這一集 All-In Podcast 跨了三個看似無關的戰場：中國開放權重模型 Kimi K3 逼近前沿、Anthropic 為盜版訓練資料付出 15 億美元和解金、紐約把驅逐房客稱為「暴力」。串起三者的是同一個問題——當制度為了保護既有權利人而動手，會不會反而鎖死供給，讓稀缺變得更貴？ AI 的供給是模型與算力，創作市場的供給是可合法取得的資料，住房的供給則是願意出租的房屋。三個市場都在提醒：善意的規則若忽略誘因，代價往往由最缺資源的人承擔。

一、Kimi K3 之戰，比的不是模型而是整個堆疊

Moonshot AI 的 Kimi K3 是 2.8 兆參數的開放權重混合專家模型，主打代理式編程，一推出就讓華府緊張。但把它簡化成「中國追上美國」會錯過重點：當模型能被下載、微調、自行部署，價值就會從模型層往別處移動。

Ben Thompson 在 〈Who's Afraid of Chinese Models?〉 提出一個關鍵框架：開放權重省下的是研發固定成本，卻沒有消除推論的銷貨成本。Kimi K3 的 API 定價看似便宜（每百萬輸入 token 3 美元、輸出 15 美元），但不同模型完成同一任務所燒的 token 差很多。真正可比的單位不是 token，而是「完成一份正確工作所需的成本」。這意味著 AI 經濟學正從近零邊際成本的軟體，回到更像雲端算力的世界——誰能用更低成本生產同等品質的智能，誰才有結構性毛利。

這也解釋了為何封鎖中國模型是一記方向錯誤的拳。政府能禁止機關採用特定模型、限制敏感產業部署；但要阻止一組已在網路流通的權重被下載，難度接近禁止數學公式，還會讓本土開發者失去低成本替代品。務實的做法是把「來源國」拆成可稽核的風險項目——是否回傳境外、權重是否含惡意程式、能否接受第三方測試。模型治理若只剩國籍標籤，既抓不到真正風險，也容易淪為替既有巨頭築牆。

監管俘虜：安全論述與商業護城河只有一線之隔

前沿實驗室最有能力說明模型風險，也最有誘因把合規門檻設成只有自己付得起。昂貴的訓練前申報與責任保險，大公司能攤進數十億營收，小型開放團隊卻可能在產品上市前就出局。但把所有安全疑慮都當成保護主義同樣不公平：可下載模型不再受 API 端的內容過濾與帳號追蹤約束。合理制度應區分能力與情境——消費應用低門檻，生物、網攻等高風險能力則從嚴。

開放權重真正威脅的，未必是美國的 AI 領先，而是少數公司以模型稀缺性收取超額租金的能力。

二、蒸餾爭議：老師、學生與產權邊界

Anthropic 指控 DeepSeek、Moonshot 與 MiniMax 透過約 2.4 萬個欺詐帳號，與 Claude 產生超過 1,600 萬次交換，藉此提取代理推理與編程能力（見其 技術說明）。蒸餾本身是標準技術：讓小模型學習強模型的輸出。弔詭的是，老師與學生同屬一家公司時叫效率提升，跨公司且違反條款時就叫攻擊。核心難題在於：模型輸出究竟是受保護的產品，還是像網頁一樣可被學習的公開訊號？

Anthropic 的國安論點——蒸餾模型可能拿走能力卻不繼承安全防護——並非毫無根據，但商業動機同樣明顯：若對手能用 API 費用取代數十億研發支出，前沿模型的回收期會被大幅壓縮。國安與商業利益在此高度重疊，政策制定者該要求可驗證證據，而非把企業聲明直接升格為國家政策。技術防禦（辨識重複提示、追蹤跨帳號流量、加入輸出指紋）會比全面禁令有效，也不會把一般開發者一起擋在門外。

三、15 億美元和解：Anthropic 的「資料原罪稅」

法院於 2026 年 7 月批准 Anthropic 支付 15 億美元，了結作者針對盜版書籍訓練資料的集體訴訟。最關鍵的區分不是「AI 能不能讀書」，而是「用什麼方式取得書」：用合法購買的書訓練可能構成合理使用，但從盜版網站下載並保存大型資料庫，是另一個獨立的侵權問題。

和解之所以震撼，在於它把抽象爭議換算成可入帳的負債——約 50 萬本作品、平均每部約 3,000 美元。這不是對所有訓練行為宣告統一價格，卻為投資人新增了一個估值項目：資料來源不明不再只是聲譽風險，而可能是十億美元級的或有負債。這條界線相當合理，否則任何公司都能先複製整個文化資料庫，再以技術進步為由要求豁免。

但真正該擔心的是判例效果：若支付和解金即可取得事實上的永久使用權，大公司會把侵權成本模型化，守規矩、一開始就付授權費的新創反而更貴、更慢。結果不是保護作者，而是把資料護城河集中到最有錢的實驗室。

版權需要一個可交易的中間層

二元選擇都不好：逐本談判的交易成本高到讓合法訓練不可行，無償抓取又會摧毀內容市場的價格訊號。可行方向是集體授權、標準化資料來源紀錄、可機器讀取的退出機制，把今天的訴訟彩票改造成可預測的營運成本。這些需求——AI 要乾淨可追溯的資料、創作者要補償、投資人要能量化的法律曝險——足以催生一個新的資料權利管理產業（延伸背景見 路透社報導）。

四、營收狂飆，科技股為何還跌？

Anthropic 與 OpenAI 營收驚人增長，Google、Tesla 卻在 AI 資本支出上升時承壓——兩者並不矛盾。收入成長回答的是需求多旺；股東回報還要看每單位收入需要多少 GPU、電力與資料中心折舊。當推論成本隨使用量同步增加，AI 就不是把同一套軟體無限複製的純 SaaS。市場下跌未必是不信 AI，可能只是重新計算回收期。

投資人真正該追蹤的是四個數字：每單位有效智能的成本、算力利用率、推論毛利率，以及資本支出轉化為收入的時間。這也解釋了開放模型為何同時利多與利空雲端巨頭——它壓低 API 價格、降低對單一供應商的依賴，但自行部署又需要更多算力與安全服務。模型層可能商品化，雲端與晶片層卻能從更大的總用量受益。

五、紐約的「幽靈公寓」：價格管制如何把供給推回陰影

最後一段從科技跳到住房，卻最能說明誘因。紐約政治人物把驅逐描述為暴力、主張凍結租金；道德直覺容易理解，但住房不是靠權利宣言就會變多的商品。Free Press 一篇由房東撰寫的文章估計，紐約約有 5 萬戶租金穩定公寓因翻修成本與可收租金不匹配而空置，成為 「幽靈公寓」。這個數字仍應以官方資料交叉驗證，但機制符合經濟直覺：當翻修後收不回成本，理性選擇可能不是出租，而是關門。

租金管制能保護已住進去、且不搬家的房客，代價卻由局外人承擔。房東面對無法調價與更高的驅逐成本，會提高篩選門檻、偏好信用佳者，甚至轉售或空置。於是名義上更強的租客保障，可能讓剛到城市的年輕人、移民與信用薄弱者更難進場——典型的內部人福利與外部人排除。把驅逐一律稱為暴力，也抹平了惡意逼遷、短期欠租與長期拒付之間的差別；若房東預期合法取回房屋要拖上數年，這項尾端風險會直接反映在租金與供給量。

節目用阿根廷取消租金管制後供給增加、實質租金下降作對照。這案例值得研究，但阿根廷同時經歷高通膨與匯率改革，直接搬到紐約容易過度推論。更完整的答案是同時處理供給與脆弱性：放寬分區與容積、加速建照、對低收入戶提供可攜式補貼、建立快速公平的租賃法庭。補貼人，比凍結整個價格系統更能把資源送到需要者手上。

同一堂制度設計課

把 AI 模型、訓練資料與公寓放在一起，會看到三種稀缺資產：能力、內容與空間。政策若只盯著誰「應該」獲得資源，而不問誰願意生產下一單位供給，就會導致相似後果——模型轉向封閉、資料授權集中、房屋退出租賃市場，原本要被保護的開發者、創作者與租客，選擇反而更少。但市場也不是自動正義：規模可能被壟斷、創作者議價權可能被壓低。制度的任務不是在放任與管制間二選一，而是維持可進入、可交易、可追責的市場。

  • AI：針對可驗證的高風險能力與部署情境監管，而非用國籍或開放／封閉標籤一刀切。
  • 資料：把合法取得、轉化性使用與盜版保存分開處理，建立低交易成本的授權市場。
  • 住房：保護正當程序與弱勢租客，但保留契約可執行性，並優先移除供給障礙。

美國要贏得開放 AI 競賽，靠的不是阻止別人下載權重，而是讓本土模型、晶片、雲端與應用形成更快的學習迴路；創作者要得到合理報酬，靠的不是把所有訓練都定義成侵權，而是讓合法授權比盜版更容易；紐約要降低租屋痛苦，靠的也不是把價格凍住，而是讓更多房子願意被建造、整修與出租。當「智能」開始像商品一樣被大規模生產，老派的成本曲線與誘因分析反而更重要。

延伸閱讀

All-In Podcast 本集完整影音：搭配時間軸收聽，區分主持人的事實陳述、價值判斷與政策主張。

Anthropic：Detecting and preventing distillation attacks：查看對 DeepSeek、Moonshot、MiniMax 的具體規模指控與防禦方法。

Stratechery：Who's Afraid of Chinese Models?：從固定研發成本、推論成本與智能商品化分析開放權重模型。

路透社：法院批准 Anthropic 15 億美元和解：閱讀時區分法院已裁定、當事人和解承認與評論者推導的政策主張。