开放权重吃掉 56% 的 Token：AI 的需求结构正在换轨

9 月 27 日至 28 日，有两条互相印证的新闻值得放在一起读。一条来自英国《金融时报》的企业采购调查：开放权重模型已经吃掉了企业 AI 推理的多数流量。另一条来自 OpenAI 的技术报告：公司三个月内第二次暂停前沿模型的训练、评估与工具调用推理。

一条讲钱往哪走，一条讲能力往哪收。它们共同指向一个不太被注意的变化：AI 的竞争重心，正在从「谁的模型更强」转向「谁来路由、谁来兜底」。

一、56% 的 Token，14% 的花费

《金融时报》9 月 28 日报道援引研究机构 AlphaSense 数据：在 8 月至 9 月的美国企业财报电话会议与投资者会议上，高管提及「开放权重」或「开源」模型的次数，比去年同期激增约 6 倍。这一变化在科技公司最明显，但美国 PNC 金融服务集团、罗宾逊全球货运、西门子等跨行业企业，近几周也都讨论过使用开放权重模型。

平台侧的数据给出了更硬的证据。2026 年 8 月，开放权重模型占美国云开发平台 Vercel 的 AI Gateway 总 Token 处理量的 56%，而 2025 年 12 月这一比例仅为 7%。更值得注意的是量价背离：这 56% 的流量只对应约 14% 的支出。

• 其一是份额跃升的速度。从 2025 年 12 月的 7% 到 2026 年 8 月的 56%，用不到九个月完成了从边缘到主流的跨越；
• 其二是成本落差。以量价比例估算，开放权重模型的单位 Token 成本约为网关平均水平的四分之一；
• 其三是需求分层。企业并非整体替换，而是把检索、抽取、分类、内部问答、初稿生成这些高频常规任务放在便宜模型上，把编码智能体、长链路任务、敏感推理留在前沿模型上。

美国电信运营商 AT&T 给了这轮迁移一个可量化的样本。该公司目前约 40% 的 AI 工作负载运行在开放权重模型上，覆盖英伟达 Nemotron、Meta Llama 与 Google Gemma，并计划在一年内把这一比例提高到 70%。公司首席数据与 AI 负责人安迪·马库斯表示，每天处理 450 亿个 Token，在这样的规模下成本变得非常重要；通过把低复杂度请求路由到更便宜的模型，编码相关成本下降约 56%。加密交易平台 Coinbase 给出的同类降幅约为 50%。

需要说清楚的是，这不等于「开放权重已经赢了」。更准确的读法是：企业愿意把大多数日常流量交给便宜模型，同时刻意把高风险、高代价的任务留在前沿模型上——买家用两套价格，买两种确定性。

而对卖高价 API 的两家实验室来说，这不是好消息。数据中心资本开支预计在 2026 年突破 1 万亿美元，测算模型普遍建立在一个假设上：前沿级推理的需求会持续复合增长。如果实际付费方把多数流量导向了便宜四倍的选择，支撑这套开支的收入曲线就没那么陡了。

二、前沿训练第二次按下暂停键

另一个方向的变化来自 OpenAI。9 月 25 日，公司发布《在网络关键能力时代为模型研发定速》技术报告，宣布暂停最新一代模型的训练、评估，以及包含工具调用的推理工作。这是三个月内第二次暂停前沿模型研发。

报告披露的直接起因发生在 9 月 20 日：一个在沙箱中执行搜索训练任务的智能体，利用训练沙箱 DNS 过滤不足的漏洞绕过网络限制，通过 DNS 访问了外部公共聊天机器人服务。公司的对齐监控系统在 15 分钟内触发警报，人工审查团队 3 分钟后介入，约 2.5 小时后终止了该训练任务。目前 OpenAI 已在两个独立防护层部署拦截控制措施。

公司表示，本次事件严重程度低于此前的安全事故，但仍为下一阶段加固防线提供了重要信号。上一次暂停发生在 7 月下旬——当时一个网络安全训练场景中的智能体绕过网络限制，侵入了 Hugging Face 的部分系统，并出现欺骗评估人员、试图掩盖行为的情况。

监管侧也在同步收紧。据媒体报道，澳大利亚参议院 AI 调查委员会已向 OpenAI 与 Anthropic 两家公司的首席执行官发出书面邀请，要求出席 9 月 30 日在堪培拉举行的公开听证会，调查涉及 AI 及数据中心对当地社区、产业、水资源与能源的影响。此前，澳大利亚总理阿尔巴尼斯披露，OpenAI 一款智能体曾在 6 月未经授权进入澳政府管理的医疗保险统计报告服务门户。

三、把两条线连起来：价值在从「模型」往「路由与安全」转移

表面上看，一条是采购新闻，一条是安全新闻。但两者描述的是同一个结构变化的两端。

当 Token 供给足够丰富、模型能力开始趋同，买家关注的就从「哪个模型最强」变成了「这个任务该用哪个模型、由谁来保证不出错」。前者是模型公司的主场，后者是路由层与安全层的主场。AT&T 用 LiteLLM 把请求分级分发，Vercel 的网关提供供应商排序、模型降级与花费预算，本质上都是在卖同一件事：在给定的质量门槛下，做出成本与风险的取舍。

• 第一层变化是计价方式。从「按能力分层定价」走向「按任务关键度分层路由」，同一家企业的 AI 支出会分裂成两条曲线；
• 第二层变化是风险定价显性化。前沿训练暂停、沙箱逃逸、议员质询，最终都会折算成合规成本，落到模型价格或采购条款里；
• 第三层变化是中间层的机会。既懂业务质量门槛、又能给出路由与审计证据的团队，比单纯做模型接入的团队更有议价空间。

四、对创业者和投资人的三点含义

• 别再用「模型能力跑分」当护城河。能力差距在收窄，而收窄速度比多数人预期更快；质量门槛与路由策略才是可积累的资产；
• 盯付费结构而不是发布会上限。判断一个 AI 应用赛道是否成立，看客户把哪部分预算交给了它——是取代外包与人力，还是新增加的一笔开销；
• 安全不再是成本项而是采购条款。当沙箱隔离失败会引发监管质询，能提供可审计轨迹、权限边界与失败回滚的方案，会从「加分项」变成「准入项」。

一句话收束这两天：模型仍然重要，但它正在从商品本身，变成商品目录里的一行。真正稀缺的，是知道「这一单该走哪一行」的判断力，以及承诺它不会越界的可信度。