中国 AI 为何如此便宜？深入这场价格战的内幕

中国 AI 便宜，是因为国家在为它买单吗？不是。补贴确实存在，但它几乎解释不了这个价格差距。DeepSeek 9 月发布的 V4.1-Flash 让反例变得格外具体：其官方 API 价格为非高峰时段每百万缓存未命中输入 token 0.15 美元、每百万输出 token 0.60 美元，高峰时段翻倍至 0.30 美元和 1.20 美元，而可下载的权重采用 MIT 许可证。光靠便宜的资金是做不到这一点的。你必须把模型造好，只激活大模型的一小部分，并把它运行在更便宜的技术栈上。这种便宜是真实的，它主要是结构性的，来自五个因素的叠加。五个之中只有一个是暂时的。

核心要点- 中国 AI 便宜源于五个相互叠加的原因，而不只是补贴：开放权重、真实的效率、价格战、廉价能源，以及深厚的人才储备。- 开放权重彻底消除了 API 利润。你自行托管，因此无需为每个 token 向供应商付租金。- 便宜不等于小或旧。DeepSeek V4.1-Flash 是一个 5520 亿参数的混合专家模型，读取提示词时每个 token 仅激活 80 亿参数，拥有 100 万 token 的上下文窗口和原生视觉能力。- 并非每个中国前沿模型的便宜方式都一样。Kimi K3 的官方缓存未命中 API 价格为每百万 token 输入 3 美元、输出 15 美元，所以架构、部署和商业定位都很重要。- 廉价能源是最具结构性的驱动因素：2025 年 4 月，中国月度太阳能发电量创下 96 TWh 的纪录，相当于美国整整一个月的核电产出。- 对采购方而言，“以一小部分成本获得够用的能力”改写了大多数工作负载的自建与外购权衡。

所有人紧盯的那个驱动因素是价格战，而在五个因素中，它恰恰是我觉得最无趣的一个。我在杭州写下这篇文章，DeepSeek 和 Qwen 背后的实验室都在这里，而这里人们很少谈论这个月谁又压了谁的价。大家谈的是下一代架构能给你带来什么。如果你想看更宏观的论证，本文隶属于我关于中国是否正在赢得这场 AI 竞赛的支柱文章。更具体的问题是实际的那个：为什么它的成本这么低？等喧嚣散去，其中又有多少依然成立？

驱动因素一：开放权重消灭了 API 利润

最大的原因也恰恰最平淡无奇。中国的领先模型是开放权重的，所以根本不存在需要支付的 API 利润。到 2026 年 8 月，Hugging Face 自己的夏季统计显示，阿里巴巴的模型系列 Qwen 仅 2026 年前七个月就在 Hub 上获得约 20.45 亿次下载、衍生模型 151,448 个，而阿里巴巴自己的统计则声称全平台下载量超过 30 亿次、衍生模型 300,000 个。几个月前，MIT Technology Review 的数字还是超过 6 亿次下载、占 Hugging Face 全部新衍生模型的 40% 以上。你下载权重，然后自己运行。

值得说清楚封闭 API 到底在向你收什么钱。算力，这是显然的。但还有供应商的利润、收回研发投入的成本，以及一笔悄悄叠在两者之上的风险溢价。开放权重把所有这些坍缩成你账单上的一行：你运行模型所需硬件的原始成本。

不亲眼看着自己的账单变动，你是不会真正感受到这一点的。当我把一个工作负载从托管的前沿 API 迁到自有 GPU 上运行的开放中国模型时，我不是在谈一个更优惠的费率，我是在取消费率本身。每个 token 的成本不只是缩小了，而是换了类别：你现在付的是电费，而不是租金。

开放权重还会向下复利。2025 年间，中国开放权重模型在全球 Hugging Face 下载量中的份额超过了美国模型，Hugging Face 自己的 2026 年春季报告显示它们已占平台总下载量的 41%。每一个衍生模型和量化版本，每一篇由只想让这东西跑起来的人在凌晨两点写下的社区教程，都让下一次部署变得更便宜。封闭 API 给不了你任何这些。你只会一直付租金。

领先的中国模型以开放权重形式发布，把 API 利润从成本中彻底剔除。到 2026 年 8 月，仅 Qwen 一家在 Hugging Face 上就已突破 20 亿次下载、衍生模型 151,448 个，而中国开放权重模型在全球 Hugging Face 下载量份额上已超越美国模型，到 2026 年春季达到平台总下载量的 41%。自托管用硬件原始成本取代了按 token 计的供应商费率。

如果你想看正面对决，我在 Qwen vs DeepSeek vs Llama 中比较了主要选项。

驱动因素二：真实的效率，而不只是补贴

补贴论正是在这里崩塌的。成本优势中有很大一部分是真实的工程。V4.1-Flash 拥有 5520 亿参数的主干，但读取提示词时每个 token 只激活 80 亿，生成时激活 160 亿。V4 Pro 则大得多，总参数 1.6 万亿、激活参数 490 亿。Stanford HAI 的《AI 指数》中 2026 年 3 月的快照已经显示，美中领先模型在一个公开榜单上咬得很紧，但它早于 V4、Qwen3.8、Kimi K3、GLM-5.2 和 MiniMax M3。它是趋势证据，而不是一份当前按价格校准的排名。

最清晰的杠杆是架构。混合专家（mixture-of-experts）设计让每个 token 只经过模型参数的一小部分，于是你能以小得多的模型的推理成本，获得巨型模型的能力。多家领先的中国模型都重度依赖这一点。这是直接削减每 token 成本的设计，内建于模型之中，而非事后加装。

然后是 DeepSeek 的故事，“DeepSeek 时刻”这个说法正来源于此。我会把那些醒目的训练成本数字视为“报告的”而非“经审计的”。确切数字仍有争议，任何人把它们引用到三位有效数字都是在猜。但方向毋庸置疑：以大家原以为只是入场门槛的算力预算的一小部分，造出了有竞争力的模型。

效率这个角度比补贴之争更重要，原因很简单：效率可以迁移，补贴不能。补贴只在资金持续流入的期间，在一个市场里撑住一个价格。而架构上的胜利——每个 token 更少的激活参数，或一套更好的训练配方——则会在所有地方、为每一个效仿它的人，降低真实的成本底线。这就是为什么这些高效模型以开放权重发布才是真正关键的部分。它输出的是成本优势，而不只是产品。

采用数据说明它确实奏效。2026 年 2 月下旬，中国模型在 OpenRouter 前十榜单内超过了美国模型，占前十名 token 消耗量的约 61%，并在 2026 年 4 月前后在 OpenRouter 榜单上达到全平台多数。token 是真实的工作量，而不是新闻稿，开发者已经把自己的工作量搬了过去。

成本优势中有很大一部分是真实的效率，而非补贴。DeepSeek V4.1-Flash 读取提示词时每个 token 只激活其 5520 亿参数中的 80 亿，其官方缓存未命中 API 价格为非高峰时段每百万输入 token 0.15 美元、每百万输出 token 0.60 美元，高峰时段翻倍，架构细节见模型卡片。混合专家设计降低了每个 token 所用的算力，即使完整模型非常庞大。

驱动因素三：国内价格战

有一部分便宜根本不曾内建于模型之中。它是被竞争硬生生砸出来的。国内市场是一场混战：阿里巴巴、DeepSeek 和其他几家，全都资金雄厚，全都在争夺同一批开发者。这场争斗把 API 和托管成本全面拉低。相当一部分便宜，不过就是对手之间的相互压价——这正是补贴论从未计入的部分。

机制足够直白。当每一家都拿出可比的开放权重模型时，剩下的杠杆只有价格和便利性。没有人能为隔壁实验室同样具备、还免费奉送的能力收取溢价。于是底价不断下探，而这份节省会触达任何托管这些模型的人，无论在中国境内还是境外。

开放权重的发布在一定程度上正是这场战争中的武器。免费放出强大的权重能赢得心智、播下生态，并断绝对手的变现机会。Qwen 的 151,448 个 Hub 衍生模型，在一定程度上正是这一策略的果实，而参与其中的人没有一个会称之为慈善。

这是我最不信任的一个驱动因素，采购方应该按它会消退来做规划。价格战不会永远持续。一些实验室会整合，一些会倒下，幸存者最终会试图把利润抢回来。真正把底价摁住的是：他们无法把已发布的开放权重收回去。已经流入世间的模型，无论市场接下来怎么走，运行起来都依旧便宜。

中国国内 AI 市场竞争极为激烈，这场价格战为所有人——而不只是中国境内的采购方——压低了托管和 API 成本。免费的开放权重发布在一定程度上是一种竞争武器，帮助构建起像 Qwen 的 151,448 个 Hub 衍生模型这样的生态。价格战是暂时的；它产出的开放权重是永久的。

我在 Qwen vs DeepSeek vs Llama 中比较了值得在其上构建的幸存者。

驱动因素四：廉价能源与制造规模

软件之下是物理，而这是所有驱动因素中最具结构性的一个。一个被服务的 token，归根结底就是一小份电力。2025 年 4 月，中国月度太阳能发电量创下 96 TWh 的纪录，相当于美国每月约 65 TWh、每年约 775 TWh 的核电产出。更廉价、更充裕的电力，意味着训练和推理的成本底线都更低。

这是任何模型发布都无法匹敌的投入要素。如果你的电力更便宜、电网增长更快，技术栈的每一层都会同时变便宜：训练运行、推理服务、机架所在的建筑。这是一种安静的、复利式的优势，而不是能上头条的优势——这大概正是它被讨论得最少、却最为重要的原因。

制造规模在此之上叠加。让硬件变便宜的那套工业基础，也让数据中心的建设变便宜。中国不只是用廉价电力运行模型，它还以国内供应链成本建造机架、冷却系统和设施。这是一项资本支出优势，直接传导到一个 token 的价格上。

五个因素之中，这是我五年后依然预期成立的一个。你可以用一个季度抄走一套架构，用一年结束一场价格战。但让全国发电量翻倍需要长得多的时间，而一套国内制造基础根本无法凭空变出来。如果我要围绕这里任何一个驱动因素做长期规划，那就是这一个，因为它最难被任何人逆转。

最具结构性的成本驱动因素是能源。2025 年 4 月，中国月度太阳能发电量创下 96 TWh 的纪录，相当于美国整整一个月的核电发电量（约 65 TWh）。更廉价的电力同时拉低了训练和推理的成本底线，制造规模也让数据中心建设更便宜。这一优势最难被逆转。

我在中国的 AI 能源优势中更深入地讲了电网这条线。

驱动因素五：深厚的人才储备

最后一个驱动因素是人，而供给数字相当惊人：以 NeurIPS 2024 的作者衡量，中国培养了全球 38% 的顶尖 AI 研究人员，高于 2017 年的 27%。一个深厚且雇佣成本不高的精英工程师池，正是追逐那些让模型运行更便宜的效率提升所需要的。

效率工作以一种特定的方式高度依赖人力。从模型里挤出成本——无论是通过更好的架构、更聪明的训练还是激进的优化——都需要大量熟练的研究人员快速迭代。一个拥有深厚国内供给的国家，能比一个依赖进口稀缺专家的国家，以更低的成本让更多有能力的人来攻克这个问题。人才储备直接为驱动因素二供血。

当我读这些模型背后的技术报告时，最突出的并不是某一项单一突破。而是那海量、细致、渐进的工程。几十个小优化，只有当你有足够多的人手时才会有人去做。这是一个关于人才深度的故事，也是效率为何能一个版本接一个版本持续改进的重要原因。

有一点我不会略过：历史上，相当大一部分受中国教育的精英研究人员在海外工作，所以这并不是一个干净的本土主场优势。但趋势是向上的，七年间从 27% 升至 38%，而国内越来越多的世界一流实验室，给了这些人才落脚之处。

中国深厚的人才储备为效率引擎供血。以 NeurIPS 2024 的作者衡量，它培养了全球 38% 的顶尖 AI 研究人员，高于 2017 年的 27%。削减成本的模型工作高度依赖人力，所以一个庞大且有能力的工程师池，正是让中国实验室能够一个版本接一个版本不断降低真实每 token 成本的关键。

示意性的、方向性的评估，而非精确实测值。各位置反映了所报告的格局：中国开放权重模型聚集在高能力、低成本象限，美国顶尖封闭前沿模型在能力上仍然最高，但成本也更高。能力差距背景参见：Stanford HAI《AI 指数 2026》。

这对你的采购决策意味着什么

从这里开始，它不再是谈资，而是开始改变决策。当一个拥有 100 万 token 上下文窗口的模型以 DeepSeek V4.1-Flash 的价格提供时，对许多常规工作负载而言，自建与外购的账就翻转了。你不再默认支付巨额溢价。你要决定的是：在你自己的评测上，一个更贵的模型能否产出足够好的结果，来证明这个差价值得。

把它对应到实际的工作上。摘要、抽取、分类、起草、路由：这些都不需要地球上最强的那一个模型。它们需要的是一个可靠、便宜到可以让你不再去想它、并且运行在你掌控之处的模型。开放权重的中国模型正中这个目标，而且由于你自行托管，经常性成本是硬件，而不是一个随你的成功水涨船高的按 token 计费表。

在我自己的技术栈里，这种便宜已经悄悄改变了哪些项目值得去做。那些我会因为“在前沿 API 上大规模运行太贵”而搁置的工作负载，如今在我自己托管的开放模型上轻而易举就能负担。便宜不只是为你已经在做的工作省钱。它让新的工作变得可行，而这个二阶效应，才是我会围绕来做规划的那个。

这些都不是跳过尽职调查的理由。来源、数据治理、审查行为、许可：在任何东西触碰生产环境之前，都需要逐一核查。便宜是认真评估一个东西的理由，而不是放它过关的理由。你要的是一个结构化的决策：哪个工作负载、它能容忍什么样的质量、以及风险评估对你所指向的那个具体模型怎么说。

当有能力的开放模型只需许多前沿 API 一小部分的成本时，常规工作负载的自建与外购权衡就翻转了。DeepSeek V4.1-Flash 将 100 万 token 上下文窗口与非高峰时段每百万缓存未命中输入 token 0.15 美元、每百万输出 token 0.60 美元的官方价格结合在一起，高峰时段翻倍。在经过适当的风险评估之后，自托管用硬件和运营成本取代了供应商的计费表。

完整的框架见 DeepSeek 对企业安全吗？，然后在 Qwen vs DeepSeek vs Llama 中比较主要选项。

常见问题

用一句话说，中国为何在 AI 上这么便宜？开放权重消除了 API 利润，高效架构削减了每 token 成本，价格战把价格往下压，廉价能源拉低了底线，深厚的人才储备让这一切持续改进。补贴是次要因素，不是主因。

DeepSeek 为什么这么便宜？两个原因相互叠加。它发布可下载的 MIT 许可权重，所以如果你自托管，就没有强制性的 API 利润；而它的混合专家模型每个 token 只激活总参数的一小部分。根据官方模型卡片，V4.1-Flash 读取提示词时激活 5520 亿参数中的 80 亿；V4 Pro 激活 1.6 万亿中的 490 亿。把历史上的训练成本头条数字视为“报告的”而非“经审计的”，但当前的推理架构和公开的 API 价格是具体可查的。

中国 AI 模型比 OpenAI 便宜吗？有些是，而且往往便宜得多，但仅凭家族名称不够。DeepSeek V4.1-Flash 在其官方 API 上极其便宜，而 Kimi K3 的定价则高得多。自托管取消了按 token 计的供应商价格，但代之以硬件、电力和运维成本。应在确切的工作负载上比较总成本，而不是引用一个普适的倍数。

便宜的中国 AI 质量更差吗？仅凭价格无法判断。领先的中国模型家族如今包括巨型长上下文和多模态模型，但它们各自的长处不同，而供应商的基准测试表并不是中立的比较。DeepSeek V4.1-Flash 异常便宜；Kimi K3 则明显更贵，为每百万缓存未命中输入 token 3 美元、每百万输出 token 15 美元。在你的工作负载上测试那个确切的模型。

中国 AI 会一直这么便宜吗？大体上会，原因是结构性的。价格战是暂时的，可能会缓和，但开放权重、高效架构和廉价能源都不易逆转。一旦一个强大的模型被公开发布，无论市场接下来如何变化，它运行起来都会永远便宜。我会按“便宜将持续”来做规划。

结语

中国 AI 的便宜源于五个相互叠加的原因，而“全靠补贴”几乎解释不了其中任何一个。开放权重删掉了 API 利润。真实的效率——即混合专家与 DeepSeek 的故事——拉低了真实的每 token 成本。国内价格战把价格进一步往下拽。廉价能源与制造规模设定了一个低底线。深厚的人才储备让效率持续改进。价格战是其中会消退的部分，其余都是结构性的。

当前的这些发布也终结了这套论调的懒惰版本。“中国 AI 便宜”并不是一个价格。DeepSeek V4.1-Flash 的定价就是奔着基础设施去的。Kimi K3 的定价像一个高端智能体（agentic）模型。Qwen3.8 的开放权重于 8 月以自定义许可证发布，而托管的 Qwen3.8-Max 则绑定 token 套餐。要比较的是确切的检查点、许可证、服务路径和实测的任务质量，而不是实验室头上的旗帜。

对你的企业而言，要点很直白。一些最便宜的有能力的模型是中国的、可下载的，而另一些中国前沿模型则是高端服务或庞大的自托管工程。所以我不会盲目地默认选用它们，但那个确切的检查点值得认真一看，因为自建与外购的账确实变了。

如果你想要战略层面的背景，请从中国是否正在赢得这场 AI 竞赛开始。当你准备好行动时，DeepSeek 对企业安全吗？正是本文交接进真正决策的地方。