2025 年 1 月 27 日，一家大多数投资人此前几乎闻所未闻的中国实验室，让 英伟达（Nvidia） 一天之内蒸发了 5890 亿美元市值——创下美股单日缩水纪录。这场冲击的导火索，是 DeepSeek，而它“犯下的罪”，是开放。
就连 比特币 (BTC) 都在这一消息下出现震荡：前沿 AI 不再是少数封闭实验室的专属领地，这一认知正在被市场重新定价。
要点梳理
- 所谓“开源权重”模型，是指公开已训练好的参数，允许任何人下载、部署与改造；它不同于“完全开源 AI”，后者还需开放训练代码与数据细节。
- 公共榜单上，顶级开源模型与封闭模型之间的测得性能差距，在一年内从约 8% 收窄至不足 2%，与此同时推理价格下跌了数百倍。
- 低成本部署、国家主权诉求、更友好的监管环境与庞大的开发者生态，使开源权重阵营对“API 唯一入口”的旧模式形成实质性挑战。
“开源权重 AI”究竟指的是什么
这个词这些年被频繁滥用，有必要先做精确定义。所谓开源权重，是指开发者公开一个已训练完毕的神经网络参数——也就是模型所“学到”的全部数字。你可以下载到本地，在自己的硬件上运行，并进行微调。
开源权重并不等同于开源软件意义上的“开源”。开放源代码促进会（Open Source Initiative） 在 2024 年 10 月 28 日发布的《Open Source AI Definition》中设定了更高门槛：要被视为开源 AI，必须同时开放权重、训练代码，并提供足够详尽的数据说明，使具备能力的人可以在相当程度上复现该系统。
以此标准衡量，当下大量自称“开源”的模型其实不达标。Meta 的 Llama、阿里巴巴的 Qwen，以及 DeepSeek，都只开放了权重，而没有完整披露数据配方。
开放源代码促进会在这一区分上态度直接，它明确指出：仅开放权重并不能带来与开源软件相同的自由。这也催生了关于“伪开源（open washing）”的争论：企业一边打着开放旗号，一边紧握足以被他人完全复现工作的关键要素。
但对大多数构建者而言，权重仍是核心资产。有了权重，你就能自己提供服务、压缩部署、重新训练并产品化。具体来说，三种模式的交付内容大致是：
- 开源权重：只交付训练好的参数，一般附带允许使用、修改乃至商业化的许可。
- 完全开源：在权重基础上，进一步开放训练代码，并给出足够细致的数据文档，允许复现模型。
- 封闭模式：不提供任何可下载内容，只通过接口按量计费。
当下爆发式增长的是中间这一档——开源权重——也是最让封闭实验室夜不能寐的那一档。
延伸阅读：英伟达股价近跌 5%，源于一份尚未签署的 2500 亿美元 OpenAI 担保
与 OpenAI、Anthropic 的模式有何根本不同
OpenAI 与 Anthropic 走的是完全相反的路线：它们将最优模型权重锁在自家数据中心，只通过 API 售卖访问权限。你发一个提示词，它回一个答案，但你永远摸不到模型本体。
这种设计有其商业逻辑：保护巨额训练投入，维持订阅式现金流，并可以随时通过更新或封禁来调整模型行为。
安全角度上，它同样有说服力。Anthropic 首席执行官 Dario Amodei 的观点是：一旦权重公开，开发者就丧失了后续加装防护栏、甚至撤回危险系统的能力。
问题出在“依赖”二字。
当模型只存在于别人的机房，价格、可用性、数据条款以及版本停用节奏，都由对方说了算。你的产品运行在一套你既看不见、也无权控制的基础设施之上。
尽管多年来一直高举“开放研究”旗帜，OpenAI 自 2019 年 GPT‑2 之后，直到 2025 年 8 月 5 日才再次发布开源语言模型：两款 gpt-oss，在 Apache 2.0 宽松协议下上线。很难不将此视为对开源权重压力的直接回应——那个凭借封闭 API 起家的公司，被迫在开源阵地应战。
延伸阅读：OpenAI 寻求英伟达 2500 亿美元授信，押注俄亥俄超级数据中心
开源权重为何威胁中心化模式的十个原因
下面这些因素并不意味着开源权重必然“赢者通吃”。前沿能力依旧掌握在大实验室手中，风险也实实在在。但过去三年的趋势高度一致：它们都对封闭、按次计费的模式不利。
关键变化在于：为一个“黑盒”模式支付溢价的理由，在持续变弱。这种收敛既是技术现象，也是价格博弈和地缘政治合流的结果。
以下十点，勾勒出力量对比已然逆转的逻辑。
一、性能差距几乎被抹平
最核心的事实叫“收敛”。斯坦福 2025 年《AI Index 报告》测算：在 Chatbot Arena 榜单上，最佳封闭模型与最佳开源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%。
前沿梯队也在拥挤。榜单前十名之间的差距，在一年内从 11.9% 收窄到 5.4%。
当“第二好”的选择在性能上足够接近，而价格只是“最强者”的零头时，为封闭访问支付高溢价，就变得难以自圆其说。对靠“独占”赚钱的公司而言，这是根本性的定价难题。
二、智能“算力单价”断崖式下跌
成本下跌的速度甚至超过了性能收敛。基于 Epoch AI 与 Artificial Analysis 数据，AI Index 指出：一笔 GPT‑3.5 级别查询的推理成本，从 2022 年 11 月每百万 tokens 约 20 美元，降至 2024 年 10 月的 0.07 美元。
不到两年，跌幅约 280 倍。
DeepSeek 则把同样的逻辑推到了训练端。其 V3 技术报告声称，最终大规模训练只花了约 560 万美元、动用 2048 块英伟达 H800 芯片，而西方可比模型往往要烧掉数千万甚至上亿美元。智能的“廉价化”，天然利好能大规模铺开的那一方，而不是把模型关得最紧的那一方。
三、你真正“拥有”模型
租用封闭模型时，你等同于接受了“房东”的所有规则：厂商可以涨价、改条款，甚至直接下架你产品依赖的版本。
拥有权重，这种博弈就翻转了。你可以冻结某个版本，运行多年不变；也可以自由更换云厂商，甚至迁回自建机房，而无需重写全套架构。
厂商锁定并非抽象威胁，而是具体成本：切换困难、被迫迁移，以及无法谈判的价格。掌握权重可以逐一拆解这些风险：
- 冻结模型版本，按业务节奏而不是厂商节奏升级。
- 在不同云平台乃至本地机房之间自由迁移，而不重构系统。
- 避免“突然停服”导致线上产品一夜之间瘫痪。
当然，即便是宽松的开放许可，也藏着需要细读的条款。以 Meta 的 Llama 为例，其协议要求月活超 7 亿的公司必须单独谈判，这也是为何不少“正统开源派”坚持不把 Llama 视作真正开源。
四、隐私与数据主权
有些数据从法律层面就不允许“出门”。医院、银行、政府机构往往不能把敏感记录发送到第三方 API。
开源权重的解决方案，是“模型到数据”，而不是“数据到模型”：你可以把推理部署在本地或私有云，使敏感信息始终不跨出自己的安全边界。
这一点正在打开大量封闭 API 进不去的场景。对于高度监管行业来说，是否能在本地可控环境中运行模型，往往是能否落地的决胜因素。
五、国家开始自建“主权模型”
“数字主权”焦虑已蔓延全球。越来越多政府视对少数美中科技巨头 API 的依赖为战略风险。
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）**及瑞士国家超级计算中心联合发布 Apertus——一个在逾千种语言、共 15 万亿 tokens 语料上训练的完全开放模型。阿布扎比的 技术创新研究院（TII） 则自 2023 年起不断推出 Falcon 系列开源模型，其他国家亦纷纷跟进。
区域性模式正在形成：
- 瑞士发布的 Apertus，不仅开放权重，还公开数据与代码。
- 阿联酋持续迭代 Falcon 系列，在许可上相对宽松。
- 法国、印度、日本、韩国等国，均布局本国模型或算力基础设施。
你无法在“租来的模型”上构建主权级 AI。开源权重是前提条件，这也让各国政府天然成为开源阵营的重要资助者与“客户”。
六、监管风向偏向“开”
政策环境同样在向开放倾斜。2025 年 7 月 23 日，白宫发布《America's AI Action Plan》报告，其中专设“鼓励开源与开源权重 AI”章节。
欧洲在制度设计上亦大致同向。欧盟《AI 法案》对免费、开源的一般用途模型给出一定程度的合规豁免，只要其未被认定为“系统性风险模型”。
对于不处在最前沿危险带的模型而言，监管激励如今更偏向“开放发布”而非“严密封锁”。当 AI 竞赛中体量最大的政府公开鼓励开源权重，封闭模式赖以存在的“默认优势”就开始摇晃。
七、开发者生态形成自增强“飞轮”
规模带来更多规模。Hugging Face 在 2025 年公布，其平台用户数已达 1300 万，公开模型超 200 万个，公共数据集逾 50 万个。
下载量竞赛尤能说明问题。Meta 称 Llama 在 2025 年 3 月 18 日前累计下载突破 10 亿次，而在 2024 年 12 月初这一数字还是 6.5 亿；阿里巴巴的 Qwen 下载量也迅速攀升至 7 亿级别…… 到 2026 年 1 月，相关模型在 Hugging Face 上的累计下载量已达数百万次，衍生版本超过 18 万个，在“被 Fork 数量”这一关键指标上超越 Llama，成为开源家族中最受二次开发青睐的模型。
每一次基于开放模型的微调、适配器开发和量化部署，都会在无形中加深它的护城河。封闭式 API 无法沉淀这种指数级叠加的社区红利——因为开发者根本拿不到模型本体，自然也就无从“站在巨人的肩膀上”。
它能跑在你的笔记本上
开源权重与大众硬件之间，只隔着一套足够廉价的工具链。通过量化，可以把模型压缩到更低精度，从而缩减内存占用；借助 LoRA 等方法，则可以在无需整体重训的前提下完成高效微调。
本地运行环境的成熟让这一切走向主流。Ollama、llama.cpp 和 vLLM 等工具如今已经让开发者可以在一块消费级 GPU，甚至一台普通笔记本上，部署并服务相当有战斗力的模型。
一个能在 2,000 美元级别机器上本地跑起来的模型，是任何人都无法“远程拔电源”的资产。这种算力与访问的独立性，是按调用计费的托管式模型天生给不了的。
可审计性与可解释性
看不见，就谈不上审计。封闭 API 只把结果端给你，却不给你任何查看内部机制的通道。
开放权重则允许研究者直面模型本体：深入剖析它的失败模式，在公开环境中测试安全边界。正是这份透明度，让“开源阵营”坚持认为，自己的模型从长期看更容易被打磨得可靠、可控，而不是更难。
对于必须能解释决策来源的强监管行业来说，这种可见性不是“加分项”，往往是写进合规条款里的“必选项”。
去中心化前沿
最新一波理由，出现在 AI 与加密技术的交汇口。只要权重是开放的，用于训练和推理的算力就不必集中在某一家公司的数据中心。
例如，Prime Intellect 已经在全球分布式硬件上完成了模型训练，并设计机制来校验远端机器是否真实执行了所宣称的计算工作。Bittensor 则构建了一个以 TAO (TAO) 代币计价、通过代币激励的智能算力市场。
需要坦承的是，就目前来看，去中心化训练在速度和成本上仍逊色于高度集中的算力集群。但“开放权重 + 可验证、代币化算力”的组合，已经构成一个封闭实验室难以复制的全新竞争维度。
延伸阅读：Pixel 11 价格上涨，谷歌将矛头指向 AI 数据中心
结论
开放权重并不会让封闭实验室消失。算力前沿仍然属于那些肯砸最多钱堆 GPU 的玩家；顶级开源发布与最强闭源模型之间依旧存在几个月的时滞；而一旦公开权重被滥用，就不存在“召回补救”的按钮。
但“超越”并不等于“清场”。它更像是重心的迁移，而这场迁移已经在进行之中。
模型质量差距正在快速收窄，边际“智能成本”接近于零，政府、开发者和监管机构在反复博弈后，越来越倾向选择那些“能真正握在手里”的模型。中心化 AI 仍会在金字塔顶端出售极致便利，而更广阔的市场，正在悄然走向那些可以被真正“持有”的权重。
