2025 年 1 月 27 日，一家多數投資人幾乎沒聽過的中國實驗室，單日就讓 Nvidia 市值蒸發 5,890 億美元，寫下美股史上最大單日市值跌幅。這波拋售的導火線，是 DeepSeek，而它「犯的錯」，就是太開放。
連 比特幣 (BTC) 都一度震盪。市場開始正視一個簡單但顛覆性的事實：最前沿的 AI，不再只屬於少數幾家封閉實驗室。
重點整理
- 「開放權重」模型會公開訓練完成的參數，任何人都能下載、部署與改造；這與「完整開源」不同，後者還包含訓練程式碼與數據細節。
- 在公開榜單上，最佳開放模型與封閉模型的品質差距，約一年內從 8% 縮小到不到 2%，同期間推論價格卻暴跌數百倍。
- 低成本部署、國家主權需求、較友善的監管環境，加上龐大的開發者生態系，正讓開放權重對僅供 API 的龍頭形成實質壓力。
什麼是「開放權重」AI？
這個詞近來被用得很鬆散，因此需要先講清楚。所謂「開放權重」，是指開發者公開一個已訓練完成的神經網路參數——也就是模型學會的一串數字。你可以把它下載回來，在自己的硬體上執行，還能進一步微調。
但「開放權重」不等於「開源」。Open Source Initiative（OSI）在 2024 年 10 月 28 日公布《Open Source AI Definition》，門檻訂得更高。要符合定義，發佈內容必須包含權重、訓練程式碼，以及足夠詳盡的訓練數據資訊，讓專業人士有能力大致重建出該系統。
以這個標準來看，當前號稱「開源」的多數模型其實都不合格。Meta 的 Llama、阿里巴巴的 Qwen 和 DeepSeek，都只釋出權重，並未附上完整數據配方。
OSI 對此區別講得很直接，指出只公開權重，並不能帶來與開源軟體相同的自由。也因此，業界一直有一場圍繞「open washing」的論戰：有些公司打著開放旗號，卻保留足以讓他人無法真正重製成果的關鍵要素。
即便如此，對多數實際在做產品的團隊來說，權重仍是最關鍵的戰利品。有了權重，你就能上線服務、壓縮模型、再訓練、打包出貨。細看不同模式實際交付什麼：
- 開放權重：釋出訓練好的參數，授權通常允許使用、修改，且時常可商用。
- 完整開源：權重＋訓練程式碼＋足夠詳細的數據說明，讓他人能重建模型。
- 封閉模式：不提供任何可下載內容，只能透過介面、按用量計費。
真正爆炸性成長的是中間那一類——開放權重模型；而這正是讓封閉實驗室夜不成眠的核心威脅。
延伸閱讀：Nvidia 股價重挫近 5%，只因一紙尚未簽署的 2,500 億美元 OpenAI 擔保
與 OpenAI、Anthropic 的模式有何不同？
OpenAI 與 Anthropic 走的是完全相反的路。它們把最高等級的權重鎖在自家資料中心，只透過 API 對外販售。你送出提示，得到回覆，但永遠摸不到模型本身。
這種設計在商業上很合理：保護訓練投資、維持訂閱與用量計費，並且可以隨時更新行為準則或關閉特定使用者的存取。
這套模式也有安全上的論述支撐。Anthropic 執行長 Dario Amodei 一再強調，一旦權重公開，開發者就失去了後續更新防護欄、或在發現風險時「收回」系統的能力。
但代價是依賴。
只要模型只存在對方的伺服器上，供應商就握有定價權、服務穩定度、資料條款與版本汰舊時間表。你的產品建立在一個你既無法掌控、也無從審視的基礎設施上。
儘管多年來以「開放研究」自居，OpenAI 自 2019 年 GPT-2 之後，一直到 2025 年 8 月 5 日才再度釋出任何開放語言模型。當天推出的兩款 gpt-oss 模型，在寬鬆的 Apache 2.0 授權下公開，被外界視為對開放權重壓力的直接回應——靠封閉 API 起家的公司，不得不在開放陣營的戰場上應戰。
延伸閱讀：OpenAI 爭取 2,500 億美元 Nvidia 授信，打造俄亥俄州超級園區
開放權重為何威脅集中式模式的 10 大理由
先說在前頭：以下這些理由並不保證開放權重一定能完全勝出。技術最前沿仍高度集中在大型實驗室手中，風險也真實存在。但過去三年的大方向相當一致，而且一路是逆著封閉、計量收費的模式而行。
關鍵在於：「為什麼要多付一大筆錢去租一個黑箱？」這個問題越來越難回答。技術、經濟與政治三股力量正在同時發生收斂。
以下是權力天平開始傾斜的十個原因。
一、品質差距幾乎消失
最關鍵的事實就是「收斂」。史丹佛大學在《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，從 2024 年 1 月的 8%，縮小到 2025 年 2 月的 1.7%。
頂尖戰場也變得擁擠：排行榜第 1 名與第 10 名的差距，在一年內從 11.9% 縮到 5.4%。
當「第二好的選擇」只要「第一名」的零頭價格時，要替封閉模型的高額溢價辯護就越來越困難。對任何以「獨家性能」作為核心賣點的廠商來說，這就是實打實的定價難題。
二、「智慧」的價格崩盤
成本下滑的速度比品質差距縮小還要驚人。根據 Epoch AI 與 Artificial Analysis 數據，AI Index 報告估算，執行一次 GPT-3.5 等級查詢的成本，從 2022 年 11 月每百萬 token 約 20 美元，跌到 2024 年 10 月的 0.07 美元。
這代表不到兩年內，成本下滑約 280 倍。
DeepSeek 則把同樣的邏輯往「訓練成本」推進。其 V3 技術報告聲稱，最終訓練階段只花了約 560 萬美元、動用 2,048 顆 Nvidia H800 晶片，就達到與西方同級模型需數千萬甚至上億美元才能及的水準。當智慧變得如此便宜時，優勢在於誰能大規模鋪開，而不是誰把模型鎖得最緊。
三、你真正「擁有」模型
租用封閉模型，就得接受房東的遊戲規則。供應商可以調漲價格、改契約條款，甚至下架你核心產品所倚賴的版本。
一旦你握有權重，這種談判籌碼就大幅削弱。你可以凍結某個版本，穩穩跑上好多年，還能在不改動整個系統架構的情況下，自由更換雲端供應商。
廠商綁定不是抽象風險，而是具體成本：轉換開發、強迫升級、以及你幾乎無從議價的價格表。擁有權重可以逐項拆解這些問題：
- 凍結模型版本：只要業務需要，就維持原樣。
- 任選運算環境：換雲端、上自家機房，都不必重寫整個堆疊。
- 避免突襲式汰舊：不會一夜之間因為 API 下線而讓線上產品全面停擺。
當然，就連「開放」授權也要看細節。Meta 的 Llama 授權要求每月活躍用戶超過 7 億的公司，必須另行商談商業條款，這也是為什麼不少開源社群人士拒絕承認 Llama 是真正的開源。
四、隱私與數據主權
有些資料依法根本不能離開園區。醫療院所、金融機構與政府單位，往往無法把敏感紀錄送到第三方 API。
開放權重的解法，是「把模型搬到資料身邊」。你可以在本地機房或私有雲內部直接跑推論，敏感數據完全不必跨出自己的安全邊界。
這個單一特性，就打開了許多封閉 API 永遠進不了的門。對高度監管的產業而言，能否在「園區內」掌握 AI 通常是最終決策關鍵。
五、各國開始打造自己的模型
對「數位主權」的焦慮已經全球化。愈來愈多政府把過度依賴少數美、中 API 視為戰略風險。
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）**與瑞士國家超級電腦中心共同推出 Apertus——一款以逾 1.5 兆 token、覆蓋 1,000 多種語言訓練而成的完全開放模型。阿布達比的 Technology Innovation Institute 自 2023 年起持續推出 Falcon 系列開放模型，其他國家也紛紛跟進各自的國家級 AI 計畫。
這個劇本在各地重複上演：
- 瑞士以 Apertus 釋出權重、數據與程式碼，完全透明。
- 阿聯推出多代 Falcon 模型，授權條款相當寬鬆。
- 法國、印度、日本、南韓等國，皆投入國產模型或算力基礎建設。
你不可能在只能「租用」的模型之上建立主權 AI。開放權重是前提條件，也因此，政府天然就成了開放陣營的重要金主與推手。
六、監管風向偏向開放
政策環境也開始朝開放傾斜。2025 年 7 月 23 日，美國 白宮發布「America's AI Action Plan」，其中明文寫出一節：〈鼓勵開源與開放權重 AI〉。
歐洲雖然論述風格不同，結構上卻走向類似方向。EU AI Act 對「免費且開源」的一般用途模型，在不被認定為「系統性風險」前提下，給予部分文件義務豁免。
這些誘因，對「非最前沿」模型的開發者來說，就是：與其鎖死，不如公開。當 AI 競賽中最大的國家開始主動鼓勵開放權重，原本「預設封閉」的產業邏輯，就不再那麼理所當然。
七、開發者生態系形成「飛輪」
規模會自我增生。Hugging Face 在 2025 年底公布，平台已累積 1,300 萬名用戶、逾 200 萬個公開模型與 50 多萬個公開數據集。
下載數字更能說明一切。Meta 表示，Llama 在 2025 年 3 月 18 日前，下載次數已突破 10 億次，而 2024 年 12 月初才剛達到 6.5 億；阿里巴巴的 Qwen 也在同期間衝上 7 億下載。 到 2026 年 1 月，該模型在 Hugging Face 上的累計下載量已達百萬次，衍生版本更突破 18 萬種，在「被分支（fork）」次數上正式超越 Llama，成為最常被改造的開源模型家族。
每一次微調（fine-tune）、外掛模組（adapter）或量化（quantization），都在替開源模型加深護城河。封閉式 API 無法承接這種來自社群的複利效應，因為沒有人能真正「建立在」一個自己無法掌握的模型之上。
在你的筆電就能跑
開源權重透過廉價開發工具鏈，與一般硬體接軌。量化技術能把模型壓縮到較低精度，縮小記憶體占用，而像 LoRA 這類方法則可在不重新訓練整個模型的前提下完成微調。
本機端推論框架讓這一切變成主流。Ollama、llama.cpp 和 vLLM 等工具，如今已能讓開發者在單張消費級 GPU，甚至一般筆電上，部署相當強大的模型。
能在一台約 2,000 美元的機器上跑的模型，是任何人都無法「遠端關機」的模型。這種自主性，正是按次計費的雲端模型永遠給不起的東西。
可稽核與可解釋性
看不見的東西，就無從檢視。封閉式 API 只丟回一個結果，卻不讓你看到背後是怎麼算出來的。
開源權重則讓研究人員可以直接剖析模型本體，研究它在什麼情境下會失誤，並在公開環境中反覆驗證其安全性。也正因為這樣的透明度，開源陣營才主張：自家模型在長期更容易、而不是更難，變得值得信任。
對必須為決策過程「說得清楚」的受監管產業而言，這種可見度不是加分選項，而往往是法律硬性要求。
去中心化前沿
最新的一個理由出現在 AI 與加密貨幣的交會點上。當權重是開放的，訓練與推論所需的運算，就不必綁在單一公司的資料中心。
像 Prime Intellect 這類專案，已經在全球分散的硬體上完成模型訓練，並設計機制驗證遠端機器是否真的執行了自己聲稱的工作。Bittensor 則運行一個以代幣為誘因的機器智能市場，其定價單位為 TAO (TAO) 代幣。
必須誠實指出的是，目前去中心化訓練在速度與成本上，仍不敵傳統集中式叢集。但開源權重一旦與可驗證、代幣化的運算資源結合，便形成封閉實驗室難以複製的全新競爭軸線。
延伸閱讀：Pixel 11 將更貴，Google 指向 AI 資料中心成本是主因
結語
開源權重不會讓封閉實驗室「消失」。技術最前沿依然掌握在願意砸下最大算力預算的玩家手中，開源釋出的版本往往比封閉模型慢上好幾個月，且公開權重一旦流出，濫用風險就不可能被「召回」。
但「取代」不等於「抹除」。真正的轉變是重心的移動，而這場位移已經在發生。
當品質差距愈來愈小、智能成本逼近於零，政府、開發者與監管機關，正持續選擇那些「能掌握在自己手中」的模型。集中式 AI 仍會在金字塔頂端販賣極致方便，但其餘廣大市場，正悄悄走向可以真正「擁有」的權重。
