这就是为什么企业现在依赖来自中国的开源软件：悄然发生的AI转型

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年8月25日 / 更新日期：2026年8月25日 – 作者： Konrad Wolfenstein

悄然发生的AI转型：为什么企业现在依赖来自中国的开源技术？——图片来源：Xpert.Digital

告别美国垄断：中国人工智能是否提供更高的数据安全性？

更便宜、更强劲：中国轻量级摩托车如何撼动市场

人工智能成本差距：企业如何通过本地化运营大幅节省成本

美国科技巨头在人工智能领域的统治地位长期以来似乎不可撼动——直到现在。随着GLM 5.2等功能强大的中国开源模型迅速崛起，欧洲企业突然开启了一扇全新的战略窗口。这些模型承诺以远低于行业领先者的成本，提供与其媲美的技术水平，而且还可以在企业自有服务器上本地运行，从而为数据主权创造了全新的可能性。然而，乍看之下似乎是摆脱对昂贵云服务依赖的完美方案，在实践中却往往是一项极其复杂的任务。从看似简单的快速搭建试点项目，到欧洲人工智能法案的严格监管要求，再到错综复杂的地缘政治因素：开源模型的使用远非简单的技术升级。任何只关注基准测试结果而忽视组织成熟度的企业，都将陷入成本陷阱。本文将详细探讨为何转向本地开源人工智能蕴藏着巨大的机遇，以及企业如何从一开始就避免常见的实施错误。.

悄无声息的转变，却带来巨大的后果。

目前，欧洲IT部门最关注的问题之一就是是否应该在公司内部运行高性能中文语言模型。随着智普AI的GLM 5.2等模型的发布（该模型于2026年6月以MIT许可证发布），一个几年前还难以想象的技术窗口已经开启。企业现在可以免费下载一个拥有约7440亿至7530亿个参数的模型（其中每个查询会用到约400亿个参数），并在自有或受信任的基础设施上运行。该模型的上下文窗口为一百万个词元，专为多阶段任务、编程工作以及工具的独立使用而设计。在SWE-bench Pro或Terminal-Bench 2.1等基准测试中，它的得分接近GPT-5.5或Claude Opus 4.8等顶级封闭模型，而每个词元的处理成本却低得多。技术成熟、开放许可和低廉的价格相结合，从根本上改变了许多公司的考量，因为突然之间不再只是美国供应商之间的竞争，而是一个全新的地缘政治因素融入到以前由少数几家公司主导的技术架构中。.

从实验室演示到强大的企业解决方案

然而，真正的挑战不在于模型本身，而在于成功的测试运行与可用于生产环境的系统之间的差距。开放权重模型并非现成的工具，不能开箱即用，立即部署到业务关键型应用中。仅仅将模型权重上传到GPU服务器并添加一个基本的聊天界面，只能创建一个演示版本，而无法构建一个可用于生产环境的平台。这种技术可行性与组织成熟度之间的混淆，是企业人工智能试点项目失败或停滞在测试阶段的最常见原因之一。因此，实施顺序不应从模型开始，而应从具体的用例入手，然后依次进行架构设计、数据连接、安全模型构建、评估和持续运维。遵循这一顺序可以避免最常见的陷阱：不必要的庞大基础设施、IT部门、业务部门和管理层之间职责不清，以及人工智能代理拥有远超其实际任务所需的权限。.

明智的做法：从小事做起，才能有远大的目标。

所有成功的实施都始于选择一个收益可量化、风险可控的任务。那些输入清晰、结果可验证、且出错后果可控的流程较为合适，例如搜索技术维护文档、自动分类内部请求或支持软件代码分析。直接控制生产设施、触发支付交易或辅助人事决策的应用则不太适合初始实施。基本原则是：事后验证结果的难度越大，试点项目失控的风险就越高。因此，在任何技术工作开始之前，每个用例都需要一个简洁而明确的概要文件。具体要解决什么任务？可以使用哪些数据？如何衡量结果质量？可接受的错误类型有哪些？谁承担技术责任？在哪些明确定义的条件下，必要时会立即停止操作？如果没有这些前期工作，后续的每一个技术细节都将沦为即兴发挥。.

选择模型时，尺寸本身并不是最终目的。

一个常见的误解是，仅仅因为某个模型在基准测试中表现最佳，就自动选择它。GLM 5.2 专为长时间、多阶段任务、编程以及使用外部工具而设计，但其庞大的规模也对内存、图形加速器和分布式计算提出了很高的要求。供应商建议使用 vLLM 和 SGLang 运行时环境作为合适的技术基础，因为这些框架可以将模型分布在多个 GPU 上，并提供与通用标准兼容的编程接口。然而，对于许多日常业务任务而言，这样的旗舰级模型并非最经济的选择。对于简单的分类、结构化信息提取或标准化响应，一个规模小得多、成本低得多的模型通常就完全足够了。因此，使用具有代表性的业务数据和响应时间、吞吐量、内存需求和持续运行成本等硬性指标进行具体测试至关重要。虽然量化或计算精简的模型变体可以显著降低硬件需求，但它们可能会以一些不易察觉的方式改变输出的质量或稳定性。即使上下文窗口特别长，也不能成为疏忽的借口：单个请求中未经筛选的文档越多，成本和延迟就越大，关键信息在数据洪流中丢失的风险也就越大。.

建筑风格决定未来发展前景

一个稳健的企业架构至少清晰地划分了五个层级：模型服务器、集成层、企业知识访问层、工具执行层以及最终的用户应用程序层。任何业务应用程序都不应直接且不受控制地访问模型。相反，中央集成层负责处理身份验证、使用配额、日志记录、标准化输入模板、不同模型之间的路由以及安全规则的执行等任务。这个中间层使得日后替换开放权重模型成为可能，而无需重写所有业务应用程序。实际上，内部服务可以根据具体任务灵活地在 GLM 5.2、较小的本地运行模型和共享云模型之间切换，而最终用户甚至不会察觉到任何变化。同样重要的是开发、测试和生产环境的完全分离。模型权重、容器镜像和配置文件绝不能在未经验证的情况下直接从单个开发人员的笔记本电脑传输到生产环境。每个生产环境的工件都必须进行版本控制、测试，并通过受控的发布流程进行分发，这已成为传统软件开发中的标准做法。.

巧妙地整合公司现有知识，而不是花费高昂的成本重新培训新技能。

对于绝大多数应用场景而言，检索增强生成 (RAG) 比复杂且成本高昂的模型重训练过程更为实用。该方法首先在共享知识库中搜索相关信息，然后仅将实际找到的文本片段传递给语言模型。这样一来，用户无需修改底层模型本身，即可使用手册、内部指南、技术规范或支持工单等资源。然而，RAG 应用的质量几乎完全取决于底层文档的精心准备。过时的文档版本、缺失的元数据以及糟糕的内容分割几乎不可避免地会导致不可靠甚至自相矛盾的响应。因此，每个文档都需要明确定义所有者、具有约束力的有效性信息以及适当的访问权限。在任何情况下，模型都不应查找并输出用户在原始系统中无权查看的信息。答案应始终注明其具体来源，因为这将极大地简化专家审核流程，并揭示某个陈述究竟是基于可靠的公司知识，还是仅仅源自通用的、无法验证的模型参数。对于特别敏感的使用场景，还可以明确指示系统在没有合适且可验证的来源的情况下不要提供确切的答案，而是公开承认任何不确定性。.

我们在业务拓展、销售和市场营销方面拥有丰富的中国经验

我们在中国的业务拓展、销售和市场营销方面拥有丰富的经验——图片来源：Xpert.Digital

行业重点领域：B2B、数字化（从人工智能到扩展现实）、机械工程、物流、可再生能源和工业

更多信息请点击这里：

一个提供见解和专业知识的主题中心：

涵盖全球和区域经济、创新和行业特定趋势的知识平台
汇集了我们重点关注领域的分析、见解和背景信息。
这里汇集了有关商业和技术最新发展的专业知识和信息。
一个为寻求市场、数字化和行业创新信息的企业提供的信息中心。

欧盟人工智能监管与企业内部运营：企业为何低估监管义务

模型选择的地缘政治维度

前几节中看似纯粹的技术实施问题，其实还存在一个远不那么技术性的层面，而这一点在以往的讨论中却被忽略了。中国供应商受中国法律（包括国家安全法规）的约束，在某些情况下，他们可能需要与政府部门合作。这种风险主要体现在使用中国供应商基于云的API时，请求以及有时涉及的敏感公司数据会通过境外服务器进行处理。然而，当在欧洲基础设施上本地运行开放权重时，这种风险会发生显著变化，因为实际的数据处理完全由公司自身掌控。慕尼黑咨询公司Arthur D. Little的一位顾问用一个有趣的公式概括了这一观点：在某些方面，运行在欧洲基础设施上的中国开发的开放模式甚至可以比专有的外国模式提供更大的运营自主权，因为后者的条款、价格或可用性随时可能在公司无法控制的情况下发生变化。这种观点值得认真考虑，因为它从根本上挑战了“美国=安全，中国=风险”这种广为流传但却过于简单的等式。与此同时，长期模型维护的问题仍然悬而未决：谁能保证在未来的版本中可靠地弥补安全漏洞？一个经济和政治环境与欧洲法律和价值体系存在根本差异的供应商，其可靠性如何？

监管框架作为一项被低估的成本因素

原始技术分析中几乎完全忽略了一个对每家欧洲公司都至关重要的方面，那就是欧洲人工智能法律框架。自2025年8月2日起，通用人工智能模型提供商必须履行强制性义务；自2026年8月2日起，绝大多数法规已全面生效，其中包括对高风险系统的全面要求和广泛的透明度义务。对于自主运营的开放权重模型而言，这意味着部署公司作为所谓的运营商，需要承担额外的责任，例如人工监督、日志记录以及确保其员工具备足够的人工智能专业知识。此外，累计训练量超过10的25次浮点运算阈值的模型被视为系统性风险模型，并需遵守关于测试、风险评估和网络安全方面更为严格的额外义务。因此，任何使用中国开放权重模型的人都必须自行完全遵守这些欧洲义务，无论模型的来源如何，因为外国开发商并非自动受欧洲法律约束。这种技术性和监管性的双重责任在最初的试点项目中往往被低估，之后可能会造成重大且代价高昂的积压工作。.

纯粹的实现逻辑中缺少什么？

从整体上看，这套八阶段实施逻辑虽然技术上令人信服，但在几个关键方面仍存在不足。首先，它缺乏对模型在初始部署之后生命周期的清晰阐述。中国厂商发布模型的速度非常快；GLM 5.2 本身在短短几个月内就已经是第三个主要版本，而且旧版本还能获得多久的安全更新尚不明确。如今投资的公司必须考虑迁移到新模型的频率以及由此产生的持续成本。其次，它缺乏超越代币定价的真正成本效益分析。在内部运行如此规模的模型需要对图形处理器、散热、电源和专业人员进行大量投资——而纯粹使用云服务则无需这些投资。内部运行是否经济可行很大程度上取决于实际使用量，因此在做出任何根本性决策之前，都应该进行客观的计算。第三，一旦发生故障，责任归属问题仍未得到解决。如果自主运行的模型导致决策出现重大错误，欧洲法律框架通常将责任归咎于部署该模型的公司，而非模型开发者，因为模型开发者的许可条款通常不包含任何担保。第四，文件中没有提及训练数据的透明度和潜在偏差，这对于源自中国的模型在涉及政治敏感议题时尤为重要，应在公司内部应用中仔细审查。第五，对组织整合问题的讨论过于简略：试点项目不仅需要技术管理人员，还需要一个权威机构来决定项目的扩展、终止或进一步发展，以防止各个部门的解决方案不受控制地增长——这种现象在实践中通常被称为“影子人工智能”。.

利用战略定价获得成本优势

此类模式迅速普及的原因之一在于其价格优势。使用提供商的 API，每百万个输入代币的成本约为 1.40 美元，每百万个输出代币的成本约为 4.40 美元，这大约是同类封闭式高端模式成本的六分之一。如果完全在内部硬件上进行自托管，则可以完全消除这些持续的代币成本，从而在高使用量下实现显著的成本节约——但前提是初始基础设施投资能够收回。这种成本结构解释了为什么 IT 预算有限的中型企业越来越关注此类开放模式，因为它们承诺提供以往只有拥有相应预算的大型科技公司才能使用的尖端技术。.

开放式权重模型：对企业而言是机遇还是实施陷阱？

强大的中国开源模型的出现，显著改变了欧洲企业在人工智能领域的战略选择，但这并不能自动解决任何根本性的实施问题。任何想要明智地运用此类模型的企业，都必须像重视监管义务、地缘政治风险以及资源有限的现实商业环境一样，认真对待技术架构。真正的机遇不在于模型本身，而在于企业如何以严谨的态度，从小型、可验证的用例逐步过渡到稳健、合规且经济可行的持续运营。.