# 中国开源模型下载量反超美国，这说明了什么？

**Summary:** 中国实验室在开源模型下载量上已领先。我看到了实实在在的可移植性优势，但当买家仍需要支持、可靠服务和可行运维时，下载量并不能决定市场格局。

- Canonical: https://markhuang.ai/zh/news/american-ai-losing-download-race
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-07-20
- Section: News
- Tags: AI, 开源权重, 大语言模型, AI基础设施, 模型评估
- Source: [Ben Werdmuller](https://werd.io/american-ai-is-locked-down-and-proprietary-its-losing/)
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![卡通形象Mark对比一个密封的AI服务器塔和朝向本地工作站分发的便携式模型立方体](https://cdn.markhuang.ai/news/american-ai-losing-download-race/hero.webp)

*封闭服务能锁住客户关系，可移植模型则借助别人的基础设施四处扩散。两种优势截然不同，后者的存在感越来越强。*

Ben Werdmuller 在 2026 年 7 月 20 日发表的[《美国 AI 封闭又专有，正在掉队》](https://werd.io/american-ai-is-locked-down-and-proprietary-its-losing/)一文中说，中国实验室正在把算力上的劣势变成分发上的优势——办法是开放模型权重。他认为美国实验室守着的，是一道围绕模型本身的薄弱护城河，外加一套中心化服务。

警示我认同，唱衰我不同意。中国实验室在开放模型这条路上跑出了势头，原因很简单：开发者可以自己托管、自己改、想换供应商就换。但这不等于美国 AI 整体已经输了。可移植性现在是一种产品特性，谁不提供，就得拿能力、支持、稳定性或集成度来说服用户接受限制。

## 核心观点

| 问题       | 我的看法                                             |
| -------- | ------------------------------------------------ |
| 发生了什么变化？ | 截至2026年3月，中国模型家族在开放模型下载量、衍生模型数量和第三方推理使用等多项指标上领先。 |
| 这证明了什么？  | 开放权重是一种有效的分发策略，让本地部署、第三方托管和模型适配变得更容易。            |
| 这不能证明什么？ | 下载量不等于生产环境的实际使用，开放模型的采用也不代表整个AI市场。               |
| 谁从中受益？   | 需要数据本地化、定制化、供应商选择，或者不想把提示词发给模型开发者的团队。            |
| 我的决策原则   | 要求模型可移植，但在迁移生产流量之前，先算清楚总成本，跑一遍自己的工作负载评估。         |

## 分发优势是可量化的

Werdmuller 观点最有力的证据来自 [2026 年 4 月的 ATOM 报告](https://atomproject.ai/atom_report.pdf)。报告追踪了截至 2026 年 3 月的 20.4 亿次开放模型下载，其中中国开发者贡献了 11.5 亿次，美国开发者为 7.23 亿次，差距已扩大到 4.28 亿次。报告还发现，到 2026 年 2 月，中国模型占新衍生模型的 70%。

衍生模型很重要，因为人们只会对自己认为有用的基础模型做微调或适配。Hugging Face 的 [2026 年春季回顾](https://huggingface.co/blog/huggingface/state-of-os-hf-spring-2026)显示，过去一年中国模型占下载量的 41%，同时超过 30% 的财富 500 强公司在该平台拥有经过验证的账户。

我认为这是一场分发上的胜利，不是什么国家荣誉的排行榜。一旦权重可以流通，模型发布方就不再需要自己处理每个请求。本地团队、云厂商或推理市场可以提供硬件，把模型部署到用户附近。这降低了数据本地化的摩擦，也让开发者在定价和可用性上更有话语权。

![卡通形象Mark检查从繁忙的下载通道移动并通过评估和安全门的便携式模型立方体](https://cdn.markhuang.ai/news/american-ai-losing-download-race/downloads-need-evals.webp)

*下载量衡量的是分发。真正的生产采用，要等模型通过了买家关心的那些测试才算开始。*

## 下载不等于部署

ATOM 报告坦率地承认了自身的局限。Hugging Face 不是唯一的分发渠道，一次生产部署可能只产生一次下载，自动化流水线或重复拉取还会虚增数字。报告说其他使用指标也呈现出类似的区域转移，但并没有声称每次下载都对应一个活跃客户。

这种局限在 [LocalLLaMA 的公开讨论](https://www.reddit.com/r/LocalLLaMA/comments/1p7alka/china_just_passed_the_us_in_open_model_downloads/)里也看得出来。一些开发者认可 Qwen 和 DeepSeek 的发布节奏，另一些人则指出，小型基础设施模型和配置不当的自动化会产生大量拉取。势头是真实的，但表面数字还是要谨慎看待。

更广泛的市场也呈现出同样的复杂图景。斯坦福 [2026 年 AI 指数](https://hai.stanford.edu/ai-index/2026-ai-index-report)显示，截至 2026 年 3 月，美国和中国顶级模型之间的性能差距已缩小到 2.7%。但美国仍然产出了更多顶级模型，2025 年美国私人 AI 投资达到 2859 亿美元，中国为 124 亿美元。“落后”取决于你衡量的是哪一层。

> **Info:**
>
> 我会把竞争拆成四层来看：前沿能力、开放模型分发、托管服务收入、下游生态落地。一个国家或一家公司可以在某一层领先，不必每一层都赢。

## 开放权重不等于完全开源

这场辩论里还有一个容易混淆的地方。开放权重有用，但不等于开源。按照[开源倡议组织的定义](https://opensource.org/ai/open-source-ai-definition)，还需要用于研究和修改系统构建方式的代码和数据。没有这些材料的可下载模型文件，给团队的是部署自由，不是完整的可重现性。

美国 AI 也并非铁板一块地封闭。OpenAI 在 2025 年 8 月以 Apache 2.0 许可证发布了 [gpt-oss-120b 和 gpt-oss-20b](https://openai.com/index/introducing-gpt-oss/)。这没有抹掉中国生态的势头，OpenAI 自己也只称这些模型为开放权重而非完全开源。但这说明实验室可以调整自己开放技术栈的程度。

![卡通形象Mark在自己的服务器机架旁安装便携式AI模型，旁边是冷却、监控、维护和安全设备](https://cdn.markhuang.ai/news/american-ai-losing-download-race/self-hosting-tradeoff.webp)

*自己跑模型换来的是控制权，代价是电费、补丁、监控、容量规划和事故响应都得自己扛。*

## 要控制权，就得自己干活

Werdmuller 说得对，企业服务可以成为护城河。但别把这种锁定想得太表面。合同、支持、身份认证、审计日志、SLA、区域部署、系统集成——这些往往才是企业真正在买的东西。可移植模型能削弱对模型本身的依赖，但底下还有一大堆运营层面的硬活没人替你干。

OpenAI 自己的 [gpt-oss 支持页面](https://help.openai.com/en/articles/11870455-openai-open-weight-models-gpt-oss)把这笔账算得很清楚：自托管部署需要自行管理，OpenAI 不提供手把手的调试支持，算力和存储成本都由运营方承担。对于数据敏感、用量稳定、有基础设施经验的团队来说，这可能是笔好买卖；但对于只想调个靠谱 API 的小团队，可能就是灾难。

我会问买家：哪些东西必须保持可移植？提示词和工具定义换供应商后还能用；评估不能只跑一个模型；敏感工作负载要有可信的本地或第三方部署路径；日志和审计证据要能导出。把这些做到位，哪怕当前最好的模型是闭源的，你也有议价能力。

## 我的结论

中国实验室已经把开放权重做成了一个重要的分发渠道，美国实验室应该把这当作竞争压力。4.28 亿次的下载差距说明开发者看重可以移动和适配的模型。但这不能证明托管服务已经完蛋，也不能证明美国 AI 经济要崩盘。

我今天会做的决定没那么戏剧化。闭源服务如果能证明自己的价值，我会付费使用，但我会把应用设计成模型可替换的，同时持续评估开放权重选项。最后的赢家可能不是 demo 最好看或下载量最高的实验室，而是那个让客户心甘情愿留下来、而不是靠锁死才留住的实验室。