在大模型賽道，“開源”與“閉源”的選擇，一直是一個很有意思的話題點！

　　有些企業(yè)，做著做著開源就變成閉源了，比如：Meta暫停Llama模型“Behemoth”的測試工作，集中資源開發(fā)閉源模型；有些企業(yè)做著做著閉源，中途卻又改道開源，比如： OpenAI 在今年開源了 GPT-oss 模型；還有一些企業(yè)，開源和閉源“兩條腿”走路，比如：谷歌、微軟、阿里、騰訊等大廠，既有開源模型，又有閉源模型。

　　到底選擇開源？閉源？還是都選？本質(zhì)上，都可以歸為是戰(zhàn)略選擇問題。不管是哪種方式，技術(shù)路線本身沒有對錯。從性能追趕來看，開源與閉源的界限正在變得模糊，開源模型的性能正在逼近閉源模型，阿里的Qwen3、DeepSeek的R1等開源模型已與Claude 4、GPT-4.1等閉源模型比肩，甚至實現(xiàn)反超。從模型能力來看，多模態(tài)、強化推理和MoE架構(gòu)等幾個關(guān)鍵技術(shù)能力，正在推動AI應(yīng)用的加速落地。

　　在技術(shù)發(fā)展呈螺旋式上升過程中，開源AI給世界發(fā)展帶來的推動作用，有目共睹。不管是Meta的Llama系列、Stability AI的Stable Diffusion，還是DeepSeek的發(fā)布……這些大模型之所以能快速“破圈”，是因為他們帶來了技術(shù)普惠的“飛輪效應(yīng)”，讓全球開發(fā)者在集體智慧之上，再上新臺階。

　　開源，不僅大幅降低了人工智能的技術(shù)門檻，更以強大的協(xié)同效應(yīng)倒逼行業(yè)加快創(chuàng)新步伐，推動整個生態(tài)進入高速迭代的新階段。注意，這個“生態(tài)”不只是模型應(yīng)用層，還包括模型的開發(fā)、部署，數(shù)據(jù)和算力的管理等AI Infra層面的改變。

　　為進一步推進開源AI 生態(tài)的繁榮發(fā)展，弘揚開放、協(xié)作共享的創(chuàng)新精神，ITPUB在【IT風向標】系列直播活動中，特別邀請 了AI 領(lǐng)域兩位重磅專家，共同探討開源 AI 的現(xiàn)狀、挑戰(zhàn)與未來趨勢。一位是紅帽亞太 CTO 辦公室首席架構(gòu)師張家駒；另一位是Zilliz的合伙人&研發(fā)VP欒小凡。兩位嘉賓一致認為，開源與閉源之間，從來就不是“非黑即白”的選擇。

　　當DeepSeek用開源挑戰(zhàn)巨頭，當?shù)却髲S們既擁抱開源又保留閉源，當企業(yè)用戶在安全與成本間做出適合自己的選擇，我們看到的是——一個正在重構(gòu)的AI生態(tài)。

　　在過去一年里，中國開源AI表現(xiàn)出強勁發(fā)展勢頭。一份源自The Atom Project的全球模型追蹤數(shù)據(jù)顯示，2025年10月中國開源模型的下載量攀升至約5.5億次，美國同類產(chǎn)品為4.75億次。一家評測機構(gòu)指出，評分最高的10個開源模型中有8個來自中國，而且未來中國的領(lǐng)先優(yōu)勢還將擴大。

　　在開源AI繁榮發(fā)展的背后，也面臨著一些挑戰(zhàn)，諸如：信任度、開放性，還有盈利能力等。那么，問題來了，在消滅技術(shù)邊界這場“戰(zhàn)爭”中，到底哪些地方存在“槽點”或者“卡點”？很明顯，安全問題是第一個挑戰(zhàn)！

　　01

　　開源AI可信嗎？

　　開源是把“雙刃劍”，當開發(fā)者獲得開放透明的代碼，意味著所有人對你的應(yīng)用了如指掌，很容易被植入惡意代碼，使得私域數(shù)據(jù)被公開。外加Cursor、Claude封禁API等事件，都在加劇這種不信任感。

　　尤其是企業(yè)級應(yīng)用場景，安全是“生命線”，沒有半點退讓的可能！那么，就模型應(yīng)用而言，到底是開源更安全，還是閉源更安全？

　　“使用閉源API，整個應(yīng)用是個黑盒，一旦出現(xiàn)問題，你對數(shù)據(jù)安全無法把控。既然這樣，那是不是要把企業(yè)數(shù)據(jù)都拿出去？開源模型又會面臨新的安全隱患！” 欒小凡指出，企業(yè)應(yīng)用通常會面臨兩難處境。

　　與模型發(fā)展不相匹配的是，使用開源模型還有一個巨大的“鴻溝”，我們沒有一個“Benchmark “可以像評測模型一樣，去評估模型本身的安全性?！澳Ｐ屯抖尽币殉蔀橐粋€事實威脅，如果用戶在預訓練時摻雜了惡意數(shù)據(jù)，在評估過程中沒有被及時發(fā)現(xiàn)，會對產(chǎn)出結(jié)果產(chǎn)生很大影響。

　　所以，大模型被推出后，很多企業(yè)更愿意以私有化的方式去部署。在這一過程中，模型本身是否開源似乎不再那么重要。當然，針對“模型投毒”這樣的問題，即便是私有化部署，也只能解決部分問題。

　　“當模型能力逐漸同質(zhì)化，推理引擎（vLLM、SGLang）、RAG框架、向量數(shù)據(jù)庫（如Zilliz）、路由分發(fā)系統(tǒng)才是開源的真正主場，這又落回到了傳統(tǒng)意義上的基礎(chǔ)設(shè)施層面，” 張家駒發(fā)現(xiàn)，在私有化場景，基礎(chǔ)設(shè)施的成熟度、穩(wěn)定性和易用性，反而成為了決定AI落地的關(guān)鍵因素，而不在于是否開源，重要的是整個基礎(chǔ)設(shè)施是建立在開源生態(tài)之上。

　　從這個角度來看，開源AI是否可信，就落腳到更細分的維度。一個是數(shù)據(jù)敏感程度，核心業(yè)務(wù)數(shù)據(jù)是否允許出域；另一個是技術(shù)能力儲備，是否有能力維護私有化部署；最后，是合規(guī)性，要能滿足行業(yè)監(jiān)管對透明性的要求。

　　張家駒還揭示了一個令人尷尬的現(xiàn)象，在當前環(huán)境下，完全開放的開源模型的創(chuàng)新優(yōu)勢似乎并不像想象中的那么明顯。但長遠看，真正的開源一定是閉源模型的最有力補充。

　　02

　　如何看待“開放權(quán)重”模型？

　　擁抱開源AI雖然是大趨勢，但在技術(shù)路線部署上，會有分叉，也會有趨同！

　　“開源的魅力在于，你可以站在巨人的肩膀上看世界，能基于別人的代碼去做修改。但現(xiàn)在的開放權(quán)重模型，本質(zhì)上別人很難再做創(chuàng)新?！?/p>

　　張家駒提出了一個尖銳問題：這種“非全過程開源”，真的能帶來傳統(tǒng)開源軟件的創(chuàng)新紅利嗎？紅帽懷揣著一個烏托邦式的夢想：從數(shù)據(jù)準備、模型訓練到持續(xù)迭代，全過程開源。這才是真正的“技術(shù)平權(quán)”！然而，“理想很豐滿，現(xiàn)實卻很骨感”，現(xiàn)在的主流開源模式，更多是開放權(quán)重，而非全過程開源。

　　新趨勢背后，是一個略顯悲觀的判斷。欒小凡認為，造成這種現(xiàn)象的根本原因是，“大模型發(fā)展到現(xiàn)在可能進入到一個瓶頸期。未來，我們會看到越來越多的微創(chuàng)新出現(xiàn)，至于下一個Scaling law在哪里？目前我們還沒有看到！”

　　目前，開源AI正處在艱難的過渡期。當下的“開放權(quán)重”模式，或許是一種必要的妥協(xié)。既讓更多人能夠使用先進AI技術(shù)，又保護了開發(fā)者的商業(yè)利益。更多人的目標，是一個“賣鏟子”的邏輯，希望通過模型去吸引用戶。尤其是一些大廠和云廠商，可以通過開源帶生態(tài)，推動硬件或者云資源的使用。

　　對比來看，開源AI其實和互聯(lián)網(wǎng)的發(fā)展脈絡(luò)一樣，從只有巨頭玩得起的“大機時代”，到走向人人可參與的“PC時代”，還需要技術(shù)的持續(xù)突破和成本的不斷下降。正如張家駒所說：“隨著時間推移，也許會有變化。當技術(shù)門檻足夠低，當算力成本足夠親民，真正的開源AI時代才會到來?！?/p>

　　從長遠發(fā)展來看，當訓練和推理成本在模型部署中占“大頭”，開源的優(yōu)勢將更加明顯，我們會看到越來越多更好用的開源模型。

　　03

　　開源商業(yè)化，背后邏輯是什么？

　　開源不等于免費！當開源遇上AI，一個來自靈魂深處的發(fā)問索繞心頭——那就是這玩意到底怎么賺錢？當大廠們紛紛擁抱開源，當創(chuàng)業(yè)公司在開源道路上艱難前行，商業(yè)化成為了最現(xiàn)實的考驗。

　　放眼市場，欒小凡直言不諱地指出了開源AI商業(yè)化的兩條路徑：

　　第一條路，“掛羊頭賣狗肉”。開源本身不直接賺錢，但能拉動其他業(yè)務(wù)。

　　以云廠商的開源模式為例，做模型這件事情并不掙錢，但是能拉動云資源的使用，并且未來還會是一個很大的“盤子”。

　　同樣，一些硬件企業(yè)也是這種“套路”，比如：英偉達就是這條路徑的典型代表。無論是推理框架，還是大家耳熟能詳?shù)腡riton、TensorRT核心AI加速工具，所有動作，本質(zhì)上都在幫他解決同一個問題：賣卡。

　　英偉達的這套邏輯在于，把軟件堆棧做好，最終通過軟件帶動硬件銷售。在這個游戲里，開源是手段，硬件銷售才是目的。

　　第二條路，開源產(chǎn)品本身商業(yè)化。根植于生態(tài)，通過托管服務(wù)和企業(yè)級支持變現(xiàn)。

　　這種“打法”的差異點在于，開源產(chǎn)品本身其實就是為了去吸引更多用戶，把開源生態(tài)打磨好，吸引一部分不想自己去維護復雜工程體系的用戶，或者對穩(wěn)定性有更高要求的用戶。

　　比如：向量數(shù)據(jù)庫技術(shù)的開創(chuàng)者Zilliz，不僅擁有全球最受歡迎的開源向量數(shù)據(jù)庫Milvus，還推出了基于 Milvus 的全托管云服務(wù) Zilliz Cloud，這是一條基于開源產(chǎn)品構(gòu)建云平臺體系的成熟路線，已經(jīng)得到Databricks、MongoDB等知名企業(yè)的可行性驗證。

　　與上述路線不同的是，作為開源界的“老兵”，紅帽的生存哲學，只有一條，那就是做好“臟活苦活累活”。

　　“軟件的價值不僅僅是閉源軟件提供的license，還包括你在使用過程中的一系列后續(xù)問題，包括用戶需要的補丁、安全更新、問題處理、技術(shù)培訓，這些價值也需要有人來提供?！?/p>

　　讓廣泛使用的開源軟件在企業(yè)生產(chǎn)場景中用好，紅帽用這套模式打造了三大產(chǎn)品線，包括Linux操作系統(tǒng)、OpenShift容器云平臺和Ansible自動化工具。如今，為了滿足AI這種“新型工作負載”，紅帽又在努力讓K8S更好地支持AI，包括在推理引擎社區(qū)上進行大力投入。

　　遠離光環(huán)，貼近地面。在開源路線戰(zhàn)略布局過程中，紅帽只選擇做“關(guān)鍵貢獻者”，只貢獻“20%-30%”，但能為最終用戶提供100%的支持服務(wù)。如果一家企業(yè)開源貢獻是100%，那非常容易走著走著就閉源；但如果你的開源貢獻是0，那在別人的潛意識里，你就是一個集成商，根本沒有深度服務(wù)的能力。所以，紅帽只做關(guān)鍵貢獻，把精力放在可能遇到的各種問題上，雖然做了很多 “苦力活”，但這種務(wù)實的理念，卻也探索出一條開源商業(yè)化的正確路徑。

　　04

　　結(jié)語

　　展望未來，開源AI的發(fā)展，將是一個分裂而繁榮的生態(tài)。

　　分裂體現(xiàn)在技術(shù)棧的分層：底層基礎(chǔ)設(shè)施幾乎完全開源，上層應(yīng)用百花齊放；小模型開源，大模型閉源；通用能力開源，專屬能力閉源。

　　就AI Infra而言，開源的前景一片光明。這種信心來自于開源獨特的反饋循環(huán)——更多的用戶使用，更多的反饋匯聚，更快的產(chǎn)品迭代。這種來自真實場景的反饋，成為AI基礎(chǔ)設(shè)施不斷進化的燃料。從向量數(shù)據(jù)庫到推理框架，從訓練調(diào)度到Agent開發(fā)工具，開源正在重演Linux時代的勝利。

　　這或許就是AI時代最樸素的真理——技術(shù)路線會變遷，商業(yè)模式會演化，但為用戶創(chuàng)造價值的能力，才是真正的“殺手锏”。