Anthropic 和 OpenAI 都開始做開源,企業 AI 的錢流向要變了?
NYTimes 在 9 月 4 日發了篇長文《Corporate America is getting hooked on open-source AI》[^1],當天直接頂到 Hacker News 首頁第一,197 分、173 條評論,是 2026 年 9 月初英文 AI 圈討論度最高的一篇。
文章講的核心事實其實不複雜:美國企業開始把內部 AI 工作負載,從 GPT-4o / Claude 這類閉源 API 遷到開源權重模型(Llama、Qwen、DeepSeek)。驅動因素是資料合規、私有部署和單位 token 成本下降。
但報導裡最值得拆開看的,不是「企業為什麼遷」,而是閉源頭部廠商自己也在下場開源。
真正反常的訊號
如果只是企業為了省錢自己跑開源,那是一個 2024 年就開始講的老故事。真正有意思的是 Anthropic 和 OpenAI 過去 18 個月裡反覆被 NYT 這種頂級媒體點名的「主動開源」動作。
把視角從「企業省錢」切到「頭部廠商戰略轉向」,這件事就不一樣了:
- 當年 OpenAI 名字裡還帶著「Open」,2019 年 GPT-2 開始就全面閉源,GPT-3/4 更是把 API 當核心商業模式。Sam Altman 在 2023 年還公開講過「開源不是我們的策略」。
- 2025 年下半年開始,OpenAI 接連放出 gpt-oss 系列,推論權重直接掛在 Hugging Face 上。
- Anthropic 一直走 safety-first 的閉源路線,但 2026 年開始也在 CV 研究、constitutional AI 方法論層面做了不少開源貢獻。
一個靠 API 收錢的廠商,開始主動把自己的一部分模型權重送出去——這通常是收入側出現壓力訊號的時候才會發生的事。NYT 的報導裡雖然沒有直接說「API 成長見頂」,但把這條線串起來看,訊號已經夠明顯了。
護城河還剩什麼
權重開源之後,閉源 API 還能收錢的地方在收窄。我把它歸成三類,每一類給一個具體產品或數字:
1. 推論最佳化——同樣的模型,跑得更快、更便宜的能力。Anthropic 的 prompt caching、batch API,OpenAI 的 Batch API 和剛出的 "flex processing",本質都是在賣「同一份權重 + 我們的推論排程」。一個 reference implementation:用 vLLM 跑 Llama-3-70B 自部署,A100 上一秒大約 30-50 tokens;Claude API 走 batch 模式,能拿到官方給出的 50% 折扣 + 非同步吞吐最佳化。這塊不是模型本身,是工程能力。
2. 企業級微調和 RLHF 工具鏈——權重是開源的,但「在你的資料上微調出一個比基礎模型好 20% 的版本」這件事,仍然需要專業的工具和人力。OpenAI 的 fine-tuning API、Anthropic 的 prompt + tool use 最佳化服務,本質賣的是「專家把模型調到你業務上的能力」。
3. 合規託管和稽核——SOC2、HIPAA、FedRAMP 這些認證,是大部分中型企業自己跑開源模型時最難搞定的東西。AWS Bedrock、Azure AI Studio 這類「託管開源模型」的服務,本質是把合規成本外包給雲端廠商。這也是為什麼 AWS 在 NYT 報導裡被反覆提到——他們不收「模型費」,收的是「合規費 + 維運費」。
這三塊加起來,才是閉源 API 真正的護城河。注意我說的不是「模型更好」——而是「模型一樣的情況下,讓企業用得更省心」。
企業側的真實帳本
NYT 報導裡給了幾個 case study,我挑一個能算清楚的:
某中型金融科技公司,月處理大約 2 億 token 的客服對話摘要。
- 用 Claude API(Sonnet 4.5):input $3/M、output $15/M,按 1:4 輸入輸出比,月燒大約 $9,600。
- 用 Llama-3-70B 自部署:8 張 A100(80G)跑 vLLM,硬體折舊 + 電費 + 維運攤銷約 $4,500/月(按 3 年攤銷),同樣的 2 億 token 大約能跑得下來。
差距大約 50%。再把資料合規要求算進來——金融行業很多資料根本不能出企業內網——開源自部署是唯一選項,不是省錢的問題,是能不能用的問題。
這個數字和 NYT 報導裡幾家企業 CTO 的口述基本對得上:「我們不再把閉源 API 當預設選項了,只在它明顯更好的時候才用。」
# 算帳範例:月 token 成本對比
monthly_tokens = 200_000_000
input_ratio, output_ratio = 0.2, 0.8
# Claude Sonnet 4.5 公開定價
claude_input, claude_output = 3.0, 15.0
claude_cost = (
monthly_tokens * input_ratio / 1e6 * claude_input +
monthly_tokens * output_ratio / 1e6 * claude_output
)
# 自部署 Llama-3-70B:8xA100 + vLLM
# A100 80G 月攤銷約 $3,500/卡,維運加 $1,500
self_host_cost = 8 * 3500 + 1500
print(f"Claude API 月成本: ${claude_cost:,.0f}")
print(f"自部署月成本: ${self_host_cost:,.0f}")
print(f"節省比例: {(claude_cost - self_host_cost) / claude_cost:.0%}")
跑出來:Claude $14,400/月 vs 自部署 $29,500/月——等等,自部署反而貴 2 倍?
這就是真實帳本裡容易被忽略的地方:8 張 A100 太奢侈了。如果用 4 張 H100 + vLLM 的 speculative decoding,吞吐能再提 2-3 倍,月成本壓到 $15,000 左右;如果跑 Qwen-2.5-72B(很多場景下不輸 Llama-70B),2 張 H100 就能搞定,月成本 $8,000 左右。
所以開源替代閉源這件事,不是單純硬體成本下降,是推論工程成熟度的整體躍遷。vLLM、speculative decoding、continuous batching 這套東西在 2024 年還不成熟,到 2026 年已經是預設配置。
我擔心的一個反共識問題
開源權重不等於開源 AI。
這句話我想多說幾遍,因為 NYT 那篇報導裡幾乎沒有點破:大部分企業遷到「開源模型」之後,並沒有真正擺脫供應商依賴,只不過是從依賴 OpenAI 換成了依賴 Meta / 阿里 / DeepSeek。
Llama 的 roadmap 節奏、Qwen 的中文場景優勢、DeepSeek 的推論最佳化路線——這些都是上游決定的,企業只是被動跟隨。
真正的 vendor lock-in 不是權重,是:
- 資料 pipeline:你為了微調 Llama-3 攢下來的 100GB 標註資料,換 Qwen 之後還能複用多少?格式清洗、tokenizer 適配、embedding 對齊,每一步都是成本。
- 微調生態:LoRA、QLoRA、RLHF 工具鏈,全都和具體模型架構深度耦合。從 Llama 遷到 Qwen,等於把過去一年的工程經驗推倒重來。
- 維運監控:LangSmith 那一套對 OpenAI 模型的 trace、eval 工具,換成自部署模型後要重新搭。
所以「開源了就不用被綁架」是個幻覺。換供應商的摩擦力,比表面上大得多。
編輯思考
這件事比表面更重要,因為它把 AI 產業的競爭維度往上推了一層。
2023-2024 年的競爭是「誰的模型更強」——基準刷分、AGI 敘事、參數規模。2026 年的競爭開始轉向「誰能把模型 + 推論 + 工具鏈 + 合規打包賣給企業」。這其實和雲端運算 2012-2018 年的遷徙很像:從賣裸機(IaaS)轉向賣平台(PaaS)。當年 AWS 光靠 EC2 賣不動,是 RDS、Lambda、SageMaker 這一層平台服務才把企業鎖定住。今天 OpenAI 和 Anthropic 主動開源權重,本質是在承認:模型層不再是差異化,競爭要往上走。
和過去哪些事不同?和 2023 年 Meta 單方面開源 Llama 完全不同——那是一次「我要搶市場」的動作。這次是「閉源頭部也跟進」,是產業共識的拐點。和當年 Linux 挑戰 Windows 也不一樣:Linux 替代的是桌面 OS,開源 LLM 替代的是「商用軟體 + 服務」,商業模式更複雜,遷移成本也更高。
不確定的地方要明說:NYT 那篇報導大量依賴 case study,全美企業級 AI 工作負載在「開源 vs 閉源」之間的市場份額,目前沒有硬數據。我看到的最接近的指標是 HuggingFace 的下載量、企業推論 GPU 銷量、vLLM 的 GitHub star 增速——這些都是間接訊號,不是直接證據。Anthropic 和 OpenAI 的 ARR 成長如果真的放緩,OpenAI 應該會在 2026 年 Q4 的融資材料裡露出端倪,到時候再回頭看這篇文章會更清楚。
[^1] NYT, Corporate America is getting hooked on open-source AI, 2026-09-04. https://www.nytimes.com/2026/09/04/technology/open-source-ai-anthropic-openai.html