什么是"开放"AI模型？

随着企业争相采用基于大语言模型（LLM）的强大（且昂贵）生成式AI工具，它们开始意识到：更小、更聚焦的开放模型或许更能满足实际需求。

2022年底，OpenAI的ChatGPT问世，这款看似拥有魔力的简单聊天机器人能够回答问题，科技行业由此经历了一场"清算"。来自OpenAI以及Anthropic、谷歌等竞争对手的早期前沿大语言模型能够进行推理、解决问题，并用自然语言回答用户提出的详细问题。但没有人确切知道支撑这些服务的LLM"黑箱"里到底装了什么。

不久之后，Meta的Llama和Mistral等AI模型相继出现，打破了专有AI的垄断。这类模型可以被自由下载、修改，以适配特定应用场景。

2024年底，中国公司深度求索（DeepSeek）发布了V3——据称其训练成本仅为美国前沿实验室支出的一小部分。随后的2025年1月，推理模型R1问世，被视为对前沿模型的真正威胁。

过去一年里，阿里巴巴的通义千问（Qwen）、月之暗面的Kimi等开放模型也在企业的推理、智能体（agentic）和物理AI应用中不断攻城略地。研究机构SemiAnalysis在本月的一份简报中写道："结果是显而易见的趋势：每一代开放模型追上同时代首个闭源模型所需的时间都缩短一半。"

开放模型的几种形态

如今市面上流传着许多版本的"开放"AI模型，包括"开放权重"（open-weight）模型和"开源"（open-source）模型。虽然听起来相似，但弄清它们的区别十分重要。

企业中使用最普遍的"开放"模型是开放权重模型。这类模型允许公司根据自己的内部需求定制AI服务和工具。企业领导者和IT决策者可以窥见模型内部、对其进行审计，并根据自身特定数据加以调优。

开放权重指的是通过数学技术处理以产生输出的参数。企业可以通过微调权重、加入内部数据并进行本地化部署来定制模型。英伟达CEO黄仁勋在上月发布的一封信中表示："开放权重模型通过允许组织掌控自己的数据、按需评估和调整模型，并在业务要求允许的任何地方部署模型，从而提供了这种保证。"

但两者最主要的区别在于：开放权重模型隐藏了代码和训练数据等信息，因此部分内容无法修改。根据开放源代码促进会（OSI）的定义，真正意义上的开源模型还应公开其训练数据，以及允许这些模型被研究、检查、使用、修改和自由分发的其他信息。

企业如何使用开放模型

诚然，ChatGPT、谷歌的Gemini和Anthropic的Claude提供了全面的AI能力，短期内它们不会退出舞台。但这些服务价格昂贵，对于特定企业用途来说可能有些"杀鸡用牛刀"。

许多企业可能更适合使用专注于自身特定需求的小语言模型（SLM）或LLM。Gartner高级总监分析师迪帕克·塞斯（Deepak Seth）表示，开放模型是一块空白画布，企业可以在上面绘制自己的工作流。"企业的真实需求存在于特定的工作流和特定的数据之中，而一个在互联网全部数据上训练出来的通用闭源模型，对大多数企业来说都是大材小用，"塞斯说。

随着中国日益成为美国在AI领域的竞争对手，中国也是开源和开放权重模型的积极倡导者。包括德国、法国和印度在内的其他主要经济体也在鼓励采用开放模型。

ServiceNow、RWS等公司已经部署了数十个专攻特定任务的开放源码模型（以及专有模型）。Gartner研究总监马克斯·戈斯（Max Goss）说："如果我们认为可以从不同的AI工具中获取价值，就不应害怕采用多供应商策略，而不是承担单一AI工具带来的锁定风险。"

在车辆或现场等物理场景中，决策需要在毫秒级内完成——有时甚至直接在设备端进行。Samsara工程副总裁普拉文·穆鲁格桑（Praveen Murugesan）表示，这有利于那些专用、高效、能够在数据产生地附近运行的模型。"开放模型使这种分层部署成为可能，因为企业可以掌控每个模型的运行位置以及它接触哪些数据，"穆鲁格桑说。

治理与控制成为关键资产

随着越来越多的企业拥抱AI，正常运行时间对于保持工作流顺畅运转变得愈发重要。开放源码模型让企业对自己的AI未来拥有更多掌控力，也能防范专有LLM中暴露出的漏洞。

保护和控制系统与数据，是企业在内部成功部署AI所需的治理的一部分。"你实际上是在围绕它建立边界，让负责任的AI内建其中，"Spruce Peak Ventures创始合伙人金淑玉（Jinsook Han）说。

开放模型可以在内部运行、与云端隔绝，这提供了额外的安全性，尤其是对数据控制至关重要的受监管行业而言。"人们确实越来越倾向于开放模型带来的安心感，追求'我希望一切都在本地，我希望它运行在办公系统上'，"金淑玉说。

Forrester Research副总裁兼首席分析师克雷格·勒克莱尔（Craig LeClair）表示，企业会希望使用基于自身专有信息训练的模型，并且由于担心知识产权泄露，它们需要对工具拥有牢固的控制权。"开源模型将在受控的本地环境中运行，这很快就会让它们变得不那么'开源'了，"勒克莱尔说。

开放模型允许企业"检查权重、审计训练数据或进行物理隔离部署"，Gartner的戈斯说。"你无法治理看不见的东西。"

AI与数字主权

开放模型可以帮助各国定制AI，以适应本地的风俗、传统、政策以及区域监管要求。阿布扎比穆罕默德·本·扎耶德人工智能大学基础模型研究所副总裁兼董事总经理理查德·莫顿（Richard Morton）说："开放模型对主权AI至关重要，使各国能够理解、调整并控制为数字基础设施提供动力的系统。"

英伟达生成式AI软件副总裁卡里·布里斯奇（Kari Briski）表示，开放模型还能更好地基于本地化知识和需求进行创新。"开放模型和开放数据就是那个启动器：你无需重新构建一个预训练模型来捕获整个互联网的知识，"布里斯奇说。

开放模式的弊端

J. Gold Associates首席分析师杰克·戈尔德（Jack Gold）表示，专有技术可能会抑制创新，即使它们提供了比开放技术更高级别的安全性。

而且，虽然主要服务提供商都提供开放模型，但在许多情况下，它们的部署、维护和更新要落在企业自己肩上。

除此之外，开放模型可能并不总是经过充分审查，这会带来专有信息可能泄露到企业边界之外的风险，戈尔德说。

例如，尽管人们对能够扫描文件系统、访问个人信息并与LLM通信的OpenClaw表现出浓厚兴趣，但这类智能体可能创造出新的攻击面；这也正是顶级技术专家在企业部署前谨慎试验的原因。

"我们是开源的大力支持者，看到这些开源模型周围的生态系统不断建设、蓬勃发展，我们感到非常兴奋。假以时日，这些开源模型将拥有自己的一席之地，"Temporal联合创始人兼CEO萨马尔·阿巴斯（Samar Abbas）说。

阿巴斯表示，归根结底，企业需要建立一份涵盖每个模型和智能体的清单，无论它们是经过批准的还是"影子"式的，并清楚了解每个模型正在访问哪些数据。"有些工作流需要前沿级的闭源模型。但许多工作流并不需要——一个适配了内部数据的开放模型，会胜过横向通用的闭源模型。"