AI开源：从开放模型迈向开放生态的下半程

最近这段时间，AI 开源领域接连发生的事，拼在一起看挺耐人寻味。

一端，Meta 又一次把宝押在了开放权重上。Reuters 8 月 10 日的报道称，Meta 发布了专门面向本地 Agent 工作负载的开放权重模型 Muse Glimmer，并预告后续会进一步放开更大体量模型的权重，同时反复强调 AI 能力理应被更广泛地触达与使用。

另一端，开放模型的"免费午餐"属性正在悄悄淡去。

7 月下旬，Moonshot AI 推出了 Kimi K3 的权重。模型本身支持下载、部署与改造，但其 License 里塞进了一条惹人注目的商业约束：若一家企业及其关联方经营 MaaS（Model-as-a-Service）业务，且企业及其关联方合计年收入在任意连续 12 个月突破 2000 万美元，那么在把 Kimi K3 或其衍生作品投入商业用途前，必须先与 Moonshot AI 单独签署协议。对于达到一定规模门槛的商业产品，License 还附加了品牌标识暴露等要求。

数日后，局面又有新动向。据 Reuters 8 月 7 日的报道，阿里巴巴也在筹划 Qwen3.8-Max 面向大规模商用场景的新机制。正式方案尚未揭晓，但从 Kimi 到 Qwen，一项变化已经日渐明朗：开放模型一旦迈入更大规模的生产环境，商业可持续性就成了不可回避的议题。

看上去，这是几家厂商在调整模型的发布与商业打法。

往里探一层，AI 开源撞上的是一个以往容易被绕开、当下却愈发绕不开的难题：

一套越来越烧钱的技术体系，到底怎样才能持续保持开放？

过去两年，围绕开放模型的讨论通常沿着一条直白的维度展开：能力。

开放模型和闭源模型谁更厉害？差几个点？谁在 Benchmark 上追平了谁？

这样的疑问自然不会凭空消失。但随着开放权重模型能力的水涨船高，它已很难概括眼下的全貌竞争。

从 7 月亮相的 Kimi K3，到 8 月初推出的 Qwen3.8-Max，模型体量与能力边界仍在持续向前推进。然而对大量开发者与企业来说，模型能力已不再是唯一的评判标尺。另一些问题正变得同样关键：

这恰恰是"开放"真正开始显现分量的地方。

一家公司选中开放模型，往往并不是为了加入一场关于开源精神的辩论，而是出于控制成本、保护数据、按需定制，或是防止整个 AI 系统被某一家供应商绑架的需要。

换句话说，开放模型正从一条技术路径，逐步演变为一种基础设施层面的抉择。

但与此同时，一个常被忽视的问题也开始显露：开放模型本身同样要靠钱来支撑。

传统软件时代孕育出了一套相对成型的开源商业逻辑。

软件本身可以免费分发，企业通过技术支持、托管服务、商业版本、云服务或生态产品获取收入。复制一份 MySQL 或 Linux 的边际成本微乎其微，真正贵的，是围绕它提供的服务。

大模型的情况则完全不同。

模型从训练起就是重投入；部署之后，每一次推理仍在持续消耗 GPU、存储、网络与电力。到了 Agent 阶段，一个用户请求甚至可能不再对应一次模型调用，而是一次规划叠加多轮推理、多轮工具调用与上下文读写。

"调用一次 AI 究竟要花多少钱"，已经不单单是工程师调接口时随手瞥一眼的参考指标。

今年 8 月，Linux Foundation 正式启动 Tokenomics Foundation，致力于打造 AI 成本与价值衡量的开放标准。它抛出的两个问题相当朴素：AI 究竟花了多少钱？这些智能又造就了多少价值？此前 Linux Foundation 在 6 月宣布筹建该组织时便指出，随着生成式 AI 与 Agent 工作负载由试验迈向生产，Token 正作为一种全新的技术支出单位浮现。

这也是 Kimi K3 的 License 值得重视的原因。

2000 万美元这条门槛具体合不合理，可以争论；未来这一模式会不会被更多厂商跟进，答案仍悬而未决。

但它至少把一个问题拎到了台面上：

若一家商业平台直接借助开放模型提供大规模 MaaS 服务，并从中取得不菲收入，模型的原始开发者是否有权分享其中的部分商业价值？

严格来讲，开源从来都不等同于无成本使用。这在软件行业算不上什么新鲜事，只是到了 AI 时代，成本结构发生位移，商业边界也需要重新作答。因为眼下要解答的不再只是 License 该怎么拟，而是谁来背负训练成本、谁来承接持续迭代成本、社区贡献如何获得回馈，以及怎样避免开放最终沦为少数几家公司单方面输血整个行业。

模型可以开放，但开放自身同样需要一套站得住脚的经济逻辑。

这里还有一个常被混淆的概念：开源模型和开放权重模型，压根不是同一码事。依照 Open Source Initiative（OSI）发布的 Open Source AI Definition，符合其界定的 Open Source AI，既要赋予使用者使用、研究、修改与分享系统的自由，也要提供足以对系统进行修改的信息与材料。OSI 特别强调，仅公开最终训练所得的权重，并不能等同于整个 AI 系统已经开源，因为训练代码、数据