2025 年 1 月 27 日，一家此前对大多数投资者几乎陌生的中国实验室，在一个交易日里就抹去了 英伟达（Nvidia） 5890 亿美元市值——创下美股单日蒸发纪录。导火索是 DeepSeek，而它“犯的错”，是足够开放。
连 比特币 (BTC) 都在抛压中震荡，市场突然意识到一个简单事实：前沿大模型不再只是少数几家封闭实验室的专利。
要点概要
- “开放权重”模型公开已训练好的参数，任何人都能下载、本地运行并改造；这与同时开放训练数据和全部代码的“完全开源”有本质区别。
- 在公开评测榜上，顶级开源与闭源模型的质量差距，大约一年内从 8% 缩小到不足 2%，而推理价格则出现数百倍跳水。
- 部署成本骤降、主权 AI 需求、监管态度转暖以及庞大的开发者生态，使“开放权重”模式对纯 API 阵营形成实质性冲击。
“开放权重”究竟是什么
这个概念在业界被频繁且模糊地使用，因此需要厘清：所谓开放权重，是指开发者公开一个已经训练完成的神经网络参数——这些数字刻画了模型学到的一切。任何人都可以下载，把它跑在自有算力上，并进一步微调。
开放权重并不等于开源。开源倡议组织（Open Source Initiative, OSI） 2024 年 10 月 28 日发布的《开源 AI 定义》，门槛要高得多：要被认定为开源，必须同时公布模型权重、训练代码，以及足以让专业人士“实质性复现系统”的训练数据细节。
用今天的标准衡量，多数被宣传为“开源”的模型都不达标。Meta 的 Llama、阿里巴巴 的 Qwen，以及 DeepSeek，基本都只放出了权重，而没有完整的数据配方。
OSI 在这点上态度非常直接，明确指出，仅有开放权重，并不能提供传统开源软件那样的自由。这一缺口，也催生了业界关于“Open Washing”（假开源）的争论：企业对外高调标榜开放，却有意隐藏足以复现系统的关键要素。
但对绝大多数开发者而言，权重才是“王冠上的宝石”。拿到权重，就能部署服务、裁剪压缩、再训练、打包上线。不同发布模式本质上是三种交付物的组合：
- 开放权重：公开模型参数，通常附带允许使用、修改甚至商用的宽松许可。
- 完全开源：在权重之外，同时公开训练代码与足够详细的数据文档，使他人能够重建模型。
- 闭源：不提供任何可下载内容，只能通过 API 接口按量计费调用。
正是中间这类“只开权重、不全开数据”的模式，近两年爆发式流行，也让一众闭源实验室夜不能寐。
延伸阅读：英伟达股价再挫近 5%，源于一份尚未签署的 2500 亿美元 OpenAI 担保
与 OpenAI、Anthropic 模式有何根本差异
OpenAI 与 Anthropic 走的是完全相反的路径：最好的权重被锁在自家数据中心，外界只能通过 API 远程调用。你发一个 prompt，它给你一个回复，模型本身永远不会离开它们的机房。
这套设计有清晰的商业逻辑：封装住巨额训练投入，维持订阅表计，随时可以调整模型行为或收回访问权限。
官方说法同样强调安全逻辑。Anthropic CEO Dario Amodei 一再强调，一旦权重公开，开发者实际上就失去了“远程加装护栏”或“在发现危险后强制收回系统”的能力。
问题在于，依赖关系也由此固化。
当模型只存在于他人服务器上，价格、可用性、数据条款、版本淘汰节奏，都由供应商说了算。你的产品架在一块自己既看不见也管不着的基础设施之上。
在多年高举“开放研究”旗帜之后，OpenAI 自 2019 年 GPT‑2 以来一直没有再发布任何开放语言模型，直到 2025 年 8 月 5 日才打破沉默。其两款 gpt‑oss 模型在 Apache 2.0 许可下推出，被广泛解读为在开放权重压力下做出的主动让步——这个亲手打造“闭源 API 生意”的公司，被迫在对手主场给出回应。
延伸阅读：OpenAI 欲向英伟达申请 2500 亿美元授信，用于打造俄亥俄超级园区
开放权重为何撼动中心化模型：十大原因
以下论点并不意味着开放权重必然“赢者通吃”。技术前沿仍牢牢掌握在大厂手中，风险也客观存在。但过去三年的趋势始终指向同一个方向：与封闭、按量计费的模式渐行渐远。
决定性变化在于：为一只“黑盒”支付溢价的理由越来越站不住脚。技术、成本与政治三条曲线同时收敛，合力重塑了市场预期。
一、性能差距几乎消失
最核心的事实是“收敛”。斯坦福大学 2025 年《AI 指数报告》显示，在 Chatbot Arena 榜单上，最佳闭源模型与最佳开放模型之间的得分差距，从 2024 年 1 月的 8% 降至 2025 年 2 月的 1.7%。
同期，头部梯队内部也在拥挤化：榜单第 1 名与第 10 名之间的差距，从一年之前的 11.9% 缩窄到 5.4%。
当“第二名”的价格只是“第一名”的零头时，为闭源“独占性”付出高额溢价就越来越难以自圆其说。这对任何以排他性为商业卖点的 API 厂商，都是一道无法回避的难题。
二、“智能”的价格断崖式跌落
成本下降的速度甚至快过性能差距的收敛。根据 Epoch AI 与 Artificial Analysis 的数据，AI 指数报告测算，运行一次 GPT‑3.5 级别查询的费用，从 2022 年 11 月的每百万 token 约 20 美元，跌至 2024 年 10 月的 0.07 美元。
不到两年，价格缩水约 280 倍。
DeepSeek 则将这套逻辑推到了训练环节。其 V3 技术报告声称，最终训练成本约为 560 万美元，使用 2048 片英伟达 H800 芯片——相比欧美同等级模型动辄数千万甚至上亿美元的训练预算，成本线被生生打了一个对折再对折。“廉价智能”天然利好的是广泛部署者，而不是把模型锁得最紧的那一方。
三、你真正“拥有”模型
租用闭源模型，本质上就接受了“房东规则”：供应商可以提价、改条款、强制升级或下线你赖以生存的版本。
拿到权重，这种议价权就消失了。你可以冻结某个版本，按自己的节奏跑上几年，并在不重写系统架构的前提下，更换底层算力和云厂商。
供应商锁定并非“理论风险”，而是常见的现实成本：迁移门槛高、被迫改造架构、价格谈判空间极小。拥有权重，可以依次化解：
- 将关键版本“冻住”，在用户侧维持长期稳定；
- 自由在各家云与自建机房之间迁移，而无需推倒重构；
- 避免“夜里发布一个废弃公告、第二天线上全挂”的被动局面。
即便宽松的开放许可里也埋着细则。以 Meta 的 Llama 为例，其 license 要求月活超过 7 亿的公司需单独谈授权，这也是为何不少“开源纯粹派”拒绝承认 Llama 为真正开源的原因。
四、隐私与数据主权需求
有些数据从法律上就“不许出门”：医院、银行、政府机构，往往不能把高度敏感记录交给第三方 API。
开放权重的解法是“让模型到数据身边去”。企业可以在本地机房或私有云内完成推理，全程不跨越供应商边界。
对高度受监管的行业来说，这一条往往是压垮闭源 API 的“最后一根稻草”：是否能“落地到本地”，直接决定项目能否立项。
五、国家在打造自己的模型
“主权焦虑”已经全球化。越来越多政府将对少数几家美企或中企 API 的依赖，视作潜在战略风险。
2025 年 9 月 2 日，洛桑联邦理工学院（EPFL）、苏黎世联邦理工学院（ETH Zurich） 与瑞士国家超级计算中心联合发布了 Apertus 模型——在超过 1000 种语言、共 15 万亿 token 语料上训练，号称“完全开放”。阿布扎比的 技术创新研究院（TII） 自 2023 年起持续推出 Falcon 系列开源模型，其他国家也相继加入“国家模型”赛道。
这一路线在多个地区呈现相同模式：
- 瑞士将 Apertus 的权重、数据与代码全部公开；
- 阿联酋迭代发布 Falcon 模型，许可条款相对宽松；
- 法国、印度、日本与韩国纷纷启动本国模型或算力基础设施项目。
没有人能在一套“只租不卖”的闭源模型之上，真正构建主权 AI。开放权重是前提条件，这也让各国政府天然成为开放阵营的重要赞助者。
六、监管风向开始偏向开放
政策层面同样出现了“向开放倾斜”的信号。2025 年 7 月 23 日，白宫 发布《美国 AI 行动计划》(America's AI Action Plan)，其中专设章节“鼓励开源与开放权重 AI”。
欧洲的做法在精神上或许更谨慎，但制度结构类似。欧盟《AI 法案》对免费、开源的通用模型，在不被认定为“系统性风险”的前提下，给予部分文件与合规义务的豁免。
这意味着，对于不处于绝对前沿、风险可控的模型，政策激励正在从“封锁”转向“释放”。当全球 AI 竞争中体量最大的政府主动鼓励开放权重，闭源模式曾经的“天然正当性”，也开始被动摇。
七、开发者生态进入“飞轮效应”
规模孕育更大规模。Hugging Face 在 2025 年披露，其平台注册用户已达 1300 万，公开模型超过 200 万个，公开数据集逾 50 万个。
下载数据更能说明问题。Meta 称，Llama 在 2025 年 3 月 18 日时下载量已突破 10 亿次，而 2024 年 12 月初这一数字还只是 6.5 亿。阿里巴巴的 Qwen 累计下载也达到 7 亿级别……（未完） 截至2026年1月，在 Hugging Face 上的累计下载量已达数百万次，衍生版本数量突破18万，过程中一举超越 Llama，成为被分叉次数最多的开放模型家族。
每一次基于开放模型的微调、适配器开发和量化，都会加深它的护城河。闭源 API 无法承接这种指数级叠加的社区贡献——因为开发者根本拿不到模型本体，自然也谈不上在其之上进行真正的构建。
可以跑在你的笔记本上
开放权重借助廉价工具链，真正“落地”到普通硬件。量化技术通过降低精度大幅压缩模型体积，使其适配更小的内存；LoRA 等方法则可以在无需整体重训的前提下完成高效微调。
本地运行时把这一切推向大众化。Ollama、llama.cpp 和 vLLM 让开发者可以在一块消费级 GPU，甚至一台笔记本电脑上，部署并服务性能可观的模型。
能在一台约 2,000 美元的机器上跑起来的模型，是任何人都无法“远程拔电源”的资产。这种自主可控，恰恰是按量计费的远程大模型所无法提供的。
可审计性与可解释性
看不见，就谈不上审计。闭源 API 只给你一个输出，却不给你任何探究其内部机理的入口。
开放权重则允许研究者直接“解剖”模型，系统性刻画其失效模式，在公开环境下反复检验安全性。这种透明度正是开放阵营认为自家模型在长期维度上“更容易被做可靠”的原因。
对于那些必须对每一个决策给出解释的高监管行业而言，这种可见性不是锦上添花，而是合规底线。
去中心化前沿
最新的动力来自 AI 与加密世界的交汇点。只要权重是开放的，训练和推理所需算力就不必锁死在某家公司的数据中心里。
例如，Prime Intellect 已经在全球分布式硬件之上完成训练，并设计出验证机制，用来确认远程节点确实完成了其声称的计算任务。Bittensor 则搭建了一个以代币激励的机器智能市场，以其 TAO 代币 (TAO) 作为定价单位。
必须承认的是，以今天的技术条件，去中心化训练在速度和成本上仍不如集中集群。但开放权重叠加可验证、代币化算力，正在形成一条封闭实验室难以复制的全新竞争轨道。
延伸阅读：Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why
结语
开放权重不会让封闭实验室消失。技术前沿依然属于算力投入最多的玩家，开放发布在性能上往往滞后顶级闭源模型数月，而一旦公开的权重被滥用，也不存在“召回补救”的选项。
但“超越”并不等于“清零”，而是重塑权力的重心——而这一重心正在发生偏移。
性能差距已经极度收窄，智能的边际成本逼近零，政府、开发者和监管机构在不断选择那些“能握在手里”的模型。中心化 AI 仍将在高端市场出售“极致便利”，而其余更广阔的需求，正默默地走向那些可以真正被持有的权重。
下篇看这个：Apple Loses Its Grip On Memory Prices And Customers Pay The Difference