Featured image: 神经网络输入输出与AI系统数据感知的抽象可视化。Photo by Rose Pilkington on Pexels（免费使用）
2025年6月，OpenAI、Google和Anthropic控制着主要平台上72%的AI推理token。到2026年6月，这一数字降至33%。十二个月内，近40个百分点的市场份额从行业最有价值的闭源提供商转移到开源权重模型和中国模型——成本仅为前者的几分之一。
这不是渐进式的侵蚀。这是结构性的断裂。DeepSeek V4以每百万token $0.14的价格提供具有竞争力的性能——大约是GPT-5同类产品的20分之一。GLM-5.2在编程基准测试上超越GPT-5.5，成本仅为六分之一。按一项指标计算，开源推理token份额从约1%增长到15%；按另一项指标计算，非三大巨头的总份额达到67%。AI溢价定价的时代结束了。基础设施即商品的时代已经到来。
数据揭示了开源与闭源AI市场格局的什么？
市场份额的转变是2026年AI行业最重要的结构性变化。不同的衡量方法产生不同的绝对值，但都指向同一方向：闭源现有企业正在加速失去份额。
截至2026年6月的token消费数据显示，OpenAI、Google和Anthropic的总份额为33%，低于2025年6月的72%。正在抢占份额的挑战者是DeepSeek、GLM-5.2、Meta的Llama系列、Qwen、Kimi和Mistral。它们以现有公司成本的一小部分进入市场——并且在特定任务上，性能相当或更优。
OpenRouter作为领先的AI推理平台，提供了用户偏好的详细窗口。在五个月的研究期间，闭源模型占平台AI token使用量的约80%，占总收入的约96%。但OpenRouter吸引的是已经更愿意尝试开源模型的用户。更广泛的市场则呈现不同的图景。企业用预算投票，趋势不可否认。
Presenc AI的企业调查数据显示，截至2026年1月，开源权重模型已获得约15%的推理市场份额，而十二个月前约为1%。增长由DeepSeek V3/V4、Qwen 3/3.5、Llama 4、Kimi K2.6和GLM-5.1驱动，这些模型在多个基准测试上达到或接近前沿性能。到2026年6月，这一数字预计进一步攀升。
据Presenc AI 2026年第一季度调查，89%的企业目前在至少一个生产环境中使用开源模型。这是整个转变中最具揭示性的统计数据：即使继续付费使用闭源API的企业也在同时运行开源模型。问题不再是是否使用开源AI——而是哪些工作负载使用哪些模型。
为什么开源模型的市场份额增长如此之快？
三种力量同时推动着转变：价格、性能趋同和转换成本的消除。
价格是最显而易见的因素。DeepSeek V3.2通过托管提供商提供每百万输入token $0.28、输出$0.42的价格。相比之下，GPT-5.4输入$2.50、输出$15.00——输出token方面相差36倍。MIT Sloan的Frank Nagle和Daniel Yue的研究发现，闭源模型的平均运行成本高出87%——每百万token $1.86对比$0.23。研究人员计算，从闭源到开源的最优替代可以为全球AI经济每年节省约250亿美元。
对于每月处理100亿token的中型企业来说，使用GPT-5.4和DeepSeek V3.2的区别是每月约15万美元的API成本对比4,620美元。在这种规模下，CFO不需要基准测试评估来决定。数学会做出决定。
性能趋同是第二个驱动因素。在标准基准测试（MMLU、GSM8K、HumanEval）上，2026年领先开源模型与领先闭源模型之间的差距约为1至5个百分点，在生产目的上已基本消除。在ARC-AGI-2和SWE-Bench Verified等推理基准测试上，闭源模型仍保持15至30个百分点的领先优势。但对于绝大多数生产工作负载——客户支持、代码生成、数据提取、分类、摘要——开源模型提供可比较的质量。
转换成本的消除是第三种也是最结构性的力量。企业AI基础设施已经成熟到模型路由正在成为标准架构模式的程度。公司抽象化其模型层，以便根据成本和能力在提供商之间路由，而不是被锁定在单一供应商中。这与专有软件时代形成鲜明对比，当时的转换成本随时间增加。在AI领域，转换成本正在崩溃——这对开源方面的市场产生了不成比例的利好。
开源和闭源AI的经济效益如何比较？
开源和闭源模型之间的成本差异不是边际性的——而是结构性的。它反映了根本不同的商业模式，而非暂时的定价差异。
闭源模型包含覆盖前沿AI能力开发成本的溢价。OpenAI 2026年年度收入达到约130亿美元，Anthropic达到约50亿美元。但这些数字伴随着非凡的资本需求：认知基础设施折旧消耗了AI公司收入的大约三分之二。溢价定价模式并非任意——它反映了为前沿研究提供资金以及训练和提供最佳模型所需的大规模计算基础设施的实际成本。
开源权重模型受益于不同的经济结构。例如，Meta以零直接成本发布Llama模型，因为模型通过其他渠道为Meta的生态系统带来价值。DeepSeek和Qwen受益于中国政府支持以及在差异化竞争动态下运营的国内市场。Mistral以混合方式运营，提供开源和付费两种模式。结果是开源模型可以按边际成本——甚至更低——定价，因为其创造者通过其他方式变现。
MIT Sloan的论文提供了最清晰的量化。研究人员使用OpenRouter的数据建模了如果所有用户最优替代到最佳可用开源模型会发生什么。结果：平均成本下降超过70%，而基准测试性能提升超过14%。外推到Menlo Ventures估计为350亿美元的更广泛AI推理市场，潜在节省额达到每年约250亿美元。
自托管进一步倾斜了经济效益。在自己的基础设施上运行开源模型完全消除了API利润率。随着推理优化硬件（Groq LPU、定制ASIC、专用AI加速器）的成熟，自托管的成本持续下降。对于运行高容量工作负载的企业来说，自托管开源模型已经比任何API选项（包括最便宜的开源模型API）都更便宜。
开源模型和闭源模型之间还存在性能差距吗？
答案取决于工作负载，这就是为什么问题本身正在被企业买家重新定义。与其问哪个模型在绝对意义上更好，精明的组织问的是哪个模型对每个特定任务最优。
在常规基准测试上，差距已基本消除。领先开源模型在MMLU、GSM8K和HumanEval上距离领先闭源模型在5个百分点以内。对于文本分类、数据提取、摘要和标准客户支持——企业AI的主力——性能差在实践上可忽略不计。
在编程和推理方面，情况更为微妙。GLM-5.2在编程任务上超越GPT-5.5，成本仅为六分之一。DeepSeek V4在编程基准测试上与GPT-5级别模型并驾齐驱。但在复杂推理基准测试（FrontierMath、Humanity’s Last Exam、ARC-AGI-2）上，闭源模型保持15至30个百分点的优势。这些是需要逐步逻辑推理、数学推理或训练数据不直接覆盖的新颖问题解决的任务。
实际含义是，最佳企业架构不是单一模型，而是分层堆栈。高容量常规推理使用开源模型。推理密集或敏感工作流使用闭源模型API。这正是89%的企业现在正在做的——两者都使用。问题不是开源vs闭源。问题是路由优化：哪些工作负载路由到哪些模型，以及如何在保持质量的同时最小化总成本。
Anthropic在企业市场份额上的领先地位说明了这一动态。Anthropic在2026年占据企业LLM API市场约32%的份额，高于OpenAI的25%。这一逆转（OpenAI 2023年占据50%以上而Anthropic为12%）反映了企业买家选择安全和编程性能符合其要求的提供商。但即使Anthropic的增长也伴随着增长更快的开源板块。API蛋糕正在增长，但其在AI推理市场总量中的相对份额正在缩小。
三大巨头如何应对开源挑战？
现有企业并非坐以待毙，但它们的应对揭示了与开源经济竞争的结构性困难。
OpenAI迅速推出了三个新的定价层级——高端GPT-5.6 Sol、约半价的Terra，以及有史以来最便宜的Luna。定价压缩确认了威胁是真实的。但每个层级进一步压缩了利润率。全球AI收入在2026年第一季度达到250亿美元（不含中国），但折旧消耗了这一数字的三分之二。OpenAI的定位受到结构性制约：价格竞争会削弱资助前沿研究的研发预算，或者维持溢价定价并失去份额。
Google通过将Gemini更深地整合到现有企业生态系统（Workspace、Google Cloud、Android）中来应对。策略不是单纯在价格或能力上取胜，而是将AI捆绑到企业已使用的产品中。这是一个可防御的定位，但它将AI收入限制在Google云和生产力业务的增长范围之内。
Anthropic继续专注于安全性和编程性能，在受监管行业中赢得企业开发者。但其约50亿美元的年化收入对比OpenAI的约130亿美元，说明了在竞争对手拥有8亿周活跃ChatGPT用户的情况下进行规模化竞争的难度。
xAI通过利用X的用户基础以Grok获取了约4%的市场——提醒人们即使在模型商品化的时代，分销仍然重要。
所有闭源提供商共同面临的是定价压缩。每次Meta或Mistral发布有竞争力的开源模型时，闭源提供商都面临降价压力，并且它们也确实在降价。MIT Sloan的研究预测，开源和闭源之间的价格差距将继续缩小，旗舰闭源模型将在短期内将每百万token输入降至$1.00以下、输出降至$10.00以下，而开源将分别降至$0.10和$0.30以下。
企业在这个新AI市场中应该怎么做？
最优企业策略已从"选择最佳模型"转变为"构建路由架构"。新AI市场中的赢家不会是标准化单一供应商的公司。它们将是能够动态将工作负载路由到每个任务的最便宜可接受模型的公司。
第一步是抽象化模型层。企业应采用允许在提供商之间切换而无需架构变更的基础设施。这与超大规模云厂商的锁定策略相反——并且正在成为标准实践。Vercel的CEO公开表示，他的公司根据成本和性能在模型之间路由，而非绑定于任何单一提供商。
第二步是按复杂度细分工作负载。高容量常规任务（分类、提取、摘要、标准客户支持）应默认路由到开源模型。推理密集型、敏感或高风险任务（合同分析、医疗诊断支持、复杂代码生成）应使用优质API，其中质量溢价证明成本溢价是合理的。
第三步是实时监控成本-性能前沿。AI模型市场比历史上任何技术市场变化都快。今天非最优的模型下个月可能变为最优，反之亦然。将模型选择视为季度决策而非持续优化过程的企业将留下利润空间。
第四步是为高容量工作负载准备自托管能力。随着推理硬件成本下降和开源模型改进，自托管的经济性将越来越有吸引力。现在投资内部AI基础设施的企业将捕获开源模型的全部成本优势，而非与API提供商分享。
AI模型市场在2027年将走向何方？
即使确切的终点不确定，轨迹是清晰的。AI推理的溢价定价时代正在结束。市场正朝向商品化基础设施模型发展，其中模型能力以边际成本广泛可用，价值积累在应用层而非模型层。
MIT Sloan预测旗舰闭源模型将降至每百万token $1.00/$10.00以下，这看起来是保守的。以当前的压缩速度，这些数字可能在12个月内达到。开源模型以$0.10/$0.30以下提供旗舰品质，考虑到DeepSeek、Qwen和Llama生态系统的改进速度，这甚至是一个保守估计。
更大的问题是前沿会发生什么。如果闭源提供商无法维持溢价定价，它们资助下一代前沿研究的能力可能受到制约。这是OpenAI当前战略核心的紧张关系：公司必须同时投资GPT-6级别能力，同时捍卫一个开源生态系统正在系统性削弱的商业模式。已经消耗AI公司收入三分之二的认知基础设施折旧，随着定价压缩将变得更加惩罚性。
最可能的结果是一个二元化的市场：开源模型以接近零利润提供商品化推理，而前沿能力集中在少数资金充足的提供商手中，其价值主张依赖推理深度、安全保障和企业集成，而非原始基准分数。为相同的质量多付36倍的代价的时代正在结束。问题是取而代之的是什么。
常见问题
开源AI模型比闭源便宜多少？
开源模型比同类闭源替代便宜50-90%。DeepSeek V3.2每百万token $0.28/$0.42，对比GPT-5.4的$2.50/$15.00——输出token方面便宜达36倍。GPT-5.4上月成本$12,500的工作负载在DeepSeek V3.2上降至$770。自托管可进一步降低成本。
企业使用开源AI的比例是多少？
据Presenc AI 2026年Q1调查，89%的企业在生产环境中至少使用一个开源模型。主要模式是分层堆栈：常规推理使用开源模型，复杂工作流使用闭源API。
开源AI和闭源AI一样好吗？
对于常规任务（分类、提取、摘要、标准支持），差距已基本消除，开源领先者与闭源领先者差距在1-5%以内。对于复杂推理，闭源模型保持15-30个百分点的领先优势。最佳策略是分层路由架构而非单一模型。
三大巨头为何失去如此多的市场份额？
OpenAI、Google和Anthropic的token总份额在12个月内从72%降至33%，由三个因素驱动：开源模型便宜87%、标准基准测试上的性能趋同，以及企业采用多模型路由导致的转换成本崩溃。