“豆包收费”开启，中国大模型商业化的机会与现实约束

文 | 孙永杰

近日，豆包悄然在应用商店页面上线订阅方案。这本是一次看似常规的产品更新，但在中国AI产业语境下，却迅速被放大为一个具有标志性的信号，即国产大模型开始从规模竞争转向价值变现，并由此引发了不小的争议。那么问题来了，在当前阶段，中国用户是否已经具备为大模型付费的现实基础？中国AI模型又是否具备支撑收费的能力溢价？

从豆包到Kimi，中国大模型试探“收费边界”

如果回看中国大模型过去一年的发展轨迹，会发现一个非常鲜明的特征：几乎所有头部玩家都优先选择了“做大用户规模”，而不是“做收入模型”。无论是豆包，还是通义千问、Kimi、文心一言以及DeepSeek，都在不同程度上延续了互联网时代的经典路径：先通过免费获取用户，再在后期探索变现。

这种路径在移动互联网时代曾被反复验证，但在大模型时代却出现了新的变量。原因在于AI并不是一个边际成本接近于零的业务，相反，它是一个对算力极度依赖的产业。其每一次对话、每一次生成、每一次推理，本质上都在消耗真实的算力资源。而当用户规模达到数亿级之后，这种成本压力不再是“可以忽略”，而是变成“必须正视”。

正是在这样的背景下，豆包推出的三档订阅体系，从68元到500元不等，并成为首个将C端订阅定价提升至500元/月档位的头部玩家。本质上这并非简单的价格分层，而是一种能力与资源的重新分配机制，即免费用户继续使用基础功能，而付费用户则获得更高性能、更复杂任务处理能力以及更稳定的服务体验。所以这种设计，与其说是收费，不如说是对“算力使用权”的再定价。

但问题在于，中国市场并非一片空白。与豆包形成鲜明对比的是，大多数国产模型仍然维持着高度克制的收费策略。例如通义千问更多通过开发者生态与企业服务实现收入；文心一言的会员价格仍停留在相对低位；Kimi的商业化仍在试水阶段；DeepSeek则几乎完全依赖API路径，并形成了一个豆包在向C端高收费试探，其他厂商几乎仍在观望的微妙行业格局，而这种观望并非犹豫，而是现实约束。

众所周知，中国用户长期处于“免费互联网”环境中，对工具类产品付费的敏感度极高。一旦收费与体验之间出现错位，用户迁移成本又极低，很容易在不同模型之间“横跳”。因此，对大多数厂商而言，维持免费不仅是竞争策略，更是一种风险控制。而从这个角度看，豆包的收费更像是对用户付费意愿和自身产品承载能力的压力测试。如果成功，它可能成为行业范式；如果受挫，则可能强化行业对“免费模式”的路径依赖。

但无论结果如何，可以确认的是，中国大模型正在逼近商业化的临界点，只是尚未找到最合适的落点。

对标美国，成熟收费体系背后的“能力溢价”

如上述，当中国还在试探收费边界时，美国市场早已完成了这一轮转变。具体表现为以ChatGPT、Claude以及Gemini为代表的主流大模型，已经建立起相对成熟的订阅体系，并且在用户侧形成了稳定的付费预期。这之中，其与中国市场最大的不同在于，美国用户对AI收费的接受程度更高，其关键并不在价格本身，而是付费逻辑的清晰。

以ChatGPT为例，从20美元的Plus到100甚至200美元的高阶版本，其价格梯度背后对应的是明确的能力差异，而非简单的使用限制。用户付费所获得的，是更强的推理能力、更长的上下文、更稳定的响应以及更高优先级的资源分配。

换句话说，在美国市场，AI收费的核心不是“多用一点”，是“用得更好”。而这种“能力溢价”的成立，则依赖于模型本身的领先性。

事实是，无论是OpenAI，还是Anthropic，都在持续通过技术迭代扩大模型能力边界，使得付费与体验之间形成正反馈，即用户愿意付费，是因为他们清晰地感知到差异；企业能够持续收费，则是因为这种差异在不断被强化。

更重要的是，这种收费模式已经嵌入商业闭环之中。具体表现为，收费带来的收入，反过来支撑更高强度的训练与推理投入，再进一步提升模型能力，最终形成“能力提升—用户付费—再投入”的循环。而这种循环一旦建立，就会形成明显的先发优势。

相比之下，中国大模型虽然在用户规模上快速追赶，但在商业闭环上仍显得不够完整。大量产品仍依赖补贴与生态输血维持运营，C端付费尚未形成稳定结构。

需要补充说明的是，虽然前述中国的AI模型似乎也是按照能力采取阶梯式定价，但背后则是与美国AI模型完全不同的竞争逻辑。

具体表现在，美国AI模型更接近“算力租位制”，结构透明、单价线性。相较之下，国内正转向一种博弈色彩浓厚的“阶梯刺客”模式，即通过低门槛吸引接入，但在长文本、联网搜索、深度思考等高阶功能上设置非线性的溢价点。而这种“前轻后重”的设计虽能筛选出高价值用户，但也同时增加了用户成本的不可预测性。

由此，一个更深层的问题随之浮现，即当下中国AI模型的付费与其价值是否匹配？尤其是当我们引入收入负担和模型实际能力双重因素时，答案变得更为复杂。

中国用户“付费更重”，收入差距与模型质量的双重压力

如果仅从汇率角度看，此次收费的豆包500元/月约等于70美元，明显低于ChatGPT 200美元/月的价格水平。但这种对比其实是一个典型的“名义价格陷阱”。原因在于，真正影响用户决策的，并非价格本身，而是价格与收入之间的关系，以及价格与模型能力之间的匹配程度。

基于此，我们不妨先看看先看价格与收入之间的关系是如何使得同样一笔AI支出，造成在两国用户心中付费的“重量”完全不同。

根据国家统计局数据，2025年中国居民人均可支配收入为43,377元，中位数为36,231元（城镇居民中位数更高，达51,115元）。而根据美国人口普查局数据，2024年美国居民家庭收入中位数约为83,730美元。即便考虑到统计口径差异（中国为“个人”，美国为“家庭”）和购买力平价（PPP）因素，两者仍存在显著差距。

如果将上述差距放入AI订阅场景中，就更加直观。

以每月500元（约70美元）的订阅费用计算，中国用户一年支出约6000元，占收入中位数约16%，相比之下，美国用户即便选择200美元/月的高阶订阅，年支出约2400美元，占收入中位数的比例也仅在3%左右。也就是说，在“收入占比”这一更真实的衡量维度下，中国用户为大模型付出的成本，大约是美国用户的5倍以上。

而这也解释了为什么同样一笔订阅费用，在中国更容易触及用户的“心理上限”。因为对于中国用户来说，数百元的月度支出已经接近工具类消费的边界，而对美国用户而言，这一支出更接近日常软件服务的一部分，其导致的结果就是，即便名义价格更低，中国用户在实际支付时承受的心理与经济压力反而更大。

由此可见，从支出占收入的比例来看，中国用户为大模型付出的“相对成本”显著高于美国这一点并非感性判断，而是可以被数据直接验证的现实。

但如果我们只停留在“收入差距”，仍不足以解释争议的核心。更关键的是第二个变量—模型能力本身。

根据斯坦福AI Index最新报告，美国AI模型的领先优势与中国AI模型相比已缩小至约2.7%左右，中国模型在中文场景、性价比、特定工程化任务上具备竞争力，甚至多次在公开榜单登顶。不过，在更严格的独立评估中，差距依然存在。

例如CAISI在2026年5月发布的评估报告显示，当前中国最强开源模型之一的DeepSeek V4 Pro，在综合能力上大约落后美国前沿模型8个月。需要说明的是，这“8个月”的时间差，并不是单一指标得出的，而是基于网络安全、软件工程、自然科学、抽象推理和数学等多个领域的基准测试综合拟合得出的结果。

更值得注意的是，这种差距并非均匀分布，而是集中体现在高阶能力上。

比如在一些公开基准中，DeepSeek V4 Pro可以与美国模型表现接近，但在更接近真实应用复杂度的测试中，例如抽象推理（ARC-AGI-2半私有数据集）、软件工程迁移能力（PortBench）以及网络安全攻防任务（CTF-Archive-Diamond），其表现明显落后。这意味着在用户最容易“感知差异”的复杂任务场景中，差距反而被放大。

换言之，如果把大模型理解为一种生产工具（这也是豆包阶梯收费的最大由头），那么当前中国模型在“基础可用性”上已经没有问题，但在“高阶生产力”层面，仍与美国顶级模型存在明显代差。而这就带来了一个非常现实，甚至有些尖锐的结论，即中国用户在承担更高相对成本的同时，所购买的并非是全球能力最强的模型服务。

写在最后：综上，我们认为，豆包收费引发的争论，本质上并不是围绕“该不该收费”，而是围绕“什么时候收费、以什么能力收费”。尽管在算力成本持续上升、行业竞争逐渐理性的背景下，大模型走向商业化几乎是必然路径。

但现实同样清晰，即商业化的前提，应是能力的充分兑现。如果模型能力尚未形成足够明显的差异化优势，收费，甚至是高收费，就容易变成对用户耐心的消耗；反之，当能力真正成为生产力工具的一部分，收费反而会成为自然而然的选择。

因此，与其说当前中国AI面临的是收费难题，不如说是能力兑现的时间差。而在这个时间差被填平之前，任何收费尝试都更像是一种试探，并非终局。

从这个意义上看，豆包的价值或许不在于它是否成功收费，而是在究竟先收费，还是先让自己成为不可替代的AI工具？这种逻辑不仅关乎豆包，更决定着整个中国AI行业的走向。