美国为何做不出顶尖开源模型？

训练一个前沿模型的成本是数亿美元，而模型“保质期”大约只有12到24个月。新一代模型一出，上一代就贬值。这意味着数亿美元的投资必须在一到两年内通过API定价回收，否则就是沉没成本。在这种压力下，闭源不是选择，而是生存逻辑。

OpenAI和Anthropic的商业模式建立在按token计费、按调用收钱的基础上，开源会直接摧毁这个前提。此外，开源AI并非Linux：训练前沿模型需要集中调度数十万块GPU跑上几个月，这不是社区能众筹的事情。

Ramp的经济学家Ara Kharazian指出，中国开源模型的崛起恰恰证明市场上存在巨大需求，而美国模型公司目前没有在满足它。

Meta曾是美国开源AI唯一的旗手，接连发布Llama 2、Llama 3。其逻辑是竞争策略：如果开源模型足够好，就能侵蚀OpenAI和Google的护城河，而Meta靠广告赚钱，不需要模型直接盈利。

然而，Llama 4内部表现未达预期，在与GPT和Claude的对比中落了下风。Meta随即放弃开源路线，转向代号为“Avocado”的闭源模型项目。这一转向的深层原因在于，Meta从未真正在“前沿性能”维度上全力以赴，一旦战场转移到闭源模型能力比拼，便发现自己落后于始终只做一件事的对手。

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，这本身就验证了OpenAI和Anthropic从一开始选择的商业模式。

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。业界公认的高效方法“蒸馏”需要利用更强模型的输出，但OpenAI和Anthropic的服务条款明确禁止将模型输出用于训练竞争性模型。

Thompson指出，美国的开放权重模型制造商遵守前沿实验室的服务条款，结果比不遵守这些条款的竞争对手更弱。此外，人才和资本被OpenAI、Anthropic和Google虹吸，剩余创业公司难以用十分之一的资源做出同等水平的东西。

2026年7月15日，OpenAI前CTO Mira Murati的Thinking Machines Lab发布了9750亿参数的开放权重模型Inkling，使用Apache 2.0许可证，但坦承其定位是“微调的好底座”，并非前沿模型。这证明了开源路径被锁死的程度。

开源软件的黄金时代建立在零边际成本之上：代码一旦写出，复制和分发的成本几乎为零。但AI模型的“复制”是推理，每回答一个问题都在消耗真实的算力和电力，边际成本是刚性的。

训练端更是“推倒重来”式的：每一代新模型都需要重新投入数亿美元，上一代的训练成本基本无法复用。软件时代的开源像滚雪球，AI时代的开源像填无底洞。

Rory在20VC播客中指出，微软当年能用捆绑策略碾压竞争对手，是因为边际成本几乎为零；但AI公司每降一次价，推理成本不会跟着降。因此，“开源AI”在经济学意义上是一个反自然的存在。