源AI蓬勃发展，为何尚未对Anthropic造成冲击？

近期，Decagon公司CEO Jesse Zhang提出了一个颠覆性的观点，直指当前AI经济中最耐人寻味的悖论：尽管开源和轻量级模型的使用量在暴涨，但企业在昂贵的前沿大模型（如Anthropic、OpenAI）上的整体支出却纹丝不动。

这揭示了一个正在形成的行业新常态：分层式模型商业格局。

1. 市场数据的“冰火两重天”

根据Vercel和OpenRouter的最新数据，我们可以看到明显的流量与收入倒挂现象：

• 流量侧（开源称王）： DeepSeek的Token处理量已飙升至首位，占据了Vercel平台超过三分之一的流量。在OpenRouter上，DeepSeek V4 Flash每周处理5.3万亿Token，远超闭源模型。
• 收入侧（闭源垄断）： 尽管流量被分流，Anthropic依然占据了Vercel平台超过半数的AI支出。原因在于价格鸿沟——前沿闭源模型（如Opus 4.8）的单Token均价约为开源模型（如V4 Flash）的23倍。

2. AI生命周期的“双阶段”理论

为什么会出现这种情况？Zhang提出的“AI生命周期”理论给出了完美解释。企业在使用AI时，实际上经历了两个截然不同的阶段：

1. 探索与验证阶段（使用前沿闭源模型）： 在项目初期，企业需要最强的智能水平来验证想法的可行性。此时，成本不是首要考虑因素，智能密度才是关键。Anthropic等前沿实验室垄断了这一高利润环节。
2. 规模化落地阶段（切换开源/轻量模型）： 一旦用例被验证有效，企业为了控制成本，会迅速转向DeepSeek等开源或轻量级模型进行大规模部署。

结论： 开源模型的崛起并没有抢走闭源模型的饭碗，反而成为了闭源模型的“下游承接者”。只要新的AI应用场景还在不断涌现，前沿模型就永远有生意做。

3. 如何利用“分层策略”落地你的AI项目？

对于开发者和企业而言，理解这一逻辑至关重要。盲目追求最强模型会导致成本失控，而一开始就用轻量模型可能导致效果不佳。

具体的落地解决方案（AI智能组合拳）：

• 第一步：高维验证（PoC阶段）
  • 策略： 在开发原型或处理极复杂逻辑（如创意写作、复杂推理）时，直接调用Anthropic或GPT-4级别的模型。
  • 目的： 确保“天花板”足够高，快速跑通业务逻辑，不要为了省小钱而卡在技术瓶颈上。
• 第二步：智能路由与降级（生产阶段）
  • 策略： 建立AI网关层。对于已经验证过的、标准化的简单任务（如摘要、基础分类），通过提示词工程优化后，无缝切换至DeepSeek或Llama等开源模型。
  • 目的： 利用开源模型的低成本优势，将边际成本降至最低。
• 第三步：持续监控与迭代
  • 策略： 监控模型输出质量。如果开源模型在特定场景下表现下滑，自动回滚至闭源模型。

这种“闭源探路，开源铺量”的策略，是目前性价比最高的AI落地方式。正如行业观察所言，基础大模型实验室更像是提供高纯度原料的供应商，而懂得如何组合使用这些原料的企业，才能独享应用层的红利。