2025 年 1 月 27 日，一間大多數投資者幾乎未聽過的中國實驗室，在一個交易日內，令 Nvidia 市值蒸發 5,890 億美元，創下美股史上單日最大市值損失。觸發點叫 DeepSeek，而「罪名」只有一個：開放。
連 Bitcoin (BTC) 亦一度震盪，因為市場忽然意識到：前沿 AI 不再只屬於幾間封閉實驗室。
重點撮要
- 開放權重模型會公開已訓練好的參數，任何人都可下載、自行運行及改造，但與同時公開訓練數據和完整程式碼的「完全開源」AI 並不相同。
- 公開排行榜顯示，頂級開放模型與封閉模型的質素差距，由約 8 個百分點，在一年內收窄至不足 2 個百分點，同期推理價格暴跌逾百倍。
- 低成本部署、國家主權驅動、更友善的監管環境，以及龐大開發者生態，正賦予開放權重對抗只靠 API 收費舊勢力的真正動能。
何謂「開放權重」AI？
「開放權重」經常被寬鬆使用，但在技術與政策層面，其實需要講清楚。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「學懂咗乜」的那堆數字。你可以下載，放上自己硬件運行，再按需要微調。
不過，開放權重並不等同開源。Open Source Initiative 於 2024 年 10 月 28 日發表《Open Source AI Definition》，門檻顯著更高：要算是真正「開源 AI」，發佈者必須同時公開權重、訓練程式碼，以及足夠詳盡的訓練數據說明，令有技術能力的人可以大致重建整個系統。
以今日市場上很多號稱「開源」的模型而言，其實都過不到這關。Meta 的 Llama、阿里巴巴的 Qwen 以及 DeepSeek，都是只出權重，卻沒有交出完整數據「食譜」。
Open Source Initiative 對此區分態度直白，指出，單有開放權重，並不能提供開源軟件那種全面自由。這個落差，引爆了一場關於「open washing」的長期爭論 —— 一些公司一邊打著開放旗號，一邊保留關鍵部份，令外界無法真正重製其成果。
然而，對大多數實幹的開發者而言，權重才是核心戰利品。有了權重，你就可以：
- 直接部署模型服務客戶
- 壓縮、蒸餾，令模型在更細算力上跑得起
- 再訓練、微調，針對自己數據重塑能力
- 打包整合，作為產品一部份推出市場
由此可以粗略分三類發布方式：
- 開放權重：公開已訓練參數，通常附帶容許使用、修改，以及不少情況下可商用的授權條款。
- 完全開源：權重加訓練程式碼，再加足夠訓練數據說明，足以重建模型。
- 封閉：不提供任何可下載內容，只能透過介面以度量方式調用。
正是這個「中間類」—— 只開權重、不全開源 —— 在近年爆炸式流行，亦成為令封閉大廠坐立不安的主因。
延伸閱讀：Nvidia 跌近 5%，源於一份尚未簽署的 2,500 億美元 OpenAI 擔保
與 OpenAI、Anthropic 的模式有何根本不同？
OpenAI 和 Anthropic 採取的是完全相反打法：把最好的模型權重鎖死在自家數據中心，只透過 API 出租能力。你發送提示詞，它回覆結果，你永遠不會碰到真正的模型本體。
這樣做有明顯商業邏輯：保護訓練投入、維持訂閱「水錶」、隨時可以修改模型行為或收回用戶權限。
同時，這亦被包裝為安全考量。Anthropic 行政總裁 Dario Amodei 便多次強調，一旦權重公開，開發者便無法再為模型加上新護欄，亦難以在出現危險情況時「回收」系統。
但這套模式有一個致命副作用：依賴。
當模型只活在別人的伺服器，你就得接受供應商訂下的價格、SLA、數據條款和停用時間表。你的產品實際運行在一套你既無法控制、亦無從審視的基建之上。
儘管 OpenAI 多年來口頭高舉「開放研究」，自 2019 年 GPT-2 之後，其實再沒有發布過真正開放的語言模型，直到 2025 年 8 月 5 日。該公司在當日推出兩個採 Apache 2.0 寬鬆授權的 gpt-oss 模型，明顯是回應開放權重陣營累積的壓力 —— 這間打造封閉 API 王國的公司，被迫走入對手地盤作戰。
延伸閱讀：OpenAI 擬向 Nvidia 爭取 2,500 億美元授信，興建俄亥俄州超級園區
十大理由：開放權重為何撼動集中式模式
以下的分析並不等於斷言開放權重必然完勝。頂尖前沿暫時仍掌握在大實驗室手上，風險亦不容低估。但過去三年的大趨勢相當一致，而且愈走愈遠離「封閉、按量收費」的舊世界。
最大變化在於：為何要付高溢價去租一個看不見的黑盒，理由愈來愈站不住腳。技術、經濟與政治三條線同時收斂，令天秤出現明顯傾斜。
以下十項，就是局勢轉向的主要原因。
一、質素差距幾乎消失
最關鍵事實，就是性能開始「撞線」。史丹福大學在《2025 AI Index 報告》中指出，在 Chatbot Arena 排行榜上，最佳封閉模型與最佳開放模型的得分差距，由 2024 年 1 月約 8 個百分點，收窄至 2025 年 2 月僅 1.7 個百分點。
前沿戰場亦愈來愈擁擠。頭號與第十名模型之間的差距，在一年內，由 11.9 個百分點縮減至 5.4 個百分點。
當「第二好」的選擇只需「第一好」的一小部分成本，封閉模型可以要求的溢價，自然難以合理化。對任何把「獨家、獨一檔」作為核心賣點的公司而言，這就是定價難題。
二、「智能」價格大崩盤
成本下跌甚至比質素收斂更急。根據 Epoch AI 和 Artificial Analysis 數據，AI Index 報告顯示，要運行一個 GPT-3.5 水平查詢，每百萬 token 的成本，從 2022 年 11 月約 20 美元，跌至 2024 年 10 月 0.07 美元左右。
這代表不足兩年內，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，最終訓練一輯模型的成本約為 560 萬美元，只用到 2,048 顆 Nvidia H800 晶片，對比西方可比模型動輒以數千萬甚至上億美元計的開支，屬「超低價」實現。當智能變得廉價，優勢開始偏向於「誰能大規模部署」，而不是「誰把它鎖得最緊」。
三、你真正「擁有」模型
租用封閉模型，等於接受「業主」規矩 —— 對方可以加價、改條款，甚至直接把你依賴的版本下架。
一旦手上握有權重，這種槓桿就消失。你可以把某個版本「凍結」，穩定使用多年，還可以無痛換供應商，而不必重寫整個系統。
供應商鎖定（vendor lock-in）並非抽象概念，而是體現在：
- 高昂轉換成本
- 被迫遷移到新版本
- 面對幾乎無從談判的價格
擁有權重，可以逐一拆解這些風險：
- 把模型版本鎖死，按自己節奏升級，而非被迫跟著供應商時間表走。
- 可在不同雲端之間搬遷，甚至落地自家機房，而無須重構程式。
- 避免某天忽然「停服」、打斷線上產品運作的驚嚇。
即使是看似慷慨的「開放」授權，其實亦隱藏不少細節。Meta 對 Llama 的授權條款，就規定任何擁有逾 7 億月活躍用戶的公司，必須另行談判，這亦是為何不少開源社群人士堅決不把 Llama 列為真正開源。
四、私隱與數據主權
某些數據，法律上根本不能離開大樓。醫院、銀行、政府機構往往不能把敏感紀錄交給第三方 API 處理。
開放權重提供了一條簡單出路：把模型帶到數據旁邊，而非把數據送去模型。你可以在本地機房或私有雲中運行推理，確保敏感信息不會跨出自己控制的邊界。
對於高度受監管的行業，這一點往往是直接決定生死的因素 —— 封閉 API 很多時候連「入場資格」都沒有。
五、各國都在打造自己的模型
「技術主權」焦慮已經全球化。愈來愈多政府視依賴少數美國或中國科技巨頭 API 為戰略風險。
2025 年 9 月 2 日，洛桑聯邦理工學院（EPFL）、**蘇黎世聯邦理工學院（ETH Zurich）**及瑞士國家超級電腦中心，聯合發表多語言模型 Apertus，強調真正「全開放」，在超過 1,000 種語言、共約 15 兆 token 上訓練。阿布扎比的 Technology Innovation Institute 則自 2023 年起持續推出 Falcon 開放模型系列，其他國家亦紛紛跟進。
這個模式在多個地區重複上演：
- 瑞士以 Apertus 展示「權重、數據、程式」全部公開的範本。
- 阿聯酋持續發布不同版本 Falcon 模型，而且多採寬鬆授權。
- 法國、印度、日本、南韓等，都啟動本土模型或算力建設計劃。
你不能在只租不買的模型上建立「主權 AI」；開放權重是前提條件，這亦令各國政府天然成為開放陣營的主要贊助者。
六、監管風向開始偏向開放
政策層面亦出現向開放傾斜的跡象。2025 年 7 月 23 日，白宮發布《America's AI Action Plan》，當中一節標題直接寫明：「Encourage Open-Source and Open-Weight AI」—— 鼓勵開源及開放權重 AI。
歐洲雖然在語氣上更審慎，但架構上路線相近。《EU AI Act》對免費及開源的通用模型給予部分豁免，減輕文件及合規負擔，前提是該模型未被界定為「系統性風險」。
對於非最前沿、但足以大規模應用的模型而言，政策誘因現時明顯偏向「多發布、多開放」，而非「高度封鎖」。當在 AI 競賽中最重要的一個政府，公開提倡開放權重，封閉模式作為「天然預設選項」的優勢，已經不復存在。
七、開發者生態進入飛輪效應
規模帶來更多規模。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，公開數據集亦突破 50 萬個。
下載數字更直接反映勢頭。Meta 指出，Llama 至 2025 年 3 月 18 日的累計下載量，已突破 10 億次，高於 2024 年 12 月初報告的 6 億 5,000 萬；阿里巴巴的 Qwen 下載量亦衝上 7 億次水平（數據其後仍持續上升）。
當一個模型家族有數百萬開發者嘗試、微調、蒸餾和二次創作，其改進速度和適應不同垂直場景的能力，自然呈現「滾雪球」。封閉 API 雖然在單點性能上仍常有優勢，但在生態戰上，已經愈來愈吃力。 截至2026年1月，在 Hugging Face 上的累計下載已達數百萬次，衍生模型超過18萬個，沿途更在「分支數」上超越 Llama，成為最常被 Fork 的開源模型家族。
每一個基於開源模型打造的微調版本、Adapter，以至量化版本，都在替該模型加深護城河。封閉式 API 無法承接這種社群複利效應，因為開發者根本無法「拿在手上」的模型，是不能真正用來構建新東西的。
在你部 Notebook 都行得通
開源權重配合普及硬件，加上一條成本低廉的工具鏈，就能落地使用。量化技術可以把模型壓縮到較低精度，減少記憶體佔用；而 LoRA 等方法，則可在毋須重新訓練整個模型的情況下進行微調。
本地執行環境令這一切變成主流。Ollama、llama.cpp 和 vLLM 等工具，已經讓開發者用一張一般消費級 GPU，甚至一部 Notebook，就能部署實用級模型。
一個你用大約 2,000 美元機器就能跑的模型，是沒有人可以在遠端替你「斷線」的模型。這種自主性，正是採用按量收費、雲端封閉模型所永遠無法提供的。
可審核與可解釋
看不見，就無從審視。封閉式 API 只會回傳輸出結果，卻無法讓外界檢查背後的運算機制。
開源權重則讓研究人員可以直接剖析模型、研究其失效模式，並在公開環境下測試安全性。這種透明度正是開源陣營認為，自己模型反而更容易在時間推移中變得可信的原因。
對於須要解釋決策過程的受監管行業，這種可見度不是錦上添花，而是往往寫在法規裡的硬性要求。
去中心化前沿
最新的一個理由，出現在 AI 與加密技術交匯之處。當模型權重是開放的，用以訓練與推理的算力就毋須集中在單一公司的數據中心。
例如 Prime Intellect 已經在全球分佈式硬件上訓練模型，並設計機制驗證遠端機器是否真的完成其聲稱的運算工作。Bittensor 則營運一個以代幣激勵的機器智能市場，定價單位是其 TAO (TAO) 代幣。
必須誠實指出，去中心化訓練現階段依然比集中式集群更慢、更昂貴。不過，開源權重結合可驗證、代幣化算力，確實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 價格勢將上調，Google 指 AI 數據中心成本是主因
結語
開源權重不會令封閉實驗室消失。技術前沿仍偏向願意砸最多算力的一方，最佳開源模型仍普遍落後頂級封閉模型數個月，而公開權重一旦釋出，潛在濫用風險便難以「回收」。
但「超越」不等於「抹殺」。真正的意義是重塑力量中心，而這場轉移已經在進行中。
質量差距已經極為細微，智能的邊際成本逼近零，而政府、開發者與監管者，愈來愈傾向選擇可以「握在手上」的模型。中心化 AI 仍會在金字塔頂端出售便利，餘下的大部分市場，則正悄然走向那些可以真正擁有其權重的方案。
下一篇閱讀：Apple 無力再壓記憶體價格，差價由用戶埋單
