美国企业向开源 AI 的转型

企业级 AI 正在从封闭模型转向开放模型

美国企业正越来越多地从 OpenAI 和 Anthropic 等封闭源代码 AI 提供商转向开源和开放权重模型。这一转变的主要驱动力是飞涨的 API 成本、对更高定制化的需求以及避免供应商锁定（vendor lock-in）的战略需求。

例如，AT&T 已显著调整了其 AI 战略。在最初依赖封闭模型进行客户服务、通话转录和编码后，该公司转向了开放模型以遏制支出。到 2026 年 5 月，开放模型占 AT&T AI 使用量的 20%；此后不久该比例上升至 40%，并预计在未来几个月内达到 60%。AT&T 报告称，与今年早些时候相比，AI 成本节省了高达 80%。

开源 AI 采用的关键驱动因素

成本降低与商品化定价

许多企业的首要动力是降低运营支出。随着 AI 使用规模的扩大，向封闭源代码提供商按 token 付费的成本变得难以承受。开放模型允许公司下载并修改软件，而无需持续支付费用或获得第三方的批准。

来自 OpenRouter 的行业数据表明了一个更广泛的趋势：上个月，开放模型在美国的 AI 使用量占 58%，较仅一年前的 10% 有了大幅增长。这一趋势表明，前沿模型正在变得商品化，封闭模型与开放模型之间的性能差距正在缩小，以至于成本节省的收益超过了最先进封闭系统的边际效用。

风险缓解与供应商独立性

除了成本，企业还优先考虑风险管理。依赖单一的封闭源代码实体来处理核心业务智能会带来显著的供应商锁定和运营风险。

可靠性： 用户注意到，主要 AI 实验室的停机时间可能会中断关键的销售和客户服务功能。
控制权： 开放模型允许公司将数据保留在安全环境中，避免将专有业务逻辑或财务数据发送给第三方提供商的风险。
可预测性： 投资者和私募股权公司在进行技术尽职调查时，越来越将对单一、不可预测的 AI 供应商的依赖视为一种负债。

定制化与法律确定性

开放模型提供了微调和修改底层代码以满足特定企业需求的灵活性。然而，选择使用哪些开放模型通常受法律和监管问题的约束。例如，AT&T 因数据隐私和监管担忧而避免使用中国模型，转而选择美国开发的替代方案，如 Google 的 Gemma 和 Meta 的 Llama。

行业影响与市场反应

“卖铲人”的优势

随着市场转向自托管和开放模型，经济利益正从模型提供商转移到基础设施提供商。Nvidia 对 Hugging Face（开源 AI 模型的中心库）的 129 亿美元收购——强调了基础设施和分发层相对于特定模型权重的的重要性。

对封闭源代码实验室的威胁

OpenAI 和 Anthropic 等封闭源代码实验室面临潜在的“商品化陷阱”。如果开放模型达到前沿模型的 80-90% 的能力，大多数企业将选择“几乎一样好”的开放版本，以规避封闭 API 的风险和成本。这迫使封闭源代码实验室要么大幅削减价格，要么转向为本地使用提供授权模式，而不是作为推理提供商。

技术反论与局限性

虽然向开源 AI 发展的趋势很强劲，但一些技术专家认为这种转型并非无缝衔接：

硬件开销： 自托管需要对 GPU 和电力基础设施进行大量投资（例如，将高端 GPU 机架升级到 240v 电力）。
编码性能： 一些开发者认为，对于复杂的软件工程，最先进的（SOTA）封闭模型（如 Opus 4.5）仍然显著优于开放替代方案。
运营复杂度： 管理内部 AI 基础设施会引入路由器的复杂性和安全风险，而这些风险此前是由 API 提供商处理的。

"I think using open-source AI is no longer about API cost but about company survival... companies can't outsource their intelligence to a potential competitor."

"Investors know they need companies to be on the AI train, but they really don't like vendor lockin to the big AI companies."",