從 OpenSea 到 OpenRouter：Alex Atala 剖析多模型範式、Jevons 悖論與企業動態成本控制

OpenRouter 真正押注的不是“哪個模型贏”：它在押注 AI 世界會像資本市場一樣走向多模型、多供應商與智能路由

這期訪談非常值得研究。

因爲 Alex Atallah 所處的位置，與 Sam Altman、Jensen Huang、Alexandr Wang 都不一樣。

Sam Altman 希望生產最先進的模型。

Jensen Huang 希望所有模型都消耗更多計算。

Alexandr Wang 關注如何把模型變成可運行的 Agent 系統。

而 OpenRouter 的商業模式建立在另一個前提之上：

未來不會只有一個模型、一個模型公司、一個推理供應商。模型會越來越多，價格不斷變化，能力不斷變化，企業需要一個“智能交換層”決定每個任務到底交給誰。

這就是爲什麼 OpenRouter 值得研究。

如果說 OpenAI 想成爲“智能生產商”，那麼 OpenRouter 更像是在嘗試成爲：

AI 世界的交易所 + 智能路由器 + 成本控制層 + 供應商抽象層。

但開始之前，有幾個重要事實必須先糾正。

1. 首先，嘉賓名字是 Alex Atallah，不是 Alex Atala

Alex Atallah 是 OpenRouter 聯合創始人兼 CEO，此前是 OpenSea 聯合創始人兼 CTO；他的個人資料以及 OpenRouter 投資方 CapitalG 的資料都確認了這一點。

所以你的標題建議中最好統一改成：

Alex Atallah。

另外，“從 OpenC 到 OpenRouter”應該也是轉寫錯誤。

應當是：

從 OpenSea 到 OpenRouter。

2. OpenRouter 目前公開可確認的估值，更接近 13 億美元，而不是 15 億美元

OpenRouter 在 2026 年 5 月宣佈完成 1.13 億美元 Series B，由 Alphabet 旗下 CapitalG 領投，NVentures、ServiceNow Ventures、MongoDB Ventures、Snowflake Ventures、Databricks Ventures 等參與。公司同時披露，平臺已經服務超過 800 萬開發者、400 多個模型，每週處理約 25 萬億 tokens。

公開的 Forbes/PitchBook資料將其估值列爲約 13億美元。因此，“15億美元估值”截至目前公開資料不足，建議不要作爲確定數字使用。

不過，更重要的並不是13億還是15億美元。

更值得關注的是：

一家既不訓練最強模型、也不擁有GPU工廠的公司，爲什麼能夠成爲獨角獸？

答案就在整個AI產業結構正在變化。

3. OpenRouter真正賣的不是API，而是“選擇權”

表面上看，OpenRouter很簡單：

開發者通過一個API訪問：

• OpenAI；
• Anthropic；
• Google；
• DeepSeek；
• Qwen；
• Kimi；
• GLM；
• Nemotron；
• 大量其他模型。

但如果只是做一個API聚合器，很容易被複制。

它真正出售的是四種選擇權：

第一，模型選擇權。

某個任務可以用Claude，另一個任務可以用DeepSeek。

第二，推理供應商選擇權。

同一個開放權重模型可能由十幾家不同公司託管。

第三，成本選擇權。

同樣任務不必永遠支付最高等級模型的價格。

第四，退出選擇權。

某一個模型公司漲價、宕機、改變數據政策或者進入你的行業時，你仍然可以遷移。

所以 OpenRouter 真正解決的是：

AI時代的 vendor lock-in。

這比簡單“幫你調用模型”重要得多。

4. 一個非常重要的類比：OpenRouter更像Bloomberg/交易所，而不是“模型超市”

設想一個機構投資者。

他不會說：

我這一輩子只買摩根大通發行的證券。

他會根據：

• 價格；
• 風險；
• 流動性；
• 收益； -期限；

不斷調整。

未來企業使用AI也可能一樣。

一個公司不會說：

我所有智能任務永遠使用Claude Opus。

而會問：

• 哪個模型寫代碼最好？
• 哪個模型最便宜？
• 哪個延遲最低？
• 哪個可以本地部署？
• 哪個數據不能留存？
• 哪個擅長中文？
• 哪個適合長上下文？
• 哪個適合簡單分類？

於是模型開始逐漸具有一種：

金融資產式的可替代性和可比較性。

一旦發生這種變化，路由層就獲得價值。

5. OpenRouter真正押注的是“模型能力呈鋸齒狀”，而不是一個模型全面最好

今天的大模型市場並不是：

第一名模型 > 第二名 > 第三名，

然後第一名在所有任務上都最好。

現實更加像：

模型A編碼特別強。

模型B寫作更自然。

模型C價格極低。

模型D推理快。

模型E視覺強。

模型F可以私有部署。

這就是所謂：

Jagged Frontier——鋸齒狀能力邊界。

OpenRouter自己在分析開放權重模型時也明確指出，不同模型在能力、價格、速度、Agent能力上存在明顯差異，不存在一個簡單的全局排序。

這正是Routing存在的經濟基礎。

6. 如果最終真的有一個模型全面領先100倍，OpenRouter的價值反而會下降

這是分析OpenRouter必須看到的最大風險。

假設未來：

OpenAI Model X：

• 最聰明；
• 最便宜；
• 最快；
• 最安全；
• 最可靠；
• 所有語言最好；

而且領先所有競爭者10年。

那企業爲什麼還需要複雜的Router？

直接用它就行。

所以OpenRouter整個商業模式隱含一個巨大判斷：

AI模型市場長期不會形成一個絕對贏家通喫。

換句話說：

OpenRouter最大的朋友，不是任何具體模型公司。

而是：

模型競爭本身。

競爭越激烈，OpenRouter越重要。

7. 這也是爲什麼 Alex Atallah 強調“Neurodiversity”

這裏的 Neurodiversity 不是醫學意義，而是一種非常形象的產業比喻：

不要讓整個數字世界只擁有一種“大腦”。

假設一個公司所有任務全部交給同一個模型。

它實際上承擔了大量相關性風險：

同樣的：

• 幻覺模式；
• 推理偏見；
• 數據盲點；
• 安全策略；
• 服務故障；
• 供應商政策；

會影響所有業務。

如果使用多個模型，則可以獲得：

Model Diversification。

這和投資組合思想高度類似。

8. AI模型也開始出現類似“資產組合”的風險管理

例如一個重要金融判斷。

你可以：

Claude給答案。

GPT獨立判斷。

DeepSeek再判斷。

然後讓一個第四模型：

比較三個答案。

如果三者一致：

信心提高。

如果嚴重分歧：

交給人類。

這就像：

不把所有風險集中在一個模型上。

未來真正高風險AI系統可能越來越常見這種：

Model ensemble / model jury / consensus system。

因此多模型不僅是節省錢。

還可能是：

風險控制。

9. 從 OpenSea 到 OpenRouter，真正能夠複用的能力不是 Web3，而是“高波動市場基礎設施”

OpenSea最瘋狂的時期，有一個重要特徵：

需求突然爆發。

流量可以短時間巨大波動。

用戶對：

• 延遲；
• 宕機；
• 交易失敗；

極其敏感。

Atallah後來做OpenRouter，面對的環境其實非常類似。

某個模型突然發佈：

幾小時之內大量用戶湧入。

某個模型突然宕機：

請求必須切走。

某一家推理商GPU不足：

需要fallback。

所以他的 OpenSea 經歷真正可以遷移的是：

在高度不可預測的需求曲線下面，構建穩定中間層。

這也是基礎設施創業很重要的一種 founder-market fit。

10. 推理市場沒有被 AWS、Azure、GCP 完全喫掉，是一個非常重要的產業信號

OpenRouter當前公開列出的推理網絡已經超過70家provider，其中包括：

• Amazon Bedrock；
• Azure；
• Google Vertex；
• NVIDIA；
• DeepSeek；
• Fireworks；
• Together；
• Groq；
• CoreWeave；
• DeepInfra；
• Cerebras；
• Moonshot；
• Alibaba Cloud；

等大量參與者。

這說明 AI Cloud 正在發生一個和傳統雲計算略有不同的現象：

推理優化本身正在成爲專業產業。

爲什麼？

因爲推理並不是簡單租GPU。

還涉及：

• quantization；
• batching；
• caching；
• KV cache；
• speculative decoding；
• model parallelism；
• networking；
• kernel optimization；
• latency；
• throughput。

專業推理公司可以圍繞這些東西做到極致。

11. 所以“Cloud”正在裂成兩層

傳統理解：

AWS / Azure / GCP

↓

AI模型。

未來可能是：

GPU/雲基礎設施

↓

Inference Provider

↓

Model Router

↓

Agent/Application。

例如：

AWS提供GPU。

Fireworks優化模型推理。

OpenRouter決定調用誰。

你的Agent最終完成任務。

每增加一層都會有人問：

爲什麼不被上下游吞掉？

但歷史告訴我們：

只要這一層解決的複雜性足夠大，

中間層就可能成爲大公司。

12. NVIDIA 爲什麼天然喜歡推理生態繁榮？

這裏你材料中的判斷方向非常合理，但要做一點事實邊界：

“NVIDIA故意把GPU配額分散給很多推理公司”作爲具體策略，公開資料暫不足以驗證，應當標註爲 Atallah 的產業觀察，而不是已經公開證實的 NVIDIA 官方政策。

但是 NVIDIA 的經濟利益非常清楚：

推理商越多 → 模型越多 → AI使用越多 → GPU需求越多。

NVIDIA旗下NVentures本身也是OpenRouter最新一輪融資的投資者之一。

這和我們前面分析黃仁勳時完全一致：

NVIDIA不需要某一個模型贏。

它希望整個生態繁榮。

13. 中國開放權重模型的崛起，並不是敘事，現在已經能從真實使用數據看到

這一點非常重要。

OpenRouter 2026年6月的數據分析顯示：

DeepSeek在年初佔平臺token約9%，到6月接近18%；同時 Xiaomi、MiniMax、Tencent 等中國模型提供方也明顯提高份額。

到7月13日，OpenRouter進一步稱：

DeepSeek已經成爲平臺按token份額計算的第一大模型作者，佔約16.7%，兩個DeepSeek模型進入總使用量前十。

所以“美國開放權重陣營面臨中國強烈競爭”不是抽象的民族競爭故事。

已經開始體現爲：

開發者真實的token投票。

14. 但“中國開源模型已經全面反超美國”仍然過於寬泛

必須分層。

如果討論：

開放權重模型。

中國現在非常強，甚至在很多榜單和實際使用上領先。

OpenRouter 2026年6月的分析把 GLM 5.2 列爲當時 Intelligence Index 最強開放權重模型，並認爲 DeepSeek、GLM、Kimi、MiniMax 等中國模型共同構成了開放權重前沿的重要部分。

但如果討論：

整個AI frontier。

美國仍然擁有：

• OpenAI；
• Anthropic；
• Google；
• xAI；
• Meta；
• NVIDIA；

等大量最前沿實驗室和基礎設施。

所以更加準確的說法是：

中國已經在開放權重AI這一關鍵子戰場取得顯著領先或至少形成強勢集羣，而不是“整個AI產業全面超過美國”。

15. 爲什麼中國企業特別積極做 Open-weight？

這裏有非常深的產業邏輯。

如果你在閉源 API 上和 OpenAI、Anthropic正面競爭：

很難。

他們擁有：

• 品牌； -分發； -開發者生態； -企業客戶。

但如果把模型權重開放：

你可以快速獲得：

• 開發者；
• 第三方推理商；
• 社區優化；
• 微調生態；
• 國際分發。

這本質上是一種：

以開放換市場份額。

Linux當年對Unix。

Android對封閉移動系統。

開源模型也具有類似戰略。

16. 中國開放模型真正強的地方之一，是“價格—能力比”

OpenRouter自己的研究認爲，2026年的優秀開放權重模型與美國閉源前沿模型之間，在很多任務上的能力差距並沒有擴大，部分開放模型保持大致幾個月的能力差距，卻擁有明顯更低的部署成本。

這對企業非常重要。

因爲企業最終不是參加Benchmark比賽。

企業問的是：

完成這個任務多少錢？

假設Claude成功率98%。

GLM成功率95%。

但是價格差8倍。

對於某些任務：

95%已經足夠。

於是企業不會追求最高IQ。

而會追求：

最低 Cost per Successful Outcome。

17. 這是爲什麼“第二好的模型”也可以擁有巨大市場

傳統軟件容易 Winner Takes All。

因爲複製成本很低。

但 AI 有一個新的變量：

Inference Cost。

最強模型如果太貴，

企業會主動把簡單工作向更便宜模型遷移。

比如：

複雜架構設計 → 頂級模型。

代碼分類 → 便宜模型。

抽取地址 → 小模型。

總結會議 → 中檔模型。

所以AI可能形成：

Model Tiering。

非常像員工組織：

高級合夥人不應該做數據錄入。

頂級模型也不應該做所有簡單任務。

18. 這就是 Orchestrator + Sub-agents 架構爲什麼合理

未來一個典型AI系統可能是：

強模型負責規劃。

↓

任務拆解。

↓

大量便宜模型執行。

比如：

Claude/高端GPT：

理解用戶真正目標。

然後把100個小任務交給：

• Qwen；
• DeepSeek；
• Kimi；
• 小型專屬模型。

最後再用強模型檢查。

這實際上把傳統企業組織重新映射到了AI：

CEO / Manager → Orchestrator

Junior Workers → Sub-agents

但是數字勞動者可以每秒創建和銷燬。

這就是新的計算經濟學。

19. OpenRouter的真正終局因此可能不是 Router，而是“AI資源調度器”

今天的Router主要考慮：

• 模型；
• provider；
• 價格； -速度； -可靠性。

未來可能同時考慮：

• 任務難度；
• 用戶重要性；
• 數據隱私；
• 企業預算；
• 延遲要求； -歷史成功率； -上下文長度； -監管要求。

於是調用邏輯可能變成：

這個任務價值只有$0.02，所以不要使用$1模型。

另一個任務：

這是一份1億美元併購合同，多花$10完全無所謂。

這纔是真正的：

Economic Routing。

20. 我認爲“Economic Routing”甚至比“Model Routing”更重要

模型路由只問：

哪個模型更合適？

經濟路由問：

爲了完成這個任務，最合理投入多少機器智能？

這個問題非常像公司經營。

一個CEO不會讓：

$2,000/hour律師

幫忙打印文件。

未來企業也不會希望：

最昂貴的超級智能

處理所有郵件分類。

最終每個AI任務都會存在：

Intelligence Budget。

21. “Jevons Paradox”是理解整個 OpenRouter 投資邏輯的核心

傑文斯悖論的本質：

一項資源使用效率提高、單位成本下降以後，總消費量反而可能增加。

爲什麼？

因爲便宜以後，會產生原來不存在的新使用場景。

AI尤其容易出現這種現象。

例如：

一次高級AI任務從：

$1

下降到：

$0.10。

如果原來一天只調用10次，

現在一天調用200次，

雖然單次價格下降90%，

總支出反而：

從$10上升到$20。

22. 你提到 GPT-5.6 Luna “降價10倍、使用量增加13倍”，應該作爲訪談數據而不是普遍定律

OpenRouter當前確實列有 GPT-5.6 Luna，其平臺優惠價約爲每百萬輸入token $0.10、輸出token $0.60。

但“降價10倍 → OpenRouter使用量精確增加13倍”這一具體因果數字，我目前沒有找到獨立公開數據完整複覈。

所以正式寫作時最好表述：

Atallah在訪談中以Luna爲例稱，其價格大幅下降後，平臺用量出現超過價格下降幅度的增長，體現出典型Jevons效應。

然後再分析原理。

不要把13×寫成普遍經濟定律。

23. Agent時代甚至可能讓Jevons效應變得比過去更猛烈

因爲人類消費AI有一個物理限制：

你一天只能打字、閱讀、工作這麼久。

Agent不同。

Agent可以：

24小時運行。

還可以同時開：

100個。

OpenRouter自己的數據指出，Agentic workload 單次請求消耗的token可能遠高於普通人機對話；其2026年分析中提到大約可達到普通請求的15倍量級。

這意味着：

AI單位成本下降 + Agent數量增加 + Agent運行時間增加

可能同時發生。

總算力需求因此可以非常巨大。

24. 這也是爲什麼“模型越來越便宜”不一定傷害AI基礎設施公司

表面邏輯：

Token價格下降。

↓

AI公司收入下降。

但如果：

Token價格÷10。

使用量×50。

總體市場反而×5。

這就是爲什麼：

• NVIDIA；
• 推理商；
• OpenRouter；

都天然喜歡模型降價。

因爲他們押注的是：

Elasticity of Intelligence Demand。

人類對廉價智能的需求可能非常有彈性。

25. “企業害怕OpenAI和Anthropic”這個標題很抓人，但需要更加準確

企業不是簡單“害怕”OpenAI和Anthropic。

企業真正擔心的是：

Strategic Dependency。

四類風險特別重要。

第一：

價格依賴。

供應商突然改價怎麼辦？

第二：

技術依賴。

API改變怎麼辦？

第三：

數據依賴。

企業數據如何處理？

第四：

競爭依賴。

如果模型公司突然進入你的業務怎麼辦？

所以企業對多模型架構感興趣，不一定因爲不信任OpenAI。

而是因爲：

任何理性的企業都不願意讓關鍵生產系統只依賴一個外部供應商。

OpenRouter投資方CapitalG對OpenRouter的描述也特別強調其減少vendor lock-in、提供路由權限、數據處理控制和多供應商互操作能力。

26. Claude Design 是理解“模型公司下場做應用”風險的絕佳案例

Anthropic在2026年4月推出 Claude Design，直接進入視覺設計和原型製作領域。

對於Figma、Canva或者大量AI設計創業公司來說，這個事件傳遞一個信號：

你的基礎設施供應商，也可能成爲你的競爭者。

這並不是AI產業獨有。

歷史上一直如此。

Amazon既提供AWS，也進入大量垂直行業。

Microsoft提供Windows，同時做Office。

Google提供Android，同時做大量應用。

平臺總有向利潤更高的應用層擴張的誘惑。

27. 所以 AI 創業公司的一個核心戰略問題是：“我該不該依賴可能殺死我的供應商？”

答案不是“不依賴”。

因爲完全不用最先進模型可能根本無法競爭。

真正答案是：

依賴，但保持替換能力。

也就是：

OpenAI今天最好，就用OpenAI。

Anthropic明天更好，就換Anthropic。

DeepSeek便宜，就把20%任務遷過去。

這種戰略叫：

Avoiding Architectural Captivity。

不要讓供應商寫進你的公司DNA。

28. 多模型架構實際上是一種“企業談判權”

假設一個企業100% AI調用來自OpenAI。

OpenAI漲價20%。

企業怎麼辦？

遷移成本巨大。

但如果原本：

40% OpenAI。

30% Anthropic。

20% DeepSeek。

10%專屬模型。

那麼任何一家漲價，

企業都可以調整。

這就是：

Supplier Diversification。

跟汽車廠不會只採購一家供應商一個道理。

多模型不只是技術架構。

它還是：

採購戰略。

29. 企業真正害怕的不是閉源，而是“不可逆依賴”

這一點需要特別強調。

閉源模型並不天然壞。

相反，閉源服務往往可以提供：

• 最先進能力；
• 企業支持；
• SLA；
• 安全團隊；
• 合規認證； -快速更新。

而開放權重也不天然安全。

企業需要下載、部署、維護、監控。

所以真正的企業問題不是：

Open vs Closed。

而是：

Control vs Dependency。

如果閉源供應商給你足夠：

• 數據控制；
• 合同保護；
• 遷移接口；
• SLA；

完全可以成爲優秀選擇。

30. VPC 爲什麼變得如此重要？

VPC，即 Virtual Private Cloud。

簡單理解：

企業自己的雲上封閉網絡環境。

金融、醫療、政府和大型企業往往不希望核心數據隨意流向公共API。

於是他們可能要求：

• 數據不持久化；
• 不參與訓練；
• 特定地區處理；
• 私有網絡；
• 加密；
• 審計；
• 數據駐留。

OpenRouter當前企業產品已經提供：

• zero-data-retention；
• spend management；
• guardrails；
• provider controls；

等功能。

所以 AI Gateway 已經開始從“開發者便利工具”進入：

Enterprise Governance。

31. 這也是爲什麼 AI Gateway 可能變成企業新的安全邊界

傳統企業網絡：

員工

↓

Firewall

↓

Internet。

未來AI企業：

Employee / Agent

↓

AI Gateway

↓

OpenAI / Anthropic / DeepSeek / Private Models。

AI Gateway可以負責：

• 誰能調用什麼模型；
• 哪些數據可以發出去；
• 每個部門花多少錢；
• 請求是否含敏感信息；
• 哪些國家可以處理數據；
• 哪個provider可用；
• 保存審計日誌。

這就不只是router了。

它逐漸變成：

AI Firewall + AI FinOps + AI Procurement。

如果這個位置被牢牢佔據，價值非常大。

32. OpenRouter最大的潛在護城河之一，是“真實世界模型市場數據”

如果平臺一年處理超過萬億級甚至更大量tokens，它就可以觀察：

• 哪個模型在真實coding任務表現最好；
• 哪個provider最容易宕機；
• 哪個模型工具調用最穩定；
• 用戶什麼時候從模型A遷往B；
• 哪個任務最價格敏感；
• 哪種model/provider組合性價比最好。

OpenRouter稱其2026年預計將處理超過一千萬億token，即超過 1 quadrillion tokens。

這種數據非常有價值。

因爲Benchmark告訴你：

實驗室測試結果。

Router能夠看到：

真實經濟使用結果。

33. 這可能讓OpenRouter最終變成“AI市場的價格發現機制”

資本市場爲什麼需要交易所？

因爲交易所創造：

• 價格發現；
• 流動性； -標準化； -交易記錄。

OpenRouter可能做類似事情：

一個模型真正值多少錢？

不是實驗室自己說。

而是：

企業到底願意爲它付多少錢、使用多少、什麼時候換走。

隨着模型越來越商品化，

市場將越來越關注：

Price per Unit of Intelligence。

OpenRouter處在觀察這個價格形成過程的非常特殊位置。

34. 這甚至可能產生“智能商品化”

想象未來：

某種程度的推理能力成爲標準商品。

比如：

完成SWE-Bench級軟件任務。

市場有：

Model A：$4。

Model B：$1.20。

Model C：$0.30。

Router根據成功率計算：

真正價格不是 token price，

而是：

Cost per Verified Task。

一旦AI發展到這個階段，

智能將開始像：

• 電力； -帶寬； -雲計算；

一樣擁有商品屬性。

這可能是OpenRouter最宏大的長期機會。

35. 但這也帶來OpenRouter最大的商業風險：Router本身會不會商品化？

非常可能。

因爲：

AWS可以做router。

Azure可以做。

Google可以做。

Cloudflare可以做。

OpenAI甚至可以做多模型接口。

開源社區也可以做。

因此單純：

一個API調用400個模型

絕不是長期護城河。

真正護城河必須繼續向更難的地方移動：

• 實際流量數據；
• 智能路由；
• 企業治理；
• provider network； -支付； -可靠性； -性能評分； -審計； -跨模型Eval。

OpenRouter如果停留在“API aggregator”，長期價值有限。

36. 所以 OpenRouter 必須從“Pass-through layer”升級成“Decision layer”

低價值中間層：

用戶告訴我調用Claude，我幫他調用Claude。

高價值中間層：

用戶告訴我想完成什麼，我決定調用誰。

差別極大。

前者是：

Plumbing。

後者是：

Intelligence Allocation。

OpenRouter真正要成爲巨大公司，就必須不斷向第二種移動。

37. Harness 爲什麼可能比傳統 App 更適合 Agent？

傳統App假設用戶是人。

所以設計：

• button；
• menu；
• screen；
• form。

Agent不需要這些東西。

Agent喜歡：

• command line；
• API；
• structured schema；
• deterministic tool；
• file system；
• shell；
• permission。

Unix爲什麼長壽？

因爲Unix把複雜功能拆成：

小而可組合的工具。

例如：

grep。

cat。

sort。

pipe。

Agent天然適合這種世界。

因爲模型可以組合工具。

所以 Harness 更像：

給AI員工設計的操作環境。

38. 未來軟件可能形成兩套UI

一套給：

Humans。

需要：

• 圖形界面；
• 動畫；
• 菜單； -解釋。

另一套給：

Agents。

需要：

• API；
• CLI；
• schema；
• deterministic output； -權限；
• machine-readable docs。

過去企業只考慮：

UX——User Experience。

未來還要考慮：

AX——Agent Experience。

哪些公司最先爲Agent重新設計產品，可能獲得巨大的新分發優勢。

39. 這也是爲什麼“App時代結束”這種說法仍然過頭

Agent不會消滅App。

人類仍然需要：

• 看； -判斷； -確認； -娛樂； -創造。

真正變化是：

越來越多App之間的操作將不再由人點擊完成，而由Agent在後臺完成。

於是傳統：

Human → App → Human → Another App

會逐漸變成：

Human → Agent → APIs / Harnesses → Result。

應用不會消失。

它的：

human-facing UI 權重下降，machine-facing interface 權重上升。

40. “Dynamic Employee Cost”是這期訪談非常值得繼續推演的概念

過去員工成本非常容易計算：

一個工程師：

$200,000 salary。

AI時代：

這個工程師可能每天管理大量Agent。

於是他的真實成本變成：

Salary + Compute + Model Tokens + Tools。

員工A：

工資20萬美元。

每年AI成本2萬美元。

員工B：

工資20萬美元。

每年AI成本20萬美元。

但B創造的收入可能是A的5倍。

那麼誰更貴？

不能只看Token賬單。

要看：

Output / Total Cost。

41. 所以企業未來可能出現一種新的損益表：Human + Machine Unit Economics

比如一個銷售人員：

工資：

$100,000。

AI工具：

$30,000。

總成本：

$130,000。

一年帶來毛利潤：

$700,000。

非常優秀。

另一個：

工資：

$100,000。

AI調用：

$100,000。

只產生：

$150,000毛利潤。

那就很差。

未來公司不會簡單說：

員工AI用了太多錢。

而會問：

每1美元機器智能帶來了多少增量經濟產出？

這就是新的企業 FinOps。

42. 甚至會出現“每員工算力預算”

過去企業給員工：

工資預算。

差旅預算。

廣告預算。

未來可能增加：

Intelligence Budget。

比如：

初級分析師：

每月$500算力。

高級研究員：

$5,000。

頂級研發負責人：

$50,000。

原因不是職位越高越獎勵多。

而是：

一個優秀員工可能擁有更高的AI資本回報率。

這將使人類和機器資本的邊界越來越模糊。

43. 更高級的問題是：未來公司是不是應該按照“算力ROIC”配置AI？

企業今天做資本開支會算：

ROIC。

投資一個工廠1億美元，

每年產生多少利潤？

AI時代同樣應該問：

多花100萬美元token，創造多少利潤？

於是AI預算將從：

“IT Expense”

逐漸變成：

Productive Capital。

如果AI能夠直接增加：

• 銷售； -代碼產出； -客戶服務； -藥物研發；

它已經不是普通軟件訂閱。

而是一種：

數字生產資料。

44. 中國模型最大的戰略意義，也許不是“誰Benchmark第一”，而是讓智能價格持續通縮

這是非常重要的一點。

即使DeepSeek永遠不是全球最強模型。

只要它迫使：

OpenAI降價。

Anthropic降價。

Google降價。

它就已經改變全球AI經濟。

因爲競爭會導致：

Cost of Intelligence ↓

智能越便宜：

Agent越多。

應用越多。

自動化越深。

於是中國開放權重模型真正產生的全球影響可能是：

把AI的邊際價格向下壓。

這和中國製造業過去對：

• 光伏； -電池； -無人機；

產生的影響有一定結構相似性：

大規模競爭把價格快速壓低，最終擴大整個下游市場。

45. 但開放權重 ≠ 完全開源，這一點正式內容一定要寫清楚

DeepSeek、Qwen、Kimi、GLM等經常被媒體統稱：

“open source”。

技術上並不總準確。

真正開放可能涉及：

• weights；
• code；
• training data；
• training recipe；
• license。

很多模型主要開放：

weights。

因此正式稿最好統一使用：

開放權重模型（open-weight models）

除非具體模型滿足嚴格的open-source定義。

這是專業度非常重要的一個細節。

46. “美國可以靠蒸餾快速追趕中國開源”也需要加一層

Distillation——蒸餾，本質上是：

用強模型的輸出，

訓練更小、更便宜的新模型。

這是AI領域非常常見的方法。

但“只要蒸餾就能追上”過於簡單。

真正模型能力還取決於：

• 數據； -算力； -RL； -evals； -研究人才； -架構； -後訓練； -工具使用數據。

尤其涉及從其他商業模型輸出進行訓練時，還存在：

• 服務條款； -知識產權； -競爭政策；

問題。

所以蒸餾是重要工具，

不是魔法捷徑。

47. “Neolabs”不是一家叫 Neolabs 的公司

這一點你的材料也需要微調。

neolabs 是現在媒體對一批新型前沿AI研究創業公司的統稱，不是一個單獨實驗室。

The Information 對這一波公司的描述包括一些新研究型AI創業公司，並把 Thinking Machines、Poolside 等更廣泛的新實驗室生態放進這一競爭背景中。

所以建議寫：

新一代“neolab”式AI研究實驗室

而不是：

“美國Neolabs”。

48. 多模型未來最強的經濟理由不是理念，而是“模型本身正在快速折舊”

今天最好模型。

三個月後：

第二。

半年後：

可能便宜模型追上。

這意味着前沿模型具有一個非常特殊的資產屬性：

Intelligence depreciates quickly。

模型能力仍然存在，

但是其：

稀缺價值迅速下降。

這和芯片類似。

2024年的旗艦芯片仍然能工作。

但市場願意支付的價格下降。

所以企業如果把全部架構鎖在某一個模型上，

等於長期押注一個快速折舊資產。

49. Router因此本質上是在管理“智能折舊”

假設今天：

Claude最好。

明天：

GPT最好。

後天：

GLM在某任務最好。

Router讓企業能夠：

不斷把任務遷移到最新性價比邊界。

金融上可以理解爲：

不斷重新平衡投資組合。

今天持有：

A。

明天減持A，加B。

真正長期有價值的不是任何單個資產。

而是：

資產配置能力。

所以OpenRouter真正應該建立的品牌不是：

“我們有很多模型。”

而是：

我們知道什麼時候該用哪一個。

50. 但 OpenRouter 也必須面對一個危險：客戶會不會最終自己做Routing？

大型企業完全可以自己建立：

• router； -eval； -cost engine； -provider contracts。

尤其當AI支出達到：

每年幾千萬甚至幾億美元，

OpenRouter的5.5%左右平臺費就會變成很大的數字。目前OpenRouter的Pay-as-you-go平臺費公開爲5.5%。

因此 OpenRouter 必須保證：

自己創造的成本節省、可靠性和性能提升 > 收取的費用。

否則高規模客戶會選擇：

Build instead of buy。

這是非常典型的基礎設施公司挑戰。

51. 所以真正決定OpenRouter長期價值的是“routing alpha”

假設不用Router：

一年AI支出：

$100 million。

用了Router：

通過：

• cheaper models；
• caching；
• provider arbitrage；
• smart routing；

把成本降到：

$80 million。

即使OpenRouter收：

$5 million，

客戶仍然節省：

$15 million。

這就是：

Routing Alpha。

如果Router產生不了Alpha，

它只是稅。

如果能持續產生Alpha，

它就是價值。

52. 這與金融資產管理非常像

一個基金經理收1%管理費。

如果長期只能複製指數：

投資者最終會問：

爲什麼不買ETF？

同樣：

Router收5%。

如果只是機械轉發：

客戶最終會繞過它。

所以 OpenRouter必須持續證明：

After-fee performance improvement。

不是：

我們連接400個模型。

而是：

經過我們之後，你的AI系統真正更便宜、更穩定、更聰明。

53. 如果從創業角度，我認爲這期訪談最值得學習的是“不要只做模型上層包裝”

很多創業者現在仍然在做：

GPT API

一個UI。

這類公司的風險越來越大。

更加長期的機會是建立：

• Router； -Eval； -Agent identity； -Harness； -AI FinOps； -Security； -Data governance； -Workflow ownership。

因爲模型越來越商品化以後：

模型之間的協調成本會變成新的產業。

這和雲計算發展完全類似。

服務器商品化後，

沒有導致基礎設施公司消失。

反而產生：

• Datadog；
• Snowflake；
• Cloudflare；
• MongoDB；
• Okta。

AI也很可能如此。

54. 我會把AI技術棧重新畫成六層

第一層：

Compute。

NVIDIA、ASIC、數據中心。

第二層：

Inference。

Fireworks、Together、雲平臺。

第三層：

Models。

OpenAI、Anthropic、DeepSeek、Qwen、Kimi。

第四層：

Routing / Governance。

OpenRouter等。

第五層：

Harness / Agents。

真正執行任務的系統。

第六層：

Applications / Workflows。

醫療、金融、法律、銷售等。

每一層都在問：

誰能向上下游奪取利潤？

這就是AI產業未來十年的主要資本戰爭。

55. OpenRouter處的位置其實很危險，但也極其有價值

危險在於：

上游模型公司可以往下做router。

下游Agent公司可以自己做router。

雲廠商也可以做router。

所以它被上下夾擊。

但如果OpenRouter能夠成爲：

所有人都不願意自己重複建設的中立層

它就擁有巨大價值。

這與Stripe早期類似。

企業當然可以自己連接銀行。

但Stripe讓連接、支付和風控簡單得多。

優秀中間層的價值就是：

把產業複雜性集中到自己這裏，讓客戶不用處理。

56. “企業不信任巨頭”背後，其實隱藏着一個更大的資本主義問題

如果智能成爲21世紀最重要的生產資料，

企業願不願意讓生產資料完全掌握在另一家公司手中？

過去：

製造企業不願只有一個零部件供應商。

銀行不願只有一個融資來源。

國家不願只有一個能源來源。

那麼未來：

公司爲什麼願意只有一個智能來源？

這就是多模型路線最強的長期邏輯。

它不是開發者情懷。

而是：

Strategic Sovereignty。

57. 從國家層面也是一樣

如果一個國家：

金融系統；

醫療系統；

國防系統；

政府系統；

全部建立在一家國外閉源模型上，

它會產生巨大的戰略依賴。

因此未來：

• Sovereign AI； -國家模型； -開放權重； -本地推理；

會持續存在。

這也是爲什麼多模型並不是一個短期工程趨勢。

它背後還有：

國家安全和數字主權。

58. 這期訪談最大的投資啓示：不要只賭“最聰明模型”，還要研究“智能流通層”

互聯網時代最大的公司不全是：

製作內容的人。

還出現：

Google——組織信息。

Amazon——組織商品。

Visa——組織支付。

Cloudflare——組織網絡流量。

AI時代也一樣。

巨大價值可能不只存在於：

誰創造智能。

還存在於：

誰能夠組織、分配、定價和治理智能。

OpenRouter就是在押這個方向。

59. 對 OpenRouter 本身，我認爲未來應該追蹤六個真正重要的指標

第一：

Token volume。

平臺真實AI流量是否繼續指數增長？

第二：

Enterprise share。

是開發者試玩爲主，還是核心生產系統開始採用？

第三：

Routing penetration。

客戶到底只是用統一API，還是讓OpenRouter真正替它做模型決策？

第四：

Net savings after fee。

路由是否真正產生經濟價值？

第五：

Provider diversity。

是否持續避免被少數模型公司控制？

第六：

Gross margin / take rate durability。

隨着大型客戶議價，5%左右的平臺費能不能長期維持？

這六個指標比：

“支持多少模型”

重要得多。

60. 對創業者，我會提煉出八條最值得直接使用的原則

第一，不要把任何模型廠商當作永遠不變的基礎設施。

保持替換能力。

第二，區分模型能力與公司護城河。

前者折舊非常快。

第三，爲Agent設計產品，不只是爲人設計產品。

API、CLI、structured data越來越重要。

第四，建立自己的Eval。

沒有Eval就沒有智能路由。

第五，計算Cost per Successful Outcome，而不是隻看Token價格。

這是AI企業最重要的新財務指標之一。

第六，把供應商多樣化當風險管理。

不要形成單點依賴。

第七，找到新的稀缺層。

模型越商品化，協調、治理和工作流越值錢。

第八，必須擁有自己的客戶關係。

否則上游模型廠商隨時可能垂直整合你。

61. 把這期與前面 Huang、Altman、Wang、Frankel 放在一起，AI經濟的完整結構已經出現了

黃仁勳告訴你：

計算需求可能持續爆炸。

Sam Altman告訴你：

智能單位成本會持續下降。

Alexandr Wang告訴你：

Agent需要反饋循環、Eval和組織。

David Frankel提醒你：

技術趨勢正確，不等於每家公司和每個價格都值得投資。

Alex Atallah則補上了一塊極其關鍵的拼圖：

如果模型數量不斷增加、價格不斷變化、能力各有所長，那麼“如何配置智能”本身會成爲一個產業。

這樣整個鏈條就完整了：

Compute

↓

Models

↓

Inference

↓

Routing

↓

Agents

↓

Workflows

↓

Economic Output

真正的財富會向每一階段最稀缺的位置流動。

62. 最終最高層判斷：未來最大的 AI 公司之一，可能並不生產 AI，而是分配 AI

這是我認爲這期訪談最值得記住的地方。

20年前，一個非常大的互聯網問題是：

世界上網頁越來越多，誰幫我找到正確網頁？

Google出現了。

10年前：

雲越來越複雜，誰幫企業管理基礎設施？

出現了大量雲基礎設施公司。

未來：

世界可能存在：

• 數千個重要模型；
• 數百家推理供應商；
• 數十億Agent；
• 每秒海量AI任務。

這時真正的問題會變成：

這個任務，到底應該由哪一種智能、在哪一家基礎設施上、以什麼價格、在什麼隱私條件下完成？

如果這個問題足夠複雜，

Routing就不再是一個功能。

它可能成爲：

AI經濟的市場機制。

而 OpenRouter 真正最大的野心，很可能不是成爲：

“一個方便調用不同模型的網站”。

而是成爲：

全球機器智能的交換層。

但這也正是它最大的風險所在。

如果最終：

一個模型統治所有任務，

或者雲巨頭免費提供同樣的智能Routing，

OpenRouter的獨立價值就可能迅速壓縮。

所以判斷OpenRouter未來，不應該問：

“多模型現在是不是很流行？”

而應該問一個更加本質的問題：

智能會像iOS一樣集中到少數平臺，還是會像互聯網、電力和金融市場一樣，形成一個高度多元、可交易、可路由的開放生態？

如果答案是後者，

那麼OpenRouter所在的位置，確實可能非常大。

因爲屆時真正稀缺的東西已經不再只是：

Intelligence。

而是：

在正確時間，以正確成本，把正確智能送到正確任務上的能力。

這纔是 OpenRouter 這期訪談背後最值得理解的產業邏輯。