一条推文引发的"开源联盟"

DeepSeek V4 Pro正式发布，继Kimi K3、MiniMax H3之后，中国开源模型再次向最前沿发起冲击。节目中引用了市场反应的描述——“China just erased America’s AI lead”（中国刚刚抹去了美国的AI领先优势），这句话虽然夸张，却精确捕捉到了美国市场的恐慌情绪。正是在这种背景下，黄仁勋发出了人生第一条推文，呼吁全行业共同推动美国开源生态发展。

这个被称作"开放安全AI联盟"的倡议迅速聚集了美国几乎所有重要AI公司——除了Anthropic。主持人指出一个值得玩味的细节：Sam Altman、Sundar Pichai等闭源模型掌门人这次罕见地站到了同一阵线。这些平时在模型能力上斗得最凶的公司，为什么突然在开源问题上达成共识？答案藏在"开源"这两个字背后的商业利益和地缘竞争之中。

开源到底"开"了什么：七个环节与三道门槛

节目做了一个系统性的科普——一个大模型从训练到发布，可以拆成七个关键环节，而"开源"的程度取决于到底公开了哪几个。

**七个环节分别是：**第一，训练数据（网页、书籍、代码的配比与清洗），决定模型的底子；第二，模型架构和参数规模（注意参数规模不是训练数据大小，而是模型总共要调整多少个地方）；第三，训练基础设施（GPU集群、高速网络、存储系统，即如今最热的AI Infra领域，DeepSeek的DeepEP、Kimi K3的Flash KDA和MoonEP都属于这一层）；第四，训练流程本身（预训练、微调、强化学习，以及不断存档检查点）；第五，模型权重（数十亿到数万亿参数经过训练后形成的最终数值集合，是模型最核心的成果）；第六，部署环节（通过API或本地部署提供使用）；第七，技术报告（介绍架构设计思路、数据构成、训练踩坑和评测结果，但不是可照着复现的操作步骤）。

按照开放程度，AI模型大致分为三类。闭源（如Anthropic、OpenAI和Google的大部分模型）：以上环节全部不对外开放，客户只能在部署层通过API使用。完全开源（Open Source，如Allen AI研究所的OMO系列）：从训练数据、训练代码到中间存档、技术报告全部公开。而大多数被称为"开源"的模型——包括DeepSeek、Kimi K3、Llama——严格来说属于第三类：开放权重（Open Weights），只送出训练后的最终结果，你可以拿来用、做微调，但训练数据配方和完整训练流程仍属商业机密。

从Llama到DeepSeek：开放权重也有"鄙视链"

即使在Open Weights内部，开放程度也差异巨大。节目梳理了一条从保守到激进的谱系：

**Meta的Llama系列代表"最基础的开放权重"。**Meta只公开了模型权重和能跑能微调的推理代码，训练数据配方、训练策略调整和内部工具链始终没有开放。从Llama 1到Llama 3，Meta还会发布较为详细的技术报告；但到了Llama 4，只发布了一篇简短博客，开放程度明显收缩。此外，Llama使用的Llama Community License限制颇多：月活超过7亿需要额外授权，部分版本曾限制在欧盟使用，协议还明确禁止利用Llama输出去训练其他大型模型。不过Meta近期也在重回开放路线——300亿参数的Muse Glmer采用了Apache 2.0许可证，最强基础模型Muse Spark 1.2也即将开放权重。

**DeepSeek则被节目称为"Open Weights的Plus版本"。**它不仅在技术报告中毫无保留地写了研发细节——MoE模型如何设计、为什么用Multi-Head Latent Attention（MLA）降低KV Cache内存占用、FP8训练如何稳定实现、不同方案之间为什么做了现在这个选择——还陆续开源了DeepEP、Flash MLA等训练和推理基础设施组件，把过去只属于内部工程团队的工程经验变成了全行业可用的工具。在DeepSeek之前，大部分模型厂商的技术报告更像"公关稿"，告诉你模型有多少参数、在哪些benchmark上取得什么成绩，却很少解释这些成绩是怎么做出来的。

**Kimi K3延续了DeepSeek开创的开放模式。**除了同样详细的技术报告外，Kimi K3同步开放了三大自研底层基础设施：解决MoE模型专家间通信效率的MoonEP、加速注意力计算的Flash KDA、以及为智能体训练搭建可运行环境的AgentEnv——分别对应通信、计算和训练环境三大卡点。这种站在巨人肩膀上的迭代在技术报告中有直接体现：Kimi K3的负载均衡优化方案就是"在DeepSeek V3方案基础上的继续演进"。闭源模型的技术突破很可能永远留在自己的服务器里，但开放的技术经验让整个行业都能加速前进。

许可证之战：从MIT到Kimi K3 License

许可证（License）才是决定开发者能否修改、商用和再发布的关键，而过去一年中国厂商的许可证正在变得越来越开放。

DeepSeek从早期自带限制的自定义协议，到V3和R1全面切换为MIT License——只要保留版权声明，开发者几乎可以自由下载、修改、商用，限制极少。阿里千问走了类似路线，从自定义协议切换到Apache 2.0，而且此前一直闭源的旗舰Max系列也在本月宣布将首次开放Qwen 3.8 Max的权重。智谱GLM从2025年的GLM-404B开始使用MIT License，一直沿用至今。

**Kimi K3则启用了全新设计的Kimi K3 License。**节目解释，对绝大多数开发者和中小企业来说，实际体验与MIT差别不大——都是免费下载、商用和修改。但K3加了两道门槛：第一，产品月活超过1亿或月收入超过2000万美元的，需要在界面上显著展示"Tiny K3"标识；第二，做模型级托管服务且连续12个月总收入超过2000万美元的，必须先与月之暗面另行签署商业协议。节目认为这种设计有明确意图——防止云厂商和MaaS厂商"搭便车"（free ride），即没有出工出力却拿开源项目部署到自己的云上直接卖钱，这正是开源社区一直想避免的事情。

节目还提出了一个反常识的观点：云厂商和MaaS厂商实际上应该欢迎Kimi来收钱。因为只要Kimi来找你签商业协议，就说明你与Kimi有官方认证关系，你卖的token质量有官方背书和保证。Kimi设有Vendor Verification流程，类似于"Intel Inside"——只有通过验证的厂商卖出的token才能被证明是好的token，包括准确性和性能都有保障。公开信息显示，月之暗面当前的年化经常性收入（ARR）已达3亿美元。

开源公司怎么赚钱：四种路径

开放权重不等于放弃商业化，节目梳理了四种商业化路径：

**第一，带动云计算和基础设施消费。**以千问为例，模型权重免费下载，但企业大规模部署需要GPU、云存储、网络、数据库和模型管理平台——对阿里这样的云厂商来说，开放模型是入口，模型免费但运行模型的整套云服务收费。

**第二，企业私有化部署和定制服务。**金融、医疗、政府和大型企业不愿将内部数据发送给外部API，需要把模型部署在自己的服务器或私有云里。模型公司可以出售私有化部署、行业微调、技术支持和长期维护服务。

**第三，收费的后训练和模型开发平台。**企业在开放模型基础上加入自己的数据和业务规则，模型公司提供微调、强化学习、评测、数据管理和版本管理等工具，按训练算力使用量或企业订阅收费。节目引用嘉宾观点指出，核心趋势是企业越来越接受"intelligence should be owned"（智能应该被自己拥有），而不是租借——这为后训练平台提供了巨大的市场。

**第四，模型即服务（MaaS）收入。**Together AI、Fireworks AI等MaaS厂商把开放权重模型部署到自己的GPU集群上，通过API提供给开发者；AWS、阿里云等云厂商也在卖模型服务。在K3许可证下，这类厂商需要向Kimi交钱。

为什么美国全行业要站到一起

“开放安全AI联盟"的核心观点是：美国既需要最先进的闭源模型，也需要最先进的开放模型，开源模型对网络安全、AI创新和AI主权至关重要，监管应该针对具体风险而不是限制技术路线本身。但节目逐一拆解了联盟各方背后的商业逻辑：

对微软、亚马逊、Google等大型云厂商来说，不管客户部署的是OpenAI、Llama、DeepSeek还是Kimi，只要运行在云上，他们都能获益。对英伟达、AMD、Groq等基础设施企业来说，开放权重意味着更多企业、开发者和国家把模型部署到自己的服务器——每次部署、微调和推理都带来新的算力需求。节目用了一个精准的比喻：卖铲子的人不在乎谁能挖到金子，重要的是能卖更多的铲子。不少基础设施公司的业务增长本身就是伴随一代代开源模型发展壮大的。对Palantir、Databricks等企业软件和AI应用公司来说，他们卖的是模型之上的数据平台、AI应用和行业解决方案，模型越开放，能服务的客户和场景反而越多。

与此同时，节目提到美国政府正在考虑针对中国开源模型采取限制行动，这为联盟的成立增添了紧迫感。

Anthropic为何"独缺席”

联盟中唯独缺少了Anthropic。他们发了一条长文阐释立场，节目梳理了其两个核心论点：

**第一是前沿开放模型的安全风险。**在闭源情况下，一些危险的安全能力还掌握在少数模型公司手里；但如果最强大的模型权重被公开，任何人都可以下载、部署、修改，恶意使用的门槛随之降低。节目引用了最近的背景：OpenAI和Anthropic的模型接连爆出越狱攻击事件，即使部署在官方服务器、拥有持续监控和安全更新能力的闭源模型也并非绝对安全——如果未来越来越多能力接近前沿水平的开放模型被部署到成千上万家企业本地服务器甚至个人设备上，模型治理、安全更新和风险控制必然面临更大挑战。

**第二是蒸馏问题。**Anthropic认为中国开源模型之所以发展这么快，就是大规模蒸馏了美国最前沿的闭源模型，大幅降低了追赶所需的算力。他们主张美国政府应该先管蒸馏，而不是纠结要不要管开源。

但节目也直言，很多人认为Anthropic坚持不开源更多是出于商业利益——高性能开放模型的出现让企业有了更多本地部署和自主定制的选择，对闭源API的依赖降低，模型能力更容易被快速追赶和复制，闭源模型的竞争壁垒受到挑战。节目引用了一句市场观察：“Anthropic和其他公司对自己和行业的限制，正在迫使大量公司转向中国开源模型——从创业公司到大规模企业，所有人都在做这个转变。“在全行业越来越强的开源声势下，Anthropic的闭源立场正在承受越来越大的压力，对其AI安全立场的质疑声也在变大。

开源正在重塑AI生态的四个维度

节目在结尾前把开放权重的影响总结为四个层面：

成本层面，年初编程Agent流行时，每家企业都在Token Maximizing，Token账单水涨船高。中国开源模型能力已能追平最强闭源模型，又便宜还能自己调整，成为最优解。现在的主流企业做法是：最困难的任务用最强闭源模型，日常任务用中国开放权重模型。这种"混搭"策略正成为2026年企业AI部署的标配。

所有权层面，节目引用了今年的一个标志性事件——Anthropic的某项限制让企业突然面临"一夜之间就不能用了"的风险，此前做的部署全部归零。在能力相当的情况下，开源模型让企业拥有绝对的所有权优势。

开发者层面，借助权重和技术报告，开发者可以自己修改模型、继续训练、适配不同场景。vLLM和SGLang等开源推理引擎能对大部分开源模型做到Day Zero支持，开发者不需要自己解决复杂的推理部署问题。开放权重模型已经成为大量AI Agent、机器人等项目的重要基础。

迭代加速层面，闭源模型的技术突破可能永远留在自己的服务器里，但开放的技术经验让整个行业站在巨人肩膀上加速前行——Kimi K3在DeepSeek V3基础上的改进就是最直接的证据。

不过节目也保持着审慎：开放权重模型带来了更多问题和安全挑战，业界关于开源的讨论仍在激烈进行。无论如何，开放权重已经成为推动这波AI发展的重要力量——它降低了技术门槛，加快了创新速度，让越来越多的企业和开发者可以参与到AI生态之中。