开源：AI时代的公共道路谁有权掌控智能？

发布时间：2026-07-09 23:20阅读：2

开源的核心价值不在于削减使用费用，而在于将技术主导权从封闭黑箱中解放出来，赋予更多人理解、审查、修改和传承的机会。人工智能时代的关键议题是：智能基础架构应被少数企业远程租赁，还是应为全球留下可部署、可审计、可分叉、可持续修缮的公共道路。本文脉络：① Linux、Windows、macOS 的权力结构 → ② AI 开源并非简单开关 → ③ 中国开放权重的产业驱动 → ④ 美国前沿闭源与 API 黑箱 → ⑤ Meta/OpenAI 的混合策略 → ⑥ 信任匮乏、知识归属与开源保留的第二条路

开源是信息技术领域一条持久的底线：

凡是会成为基础架构的东西，都不该被永久锁在少数公司的黑箱内。

你或许不采用它。

你或许不理解它。

但世界上应有人能查看它、检查它、修改它、接住它。

这正是开源真正重塑世界之处。

它并非把东西拿出来做样子。

它是在权力高度汇聚的技术世界中，为普通开发者、研究者、企业、学校、国家和后来者，保留一条可以继续前行的公共道路。

许多人初次领悟这种差异，不是在人工智能领域，而是在操作系统里。

Windows 给了很多人首台真正可用的电脑。

macOS 将个人计算机制成一种高度统一、精致、流畅的体验。

Linux 则是另一种事物。

它不总是最舒适，也不总是最省心。

但它把钥匙、蓝图和改造权留了下来。

因此今天的服务器、云计算、Android、容器、超级计算机、开发者工具链，处处都有 Linux 的身影。

这不是三套系统谁更优越的问题。

这是三种权力关系。

Windows 和 macOS 更像一座建好的房子：你可以住进去，也可以住得很好，但墙体、管线、地基和未来改造权，主要不在你手中。

Linux 更像一条路。有人铺，有人修，有人绕远路，有人修岔路，也有人在上面建起新的城市。

到了 AI 时代，这个老问题重新浮现。

只是这次，争夺的不再是操作系统。

而是智能本身。

传统软件时代，闭源公司控制的是程序。

AI 时代，闭源公司控制的东西更深：模型能力、系统提示词、工具链、记忆、上下文、路由、风控、价格、账号、地区和数据保留策略。

你看到的只是一个对话框。

背后却是一整套看不见的控制系统。

这也是为什么上一篇写 Claude Code 的时候，我没有把问题停在“它是不是封禁中国用户”上。

服务商做地区风控并不新鲜。真正刺痛人的，是一个被用户交出代码、终端和工作流的 Agent 工具，可能把身份和路由信号藏进用户看不见的系统提示词里。

再往前一篇写数据安全，也是同一个问题。

数据进入 AI 以后，真正重要的不只是“会不会训练我的数据”，而是它经过哪些系统，产生哪些副本，谁能访问，能否删除，出了事由谁负责。

这几篇文章其实在绕同一件事：

当智能变成远端服务，你交出去的不只是问题，还有一部分工作现场和解释权。

所以 AI 时代的开源闭源之争，不是程序员的宗教战争。

它关系到一个更根本的问题：

未来的智能基础架构，是少数公司远程出租给世界，还是更多人可以部署、检查、改造和继承？

这件事我们其实很早就写过。

在《谁给了 AI 一双眼睛——从 CLIP 到开源军备竞赛》里，OpenAI 公开了 CLIP 的模型权重和代码，却没有公开那 4 亿对图文训练数据。

这算不算开源？

如果只看能不能下载模型，它当然比完全封闭更开放。

如果看科学复现，它又远远不够。

后来 LAION、OpenCLIP、Stable Diffusion 这条链条长出来，恰恰说明一件事：哪怕是不完整的开放，也可能在社区里激起非常大的涟漪。

但它也提醒我们，AI 里的开放不是一个开关，而是一层一层的。

论文公开，是让人知道思路。

代码公开，是让人能改方法。

权重公开，是让人能拿去部署和微调。

数据和训练流程公开，才更接近可复现。

完整的训练日志、评测细节和安全策略也打开，才接近真正意义上的科学透明。

所以今天很多所谓“开源大模型”，更准确地说，是开放权重模型。

DeepSeek、Qwen、Kimi、Llama、gpt-oss，都要逐个看许可证、数据、代码、训练流程和使用限制，不能用一个词全部抹平。

但也不应因为“开放权重不是完整开源”，就低估它的意义。

权重一旦开放，模型就不再只是一个入口。

它变成了可以被搬走的能力。

你可以下载，可以本地部署，可以量化，可以微调，可以蒸馏，可以放进自己的内网，也可以在某家公司关门、涨价、封号、降级之后，继续把它跑起来。

它未必给你整座工厂。

但它至少给了你一台机器。

这和纯 API 黑箱完全不是一种权力关系。

过去两年的 AI 舆论里，很容易形成一种印象：

中国模型更愿意开放，美国模型更喜欢封闭。

这个印象有现实基础，但不能被写成国民性。

开放和封闭，更多时候不是性格，而是位置、压力、商业模式和信任结构共同推出来的结果。

放到大语言模型这条线上，更准确的画法是：

过去两年，中国模型公司更激进地释放开放权重；美国最前沿的几家公司，更坚定地守住 API 黑箱。

DeepSeek-R1 用 MIT 许可证开放权重。

Qwen 系列大量模型采用 Apache 2.0。

Kimi K2 系列也把开放权重放到全球开发者平台上。

这不是一个纯粹的道德故事。

中国模型的开放，当然有工程理想，也有开发者文化。

但真正把它推到今天这个强度的，往往是更现实的四股力量。

没有全球默认入口，就让模型自己流出去；没有默认信任，就把权重交出去，让别人自己试。

海外企业未必愿意把数据放进中国云服务。但如果权重开放，别人可以在自己的机器、自己的云、自己的合规环境里运行。

当先进 GPU 供给受限，模型公司自然会更重视低成本训练、高效率推理、蒸馏、小模型、混合专家和本地部署。开放生态会让这些工程方法被更多人验证、复现、改写和传播。

谁的模型被更多开发者下载、微调、写教程、接工具链、放进企业内部，谁就更可能成为事实标准。

这和 Linux 在服务器世界里的扩散很像。

它不是靠喊口号赢。

它是靠可部署、可修改、可检查、可继承，慢慢长进基础设施里。

OpenAI、Anthropic、Google 这些美国前沿模型公司，为什么更倾向于闭源？

最直接的答案并不神秘：这是它们的生意。

它们投入巨额算力、数据、工程和安全成本，卖 API，卖订阅，卖企业服务，卖平台入口。

如果最强模型权重完全放出来，护城河就会被削弱。

所以闭源不是偶然。

闭源就是商业模式的一部分。

当然，它们也会讲安全、滥用、生物风险、网络攻击、模型蒸馏、国家安全、版权风险和出口管制。

这些理由并不全是借口。

强模型能力扩散以后，确实会带来滥用风险，也确实会影响国家和公司的控制能力。

但我们不能把所有安全语言自动翻译成公共利益。

也不能把所有封闭都解释成成熟负责。

闭源同样有风险。

只是这种风险经常被漂亮的产品体验盖住。

你看不到权重。

你看不到训练数据。

你看不到系统提示词。

你看不到路由和风控。

你不知道某一天价格会不会变，接口会不会关，账号会不会被封，能力会不会降级，规则会不会写进一个你永远看不见的系统层。

这不一定是恶。

但它是权力集中。

而权力集中以后，用户能做的事情会变少。

你可以相信它。

但相信不是拥有。

如果只看美国前沿模型公司，故事很容易写成一条直线：OpenAI、Anthropic、Google 关上门，Meta 把门打开。

但 Meta 这条线本身就足够复杂。

它确实长期给开源世界贡献了很多关键基础设施。

PyTorch 改变了深度学习工程生态。

FAIR 推动了大量公开研究。

Segment Anything 把视觉分割模型、代码和数据集推到社区面前。

Llama 2、Llama 3、Llama 3.1，又把高质量开放权重模型推到全球开发者面前。

没有 Llama，今天的开放模型生态不会是现在这样。

扎克伯格后来直接写了一篇《Open Source AI Is the Path Forward》，把这件事上升成 Meta 的路线宣言。

但 Meta 不是童话里的开源骑士。

它之所以能开放 Llama，一个很现实的原因是：Meta 的核心收入不是卖模型 API。

它靠社交网络、广告、推荐系统、内容生态、设备和平台。

如果 AI 基础设施全被 OpenAI、Anthropic、Google 定义，Meta 自己也会变成别人的客户。

开放 Llama，对 Meta 来说既是理念，也是战略；既是对生态的贡献，也是对 OpenAI、Anthropic、Google 的制衡。

这并不削弱它的贡献。

开源史上很多重要项目，本来就和商业、竞争、组织利益纠缠在一起。Linux、Android、Kubernetes、PyTorch、TensorFlow，都不是在真空里长出来的。

关键不在于动机是否纯洁。

关键在于利益竞争之后，世界有没有得到一部分可以共享、可以继承的基础设施。

从这个意义上说，Meta 对 AI 开放生态的贡献是真实的，也不能因为它背后有商业动机就一笔抹掉。

但边界也必须说清楚。

Llama 的许可证长期有严格开源定义争议。开放权重，不等于开放训练数据；社区可用，不等于许可证没有限制；Meta 说 open source，也不等于它符合 Open Source Initiative 的严格定义。

到了 Llama 4，故事变得更混合：Scout 和 Maverick 开放出来，更强的 Behemoth 则更多作为教师模型和前沿能力保留。

这很现实。

也很说明问题。

即使是美国最重要的开放力量，也会在商业和竞争压力下反复划边界。

再往后看，Meta 的路线震荡更明显。

Llama 4 没有形成外界期待中的压倒性效果，Meta 随后把 AI 组织重组进 Superintelligence Labs，引入 Scale AI 的 Alexandr Wang，继续加大投入、挖人、建数据中心，同时又裁掉一批旧 AI 团队岗位。

这不是简单的“开源公司变坏了”。

更像是当开放模型进入前沿竞赛，原来那套研究社区节奏、产品落地压力、超级智能叙事、资本开支和组织控制开始互相挤压。

甚至连“数据从哪里来”这个问题，也开始往公司内部卷。

2026 年，Reuters 和 CNBC 报道过 Meta 的 Model Capability Initiative：公司计划在美国员工的工作电脑上采集鼠标移动、点击、按键和部分屏幕内容，用来训练能完成办公任务的 AI agents。Meta 的解释是，模型需要真实的人机交互样本，且这些数据不用于绩效评估；后来又因为数据安全顾虑和内部数据暴露问题暂停了这个项目。

但员工和外界真正不舒服的地方也正在这里。

当人每天的工作动作都变成模型训练材料，员工就不只是使用工具的人，也变成了工具改进过程里的数据源。

这件事放在开源文章里，不是为了单独批判 Meta。

它更能说明 AI 时代的开放和封闭已经不再是一条简单的道德线。

一个公司可以开放模型权重，也可以把内部工作流变成训练数据。

它可以推动公共生态，也可以在组织内部加强监控和自动化压力。

它可以讲开放，也可以在更强模型、更关键数据、更核心 agent 能力上重新收紧。

所以开源不能只寄托在某一家大公司的善意上。

真正稳固的开放生态，需要社区、基金会、许可证、大学、创业公司、云厂商、个人开发者和公共机构一起撑住。

OpenAI 的故事更像一个回环。

它的名字里就有 Open。

2015 年 OpenAI 成立时，公开说自己是非营利人工智能研究公司，目标是让数字智能以最可能造福全人类的方式发展，不受财务回报压力约束；当时还强调研究人员会被鼓励发表论文、博客和代码，专利也会与世界分享。

这不是后人强加给它的期待。

这是它一开始给自己的叙事。

早期 OpenAI 也确实开放过不少东西。

Gym、Baselines、Spinning Up、CLIP、Whisper、Triton、GPT-2 的代码和权重，都是社区真实用过的资产。

尤其 GPT-2 很有代表性。

OpenAI 先以滥用风险为由分阶段发布，后来又把 1.5B 完整模型放出来。那时它还在认真讨论一种“负责任发布”的中间路线：不是完全开放，也不是完全封闭，而是边观察社会反应，边逐步释放。

再后来，GPT-3 以后，故事变了。

模型越来越大，训练成本越来越高，商业化压力越来越强，微软合作越来越深，API 平台成为核心入口，最强模型权重不再开放。

OpenAI 从一个带着开放理想的研究组织，变成了全球最典型的闭源智能平台之一。

这当然有现实理由。

它需要算力，需要收入，需要安全治理，需要产品化，也需要和资本、云、监管打交道。

但这也说明一件事：

名字里的承诺，不会自动抵抗商业模式。

当一个组织坐到前沿模型的入口位置，它会越来越自然地把开放变成“选择性开放”，把透明变成“可控透明”，把公共使命变成一套需要和收入、风险、股权结构、产品节奏共同协商的东西。

DeepSeek-R1 之后，全球 AI 开放生态的压力明显变大。

后来 OpenAI 发布了 gpt-oss-120b 和 gpt-oss-20b，采用 Apache 2.0 许可证，重新回到开放权重这条路上。

这件事很有象征意义。

一个最典型的闭源 API 公司，也不能完全无视开放生态。

但这不是 OpenAI 回到 2015 年。

它开放的是一部分模型。

真正最强、最核心、最商业化的前沿能力，仍然在云端、在 API、在订阅和企业合同里。

未来大公司大概率都会这样切分：

一部分能力开放出去争生态。

一部分能力留在云端卖服务。

一部分能力放进企业合同。

一部分能力受国家安全和出口管制影响。

所以 AI 的未来不太可能是开源彻底战胜闭源，也不太可能是闭源永远垄断一切。

更可能是一种长期混合：

前沿闭源继续探上限，开放权重不断追近距离，本地模型进入企业和个人设备，API 平台继续掌握最方便、最强、最会行动的入口。

这不是一个干净的时代。

但它会是一个反复争夺的时代。

再看中国模型对美国和海外用户的态度。

至少从产品姿态看，它们不是把海外用户挡在门外。

DeepSeek、Qwen、Kimi 这些模型和权重，已经在 Hugging Face、GitHub、ModelScope 等全球开发者平台上流动。它们也有面向海外开发者的文档、API 或生态入口。

这和美国前沿模型对中国大陆用户的准入限制，形成了一个很有意思的反差。

美国模型面对中国用户时，核心矛盾常常是：

你能不能进门。

中国模型面对海外用户时，核心矛盾更像是：

别人敢不敢把数据交给你。

海外企业和政府会关心数据存储、司法辖区、政府访问、隐私政策、供应链安全、模型后门、审计能力和长期维护。

这些担心不可能靠一句“我们是开源的”解决。

DeepSeek 早期被曝出数据库暴露事件，也提醒我们：开放权重和服务安全不是一回事。

模型能下载，不代表云服务不会出问题。

代码能看见，不代表部署就天然安全。

这也是为什么开放权重在全球竞争里有一种特殊意义。

当别人不完全信任你的云服务时，你把模型放出来，让别人自己部署、自己隔离、自己审计。

这不是浪漫。

这是全球信任不足时，一种很现实的技术外交。

说到底，今天的 AI 全球化，并不是发生在一个高信任世界里。

恰恰相反，它发生在一个信任越来越稀缺的世界里。

美国公司担心模型能力外流，担心蒸馏，担心出口管制，担心安全责任。

中国公司担心海外市场不信任自己的云服务，担心数据管辖，担心供应链和政治标签。

企业担心数据泄露，开发者担心封号和降级，普通用户担心自己交出去的代码、文档、操作轨迹和工作现场，最后变成别人模型里的训练材料。

过去的国界主要在地图上。

今天的国界，也在 GPU 清单、API 地区限制、服务条款、许可证、数据中心位置和账号系统里。

所以开源的意义，不只是共同建设。

在低信任世界里，开放是一种制度安排。

使用者不必完全相信平台，但可以检查。

使用者不必永远依赖平台，但可以迁移。

使用者不必接受唯一入口，但可以自己部署。

使用者不必同意所有规则，但可以分叉出另一条路。

当然，开放不能解决所有问题。

开放权重不等于训练数据干净，开源许可证不等于没有商业算计，本地部署也不等于天然安全。

更强的模型能力、真实用户数据、员工工作流、危险能力和隐私信息，仍然需要边界、审计和责任。

但反过来也一样。

安全不能变成永久黑箱的借口。

商业秘密不能吞掉所有公共知识。

国家安全不能让智能基础设施只剩几个远程入口。

版权保护也不能被平台改写成：我可以学习全世界，但世界只能向我租用能力。

AI 时代真正棘手的问题，不只是知识能不能被学习。

而是知识被学习、压缩、封装之后，归属关系会不会被重新改写。

这些知识来自论文、代码、社区、用户、员工、学校、企业和公共互联网。

它当然需要产权、署名、激励和责任。

但如果大量公共知识、开源成果和社会劳动被压进模型，再被少数平台封装成无法检查、无法迁移、无法继承的黑箱，公共知识就会经历一次新的圈地。

所以开源不是取消产权。

开源是在产权、商业和安全之外，给世界保留一条不完全被圈住的路。

它让不同公司、不同国家、不同语言、不同教育背景的人，即使彼此并不完全信任，也还能围绕同一套可见的技术底座继续协作。

这是 AI 开源更深的一层意义。

闭源当然可以存在。

商业公司当然可以保护资产，可以收费，可以竞争。

前沿模型训练很贵，安全治理也确实复杂。

也没有必要把所有模型都推向无条件、无差别、无门槛的开放。

但不做简单审判，不等于没有判断。

闭源不必被写成恶。

也不必被过度解释成唯一成熟、唯一负责、唯一专业的路线。

闭源不是天然成熟。

闭源不是天然负责。

闭源只是把权力集中起来，然后要求用户相信它。

有时这种集中能带来极好的产品。

有时它也会带来封号、涨价、审查、降级、不可解释、不可迁移和不可审计。

开源也不纯洁。

开源会被商业利用，会有安全风险，会被包装成营销，也会烂尾。

开放权重也不是完整开源。

这些都要看见。

但开源至少保留了一条路：

你可以看见，可以修改，可以分叉，可以不服从。

这条路太重要了。

Linux 最深刻的胜利，不是它降低了多少成本。

而是它证明了一件事：

世界级基础设施可以不只属于某一家公司的围墙。

AI 也会走到这个问题面前。

如果未来的智能只剩黑箱，人就只能调用，不能追问；只能租用，不能继承；只能相信，不能检查。

黑箱当然可以做出精致产品。

但一个只剩黑箱的技术世界，会越来越像一座座漂亮的封闭商场。

你可以买东西。

你不能修路。

而开源最珍贵的地方，是它总在围墙外留下一条路。

有人走得慢。

有人走错。

有人把路修得粗糙。

但只要路还在，后来的人就不必永远等在门口。

开源的价值，不是证明自己完美。

而是给世界留下第二种可能。