涉及的行业与公司 * 行业：人工智能（AI）行业，具体涉及AI模型、半导体/硬件、超大规模云服务商（AWS/Azure/Google Cloud）及软件领域[2][4] * 公司： * 前沿AI研究实验室：OpenAI、Anthropic、Google、xAI、Meta[3][38][47] * 中国开源模型提供商：Z.ai (GLM)、Moonshot AI (Kimi)、阿里巴巴 (Qwen)、MiniMax、DeepSeek[6][45][56] * 美国开源模型：Nvidia (Nemotron)、Thinking Machines、Reflection[3][38][45] * 超大规模云服务商：亚马逊AWS、微软Azure、Google Cloud[2][4][59] * 半导体/硬件：Nvidia、AMD、高通、应用材料、KLA、Lam Research[4][5][57] * AI原生/推理平台公司：Fireworks、Baseten、Together AI、Cursor、Perplexity、Runway、Sierra、AlphaSense等（共15家以上）[3][14][63] * 软件公司：Salesforce、ServiceNow、Workday、Snowflake、Datadog、MongoDB等[4][65][67] 核心观点与论据 1. AI采用与成本优化趋势 * 企业AI采用率大幅提升：AI原生公司的收入增长异常迅猛，表明企业正积极投入AI，而不仅限于编码领域[3][44]。例如，有公司收入从1月的4亿美元增至10亿美元，另一家公司在14个月内从零增长至5亿美元[44]。 * Token支出优化成为现实且日益普遍：AI计算/Token成本已成为大多数组织的真正关切，最初认为影响约60%以上的组织，现在感觉这一比例更高[3][8][44]。企业正在引入各种防护措施来控制AI Token使用，包括对非前沿任务降级使用更便宜（通常是中国）模型[8][44]。 * 从“Token最大化”转向“价值最大化”：客户关注点从单纯消耗Token转变为关注Token使用带来的实际价值[17][44]。 2. AI模型格局的演变 * 进入多模型世界：前沿实验室将与众多其他AI模型（包括闭源、开源和/或为公司及用例定制构建的模型）共存和竞争，“赢家通吃”的结局可能性降低[3][44]。 * 模型路由成为核心竞争力与准入门槛：根据任务需求动态降级使用更便宜、Token效率更高的AI模型，被几乎所有AI原生公司描述为核心能力，现已成行业准入门槛[3][44]。 * 中国开源模型已经登场：来自Z.ai的GLM 5.2、Moonshot的Kimi K3等中国开源模型在公开基准测试中接近Anthropic和OpenAI高级模型的性能，改变了竞争格局，游戏规则从单纯推进性能前沿扩展到关注Token效率/成本[3][6][45]。 * 定制/专业化模型趋势兴起：基于基础模型微调、为特定客户和任务设计的定制或专业化模型是另一个相关类别，Fireworks等“推理平台”正在推动这一趋势[3][45]。 * 避免模型锁定：除了成本控制，企业寻求模型多样性也是为了规避锁定风险，因为性能前沿不断变化，且访问前沿模型可能受限[44]。 3. 对各技术领域的影响 * 前沿模型提供商（OpenAI, Anthropic等）： * 虽然Token优化和更具竞争性的LLM市场可能对其增长率构成压力，但AI支出的增长势头非常强劲，足以抵消这些拖累[4][47]。投资者正焦急等待OpenAI和Anthropic关于增长影响的任何更新[4][50]。 * 前沿实验室不会坐视不管，可能通过投资于新一代芯片上训练的、Token效率更高的新模型、向软件栈上游移动（推出自有软件产品）、限制或降低API价格等方式应对[8][54]。 * 半导体/硬件（以英伟达为代表）： * 开源模型的采用并未减少需求，而是将需求重新分配至最具成本效益的模型和工作负载，这对英伟达是利好[4][57]。大多数开源模型继续在英伟达硬件上进行训练和微调[57][58]。 * 英伟达的Nemotron模型被多次提及为替代选择[3][38][45]。 * 超大规模云服务商（AWS, Azure, Google Cloud）： * 超大规模云商已经是“多模型”平台，提供从闭源到开源的多种选择，模型组合向更便宜模型转移可能对它们产生中性甚至积极影响，因为无论使用何种模型，企业仍需要云端推理计算[4][59]。 * 风险在于，如果前沿模型收入增长受损，其对增量计算能力的需求可能减弱，但目前AI计算资源仍面临严重的供需失衡[60]。 * 软件公司： * 潜在积极因素：1) 交易动态：部分投资者可能从半导体/AI板块轮动至“防御性”软件股[66]；2) 货币化模型中立性：软件公司可扮演独立的“Token优化者”角色，实现模型无关性[66]。 * 潜在消极因素：1) AI支出挤出效应：客户可能通过削减其他IT支出来应对AI Token成本上升[67]；2) 定价转换环境艰难：在客户面临AI成本冲击时，推行从席位制转向使用量计价的模式更具挑战[67]；3) 来自前沿实验室的竞争：OpenAI和Anthropic可能加速通过自有软件产品实现模型产品化，从而与现有软件公司竞争[54][67]。 其他重要但可能被忽略的内容 * 企业AI部署的极端案例与成本失控：有银行每月在Opus 4.8推理上花费数十万美元，用于询问餐厅、天气等简单问题[19]。金融机构对Claude的承诺支出在三个月内从1000万美元激增至6000万美元，却不知原因[25]。甚至有部门在AI上的花费超过了该部门的人力成本，且AI并未取代人力，反而因创造了更多工作导致招聘了更多人[25]。 * 开源模型使用份额快速增长：据一家AI原生公司称，年初企业流向开源模型的Token份额几乎为零，两个月后达到约1%，目前已是两位数百分比，预计未来12个月内将超过90%（按Token数量计，非金额）[38]。另一数据源（Together AI）显示开源模型使用量在一年内从AI Token的10%增至30%[63]。 * 美国政府对使用中国模型可能采取行动的讨论：部分投资者担心向中国AI模型的份额转移可能引发美国政府限制，OpenAI战略未来负责人Dean Ball的推文引发了行业对此的激烈讨论[53]。但报告认为，鉴于使用已相当普遍，美国政府限制其使用（或愿意限制）的可能性非零但面临挑战[55]。 * 新兴推理平台层的重要性：Fireworks、Baseten、Together AI等公司构成了新的“推理平台”层，为开源和定制模型提供生产推理服务。Fireworks披露收入超过10亿美元（1月为4亿美元），每日处理超过40万亿Token；Baseten每日处理约30万亿Token，可能已超过OpenAI的API量级[63][64]。这些公司的增长是衡量开源/定制模型需求的重要指标[64]。 * 性能与成本的权衡实践：企业正根据具体任务选择模型，例如，对于核心编码任务坚持使用顶级模型，而对于写邮件等任务则使用更便宜的模型[28]。模型路由软件可根据任务中的特定子任务（如不同编程语言部分）动态选择最佳模型[32]。