精华简报：OpenAI「亲儿子」反水，认中国模型做「赛博义父」
来源：爱范儿 ifanr
链接：https://www.ifanr.com/1676629
TL;DR
本文揭示了一个正在发生的供应链反转：以 OpenAI 投资的法律 AI 独角兽 Harvey 为代表，一批美国明星 AI 产品正放弃“必须自研或接入 OpenAI/Anthropic”的路径，转而以中国开放权重模型——尤其 Kimi 系列——为底座进行垂直后训练。Cursor、Cosine、Devin、汤森路透、Thinking Machines 等案例表明，中国模型已从终端替代品升级为美国 AI 产品的上游“预制件”和基础设施。其核心逻辑是：在商业竞争中，模型血统没有成本与任务适配重要，开放权重让企业能以更低成本沉淀行业 know-how 和自有资产。
核心观点与洞察
1. Harvey 为何放弃“最强模型”而自训 Tenet？
Harvey 估值 110 亿美元，服务超 1300 家机构和 10 万名律师，是当前最值钱的法律 AI 公司。它发布的首个基于开放权重后训练的模型 Tenet，以 Kimi K3 为基座，面向长时间执行、连续调用工具的法律任务。初步成绩显示，Tenet 在 Harvey 法律智能体基准 LAB 上，成功完成任务接近底座模型的两倍。
关键判断在于：通用模型能回答法律知识，却未必能完成真实法律任务。律师接到的不是一道问答题，而是合伙人要求 + 真假线索混杂的客户文件。模型需要判断从哪里开始、连续检索阅读、发现风险、给出引用、形成可交付的合同修订或备忘录。真正稀缺的不是知识，而是“知道一项工作应该怎样完成、怎样检查”。这些隐性判断藏在成千上万次真实执行细节里，很难靠提示词和外部工作流完整传递，只能靠训练固化。
2. 中国模型成为美国 AI 产品的“预制底座”
文章列举了一条清晰的“接力链”：
| 公司/产品 | 领域 | 中国模型底座 | 备注 |
|---|---|---|---|
| Harvey Tenet | 法律 | Kimi K3 | OpenAI 投资，估值 110 亿美元 |
| Cursor Composer 2 / 2.5 | AI 编程 | Kimi K2.5 | 估值数百亿美元，曾大量使用 Claude |
| Cosine Lumen Outpost | 企业遗留代码维护 | Kimi K2.6 | 英国公司，专注“修理工”场景 |
| Devin SWE-1.7 | AI 编程 Agent | Kimi K2.7 | 前硅谷 AI Agent 明星产品 |
| 汤森路透 Thomson-1 | 法律/专业服务 | 未具名中国开源模型 | 自研模型 |
| Thinking Machines Inkling | 基础模型 | DeepSeek V3 架构 + Kimi K2.5 合成数据 | OpenAI 前 CTO 创办，估值超 120 亿美元 |
半年内，Kimi 不同版本像接力棒一样被海外公司依次拿走：K2.5 进入 Cursor，K2.6 被 Cosine 改造，K2.7 进入 Devin，K3 被 Harvey 训练成法律专家。这些公司不是简单换名，仍需投入数据、算力和行业经验，但不再执着于“从头训练”的血统叙事。
3. 第三条路：开放权重后训练改变成本结构
过去 AI 创业公司只有两条路：巨资从头训练，或接入 Claude/GPT 等闭源模型按次付费。后者启动快，但规模越大，付给上游模型公司的费用越高，利润容易被吃掉。
中国开源模型提供了第三条路：直接拿一套已训练好的模型，用自己的数据和业务经验继续加工。既不需要承担从零造模型的全部成本，也不用永远依赖 Anthropic、OpenAI 的定价和服务。汤森路透 CTO Joel Hron 的比喻很精准：调用外部 API 是“交租”，拥有自己的模型才能让行业数据和知识产权沉淀为资产。
4. 中国模型进入美国供应链的三种形态
- 开放权重直接后训练：Cursor、Harvey、Cosine、Devin 等直接基于 Kimi 系列做垂直训练。
- 合成数据：Thinking Machines 使用 Kimi K2.5 生成的合成数据启动监督微调。
- 架构参考：Thinking Machines 的 Inkling 参考 DeepSeek V3 做模型架构。
这说明中国模型的影响力已超越“抢用户”，进入更底层的供应链环节。
5. “品牌隐身”是基础设施化的信号
很多用户不知道底层模型来自中国，但这恰好说明中国模型正在获得另一种更“长期主义”的价值：成为其他 AI 产品的原料、底座和上游工业品。品牌隐身可能牺牲短期知名度，但换来的是基础设施级影响力。
启发与影响
对 AI 创业公司
垂直后训练成为新护城河。模型可以外购，但行业数据、工作流理解、评估基准和交付标准是壁垒。未来竞争从“谁有模型”转向“谁更懂任务”。
对闭源模型厂商（OpenAI/Anthropic）
面临“上游供应商”被绕开的压力。如果客户转向开放权重后训练，API 收入增长可能受限。必须靠更强模型、工具生态或企业服务绑定来维持地位。
对中国模型厂商
开源/开放权重是进入全球供应链的有效策略，但需要持续迭代，否则容易被替代；同时要应对地缘政治、出口管制和合规风险。品牌隐身可能牺牲短期知名度，但换来基础设施级影响力。
对全球 AI 格局
AI 供应链正在分层：底层基础模型、中层垂直后训练、上层产品应用。中国模型在底层和中层渗透，美国公司在应用层包装。这可能重塑全球 AI 分工。
风险提示
文章开头的法律 AI 翻车案例是警示：法官助理用 Perplexity 起草裁定出现虚构引用和当事人错误；当事人用白色小字引导 AI 推翻先前决定。专业场景必须严格评估幻觉、引用可靠性和对抗性提示注入风险。开放权重后训练还可能带来合规、安全、知识产权等问题。
结论
Harvey 选择 Kimi K3 不是孤立事件，而是一个供应链转折点：中国模型正从“替代品”变成美国 AI 产品的“上游工业品”。商业世界里，血统没有成本重要；能不能用更少的钱做出更适合客户的模型，才是关键。