矽谷工程師都在偷偷改用中國AI 便宜100倍 真的品質一樣嗎 Kelly Tsai

Unregretful無悔Youth青春
470粉絲
38 次觀看·2026年6月18日
AI 生成·可能包含錯誤
Comments are disabled for this video.
中國模型擴散的速度
真的比我們想像中還要快
用 cloud opus 4.7 跑
一個月要兩萬五千美金
大概是臺幣八十萬
但是同樣的事情
用 deepseek v4 flash 跑
一個月只要兩百八十美金
大概是臺幣九千塊
這次中國證明瞭演算法的效率
可以擠出很多東西
歡迎收看 Kelly Channel
我是 Kelly
前陣子我做了
Open Cloud 跟 Hermes Agent 兩集
介紹現在最紅的 AI Agent
也講了矽谷工程師
現在都在用什麼工具寫 code
上線之後就有蠻多人問說
個人開發者真的是用不起
到底有沒有更便宜的替代方案呢
矽谷圈最近的答案
可能會讓你嚇一跳
就是改用中國模型
同樣處理一百萬個字
你沒有看錯
便宜了一百倍
但是性能差距
大概只有兩三個百分點而已
Airbnb 的客服 chatbot
現在跑的是阿里巴巴的 Quen
Stanford 最新一份報告說
美國新創80%
都在用中國的 base model
開發自家產品
中國模型佔全球 LLM 的使用量
從2024年底的1.2%
一路衝到2025年底的30%
所以這支影片我想來聊聊
中國的 AI 真的追上美國了嗎
明明不是說
已經被晶片禁令給卡脖子了
他們到底是怎麼做到的
應該要用中國的 AI 嗎
那我們就馬上開始吧
矽谷現在最常被點名的
中國 AI 主要就三家
另外還有質樸的 GLM 5.1
不過那個圈子小一點
這邊就先不談
這三家每家都有自己的招牌
DeepSeek V4 主打的是
便宜到不可思議
V4 Flash 一百萬個 token
才0.14美金
Kimi K2.6
在最難的 SweetBench Pro 評測上
贏過了 GPT 5.4
是第一個做到這件事的開源模型
Quen 3.6 Plus 是阿里巴巴出的
現在在 Hugging Face 上面
被衍生出超過18萬個 Derivative Model
算是非常受到開發者社群的熱愛
那為什麼大家要用中國模型呢
最直接的原因就是錢
HotCode MaxPlant 一個月兩百美金
用量還有上限
很多個人開發者真的負擔不起
但這幾家中國模型不只是便宜
有的還是 OpenWake
可以免費下載到自己電腦
或自家雲端來運行跟微調
成本可以壓到超級便宜
對個人 side project 玩家
還有預算很緊的小團隊
這個吸引力非常高
換一個場景看看會更有感
如果你是做一個中型的 Sauce
每個月要處理十億個 Tokens
用 Cloud Opus 4.7 跑
一個月要兩萬五千美金
大概是臺幣八十萬
但是同樣的事情用 DeepSeek V4 Flash 跑
一個月只要兩百八十美金
大概是臺幣九千塊
八十萬跟九千
差的不是一個量級是兩個量級
對小公司來說
這個差距不是隻是省一點
是能不能多撐一年的差距
也因為這樣前陣子
Airbnb 就把客服 chatbot 部分切去用款
但 Airbnb 用的是非核心低敏感的服務
不是付款訂房這種主流程
所以準確的說法不是
矽谷已經把中國模型當成基礎建設
是前沿團隊跟成本敏感的小公司在領跑
production 環境裡面要碰客戶資料
金融醫療政府這類
看的不是價格是合規
所以短期內還不會換
但是中國模型擴散的速度
真的比我們想像中還要快
所以我們知道價格吸引力了
但是性能上到底有沒有真的追平呢
以目前來說
中國 AI 的基礎能力
其實是有追上美國模型的
但在比較難的題目上還是有一點落差
我們可以先看兩個 Benchmark
先從基礎版開始
Sui Bench Verify 這個測試
是給 AI 一個真實的 GitHub issue
看他能不能解出來
PR 能不能過 test
DeepSeek v4 Pro 拿到了 91.2%
Cloud Opus 4.7 是 93.9%
差距只有 2.7 個百分點
所以基礎工作上算是追平了
再來看進階版的 Sui Bench Pro
這個測試是用同樣方法
但是題目更複雜
更接近真實的工程人物
DeepSeek v4 拿到 55.4%
Kimi K2.6 是 58.6%
Kimi 這個成績順帶一提
是第一個贏過 GPT 5.4 的開源純重模型
但是 Cloud Opus 4.7
在這個版本拿到了 64.3%
差距就拉到了 5 到 8 個百分點
等於說難題上還是輸的
但有人就會反問說
Benchmark 數字差兩三個百分點
真實使用上真的感覺得出來嗎
我會說是感覺得出來的
Benchmark 上 91 跟 94 看起來差不多
但是你拿來寫 production code 的時候
那 5 到 8 個百分點的差距
可能就是一次解掉複雜的 bug
還有重試三次才勉強過關的差距
對於個人開發者來說可能沒有差
但對在 production 跑的團隊就會很有感覺
我自己試過幾次
DeepSeek 寫個 Python script
改一個小 bug
寫個 SQL
跟 Cloud 比真的看不太出來差別
但是你叫他接手一個比較複雜的 refactor
或是要一次讀懂十幾個檔案之間的依賴關係
那個差距就會出來了
但這時候大家可能會冒出一個問題
美國從 2022 年就在進中國
買 NVIDIA 的高階晶片來擋 AI
進到 2026 年了
中國是怎麼用劣勢的硬體做到追頻的呢
中國這次能追上美國
靠的其實很大程度是演算法效率
但這個追頻有一個很重要的前提
是有美國的成果可以增六
美國走的是 scaling law 路線
意思是砸更多的算力
更多的資料
更多的參數
模型就會變得更強
2025 年美國 Big Four
就是微軟
Amazon
Meta
跟 Google
The CAPEX 加起來總共砸了 3500 億美金
中國同年雲端商總和不到 400 億
差了 9 倍以上
再加上中國買不到頂級的 NVIDIA 晶片
自己的 ASCEND 910C
算力大概只有 H100 的 60%
在這個劣勢之下
中國乾脆換一個打法
不拼算力改拼演算法的效率
最震撼業界的一個數字是
DeepSeek R1 訓練成本只花了 600 萬美金
就做出 OpenAI O1 等級的推理能力
要知道美國 Labs 做出同等級的模型
訓練成本估計是數十億美金
中國這邊就靠著三招演算法層的優化
第一個是 MOE
就是混合專家架構
第二個是 Sparse Attention
吸收注意力
再來是 Reinforcement Learning
強化學習
這邊就不多解釋是什麼意思
反正就是一些優化的方式
用 1% 的成本就做到了 95% 的性能
這對於美國的 Scaling Loss 思維
可以說是一個巴掌
它證明瞭你不一定要砸最多錢
不一定要有最好的晶片
只要演算法的效率夠高
一樣可以追平
但這個追平背後
有一部分是他們的技術實力真的很厲害
另一部分其實也是因為
他們有一些比較有爭議的行為
第一個就是爭6的爭議
2026年的4月26號
美國的國務院公開指控
中國 AI 公司大規模的
從美國先進實驗室竊取智慧財產
DeepSeek 就被點名用假帳號
從 OpenAI Anthropic 大量偷訓練資料
不過在馬斯克跟 Sam Ellman 的聽審期間
馬斯克也公開承認
XAI 自己也用 Distilling OpenAI 來訓練 Grok
所以這算是業界有爭議的做法
另外有一個大傢俬下也比較愛討論的陰謀論版本
就是 DeepSeek 那個600萬到底有沒有水分
有人估說這個數字其實不含基礎研究
不含失敗實驗
不含挖角資深 Researcher 的薪水等等
所以真實的成本可能是600萬的兩倍或三倍
不過即使翻了三倍
也還是比美國便宜兩個量級
那至於追上這兩個字到底算不算數
矽谷的共識其實還沒有形成
比較常聽到的講法是
這次中國證明瞭演算法的效率
可以擠出很多東西
但是獨立創造的能力還沒有被證明
欸那性能也堪用
成本也便宜
這樣聽起來不是直接用就好了嗎
當然天下是沒有白吃的午餐
中國模型還是有一些隱憂
第一個風險就是資料合規
資安研究機構就有發現
DeepSeek 有印編碼加密金鑰
或者是未加密回傳裝置資料到中國的伺服器
還有按鍵模式蒐集
再加上中國的2017國家情報法
要求所有組織配合情報工作
所以中國hosting的AI服務全部都受到影響
但這裡有個細微的差別是大家常常搞錯的
上面這些風險其實90%都是針對
DeepSeek API加上中國伺服器這個模式
如果你下載Openway
在自家的電腦或自家雲端跑
那資料就完全留在本地也不會出國
所以用Quant不等於資料就給中國
模型成就本身是中性的
把資料送去哪裡纔是真正的問題
那第二個風險就是
這部分比較少人在講
Stanford跟其他研究機構就做過一個測試
問17個主流AI模型關於臺灣主權的問題
結果有15個都出現可量化的偏見
包含拒答、給標準的官方說法
或者直接回答錯誤資料
其中中國模型是100%fail
不論是用中文還是英文問都一樣
第三個風險就叫做
這個是切過去中國模型的小公司最應該想清楚的
如果你公司原本一個月的帳單2萬美金
切去DeepSeek之後只剩200多美金
省下來的錢可以再請一個工程師
這當然很香
但你也要想清楚
DeepSeek如果哪一天突然漲價
或者突然停服
或者是帳號被中國政府要求交資料
那你要怎麼辦
這個風險跟你用AWS還是GCP是一樣的考量
差別是
所以現在比較成熟的做法是混搭
主力還是放在Quad或者OpenAI
但是DeepSeek可以拿來跑成本比較敏感
而且可以隨時切回去的工作
那講完了三個風險
最後就來講講我自己是怎麼看這件事情的
面對中國的AI該怎麼用
我覺得判斷的核心是兩件事情
你的手上資料是什麼
你要用的場景是什麼
如果你只是個人開發者
做side project
或者只是學東西用的公開資料
那DeepSeek V4 Flash跟Quant 3.6 Plus
完全是可以選的選項
便宜又效果夠
反正資料也不會很敏感
但如果是公司內部的工具
不會碰到客戶資料
比較聰明的做法就是抓DeepSeek V4 Pro
或者Kimi Carry.6的開源權重
丟在自家的雲端跑
這樣子省錢資料也可以留在本地
但只要你的場景是碰到客戶資料
機密或者法規敏感的東西
就老老實實回去用Cloud或GPT比較好
因為SLA跟合規保障
是中國模型短期內補不上來的
那回到我們這一開始的問題
中國AI真的追上美國了嗎
我自己有兩個判斷
一個是長期看在Openway這條賽道上
中國真的是贏了一步
Quant那個Model Family
在Hugging Face上面已經超過Meta的Lama
中國開發者整體的下載佔比
也略微超過美國
意思是全球開發者
越來越多人是從中國的Openway起手
美國這邊的OpenAI跟Anthropic越來越避緣
短期內是賺得到錢
但這個生態勢一旦累積起來
要搬回去就很難了
但中國有一條路我覺得是天花板的東西
就是政治審查
模型只要要過中國國內審查
就必然要學會巨大轉移或者給標準答案
而這個動作就會回頭污染他的推理能力
所以這場仗最後可能會變成
中國在Openway賽道價格擴散速度上會領先
但只要審查這條線還在
他們的模型在處理開放性問題
這個維度上永遠會差一截
那如果今天這支影片有幫助到你
認識到中國AI模型的話
就幫這支影片點個讚
可以點開資訊欄的連結來支持我的頻道
然後也可以留言告訴我
你自己或你的公司有沒有在用中國模型呢
用在什麼場景
我們就下支影片再見囉
掰掰
