01 触发事件

7 月 13 日，日经亚洲经由 36kr 转述称，印度企业越来越依赖 DeepSeek、阿里巴巴、月之暗面等中国公司开发的大语言模型；未来资产风险投资（印度）CEO 普尼特·库马尔给出的关键信号是：自 2025 年中以来，他接触的几家科技初创企业已使用这类中国 open-weight 模型，把 AI 成本降低了一个数量级。

这不是“有些公司在试中国模型”这么简单。

一个数量级，不是采购优化，是预算结构被改写。

我没看到那几家公司的完整账单、token 结构或 latency 约束，所以不能把这个数字机械外推到所有印度企业。
但哪怕只取一半，这仍然是供给侧的强信号：当模型质量进入“够用区间”，真正决定采用的不是 benchmark 排名，而是每百万 token 成本、部署自由度、是否能做私有化，以及能不能绕开闭源 API 的定价权。

自 2025 年中以来，几家科技初创企业都在使用此类中国开放权重大语言模型，这有助于它们将成本降低一个数量级。

这句话真正值钱的部分，不是“中国”，而是“开放权重 + 成本曲线”。

02 这事的真正含义

真正发生的事，是中国模型厂商正在把自己的优势，从国内市场份额，外溢成全球 AI 的 clearing price。

问题不在于印度企业是否“喜欢”中国模型，而在于很多 AI builder 根本买不起闭源最优解。
当 DeepSeek、Qwen、Moonshot 这类供给把质量推到可用阈值以上，再把价格压到足够低，闭源模型的 moat 就不再自动成立，尤其在客服、内容处理、代码补全、文档抽取这类任务里更是如此。

这才是 aggregation theory 在 AI 里的一个变体：
上游模型如果缺少 distribution，就会被平台与网关聚合；但如果某类 open-weight 模型持续定义最低可接受成本，它其实在反向聚合需求。开发者不必爱它，只要它便宜、可部署、可微调，就会被拉过去。

我可能低估了 brand、安全合规和企业采购流程的黏性。
但对 startup 来说，switching cost 常常没有想象中高，尤其当应用层已经做了 model routing、prompt abstraction、fallback policy 之后，底层模型变成可替换零件。

所以，这不是单一新闻，而是一个定价权迁移信号。

闭源厂商卖的是“最强模型”。
中国 open-weight 阵营卖的是“足够强且显著更便宜的系统能力”。

后者未必赢下所有高端场景，却足以重写大盘。

03 历史类比 / 结构对照

这更像 2014 年后的 AWS，不像 2007 年 iPhone。

iPhone 是体验拐点。
AWS 是成本与供给拐点。

很多公司不是因为“热爱云”才上云，而是因为它让原本做不起、扩不动、回报周期太长的业务 suddenly 可行。今天印度创业公司采用中国模型，逻辑高度类似：不是意识形态转向，而是 unit economics 逼着他们重写架构。

另一个更近的类比是 2022 年 ChatGPT 之后的 API 依赖潮。
区别在于，当年全球开发者对美国闭源 API 形成依赖，是因为能力领先且替代稀缺；而现在印度对中国模型的依赖增加，核心原因不是绝对领先，而是 cost-performance 比足以压穿预算约束。

这意味着竞争层级发生了变化。

第一阶段比“谁最聪明”。
第二阶段比“谁把 intelligence 变成 commodity 更快”。
第三阶段才是“谁控制 distribution、hosting、compliance、developer workflow”。

我没在内部跑过印度企业的 procurement cycle，所以这里可能看轻了本地化服务商的缓冲作用。
但历史上，一旦基础能力商品化，利润池通常不会停留在最早发明能力的一方，而会流向掌握渠道、托管、运维和企业关系的一方。

换句话说，open-weight 本身不是终局。
它是把护城河从 model IQ 推向 infra 与 distribution 的推进器。

04 对 AI builder 意味着什么

对 AI builder，这周和这个月该调整的，不是情绪，而是默认假设。

第一，重新审视 base model 选择。
如果当前产品仍默认“闭源旗舰模型 = 唯一可行方案”，这大概率已经过时。应该把 open-weight 方案重新拉回评估清单，至少用真实 workload 比较质量、latency、context 成本、KV cache 命中率、微调难度与 hosting 成本。

第二，尽快把应用层做成 model-agnostic。
prompt、tool calling、RAG、safety policy、evaluation pipeline 不应该和单一供应商绑死。今天是 DeepSeek 或 Qwen 带来套利，明天可能是别家。真正会被定价的是切换能力，而不是忠诚度。

第三，API 网关与 routing 的价值在上升。
当供给侧分裂成闭源顶级模型、open-weight 自托管模型、区域性合规模型三层之后，builder 需要的不是“一个最强模型”，而是一个能在价格、性能、地域、合规间实时折中的 control plane。MCP、agent runtime、observability、cost governance 会比单次 benchmark 更重要。

第四，要警惕“便宜模型带来更大 token 消耗”的假节省。
成本下降一个数量级，不等于总账自动更优。很多团队在更便宜的模型上会放宽 context、增加 agent loop、堆更多 tool calls，最后 token 反而膨胀。我没见到报道里的 usage curve，所以这点只能保留。

第五，如果面向印度、中东、东南亚市场，应该默认中国模型已经进入候选集，而不是边缘选项。
这不是政治判断，是采购现实。

05 反方观点 / 风险

最强的反方观点是：这条新闻也许高估了趋势，低估了摩擦。

首先，报道引用的是投资人观察，不是大规模市场审计。
“几家 startup”离“印度企业普遍转向”还有距离。我可能把早期信号读成了结构性迁移，而实际上它也可能只是 seed 到 A 轮公司的短期节流动作。

其次，便宜不自动等于可持续。
一旦业务进入大型企业、金融、医疗或政府采购，数据主权、审计、供应链安全、地缘政治都可能抬高 switching cost。那时 closed model 的品牌、支持体系和合规包装，会重新变贵但也重新变得合理。

第三，中国 open-weight 的全球扩张，未必最终由模型厂商自己收割。
它更可能被云厂商、托管平台、区域渠道商、AI 网关和本地 SI 吃掉大部分利润。如果是这样，那么“模型领先”会快速滑向“模型被中介化”。这点我不敢说已经发生，但方向值得警惕。

第四，闭源实验室不会坐着不动。
如果 OpenAI、Anthropic、Google 在 batch、prompt caching、长上下文、蒸馏授权或私有部署上进一步让价，今天看到的成本优势可能被快速压缩。问题不在中国模型是否够强，而在领先优势能维持多久。

所以，最稳妥的结论不是“印度倒向中国模型”，而是更冷的那句：
全球 AI 竞争正在从“谁先做出 smartest model”，转向“谁先定义足够好 intelligence 的世界市场价格”。

一旦价格先被别人定义，后来者就只能在 distribution、compliance 和 workflow 上找回利润。
这才是这条新闻真正刺眼的地方。