是 token 组装出来的东西——智能。答案对了，答案就是可替代的。花了多少 token 才拿到答案，决定了你的成本结构。

他把模型服务成本拆成五个变量：模型体积、推理效率、内存效率、服务效率、token 效率。谁在这些维度上综合最优，谁的智能边际成本就最低。

接下来是全文最硬核的部分——商品市场机制课。

假设三家供应商卖同一种商品：A 每单位成本 10 块，B 成本 15 块，C 成本 20 块。市场需求在 20 块价格下有 25 个单位，那么 A 卖 10 个赚 10 块利润，B 卖 10 个赚 5 块利润，C 卖 5 个刚保本。市场价由满足需求所需的最贵那单位成本决定——C 不赚钱，A 和 B 赚的就是自己和 C 的成本差。

Thompson 的推论直指 AI 行业：智能正在向这个方向走。做 CRUD 应用的开发者很快会发现换哪个模型都能搞定。到那时赢的不是定价最高的，而是成本最低的。而成本最低的供应商，恰好是 Anthropic 和 OpenAI——它们在模型能力、服务规模、token 效率上都有几个月的先发窗口，而且正在用最强的模型来优化自己的推理成本。

但这套分析有一个前提：供给充足。现状是算力短缺，前沿模型供不应求，Anthropic 可以把 token 卖得很贵。中间每一层（英伟达卖给 SpaceXAI，SpaceXAI 再卖给 Anthropic，Anthropic 卖给用户）都在加价。中国模型看起来便宜，很大程度上是因为头顶有一个美国前沿实验室撑起来的"价格伞"，不是因为他们本身服务成本更低。

所以 Thompson 说，至少从经济学角度，恐慌过头了。

但文章没就此收住。他追问了一个更有意思的问题：既然经济上不怕，为什么前沿实验室自己这么慌？

四个解释。其一，实验室的财务模型长期锚定在"训练成本主导"的假设上，训练烧的 GPU 比推理多，就必须靠推理高定价来养下一轮训练。但推理市场增速远超训练成本增速，一旦算力上来，薄利多销的逻辑成立。其二，智能不是完美的商品——跑推理的同时在收集数据，数据喂给下一版模型，形成飞轮。中国模型的 API 用户不会给美国实验室贡献数据。其三，Claude Code 和 Codex 这类编程 harness 粘性惊人——不管你用哪个模型，一旦习惯了某个工具就懒得换。往上整合用户体验，确实是一条护城河。其四，Anthropic 的意识形态——一家认为只有自己能托付 AI 的公司，看到开源权重模型逼近自己，这是信仰层面的冲击。

在讨论中国动机时，Thompson 引用一句话——"坚持开放共赢，鼓励开源开放、协作共享"——然后一句话点透：这是"commoditize your complements"的经典策略。中国在机器人、制造业等物理世界有统治力，AI 模型越便宜越普及，中国越受益。同时，削弱美国前沿实验室、壮大一切可能的美国对手，也是算盘的一部分。

关于蒸馏，Thompson 的立场比大多数美国分析师更坦率。他不否认中国实验室从蒸馏美国前沿模型中获益——尤其在强化学习后训练环节，用美国模型当 teacher 可以跳过大量试错。但他反过来问了一个尖锐问题：蒸馏到底伤害了谁？大语言模型本身就是整个互联网公开知识的蒸馏产物。他建议美国立法明确训练数据收集属于合理使用，并禁止服务条款中"不得用于蒸馏"的限制——让美国开源模型团队也能直接吃前沿模型的数据，而不是绕道中国"蒸馏二手烟"。

Dean Meyer 和 Konstantine Buhler 在 X 上发了一篇被广泛引用的分析呼应了这个判断：蒸馏压缩了中国模型追赶前沿的"最后、也是最贵的那段差距"。即使蒸馏在中国模型总能力中占比不大，它在美国开源模型和中国模型之间造成的优势差是实质性的。每一个西方前沿模型的进步，都会变成中国实验室的教材。

但在文章最后，Thompson 承认有一个理由让人真的害怕——不是经济上的。

网络安全。Hugging Face 的生产环境最近被一个自主 AI agent 系统入侵。安全团队在应急响应时发现，美国前沿模型的护栏"无法区分攻击者和防御者"。Hugging Face 的工程师被迫转向中国的 GLM 5.2 模型，在本地运行来分析攻击者留下的 17000 多条日志。

这事充满了荒诞感。特朗普政府对 Anthropic Fable 施加了严格限制，名义上是防止 AI 落入敌手。结果是，美国公司防御网络攻击时，唯一可用的顶级模型来自一个"多年来一直在试图削弱我们网络防御"的国家。Thompson 的评价就三个词："This is insane！"

他的政策建议清晰：放开 Fable 和 Sol 在网络安全领域的限制；确保美国开源权重模型和中国站在同一起跑线；让前沿实验室靠做得更好来赢，而不是靠画一条"只有我们能做 AI"的红线。中国已经够难对付了，把开放和创新的旗子也拱手让人，等于放弃了自己最大的优势。

Stratechery 这篇文章发布后，国内技术社区很快出现了来自一线的验证数据。一位工程师团队在博客园发表了为期四周的 Kimi K3 vs Claude Code/Codex 实测报告。

数据很有意思。在简单 CRUD 和单文件重构上，Kimi K3 确实便宜 5-10 倍（0.04 美元 vs 0.18-0.22 美元）；多文件长推理场景下，价差缩到约 60%；到 agent 多步操作时只剩 30-40%。三位工程师从 Claude Code 迁到 Codex 分别花了 4 小时、2 小时和 1.5 小时，一周内全部恢复原有产速。约八成工程师没感受到 Thompson 所说的"harness 粘性"——模型的权重比工具的壳更重要。

但 Thompson 对 token 效率的判断却被数据扎扎实实地印证了。中国模型在复杂任务上的性价比优势缩水严重，远不是看 token 单价时那种"1/10 成本"的震撼效果。

参考来源：

• Who's Afraid of Chinese Models? — Stratechery by Ben Thompson
• Moonshot AI's Kimi K3 announcement on X
• 中文开源 frontier 模型把 token 价格压到 1/10 之后：agent harness 是不是真护城河 — 博客园