2025 年 1 月 27 日，一間多數投資者從未聽過的中國實驗室，在美股史上寫下驚人一筆：Nvidia 單日市值蒸發 5,890 億美元，創美股史上最大單日市值跌幅。導火線叫 DeepSeek，而它「犯下的罪行」，是選擇開放。
連 Bitcoin (BTC) 都一度震盪，因為市場開始消化一個簡單但顛覆性的事實：前沿級 AI，不再只掌握在少數封閉實驗室手中。
重點概要
- 「開放權重」模型會公開已訓練完成的參數，任何人都可下載、部署及改造，與同時開放訓練數據及程式碼的「完全開源 AI」有明顯分別。
- 公開排行榜顯示，頂級開放模型與封閉模型的實測質素差距，約一年內由 8% 收窄至不足 2%，同時推理成本暴跌數百倍。
- 廉價部署、國家主權考量、監管傾斜及龐大開發者社群，正為開放權重陣營提供實質動能，正面對以 API 收費為核心的既有巨頭。
甚麼是「開放權重」AI？
「開放權重」一詞近年被濫用，要講清楚定義。所謂開放權重，是指開發者公開一個已訓練神經網絡的最終參數——即模型「學懂了甚麼」的那堆數字。你可以直接下載，在自己的硬件上運行，亦可以自行微調。
這跟「開源」並不相同。Open Source Initiative 於 2024 年 10 月 28 日發表的 Open Source AI Definition，訂下了更高門檻。要被視為真正開源，發布內容須包括：權重、訓練程式碼，以及足夠詳盡的訓練數據說明，讓具備能力的人可以大致重建整個系統。
以今日市面上自稱「開源」的 AI 模型而言，多數過不了這關。Meta 的 Llama、阿里巴巴 的 Qwen，以及 DeepSeek，統統只開放權重，並未公開完整數據配方。
Open Source Initiative 對兩者分野講得很白，強調單單開放權重，無法提供類似開源軟件的完整自由。這種落差，亦助長所謂「open washing」——公司口口聲聲說自己是開放，實際卻保留關鍵部分，令外界無法真正重現其成果。
然而，對大部分創建者來說，權重本身已是最大獎品。有了權重，你就可以自建服務、瘦身模型、重新訓練，然後封裝成產品。實際上，每種發布模式交到你手上的東西是這樣分：
- 開放權重：只公開已訓練參數，通常配上允許使用、修改，甚至商用的授權條款。
- 完全開源：在權重之上，再公開訓練程式碼及足夠詳盡的數據文件，讓人可重建模型。
- 封閉模式：一切不可下載，只能透過介面按用量收費存取。
目前爆發式成長的，就是那個「中間層」——只開權重不完全開源——而這正是令封閉實驗室夜不能寐的那一類。
延伸閱讀：Nvidia 跌近 5%，只因一紙尚未簽署、涉資 2,500 億美元的 OpenAI 擔保
與 OpenAI、Anthropic 的模式有何本質差異？
OpenAI 和 Anthropic 走的是完全相反的路。它們把最優質的模型權重鎖在自家數據中心，只透過 API 出售存取權。你發送提示詞，獲得回應，卻永遠摸不到模型本體。
這種設計背後有清晰商業邏輯：保護訓練投入、維持訂閱式計費、並可隨時修補行為或切斷用戶存取。
同時亦有「安全」說法作支撐。Anthropic 行政總裁 Dario Amodei 就曾指出，一旦權重公開，開發者便失去更新防護欄或「收回」危險系統的能力。
但代價是依賴。
當模型只活在別人的伺服器上，價格由供應商開、服務時間由佢決定、數據條款佢話事、版本何時退役亦由佢拍板。你的產品被綁死在一個你既無法控制、亦無法檢查的基礎設施之上。
儘管多年來高舉開放研究旗幟，OpenAI 自 2019 年 GPT-2 之後，直至 2025 年 8 月 5 日前，一直沒有真正開放語言模型。直至該日，它推出兩個以 Apache 2.0 寬鬆授權發表的 gpt-oss 模型（發布詳情），頗明顯是在開放權重壓力下的策略退讓——這間靠封閉 API 模式起家的公司，終於要在對手的主場作出回應。
延伸閱讀：OpenAI 擬為巨型俄亥俄園區，向 Nvidia 爭取 2,500 億美元授信
十大理由：開放權重為何威脅集中式模式？
以下十點，並不代表開放權重必然「全面勝出」。目前最前沿的能力仍在大實驗室手中，風險亦實實在在。但過去三年的大勢相當一致，而且明顯背離封閉、按量收費的舊模式。
關鍵在於：為甚麼要繼續付溢價租用一個「黑盒」？從技術、經濟到政治層面，「租黑盒」的理由愈來愈站不住腳。
1. 質素差距幾近消失
最關鍵的事實是「收斂」。史丹福大學《2025 AI Index》指，在 Chatbot Arena 榜單上，最佳封閉模型與最佳開放模型的得分差距，從 2024 年 1 月的 8%，在 2025 年 2 月收窄至 1.7%。
領先梯隊亦大幅擠擁起來。頭一名與第十名模型的分數差距，在一年內由 11.9% 縮至 5.4%。
當「第二好」的選項，只需支付「第一好」一小部分成本，封閉模式想收高溢價就愈來愈難合理化。對任何以獨家性作為商業基礎的公司而言，這都是定價難題。
2. 「智能」價格全面崩塌
成本下滑速度甚至快過質素收斂。根據 Epoch AI 與 Artificial Analysis 數據，《AI Index》報告指出，要執行一次「GPT‑3.5 級別」查詢的成本，由 2022 年 11 月每百萬 token 約 20 美元，跌至 2024 年 10 月的 0.07 美元。
兩年不到，價格大約跌了 280 倍。
DeepSeek 則把同一邏輯推向訓練層面。其 V3 技術報告聲稱，最後一輪大規模訓練僅耗資約 560 萬美元，動用 2,048 塊 Nvidia H800 晶片，與西方同級模型動輒數千萬甚至上億美元的訓練開支相比，屬「薄利多銷」玩法。當智能變得廉價，優勢不再在於誰守得最緊，而在於誰部署得最廣。
3. 你真正「擁有」模型
租用封閉模型，就要跟著「業主規矩」走——供應商可以加價、改條款，甚至強制退役你產品依賴的那個版本。
一旦握有權重，這種槓桿就消失。你可以鎖定某個版本，穩定跑好多年，亦可以在不同供應商或雲平台間自由切換，而不必重寫整個技術棧。
所謂「Vendor lock‑in」（被供應商鎖死）並非抽象概念，而是具體體現在：
- 高昂的切換成本；
- 被迫遷移到新 API 或新合約；
- 面對你談判力有限的價格設定。
擁有權重，逐一拆解這幾個問題：
- 你可以凍結某一版本，按自己節奏升級；
- 想換雲、想自建機房，都不用大改程式；
- 不再會被「突如其來的退役公告」搞到線上產品一夜死機。
當然，即便是開放授權亦要細讀條文。例如 Meta 的 Llama 條款規定，月活用戶超過 7 億的公司，必須另行談授權——這亦是為何不少「原教旨」開源人士堅持不把 Llama 列為真正開源。
4. 私隱與數據主權
有些數據，法律上根本不能離開機構大門。醫院、銀行、政府部門，往往無法把敏感紀錄交給第三方 API 處理。
開放權重把模型搬去數據所在地，反轉了問題。你可以在本地機房或私有雲內執行推理，確保敏感資料從不跨出你控制的邊界。
對很多受嚴監管行業來說，這一點就足以把封閉 API 拒諸門外——能否「落地部署」往往是決定性因素。
5. 各國紛紛打造「自家模型」
主權焦慮已成全球現象。愈來愈多政府認為，長期依賴少數美國或中國科技巨頭提供 AI API，是一種戰略風險。
2025 年 9 月 2 日，洛桑聯邦理工學院（EPFL）、瑞士聯邦理工學院（ETH Zurich） 及瑞士國家超級計算中心聯手發布多語言模型 Apertus，標榜「完全開放」，在超過 1,000 種語言、共 15 兆 token 上訓練而成。阿布扎比的 Technology Innovation Institute 自 2023 年起則持續推進 Falcon 開放模型家族，其它國家亦陸續推出國家級 AI 計劃。
你可以在不同地區看到相似路徑：
- 瑞士推出 Apertus，公開權重、數據及程式碼；
- 阿聯酋連推多代 Falcon 模型，授權相對寬鬆；
- 法國、印度、日本、南韓等都在資助本土模型或算力項目。
只租不擁有的模型，無法構成真正的「主權 AI」。開放權重幾乎是前置條件，也因此，政府天然傾向成為開放陣營的重要金主與推手。
6. 監管風向偏向開放
政策層面亦逐漸偏向開放。2025 年 7 月 23 日，白宮發布《America's AI Action Plan》報告，當中直接列出一節〈鼓勵開源與開放權重 AI〉。
歐洲在制度設計上同樣偏向這個方向，即使出發點未必一樣。《EU AI Act》規定，若某些通用模型以免費、開源形式提供，且未被列為「系統性風險」，則可部分豁免文檔義務。
對非最前沿、風險級別較低的模型而言，政策誘因明顯是「公開多過封鎖」。當 AI 競賽中最舉足輕重的政府開始主動鼓勵開放權重，封閉模式原本享有的「理所當然優勢」便不再穩固。
7. 開發者生態自成「飛輪」
規模帶來更大規模。Hugging Face 在 2025 年公布，其平台用戶已增至 1,300 萬，公開模型超過 200 萬個，公開數據集多於 50 萬個。
下載數字更能說明問題。Meta 指出，Llama 的總下載量在 2025 年 3 月 18 日突破 10 億次，較 2024 年 12 月初的 6.5 億有明顯躍升；阿里巴巴的 Qwen 下載量亦已達 7 億次…… 截至2026年1月，相關模型在 Hugging Face 上累積下載量已達數百萬次，衍生版本超過18萬個，在開源家族中「被 fork」次數正式超越 Llama，成為最常被改造的開源模型。
每一次基於開源模型的微調、外掛模組（adapter）或量化版本，都是在替該模型加深護城河。封閉式 API 無法攫取這種社群「複利效應」，因為沒有人可以在一個自己無法真正掌握的模型之上搭建新東西。
可以在你部手提電腦跑
開源權重加上平價硬件與工具鏈，形成一套完整生態。透過量化（quantization），模型被壓縮到較低精度，減少記憶體佔用；再配合 LoRA 等技術，只需改動少量參數就能完成微調，無須重新訓練整個模型。
本地執行框架令這件事變得主流化。Ollama、llama.cpp 和 vLLM，已讓開發者能在一張消費級 GPU，甚至一部普通手提電腦上，部署相當有實力的模型。
一個可以在約2,000美元的機器上本地運行的模型，是沒有人可以「遠端關掉」的模型。這種自主性，正是按用量計費的雲端模型永遠給不到的。
可審計性與可解釋性
你看不見的東西，就無法審視。封閉式 API 只會把輸出結果交回來，卻無從檢驗背後的運作機制。
開源權重則容許研究人員直接「打開」模型，分析其失誤模式，在開放環境下測試安全性。開源陣營正是靠這種透明度主張：長遠而言，這類模型更容易，而不是更難，變得值得信任。
對必須解釋決策過程的受規管行業而言，這種透明度不是錦上添花，而往往是法規硬性要求。
去中心化前沿
最新的理由，出現在 AI 與加密資產的交界。當權重是開放的，用來訓練和服務這些模型的算力，就不一定要集中在單一公司的數據中心。
例如 Prime Intellect 已經在全球分布式硬件上訓練模型，並引入機制驗證遠端機器是否真的完成聲稱的運算工作。Bittensor 則以 TAO (TAO) 代幣為計價單位，打造一個由代幣激勵的機器智能市場。
要誠實說一句，目前去中心化訓練在速度和成本上，仍不及傳統集中式叢集。但當開源權重與可驗證、代幣化算力結合，已構成一條封閉實驗室無法複製的全新競爭路徑。
延伸閱讀：Pixel 11 將再加價，而 Google 指出 AI 數據中心是主因
結語
開源權重不會讓封閉實驗室消失。技術前沿仍然偏向那些願意在算力上狂灑資本的玩家，最新開源版本仍常常比頂級封閉模型慢上幾個月釋出，而一旦公開權重，就無法像下架 API 那樣把潛在濫用風險「收回」。
但「超越」並不等於「抹殺」。真正的改變是重心轉移，而這場轉移已經展開。
性能差距正在收窄，智能的邊際成本逼近零，而政府、開發者與監管機構，愈來愈傾向選擇自己能夠「拿在手上」的模型。集中式 AI 會繼續在市場頂端賣便利，其餘大部分市場，則正默默走向那些可以真正擁有的權重。
