編按：AI的競爭焦點，正從模型性能，轉向成本、部署與企業應用。中國的月之暗面，以開放權重與低成本路線突圍，也讓台灣重新思考主權AI、資料治理與產業布局，尋找不必選邊、卻能掌握關鍵位置的第三條路。
生成式AI的競爭，正在進入下一個階段。過去幾年，市場關注的是OpenAI、Google與Anthropic，誰能做出更大的模型、更強的推理能力，以及更高的Benchmark分數；但到了2026年，真正影響產業格局的問題，已逐漸從「誰的模型最強」，轉向「誰能讓AI更便宜、更容易部署，也更容易真正進入企業」。
中國AI新創月之暗面（Moonshot AI）的發展，正好反映了這個轉變。相較於美國大型AI公司主要採取閉源模型、訂閱制與API計費，月之暗面試圖透過高效能模型、開放權重與企業部署能力，走出另一條商業路線。這不只是中國AI追趕美國的技術競賽，也可能進一步改變全球AI產業既有的獲利模式。
從賣模型，轉向賣服務
美國AI公司的商業模式其實相當清楚。無論企業或個人，只要使用ChatGPT、Claude或Gemini，都不需要理解模型如何訓練，也不必自行購置大量GPU，只要透過雲端服務、訂閱制或API，就能快速取得最新的AI能力。
這種模式最大的優勢是方便，也大幅降低了企業導入AI的門檻。但便利的另一面，是企業也因此成為AI服務的「租戶」。模型版本、API價格、使用規則，甚至資料如何被處理，主導權大多掌握在供應商手中。對金融、生技、醫療、政府及製造業而言，一旦敏感資料必須送往外部平台處理，資料安全、商業機密、法規遵循與供應商依賴，就會成為無法忽視的問題。
開放權重模型正試圖改變這種關係。企業不一定只能向AI公司租用模型，也可以把模型部署在自己的伺服器、資料中心或私有雲中，再進一步整合內部資料與既有系統。AI公司的獲利來源，也可能從單純販售Token與API用量，轉向私有化部署、模型微調、推理最佳化、Agent（代理）設計與系統整合等服務。
換句話說，模型本身可能不再是最終商品，而更像是進入企業市場的一張門票。真正具有長期價值的，不只是模型有多強，而是能不能把AI真正嵌入企業的核心流程，解決實際的營運、決策與生產問題。
這與Linux的發展頗為相似。Linux本身可以免費取得，卻沒有因此失去商業價值，反而帶動伺服器、雲端服務、企業支援與系統整合等龐大市場。未來，大型語言模型也可能逐漸走向類似方向：競爭焦點將從「誰擁有模型」，轉向「誰能把模型變成企業真正可用的服務」。
開放權重真正搶的，是企業核心資料
對一般消費者而言，ChatGPT或Kimi誰回答得更快、更準，往往是最直接的比較方式；但對企業來說，更重要的問題其實是：公司的核心資料，能不能留在自己的環境裡？
生技公司掌握新藥實驗與臨床研究資料，金融業擁有交易紀錄與風險模型，半導體企業則握有製程參數、設備數據與良率資訊。這些資料本身就是企業競爭力的重要來源，一旦必須送往外部AI平台處理，企業自然會對資料安全、商業機密與合規問題有所顧慮。
因此，開放權重模型真正的戰略價值，並不只是「免費」，而是讓企業有機會把AI能力重新帶回自己的控制範圍。透過私有化部署，再搭配RAG、Fine-tuning、權限管理與企業知識庫，企業可以在保留資料主權的前提下，建立更符合自身需求的產業AI系統。
當不同模型之間的能力差距逐漸縮小，企業真正的護城河，也可能從模型本身轉向長期累積的資料、流程與Know-how。這說明模型可以被替換，但企業真正有價值的資料，很難被複製。
中國AI正在建立另一套生態
從DeepSeek、Qwen到Kimi，可以看到中國AI產業逐漸形成一條不同於美國的發展路線：高效能模型不一定要永遠鎖在雲端與API之後。
相較於OpenAI、Google與Anthropic以訂閱、API與雲端服務為核心的商業模式，中國AI公司近年更積極透過開放權重、降低推理成本與擴大開發者生態來建立影響力，希望讓模型更快進入企業、研究機構與各種產業場景。
這條路線的形成，也有現實背景。受到先進GPU與半導體出口限制影響，中國AI企業很難完全沿著「更多GPU、更多算力、更多參數」的方式，與美國正面競爭，因此，必須更加重視MoE架構、模型蒸餾、量化、推理最佳化，以及軟硬體之間的協同設計。
某種程度上，技術限制反而迫使中國AI產業思考另一個問題：如何用更低的成本，提供足夠強大的AI能力？
於是，中美AI逐漸形成兩套不同的競爭模式。美國擁有頂尖模型、全球雲端平台與雄厚資本市場；中國則試圖透過開放模型、價格優勢、龐大的開發者群體與本土產業應用，加速模型普及與市場滲透。
這場競爭最後可能不只是「哪一個模型比較強」，而是兩套AI生態系之間的較量。而對台灣而言，真正重要的問題也不是判斷誰最後會勝出，而是：當兩套AI生態逐漸成形，台灣究竟要站在什麼位置？
台灣真正的第三條路
台灣沒有必要加入「最大模型」的軍備競賽，也不需要複製OpenAI的發展模式。美國擁有微軟（Microsoft）、Google、亞馬遜（Amazon）等全球雲端平台與龐大資本市場，中國則具備巨大內需與工程人才規模；相較之下，台灣在資本、算力與市場規模上，很難用相同方式正面競爭。
但台灣真正的優勢，本來就不在於做出最大的模型，而是在全球AI基礎設施中占有關鍵位置。從晶圓製造、先進封裝、AI伺服器、散熱、電源、高速網通，到AI PC與邊緣運算，台灣早已深度嵌入全球AI供應鏈。
更重要的下一步，是把既有的「硬體優勢」進一步轉化為「AI系統優勢」。從提供設備與算力，延伸到AI Infrastructure、企業模型、AI Agent、資料治理與產業解決方案；從製造硬體，走向整合模型、資料與工作流程，才能把台灣在全球AI供應鏈中的位置，轉化為更高附加價值的產業能力。
這也意味著，台灣所談的「主權AI」，不應只是打造一個自己的聊天機器人，而應包含資料主權、模型自主與產業自主。金融、醫療、政府、半導體等敏感資料，需要具備在可控環境中運算的能力；企業也不應被單一模型供應商綁定，而要能在GPT、Claude、Gemini、Kimi、Qwen、DeepSeek甚至國產模型之間彈性切換。
更重要的是，台灣最有價值的AI資料，不一定存在公開網路上，而是存在工廠、醫院、銀行、供應鏈與工程師多年累積的經驗裡。因此，台灣真正值得投入的，不只是通用模型，而是半導體AI、製造AI、醫療AI、金融AI與資安AI等垂直應用。
面對美國的閉源雲端生態，以及中國的開放權重與低成本路線，台灣真正的第三條路，不是選擇站在哪一邊，而是讓自己成為兩邊都無法忽略的關鍵節點。
過去半導體產業的成功，不是因為台灣打造了另一個英特爾（Intel），而是因為蘋果（Apple）、輝達（NVIDIA）、超微（AMD），以及全球科技公司都需要台灣。AI時代也應採取相同思惟。無論未來企業使用GPT、Claude、Gemini、DeepSeek、Qwen還是Kimi，背後都需要晶片、伺服器、網路、資料中心，以及企業端的系統整合。
AI上半場比的是模型，下半場比的是產業生態。台灣真正要爭取的，不是做出世界最大的模型，而是成為全球AI產業中無法被取代的關鍵節點。
本文章反映作者意見，不代表《遠見》立場
