2025 年 1 月 27 日，多數投資人聞所未聞的一家中國實驗室，單日就蒸發了 Nvidia 5,890 億美元市值，創下美股史上最大單日市值跌幅。導火線叫做 DeepSeek，而它「犯下的罪」，是選擇開放。
連 比特幣 (BTC) 都一度震盪，因為市場開始意識到：前沿 AI 已不再是少數封閉實驗室的專利。
重點整理
- 開源權重（open weight）模型會公開訓練完成的參數，任何人都能下載、執行與調校；這與同時開放訓練資料與程式碼的「完全開源」AI 不同。
- 在公開排行榜上，頂尖開源與封閉模型間的品質差距，約一年內從 8% 收斂到不到 2%，而推論價格則暴跌數百倍。
- 低成本部署、國家主權訴求、較友善的監管環境與龐大開發者生態系，正讓開源權重對僅供 API 存取的既有業者形成實質壓力。
什麼叫「開源權重」AI？
這個詞被用得很鬆散，因此需先釐清。所謂開源權重，是指開發者釋出一個訓練完成的神經網路參數——也就是模型「學到的東西」。你可以把這些權重下載下來，在自己的硬體上跑，甚至再做微調。
但開源權重不等於開源軟體意義上的「open source」。Open Source Initiative（OSI） 於 2024 年 10 月 28 日發布《Open Source AI Definition》，門檻更高：要被認定為開源 AI，除了權重，還必須公開訓練程式碼，以及足夠詳盡的訓練資料說明，好讓具備專業的人能大致重建整個系統。
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，都只釋出權重，並未完整揭露資料配方。
OSI 對此劃分態度鮮明，指出 單純開放權重，並不能提供類似開源軟體的完整自由。這也點燃所謂「open washing」爭議：企業一面打著開放旗號，一面又保留足以讓他人無法完全重製成果的關鍵部件。
但對多數實作者而言，權重仍是最大獎。有了權重，就能上線服務、壓縮模型、再訓練、打包出貨。實務上，三種釋出形式大致可區分為：
- 開源權重：釋出訓練完成的參數，授權通常允許使用、改作，且多半可商業應用。
- 完全開源：權重加上訓練程式碼，以及足夠的資料文件，讓他人能重建模型。
- 封閉模式：不提供任何可下載資產，只能透過介面按量付費存取。
正是中間那一類「只開權重、不完全開源」，如今爆炸性成長，也成為讓封閉實驗室夜不能寐的主因。
延伸閱讀：Nvidia 股價挫近 5%，導火線是一紙尚未簽署的 2,500 億美元 OpenAI 擔保
與 OpenAI、Anthropic 的作法有何不同？
OpenAI 與 Anthropic 可說走的是完全相反的路線。他們將最好的權重鎖在自家資料中心，只透過 API 出租。你送出提示詞，拿回回應，卻永遠碰不到模型本體。
這樣的設計有明確商業邏輯：保護訓練投入、維持訂閱與用量計費，並保留隨時調整模型行為或收回存取權的主導權。
同時，他們也以「安全性」作為理由。Anthropic 執行長 Dario Amodei 一再主張，一旦權重公開，開發者就失去後續更新防護欄、或在系統顯示風險時「回收」的能力。
但代價，就是依賴。
當模型只存在別人的機房，供應商就掌握了價格、上線時間、資料條款與版本淘汰時點。你的產品就架在一個既看不見、也無法掌控的黑盒基礎建設上。
儘管多年來高舉「開放研究」大旗，OpenAI 自 2019 年 GPT-2 之後，便再也沒有真正開放語言模型，直到 2025 年 8 月 5 日才破例。該公司在 Apache 2.0 寬鬆授權下 推出 兩個 gpt-oss 模型，幾乎可被視為對開源權重壓力的直接回應——這家靠封閉 API 打天下的公司，被迫在對手擅長的開放戰場上應戰。
延伸閱讀：OpenAI 擬向 Nvidia 爭取 2,500 億美元授信，押注俄亥俄超級園區
十大理由：開源權重如何動搖集中式模型版圖
以下並非在宣告開源權重必然「勝出」。前沿能力仍掌握在大型實驗室手中，風險也毋庸諱言。但過去三年的趨勢相當一致，而且指向與封閉、按量計費模式相反的方向。
核心變化是：付高價租用一個黑盒模型的理由，正快速消失。技術、經濟與政治三條曲線同時收斂。
以下十個因素，正重塑力道平衡。
1. 品質差距幾乎消失
最關鍵的事實，是「收斂」。史丹佛大學 2025 年 AI Index 報告 指出，在 Chatbot Arena 排行榜上，最佳封閉模型與最佳開源模型的得分差距，從 2024 年 1 月的 8%，到 2025 年 2 月僅剩 1.7%。
同時，前沿戰場也變得擁擠。前十名模型之間，第一名與第十名的差距，在一年內從 11.9% 壓縮到 5.4%。
當「第二好的選擇」價格只是第一名的一小部分，封閉模型要收取高額溢價就愈來愈難自圓其說。對以「獨家」作為核心賣點的業者而言，這是一個難解的定價難題。
2. 智能成本急速崩盤
成本下跌速度甚至快過品質差距收斂。根據 Epoch AI 與 Artificial Analysis 等資料，AI Index 報告 顯示，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，降到 2024 年 10 月的 0.07 美元。
不到兩年，價格砍了約 280 倍。
DeepSeek 則把同樣邏輯延伸到訓練端。其 V3 技術報告 聲稱，最終訓練只耗費約 2048 顆 Nvidia H800、成本約 560 萬美元，遠低於西方同級模型動輒數千萬甚至上億美元的支出。當智能變得便宜，優勢會傾向能大規模部署者，而非把模型鎖得最緊的人。
3. 你真正「擁有」模型
租用封閉模型，就得接受房東規則。供應商可以任意漲價、改條款，甚至直接下架你產品高度依賴的版本。
一旦握有權重，這種槓桿就大幅削弱。你可以凍結某個版本、穩定跑很多年，也能在不同雲端之間切換，而不用重寫整個系統。
供應商綁定從不是抽象問題，而是具體體現在：
- 高昂轉換成本，讓你不敢輕易換家。
- 被迫跟著供應商的升級節奏被動遷移。
- 無從談判的定價與條款。
擁有權重，便能逐一拆解這些風險：
- 你可自行決定何時升級或維持舊版。
- 可以在多家雲端或自家機房間自由流動。
- 不再擔心突如其來的版本終止，隔天就把線上服務打掛。
當然，即使是看似寬鬆的「開放授權」，也往往暗藏條件。以 Meta 的 Llama 為例，條款規定任何月活超過 7 億用戶的公司，都必須另行簽約，這也是為何許多開源純粹派至今不願承認 Llama 真正「開源」。
4. 隱私與資料主權優勢
有些資料依法就是不能出門——醫院病歷、金融交易、政府內部紀錄，往往無法直接送往第三方 API。
開源權重提供一條乾脆的路：把模型搬到資料旁邊。在院內機房、銀行自建雲或政府專用私有雲上跑推論，敏感資訊完全不必跨出信任邊界。
對許多受高度監管的產業而言，這一點往往就是決定性關鍵。對照之下，純雲端 API 模式在這些場景幾乎天然失分。
5. 各國紛紛打造「國家級模型」
主權焦慮已經全球化。各國政府愈來愈不願把關鍵 AI 能力，壓在少數幾家美國或中國供應商的 API 上。
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 釋出 Apertus——一個在超過 1,000 種語言、累計 15 兆 token 上訓練的完全開放模型。阿布達比的 Technology Innovation Institute 自 2023 年起就持續推進 Falcon 開源模型系列，其他國家也陸續啟動自有計畫。
這個模式正在各區域複製：
- 瑞士以 Apertus 展現「權重、資料與程式碼全部公開」的完整開放路線。
- 阿聯酋則透過多代 Falcon 模型，採取友善授權策略。
- 法國、印度、日本與南韓，則分別押注於本國模型或算力基礎建設。
你無法在一個只能租不能擁有的模型上，建立真正意義的「主權 AI」。開源權重於是成為前提，政府也自然成為開放陣營最重要的贊助者之一。
6. 監管風向偏向開放
政策環境同樣開始對開放釋出利多。2025 年 7 月 23 日，白宮 發布《America's AI Action Plan》報告，當中明列一節「Encourage Open-Source and Open-Weight AI」（鼓勵開源與開源權重 AI）。
歐洲雖然在理念上較為謹慎，但制度設計也呈現類似走向。《EU AI Act》對「免費且開源的一般用途模型」給予部分文件義務豁免，只要該模型未被列為「系統性風險」。
對於還未觸及最尖端風險區間的模型而言，政策誘因已經明顯偏向「釋出」而非「鎖住」。當 AI 競賽中的最大政府玩家公開喊話要鼓勵開源權重，封閉模式原本的「預設優勢」正被一點點削弱。
7. 開發者生態系形成正向飛輪
規模會自我強化。Hugging Face 在 2025 年的統計 顯示，其平台用戶已達 1,300 萬，公開模型超過 200 萬個，公開資料集超過 50 萬個。
下載數成了最直接的指標。Meta 表示，Llama 在 2025 年 3 月 18 日已累積超過 10 億次下載，相較 2024 年 12 月初的 6.5 億次有明顯跳增；阿里巴巴的 Qwen 下載量也來到 7 億次等級。開發者、研究者與企業社群的滾雪球效應，正快速強化這個開源權重生態系，進而回過頭削弱封閉 API 模式的黏著度。 到 2026 年 1 月，該模型在 Hugging Face 上的累積下載次數突破百萬大關，衍生版本數量也超過 18 萬種，在開源模型家族中，分支數正式超車 Llama，成為被 fork 次數最多的開放模型。
每一次微調、每一個 adapter、每一種量化版本，都在替開源模型加深護城河。封閉式 API 無法攫取這種持續複利的社群能量，因為沒有人能在一個「拿不到手」的模型上真正構建任何東西。
在你的筆電就能跑
開放權重透過廉價工具鏈，接上一般人手邊的硬體。量化技術把模型壓縮到較低精度，縮減記憶體占用；像 LoRA 這類技術則能在不重訓整個模型的前提下進行微調。
本機推論框架把這一切推向主流。Ollama、llama.cpp 和 vLLM，現在都讓開發者只靠一張消費級 GPU，甚至一台筆電，就能部署相當有戰力的模型。
一個能在 2,000 美元級別機器上跑的模型，是任何人都無法「遠端關掉」的模型。這種自主性，正是計量收費的封閉模型永遠給不起的。
可稽核與可解釋性
看不見的東西，你就無從檢視。封閉式 API 只吐出結果，卻無法讓外界檢查背後的運作機制。
開放權重讓研究人員能直接探究模型本體，分析失誤模式，並在公開環境下測試安全性。也因此，開源陣營才會主張：長期來看，開放模型更容易被打磨成值得信任的系統，而非相反。
對必須解釋決策過程的受監管產業而言，這種透明度不是加分選項，而往往是法定義務。
去中心化前沿
最新的理由出現在 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資源，就不必綁死在某一家公司的資料中心。
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 則營運一個以代幣激勵的機器智慧市場，使用其 TAO (TAO) 代幣作為定價單位。
必須誠實指出的是，現階段去中心化訓練在速度與成本上，仍落後集中式叢集一截。但「開放權重＋可驗證、代幣化算力」的組合，已經形成封閉實驗室難以複製的全新競爭維度。
延伸閱讀：Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why
結論
開放權重不會讓封閉實驗室從地表消失。前沿突破依舊偏向能砸最多算力的玩家，開源發布的時間點仍落後最頂級封閉模型數月，而一旦權重公開，就無法像撤回產品那樣「收回誤用風險」。
但「超越」不等於「抹滅」。真正的變化在於重心轉移，而這場轉移正在進行中。
品質差距已經極度收斂，智慧成本逼近零，政府、開發者與監管機構，也愈來愈傾向選擇能實際掌握在手上的模型。集中式 AI 會持續在金字塔頂端販售方便與整合；其餘廣大市場，則正默默走向那些可以真正「擁有」的權重。
下一篇閱讀：Apple Loses Its Grip On Memory Prices And Customers Pay The Difference