中国开源大模型崛起 逼迫美企成立开放安全AI联盟

中国开源大模型崛起 逼迫美企成立开放安全AI联盟 国产大模型通过深度开放与高性价比优势加速抢占全球份额，倒逼英伟达等美股巨头联合组建开源联盟以刺激算力需求并应对地缘竞争。 视频详细拆解了大模型研发与发布的七个核心环节，指出当前主流的“开源”本质上多为“开放权重”。通过分析 Llama、DeepSeek 和 Kimi 在底层代码、技术报告及开放许可证上的差异，展示了中国厂商在生态开放上的创新。同时，视频梳理了开放权重模型的四大盈利模式，并分析了黄仁勋牵头组建“开放安全 AI 联盟”背后的硬件商业考量与 Anthropic 等闭源巨头的立场分歧及安全隐患。 DeepSeek V4系列、Kimi K3等国产模型在全球引发开源热潮，促使英伟达CEO黄仁勋号召成立“开放安全 AI 联盟”，吸引OpenAI与谷歌等巨头加入，仅Anthropic明确拒绝。 (0:00) 开放模型并非仅是开放权重，Meta对Llama技术的披露日趋保守，而DeepSeek与Kimi则开创“Open Weights Plus”模式，深度开源了MoonEP、FlashKDA等底层AI Infra工具链。 (5:47) 许可证成为厂商划定商业利益的红线，相比DeepSeek和智谱采用极宽松的MIT协议，Kimi K3专门设立了用户量与收入限制门槛，以防大型云厂商直接搭便车提供MaaS服务。 (8:34) 黄仁勋推动开放联盟意在通过本地部署微调刺激芯片等基础设施算力需求，而坚守闭源的Anthropic对安全与蒸馏的严苛限制，正促使更多企业转向开源生态。 (18:08)

随着DeepSeek、Kimi等国产模型凭借技术报告与底层算子深度开源，全球AI竞争重心正加速向“开放权重”倾斜。英伟达联合闭源巨头组建开放安全AI联盟以拉动算力消费，而Anthropic等闭源厂商则指责开源存在安全失控与蒸馏侵权风险，反映出技术所有权与商业生态之间的深层博弈。 大模型开源解构：从代码误区到开放权重 (0:01) 大模型从研发到发布涵盖训练数据、模型架构、训练基础设施（AI Infra）、训练过程、模型权重、部署调用和技术报告七个环节。常规认知中将开源等同于公开代码是一种误区；真正的“完全开源”（如Ai2的OLMo）需公开原始数据、训练代码、中间存档及报告，而当前行业主流实际上是“开放权重”（Open Weight）。 开放权重仅提供训练形成的数十亿至数万亿个浮点数参数（如Kimi K3约含2.8万亿个浮点数），通常搭配基础推理代码交付。但在开放维度上各家差异显著：Meta的Llama趋向保守，Llama 4起不再提供详尽技术报告；DeepSeek与月之暗面则走向“Open Weights Plus”，不仅详述MoE架构与FP8训练，还分别开源了DeepEP、FlashMLA以及MoonEP、FlashKDA等底层基础设施。 许可证博弈与“搭便车”防御机制 (8:34) 开源许可证是界定修改、商用与再分发的核心法律边界。国内厂商整体趋向宽松，DeepSeek与智谱GLM采用极度宽松的MIT许可证，阿里Qwen采用Apache 2.0并首次开源旗舰Qwen3.8-Max权重。与Meta在Llama社区许可证中设置7亿MAU门槛及限制输出训练类似，部分中国厂商也开始设立商业防火墙。 例如Kimi K3在对中小开发者免费的同时，要求产品MAU超1亿或月入超2000万美元需展示标识；对年营收超2000万美元的托管MaaS厂商则强制另签商业协议。此类条款旨在防范大型云厂商在未投入工程研发的情况下“搭便车”，并通过供应商验证（Vendor Verification）机制为付费云厂商提供官方认证背书。 开放生态的商业闭环与企业技术所有权 (11:37) 开放权重模型形成了四大盈利路径：一是带动云计算硬件、存储和网络消耗（如阿里云与Qwen联动）；二是为金融、医疗等对公有API敏感的行业提供私有化部署、安全评测与定制运维；三是售卖微调和强化学习开发平台；四是向第三方MaaS厂商收取协议授权抽成，例如月之暗面年化经常性收入（ARR）已达3亿美元。 对企业客户而言，此前过度调用昂贵API（Token Maxxing）成本过高，且面临Anthropic式突然关停服务的地缘与合规风险。结合vLLM、SGLang等推理框架，企业转向“拥有智能而非租借智能”，以开放权重处理绝大多数日常任务，仅极少数复杂需求调用闭源旗舰，实现Day-0快速部署。 黄仁勋联盟的算力生意与Anthropic的阻击 (18:08) 面对DeepSeek与Kimi等模型抹平领先优势的市场恐慌，黄仁勋联合OpenAI、谷歌等闭源巨头迅速成立“开放安全AI联盟”。英伟达、AMD及云服务商作为“卖铲人”，核心驱动力在于本地部署与模型微调能引发更大规模的硬件与算力消耗；Palantir等软件平台也可借此接入更多企业客户。 坚决拒绝加入联盟的Anthropic则发表长文反击，主张前沿模型权重一旦外泄将导致危险越狱和滥用失控，并指责中国开源模型通过大规模“蒸馏”美国闭源旗舰走捷径，呼吁监管介入。但业内多认为其坚守闭源主要源自对自身API盈利模式受损的焦虑，这种排他态度反而加速了开发者倒向中国开源生态。 开放权重显著拉低了全球AI创新门槛，但伴随前沿模型被大规模部署至本地与边缘设备，即便中心化监控完善的闭源系统尚频遭越狱，分布式权重带来的不可逆修改与去中心化安全治理难题正成为全行业悬而未决的严峻考验。

[0:00] 所谓的“开放权重”模型究竟开放了什么？ [11:37] 智能应为我所有，而非租借 [11:37] Intelligence should be owned, not rented

[0:00] DeepSeek V4 Pro正式登场 [0:01] 给开源模型生态又添一把猛火 [0:04] 从Kimi K3到MiniMax H3 [0:06] 再到DeepSeek V4 flash [0:07] DeepSeek V4 Pro [0:09] 在中国开源模型的猛攻之下 [0:11] 美国的AI公司这次是真的坐不住了 [0:15] 中国刚刚抹平了 [0:16] 美国在人工智能领域的领先优势 [0:17] 我们看到市场真的非常恐慌 [0:20] 黄仁勋亲自下场发表了人生第一条推文 [0:24] 呼吁全行业共同推动美国开源生态的发展 [0:28] 目前 这个联盟除了Anthropic之外 [0:31] 美国AI圈的主要玩家几乎全员到齐 [0:34] Sam Altman、Sundar Pichai等 [0:35] 闭源模型掌门人 也都罕见发文表示支持 [0:39] 为什么这些平时斗得最厉害的公司 [0:42] 这次却罕见地站到了同一战线 [0:44] 而Anthropic坚持不加入的原因又是什么 [0:48] 要回答这个问题 [0:49] 我们要先来弄明白一个更基础的问题 [0:52] 那就是AI行业当下所说的“开源” [0:55] 究竟是什么 [0:56] 而模型开源之后 [0:57] 对于模型公司 [0:59] 以及整个AI行业生态的影响又是什么呢 [1:02] 今天这期视频 [1:03] 我们就来把“开源”这件事讲清楚 [1:11] 很多人觉得 [1:11] 一个模型可能就是一整套代码 [1:14] 开源就是把这套代码发布出去 [1:17] 其实不是这样的 [1:19] 要弄明白开源开的到底是什么 [1:21] 我们要先来捋一遍 [1:22] 一个大模型从训练到最终发布 [1:25] 背后的一整套流程 [1:27] 这个过程大致可以拆成七个部分 [1:30] 第一 训练数据 [1:31] 研发团队首先要决定 [1:33] 用什么数据来训练模型 [1:35] 比如网页、书籍、代码 [1:37] 各类数据如何配比 [1:39] 再经过清洗和筛选 [1:41] 这一步就决定了模型的“底子”好不好 [1:44] 第二 模型架构和参数规模 [1:47] 这个阶段主要做的是模型的规划设计 [1:49] 比如采用什么模型架构、参数规模有多大 [1:52] 以及各种训练配置 [1:54] 这些设计决定了模型的能力上限 [1:57] 和训练效率 [1:58] 有一点需要注意的是 [2:00] 参数规模并不是指训练数据的大小 [2:03] 训练一个模型 [2:04] 其实是在不断地做“调整” [2:06] 而参数规模 [2:07] 说的是“这次总共要调整多少个地方” [2:10] 参数规模越大 [2:12] 模型能捕捉和处理的细节、规律也越复杂 [2:16] 第三 训练基础设施 [2:18] 模型设计完成后 [2:19] 需要庞大的算力来完成训练 [2:21] 这就包括GPU集群、高速网络、存储系统 [2:25] 以及各种训练框架 [2:27] 而如何把这些算力高效组织起来 [2:30] 正是如今最火的AI Infra领域 [2:32] 像DeepSeek的DeepGEMM [2:34] Kimi K3的FlashKDA、MoonEP [2:36] 都属于这一层的创新 [2:39] 关于AI Infra行业最近在做什么 [2:41] 我们其实也刚刚出了一期视频 [2:43] 欢迎大家配合观看 [2:44] 数据有了、架构设计好了 [2:47] 基础设施也到位了之后 [2:48] 就进入了真正的训练流程 [2:51] 在这个阶段 [2:52] 模型会进行预训练、微调和强化学习 [2:55] 在训练过程中也会不断“存档” [2:58] 方便继续训练、测试或回滚 [3:01] 经过漫长的训练之后 [3:03] 模型内部数十亿甚至数万亿个参数 [3:06] 都会被逐步调整到合适的数值 [3:08] 这些参数最终形成的集合 [3:10] 就是“模型权重” [3:12] 也是整个模型最核心的成果 [3:15] 记录着模型在训练过程中 [3:17] 学到的知识和能力 [3:19] 最后 还需要将权重部署到服务器 [3:22] 通过API或者本地部署的方式 [3:25] 真正提供给开发者和企业使用 [3:28] 这些流程结束之后 [3:29] 模型厂商们通常还会写一个“技术报告” [3:32] 里面会介绍模型架构设计的思路 [3:35] 数据大致的构成、训练中踩过的坑 [3:38] 和最终的评测结果等内容 [3:40] 让外界理解这个模型是怎么做出来的 [3:43] 但技术报告不是可以照着复现的操作步骤 [3:47] 它讲的更多是一种方法论 [3:50] 好了 训练流程清楚了 [3:52] 现在我们就可以来回答这个问题了 [3:54] “开源”到底开的是什么环节呢 [3:57] 按照模型的开放程度 [3:58] 现在主要分为闭源、开放权重 [4:01] 和完全开源这三大类型 [4:03] 我们先说两端 [4:05] 闭源模型就很好理解 [4:07] 就是以上环节全部不对外开放 [4:10] 客户只能在模型部署层面 [4:12] 通过API或者具体产品使用模型能力 [4:15] Anthropic、OpenAI和谷歌 [4:17] 目前的大部分模型都是这种形式 [4:20] 完全开源的模型叫做Open Source [4:23] 是指从训练数据、训练代码 [4:26] 和中间存档、技术报告都完全公开 [4:29] Ai2 艾伦人工智能研究所 [4:32] 推出的OLMo系列就是这样的代表 [4:35] 但现在我们所说的大部分开源模型 [4:37] 其实都不是真正的Open Source [4:39] 而是处在开源和闭源中间地带的 [4:42] Open Weight 开放权重 [4:44] 相当于只是送出了训练后模型的最终结果 [4:47] 你可以直接拿去用 [4:49] 也可以在结果之上进行微调和改进 [4:52] 但现在在不同的开放权重模型之间 [4:55] 开放的程度其实也存在很大的差异 [4:58] 我们就拿几个比较典型的例子来说一下 [5:01] 首先 “模型权重”严格来说 [5:03] 只是一个巨大的数字文件 [5:05] 光靠它是没法直接用的 [5:08] 如果你从Hugging Face上 [5:09] 直接下载Kimi K3的权重 [5:11] 拿到的是2.8万亿个浮点数 [5:14] 按照模型架构规定好的顺序 [5:17] 整整齐齐地排列在里面 [5:19] 所以除了权重本身 [5:20] 厂商通常还会公开一份推理代码 [5:23] 专门负责教你怎么读取这份权重文件 [5:26] 按照什么顺序做计算 [5:28] 以及最后怎么把结果变成一句话回复你 [5:32] 最基础的“开放权重”就是把模型权重 [5:35] 以及这个能跑、能微调的推理代码 [5:38] 公布出来 [5:39] 让任何人都可以把模型下载下来 [5:41] 在自己的服务器上运行 [5:43] 其中最具代表性的 [5:44] 就是Meta的Llama系列 [5:47] 但是 训练数据的具体配方 [5:49] 训练过程当中不断调整的策略 [5:51] 以及支撑整个模型训练的内部工具链 [5:55] 这些更核心的部分 Meta始终没有开放 [5:59] 此前 从Llama 1到Llama 3 [6:01] Meta还会发布较为详细的技术报告 [6:04] 分享模型设计和工程经验 [6:07] 但到了去年的Llama 4 [6:08] Meta只发布了一篇简短的博客 [6:11] 没有再公开完整的技术报告 [6:13] 开放的程度也变得更加保守 [6:16] 而DeepSeek之所以震撼整个行业 [6:18] 其中一个重要的原因就是 [6:20] 它不仅是把方法详细地讲了出来 [6:23] 还把内部的工程工具链也开源了 [6:26] 相当于是“Open Weights”的Plus版本 [6:29] 在此之前 [6:30] 大部分模型厂商的技术报告更像是公关稿 [6:33] 通常会告诉你模型有多少参数 [6:36] 在哪些Benchmark（基准测试）上取得了什么成绩 [6:38] 却很少解释这些成绩是怎么做出来的 [6:42] 但DeepSeek V3和DeepSeek-R1 [6:44] 却把过去一些很少公开的研发细节 [6:47] 几乎毫无保留地写了出来 [6:50] 比如它详细介绍了MoE（混合专家）模型 [6:52] 是如何设计出来的 [6:54] 为什么要采用 [6:54] Multi-head Latent Attention（MLA） [6:57] 来降低KV Cache的内存占用 [7:00] FP8训练是如何稳定实现的 [7:03] 以及不同方案之间 [7:04] 为什么最终选择了现在的设计 [7:07] 放弃了其他路线 [7:09] 除了技术报告 [7:10] DeepSeek还陆续开源了DeepEP [7:12] FlashMLA等训练和推理基础设施组件 [7:16] 把很多过去只属于 [7:17] 内部工程团队的工程经验 [7:20] 也变成了整个行业都可以使用的工具 [7:23] DeepSeek可以说是开启了一种 [7:25] 新的模型开放的形式 [7:27] 而这次Kimi K3也延续了这种做法 [7:30] 和DeepSeek一样 [7:31] Kimi K3也公布了非常详细的技术报告 [7:34] 介绍模型架构、训练方法和大量工程细节 [7:38] 与此同时 Kimi K3此次同步开放了 [7:40] 三大自研底层基础设施 [7:43] 其中包括解决MoE（混合专家）模型里 [7:45] 几百个“专家”之间通信效率的MoonEP [7:48] 加快注意力计算的FlashKDA [7:50] 以及给智能体训练 [7:52] 搭建可运行环境的AgentEnv [7:55] 这三项分别对应训练大模型时 [7:57] 会遇到的三个卡点 [7:59] 通信、计算、训练环境 [8:01] 让大家能更了解Kimi团队 [8:03] 是怎么高效训练出这个模型的 [8:06] 目前在整个训练环节中 [8:08] 大多数开放权重模型真正公开的 [8:11] 其实只有模型权重 推理代码 [8:13] 以及一部分技术报告和基础设施工具 [8:17] 而训练数据和完整训练流程 [8:19] 仍然是各家最核心的商业机密 [8:22] 而且 开放权重也并不是毫无限制 [8:25] 真正决定开发者能不能将模型修改 商用 [8:28] 以及再发布的 [8:30] 是模型附带的许可证 也就是License [8:37] 过去一年 一个很明显的趋势是 [8:39] 中国大部分模型厂商的许可证 [8:42] 正在变得越来越开放 [8:44] 比如DeepSeek最早发布模型时 [8:46] 采用的是自己制定的协议 [8:48] 对于使用场景还有一些限制 [8:50] 但到了DeepSeek-V3和R1 [8:52] 已经全面切换到了MIT License [8:54] 这意味着 只要保留版权声明 [8:57] 开发者几乎可以自由下载、修改、商用 [9:00] 限制非常少 [9:02] 阿里的Qwen也走了一条类似的路线 [9:05] 从最初采用阿里自定义协议 [9:07] 到后来切换为国际上广泛使用的 [9:09] Apache 2.0许可证 [9:11] 同样大幅降低了商业使用门槛 [9:14] 值得注意的是 [9:15] 此前Qwen的旗舰Max系列 [9:17] 一直是保持闭源 只能走API [9:19] 但在这个月初 阿里表态 [9:21] 将首次把旗舰模型Qwen3.8-Max的权重开源 [9:25] 智谱GLM也是一样 [9:27] 他们从2025年的GLM-4-0414 [9:30] 开始使用MIT License [9:32] 后来一直沿用至今 商业使用限制很宽松 [9:36] 当然了 [9:36] 也并不是所有公司都会选择“完全开放” [9:40] Kimi之前的K2系列 [9:41] 用的是一种叫Modified MIT的许可证 [9:44] 但这次K3启用了一份全新 [9:47] 叫做Kimi K3 License的协议 [9:49] 不再自称是MIT的修改版本 [9:52] 那这是什么意思呢 [9:53] 对绝大多数开发者和中小企业来说 [9:56] 其实实际使用体验和MIT差别不大 [9:59] 因为都是免费下载、商用和修改 [10:02] 但它加了两道门槛 [10:04] 第一是产品月活超过1亿 [10:07] 或者月收入超过2000万美元的 [10:09] 需要在界面上显著展示“Kimi K3”标识 [10:13] 第二 如果你做的是 [10:14] 模型即服务的托管生意 [10:16] 且连续12个月总收入超过2000万美元 [10:20] 就必须先和月之暗面 [10:21] 另行签署商业协议才能商用 [10:24] 而限制最多的则是Meta的Llama [10:27] 它没有采用MIT、Apache [10:28] 这些主流开源许可证 [10:30] 而是自己制定了一个 [10:32] Llama Community License [10:33] 中间的限制就非常多了 [10:36] 例如月活用户超过7亿的产品 [10:38] 需要额外申请授权 [10:40] 部分版本曾经限制在欧盟地区使用 [10:43] 同时协议还明确禁止 [10:44] 开发者利用Llama的输出 [10:46] 去训练其他大型模型等等 [10:49] 不过Meta近期也在重回开放路线 [10:52] 它们最新发布了300亿参数的 [10:54] 开放权重模型Muse Glimmer [10:56] 就采用了Apache 2.0许可证 [10:58] 此外扎克伯格还宣布 [11:00] Meta目前最强基础模型Muse Spark 1.2 [11:03] 也即将开放权重 [11:05] 他现在把这个东西写清楚之后 [11:09] 很多专门做模型推理和云厂商 [11:13] 实际上没有办法去take free ride（不劳而获） [11:16] 因为之前很多开源项目 [11:18] 我们不说模型 [11:18] 就比如说开源的一些数据库的项目 [11:20] 现在最担心的就是 [11:22] 云厂商没有出工 没有出力 [11:24] 然后拿这个开源项目部署在自己的云上 [11:27] 就可以卖钱了 [11:28] 所以free ride（不劳而获）这个事情 [11:29] 实际上是开源社区一直想要避免的 [11:31] 当然了 许可证只是划定了红线 [11:33] 而不是直接把模型转化为收入 [11:37] 那么问题就来了 [11:38] 这些开源公司究竟怎么赚钱呢 [11:41] 实际上 开放权重并不等于放弃商业化 [11:45] 企业下载模型只是第一步 [11:47] 要想真正把模型稳定部署到生产环境 [11:50] 还需要算力、运维、持续更新 [11:52] 以及针对业务场景的定制开发等等 [11:55] 相比自己组建团队 [11:56] 很多企业依然会选择 [11:58] 直接购买模型公司的API服务 [12:01] 企业版部署或者行业解决方案 [12:04] 因此 开放模型可以带动一整套 [12:06] 围绕模型的服务收入 [12:08] 第一种是通过开放模型带动云计算 [12:11] 和基础设施消费 [12:13] 以千问为例 [12:13] 模型权重虽然可以免费下载 [12:16] 但企业想要大规模部署 [12:17] 依然需要GPU、云存储、网络、数据库 [12:20] 和模型管理平台 [12:22] 对于阿里这样的云厂商来说 [12:24] 开放模型更像是一个入口 [12:26] 模型本身可以免费 [12:27] 但运行模型所需要的整套云服务 [12:30] 都是收费的 [12:31] 第二种是为企业提供部署和定制服务 [12:35] 很多金融、医疗、政府或大型企业 [12:37] 不希望把内部数据发送给外部API [12:40] 还是希望把模型部署在自己的服务器 [12:43] 或者私有云里 [12:44] 但下载权重之后 [12:46] 企业还需要完成模型适配、数据清洗 [12:48] 安全评测、推理优化和后续维护 [12:51] 模型公司可以向这些客户出售私有化部署 [12:55] 行业微调、技术支持和长期维护服务 [12:58] 第三种则是提供收费的后训练 [13:01] 和模型开发平台 [13:02] 现在的企业更希望 [13:04] 在现有开放模型的基础上 [13:06] 加入自己的数据和业务规则 [13:09] 把它变成更适合特定任务的专用模型 [13:12] 模型公司可以提供微调、强化学习、评测 [13:15] 数据管理和版本管理等工具 [13:18] 并且按照训练算力、使用量 [13:20] 或者企业订阅收费 [13:22] 像Thinking Machines的思路 [13:23] 就更接近这种 [13:25] 因为一个核心点就是关于AI [13:27] Intelligence（智能）到底是 [13:29] 我应该是租借的 [13:30] 还是我应该是自己来变成自己的 [13:33] 很多的企业现在越来越接受的观点 [13:35] 就是智能应该为我所有 [13:37] 而不应该是rent（租借） [13:39] 这就是整个的大背景下 [13:43] 以Kimi为例 虽然模型权重已经开放 [13:45] 但它们依然提供付费订阅、API调用 [13:48] 以及企业级的AI服务 [13:51] 除此之外 [13:51] 开源模型厂商的另一部分收入来源 [13:54] 是模型级服务 Model as a Service [13:56] 也就是MaaS厂商以及云厂商 [13:59] MaaS厂包括最近很火的 [14:01] Together AI、Fireworks AI等等 [14:03] 是把开放权重模型 [14:05] 部署到自己的GPU集群上 [14:07] 再通过API提供给开发者使用 [14:10] 云厂商也就是大家熟悉的 [14:12] 卖基础设施的AWS、阿里云等等 [14:14] 现在也会卖模型服务 [14:17] 在K3这样的许可证下 [14:18] 这类厂商也要向Kimi交钱 [14:21] 公开信息显示 [14:22] 月之暗面当前的年化经常性收入 ARR [14:25] 已经达到了3亿美元 [14:27] 可能是一个反常识的观点 [14:29] 就是云厂和这个MaaS厂 [14:31] 实际上应该是非常欢迎Kimi找它来收钱的 [14:34] 因为只要你来收钱 [14:35] 就说明你跟Kimi有一个官方的认证关系 [14:38] 包括你卖的这个token质量等等 [14:40] 都是有官方给你做保证和背书的 [14:43] 大家如果去看Kimi官方的一些发布 [14:46] 它实际上是有一套 [14:48] vendor verification（供应商验证）的流程的 [14:49] 就有点像之前大家比如说买个芯片 [14:51] 说什么Intel Inside（英特尔商标） [14:53] 只有你过了这个验证的流程 [14:54] 你卖出来的这个token [14:56] 才能被证明说是好的token [14:58] 包括准确性 包括性能都是有保障的 [15:02] 消费者去买你们的这些token [15:04] 其实也都是知道说要买谁的token [15:06] 所以开放权重并不意味着商业价值的消失 [15:10] 更多是一种商业模式的变化 [15:12] 而对于整个AI生态来说 [15:14] 它也有着非常重要的价值 [15:21] 过去几年 Claude、ChatGPT、Gemini [15:23] 这些业界最强的模型几乎都是闭源的 [15:27] 也就意味着这些模型的能力 [15:29] 始终牢牢掌握在少数几家公司手里 [15:32] 而开放权重 [15:33] 则让拥有前沿能力的AI模型 [15:36] 可以像软件一样被下载、部署和微调 [15:39] 并在此基础上继续创新 [15:41] 对于企业用户来说 [15:42] 这绝对是件天大的好事 [15:45] 首先是成本 [15:46] 还记得今年年初编程agent（智能体）开始流行 [15:49] 每家企业都开始token maxxing的几个月吗 [15:52] 这一通操作下来 [15:53] 每家公司都发现 [15:54] 自己的token账单是水涨船高 [15:57] 在这样的背景下 [15:58] 开源模型显然成了最优解 [16:01] 毕竟中国开源模型能力 [16:02] 已经能追平最强的闭源模型 又很便宜 [16:06] 还能自己调整 [16:07] 谁不爱呢 [16:08] 而现在一种主流的企业做法就是 [16:10] 最困难的任务 [16:11] 还是使用几家能力最强的闭源模型 [16:14] 日常的任务 [16:15] 就都通过中国这些开放权重模型来实现 [16:19] 其次是所有权的问题 [16:21] 如果模型一切都是取决于对方是否开放 [16:25] 这就是Fable今年早一点 [16:27] Anthropic的这个事情 [16:28] 其实对大家影响很大的 [16:30] 突然有一天 美国商务部说这不可以用了 [16:33] 那就一夜之间就都不可以用了 [16:35] 之前你做的部署 之前什么可能都没有了 [16:38] 那这种情况怎么办 [16:40] 这就是为什么对于企业来说 [16:41] 在能力几乎相当的情况下 [16:43] 开源模型具有绝对的优势了 [16:45] 而对于普通开发者来说 [16:47] 开源模型也同样大大降低了 [16:49] 参与创新的门槛 [16:51] 以前开发者想要基于GPT [16:53] 或者Claude开发产品 [16:55] 能做的事情其实很有限 [16:57] 但借助权重和技术报告 [16:59] 开发者就能够自己去尝试修改模型 [17:02] 继续模型训练 [17:03] 甚至让模型适配完全不同的场景 [17:06] 而现在vLLM和SGLang等开源推理引擎 [17:10] 都能够对大部分开源模型 [17:12] 做到Day-0的支持 [17:14] 这也意味着开发者们 [17:15] 不需要自己解决复杂的推理部署问题 [17:18] 就能直接部署模型 [17:20] 如今开放权重模型已经成为大量AI Agent [17:23] 机器人等项目的重要基础 [17:25] 推动着整个AI创业生态的繁荣 [17:28] 此外开放权重本身也在加速着模型的迭代 [17:32] 比如在Kimi K3的技术报告里 [17:34] 有一部分专门介绍了 [17:35] 他们如何优化MoE（混合专家）模型中的负载均衡 [17:39] 而这套方法 [17:40] 就是他们在DeepSeek V3方案基础上的 [17:42] 继续演进 [17:44] 闭源模型的技术突破 [17:45] 很可能永远留在自己的服务器里 [17:47] 但借助于开放的技术经验 [17:50] 整个行业都能够站在巨人的肩膀上 [17:52] 加速往前走 [17:54] 所以无论是从商业 [17:56] 还是整个AI生态的角度 [17:58] 开放权重都在成为一条 [18:00] 非常重要的技术路线 [18:01] 这也是为什么这次会由黄仁勋 [18:04] 牵头来做这件事 并且一呼百应 [18:07] 最近针对中国开源模型的强势崛起 [18:10] 有消息传出 [18:11] 美国政府正在考虑采取相关限制行动 [18:15] “开放安全AI联盟”的核心观点是 [18:17] 美国既需要最先进的闭源模型 [18:20] 也需要最先进的开放模型 [18:22] 他们认为 开源模型对网络安全和AI创新 [18:25] AI主权都至关重要 [18:27] 监管应该针对具体风险 [18:29] 而不是因为安全担忧 [18:31] 就限制开放权重这种技术路线本身 [18:34] 但这个联盟背后也有着更深的商业考量 [18:37] 比如对于微软、亚马逊、谷歌 [18:39] 这几个大型云厂商来说 [18:41] 不管客户最终部署的是OpenAI, Llama [18:44] DeepSeek还是Kimi [18:45] 只要运行在云上 它就能从中获益 [18:49] 对于英伟达、AMD、Baseten [18:51] 这样的基础设施企业来说 [18:53] 开放权重 [18:54] 意味着会有更多企业、开发者和国家 [18:56] 把模型部署到自己的服务器 [18:59] 而每一次部署、微调和推理 [19:01] 都会带来新的算力需求 [19:03] 不少基础设施公司的业务增长 [19:05] 甚至就是伴随着一代代开源模型 [19:08] 而发展壮大 [19:09] 其实从芯片、基础设施这个角度来看 [19:12] 那肯定是所有人 [19:14] 每个人都能自由搭建一个（模型）最好 [19:16] 这样的话 他就可以卖出更多的铲子 [19:18] 因为他并不在乎谁能挖到金子 [19:22] 甚至挖金子什么人完全不重要 [19:24] 重要的就是他能卖更多的铲子 [19:26] 而对于像Palantir、Databricks [19:27] 这样的企业软件和AI应用公司来说 [19:30] 它们卖的本来就是模型之上的数据平台 [19:33] AI应用和行业解决方案 [19:35] 模型越开放 [19:36] 它们能够服务的客户和场景反而越多 [19:40] 目前 这个联盟聚齐了 [19:41] 美国所有重要的AI公司的名字 [19:44] 但唯独少了一个 Anthropic [19:47] 他们也专门发了一条长文 [19:49] 来阐释自己的立场 [19:51] Anthropic首先表态 [19:52] 他们从来没有主张过禁止开放权重模型 [19:56] 但他们担心两件事 [19:58] 一是前沿开放模型带来的安全风险 [20:01] 在闭源的情况下 [20:02] 一些危险的安全能力 [20:03] 还被掌握在少数模型公司手里 [20:06] 但如果最强大的模型权重被公开 [20:09] 任何人都可以下载、部署、修改 [20:12] 那么恶意使用这些能力的门槛 [20:14] 也会随之降低 [20:15] 这将让整个世界都处于危险之中 [20:19] 第二是蒸馏问题 [20:20] 它认为中国的开源模型 [20:22] 之所以发展得这么快 [20:24] 就是大规模地蒸馏了 [20:25] 美国最前沿的这些闭源模型 [20:28] 进而也会大幅降低 [20:29] 追赶最前沿模型所需要的算力 [20:32] 与其纠结要不要管开源 [20:34] 美国政府更应该先管管“蒸馏” [20:37] 但也有很多人认为 [20:38] Anthropic坚持不开源 [20:40] 更多还是出自商业利益的考量 [20:42] 对于闭源模型来说 [20:44] 开放权重 [20:44] 无疑是会严重冲击它们的商业模式 [20:47] 因为一旦越来越多高性能的开放模型出现 [20:50] 企业就有了更多本地部署 [20:52] 和自主定制的选择 [20:54] 对闭源API的依赖也会降低 [20:56] 而模型能力本身 [20:57] 也更容易被快速追赶和复制 [21:00] 让闭源模型赖以建立的竞争壁垒受到挑战 [21:04] 而最近 在美国全行业 [21:05] 越来越强的开源声势下 [21:07] Anthropic坚持闭源的立场 [21:09] 正在遭受越来越大的压力 [21:11] 对它AI安全立场的质疑声也逐渐变大 [21:15] 因此 Anthropic及其他公司 [21:17] 对自己和行业施加的限制 [21:19] 正迫使大量公司转而采用开源中国模型 [21:25] 从初创公司到大型企业 [21:29] 整个行业都在经历这一转变 [21:30] 但是我们也看到 [21:31] 并不是所有人 [21:32] 都反对Anthropic的这些观点 [21:34] 比如本次Kimi K3开源之后 [21:36] 网上就出现了不少声音 [21:38] 认为把这样已经达到最前沿能力的模型 [21:41] 开放出来 [21:42] 本身就是一种风险 [21:44] 最近OpenAI和Anthropic的模型 [21:46] 接连曝出越狱攻击事件 [21:48] 让这种担忧进一步升温 [21:50] 因为即使是部署在官方服务器 [21:52] 拥有持续监控和安全更新能力的闭源模型 [21:55] 目前看来也并非绝对安全 [21:58] 而如果未来 越来越多能力接近Fable 5 [22:01] 这一水平的开放权重模型 [22:03] 被部署到成千上万家企业、本地服务器 [22:06] 甚至个人设备上 [22:07] 情况就会变得更加复杂 [22:10] 模型治理、安全更新和风险控制 [22:12] 必然将面临更大的挑战 [22:15] 目前业界关于开源模型的讨论 [22:17] 还在激烈地进行着 [22:19] 但无论如何 [22:20] 开放权重模型都已经成为了 [22:22] 推动这一波AI发展的重要力量 [22:25] 它降低了技术门槛 加快了创新速度 [22:28] 也让越来越多的企业和开发者 [22:30] 可以参与到AI生态当中 [22:33] 但与此同时 [22:34] 它们也带来了更多的问题和安全挑战 [22:37] 对此 我们《硅谷101》 [22:38] 也专门录制了一期播客讨论这个话题 [22:40] 欢迎大家收听 [22:42] 我们之后也会持续追踪 [22:44] 中美开源模型的进展 [22:45] 以及它对整个AI行业的影响 [22:48] 以上就是我们这期视频的全部内容了 [22:51] 感谢大家的收看 [22:52] 大家的点赞、留言和转发 [22:54] 是我们做好深度科技 [22:56] 和商业内容的最佳的动力 [22:58] 欢迎关注《硅谷101》 [23:00] 我是Yiwen 那我们下期再见了