中国开源权重人工智能模型(如 DeepSeek 和阿里巴巴的 Qwen)正在亚洲各地得到应用,但北京无法对已下载的模型施加强制性影响力。据 2026 年 11 月 18 日发布的一项分析,真正的锁定效应存在于云计算基础设施,以及围绕模型生态系统形成的路径依赖之中;随着采用模式逐渐固化区域偏好,技术集成也会加大转换成本。
中国人工智能模型在亚洲的扩张,既反映了经济理性,也体现了地缘政治竞争。到 2025 年 8 月,基于 Qwen 衍生的模型变体占开源平台 Hugging Face 上新语言模型衍生版本的 40% 以上,而 Llama 占 15%;如今,中国模型占 OpenRouter 上开放模型使用量的 80% 以上。开放权重模型的模型权重会公开发布,任何人都可以下载、微调并自行托管;在印度和东南亚等对价格敏感的市场,这类模型具有成本优势,当地企业优先考虑降低 API 账单和保障数据主权。
2025 年 1 月,印度电子和信息技术部批准在印度服务器上托管 DeepSeek 模型。对于一个已封禁众多中国应用的政府来说,这对中国人工智能模型而言是难得的放行。同年,AI Singapore 发布了最新版本的 SEA-LION,这是一个面向东南亚语言的开源语言模型,基于阿里巴巴的 Qwen 构建,而非 Meta 的 Llama。泰国的 OpenThaiGPT 则基于 Qwen2.5 进行微调。
这些采用模式反映了理性的经济选择。中国实验室的模型产出尤其丰富,推出的强大模型能够在配置不高的硬件上运行。对于需要控制算力成本的印度或新加坡初创公司,或希望将公民数据留在境内的政府来说,与美国的替代方案相比,中国模型能带来切实的财务和运营优势。在资本支出仍受限制的发展中亚洲市场,开放权重模型在经济上更具吸引力。
开放权重模型是人工智能技术栈中最容易替换的一层。模型一旦下载,就无法撤回,而且很容易在不同供应商之间替换。真正的转换成本和锁定效应存在于其他环节,主要是支撑模型部署的算力和云基础设施。理论上,某个模型可能会带动对中国云服务和算力的需求,但这种机制依赖市场偏好,而非强制。中国模型可以托管在 Amazon Web Services 或本地数据中心,而不是阿里云;但自行托管需要投入资金聘用工程师并购买图形处理器,大多数企业无法独立承担。
阿里巴巴正在建设区域基础设施,以承接这类需求。2025 年,阿里巴巴在马来西亚开设了第三座数据中心,并宣布计划在菲律宾建设第二座。该公司还在新加坡设立了人工智能中心,为企业和开发者提供代币额度和算力资源。不过,目前仍缺乏充分证据证明这些基础设施投资正在转化为亚洲各地的云服务合同,因为许多采用者有意选择自行托管,以避免依赖供应商。
中国人工智能模型也在推动对国产硬件的需求。2026 年 4 月发布的 DeepSeek V4 针对华为昇腾芯片进行了适配,华为表示其芯片用于该模型的部分训练工作。这种硬件集成构成了另一层潜在的锁定效应,不过这种关系仍处于早期阶段。
对中国模型的依赖并非不可避免,但早期采用选择会带来长期影响。开发者表现出很强的偏好延续性——他们会继续使用熟悉的模型;而模型越深入地集成到公司的产品和工作流程中,切换成本就越高。一旦某个模型成为区域惯例,围绕它构建的支持生态系统——包括工具、变体以及用于评估新模型的基准——也会随之形成。这种生态系统黏性会带来一种不依赖明确强制的软性影响力。
模型也会内嵌其训练数据中的政治和语言假设。2025 年 1 月,当被问及阿鲁纳恰尔邦是否属于印度时,DeepSeek 聊天机器人拒绝作答。Perplexity 决定重新训练 DeepSeek 的 R1 模型,以去除中国国家审查,这表明此类回应可能内置于模型架构本身,而不只是存在于应用层。这种价值观内嵌意味着,中国模型若被广泛采用,可能会逐渐使其背后的政治和监管框架在亚洲开发者群体中常态化。
开放权重模型生态系统最初以免费分发和不受限制的访问为基础,这一逻辑在前沿模型领域正逐渐弱化。Moonshot 的 Kimi K3 和阿里巴巴的 Qwen 3.8-Max 现在要求为其提供服务的大型企业签订商业协议,将原本免费的投入转变为合同关系。从开放权重分发转向商业许可,会带来北京可能施加限制的新影响力杠杆,不过这些机制仍处于早期阶段,且存在争议。
OpenAI 的 gpt-oss 和谷歌的 Gemma 等美国开放权重模型也在争夺同一批用户。许多采用者有意同时部署美国和中国模型,以避免供应商锁定并保持战略灵活性。更直接的竞争成本可能来自华盛顿:美国已禁止在联邦系统中使用 DeepSeek,并正在考虑扩大限制范围。对于拥有美国客户或业务受美国出口管制约束的亚洲企业而言,这构成了重大风险。
印度展现了通过技术对冲应对中国模型主导地位的潜力与局限。印度企业采用中国模型的同时,新德里也在投资本土替代方案和算力。总额 12 亿美元的 IndiaAI Mission 正在部署约 38,000 个获得补贴的图形处理器,而 Sarvam AI 则推出了从零开始训练的 300 亿参数和 1050 亿参数模型。本土算力使印度开发者能够在境内微调并托管任何模型,从而减弱对中国云基础设施的依赖。
然而,印度的对冲策略只是转移依赖,而非消除依赖。图形处理器绝大多数从美国芯片制造商进口,这意味着印度将对中国模型的依赖转变为对美国硬件和出口管制的依赖。Sarvam 早期的模型 Sarvam-M 基于法国的 Mistral Small 构建。Sarvam 的较新模型虽从零开始训练,但能力仍落后于前沿系统。印度的做法降低了对中国基础设施的锁定,却并未带来技术独立;而且大多数其他亚洲国家仍无法实现这种部分对冲。
Qwen 和 DeepSeek 等中国开放权重人工智能模型,在亚洲对价格敏感的市场中具有显著的经济优势。中国实验室推出了能在配置不高的硬件上运行的强大模型,因此对于需要控制算力成本的印度和东南亚初创公司,以及希望通过在境内托管模型来保障数据主权的政府而言,这些模型很有吸引力。到 2025 年 8 月,Qwen 变体占 Hugging Face 上新语言模型衍生版本的 40% 以上,而 Llama 占 15%;与此同时,中国模型占 OpenRouter 上开放模型使用量的 80% 以上。
开放权重模型是人工智能技术栈中最容易替换的一层,下载后也无法撤回。真正的锁定效应存在于支持模型部署的算力和云基础设施中,因为大多数企业无法在不投入大量资金聘用工程师和购买图形处理器的情况下自行托管。阿里巴巴正在马来西亚、菲律宾和新加坡建设区域数据中心和人工智能基础设施,以承接这类需求。此外,路径依赖也会形成锁定效应:随着开发者逐渐融入特定模型生态系统,其工具、变体和评估基准会围绕该模型形成标准,使切换成本随时间不断增加。
印度正在通过总额 12 亿美元的 IndiaAI Mission 实施对冲策略。该计划正部署约 38,000 个获得补贴的图形处理器,并推动 Sarvam AI 等公司开发本土模型。这使印度开发者能够在境内微调并托管任何模型,从而降低采用中国云基础设施的压力。不过,这一策略只是转移依赖,而非消除依赖,因为图形处理器绝大多数从美国芯片制造商进口,印度将对中国模型的依赖转变为对美国硬件和出口管制的依赖。Sarvam 的较新模型虽从零开始训练,但能力仍落后于前沿系统。
相关快讯