深度解析：开源与闭源AI之争

开放权重模型与公开评估中表现最佳的闭源前沿模型之间的差距已缩小到大约四个月，而两者之间的差距只会变得更加不稳定。

这使得开源与闭源的 AI 竞赛日益成为一个重要的商业问题。如果开放模型能够接近前沿性能，同时让企业在数据、基础设施和定制化方面拥有更多控制权，那么企业还在为前沿实验室付什么钱？价值最终又归于何处？

要理解这一格局，不妨先厘清我们所说的开放模型和闭源模型究竟指什么。开放程度存在一个光谱，从用户可以下载并自由修改的完全开放模型，到带有各种限制的开放权重模型，不一而足。闭源模型则将其权重保密，并对访问加以控制。

对于正在决定基于哪些模型来构建业务的企业而言，差异不止于性能和价格。

Palantir CEO Alex Karp 警告称，企业有可能将自己的“alpha”——即那些使其业务与众不同的专有知识和流程——拱手让给前沿模型提供商。

Satya Nadella 在 X 上的一篇文章中表达了类似观点：“你实际上为智能付了两次费，一次是用钱，另一次是用更宝贵的东西：为了让这种智能发挥作用而必须透露的专有知识。你希望模型表现越好，就必须喂给它越多这样的知识！”

两者都是对战略依赖的警告，也有助于解释为什么越来越多的企业在探索开放模型。

但尽管存在对放弃专有知识的担忧，证据表明企业仍然愿意为前沿性能付费，即便最好的开放权重模型只落后几个月。前沿实验室的收入继续加速增长，即便 token 支出正扩散到范围广得多的模型之中。

领先企业两者并用：在需要定制化和控制权时选择开放模型，在需要现有最强能力时选择闭源前沿模型。一些企业报告称，通过将不同模型匹配到最适合的工作流程，实现了数倍的效率提升和大幅成本节约。我们将在下方的深度报告中介绍其中几个案例。

一些模型开发者也在同时采用两种路径。Google 拥有 Gemini 和 Gemma，而 Meta 则拥有 Muse Spark 和 Llama。为什么一个模型闭源，另一个却免费开放？如果开放模型可以免费下载，又附带哪些条件？它们的开发者如何在财务上与闭源实验室竞争？

我们这份 99 页的深度报告审视了这些选择背后的经济逻辑，以及随着 AI 使用成本越来越低，这些选择可能如何影响谁能获取 AI 利润、哪些企业能够保住定价权。

完整报告还包括：

希望你喜欢阅读，并在我们的群组中告诉我你的想法：

https://research.socialcapital.com/p/open-vs-closed