这一操作被业内人士解读为英伟达与OpenAI“资本闭环”的升级版，只不过这次加入了软银这个重量级玩家。资金从英伟达流向OpenAI，不仅影响了美股走势，更引发了对美国AI估值泡沫的二次质疑。2025年11月初，纳斯达克综合指数与标普500指数均录得近一个月最大单日跌幅，这是继春节前中国大模型DeepSeek-R1发布后，AI领域引发的第二场市场震荡。DeepSeek以远低于OpenAI的成本实现了媲美GPT-4的性能，并选择开源，这一举动首次让资本市场意识到：美国AI的神话并非不可撼动。
美国AI产业正陷入一个结构性困境：技术迭代与收入增长的速度，远不及资本预期的膨胀速度。这种矛盾在“人力—算力—资本”三条成本曲线上体现得尤为明显。以AI人才为例，OpenAI、Anthropic和Google DeepMind等头部企业争夺同一批顶尖博士，导致人才价格飙升。一个资深研究科学家的年薪普遍超过150万美元，顶级团队甚至达到250万至300万美元。meta、OpenAI等明星公司的AI人才年薪部分突破千万美元，这意味着一家大模型公司的核心团队年薪支出就可能超过1亿美元。
算力成本的压力同样巨大。OpenAI作为全球付费率最高的聊天机器人应用，其训练成本也是行业之最。据估算，GPT-4的训练成本在7000万至1.4亿美元之间，而GPT-5的成本只会更高。Anthropic的情况类似：尽管2025年预计收入接近90亿美元，但算力需求的扩张速度更快，导致其收入增长难以覆盖成本攀升。这种“必须持续加杠杆”的商业模式，让市场开始担忧其长期可持续性。英伟达的股价走势也印证了这种焦虑——作为AI最大的“卖水人”，其市值上涨速度已远超利润兑现能力。一旦训练和推理需求增速放缓，英伟达将首当其冲受到冲击。
软银的决策反映了市场态度的微妙变化。在英伟达市值高点附近清仓，并将资金转向OpenAI，这种“换仓”操作并非看空AI，而是对价值链位置的重新选择。连擅长在科技周期中获利的软银都开始调整策略，说明美国AI的估值叙事已出现裂痕。相比之下，中国AI的估值逻辑呈现出截然不同的特征。
从成本结构来看，中国AI企业正在现有条件下实现追赶甚至反超。Jefferies的报告指出，2023至2025年中国头部云厂商的AI资本开支总和比美国同行低82%，而投资回报率（ROI）却显著更高。这种差异源于中国企业的务实路线——不追求参数规模的盲目扩张，而是通过模型架构创新、算子优化和异构训练等技术手段，在相同算力下实现更高性能。DeepSeek的成功是这一路线的典型案例：其通过工程化提效和混合精度训练，证明了大模型竞争的核心不是规模，而是算力利用效率。
这种务实策略在中国AI企业中已形成共识。以MiniMax为例，其M1模型采用Linear Attention架构，在512块H800显卡上仅用三周就完成了强化学习阶段，训练成本约54万美元。M2模型则切换回Full Attention架构，以平衡复杂任务表现与稳定性。这种根据产品需求灵活调整架构的做法，体现了“实用为先”的逻辑。据知情人士透露，MiniMax的高估值建立在架构创新基础上——用更少的钱实现同等训练效果，是其技术路线的主线。
商业化速度的差异更为明显。美国企业普遍遵循“先做强模型，再寻找场景”的逻辑，而中国公司则更倾向于“先确定场景，再训练适用模型”。这种反向操作在ToC端效果显著。MiniMax成为中国最早跑通大规模付费模式的AI企业之一，其多模态模型（包括语音、音乐和视频）在海外市场表现出色，日活跃用户（DAU）和付费率均维持在健康水平，而训练成本却远低于OpenAI。某头部视频平台、大型教育科技公司和全球语音通讯服务商等企业，均已与MiniMax建立API合作，验证了其商业闭环的可行性。
当OpenAI试图构建覆盖文本、语音、视频和工具链的“未来操作系统”时，中国AI企业选择了另一条路径：在3至5年的关键窗口期内，快速落地应用、构建生态和积累用户。MiniMax的产品战略体现了这一思路——其语音、音乐、视频生成模型与文本模型形成能力矩阵，围绕“立即商业化”的目标展开，而非等待未来平台的成熟。这种差异不仅源于路径选择，更来自结构性成本优势。报告显示，中国模型在同等智能水平下的价格普遍低于美国模型，这种“降维打击”能力将加速中国模型在全球市场的渗透。
中国AI版图中，头部企业的差异化格局逐渐清晰。阿里Qwen依托阿里云的算力体系，在政企、金融和制造等领域实现深度落地，其模型版本更新频繁、稳定性强，为大模型基础设施提供了坚实支撑；Kimi在长文本处理上保持优势，提供高质量内容体验和资料整理能力；智谱则在企业合作广度和技术路线扎实性上领先，成为ToB部署的重要参与者。这些企业共同构成了中国AI的多元生态，分别满足产业链的不同需求。在这场全球AI竞赛中，中国企业的务实路线和成本优势，正在重塑竞争格局。
