美股一夜蒸发2.8万亿，中国开源模型拿下美企89%支出

今天凌晨，美股遭遇猛烈抛售。

纳斯达克指数跌5.52%，为2025年4月以来最大单日跌幅，已进入技术性修正区间。费城半导体指数重挫12.3%，创2020年3月疫情崩盘以来最差单日表现。

英伟达跌9.26%，单日市值缩水近4500亿美元；AMD跌17%，闪迪跌22%，博通跌10%。

芯片、服务器、光模块，再到数据中心的电力供应商，AI基建产业链上几乎找不到幸免的环节。

据媒体估算，美股一天蒸发约2.8万亿美元。

选举因素之外，市场对天量AI资本开支能否回本的疑虑，终于在这一天集中释放。

而就在两天前，11月3日，硅谷50年老牌风投Menlo Ventures发布了《2026年企业AI现状报告》。这家机构是Anthropic的早期投资人，报告里的数字与股市走势截然相反：

2026年企业AI部署支出从330亿美元升至1770亿美元，一年涨了5.4倍。三年前这块市场只有17亿美元，三年间扩大100倍。

一边是2.8万亿美元市值灰飞烟灭，一边是1770亿美元真金白银投入。

反差极大。华尔街在质疑供给侧的资本开支能否收回，需求侧的CTO们却在加单，加到预算失控。

报告里还有两条线索更耐人寻味：

企业开源模型支出中，中国模型占89%，其中Kimi占61%；同时，企业的钱加速流向更贵的旗舰模型，前沿模型的支出份额从35%升至63%。

这两件事摆在一起，才是真正有看头的地方。

中国模型在美国企业账本上占据前列

企业开源模型支出中，中国厂商以压倒性优势包揽前四：Kimi 61%，DeepSeek 15%，GLM 11%，Qwen 3%，合计89%。西方最拿得出手的开源选手Meta Llama，只拿到7%。

换句话说，美国企业在生产环境里跑开源模型，十次有九次底层来自中国。

更有意思的是，中国模型已不只是“便宜替代品”，它开始长进别人的产品里。

就在昨天，11月5日，Thinking Machines Lab发布新模型Inkling 2 Small。这家公司由OpenAI前CTO Mira Murati出走创办，一轮种子就融了20亿美元，最近一轮谈的估值是400亿美元，是硅谷含金量最高的明星实验室之一。

模型本身也不含糊：5940亿总参数、170亿激活的MoE，Artificial Analysis智能指数拿到31分。

但这些都不是重点。重点藏在技术博客里一个不起眼的角落——

到了预训练后期，模型吃进去的数据里，从网上直接抓来的只占小部分，大头是让更早的几代模型先跑一遍、再由它们生成的内容。其中被第一个点名的，是月之暗面旗下的 Kimi K3。

这意味着什么？Kimi给硅谷的明星实验室当了一回老师。

能当老师的前提是：你写的答案，别人愿意抄。放在一年前，这个角色基本只属于GPT和Claude。

当老师还只是一种用法。Kimi K3还在给美国公司当底座。

今年8月，法律AI领域的独角兽Harvey推出自家首个模型Tenet。这家公司估值超过百亿美元，OpenAI也是它的股东。

基座选的不是股东OpenAI的GPT，而是Kimi K3。

Harvey在Kimi K3上做法律任务的后训练，只投入了大约150块英伟达B300，前后花了两个月。

训练出来的Tenet，在自家法律Agent基准上完成的任务数差不多翻了一倍；多项复杂法律任务里，它跟Anthropic、OpenAI、Google的旗舰模型比划起来也不落下风。

造模型的Thinking Machines把它当老师，做应用的Harvey把它当底座。从实验室一路到应用层，Kimi都挤了进去。

对这些公司而言，开放权重拿到手的是一把能自己磨的刀，便宜只是附带的好处。

中国模型就这样进入了海外头部应用的生产链条——先是被调用，后来被当作老师、底座。

这股势头还在加快。

10月23日刚发布的Kimi K3.1 Pro，月之暗面自报的Terminal-Bench 4.0成绩为65.7%；紧接着11月5日，它又登陆微软Foundry——

在微软云上，它是第一个采用「收入共享」模式的开源权重模型。说白了：企业在微软Azure上每调用一次Kimi，月之暗面都能分到钱。

微软之前，Kimi已经先上了亚马逊AWS。全球最大的两朵云，微软和亚马逊，先后给中国开源模型发了「入场券」。

另一本账：用量翻倍，钱却没跟着涨

中国开源这么能打，闭源模型是不是该慌了？

事情远没这么简单。

只看使用量，开源势头确实猛：token份额从11%升到19%，月处理量涨了22.5倍，达到约2.9千万亿个。

可钱呢？支出份额反倒从6%降到了4%。

原因挺扎心：过去一年，开源阵营大多在卷同一件事——做更小、更快、更便宜的「flash」级模型，拼命打价格战。

一年下来，开源token均价跌了3.3倍，现在每百万token只要0.13美元；闭源模型平均0.70美元，贵出五倍多。

价格战打出的结果是：活干多了一倍，钱收得反而少了——增量全被降价吃掉了。

打价格战的开源Flash模型们赚了吆喝，旗舰模型赚了钱包。

企业预算不分开源闭源，只认谁能干活。只是在开源阵营里，够得上旗舰的选手一只手数得过来。

这是整份报告最反直觉的发现：前沿旗舰模型的支出份额从35%飙到63%，token份额从18%翻倍到42%。

去年企业的主流选择是Claude Sonnet 4.5（每百万输入token 3美元）和GPT-5（1.25美元）；今年换成了Claude Opus 5.5（4美元）和GPT-6 Astra（10美元）。价格翻了几倍，用户没跑，反而蜂拥而至。

钱流到了谁手里？Anthropic从40%涨到55%，OpenAI从27%涨到31%，两家吃掉86%的企业LLM API支出。Google从21%掉到9%，掉队了。

Kimi K3、DeepSeek V4、GLM-5.3这些型号的能力已经贴到旗舰水平，可加起来所占份额还不到5%。本事是够了，企业却仍不敢把关键业务交出去。

最难熬的是夹在中间的那一层：小型闭源模型价格砍掉80%以上，token份额还是从29%滑到13%。复杂任务被旗舰拿走，简单活被开源抢去，上下两头一起挤压。

那企业为什么甘愿多掏钱？

设想一个场景：让AI去修线上故障，读代码、翻日志、定位问题、改文件、跑测试。便宜模型走几步就偏，你得反复解释、逐项核对、推倒重来，最后还是自己接手。token账单省下来了，工程师一下午的时间却搭进去了。

所以企业算的账，不是每百万token多少钱，而是整件事从头干到尾一共花多少。模型调用费只是小头，人盯着、等着、返工，才是真正烧钱的部分。

便宜自然是好事，前提是活真能交付。

可话又说回来，开源就干不了大活吗？

拿Kimi K3.1 Pro举例，2.8万亿参数的MoE架构，上下文窗口支持100万token，Terminal-Bench 4.0拿到65.7%，压过GPT-6 Astra。

金融研究基准OfficeQA Pro v2上它得了64.4分，排在全球第一。幻觉错误率也从上一代的23.4%降到6.85%。

这已经超出「凑合能用」的范围，是能和闭源旗舰正面较量的水平。

开源缺的从来不是智商，而是企业放不放心的那口气——合规、售后、长期路线，这些考场之外的分数，才是最后一道关。

说到底，今天美股的重挫和这份报告的数据，是同一件事的两个侧面。

华尔街看的是供给侧：天量资本开支、数据中心审批、电力成本，每一项都悬在头上。

Menlo Ventures的报告看的则是需求侧：每花1美元训练模型，企业就花1.70美元去用它，下游需求正在给上游投入托底。

年初华尔街还为「AI吃掉SaaS」慌过一轮。报告给出的结果是：55%的AI新增支出来自全新预算，从传统软件预算转投AI原生厂商的只有9%。

AI是在把蛋糕做大，不是抢蛋糕。

报告出自Menlo Ventures，其合伙人Tim Tully有句话说得直白：

华尔街天天追问AI能不能回本，但我们看到的是，企业买家一个都没缩手，反而在琢磨怎么让AI多干活。

「我们可能仍然低估了这个市场。」

股价会跌，账单不会撒谎

最后回看报告里藏着的三组反差：

旗舰对开源。部署支出里69%被旗舰模型拿走，前沿实验室的先发优势在Agent时代被进一步放大。

报告里还有一句耐人寻味的话——「能力的稀缺性不会持续太久」。

开源每在某类任务上追平旗舰，原来的溢价就得重新接受检验。

闭源旗舰的溢价，从来不是永久的。

用量和收入之间隔着一道坎。中国开源拿下89%的份额，能力已经摆在那儿；可19%的token用量只对应4%的支出，商业化这道题还横在中间。被大量调用只是第一关，能不能稳稳接住复杂任务、让客户一直掏钱，才是下一关。

Harvey和Thinking Machines走的是一条路：不拼低价，而是去当别人的老师、别人的底座。微软和AWS的分成模式则是另一条：跟云巨头绑在一起，调用一次就分一次账。

再看股价和账单。华尔街跟企业之间的反差，说穿了并不矛盾：股价算的是预期，账单记的是现实。一天蒸发2.8万亿，是预期在往回撤；一年涨5.4倍，是现实在往前跑。两件事可以同时成立。

把眼光放远一点，这份报告讲的也许不只是一轮景气周期，而是产业权力的一次再分配。

三年前AI还只是实验室里的玩具。三年后，企业一年掏出1770亿美元让AI干活，这个数已经抵得上整个公有云收入的三分之一。

干活的主力也变了，80%的token是Agent自己烧掉的。谁的模型能打、谁来训模型、谁来帮你把模型跑起来——整条链上的分工，正被中国的开源力量重新改写。