一个真实发生的事

2025 年 4 月，有一家初创公司，业务是在 Anthropic 的模型之上构建编程辅助应用。

就在这家公司即将被 OpenAI 收购的前夕，Anthropic 切断了它的模型访问权限。

这件事被 Vanderbilt Policy Accelerator 的报告完整记录下来。一家建立在 Anthropic 模型之上的编程应用初创公司，在即将被 OpenAI 收购时，Anthropic 切断了对其模型的访问。 Brandfetch

这不是技术故障，不是账单问题。是模型提供商行使了一个它一直拥有、但很少有人认真对待的权力：单方面决定你还能不能用它的 API。

如果你的整个产品建立在某家公司的 API 上，那么这家公司随时可以让你的产品停止运行。这是一个值得所有 AI 从业者认真思考的结构性风险。

市场集中度的真实数字

在讨论"垄断"这个词之前，先把数字放出来。

根据 Menlo Ventures 的分析，到 2025 年底，Google、OpenAI 和 Anthropic 三家公司控制了企业客户 370 亿美元市场的近 90%。Anthropic 占据 40% 的市场份额，OpenAI 占 27%，Google 占 21%。

Anthropic CEO Dario Amodei 在近期采访中承认了这种寡头垄断的市场结构，并将其归因于 AI 模型开发的高昂成本。

这个市场结构有一个技术名词：寡头垄断（Oligopoly）。不是完全垄断，但三家公司控制 90% 的市场，意味着实际上没有竞争性的定价压力，也没有真正意义上的替代选择。

资本集中度同样极端：

仅四家公司就吸收了 2026 年第一季度全球风险投资总额的 63%。OpenAI 融资 1220 亿美元，Anthropic 融资 300 亿美元，xAI 融资 200 亿美元，Waymo 融资 160 亿美元——四笔巨额融资合计 1880 亿美元。

Bridgewater 的 Greg Jensen 指出，OpenAI 当前以 35 倍前向营收定价，这是"为一个尚不存在的垄断结果定价"。

依赖闭源 API 的三种真实代价

成本失控：Uber 的案例

这是 2026 年被引用最多的 AI 成本案例之一。

Uber CTO Praveen Neppalli Naga 确认，公司在四个月内烧完了整个 2026 年的 AI 预算。驱动因素是 Claude Code 的采用率从工程师中的 32% 跳升至 84%，每位工程师每月的 API 成本在 500 到 2000 美元之间。Naga 表示公司在预算方面"回到了原点"。

这个案例揭示的是：AI 模型提供商在 Token 计费上是逐利的——你用得越多，你越依赖，他们的收入越高。这种激励结构和用户的利益天然存在张力。

从工程角度量化这个成本差距：

一个生产环境的 RAG 管道，使用前沿闭源 API 每月成本约 2275 美元，而使用优化过的开放权重模型运行，每月约 168 美元——成本降低 93%，性能差异极小。对于每月处理数百万 Token 的组织，这个单位经济差距不是边际问题，而是影响产品利润率、竞争定价和长期技术锁定风险的战略决策。

厂商锁定：你没有退出选项

使用闭源模型的代价是你对模型本身没有控制权——它的行为、定价和可用性完全由厂商决定。对于已经在专有 API 上构建了生产系统的组织，这种厂商依赖正在成为一个战略顾虑，尤其是当 AI 已经成为其核心产品的时候。

厂商锁定的技术含义不只是价格风险：

闭源 API 依赖的风险矩阵：

价格风险：
├── 模型提供商随时可以调整定价
├── 新版本通常更贵，但迁移成本迫使你升级
└── 无法通过批量采购获得真正的议价权

可用性风险：
├── API 中断直接导致你的产品中断
├── 模型提供商可以单方面终止服务协议
└── 政策变更可能影响你的使用场景合规性

能力风险：
├── 模型更新可能改变行为，破坏你的工作流
├── 你无法针对自己的数据做微调
└── 核心推理能力的演化路线不由你决定

数据风险：
├── 推理请求经过第三方服务器
├── 数据处理政策随时可能变化
└── 无法满足严格的数据驻留合规要求

定价策略的隐含逻辑

OpenAI、Anthropic 和 Google 最初使用人为压低的低价来驱动采用、占领市场份额，依赖烧投资者资金来制造依赖性，然后再将被圈住的用户群变现。

这是一个经典的双阶段商业策略：先以低价制造依赖，再在依赖形成后提价变现。这不是阴谋论，是商业模式的内在逻辑，任何理性的投资者都会要求这么做，因为这是实现高估值的必经路径。

问题在于：当你的 AI 基础设施被这种策略绑定，你失去的不只是议价权，而是对自己技术路线的控制权。

垄断会不会真的发生：几个对立视角

这里需要诚实地说，这个问题没有唯一正确答案。

支持"垄断已经成型"的论据：

三家公司控制 90% 的企业市场，而且 Anthropic CEO 自己承认这是寡头垄断结构，并将高昂的开发成本视为这种集中度的必然原因。

市场进入门槛确实极高——训练前沿模型需要的算力投入，已经不是普通公司能够负担的量级。这是一种客观存在的结构性壁垒。

支持"垄断未必成立"的论据：

开源模型正在缩小差距——前沿闭源模型保持可测量的性能领先，但开源模型以低 5-10 倍的每 Token 推理成本，覆盖了闭源模型 70-90% 的能力。

中国实验室正在以美国实验室的一小部分价格提供可比工作的同类模型，西方挑战者（NVIDIA、Cohere、Mistral 等）也在为不愿使用中国模型的企业构建更便宜、更小、更高效的替代方案。

如果有竞争性的开源选项存在，谈判权就会向用户转移。战略建议是：不要把自己架构成对单一提供商的依赖，保持切换能力。即便你主要使用闭源 API，开源模型的可移植性也提供了议价筹码

比较诚实的结论是：

这个问题没有简单答案。市场确实高度集中，三家公司控制了绝大多数企业市场。但开源生态的发展、中国模型的竞争，以及企业越来越强的成本意识，都在对这种集中度形成制衡。最终的均衡点，还不确定。

去中心化 AGI 的战略含义

在这个背景下，"去中心化 AGI"这个方向的价值，需要从几个不同维度来理解。

算力层的去中心化：打破基础设施垄断

当前 AI 生态的一个关键矛盾是：模型训练和推理需要的 GPU 算力，高度集中在少数云厂商手里。

AWS、GCP、Azure 控制了绝大多数可用于 AI 训练的高端 GPU 集群。这意味着，即便你选择使用开源模型，你依然依赖中心化云服务商的算力来运行它。

去中心化 GPU 网络（Aethir 等项目代表的方向）在架构层面提供了一种不同的可能性：

中心化算力模式：
开发者 → 模型 API（OpenAI/Anthropic）
              或
开发者 → 自有模型 → AWS/GCP GPU 租用

去中心化算力模式：
开发者 → 自有/开源模型 → 去中心化 GPU 网络
                                  ↑
                         全球分布式节点
                         无单一控制方
                         无厂商锁定

以 Aethir 为例，其基础设施覆盖 94 个国家、200 余个地点的 43 万个 GPU 容器，同时服务 Aethir Claw 的 Agent 部署和 Axe Compute 这类 2.6 亿美元规模的企业合同。去中心化网络的特性在算力层提供了一种结构性的反垄断机制——没有任何单一实体控制整个网络的算力供给。

5.2 推理层的去中心化：数据不出圈

从工程角度，推理层的去中心化解决的是一个具体问题：

# 当前大多数 AI Agent 的推理流程：
def agent_inference(task_data):
    response = openai.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": task_data}]
        # task_data 包含你的业务逻辑、用户数据、
        # 专有知识——所有这些都离开了你的基础设施
    )
    return response

# 数据流：你的服务器 → 公网 → OpenAI 服务器
#          → 推理完成 → 公网 → 返回你的服务器

# 去中心化推理（如 Aethir Mesh 的方向）：
def agent_inference_decentralized(task_data):
    response = aethir_mesh.inference(
        model="deepseek-v4",  # 开源模型，直接运行在去中心化 GPU 上
        messages=[{"role": "user", "content": task_data}]
        # task_data 在 Aethir 生态内部完成推理
        # 不经过 OpenAI/Anthropic 的服务器
    )
    return response

# 数据流：你的服务器 → Aethir 去中心化网络 → 返回
#          数据不离开可控范围

这不只是隐私问题，对于需要满足数据驻留合规要求的场景（医疗、金融、政府），这是一个硬性的架构约束。

模型层的去中心化：能力不被少数人控制

开源 AI 不只是在"追赶"——它正在重新定义大规模用户和组织的可能性边界。闭源模型驱动绝对前沿和精致化，但开源生态带来的是民主化、韧性和爆炸式创新。

从更长远的视角看，如果通向 AGI 的关键能力被少数闭源实验室垄断，会发生什么？

这不只是商业竞争问题。AGI 级别的推理能力如果集中在少数实体手中：

垄断 AGI 的潜在结构性风险：

技术层面：
├── 能力演化路线由少数实验室决定
├── 安全研究被商业利益驱动
└── 关键推理能力可能随时被限流或切断

经济层面：
├── 依赖 AGI API 的产业面临极端价格风险
├── 下游应用公司的估值被上游控制
└── 创新激励结构被扭曲

地缘政治层面：
├── AGI 能力的地理集中度是国家安全问题
├── 单一司法管辖区的监管可以影响全球 AI 使用
└── 技术主权成为国家战略核心议题

去中心化 AGI 的战略意义，不只是"便宜"或者"自由"。它是在确保：当 AGI 能力成为基础设施，这个基础设施不被少数实体单点控制。

2026 年的实际架构选择

基于以上分析，对开发者和技术决策者来说，实际的架构选择框架是什么？

2026 年的战略问题很少是"二选一"——大多数生产 AI 部署同时使用闭源模型处理通用任务，以及经过微调的开源模型处理成本敏感或领域特定的工作流。

2026 年，赢得 AI 比赛的组织不是只选择一个生态系统的。他们在设计战略路由的 AI 系统，根据业务需求对齐模型能力。

一个具体的决策矩阵：

场景 → 推荐架构

通用对话、内容生成、探索性任务：
└── 闭源 API（能力天花板更高，接入更简单）

成本敏感的大规模推理（月处理 >1000 万 Token）：
└── 开源模型 + 自托管推理（成本降低 90%+）

处理敏感数据的生产系统（医疗/金融/政府）：
└── 开源模型 + 去中心化/私有推理基础设施

需要持续运行的 AI Agent（7×24 监控类）：
└── 开源模型 + 去中心化算力（无单点故障）

需要模型微调的领域特定任务：
└── 开源模型（闭源模型不提供权重，无法微调）

希望保留切换能力的核心业务系统：
└── 混合架构，避免单一提供商依赖

核心战略建议：不要把自己架构成对单一提供商的依赖，保持切换能力。即便你主要使用闭源 API，开源模型的可移植性也提供了真实的议价筹码。

一个值得承认的不确定性

这篇文章不是在说"闭源 AI 都是坏的，开源去中心化都是好的"。现实远比这复杂。

最有效的 AI 实施，不是在开源和闭源的辩论中站队，而是构建能够利用两种范式优势的系统，创造可持续的竞争优势。

Claude（Anthropic 开发）在推理能力和安全研究上有真实的技术优势。GPT-5 在某些任务上确实优于目前最好的开源模型。这些是事实，不应该因为对垄断风险的担忧而否认。

但同样是事实的是：

AI 模型提供商最初使用人为压低的低价来制造依赖性，然后再变现——这是商业模式的内在逻辑，不是意外。

Anthropic 在 2025 年已经至少多次切断了客户的模型访问权限。

你对闭源模型没有控制权——它的行为、定价和可用性完全由厂商决定。

这些不是理论风险，是已经发生的真实事件和有文献记录的商业行为。

作为技术从业者，认识到这些风险，并在架构设计阶段就把它考虑进去，是专业判断，不是偏执。

写在最后

AI 基础设施的中心化，和互联网基础设施的中心化，走的是同一条路：

早期以开放为旗号、以价格优惠换取用户依赖，当依赖形成之后，商业逻辑驱动着价格上升、控制加强、退出成本升高。

去中心化不是解决这个问题的唯一答案，但它是目前已知的、能在架构层面对冲这种集中风险的有效路径之一。

算力层的去中心化（如 Aethir 的 GPU 网络）、推理层的去中心化（如 Aethir Mesh 的开源模型直接运行）、以及 A2A 这类开放协议推动的 Agent 协作标准化——这些方向合在一起，勾勒的是一个不依赖少数实体单点控制的 AI 基础设施图景。

这张图景能不能实现，取决于足够多的技术从业者在做架构决策时，把这个问题认真放在选型条件里。