開源AI推動技術平權的難點：信任、開放性，還是盈利能力？

　　在大模型賽道，“開源”與“閉源”的選擇，一直是一個很有意思的話題點！

　　有些企業，做著做著開源就變成閉源了，比如：Meta暫停Llama模型“Behemoth”的測試工作，集中資源開發閉源模型；有些企業做著做著閉源，中途卻又改道開源，比如： OpenAI 在今年開源了 GPT-oss 模型；還有一些企業，開源和閉源“兩條腿”走路，比如：谷歌、微軟、阿里、騰訊等大廠，既有開源模型，又有閉源模型。

　　到底選擇開源？閉源？還是都選？本質上，都可以歸為是戰略選擇問題。不管是哪種方式，技術路線本身沒有對錯。從性能追趕來看，開源與閉源的界限正在變得模糊，開源模型的性能正在逼近閉源模型，阿里的Qwen3、DeepSeek的R1等開源模型已與Claude 4、GPT-4.1等閉源模型比肩，甚至實現反超。從模型能力來看，多模態、強化推理和MoE架構等幾個關鍵技術能力，正在推動AI應用的加速落地。

　　在技術發展呈螺旋式上升過程中，開源AI給世界發展帶來的推動作用，有目共睹。不管是Meta的Llama系列、Stability AI的Stable Diffusion，還是DeepSeek的發布……這些大模型之所以能快速“破圈”，是因為他們帶來了技術普惠的“飛輪效應”，讓全球開發者在集體智慧之上，再上新臺階。

　　開源，不僅大幅降低了人工智能的技術門檻，更以強大的協同效應倒逼行業加快創新步伐，推動整個生態進入高速迭代的新階段。注意，這個“生態”不只是模型應用層，還包括模型的開發、部署，數據和算力的管理等AI Infra層面的改變。

　　為進一步推進開源AI 生態的繁榮發展，弘揚開放、協作共享的創新精神，ITPUB在【IT風向標】系列直播活動中，特別邀請 了AI 領域兩位重磅專家，共同探討開源 AI 的現狀、挑戰與未來趨勢。一位是紅帽亞太 CTO 辦公室首席架構師張家駒；另一位是Zilliz的合伙人&研發VP欒小凡。兩位嘉賓一致認為，開源與閉源之間，從來就不是“非黑即白”的選擇。

　　當DeepSeek用開源挑戰巨頭，當等大廠們既擁抱開源又保留閉源，當企業用戶在安全與成本間做出適合自己的選擇，我們看到的是——一個正在重構的AI生態。

　　在過去一年里，中國開源AI表現出強勁發展勢頭。一份源自The Atom Project的全球模型追蹤數據顯示，2025年10月中國開源模型的下載量攀升至約5.5億次，美國同類產品為4.75億次。一家評測機構指出，評分最高的10個開源模型中有8個來自中國，而且未來中國的領先優勢還將擴大。

　　在開源AI繁榮發展的背后，也面臨著一些挑戰，諸如：信任度、開放性，還有盈利能力等。那么，問題來了，在消滅技術邊界這場“戰爭”中，到底哪些地方存在“槽點”或者“卡點”？很明顯，安全問題是第一個挑戰！

　　01

　　開源AI可信嗎？

　　開源是把“雙刃劍”，當開發者獲得開放透明的代碼，意味著所有人對你的應用了如指掌，很容易被植入惡意代碼，使得私域數據被公開。外加Cursor、Claude封禁API等事件，都在加劇這種不信任感。

　　尤其是企業級應用場景，安全是“生命線”，沒有半點退讓的可能！那么，就模型應用而言，到底是開源更安全，還是閉源更安全？

　　“使用閉源API，整個應用是個黑盒，一旦出現問題，你對數據安全無法把控。既然這樣，那是不是要把企業數據都拿出去？開源模型又會面臨新的安全隱患！” 欒小凡指出，企業應用通常會面臨兩難處境。

　　與模型發展不相匹配的是，使用開源模型還有一個巨大的“鴻溝”，我們沒有一個“Benchmark “可以像評測模型一樣，去評估模型本身的安全性?！澳Ｐ屯抖尽币殉蔀橐粋€事實威脅，如果用戶在預訓練時摻雜了惡意數據，在評估過程中沒有被及時發現，會對產出結果產生很大影響。

　　所以，大模型被推出后，很多企業更愿意以私有化的方式去部署。在這一過程中，模型本身是否開源似乎不再那么重要。當然，針對“模型投毒”這樣的問題，即便是私有化部署，也只能解決部分問題。

　　“當模型能力逐漸同質化，推理引擎（vLLM、SGLang）、RAG框架、向量數據庫（如Zilliz）、路由分發系統才是開源的真正主場，這又落回到了傳統意義上的基礎設施層面，” 張家駒發現，在私有化場景，基礎設施的成熟度、穩定性和易用性，反而成為了決定AI落地的關鍵因素，而不在于是否開源，重要的是整個基礎設施是建立在開源生態之上。

　　從這個角度來看，開源AI是否可信，就落腳到更細分的維度。一個是數據敏感程度，核心業務數據是否允許出域；另一個是技術能力儲備，是否有能力維護私有化部署；最后，是合規性，要能滿足行業監管對透明性的要求。

　　張家駒還揭示了一個令人尷尬的現象，在當前環境下，完全開放的開源模型的創新優勢似乎并不像想象中的那么明顯。但長遠看，真正的開源一定是閉源模型的最有力補充。

　　02

　　如何看待“開放權重”模型？

　　擁抱開源AI雖然是大趨勢，但在技術路線部署上，會有分叉，也會有趨同！

　　“開源的魅力在于，你可以站在巨人的肩膀上看世界，能基于別人的代碼去做修改。但現在的開放權重模型，本質上別人很難再做創新。”

　　張家駒提出了一個尖銳問題：這種“非全過程開源”，真的能帶來傳統開源軟件的創新紅利嗎？紅帽懷揣著一個烏托邦式的夢想：從數據準備、模型訓練到持續迭代，全過程開源。這才是真正的“技術平權”！然而，“理想很豐滿，現實卻很骨感”，現在的主流開源模式，更多是開放權重，而非全過程開源。

　　新趨勢背后，是一個略顯悲觀的判斷。欒小凡認為，造成這種現象的根本原因是，“大模型發展到現在可能進入到一個瓶頸期。未來，我們會看到越來越多的微創新出現，至于下一個Scaling law在哪里？目前我們還沒有看到！”

　　目前，開源AI正處在艱難的過渡期。當下的“開放權重”模式，或許是一種必要的妥協。既讓更多人能夠使用先進AI技術，又保護了開發者的商業利益。更多人的目標，是一個“賣鏟子”的邏輯，希望通過模型去吸引用戶。尤其是一些大廠和云廠商，可以通過開源帶生態，推動硬件或者云資源的使用。

　　對比來看，開源AI其實和互聯網的發展脈絡一樣，從只有巨頭玩得起的“大機時代”，到走向人人可參與的“PC時代”，還需要技術的持續突破和成本的不斷下降。正如張家駒所說：“隨著時間推移，也許會有變化。當技術門檻足夠低，當算力成本足夠親民，真正的開源AI時代才會到來。”

　　從長遠發展來看，當訓練和推理成本在模型部署中占“大頭”，開源的優勢將更加明顯，我們會看到越來越多更好用的開源模型。

　　03

　　開源商業化，背后邏輯是什么？

　　開源不等于免費！當開源遇上AI，一個來自靈魂深處的發問索繞心頭——那就是這玩意到底怎么賺錢？當大廠們紛紛擁抱開源，當創業公司在開源道路上艱難前行，商業化成為了最現實的考驗。

　　放眼市場，欒小凡直言不諱地指出了開源AI商業化的兩條路徑：

　　第一條路，“掛羊頭賣狗肉”。開源本身不直接賺錢，但能拉動其他業務。

　　以云廠商的開源模式為例，做模型這件事情并不掙錢，但是能拉動云資源的使用，并且未來還會是一個很大的“盤子”。

　　同樣，一些硬件企業也是這種“套路”，比如：英偉達就是這條路徑的典型代表。無論是推理框架，還是大家耳熟能詳的Triton、TensorRT核心AI加速工具，所有動作，本質上都在幫他解決同一個問題：賣卡。

　　英偉達的這套邏輯在于，把軟件堆棧做好，最終通過軟件帶動硬件銷售。在這個游戲里，開源是手段，硬件銷售才是目的。

　　第二條路，開源產品本身商業化。根植于生態，通過托管服務和企業級支持變現。

　　這種“打法”的差異點在于，開源產品本身其實就是為了去吸引更多用戶，把開源生態打磨好，吸引一部分不想自己去維護復雜工程體系的用戶，或者對穩定性有更高要求的用戶。

　　比如：向量數據庫技術的開創者Zilliz，不僅擁有全球最受歡迎的開源向量數據庫Milvus，還推出了基于 Milvus 的全托管云服務 Zilliz Cloud，這是一條基于開源產品構建云平臺體系的成熟路線，已經得到Databricks、MongoDB等知名企業的可行性驗證。

　　與上述路線不同的是，作為開源界的“老兵”，紅帽的生存哲學，只有一條，那就是做好“臟活苦活累活”。

　　“軟件的價值不僅僅是閉源軟件提供的license，還包括你在使用過程中的一系列后續問題，包括用戶需要的補丁、安全更新、問題處理、技術培訓，這些價值也需要有人來提供?！?/p>

　　讓廣泛使用的開源軟件在企業生產場景中用好，紅帽用這套模式打造了三大產品線，包括Linux操作系統、OpenShift容器云平臺和Ansible自動化工具。如今，為了滿足AI這種“新型工作負載”，紅帽又在努力讓K8S更好地支持AI，包括在推理引擎社區上進行大力投入。

　　遠離光環，貼近地面。在開源路線戰略布局過程中，紅帽只選擇做“關鍵貢獻者”，只貢獻“20%-30%”，但能為最終用戶提供100%的支持服務。如果一家企業開源貢獻是100%，那非常容易走著走著就閉源；但如果你的開源貢獻是0，那在別人的潛意識里，你就是一個集成商，根本沒有深度服務的能力。所以，紅帽只做關鍵貢獻，把精力放在可能遇到的各種問題上，雖然做了很多 “苦力活”，但這種務實的理念，卻也探索出一條開源商業化的正確路徑。

　　04

　　結語

　　展望未來，開源AI的發展，將是一個分裂而繁榮的生態。

　　分裂體現在技術棧的分層：底層基礎設施幾乎完全開源，上層應用百花齊放；小模型開源，大模型閉源；通用能力開源，專屬能力閉源。

　　就AI Infra而言，開源的前景一片光明。這種信心來自于開源獨特的反饋循環——更多的用戶使用，更多的反饋匯聚，更快的產品迭代。這種來自真實場景的反饋，成為AI基礎設施不斷進化的燃料。從向量數據庫到推理框架，從訓練調度到Agent開發工具，開源正在重演Linux時代的勝利。

　　這或許就是AI時代最樸素的真理——技術路線會變遷，商業模式會演化，但為用戶創造價值的能力，才是真正的“殺手锏”。