AI guides

中国大模型已经世界一流,为什么开发者生态还在别人手里?

By CSDN1 viewsSource: CSDN
中国大模型已经世界一流,为什么开发者生态还在别人手里?

模型是中国做的,为什么后面的数千次创新发生在海外开发者平台?从模型分发、开发者工具到算力路由,中国缺的不是技术,是默认路径。如果只看结论,读完下面五条摘要即可;后文是证据、机制和行动方案。

The full text has not been translated yet. The Chinese original is shown below.

开发者生态的控制权之争 · 下篇

模型是中国做的,为什么后面的数千次创新发生在海外开发者平台?从模型分发、开发者工具到算力路由,中国缺的不是技术,是默认路径。

摘要

如果只看结论,读完下面五条摘要即可;后文是证据、机制和行动方案。

这篇文章真正追的是一条价值链:大模型是谁做的只是起点,谁掌握衍生、默认工具链和算力路由,谁才拿走最后的产业控制力。

第一,中国已经有世界一流的大模型,算力和芯片也在快速补上,缺的是两者之间的工具链、开发者分发平台,以及愿意长期为这一层买单的产业资本。没有这一层,中国模型做得再强、算力铺得再多,开发者生态的默认路径仍然掌握在别人手里。

第二,中国的适配能力已经不弱,真正缺的是生态乘数。一个模型发布后,能不能自动长出数千个量化版、微调版、端侧版和芯片适配版;这些衍生资产能不能被默认工具链继续读取、登记和分发;几十万个衍生版本连起来,就是一张真实的需求图谱,决定模型最终流向什么应用、什么芯片。

第三,工具链和分发平台这一层为什么长期没人投?不是因为没有价值,而是价值大量外溢。AI 开发者基础设施不只是“软件社区”,更是国产算力的需求基础设施。它创造的价值并不只在平台收入里,还流向芯片负载、模型生态和工具企业,因此不能只算平台利润,要同时算平台、算力、生态、投资四本账。

第四,复制 Hugging Face 没有出路。中国手里有三张牌——开放模型、异构算力与 Physical AI 产业场景、全球中立层的空位。真正要争的是下一代 AI 的两个控制点:横向 Run Anywhere,解决 AI 在哪里跑;纵向 Agent Runtime,解决 AI 怎么干活。Physical AI 是其中最紧迫的窗口:大模型时代中国的工具链和生态落在了海外,机器人时代不能再落后一次。

第五,第一步不需要再造一个大平台。先把“模型 × 芯片”的兼容、性能、成本做成公共层,让开发者点一下就能在对应芯片上跑起来。跑通第一条路,再让平台从真实使用中长出来。终局是中国发起、全球治理,在下一代 AI 的规则和标准里占据主动。

文章配图

【图: AI 开发者基础设施中美对比】

按层摆开,中国是一根杠铃:模型和芯片两端重,中间六层空;美国是一根均匀的栈。八层是果,三行是因,生态竞争力取决于最薄的一层。

上篇《英伟达 129 亿美元买 Hugging Face 背后:真正买的是开发者控制权(在新窗口打开)》讨论了一个问题:为什么英伟达愿意为 Hugging Face 支付远超其财务模型所能解释的价格?我的观点是:它买的不是一个模型网站,而是模型分发、开发者关系和算力路由的控制权。

上篇留下三个问题:

  • 第一,中国已经有世界级模型、国产芯片、数千万开发者和大量投入,为什么全球开发者拿到中国模型,默认还是在别人的平台和工具上用?
  • 第二,如果开发者基础设施自己不怎么赚钱,它创造的价值去了哪里,这本账应该怎么算?
  • 第三,一个既需要巨头级投入、又不能被任何巨头控制的基础设施,谁来建、怎么建,中国靠什么在全球竞争?

这篇有点长,因为我想把这个问题从技术、商业一直追到投资和治理。但真正需要记住的其实只有三件事:默认路径怎么形成,这本账应该怎么算,中国第一步能做什么。我做开发者生态 26 年,过去一直把这个问题理解成平台经营问题。直到这一轮模型和开发者入口的变化,我越来越看清,这是产业底层机制问题。先看一个刚发生的现场。

第一部分 · 有模型、有芯片、有投入,为什么开发者默认还是用别人的

01 一个中国模型发布后,谁最先把它变成产品

阿里的 Qwen3.8-27B 于 8 月 13—14 日开源。Unsloth 从 Qwen 团队拿到首日(day-zero)访问权限,发布当天放出全套 GGUF 量化版本(GGUF 是本地推理最常用的模型格式,量化则是把模型压小到普通电脑能跑)并接入自家桌面端;mlx-community 很快出现面向 Apple Silicon 的多种精度版本;LM Studio 社区也同步出现 GGUF、MLX 等本地运行版本,下载量迅速到百万级。

一天之内出现几十个版本,靠的不是十几支团队各自加班,而是开发者工具领域一条早已跑顺的流水线:发现新模型、自动转换格式、自动量化、验证、上传,每一步都是脚本。

上一个模型已经把生产线建好了,新模型只是又来了一批原材料。

文章配图

【 一个开源模型发布后,生态乘数发生在哪里】

衍生模型是模型价值兑现的地方,也是可以形成控制点的地方。左边是全球开发者生态:一个 Qwen 发布后四条生产线同时启动,衍生资产回到 Hub 成为下一轮的原料,是复利系统;

右边是中国:Day-0 适配已经很快,但成果回不到公共工具链,是一次性交付系统。

我的第一反应不是“海外动作真快”,而是:为什么一个中国模型发布以后,最成熟的二次生产线不在中国?

一个细节比数字更说明问题:首日访问是 Qwen 团队主动给 Unsloth 的。Qwen 的发布页同时指向魔搭、Swift、LLaMA-Factory,国内工具有部署入口,但这个动作本身说明,Qwen 团队清楚:要让模型在发布当天迅速进入全球量化、微调和本地运行生态,就必须直接接入这些已经存在的国际工具链。

国产芯片这边并不缺适配。华为的 CANN 推出了社区版,昇腾、vLLM Ascend 快速跟进,AtomGit 昇腾专区里 GLM、DeepSeek、Kimi 系列的绝大多数模型已经完成适配;FlagOS 已经覆盖 18 家厂商、32 款芯片,新模型发布当天就能在多家芯片上跑起来。

这几年这类适配工作,结束语都是“某某模型已经支持”。但技术上支持了,开发者并没有因此自动过来。看到 Qwen3.8 这一轮,我更加清楚地意识到:问题已经不是国产芯片能不能适配。“支持”只是起点,适配之后有两道断点。

一是适配结果没有进入公共生产线。FlagOS 的多芯版本已经能发到 Hugging Face 和 AtomGit,但发布了不等于被使用,llama.cpp、Ollama、LM Studio 不会自动读取、登记、继续衍生。差距已经从“没有发布”变成“发布了,但没有成为默认工作流”。

二是适配结果没有进入统一的消费路径。开发者知道“昇腾已支持”,点一下 Run 仍然落在 CUDA 上,因为没有一张公开的“能跑、多快、多少钱”对照表,也没有路由和结算把它接成一条路。多套栈并存、精度格式各提各的,是这两道断点的原因;第三方衍生没有出现,是它们的结果。

差距不在一次适配的能力,而在把一次适配复制成数千次公共资产、并让全球工具默认读取的工业化能力。适配,是工程师证明一个模型能在某张卡上跑;适配工业化,是新模型发布后自动进入几十种芯片、格式和设备,产生标准元数据,可发现、可测试、可路由、可继续衍生。FlagOS 证明了前者开始可行,门槛已经移到后者。

苹果和高通把模型适配当成芯片销售的一部分:Qwen 越快进入 MLX 和骁龙,Mac 和 NPU 就越有价值。国内不少芯片公司仍把这类工作记在“生态费用”里。两个会计科目,决定了两种投入强度。

海外还有一整层专业做二次工程化的公司和个人,模型实验室负责造 Qwen,下面几十支团队同时向不同方向扩散。这一层能存在,是因为做这件事在那里能养活自己:衍生成果是全球可见的职业资产,资本愿意投工具公司,芯片厂和开发者都愿意付钱。这些环节在中国都还不够完整,同样的人只能进模型公司做交付,中国更多是模型公司自己承担全部链条。

模型的产业影响力 ≈ 模型能力 × 开发者生态乘数。

中国模型已经证明了第一个因子,缺的是第二个。

差距可以量化。Qwen 在魔搭首发,比 Hugging Face 早 24—48 小时,魔搭还给免费推理和免费 GPU 时长;但魔搭上的 Qwen 衍生模型约 3.4 万个,Hugging Face 上是 15.1 万个;Hugging Face 上 2.8 万个 Qwen 的 GGUF 转换版本里,Qwen 自己只发布了 54 个。主场、首发权、算力补贴三张牌全在手里,衍生生态的主力仍然去了海外。

为什么我特别看重衍生模型?基座模型只是起点,进入笔记本、手机、汽车、机器人和行业应用的,往往是量化、微调和硬件适配之后的版本。每个衍生版本又记录着基于哪个模型、什么格式、跑在什么硬件上。

几十万个衍生版本连起来,就是一张模型最终流向什么应用、什么算力的需求地图。谁掌握这张图,谁就不只是模型仓库,而开始拥有模型分发和算力需求的控制点。这个控制点中国最有机会拿:以 Qwen 为代表的中国模型已经形成全球规模最大的衍生生态,国产芯片适配版天然是中国自己的衍生,端侧和具身的衍生又是中国场景最密的。今天大量中国模型的衍生资产沉淀在 Hugging Face,这张需求地图也主要沉淀在那里。

为什么?因为 llama.cpp、Ollama、LM Studio、Unsloth 这些生产工具默认读写 Hugging Face,微调工具自动把基座模型写进元数据,衍生行为被工具链“自动记账”;开发者在那里发布得到的是全球可见的职业资产,在国内发布得到的是国内曝光。不是开发者每次选择平台,是工具缺省替他选了。

02 有平台,为什么开发者不默认用它

工具替开发者选平台,说明争夺既不在模型,也不在芯片,而在两者之间那一层——工具长在哪里,开发者就默认走到哪里。这条不用选、工具自动带着走的路,下文叫“默认路径”。这一层长期没有名字,先给它一个:本文所说的“AI 开发者基础设施”,指模型与芯片之间的基础层:模型 Hub(模型的分发平台和仓库)、Runtime(模型执行任务的底层运行环境)、推理引擎、Agent、评测、开发工具和算力路由(决定一次模型调用最终落到哪家算力上)。

中国第一次同时拥有三项过去没有的条件:世界第一梯队的开放模型,正在形成供给的国产芯片,以 CSDN 为代表的数千万开发者社区。但两端之间那一层很薄:中国有项目、无平台;有单点、无飞轮;有投入、无价值回收机制。

文章配图

国内主要有两个平台。AtomGit 是开放原子开源基金会的官方平台,1200 万开发者,昇腾、鸿蒙、欧拉等华为开源生态落在这里,DeepSeek、GLM、Kimi 等国产模型也在这里同步首发(Qwen 除外),24 小时同步 GitHub 和 Hugging Face,提供的是基金会治理下的开放路径。魔搭是阿里云旗下的模型社区,千万级用户、17 万开源模型,DeepSeek、智谱、Kimi 等头部模型都在上面建立了官方发布阵地,证明了“云厂商交叉补贴开发者社区”在中国存在。但两者各自绑着一家芯片或一家云:分发层可以由单一厂商做,算力路由、芯片适配和结算这几层,单一厂商做不成默认。

两家还有一个共同的短板:用户结构高度集中在中国。第三方流量数据显示,美国只占 Hugging Face 访问的一小部分,大多数用户来自全球其他地区;Hugging Face 自己的报告则显示,中国模型贡献了它 41% 的下载。它的壁垒不是美国市场,而是全球开发者网络。中国贡献了供给,却没有一个自己的全球平台。国际化怎么破,放到第七节讲。

Hugging Face 是怎么变成默认平台的,这一点常被忽略。它 2018 年开源了 Transformers 的 PyTorch 代码库,全球开发者用它来加载和训练模型。这个库里写死了两行命令:一行从 Hugging Face 拿模型,一行把模型发回 Hugging Face。开发者每天写这两行,用着用着,模型就都存在那里了。

先让工具养成习惯,网站才成了默认的存放地。

中国规划生态平台,往往从"建一个网站"开始,却忽略了工具默认路径的重要性。

总结下第一问:钱能买服务器、算力和适配团队,但买不到默认路径;默认路径来自工具、标准、全球开发者和长期网络效应。而当工业化分发能力缺失,丢掉的不只是几个下载量,是整条产业链十年的慢性失血。那么,缺的这一层到底让我们损失了什么,这笔账又该记在哪里?

第二部分 · 为什么市场自己投不出来,这层价值该怎么算

先说底线。GitHub 曾因美国制裁限制部分地区账户,中国地区也出现过短时访问异常;华为失去 Google 移动服务授权后被迫重建移动生态。平台归属变化带来的风险是真实的。但本文更关心的不是某一天突然断供,而是平台始终可用的情况下,开发者关系、标准和工作负载仍持续沉淀在海外。急性断供是底线,慢性失血才是主题。

03模型在中国,价值为什么沉淀在海外

上篇结尾提过四种流失,这里把它展开成机制。中国缺少这一层的最大风险,在于持续十年的慢性失血,而非某一天 GitHub 或 Hugging Face 突然不能用:中国不断贡献更好的模型,国产芯片不断投入数千亿元,与此同时,开发者关系、模型标准、算力需求和 AI Infra 公司在海外生态中沉淀和成长。这种流失发生在四个方向:

文章配图

价值流失的终局是一种新的产业分工,中国生产模型、海外经营生态,和制造业曾经“产品在中国、品牌渠道在海外”的结构一样;它还有一面最容易被忽视:Qwen 在 Hugging Face 上每多一个衍生模型、多一条下载记录,英伟达的需求雷达就多一条数据——中国最好的模型公司,正在给对手的芯片战略提供路线图输入。最值得芯片公司警觉的是算力流失:开发者平台对国产算力而言,不只是软件生态,更是需求基础设施,它不该记在开源宣传部门的账上,而是工作负载获取系统。

最后形成一个看起来很强、控制力不足的产业:

模型是我们的,生态不是;芯片是我们的,工作负载不是;开发者很多,默认工具不是我们的。

后果是:

对模型公司,开源的荣誉有了,衍生、用户反馈和下游收入都在别人平台上兑现,模型越好,替对手的生态添的砖越多。

对芯片公司,最致命:软件生态决定芯片被不被选,国产芯片能跑却不被点,产能会变成没有需求的产能,投的几千亿元回不来。

对整个产业,最慢也最深:标准、工具和 Infra 公司都在海外长成,中国永远在兼容别人定义的接口,接口本身可以对中国公司关门的,2019 年华为被制裁后,蓝牙技术联盟、Wi-Fi 联盟、SD 协会一度暂停其会员资格,连蓝牙这样的标准都能变成武器,模型格式、推理 API、Agent 接口没有理由例外。 标准一旦变成默认接口,再想改写,成本会高得多。

04美国为什么能把开发者生态投出来

中国开发者很多、工程化,产品化能力也很强,为什么二十年没有长出 GitHub、Hugging Face、Vercel、HashiCorp 这一类面向开发者的独角兽公司?反过来看,美国为什么能持续把这一层投出来?

核心原因是:开发者基础设施创造的价值,远大于它自己能收到的钱。这一层在美国本身就是一门不小的生意,GitHub、Atlassian、Datadog、JetBrains 各自年收入几十亿美元;但它带动的价值更大:一个免费模型仓可能带来几十亿元算力消费,一个开源推理框架可能帮芯片公司卖出几十亿元硬件,这些收入不进平台自己的利润表。它像一条高速公路,收费站有收入,最大的收益却在沿线产业;如果只用收费站的账证明这条路的价值,投资天然不足。AI 时代这一层更重要:它决定模型在哪里跑、算力被谁消费,上篇(在新窗口打开)讲的开发者控制点就在这里。

美国用三种机制补上了这个缺口。第一种是大公司的交叉补贴:微软免费做 VS Code 因为卖 Azure,Google 开放 Kubernetes 因为卖 Cloud,英伟达二十年投 CUDA 因为卖 GPU。第二种是资本市场为控制点支付战略溢价:Hugging Face 的1.5亿美元年收入解释不了 129 亿美元的收购价。第三种是开发者自己愿意为工具付费,而且这些工具相互开放接口,一个工具的输出可以直接成为另一个工具的输入,从 JetBrains 到 Cursor 都是开发者掏钱养大的。

中国前两种机制都明显偏弱:独立平台帮芯片、云、模型公司创造大量价值却拿不到外溢收益,资本市场又很难按几十倍收入为"开发者控制权"付价。第三种过去也缺,但 AI 时代第一次出现变化——Cursor、Claude Code 已经让中国开发者愿意真金白银购买生产力工具。

文章配图

【 同一个模型,全球主流生态六步自动闭环,中国为什么在三处断链】

上轨是全球主流工作流(美国平台与工具主导),工作流、资产、资金三个环同时闭合;下轨是中国,节点都有,但在工具默认读写、统一 Run 与路由、资产与钱回流三处断链。丝滑 = 默认连接 × 自动回流 × 商业反哺。来源:硅基时间

两条轨道并排,卡点一目了然。上轨的丝滑不是因为每个工具更强,而是每个工具都知道上一站在哪里、下一站去哪里:工具替开发者做选择,资产替开发者自动回流,钱再回到做工具的人手里,三个环同时闭合。下轨每个节点中国都有,断在三处:工具不默认读写国内平台,所以衍生和职业资产不回流;能适配但没有统一的 Run,所以开发者知道昇腾能跑,点一下仍然默认 CUDA;钱和资产回不来,所以工具公司只能做项目,成果留在客户和厂商文档里。

三处断链对应后文的三类解法:工具默认写入、统一 Run 与路由、让生态价值回到工具和平台。三个环同时闭合,中国才会从“有节点”变成“有飞轮”。

2026年,这三种机制已经变成真实价格。Fireworks、Baseten、Together、Modal四家推理与运行公司半年融资超过40亿美元;vLLM和SGLang团队刚商业化,成立的公司就分别达到8亿和4亿美元估值;模型路由层OpenRouter又以约80亿美元进入Stripe体系。OpenRouter每天处理超过10万亿Token,覆盖400多个模型——路由本身已经成为几十亿美元级控制点。

后训练时代,谁有高质量的人类反馈和评测数据,谁就决定模型最后一公里的质量:Meta斥资约143亿美元取得Scale AI 49%股份后,部分大客户迅速缩减合作,中立性立即变成商业价值;Surge几乎没有依赖外部融资就做到年收入超过10亿美元,市场估值已到数百亿美元级。评测机构LMArena商业化不到一年,估值已经达到17亿美元。美国资本不是偶尔投几个 AI 工具,而是在从分发、推理、评测、Agent 到路由,一层一层给 AI 开发者基础设施定价。而这些公司的创始人,从 Fireworks、Together、Inferact、RadixArk 到 LMArena、Scale、Surge,多数是华人。

文章配图

按 AI 开发者基础设施的八层排列,除芯片层外每一层都有资本按控制点付价;多数标杆公司由华人创办。来源:硅基时间,数据来自各公司公告与公开报道

DeepSeek、Qwen、Kimi 证明中国不缺做模型的人,图里那一串华人创始人证明中国也不缺做工具和评测的人;差别在于做模型能在国内成公司,做工具和评测更容易在海外获得资本、用户和默认路径。

05 开发者平台应该怎么算产出:四本账

美国敢投这一层,因为它算的从来不只是平台收入。中国怎么算,先看回报。

我对这种回报曲线有切身体会。2012到2013 年,CSDN 帮英伟达在中国建 CUDA 社区,那个论坛只有一百多人,大部分是做科学计算的研究生,没有人觉得这会是一项影响中国 AI 产业的人才基础设施。2017 年我去大疆,汪滔请我吃饭,陪同的 AI 负责人一见面就非常热情:“蒋总,我是你的版主啊,CUDA 版版主。”他是港科大的研究生,他告诉我,当年那一小群活跃会员里,不少人已经成了 AI 公司的技术主管。

生态投入的回报曲线很反常:做生态很寂寞,需要耐心,前十年看不见,第十一年才开始兑现;等人人都看见价值的时候,再进场已经晚了十年。英伟达就是这样。CUDA 发布后的多年里,资本市场几乎没有奖励这笔投入,回报要等到深度学习爆发以后才出现;那十年里它每年往 CUDA 里投的钱,华尔街投资人每年都质疑。这段历史我有一个长篇演讲《英伟达 CUDA 生态构建分析:从“通用计算”到“万亿霸权”的生态进阶》详细写过。

文章配图

【做生态是寂寞的,成功的回报是丰厚的】

英伟达市值:发布 CUDA 的第二年跌去 77%,此后七年没回到原点,研发投入却持续增加,深度学习爆发后才进入指数增长,2026 年 8 月 5.25 万亿美元。来源:硅基时间《英伟达 CUDA 生态构建分析》,数据 companiesmarketcap、年报

我自己长期面对的也是商业规模化问题。CSDN 有几千万注册开发者,AtomGit 功能也不比海外平台少,但平台直接收入有限,一旦被要求短期证明利润,就转向项目服务和私有化收费,开发者投入反而下降。开发者平台又天然有网络效应,后来者 90 分打不过已经成为默认路径的 70 分产品;芯片和模型公司互相等对方来适配;任何一家大厂独立建的平台,又很难获得竞争对手的信任。这不是一家公司靠更努力就能填上的缺口。

中国 IT 产业长期轻视对工具和生态的投入,钱和目标都没有给到这一层,考核把钱引向了别处:产业基金按退出周期看项目,智算中心按机柜和算力规模验收,开源按仓库和活动数量验收。于是我们得到更多芯片、更多机柜、更多仓库,却不一定得到更多默认工作流。

错位不是偶然发生的,是被考核指标设计出来的。

过去对开发者平台和生态只算一本账—商业收入。但从生态战略上要同时算四本账:平台现金流、国产算力增量、模型生态增量、生态企业股权价值。

开发者基础设施有商业回报,只是回报分散在四张不同的报表里。

文章配图

平台账看自身现金流;算力账看给国产芯片带来多少真实负载;生态账看多少模型衍生、工具和标准被采用;投资账看围绕平台长出来的工具和 Agent 公司的股权价值。

只有四本账一起算,才能看到这一层的 ROI。英伟达愿意为 Hugging Face 付约 86 倍收入,就是因为它算的从来不只是 Hugging Face 自己的利润表。

CSDN 这些年作为创始人我一直在贴钱,但从社区里长出来我投资的传智教育和聚合数据都成功上市,投资回报远超平台自身亏损。

有次和陆奇博士交流,他讲微软为什么长期重视开发者:盖茨认定开发者才是真正创造产业价值的人,所以工具可以长期投入,回报不一定来自工具本身。我后来一直想成立一支开发者工具生态基金,把这件事制度化,但靠个人和单个公司力量有限。

第二问有了答案:模型分发、推理运行、工具链和算力路由这一层创造的价值没有消失,它进了芯片、云、模型公司和生态企业的报表。

只算平台一本账永远算不平,四本账一起算,这一层才从“成本项”变成“产业投资”。

中国缺的不是价值,是把外溢价值收回来的机制:没有人按四本账算,也没有一个让受益者共同出资的载体。芯片公司该付负载获取成本,云和运营商该付消费入口,模型公司该付分发通道,都不是赞助。谁受益、谁出资,第三部分讲怎么建这个载体。

第三部分 · 谁来建,以及中国靠什么赢

中国不是从零开始建设一个新平台,而是把已经世界级的模型、已经投入巨大的算力、已经存在的工具和平台,组织成一条全球开发者愿意默认使用的路径。这一部分回答三件事:中国靠什么赢,用什么机制建,为什么现在做得成。

06 中国靠什么赢:三张牌

终局不是“中国平台打败美国平台”。一个印度、德国或巴西开发者不会因为“中国需要自主可控”来用一个平台,只会因为模型更多、格式更全、设备更广、部署更便宜、平台不偏向任何一家芯片或云。英伟达、AMD、高通、Google 都可以进,谁性能好、成本低,负载就落在谁那里。中国要争的是规则制定权,不是排他权。

回到开头那张中美对比图:中国是一根杠铃,两头重、中间空。

文章配图

八层是果,三行是因:模型和算力两端已形成能力,分发、Runtime、认证、Agent、工具、路由六层有项目、无平台;八层之下的三个机制层,中国全部缺失,美国每一层都有一个具体资产在收税。来源:硅基时间

图的最后三行比八层更关键:美国的中间层厚,托着它的是机制。资本溢价和巨头补贴第四节讲过了,第三个是

标准在自己手里

:Transformers、GGUF、MCP、CUDA 全是海外定义,别人来兼容。这三套机制中国都只有局部实践。所以补中间层,补的是机制,而非几个项目。更值得警惕的是这套体系还在加速整合:并购把中间层收进巨头的栈,GPU 优势控制算力成本。

中国面对的不是静态差距,而是一套还在加速整合的体系。

在这个格局下,中国不是没有牌。手里有三张。

第一张牌:全球领先的开放模型供给。Qwen、DeepSeek 已经证明,全球开发者本来就在主动使用中国模型,中国争开发者有一个别人没有的起点,Hugging Face 上 41% 的下载来自中国模型。平台不需要凭空创造需求,首先要做的,是把中国模型已经创造出来的全球需求,转化成工具、标准和算力生态。

第二张牌:全球最丰富的异构算力和 Physical AI 产业场景。美国强在数据中心 GPU,中国更有机会形成差异化的是云、国产芯片、PC、手机、汽车、机器人连起来的异构算力池。AI 的执行层正在从数据中心走向端侧:1B 以下的小模型占 Hugging Face 历史下载的 83%,2024 年全球新增工业机器人的 54% 装在中国。所以中国不该只追“英伟达上能不能跑”,该争“同一个模型如何跨芯片、跨设备运行”。我把这个能力叫作Run Anywhere:模型进入平台,自动知道能在哪些芯片上跑、多快、多少钱,页面上不再是"下载模型",而是 Run on NVIDIA、Ascend、Qualcomm、Robot。英伟达的 Lepton 做跨云,中国做跨架构。

战略警惕:Physical AI 是下一个标准窗口,也是旧剧本最可能重演的地方。云端 AI 的很多标准已经固化,而机器人模型格式、VLA 接口(视觉—语言—动作模型,机器人“大脑”的一种)、动作数据、端侧量化和硬件抽象仍在快速形成。中国第一次同时拥有模型、机器人本体、汽车和大规模工业场景,这是少数有机会从“兼容标准”变成“参与定义标准”的领域。但旧剧本已经出现苗头:Hugging Face 在做 LeRobot,英伟达用 GR00T 和 Jetson 建机器人开发栈,中国的机器人本体和 Qwen 这样的模型已经进入其中。语言模型时代中国贡献模型、海外沉淀工具链,Physical AI 不能再重复一次。

第三张牌:全球中立层正在出现新的空位。所谓中立层,就是不偏向任何一家模型、芯片和云的公共平台。Hugging Face 若进入英伟达体系,Cursor 以 600 亿美元股票对价进入 xAI 体系,巨头正在把中立层收进自己的栈。这就产生了一个需求:有没有一个不绑定某一家模型、芯片或云的全球开放层?

海外开发者的痛点是算力贵和平台被绑定,开放模型免费,加上中国云与边缘算力的价格优势和不绑定单一 GPU 的算力路由能力,差异化就在这里。我越来越倾向于认为,中国最有机会做的不是另一个模型社区,而是一套中国发起、全球治理、跨模型跨芯片的开放运行层:全球开发者愿意用,任何芯片和模型公司都可以加入。

三张牌合起来指向一个终局,只有一横一纵,记住这两句就够了:

横向:Run Anywhere——解决 AI 在哪里跑。

纵向:Agent Runtime——解决 AI 怎么干活。

横向把模型送到所有异构算力,回答“能不能跑、跑多快、多少钱、怎么部署”;纵向是 Agent 运行环境,负责权限、工具、记忆、沙箱和执行,这些全球都还没有事实标准,MCP 只定义了工具接口,是少数中美几乎同时起跑的层。模型 Hub 只是两条轴交叉处的登记中心(Registry),不是战略终点。

中国要争的不是第二个 Hugging Face,而是下一代 AI 的默认运行层。

技术路线到这里已经清楚。难的不是技术:难的是在中国谁愿意为一个自己不能独占的平台长期出钱?

07 既需要巨头投入,又不能被巨头控制,怎么解

第三问剩下的是组织问题。单一巨头钱够但中立不够,纯基金会中立但没有商业激励,纯创业公司效率高但扛不住十年低回报。中立不是让所有企业放弃控制权,而是把“必须共同建设、任何一家独占都会失去其他玩家”的那一层单独拿出来,商业竞争仍然发生在公共层之上。四个矛盾,各有一个对应机制:

文章配图

基金会解决信任,市场公司解决效率,产业资本解决投入,生态基金解决回报。巨头真正会问的不是“这个平台中不中立”,而是:为什么我要和竞争对手一起投?

因为这一层天然带有公共品属性。任何一家芯片公司自己做兼容层,其他芯片厂都不会愿意把最真实的性能数据交给它;任何一家云厂商自己做路由层,其他云也不会愿意把真实负载交进去;任何一家模型公司自己做分发层,其他模型公司更不会愿意把开发者关系沉淀在那里。

单一厂商可以做产品,但很难做成行业默认。

反过来,如果这一层由中立主体治理,各家拿到的是可以算账的商业回报:芯片公司拿到真实工作负载,模型公司拿到跨芯片、跨设备分发,云和运营商拿到可计量的算力消费和结算入口,工具公司拿到统一接口和全球流量。

大家共同投资的不是一个竞争对手,而是一块任何一家都想要、但任何一家单独拿走都会失效的公共市场。

所以中立不是价值观,是商业条件:平台越中立,参与者越愿意交出真实数据、价格和负载;数据越完整,路由越有效,交易越多,现金流越厚。中立性本身就是网络效应。

其中最值得重新定位的是运营商。三大运营商有算力、有网络、有政企渠道,也都在谈 Token 经济,但今天的投入仍主要落在智算中心和机柜上。问题是,Token 真正产生在模型被发现、被选择、被路由的开发者工具那一跳,而这一跳今天更多掌握在 Hugging Face、OpenRouter 和海外云手里。

如果运营商只建算力,最后更像“发电厂”;如果它参与开发者工具、路由、结算、适配和评测,才有机会进入“调度层”。它不只是这套基础设施的客户,也应该是最重要的产业股东之一。

真正稀缺的资产也不是代码,而是全球开发者真实使用行为沉淀出来的三张图谱:第一,模型衍生图谱。哪些模型正在被量化、微调、适配,哪些衍生方向增长最快。第二,开发者需求图谱。开发者真正使用什么模型、工具和设备,哪些需求正在形成。第三,算力流向图谱。哪些模型最终跑在哪类芯片、哪家云、什么成本下。

这三张图谱直接影响芯片路线、云资源调度和模型公司的产品决策。正因为价值太大,它们不能落在任何一家竞争者手里。治理权可以分散,商业服务可以市场化,但核心数据资产必须由中立主体持有,任何单一会员不能独占。

最后来回答:全球开发者为什么愿意来?

国际化最难的,不是把服务器放到海外,而是让一个海外开发者愿意把自己的默认工作流放到这里。他不会因为“中国需要一个全球平台”来,只会因为三件事。

第一,价值上比现有平台多一层。Hugging Face 强在模型分发,这里要让开发者一眼看到:同一个模型在哪块芯片上跑得最好、最便宜,并且可以一键运行。

第二,治理上不属于任何一家。核心规范、兼容认证和三张关键图谱不归任何一家中国公司;海外 maintainer 和非中国企业真正参与治理,规则公开、变更可审计,任何一家都没有事实否决权。

第三,技术上不另起炉灶。GitHub、Hugging Face、GGUF、MCP 已经形成的标准,能兼容就兼容,能双写就双写。中国要争的,是在这些标准之上增加“跨芯片运行、成本比较、端侧和机器人适配”这一层,而不是让全球开发者先学一套中国自己的格式和接口。

国际化成功的标志不是海外注册用户规模,而是三个信号:海外 maintainer 主动提交适配,非中国厂商愿意公开真实性能和价格,全球开发者的真实工作负载开始经过这套路由。

真正的国际标准,不是被宣布出来的,而是被全球开发者每天默认调用出来的。中国发起,全球治理;兼容现有标准,争新增标准。

治理解决的是“大家敢不敢来”,最后还剩一个现实问题:第一步到底怎么启动?

08 第一步怎么做:从一张可运行的“模型 × 芯片”表开始

要做成,需要确信三件事。

第一,不是从零开始。中国已经有世界第一梯队的开放模型,有正在形成供给的国产芯片,有 FlagOS、CANN 这样的跨芯适配能力,有 TileLang、SwanLab、LLaMA-Factory 这样中国团队做出的开源工具,有 CSDN 数千万开发者的社区;魔搭已经证明大厂可以长期投入模型社区,AtomGit 则提供了基金会治理下的代码、模型和国产算力生态载体。缺的是把它们组织成一个跨厂商的默认路径。这是把已有资产组织成飞轮,而非重新建设一遍。

第二,起点很小。

如果只做一件事,就是一张公开的表,而且表上每一格都能直接跑。

表回答一个问题:一个开源模型,在各家芯片上能不能跑、跑多快、花多少钱。行是模型,列是芯片,数据厂商自提、第三方复测。每一格旁边有一个“Run”:看中哪一格,点一下,模型就在那块芯片上跑起来,不用再找驱动、配环境、谈价格。

DeepSeek 发布新模型的第二天,开发者打开这张表,看到它在昇腾上能跑、多快、多少钱,点一下就用。今天没有这张表,开发者最容易沿着已有默认路径点到英伟达。

它不是新平台,底座用现成的 FlagOS 和 CANN 开源社区版。做成的标志只有三件事:模型和芯片厂主动维护它,主流工具开始读取它,真实工作负载开始经过它。

文章配图

这张表还需要两个支撑:资本上,让长期没人投的开发者工具获得产业资本;标准上,在 Agent Runtime 层建立开放协作,避免身份、权限、记忆、沙箱再被各家重复定义。核心产品只有一个,兼容与成本层,也就是横向 Run Anywhere 的第一步;资本和标准机制只是让它长期生长,标准协作同时起纵向。

第三,结果可以验收,不是无限期补贴。这是十年的基础设施,但必须按三年建设周期、阶段性真实负载验收,不看注册用户和仓库数量,看有没有主流工具默认接入、模型自动衍生、真实的国产算力负载、海外开发者和交易流水,关键假设 18 个月内必须验证。国内已有前车之鉴:统一推送有标准、有厂商适配,却没有成为默认工作流;快应用有系统级入口,也没有成为微信小程序那样的默认入口。加入厂商多、设备覆盖广,都不等于生态。要验收的是默认工作流和真实交易。

主管部门做三件事:把模型分发、推理运行、工具链和算力路由这一层列为和模型、算力并列的基础设施科目;验收看真实负载和工具默认接入,不看机柜数和仓库数;智算补贴和政企采购优先给通过公开兼容认证的芯片和模型。三件事做完,钱会自己流向这一层:产业基金有了可投的科目,智算中心有了要真实负载的理由,芯片和模型公司有了做公开认证的动力,让已经投入的大量算力第一次有机会形成统一的需求入口。

开放原子开源基金会具备现成的开源治理基础,可以联合模型、芯片、云三方共同发起;利益声明写在这里:我是 AtomGit 的创始人,AtomGit 是候选启动器之一,治理权归基金会,运营公司由产业共同出资,用同一套公开指标接受检验。

这一层每晚一年,中国模型的衍生生态就多沉淀一年在海外平台,国产芯片就多一年没有默认负载,本该在中国成长的开发者工具公司,就多一批留在国内做项目、多一批到美国成公司。 不需要先造一个中国版 Hugging Face。先做一张所有模型公司、芯片公司和开发工具都离不开的表;开发者真的开始在上面跑模型,平台自然会长出来

结语

美国开发者生态平台是靠资本市场和并购把这一层投出来的:每一层都有人按控制点付出溢价,英伟达买 Hugging Face,微软买 GitHub,Stripe 买 OpenRouter,Meta 投 Scale。中国的资本市场不按控制点给平台和工具定价,巨头也没有把生态当主业来补贴的习惯,同一条路走不通,就得用另一种方式解决同一个问题:

开放治理保证中立,产业资本为外溢收益付费,市场化运营保证效率。

过去十年,我们花了巨大代价回答"有没有自己的芯片、自己的模型"。上篇讲过,美国用四十年、四代生态,把"抓开发者、定标准、收税"练成了一套不假思索的打法;下一步要回答的是:中国的这些模型和芯片,能不能成为全球开发者每天默认在用的工具底座,关键在于中国能不能再用三到五年,在 AI 时代把开发者工具和生态全面建起来。

芯片决定 AI 能不能算,模型决定 AI 能不能做,开发者基础设施决定中国的芯片和模型能不能变成全球产业生态。也决定这一轮 AI 的全球税,最后是中国在收,还是中国在交。

我另整理了一份内部方案,需要的产业和政策同仁可以关注「硅基时间」私信交流。

资料来源:Unsloth 与 Qwen 官方发布页(Qwen3.8,2026.08);智源研究院、FlagOS 社区(FlagOS 2.0 与多芯 Day 0 适配,2026.03–08);魔搭开发者大会(2026.03);Hugging Face《State of Open Models》春季及夏季报告(2026);Similarweb、Semrush 流量面板(2025.11–2026.06);TechCrunch(Ollama 融资,2026.07);IFR《World Robotics 2025》;Hugging Face、英伟达、宇树官方公告(ggml 加入 HF,2026.02;Isaac GR00T 参考人形机器人,2026.06);companiesmarketcap 与英伟达年报(市值与研发,年末近似值);GitHub 事故与政策页(2019、2025.04);统一推送联盟、快应用联盟公开资料。交易状态以报道口径为准,Hugging Face 收购尚未获双方确认。数字均为公开口径,适合看结构,不构成资产盘点。

文章来自于微信公众号 “CSDN”,作者 “CSDN”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)