先说结论

• 开源模型首先威胁的是闭源模型公司的估值与融资闭环，不等于 AI 总需求立即下降。
• 英伟达真正需要的是“Token 用量 × 单 Token 算力”继续增长；Token 单价下降本身既不是利好，也不是利空。
• 我们给“混沌均衡”最高的 40% 概率：开放与闭源长期共存，模型估值回归，算力仍增长，但价值持续向云、编排和应用迁移。
• 杰文斯悖论最容易在应用层兑现。模型成本越低，越有利于拥有工作流、数据、分发和结果定价权的公司，而不是纯模型套壳。

有一件事，最近发生得有点太快了。

智谱发布 GLM-5.3-Flash：总参数 3200 亿、激活参数 180 亿，官方称能力超过上一代 GLM-5.2，并逼近 Claude Opus 4.8 的部分编程与 Agent 基准，价格却只有 GLM-5.2 的十分之一。GLM-5.3-Flash 官方说明〔1〕

这不是某一家中国公司的孤立事件。DeepSeek、Kimi、Qwen、GLM 等开源或开放权重模型不断把能力前沿向上推，同时把调用价格向下压。更值得注意的是，闭源阵营也在主动参战：OpenAI 在 2026 年 7 月把 GPT-5.6 Luna 的 API 价格下调 80%，至每百万输入 Token 0.20 美元、输出 Token 1.20 美元。OpenAI 还披露，一个生产案例在处理更多上下文的同时，将输出 Token 减少了 8.5 倍，总成本降低 87%。OpenAI GPT-5.6 价格与效率说明〔2〕

于是，一个过去被认为理所当然的 AI 叙事，突然需要重新证明自己：

如果最先进的智能正在快速商品化，究竟是谁还能收走利润？

这不是简单的“开源利空、闭源利好”，也不是“Token 越便宜，英伟达越受益”。真正的算式只有三项：

模型收入 = 有效 Token 价格 × Token 用量 × 付费份额。

而硬件需求是另一道题：

推理算力需求 = Token 用量 × 单 Token 所需算力。

两道算式看起来只差一项，投资结论却可能完全相反。

过去的 AI 投资叙事非常顺滑：模型越强，客户越多；客户越多，Token 越多；Token 越多，算力越多；算力越多，英伟达、云厂商和大模型公司一起增长。

现在，链条中间多了三个泄漏口。

第一，同等任务需要的 Token 可能变少。 模型会更直接地完成任务，路由会把简单工作交给小模型，缓存会避免重复计算，Agent 也会少走弯路。OpenAI 披露，其生产内核优化降低了 20% 的端到端服务成本，实验又把 Token 生成效率提高了 15% 以上。

第二，同样一个 Token 需要的算力可能变少。 稀疏激活、线性注意力、量化、推测解码和专用芯片都在提高推理效率。GLM-5.3-Flash 的 3200 亿总参数中，每次只激活 180 亿，本身就是“能力继续涨、计算不同比例涨”的缩影。

第三，付费份额可能从闭源 API 流向开源自部署。 OpenRouter 对 2025 年 100 万亿 Token 的样本分析显示，开放权重模型在年末已占到约三分之一用量，中国开放模型在部分周接近 30%；与此同时，平均提示词长度约增长 4 倍、输出长度接近增长 3 倍。这说明用量确实在爆炸，但价值并不一定停留在同一个模型厂商。OpenRouter 2025 用量报告〔3〕

降价以后，需要多少新增用量才能保住收入

上图是整篇文章最重要的一张图。价格下降 20%，用量只需增加 25% 就能保住收入；价格下降 60%，用量要增加 150%；价格下降 80%，用量必须增加 400%。

这才是杰文斯悖论的严格版本：成本下降当然会刺激需求，但只有需求增长超过价格降幅对应的平衡点，收入池才会扩大。

更麻烦的是，模型公司的收入与芯片公司的收入还不是一回事。假设 Token 用量翻倍，但单 Token 算力下降 60%，推理算力需求反而只剩原来的 80%。AI 应用可以繁荣，模型 API 可以降价，硬件链却未必同步增长。

截至 2026 年 8 月，外部报道给出的最新收入运行率是：Anthropic 超过 650 亿美元，OpenAI 约 400 亿美元。需要强调的是，两家公司可能采用不同统计口径，而且“运行率”是把短期收入年化，并不等于经审计的全年收入。Axios 对两家公司收入运行率的报道〔4〕

但估值锚更清楚。OpenAI 在 2026 年 3 月完成 1220 亿美元融资，投后估值 8520 亿美元；Anthropic 在 5 月融资 650 亿美元，投后估值 9650 亿美元。OpenAI 融资公告〔5〕 Anthropic Series H 公告〔6〕

把两家公司放在一起：

• 合计收入运行率约 1050 亿美元；
• 合计投后估值约 1.817 万亿美元；
• 对应约 17.3 倍“运行率市销率”。

这不是说 17.3 倍一定贵。若收入未来数年仍能翻倍、毛利率随推理效率改善而上升，今天的估值完全可以被消化。问题在于，这一估值同时押注了三件事：前沿能力仍有明显溢价、客户不会大规模迁往开放模型、模型厂商可以把效率红利留在自己手里。

一旦三件事中有两件不成立，IPO 就不仅是流动性事件，而会变成一次公开市场的价格发现。估值下调会削弱股权融资能力；融资能力下降又会压缩芯片采购和云容量承诺；云厂商收到的长期需求信号随之变弱。这是“模型降价”向整个资本开支链条传播的路径。

不过，便宜并不自动战胜昂贵。企业真正购买的不是 Token，而是正确完成任务的结果。如果一个 25 美元的模型一次完成，而一个 1 美元模型要重试十次、还要人工复核，前者的单位任务成本仍可能更低。Anthropic 的防线因此不是“我的 Token 更贵”，而是“我的成功任务更便宜”。OpenAI 则在向订阅、企业工作流、Codex、广告和超级应用延伸，主动降低纯 API 收入对 Token 单价的敏感度。

所以，我们不能只做一个方向判断。下面做三次压力测试。

以下不是目标价，也不是公司指引，而是用于观察敏感性的情景模型。基准采用 O+A 合计 1050 亿美元收入运行率、1.817 万亿美元估值；假设其中 70% 与使用量相关，30% 来自订阅、席位和结果收费。闭源模型当前占付费工作负载的 65%，同样是模型假设，不是披露数据。

三种结局，不是三条平滑的预测线

情景一：价格塌缩，闭源故事先破

这个情景不是 AI 没人用，而是 AI 用得更多，却没有多到足以补回降价与份额流失。

有效 Token 价格下降 60%，总用量翻倍，但闭源工作负载份额从 65% 降到 40%。按我们的收入结构计算，O+A 合计 ARR 从 1050 亿美元降至约 724 亿美元。如果公开市场只愿给 8 倍市销率，合计估值约 5790 亿美元，较两轮私募估值下降约 68%。

这时最危险的不是某个季度少卖几张 GPU，而是资本开支的信用链开始收缩。大模型公司的估值和融资能力下降，CSP 对未来需求的可见度变差，融资型算力平台的资金成本上升。英伟达仍会有训练、主权 AI、物理 AI 等需求托底，但数据中心收入与 75% 毛利率会同时遭遇压力。HBM、光模块、电力设备等供给弹性更差的环节，利润波动可能比 GPU 更大。

赢家并非“所有开源公司”。开放模型本身也可能赚不到钱。真正受益的是可以把廉价智能装进现有工作流、并按结果收费的公司，以及能够在多种模型之间调度、治理和结算的基础设施层。

情景二：能力溢价保护了闭源利润

这是多头版本，但它不是“价格不降”。相反，价格仍下降 35%，总 Token 用量却增长 220%，因为模型能力跨过了更多工作流的可用阈值：代码代理从补全变成独立交付，客服代理从回答问题变成完成退款，研究代理从摘要变成可审计的分析。

闭源模型凭借更高成功率、更低返工率和更好的企业安全能力，把付费份额提高到 70%。O+A 合计 ARR 约 2213 亿美元，即使估值倍数从 17.3 倍回落到 12 倍，合计估值仍可达到约 2.66 万亿美元。

这时 Token 降价不是利润崩塌，而是获客费用。模型能力提升让高价值任务增加，硬件效率提升又释放了更多可售容量。推理算力需求约为当前的 1.6 倍，云厂商资本开支继续上行，GPU 和定制 ASIC 都能增长。闭源、CSP、硬件与应用第一次形成真正的正循环。

情景三：混沌均衡延续

这可能最接近现实。价格下降一半，用量增长 150%，闭源份额缓慢下滑；算法效率恰好抵消新增 Token 对推理算力的需求。模型公司仍增长，却难以维持极端估值；硬件仍增长，但投资者开始用现金回报而不是订单故事定价；CSP 继续扩建，同时更重视利用率和折旧。

市场会不断在前两个极端之间摆动。一次中国开源模型发布，交易“闭源估值崩塌”；一次闭源模型能力跃迁，又交易“算力永远不够”。但产业真实状态不是轮流成立，而是同时发生：便宜模型承接大批量任务，昂贵模型处理高价值环节，中间由路由器动态分配。

多模型不是过渡态，很可能就是终局。

四层供应链的价值，不会一起向上

1. 硬件上游：先看绝对算力，再看谁的芯片

英伟达刚刚交出极强的 2027 财年第二季度：收入 962 亿美元，同比增长 106%；数据中心收入 890 亿美元，同比增长 117%；毛利率 75%。按单季年化，数据中心收入已达到约 3560 亿美元。NVIDIA 2027 财年第二季度业绩〔7〕

这组数字说明当前需求还没有崩。但它不回答 2027 年以后两个问题：每个有效任务要多少计算，以及计算由 GPU 还是 ASIC 完成。

• NVIDIA：最受益于绝对算力持续增长与软件生态溢价；最怕“单 Token 算力下降快于总 Token 增长”，以及 CSP 用自研芯片压低推理成本。
• Broadcom：如果 Google、AWS、OpenAI 等加速自研 ASIC，它是相对对冲；但客户集中、资本开支周期和大型项目节奏同样会放大波动。其 2026 财年第二季度 AI 半导体收入 108 亿美元，同比增长 143%。Broadcom 2026Q2 业绩〔8〕
• TSMC：模型路线相对中性，GPU、ASIC 都要制造；但若总算力需求下修，先进制程和 CoWoS 的高利用率仍会受影响。TSMC 2026Q2 业绩〔9〕
• Micron、SK hynix 及 HBM 链：向上时利润弹性最大，向下时也最容易出现库存与价格的双杀。
• Arista、Vertiv、光模块与电力设备：订单往往滞后于芯片，收入确认也更慢，因此一旦资本开支见顶，财务拐点可能晚于市场拐点。

硬件层最值得跟踪的不是“Token 是否增长”，而是每美元资本开支最终交付多少有效任务，以及这项产能的利用率。

2. CSP：最像对冲，也最像风险传导器

按公司指引中值和公开口径估算，Microsoft、Amazon、Alphabet、Meta 四家 2026 年资本开支合计约 7475 亿美元。这个数字不完全同口径，却足以说明 AI 基建已进入国家级项目的规模。Microsoft FY2026 Q3〔10〕 Amazon 2026Q2 10-Q〔11〕 Alphabet 2026Q2〔12〕 Meta 2026Q2〔13〕

CSP 的好处是它们可以同时服务开源和闭源。客户从 OpenAI API 转向自部署 DeepSeek，模型厂商收入可能流失，但计算、存储、网络和数据库账单仍留在云上。它们也是少数能够用云利润、广告利润和软件利润承担前期折旧的公司。

但 CSP 不是无风险中间层。若模型效率提升过快，客户完成同样任务需要的 GPU 小时下降，云单价也会被迫下调；数千亿美元的设备还在折旧，收入却未按预期到来，利润率就会承压。

• Microsoft：OpenAI 敞口最高，但 Azure、Microsoft 365 和 3000 万付费 Copilot 席位构成缓冲。2026 财年 Azure 收入首次超过 1000 亿美元。Microsoft FY2026 Q4〔14〕
• Amazon AWS：Bedrock 的多模型定位使它更接近“模型超市”，开放模型份额上升未必是坏事；风险是资本开支庞大而应用层分发弱于 Microsoft。
• Alphabet：TPU、Gemini、Cloud、Search 和 Workspace 垂直整合最完整，理论上最能在价值迁移时内部重分配利润。
• Oracle 与新型算力云：增长弹性大，但融资、客户集中和长期容量承诺风险也最高。
• Meta：不是纯 CSP，却是开放模型的重要战略受益者。模型越便宜，它的内容理解、推荐、广告生成和企业内部效率越容易变成广告利润，而不必向闭源模型公司交税。

3. 大模型厂商：份额不等于利润，能力也不等于定价权

开放模型最可能赢得“被使用”，却未必赢得“被付费”。DeepSeek、智谱、Kimi、Qwen 的战略价值可能体现在云使用、开发者生态、企业私有部署与国家技术自主，而不是高毛利 API。

闭源模型真正的护城河需要从“参数更多”迁往四件事：

1. 复杂任务的一次成功率；
2. 企业安全、审计与服务保障；
3. 消费者和开发者分发入口；
4. 从 Token 收费转向席位、工作流和结果分成。

如果 OpenAI 和 Anthropic 只卖 Token，它们会越来越像被摩尔定律压价的算力转售商；如果它们拥有用户入口、Agent 操作系统和企业工作流，它们就可能把模型降价变成平台扩张。

4. 下游应用：杰文斯悖论最可能在这里兑现

模型价格下降，首先改善的是应用公司的单位经济性。

假设一个 AI 工作流向客户收费 1 美元，模型成本 0.30 美元，毛利率为 70%。模型成本下降 65% 后，如果应用仍收 1 美元，毛利率升至 89.5%；即使把一部分红利让给客户、价格降至 0.80 美元，毛利率仍有 86.9%。

模型降价后，一美元工作流的利润去了哪里

但这笔钱不会平均落到所有“AI 应用”身上。纯套壳会被模型厂商或 SaaS 平台直接吃掉。能保住利润的应用至少拥有一种稀缺资产：工作流入口、专有数据、强分发、合规责任或结果定价。

已经出现一些可量化迹象：

• Salesforce 的 Agentforce ARR 已超过 15 亿美元，同比增长 240%；Agentforce 与 Data 360 合计 ARR 39 亿美元，但相对于公司 460 亿美元级年收入仍处早期。Salesforce 2027 财年第二季度业绩〔15〕
• ServiceNow 的 AI 年度合同价值超过 10 亿美元，Agent 部署量九个月增长 9 倍。ServiceNow 2026Q2 业绩〔16〕
• Palantir 2026Q2 收入增长 93%，美国商业收入增长 149%，说明“模型 + 数据 + 决策工作流”已经可以形成大规模收入。Palantir 2026Q2 业绩〔17〕
• Adobe 的 AI-first ARR 超过 5 亿美元，同比增长约三倍；这说明创作工具可以把生成能力嵌入既有订阅，而不是单独卖 Token。Adobe 2026Q2 业绩〔18〕

这一层也最容易产生新的十倍股，但筛选标准必须改变：不再问“用了哪个大模型”，而要问“客户为什么不能绕过你直接调用模型”。

这期不做简单的多空清单。三种情景下，同一家公司甚至可能先受益、后受损。更有用的是建立一张观察表。

从风险收益看，当前最稳健的不是押注某一个模型永久领先，而是寻找三类资产：

• 模型中立的收费站：无论调用哪种模型，都需要的数据、治理、网络、安全和结算层；
• 拥有结果定价权的应用：收费基于节省的人力、增加的收入或完成的任务，而不是 Token 数量；
• 能够内部消化价值迁移的平台：芯片、云、模型、分发和应用中至少拥有两到三层，利润从左口袋跑到右口袋时，集团仍能留下大部分价值。

相反，风险最高的是两端的“单一叙事资产”：一端按极高倍数估值、却仍主要出售可替代 Token；另一端按无限算力需求估值、却没有验证客户的资本回报。

开源模型逼近闭源模型，并不意味着 AI 革命结束。它意味着智能本身的价格可能比任何人预计得更快归零，而围绕智能完成任务的价值开始上升。

因此，可能同时出现三件看似矛盾的事：

1. AI 应用数量和使用量爆发；
2. 部分大模型公司的估值显著下修；
3. 算力需求继续增长，但硬件利润率与资本回报开始分化。

杰文斯悖论解决的是“行业会不会变大”，解决不了“利润属于谁”。电价下降可以让全社会用更多电，却不保证每一家发电厂都赚更多钱；Token 变便宜可以让 AI 无处不在，也不保证卖 Token 和卖 GPU 的公司永远拿走最大份额。

接下来十二个月，最值得盯住的不是模型排行榜，而是五个数字：有效 Token 价格、总 Token 用量、单 Token 算力、闭源付费份额、AI 应用的结果型收入。

如果用量增速持续跨过降价平衡点，且高价值任务仍偏好闭源模型，第二种情景会逐渐占上风；如果开放模型份额上升、单任务 Token 与算力同时快速下降，而应用层利润率改善，第一种情景就不再是压力测试，而会成为公开市场必须面对的定价现实。

这一次，真正的叙事差不是“开源打败闭源”。

而是：模型越来越便宜之后，AI 的价值没有消失，只是换了收款人。

数据截至 2026 年 8 月 27 日。文中收入运行率、公司估值和资本开支采用公开披露或媒体报道；三情景概率、闭源份额、收入结构、估值倍数及 2027 年结果均为压力测试假设，不是公司指引或盈利预测。本文仅作行业研究与叙事推演，不构成任何投资建议。