在大模型赛道，“开源”与“闭源”的选择，一直是一个很有意思的话题点！
有些企业，做着做着开源就变成闭源了，比如：Meta暂停Llama模型“Behemoth”的测试工作，集中资源开发闭源模型；有些企业做着做着闭源，中途却又改道开源，比如： OpenAI 在今年开源了 GPT-oss 模型；还有一些企业，开源和闭源“两条腿”走路，比如：谷歌、微软、阿里、腾讯等大厂，既有开源模型，又有闭源模型。
到底选择开源？闭源？还是都选？本质上，都可以归为是战略选择问题。不管是哪种方式，技术路线本身没有对错。从性能追赶来看，开源与闭源的界限正在变得模糊，开源模型的性能正在逼近闭源模型，阿里的Qwen3、DeepSeek的R1等开源模型已与Claude 4、GPT-4.1等闭源模型比肩，甚至实现反超。从模型能力来看，多模态、强化推理和MoE架构等几个关键技术能力，正在推动AI应用的加速落地。
在技术发展呈螺旋式上升过程中，开源AI给世界发展带来的推动作用，有目共睹。不管是Meta的Llama系列、Stability AI的Stable Diffusion，还是DeepSeek的发布……这些大模型之所以能快速“破圈”，是因为他们带来了技术普惠的“飞轮效应”，让全球开发者在集体智慧之上，再上新台阶。
开源，不仅大幅降低了人工智能的技术门槛，更以强大的协同效应倒逼行业加快创新步伐，推动整个生态进入高速迭代的新阶段。注意，这个“生态”不只是模型应用层，还包括模型的开发、部署，数据和算力的管理等AI Infra层面的改变。
为进一步推进开源AI 生态的繁荣发展，弘扬开放、协作共享的创新精神，ITPUB在【IT风向标】系列直播活动中，特别邀请 了AI 领域两位重磅专家，共同探讨开源 AI 的现状、挑战与未来趋势。一位是红帽亚太 CTO 办公室首席架构师张家驹；另一位是Zilliz的合伙人&研发VP栾小凡。两位嘉宾一致认为，开源与闭源之间，从来就不是“非黑即白”的选择。
当DeepSeek用开源挑战巨头，当等大厂们既拥抱开源又保留闭源，当企业用户在安全与成本间做出适合自己的选择，我们看到的是——一个正在重构的AI生态。
在过去一年里，中国开源AI表现出强劲发展势头。一份源自The Atom Project的全球模型追踪数据显示，2025年10月中国开源模型的下载量攀升至约5.5亿次，美国同类产品为4.75亿次。一家评测机构指出，评分最高的10个开源模型中有8个来自中国，而且未来中国的领先优势还将扩大。
在开源AI繁荣发展的背后，也面临着一些挑战，诸如：信任度、开放性，还有盈利能力等。那么，问题来了，在消灭技术边界这场“战争”中，到底哪些地方存在“槽点”或者“卡点”？很明显，安全问题是第一个挑战！
01
开源AI可信吗？
开源是把“双刃剑”，当开发者获得开放透明的代码，意味着所有人对你的应用了如指掌，很容易被植入恶意代码，使得私域数据被公开。外加Cursor、Claude封禁API等事件，都在加剧这种不信任感。
尤其是企业级应用场景，安全是“生命线”，没有半点退让的可能！那么，就模型应用而言，到底是开源更安全，还是闭源更安全？
“使用闭源API，整个应用是个黑盒，一旦出现问题，你对数据安全无法把控。既然这样，那是不是要把企业数据都拿出去？开源模型又会面临新的安全隐患！” 栾小凡指出，企业应用通常会面临两难处境。
与模型发展不相匹配的是，使用开源模型还有一个巨大的“鸿沟”，我们没有一个“Benchmark “可以像评测模型一样，去评估模型本身的安全性。“模型投毒”已成为一个事实威胁，如果用户在预训练时掺杂了恶意数据，在评估过程中没有被及时发现，会对产出结果产生很大影响。
所以，大模型被推出后，很多企业更愿意以私有化的方式去部署。在这一过程中，模型本身是否开源似乎不再那么重要。当然，针对“模型投毒”这样的问题，即便是私有化部署，也只能解决部分问题。
“当模型能力逐渐同质化，推理引擎（vLLM、SGLang）、RAG框架、向量数据库（如Zilliz）、路由分发系统才是开源的真正主场，这又落回到了传统意义上的基础设施层面，” 张家驹发现，在私有化场景，基础设施的成熟度、稳定性和易用性，反而成为了决定AI落地的关键因素，而不在于是否开源，重要的是整个基础设施是建立在开源生态之上。
从这个角度来看，开源AI是否可信，就落脚到更细分的维度。一个是数据敏感程度，核心业务数据是否允许出域；另一个是技术能力储备，是否有能力维护私有化部署；最后，是合规性，要能满足行业监管对透明性的要求。
张家驹还揭示了一个令人尴尬的现象，在当前环境下，完全开放的开源模型的创新优势似乎并不像想象中的那么明显。但长远看，真正的开源一定是闭源模型的最有力补充。
02
如何看待“开放权重”模型？
拥抱开源AI虽然是大趋势，但在技术路线部署上，会有分叉，也会有趋同！
“开源的魅力在于，你可以站在巨人的肩膀上看世界，能基于别人的代码去做修改。但现在的开放权重模型，本质上别人很难再做创新。”
张家驹提出了一个尖锐问题：这种“非全过程开源”，真的能带来传统开源软件的创新红利吗？红帽怀揣着一个乌托邦式的梦想：从数据准备、模型训练到持续迭代，全过程开源。这才是真正的“技术平权”！然而，“理想很丰满，现实却很骨感”，现在的主流开源模式，更多是开放权重，而非全过程开源。
新趋势背后，是一个略显悲观的判断。栾小凡认为，造成这种现象的根本原因是，“大模型发展到现在可能进入到一个瓶颈期。未来，我们会看到越来越多的微创新出现，至于下一个Scaling law在哪里？目前我们还没有看到！”
目前，开源AI正处在艰难的过渡期。当下的“开放权重”模式，或许是一种必要的妥协。既让更多人能够使用先进AI技术，又保护了开发者的商业利益。更多人的目标，是一个“卖铲子”的逻辑，希望通过模型去吸引用户。尤其是一些大厂和云厂商，可以通过开源带生态，推动硬件或者云资源的使用。
对比来看，开源AI其实和互联网的发展脉络一样，从只有巨头玩得起的“大机时代”，到走向人人可参与的“PC时代”，还需要技术的持续突破和成本的不断下降。正如张家驹所说：“随着时间推移，也许会有变化。当技术门槛足够低，当算力成本足够亲民，真正的开源AI时代才会到来。”
从长远发展来看，当训练和推理成本在模型部署中占“大头”，开源的优势将更加明显，我们会看到越来越多更好用的开源模型。
03
开源商业化，背后逻辑是什么？
开源不等于免费！当开源遇上AI，一个来自灵魂深处的发问索绕心头——那就是这玩意到底怎么赚钱？当大厂们纷纷拥抱开源，当创业公司在开源道路上艰难前行，商业化成为了最现实的考验。
放眼市场，栾小凡直言不讳地指出了开源AI商业化的两条路径：
第一条路，“挂羊头卖狗肉”。开源本身不直接赚钱，但能拉动其他业务。
以云厂商的开源模式为例，做模型这件事情并不挣钱，但是能拉动云资源的使用，并且未来还会是一个很大的“盘子”。
同样，一些硬件企业也是这种“套路”，比如：英伟达就是这条路径的典型代表。无论是推理框架，还是大家耳熟能详的Triton、TensorRT核心AI加速工具，所有动作，本质上都在帮他解决同一个问题：卖卡。
英伟达的这套逻辑在于，把软件堆栈做好，最终通过软件带动硬件销售。在这个游戏里，开源是手段，硬件销售才是目的。
第二条路，开源产品本身商业化。根植于生态，通过托管服务和企业级支持变现。
这种“打法”的差异点在于，开源产品本身其实就是为了去吸引更多用户，把开源生态打磨好，吸引一部分不想自己去维护复杂工程体系的用户，或者对稳定性有更高要求的用户。
比如：向量数据库技术的开创者Zilliz，不仅拥有全球最受欢迎的开源向量数据库Milvus，还推出了基于 Milvus 的全托管云服务 Zilliz Cloud，这是一条基于开源产品构建云平台体系的成熟路线，已经得到Databricks、MongoDB等知名企业的可行性验证。
与上述路线不同的是，作为开源界的“老兵”，红帽的生存哲学，只有一条，那就是做好“脏活苦活累活”。
“软件的价值不仅仅是闭源软件提供的license，还包括你在使用过程中的一系列后续问题，包括用户需要的补丁、安全更新、问题处理、技术培训，这些价值也需要有人来提供。”
让广泛使用的开源软件在企业生产场景中用好，红帽用这套模式打造了三大产品线，包括Linux操作系统、OpenShift容器云平台和Ansible自动化工具。如今，为了满足AI这种“新型工作负载”，红帽又在努力让K8S更好地支持AI，包括在推理引擎社区上进行大力投入。
远离光环，贴近地面。在开源路线战略布局过程中，红帽只选择做“关键贡献者”，只贡献“20%-30%”，但能为最终用户提供100%的支持服务。如果一家企业开源贡献是100%，那非常容易走着走着就闭源；但如果你的开源贡献是0，那在别人的潜意识里，你就是一个集成商，根本没有深度服务的能力。所以，红帽只做关键贡献，把精力放在可能遇到的各种问题上，虽然做了很多 “苦力活”，但这种务实的理念，却也探索出一条开源商业化的正确路径。
04
结语
展望未来，开源AI的发展，将是一个分裂而繁荣的生态。
分裂体现在技术栈的分层：底层基础设施几乎完全开源，上层应用百花齐放；小模型开源，大模型闭源；通用能力开源，专属能力闭源。
就AI Infra而言，开源的前景一片光明。这种信心来自于开源独特的反馈循环——更多的用户使用，更多的反馈汇聚，更快的产品迭代。这种来自真实场景的反馈，成为AI基础设施不断进化的燃料。从向量数据库到推理框架，从训练调度到Agent开发工具，开源正在重演Linux时代的胜利。
这或许就是AI时代最朴素的真理——技术路线会变迁，商业模式会演化，但为用户创造价值的能力，才是真正的“杀手锏”。
