2025 年 1 月 27 日，一間大部分投資者從未聽過名字的中國實驗室，單日就令 Nvidia 市值蒸發 5,890 億美元，創下美股史上最大單日市值跌幅。觸發點叫 DeepSeek，而它「犯的錯」，只是夠開放。
連 Bitcoin (BTC) 都一度震盪，因為市場忽然意識到：前沿 AI 不再只屬於少數幾間封閉實驗室。
重點摘要
- 開源權重模型會公開已訓練好的參數，讓任何人下載、執行及改造；這與同時公開訓練資料及完整程式碼的「真正開源」有所不同。
- 在公開排行榜上，頂級開放模型與封閉模型的表現差距，約一年內由 8% 收窄至不足 2%，同時間推理價格暴瀉數百倍。
- 低成本部署、國家主權推動、更友善的監管，以及龐大開發者生態，正在為開源權重累積動能，正面對撼只靠 API 收費的巨頭。
甚麼是「開源權重」AI？
市場經常混用名詞，精確定義很重要。「開源權重」指的是開發者公開一個已訓練完的神經網絡參數——即模型所「學會」的數字。你可以下載、在自己硬件上執行，甚至自行微調。
但「開源權重」並不等於「開源」。Open Source Initiative 於 2024 年 10 月 28 日發布《Open Source AI Definition》，門檻高得多：要算真開源，必須同時釋出權重、訓練程式碼，以及足夠詳盡的訓練數據資訊，讓有能力的人可以在實務上重建系統。
以這個標準來看，多數自稱開源的模型其實都不合格。Meta 的 Llama、阿里巴巴 的 Qwen，以及 DeepSeek，都只提供權重，沒有完整的數據配方。
Open Source Initiative 在這點上態度十分鮮明，它在聲明中指出，單單開放權重，並不能提供與開源軟件同等的自由。這個落差亦催生出所謂的「open washing」：公司對外宣稱開放，實際卻把真正可重現研究成果的關鍵部分鎖起來。
不過，對多數開發者而言，權重才是真正的獎品。有了權重，你就可以部署模型、壓縮、再訓練、封裝成產品。不同釋出方式，實際上交到你手上的東西分別如下：
- 開源權重：只公開已訓練參數，通常附以允許使用、修改，並經常允許商業用途的授權條款。
- 完整開源：權重加上訓練程式碼及足以重建模型的數據說明。
- 封閉模式：任何東西都不能下載，只能透過介面按用量收費。
目前爆發式增長的，正是這個「中間地帶」——只開放權重的模式；而這也正是令封閉實驗室夜不能寐的那一個類別。
延伸閱讀：Nvidia 早前因未簽署的 2,500 億美元 OpenAI 擔保計劃急挫近 5%
與 OpenAI、Anthropic 有何本質差異？
OpenAI 和 Anthropic 走的是完全相反的路。它們把最強的模型權重鎖在自家數據中心，只賣 API 存取權限。你送出提示，收回回答，永遠碰不到模型本身。
這套設計，在商業上講得通：保護訓練投資、不斷有訂閱收入，亦可以隨時修補模型行為，甚至直接收回客戶存取權限。
安全層面上，這亦是官方說法的重點。Anthropic 行政總裁 Dario Amodei 長期主張，一旦權重公開，開發者就失去了更新防線、或回收危險系統的能力。
但這樣做有一個致命代價：依賴。
當模型只活在別人的伺服器上，對方就可以決定價錢、穩定性、資料條款，甚至何時「落架」。你的產品，永遠架建在一個你既不能控制、也不能審查的黑盒之上。
儘管 OpenAI 多年來高舉開放研究旗幟，自 2019 年 GPT-2 之後，其實再沒有發佈過真正開放的語言模型，直至 2025 年 8 月 5 日才打破局面。當天公司以 Apache 2.0 寬鬆授權推出兩款 gpt-oss 模型，明顯是向開源權重壓力的一次妥協——這間以封閉 API 模式起家的公司，終於被迫在對方主場作出回應。
延伸閱讀：OpenAI 擬向 Nvidia 借入 2,500 億美元信貸，撐起俄亥俄州巨型園區
開源權重撼動集中式模式的十個原因
以下分析，並非在斷言開源權重必然「完勝」。前沿研究實力仍掌握在少數大實驗室手中，風險亦不容忽視。但過去三年的趨勢相當一致：資金與人才愈來愈傾向挑戰封閉、按用量計費的舊模式。
真正改變的是：為一個看不見的黑盒支付高溢價，說服力愈來愈弱。這場收斂，是技術、經濟與政治三方面同時發生的。
以下十個因素，正在改寫力量平衡。
一、質素差距幾乎消失
最關鍵的事實，是性能收斂。史丹福大學 2025 年《AI Index》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 月的 8%，收窄至 2025 年 2 月的 1.7%。
最前端的戰場亦變得擠擁：頭一名與第十名模型的分數差距，一年內由 11.9% 收窄至 5.4%。
當第二好的選擇，只需支付第一名的一小部分成本，封閉模型「獨家」所帶來的溢價就很難再自圓其說。對任何靠「只此一家」建立商業模式的公司而言，這都是嚴重的定價難題。
二、「智能」的價格崩盤
成本下跌速度，比質素追近更誇張。引用 Epoch AI 及 Artificial Analysis 數據，AI Index 報告 指出，跑一次 GPT-3.5 級別查詢，每百萬 tokens 的成本，由 2022 年 11 月約 20 美元，跌至 2024 年 10 月的 0.07 美元。
兩年不到，降幅約 280 倍。
DeepSeek 把同一邏輯延伸至訓練成本。其 V3 技術報告聲稱，最終訓練跑一輪只花約 560 萬美元，使用 2,048 顆 Nvidia H800 晶片——對比西方同級模型動輒以「幾千萬、上億」美元計的訓練預算，完全是另一個世界。當「智能」變得超級便宜，優勢往往落在能廣泛部署的一方，而不是最會把模型鎖起來的一方。
三、你真正擁有模型
租用封閉模型，你等於簽了一份「業主說了算」的長約。供應商可以加價、改條款，甚至隨時淘汰你產品所依賴的版本。
手握權重，談判籌碼就完全不同。你可以凍結某一版模型，沿用多年，亦可以在不重寫整個系統的前提下，自由轉換雲端或機房供應商。
廠商鎖死（vendor lock-in）並非抽象風險，而是會很實際地反映在：
- 高昂的轉換成本與重構工時；
- 被迫在供應商指定時限內「被升級」或遷移；
- 你談判不了的定價與配額。
擁有權重，逐一化解這些隱性成本。當然，即使是看似寬鬆的授權條款，也有細節必須讀清楚。以 Meta Llama 為例，其授權規定月活躍用戶超過 7 億的公司，必須另行與 Meta 簽署商業協議——這亦是為何不少社群成員堅持不把 Llama 列作「真正開源」。
四、私隱與數據主權
有些數據，在法律上根本不能離開機構內部。醫院、銀行、政府部門等機構，往往不能把敏感紀錄直接送上第三方 API。
開源權重的優勢，是把模型帶到數據那邊，而不是相反。你可以在本地機房或私有雲環境中執行推理，確保敏感資料不會跨越供應商邊界。
單是這一點，就足以打開許多封閉 API 永遠進不去的大門。對受嚴格監管的行業來說，可在本地完全掌控部署環境，經常是最終拍板的關鍵。
五、國家級自研潮起
對「主權」的焦慮已經全球化。越來越多政府把依賴少數美國或中國科技巨頭的 API，看成戰略風險。
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）**與瑞士國家超算中心聯手發佈 Apertus——一款以超過 1,000 種語言、合共 15 兆 tokens 訓練的完整開放模型。阿布扎比的 Technology Innovation Institute 則自 2023 年起持續推出開源 Falcon 系列，其他國家亦紛紛啟動自己的國家級模型計劃。
地區性模式大致類似：
- 瑞士推出的 Apertus，權重、數據及程式碼全部公開；
- 阿聯酋連續發佈多代 Falcon 模型，授權條款相當寬鬆；
- 法國、印度、日本及南韓，均動用公帑支持本土模型或算力建設。
你不可能在一個只被允許「租用」的模型上，建立真正的主權 AI。開源權重，是這類戰略工程的先決條件，也因此令各國政府自然成為開源陣營的重要金主。
六、監管傾向站在開放一邊
在政策層面，風向亦開始轉向開放。2025 年 7 月 23 日，白宮公布《America's AI Action Plan》文件，其中一節標題就叫「鼓勵開源及開源權重 AI」（Encourage Open-Source and Open-Weight AI）。
歐洲雖然在理念上未必與美方一致，但在制度設計上方向相近。《歐盟 AI 法》規定，只要模型不被歸類為「系統性風險」，免費及開源的一般用途模型，可獲部分文件義務豁免。
這些誘因，實質上是在鼓勵開放——至少對於尚未觸及最前沿風險門檻的模型而言。當 AI 競賽中最大的一個政府，公開鼓勵開源權重，封閉模式作為「預設選項」的優勢自然被削弱。
七、開發者生態成為自我增強飛輪
規模帶來更多規模。Hugging Face 在 2025 年時披露，其平台用戶已達 1,300 萬，公開模型超過 200 萬個，公開數據集亦逾 50 萬個。
下載數字更是說明一切。Meta 稱 Llama 截至 2025 年 3 月 18 日，累計下載量突破 10 億次，較 2024 年 12 月初的 6.5 億次大幅躍升；阿里巴巴的 Qwen 則已達 7 億下載……（下略）。這些規模效應，正在把開源權重推向一個臨界點：越多人用，生態越豐富，進入門檻越低，下一批開發者就更難再回頭選擇封閉黑盒。 到2026年1月，相關模型在 Hugging Face 上的累計下載量已達數百萬次，衍生版本多達逾18萬個，在被分叉（fork）次數上已超越 Llama，成為最常被改造的開源模型家族。
每一個基於開源模型的微調（fine-tune）、適配器（adapter）和量化（quantization），都不斷加深其護城河。封閉式 API 無法攫取這種社群複利效應，因為開發者根本無法在一個「拿不到手」的模型之上真正構建。
可以在你部手提電腦上跑
開源權重透過廉價工具鏈，得以在普通硬件上運行。量化技術將模型壓縮至較低精度，減少記憶體佔用，而 LoRA 等方法則可在毋須重訓整個模型的情況下進行微調。
本地執行環境令這一切變得主流化。Ollama、llama.cpp 以及 vLLM，現時已能讓開發者在一張家用級 GPU，甚至一部手提電腦上部署實用模型。
一個可以在約2,000美元的機器上自行運行的模型，不會被任何人「遠端掣停」。這種自主權，正是按用量收費、集中託管的模型所無法提供的。
可審計與可解釋性
看不見的東西，就無從審視。封閉式 API 只會交回結果，卻完全無法檢查內部運作機制。
開源權重讓研究人員可以直接剖析模型，研究其失誤模式，並在公開環境下測試其安全性。正因為這種透明度，開源陣營反而認為，旗下模型更容易——而不是更難——在時間推移中變得可信。
對於受嚴格監管、必須為決策提供解釋的行業而言，這種可見度絕非錦上添花，而往往是法規硬性要求。
去中心化前沿
最新的推動力，出現在 AI 與加密貨幣的交叉點上。當模型權重是開放的，訓練與推理所需的運算資源，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如實完成聲稱的運算工作。Bittensor 則以其 TAO (TAO) 代幣，營運一個以代幣獎勵為基礎的機器智能市場。
必須坦白的是，目前去中心化訓練在速度與成本上，仍不及傳統集中式集群。但當開源權重結合可驗證、代幣化的算力後，已構成一條封閉實驗室難以複製的全新競爭路徑。
延伸閱讀：Pixel 11 將再加價，而 Google 指 AI 數據中心是元兇
結語
開源權重不會令封閉實驗室從地表消失。技術最前沿仍然偏向於最能砸錢買算力的一方，開源發佈在性能上依然往往落後頂尖閉源模型數個月，而公開權重一旦外流，濫用風險亦不可能完全收回。
但「超越」並不等於「抹殺」，而是改變力量的重心，而這場位移已經在進行之中。
性能差距正迅速收窄，智能的邊際成本接近於零，政府、開發者與監管機構愈來愈傾向選擇可以真正「掌握在手」的模型。集中式 AI 將繼續在金字塔頂端出售方便與整合，但其餘廣闊市場，正悄悄走向那些可以真正「擁有」的權重。