黄仁勋携科技巨头防守开源浪潮 中国大模型逼出开放权重新格局
硅谷101
大模型竞争已从算法之争演变为以开放权重为核心的商业与生态博弈，中国厂商正通过基础设施开源与宽松许可重新定义全球 AI 产业秩序。
AI-assisted summary of 从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？【硅谷101】 — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由 Bilibili 频道的“硅谷101”于 2026 年 8 月 13 日发布。视频围绕 DeepSeek、智谱、Kimi 等中国模型掀起的开源热潮以及黄仁勋推动的“开放安全 AI 联盟”展开，深入拆解了开放权重模型的训练流程、商业模式与许可证差异。
## TL;DR 视频从大模型研发的七大核心环节切入，厘清了闭源、完全开源与“开放权重”的本质区别。重点梳理了从 Llama 到 DeepSeek 及 Kimi K3 的技术开放边界演进，并揭示了开放权重模型如何通过云计算带货、私有化部署、后训练 PaaS 和 MaaS 官方认证实现商业盈利。最后探究了英伟达等巨头抱团推开源背后的商业算盘，以及 Anthropic 坚持闭源所引发的安全与“蒸馏”博弈。
## Atmosphere & style 全片呈现出极强的专业深度与前沿洞察力，既有硬核的技术拆解，又有宏大的产业格局剖析。对谈结合了专业嘉宾的实战经验，语调冷静客观且充满张力。整体叙事紧扣时代脉搏，将商业利益、技术创新与地缘竞争交织的复杂局势展现得淋漓尽致，带给观众一种身处 AI 变革风口浪尖的沉浸感与紧迫感。
## Key takeaways - [00:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=0s) 中国大模型厂商接连发布 Kimi K3、MiniMax H3 与 DeepSeek V4 系列，直接逼迫黄仁勋及美国科技巨头组建“开放安全 AI 联盟”应对攻势。 - [00:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=0s) 大模型研发分为训练数据、架构设计、算力基础设施、训练流程、模型权重、API 部署和技术报告等七大环节。 - [04:08](https://www.bilibili.com/video/BV1KBgE6xEqf?t=248s) 当前主流“开源模型”多为“开放权重（Open Weight）”，即仅提供训练最终成果与基础推理代码，介于完全闭源与彻底开源之间。 - [06:03](https://www.bilibili.com/video/BV1KBgE6xEqf?t=363s) DeepSeek 和 Kimi K3 拓宽了开放权重的边界，不仅提供权重与技术报告，还开源了 FlashMLA、MoonEP、AgentENV 等底层训练与推理基础设施。 - [06:03](https://www.bilibili.com/video/BV1KBgE6xEqf?t=363s) 大模型许可证正快速演变，包含宽松的 MIT/Apache 2.0，以及限制竞品训练与大企业免费使用的 Llama Community License 和 Kimi K3 License。 - [10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) 开放权重不等于放弃盈利，企业可通过带动云算力消费、私有化部署与定制、后训练 PaaS 平台以及 MaaS 厂商转售认证四种模式实现商业化。 - [15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) 企业正普遍采取混合架构，最复杂任务使用顶尖闭源 API，通用任务交由开放权重模型处理，以应对“Token Maxing”高昂成本与数据安全风险。 - [15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) 黄仁勋联合云厂商、芯片商与数据平台推动开源，背后是因为开放模型能大幅增加算力需求、本地部署和上层应用开发，利好“卖铲人”。 - [15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) Anthropic 坚持拒绝开源，理由在于顶级开放权重模型的越狱与安全风险不可控，且质疑中国开源模型依赖对美国闭源模型的“蒸馏（Distillation）”。
## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=0s) 开源猛攻与“黄仁勋联盟”的诞生
中国开源模型正掀起一轮极其猛烈的攻势，从 Kimi K3、MiniMax H3 到 DeepSeek V4 Flash 与 DeepSeek V4 Pro，一连串密集动作让美国 AI 界彻底坐不住了。英伟达 CEO 黄仁勋甚至亲自下场发表了人生第一条推特，呼吁全行业共同推动美国开放模型生态的发展。除了 Anthropic 执意缺席外，包括 OpenAI CEO Sam Altman、谷歌 CEO Sundar Pichai 在内的美国主流 AI 巨头掌门人罕见地统一战线，纷纷发文表态支持。平时竞争最激烈的科技巨头如今却站到了同一阵营，而 Anthropic 坚持不加入的原因也耐人寻味。要理解这场席卷全球的产业浪潮，必须先厘清一个最基础的问题：AI 行业口中常说的“开源”到底开的是什么？
很多人直觉地认为 AI 模型就是一整套代码，开源无非就是把代码公开发布。但实际上，一个大模型从研发到最终上线包含了一整套极其复杂的流程，主要可以拆解为七个核心环节：
1. **训练数据**：研发团队首先要决定使用哪些网页、书籍与代码数据，设计数据配比并进行清洗与筛选，这直接决定了模型的“底子”好坏。 2. **模型架构与参数规模**：在此阶段规划模型的整体设计，包括架构选择、参数规模及各种训练配置，这决定了模型的能力上限与训练效率。值得注意的是，参数规模并非指训练数据的大小，而是指模型在训练过程中需要调整的参数总量；参数规模越大，模型能捕捉和处理的细节与规律就越复杂。 3. **训练基础设施**：依靠庞大的算力完成训练，涵盖 GPU 集群、高速网络、存储系统以及训练框架。如何高效组织这些算力，正是当下火热的 AI Infra（AI 基础设施）领域的核心课题，例如 DeepSeek 的 DeepGEM 以及 Kimi K3 的 FlashMLA、MoonEP 等创新都属于这一层。 4. **训练流程**：在算力、数据与架构准备就绪后，模型依次经历预训练、微调与强化学习，期间会不断存档以便继续训练、测试或回滚。 5. **形成模型权重**：经过漫长的训练，模型内部数十亿乃至数万亿个参数被逐步调整到最佳数值。这些参数最终形成的集合就是“模型权重”，也是整个训练过程最核心的知识与能力结晶。 6. **部署与 API 提供**：将模型权重部署到服务器，通过 API 接口或本地部署的形式提供给开发者和企业使用。 7. **技术报告（Technical Report）**：模型厂商通常会撰写一份技术报告，介绍架构设计思路、数据配比构成、训练中踩过的坑以及评测结果。技术报告并非能照猫画虎复现的操作指南，而是一种高屋建瓴的方法论分享。
- **行业巨头动态**：黄仁勋发表人生首条推文组建开放安全 AI 联盟，OpenAI、谷歌等闭源巨头罕见联手响应，唯独 Anthropic 拒绝加入。 - **开源攻势核心驱动**：中国大模型厂商连续发布 Kimi K3、MiniMax H3、DeepSeek V4 系列，直接逼迫美国科技界重组开源策略。 - **大模型研发七大环节**：训练数据、模型架构/参数规模、训练基础设施（AI Infra）、训练流程、模型权重、部署/API、技术报告。
---
[04:08](https://www.bilibili.com/video/BV1KBgE6xEqf?t=248s) 闭源、完全开源与“开放权重”三大阵营
搞清楚了大模型的训练与发布流程后，就能准确剖析当下模型的实际开放程度。目前行业中的模型主要可以划分为闭源、完全开源（Open Source）与开放权重（Open Weight）三大类型。
闭源模型（Closed Source）最好理解，即上述七个环节全部不对外公开，用户只能在部署层通过 API 或成品软件调用模型能力。Anthropic、OpenAI 和谷歌目前的大部分旗舰模型都属于此类。完全开源模型（Open Source）则要求从训练数据、训练代码、中间存档到技术报告彻底公开，AI2（艾伦人工智能研究所）推出的 OLMo 系列就是典型代表。
然而，目前市场上绝大多数所谓的“开源模型”本质上都不是真正的 Open Source，而是处于闭源与开源中间的“开放权重（Open Weight）”。这相当于厂商只赠送了训练结束后最终形成的成果，开发者可以直接拿去运行，或者在结果之上进行微调与改进。但在不同的开放权重模型之间，具体的开放深度又有着云泥之别。
- **闭源模型（Closed Source）**：全流程不公开，仅提供 API 或最终产品调用（如 Anthropic Claude、OpenAI GPT 系列、Google Gemini）。 - **完全开源（Open Source）**：数据、代码、中间存档、技术报告全流程开源（如 AI2 的 OLMo 系列）。 - **开放权重（Open Weight）**：仅对外开放训练后的最终权重与基础推理代码，介于闭源与全开源之间的中间地带。
---
[06:03](https://www.bilibili.com/video/BV1KBgE6xEqf?t=363s) 从 Llama 到 DeepSeek 与 Kimi K3：Open Weight 的边界拓宽与许可证变迁
严格来说，模型权重只是一串庞大的数字文件，单靠它无法直接运行。以 Kimi K3 为例，若直接从 Hugging Face 上下载其权重，拿到的是 2.8 万亿个按照模型架构顺序整齐排列的浮点数（Floating Point Numbers）。因此，厂商通常会附带一份推理代码，用于指导系统如何读取权重文件、按什么顺序计算并最终生成回复。最基础的开放权重做法，就是提供权重及这份可运行、可微调的推理代码，Meta 的 Llama 系列即是代表。然而 Meta 始终没有公开训练数据的具体配方、训练中的调优策略以及内部工具链；且从 Llama 1 到 Llama 3 还会发布详细技术报告，到了 Llama 4 则仅剩一篇简短的博客，开放态度趋于保守。
DeepSeek 的出现则彻底震撼了整个 AI 行业，它带来了相当于“Open Weight Plus”的全新开放模式。过去大厂的技术报告多半像公关稿，只晒参数量和 Benchmarks 成绩，很少透漏底层细节。但 DeepSeek V3 和 DeepSeek R1 毫无保留地公布了极其详尽的研发细节，包括 MoE（混合专家模型）如何设计、为何采用 Multi-Head Latent Attention (MLA) 降低 KV Cache 内存占用、FP8 训练如何保持稳定，以及为何在多种方案中做此选择。不仅如此，DeepSeek 还陆续开源了 DeepGEM、FlashMLA、DeepEP 等训练与推理基础设施组件，把内部工程团队的经验变成了全行业共享的工具。
Kimi K3 延续并深化了这种开放思路，不仅发布了详尽的技术报告，更同步开放了三大自研底层基础设施：解决 MoE 模型数百个专家间通信效率的 MoonEP、加速注意力计算的 FlashKDA，以及为智能体（Agent）训练搭建可运行环境的 AgentENV，直接击穿了通信、计算与训练环境三大卡点。
除了开放内容外，允许开发者如何商用与修改则取决于许可证（License）。近年来中国模型厂商的许可证正快速拥抱彻底开放： - **MIT 许可证**：DeepSeek 从早期限制性协议全面切换至宽松的 MIT 许可证；智谱 GLM 系列自 GLM-4-0414 以来也一直沿用 MIT 许可证。保留版权声明即可自由修改与商用。 - **Apache 2.0 许可证**：阿里 Qwen 从早期自定义协议切换为国际通用的 Apache 2.0 许可证；阿里近期更表态将首次把旗舰模型 Qwen 2.5 Max 的权重开源。 - **Kimi K3 许可证**：Kimi 此前 K2 系列采用 Modified MIT 协议，K3 则启用了全新的 Kimi K3 License。虽然绝大多数开发者体验与 MIT 无异，但设置了两道明确门槛：一是产品月活（MAU）超过 1 亿或月收入超过 2000 万美元的企业，必须在界面显著位置展示 Kimi K3 标识；二是从事模型级托管服务（MaaS）且连续 12 个月总收入超过 2000 万美元的厂商，必须另行签署商业协议。 - **Llama Community License**：限制最严格的协议之一，规定月活超过 7 亿的产品需额外申请授权，禁止使用 Llama 的输出去训练其他大模型。不过 Meta 最近也在尝试重回开放，其发布的 Muse Glimmer 采用了 Apache 2.0 许可证，扎克伯格还透露最强基础模型 Muse Spark 1.2 也即将开放权重。
- **Kimi K3 参数规模**：下载权重包含约 2.8 万亿个浮点数。 - **DeepSeek 开源基础设施**：DeepGEM、FlashMLA、DeepEP 等底层工具。 - **Kimi K3 三大底层组件**：MoonEP（通信优化）、FlashKDA（计算加速）、AgentENV（智能体环境）。 - **开源许可证划分**：MIT / Apache 2.0（极宽松）、Kimi K3 License（设大企业标识与 MaaS 抽成门槛）、Llama Community License（设 7 亿月活与竞品训练限制）。
---
[10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) 商业化解密：开放权重模型如何实现盈利？
既然开放了权重，甚至允许免费下载，模型公司究竟靠什么赚钱？实际上，“开放权重”绝不等于“放弃商业化”。对企业而言，下载模型只是第一步，要想稳定部署到生产环境，还需要算力、运营、持续更新以及场景定制。比起自己搭建昂贵的工程团队，大量企业依然倾向于直接购买模型公司的 API 服务、企业版私有化部署或行业解决方案。开放模型本质上成为了一个强大的商业入口，主要衍生出四种盈利模式：
第一，**带动云计算与基础设施消费**。以阿里 Qwen 为例，模型权重虽免费，但企业大规模部署需要消耗 GPU、云存储、网络、数据库及模型管理平台。对于云厂商来说，模型是吸引流量的入口，运行模型所消耗的整套云服务才是真正的盈利来源。
第二，**提供私有化部署与定制服务**。金融、医疗、政企等大型机构出于数据安全考虑，不愿将敏感数据发送给外部 API，希望部署在本地服务器或私有云中。模型公司可以向其出售适配、数据清洗、安全评测、推理优化及长期运维服务。
第三，**后训练与模型开发平台（PaaS）**。企业越来越接受“ intelligence should be owned, not rent（智慧应该被拥有，而非租用）”的观点，希望引入自有数据与业务规则，将通用大模型打造为专属领域模型。Thinking Machines 等公司的思路便更接近于此，通过提供微调、强化学习、版本管理工具，并按训练算力使用量或订阅费收费。
第四，**模型即服务（MaaS）授权与认证**。开源数据库过去最担心的就是云厂商“take a free ride（白嫖/搭便车）”——不出资不出力，直接将开源项目部署在自己的云上卖钱。Kimi K3 等许可证明确规范了 MaaS 厂商与云厂商（如 Together AI、Fireworks AI、AWS、阿里云等）的转售行为。反常识的是，云厂商和 MaaS 厂商反而非常欢迎 Kimi 找他们收费。因为只要付了钱，就意味着获得了官方的认证（Vendor Verification），如同芯片领域的“Intel Inside”标志，能向客户保证其出售的 Token 在准确性与推理性能上均有官方背书。
- **月之暗面（Moonshot AI）财务数据**：公开信息显示，月之暗面当前的年化经常性收入（ARR）已达到 3 亿美元。 - **开源盈利四大路径**：云基础设施带货、私有化部署与行业微调、后训练 PaaS 平台订阅、MaaS 厂商认证与授权抽成。 - **核心商业逻辑**：“ intelligence should be owned, not rent”推动企业自建专有模型；官方 Vendor Verification（供应商认证）消除云计算搭便车风险。
---
[15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) 重塑 AI 生态与“安全与开源”的激烈博弈
从生态价值来看，过去几年的 Claude、ChatGPT、Gemini 等最强模型均为闭源，前沿 AI 能力牢牢掌握在极少数巨头手中。而开放权重让顶级 AI 模型能够像传统软件一样被下载、部署和微调。对于企业用户来说，这首先极大地降低了成本——在编程 Agent 普及、各家企业经历“Token Maxing”导致账单水涨船高的背景下，能力追平闭源且价格极低、可自主调整的中国开源模型成为了最优解。目前主流企业的架构是：最繁重复杂的核心任务调用最顶尖的闭源 API，其余大量通用任务则交由开放权重模型处理。
其次，开放权重保障了“数据与业务的所有权”。正如先前 Anthropic 突遭监管限制所引发的行业恐慌，若模型完全依赖外部闭源 API，一旦政策或服务变更（如美国商务部发布禁令），企业的前期部署与产品将在一夜之间归零。此外，开放权重极大地繁荣了创业生态，vLLM、SGLang 等开源推理引擎已能对开源模型做到“Day Zero（零日）”即时支持，推动了 AI Agent、机器人等项目的蓬勃发展；在技术迭代上，Kimi K3 技术报告中 MoE 的负载均衡方案正是基于 DeepSeek V3 的经验演进而来，形成了“站在巨人肩膀上”的良性循环。
这也是黄仁勋牵头组建联盟且“一呼百应”的原因。面对中国开源模型的崛起，美国政府曾传出考虑采取限制行动，而“开放安全 AI 联盟”的核心观点是：美国既需要最顶尖的闭源模型，也需要最顶尖的开放模型。开源对网络安全、AI 创新和 AI 主权至关重要，监管应针对具体风险，而非限制技术路线本身。这背后同样有着深厚的商业算盘： - **云厂商（微软、亚马逊、谷歌）**：无论客户部署什么模型，只要运行在自己的云上就能赚取算力费。 - **硬件基础设施商（英伟达、AMD、Broadcom）**：开放权重带来海量的本地部署、微调与推理需求，推动“卖铲人”的算力销售爆发式增长。 - **应用与数据平台（Palantir、Databricks）**：模型越开放，其之上的数据平台与行业解决方案能覆盖的客户与场景就越多。
然而，联盟中唯独缺少了 Anthropic 的身影。Anthropic 专门发表长文阐释立场，强调其并非主张禁止开放权重，而是担忧两大核心问题： 1. **安全风险**：在闭源状态下，危险的安全能力尚被少数专业公司控制；若最强模型的权重彻底公开，恶意使用者可无门槛地下载修改，将世界置于危险之中。近期连拥有持续监控与安全更新的闭源模型（如 OpenAI 和 Anthropic）都频发“越狱攻击”，一旦能力达到顶级水平（如 Claude 3.5 级别）的开放权重模型被部署到成千上万的本地服务器甚至个人设备上，安全隐患将不可控。 2. **蒸馏问题（Distillation）**：Anthropic 认为中国开源模型之所以飞速进化，本质上是大规模蒸馏了美国最前沿闭源模型的结果，因此美国政府更应该先管控蒸馏行为。
但行业普遍认为，Anthropic 坚持不开源的主因仍是商业利益保护——开放权重模型性能越高，企业对闭源 API 的依赖就越低，闭源巨头的竞争壁垒与高溢价模式也将遭受毁灭性打击。关于开源与闭源、安全与创新的辩论仍在激烈交锋，但开放权重已不可逆转地成为重塑全球 AI 产业格局的核心力量。
- **企业主流架构**：最难任务用顶尖闭源 API，日常与特定任务用开放权重模型，破解“Token Maxing”高昂账单。 - **开发者基础设施**：vLLM、SGLang 等开源推理引擎实现对新开放权重模型的 Day Zero 零日支持。 - **开放安全 AI 联盟各方算盘**：云厂商赚算力费，芯片厂商（英伟达/AMD/Broadcom）卖铲子，软件商（Palantir/Databricks）卖上层应用。 - **Anthropic 拒绝开源两大理由**：前沿模型权重公开带来的不可控安全威胁/越狱风险；对美国前沿闭源模型的“蒸馏（Distillation）”争议。
<ElicitationsGroup message="要进一步了解开放权重模型与 AI 产业生态，你可以选择：">
<Elicitation label="深入剖析 DeepSeek 与 Kimi K3 的技术创新对比" query="请详细对比 DeepSeek（V3/R1）与 Kimi K3 在架构设计、MoE 优化（如 FlashMLA 与 FlashKDA）以及开源基础设施上的异同。"/> <Elicitation label="梳理主流开源许可证（MIT、Apache 2.0、Kimi K3 License）的商用风险" query="请针对企业开发者，详细梳理 MIT、Apache 2.0、Llama Community License 与 Kimi K3 License 在商用、修改与托管服务（MaaS）上的条款限制和合规风险。"/> <Elicitation label="探讨 Anthropic 所指的“大模型蒸馏”技术原理与监管争议" query="请解释什么是大模型“蒸馏（Distillation）”技术，为什么 Anthropic 认为这是中国开源模型快速崛起的关键，以及技术上如何界定蒸馏与正常训练？"/> </ElicitationsGroup>
## Notable quotes > [10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) intelligence should be owned, not rent
> [10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) 智能应该被拥有，而非租用
> [10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) take a free ride
> 开放模型究竟开放了什么？
> 开放权重就意味着可以免费使用吗？
> [00:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=0s) AI 行业口中常说的“开源”到底开的是什么？
> [10:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=600s) 开放权重绝不等于放弃商业化
> [15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) 站在巨人肩膀上
> [15:00](https://www.bilibili.com/video/BV1KBgE6xEqf?t=900s) 美国既需要最顶尖的闭源模型，也需要最顶尖的开放模型。
## Mentioned DeepSeek, Kimi, 智谱, MiniMax, 黄仁勋, 王铁震, Keith Zhai, Hugging Face, TinyFish, Sam Altman, Sundar Pichai, 扎克伯格, OpenAI, Anthropic, Google, Meta, AI2, Thinking Machines, Together AI, Fireworks AI, AWS, 阿里云, 微软, 亚马逊, AMD, Broadcom, Palantir, Databricks, DeepSeek V4 Flash, DeepSeek V4 Pro, DeepSeek V3, DeepSeek R1, Kimi K3, Kimi K2, MiniMax H3, Llama, Llama 1, Llama 3, Llama 4, Muse Glimmer, Muse Spark 1.2, GLM-4-0414, Qwen, Qwen 2.5 Max, OLMo, Claude, ChatGPT, Gemini, Claude 3.5, DeepGEM, FlashMLA, MoonEP, FlashKDA, AgentENV, DeepEP, vLLM, SGLang, Bilibili, 硅谷101
## 弹幕氛围 (Danmaku mood) — 102 条 观众情绪整体呈现偏负面与调侃的氛围。视频前半段大量弹幕集中于吐槽主持人的外貌、妆容和打光（产生“恐怖谷”效应），引发了关于人身攻击的短暂争论；科技讨论方面，观众对OpenAI的“闭源/CloseAI”行为、Anthropic的开源态度及大模型政策展开了激烈的批评与技术辩论。
**整体情绪**：😊 正面 10% · 😐 中性 45% · 😞 负面 45%
**热议点** - **对主持人外貌、打光及形象的吐槽与争论** —— “镜头太近了 美瞳也怪怪的 有点吓人” - **讽刺OpenAI名不副实（变相闭源/CloseAI）** —— “Open ai应该改个名字，一个闭源公司叫这个名字真抽象” - **针对Anthropic与大模型开源/闭源及版权问题的讨论** —— “依旧A\发言，闭口不提自己不尊重版权、蒸馏CN大模型” - **视频中的选择题/刷屏互动** —— “5” - **对视频中出现的大神/人物形象的调侃** —— “这形象有点像农民工，大神就是这么朴素嘛”
**代表弹幕** > Open ai应该改个名字，一个闭源公司叫这个名字真抽象
> 镜头太近了 美瞳也怪怪的 有点吓人
> 姐姐有点恐怖谷了
> OpenAI现在已经是ClosedAI了（）
> 弹幕都有病吧 干嘛人身攻击
> 这形象有点像农民工，大神就是这么朴素嘛
> 依旧A\发言，闭口不提自己不尊重版权、蒸馏CN大模型
[Source](https://www.bilibili.com/video/BV1KBgE6xEqf)