开源、开放权重、闭源 大模型之争

原文：

https://www.nextplatform.com/ai/2026/08/13/the-war-between-open-source-open-weight-and-closed-ai-models/5287504

作者：Timothy Prickett Morgan

先做一个假设：你有严重疾病，医生要用生成式 AI 扫影像、读化验单，判断病情并建议治疗。你会选 OpenAI 或 Anthropic 的闭源专有模型，还是 Meta、月之暗面、阿里巴巴、DeepSeek、OpenAI、谷歌、Mistral，以及 Hugging Face 上那一大批开放权重模型？又或者，你更想要英伟达 Nemotron 3 这种完整开源，以及 Meta 已经算老的 Llama 3、Llama 4？参数和权重是越大越好，还是精简一些更稳妥？

这些问题问得都对，但做决定的不会是你，而是医疗软件供应商和医疗机构。真正难的是：什么才算正确答案。

笔者说，自己在上世纪80年代的专有软件年代长大，又经历了90年代 Unix、Linux 和 Windows Server 的更迭，两边的价值都见过。企业自己写应用、自己养代码，在公司计算的前几十年里是主流，如今全球仍有数十万家大公司这么干。控制代码，才能控制公司命运。

笔者的偏向也很明确：一旦开源软件的功能追平闭源专有产品，就更看好有商业支持的开源，或者由超大规模云厂商自己养的开源。操作系统和中间件几十年就是这么走过来的。

操作系统走过的那条路

好多年前，数据中心大概有25种硬件平台，操作系统差不多是这个数的两倍。后来收束到 x86，再叠加 Arm，再剩一点 IBM z 大型机和 Power。IBM 平台上还跑着最后得到支持的 Unix（AIX），以及中端和企业级里最后得到支持的专有平台 IBM i；大型机跑专有的 z/OS，分区里有时还有更老的系统，也可以跑 Linux。Power 上当然也能跑 Linux，而且不只是红帽企业版。

Windows Server 的装机量在收缩，但笔者不认为，当年从桌面冲进数据中心、撑起前后台核心应用的那部分用量消失了。更像是单机箱能塞进的核心数暴涨，再加上数据分析，以及现在几乎只跑在 Linux 上的 AI。连微软也拥抱 Linux：过去十年用 Linux 支撑 SONiC 发行版，今年5月又为云做了 Azure Linux。

应用软件曾经交出控制权

应用软件的故事更杂。上世纪60年代到80年代，多数大企业自己掌握后台代码，从会计做起，再到 MRP，最后是完整的 ERP。等到基于这些商业数据的分析热起来，第一波 SaaS 也热起来，商业 ERP 套件刚好够用。手里堆着大量技术债、又不好对付千年虫、还要迁到互联网技术的公司，干脆扔掉自研代码，改去改 SAP、甲骨文、微软的产品。业务去迁就软件，软件能改的地方再迁就业务。

他们用控制权换速度，赌软件商能补功能、做安全，自己做不到那么快。部署全新 AI 应用，或者给现有系统加 AI，企业又站在同一类选择题前面。买了第三方软件的，多半会等软件伙伴把 AI 功能加上来。也有人想自己掌握 AI 技术栈，围着现有应用包一层，而不是拆开重做，就像当年给 ERP、供应链、CRM 补网页能力一样。两条路都要花钱：要么养开发、花时间，要么等软件商做完再付钱。账很少算得干干净净。

笔者家里同时付费使用 OpenAI GPT（Nicole）和 Anthropic Claude（Tim），图的是看看这些东西怎么干活。他们这种轻度用法，API 就够了。但不认为多数企业愿意把数据送进外部模型，除非自己已经住在云上。他们会希望模型挨着自己写的、或者买来的软件套件。

开源权重不等于开源

Meta 在模型开不开源上左右摇摆，英伟达则为最新开源的 Nemotron 给出相当宽松的条款，还配了把智能体应用缝起来的工作流管理器。这两件事把上述两难又推到了台前。

我们此前多次提到，英伟达或许是唯一有实力大方开放 Nemotron 3 模型源代码、权重与训练数据集的厂商。在我们看来，企业采购英伟达硬件付出高昂成本，硬件厂商本就应当配套开放软件资源。这一幕与六十年前 IBM System/360 大型机时代如出一辙：IBM 派遣程序员团队上门指导企业开发应用，并且向客户开放应用代码。只是彼时各家企业不会互相共享业务代码，因为代码是核心竞争壁垒。

Meta 值得肯定：十五年前它通过开放计算项目（OCP）开放硬件设计，同时贡献 React 前端框架、PyTorch AI 框架等开源系统软件。当然，Meta 开放这些项目带有明确利己诉求 —— 引导开发者按照 Meta 的技术规范搭建交互系统、开发 AI 应用。开明的利己主义本身无可厚非。

Meta 初代 AI 模型采用闭源模式；2023 年 2 月推出、2024 年 4 月迭代更新的 Llama 3 属于开放权重模型（非开源）；Llama 4 模型规模进一步扩大，依旧只开放权重、并未完整开源。今年 4 月发布的全新生成式 AI 模型 Musk Spark 1.1 为闭源软件，但 Meta 宣布即将推出的 1.2 版本将转为开放权重。本周新发布的轻量模型 Muse Glimmer 拥有 300 亿参数，面向搭载单张 GPU 的 PC 设备运行，自发布起即为开放权重模式。

以下一份详尽表格，汇总各类开放权重与开源模型。Anthropic、谷歌、OpenAI、AWS 的专有模型，外界无法获取详细规格参数。表格仅收录 300 亿参数及以上模型；在笔者看来，参数量低于这一门槛的模型，仅适合终端个人设备，适用场景十分有限。我将 300 亿参数视作具备复杂推理能力的基础规模，在硬件资源上限内，笔者倾向选用参数量尽可能大的模型。

蒸馏之后，优势落在谁手里

还有一点：大量小模型都是通过模型蒸馏由大模型压缩而来，无论母模型是稠密架构还是混合专家（MoE）架构。本周 Meta 创始人兼 CEO 扎克伯格发布措辞亲和的 AI 宣言，畅谈 Meta 推进 “个人超级智能” 愿景的理念，明确开放权重模型将是重要组成；同时他呼吁美国放开对跨模型蒸馏技术的监管限制。（不妨直言，中国企业早已利用美国大模型开展蒸馏，训练自有模型。）

“美国想要引领开源 AI 赛道，就需要重新调整多项政策，包括模型蒸馏、训练数据使用相关规则。” 扎克伯格表示，“模型之间互相学习，是开源生态运转的核心逻辑。所有 AI 模型本质上都源自人类知识。部分观点将模型蒸馏定性为有害行为，但我认为，必须守住一条底线：任何可观测的知识，都应当允许被学习。这是世界运行的基本规律。如果美国在该领域自我设限，将无法维持领先地位。”

不过也会产生一个疑问：当海量模型持续互相学习、参数不断趋同，行业将会走向何方？倘若这种趋势成为现实，未来厂商除了支撑生成式 AI 推理运行的底层硬件，还能依靠什么持续收费？

这一局面下，英伟达占据优势。

换一个角度思考：倘若闭源模型能够持续保持能力领先，厂商依然拥有生存空间，可以面向所有人售卖 API 调用权限，同时提供本地部署场景下的模型授权。

这一局面下，更强性能的模型占据优势。

欢迎扫码报名