2月，中国AI的模型调用量爆发式增长，首次超过美国。 全球最大的AI模型API聚合平台OpenRouter数据显示，9日~15日这周，中国模型以4.12万亿Token的调用量，首次超过同期美国模型的2.94万亿Token。 榜单洗牌：中国Token调用量首超美国，四款大模型霸榜 OpenRouter平台，汇聚了全球数百种大语言模型，拥有超过500万开发者用户，是目前全球最大的AI模型API聚合平台。因此，其API调用量数据被视为 洞察全球AI应用落地趋势最真实的"晴雨表"，因为它直接反映了开发者"用脚投票"的选择，体现了模型在实际应用中的受欢迎程度和竞争力。 值得注意的是，该平台的用户主要由海外开发者构成，其中美国用户占比高达47.17%，而中国开发者仅占6.01%，这使得其榜单数据更能客观反映中国AI 模型在全球范围内的真实吸引力。 16日~22日这周，中国模型的周调用量进一步冲高至5.16万亿Token，三周大涨127%，而同期美国模型调用量跌至2.7万亿Token。与此同时，全球调用量 排名前五的模型中，中国模型占据四席，这股强大的增长动能，并非依赖单一爆款产品，而是中国AI厂商集群式崛起。 Token ...

2月，中国AI的模型调用量爆发式增长，首次超过美国。 全球最大的AI模型API聚合平台OpenRouter数据显示，9日~15日这周，中国模型以4.12万亿Token的调用量，首次超过同期美国模型的2.94万亿Token。 16日~22日这周，中国模型的周调用量进一步冲高至5.16万亿Token，三周大涨127%，而同期美国模型调用量跌至2.7万亿Token。与此同时，全球调用量 排名前五的模型中，中国模型占据四席，这股强大的增长动能，并非依赖单一爆款产品，而是中国AI厂商集群式崛起。 Token是AI模型处理文本的最小单位。相比用户数，Token调用量是更能真实反映AI模型使用强度、用户粘性及商业价值的关键指标。 中国模型厂商，正凭借快速迭代和成本优势占领全球市场，国产算力需求正经历指数级增长。 榜单洗牌：中国Token调用量首超美国，四款大模型霸榜 OpenRouter平台，汇聚了全球数百种大语言模型，拥有超过500万开发者用户，是目前全球最大的AI模型API聚合平台。因此，其API调用量数据被视为 洞察全球AI应用落地趋势最真实的"晴雨表"，因为它直接反映了开发者"用脚投票"的选择，体现了模型在实际应用 ...

2月，中国AI的模型调用量爆发式增长，首次超过美国。 全球最大的AI模型API聚合平台OpenRouter数据显示，9日~15日这周，中国模型以4.12万亿Token的调用量，首次超过同期美国模型的2.94万亿Token。 16日~22日这周，中国模型的周调用量进一步冲高至5.16万亿Token，三周大涨127%，而同期美国模型调用量跌至2.7万亿Token。与此同时，全球调用量 排名前五的模型中，中国模型占据四席，这股强大的增长动能，并非依赖单一爆款产品，而是中国AI厂商集群式崛起。 Token是AI模型处理文本的最小单位。相比用户数，Token调用量是更能真实反映AI模型使用强度、用户粘性及商业价值的关键指标。 中国模型厂商，正凭借快速迭代和成本优势占领全球市场，国产算力需求正经历指数级增长。 榜单洗牌：中国Token调用量首超美国，四款大模型霸榜 OpenRouter平台，汇聚了全球数百种大语言模型，拥有超过500万开发者用户，是目前全球最大的AI模型API聚合平台。因此，其API调用量数据被视为 洞察全球AI应用落地趋势最真实的"晴雨表"，因为它直接反映了开发者"用脚投票"的选择，体现了模型在实际应用 ...

16日~22日这周，中国模型的周调用量进一步冲高至5.16万亿Token，三周大涨127%，而同期美国模型调用量跌至2.7万亿Token。与此同时，全球调用量 排名前五的模型中，中国模型占据四席，这股强大的增长动能，并非依赖单一爆款产品，而是中国AI厂商集群式崛起。 Token是AI模型处理文本的最小单位。相比用户数，Token调用量是更能真实反映AI模型使用强度、用户粘性及商业价值的关键指标。 每经记者｜宋欣悦 每经编辑｜肖勇 王嘉琦 高涵 2月，中国AI的模型调用量爆发式增长，首次超过美国。 全球最大的AI模型API聚合平台OpenRouter数据显示，9日~15日这周，中国模型以4.12万亿Token的调用量，首次超过同期美国模型的2.94万亿Token。 中国模型厂商，正凭借快速迭代和成本优势占领全球市场，国产算力需求正经历指数级增长。 榜单洗牌：中国Token调用量首超美国，四款大模型霸榜 OpenRouter平台，汇聚了全球数百种大语言模型，拥有超过500万开发者用户，是目前全球最大的AI模型API聚合平台。因此，其API调用量数据被视为 洞察全球AI应用落地趋势最真实的"晴雨表"，因为它直接反映 ...

颠覆传统互联网的免费路径 传统互联网软件的典型路径是先用免费换用户规模，凭借"用户数和时长"换议价权，然后在广告、会员 订阅、增值服务、交易抽佣里变现，免费背后的底层原因无非是边际成本极低。即多一个用户或多一次 点击，成本却可以被带宽与存储规模效应稀释，从而达到近似为零的边际成本。 云计算时代也出现过类似的"先免费/低价再扩张"，但云的计费单位很快变成 CPU/存储/带宽/请求数， 客户也习惯了"按量计费"。云能收费，是因为它交付的是明确的资源和SLA(服务提供商与客户签订的 服务等级协议)。但当行业依旧处在"模型价格战"时，智谱却出现了涨价的信号，这意味着大模型时代 的"计量单位"从流量(DAU/时长)转向Token(推理消耗)，而Token的消耗在越来越多场景里是刚需。 大模型时代的变化：Token变成"可计量的生产资料"，不再是"免费流量" 大模型把"对话/写代码/生成内容"这类看似是由软件供应商提供的服务，变成了强依赖算力的在线推理 服务。对模型厂商而言，每一次回答都要实打实地消耗GPU、显存、带宽与电力；对用户来说，每一 次"让模型多想一会儿、写一段更长的代码、跑一个更复杂的任务"都对应更多Toke ...

Core Insights - The AI industry is undergoing a significant transformation, emphasizing the need for a comprehensive industrialization capability rather than just model upgrades [1][3] - NVIDIA's CEO Jensen Huang highlighted the importance of a complete industrial framework for AI, which includes hardware, applications, and an open ecosystem [2][4] Group 1: Application Architecture - AI applications are shifting from traditional coding to training intelligent agents, allowing for real-time generation and understanding [4][10] - The underlying logic of AI development is changing from programming to training, requiring GPU acceleration instead of CPU [4][11] - NVIDIA's internal programming approach is based on this new architecture, exemplified by the Cursor model that assists engineers in coding [5][6] Group 2: Computing Infrastructure - The Rubin AI platform is a major advancement, achieving a fourfold increase in training speed and a tenfold reduction in costs [2][14] - This platform addresses the "Token inflation" crisis in AI, where model sizes and training demands are rapidly increasing [14][15] - Key performance metrics show that Rubin can train a 100 trillion parameter model with significantly lower costs and higher throughput compared to previous systems [16][17] Group 3: Physical AI - Robots are becoming the first mass-produced products of AI industrialization, categorized under Physical AI [17][28] - NVIDIA has developed a comprehensive training system for Physical AI, utilizing three types of computers for training, inference, and simulation [22][24] - The Alpamayo autonomous driving AI exemplifies this approach, demonstrating advanced reasoning capabilities in real-world scenarios [26][27] Group 4: Open Source Strategy - NVIDIA's open-source strategy aims to democratize AI development, allowing companies of all sizes to create their own AI solutions [31][32] - This strategy contrasts with competitors like OpenAI, positioning NVIDIA as a foundational provider of chips and computing power [31][34] - The open-source tools and standards established by NVIDIA are expected to activate a long-tail market and foster innovation among startups [32][38] Group 5: Competitive Landscape - The focus of competition in AI is shifting from model capabilities to industrialization speed and efficiency [45] - Companies that can quickly establish AI industrialization frameworks will have a competitive advantage [45][44] - NVIDIA's comprehensive approach integrates application architecture, computing infrastructure, physical execution, and an open ecosystem to create a complete AI industrialization loop [45][40]