争论的核心在于“开源AI模型”与传统软件开源的标准不符，许多所谓“开源”模型其实只是“开放权重”（open-weights），并非真正符合开源定义。 这导致了定义混淆、商业策略分歧和实际可复制性差异等多重争议。

1. 传统开源 vs. AI“开源”的本质差异

传统开源软件（由Open Source Initiative, OSI定义）要求：

  • 完整源代码公开。
  • 任何人可以自由使用、研究、修改和分发。
  • 通常包括构建和运行所需的一切（代码、依赖等）。

而AI大模型（尤其是LLM大型语言模型）复杂得多。一个AI系统通常包括：

  • 模型架构（代码定义）。
  • 训练代码（数据处理、训练流程、超参数等）。
  • 训练数据（海量文本、代码等）。
  • 模型参数/权重（训练后得到的数十亿到万亿参数，这是模型“知识”的核心）。
  • 推理代码（运行模型的部分）。

多数“开源AI模型”只开放权重 + 基本推理代码，不开放完整训练数据和全部训练过程。这被称为“开放权重”而非真正开源。

OSI最近发布的Open Source AI Definition (OSAID 1.0) 明确要求：

  • 数据信息：详细描述训练数据（来源、选择、处理方法等），让熟练人员能构建“实质等价”系统（即使部分数据因隐私不可共享）。
  • 完整源代码：训练和运行的全部代码。
  • 参数/权重：公开。
    只有满足这些，才能真正称为Open Source AI。符合标准的模型很少（如EleutherAI的Pythia、AI2的OLMo等），而Meta Llama、Mistral、多数中国模型等主流“开源”模型不符合。

2. 为什么会出现大量“开放权重”模型？

  • 训练成本极高：从零训练前沿模型需要巨量算力、数据和资金（数亿美元）。开放全部数据和代码，别人很难复现，但公司也担心竞争对手直接复制。
  • 商业与安全考虑：公司想通过开放权重吸引开发者、构建生态（扩大影响力、市场份额），同时保留核心优势（如继续用专有数据迭代）。例如Meta的Llama系列被广泛用于商业，但其许可有使用限制，且数据来源不透明，常被批评“openwashing”（假开源）。
  • 实际效果：开放权重允许本地部署、微调（fine-tuning）和商业使用，但无法从根本上修改核心能力（微调主要影响输出层）。

3. 主要争议点

  • 定义与透明度：只开放权重被视为“免费软件”或“闭源的开放使用版”，而非真正开源。无法审计偏见、安全漏洞或数据来源，也难以独立复现或改进基础能力。
  • 性能 vs. 生态：闭源（如OpenAI GPT系列）通常性能领先（更多资源投入），但开源/开放权重支持者强调生态建设、透明度和普惠（如中国模型如DeepSeek、Qwen等快速迭代，价格低廉）。性能差距在缩小，但复现前沿能力仍困难。
  • 安全与风险：开放可能被滥用（生成有害内容、恶意应用），或被用于“蒸馏”（distillation）——用强模型输出训练弱模型。中国一些模型（如DeepSeek）因涉嫌大规模从Claude/GPT等闭源模型蒸馏输出数据，引发知识产权争议（OpenAI/Anthropic指控违反服务条款）。这加剧了“开源是否助长窃取”的辩论。
  • 商业策略之争：开源派（Meta、部分中国公司）推生态和影响力；闭源派（OpenAI、Anthropic）强调商业化、资金和领先优势。实际是市场争夺：开源降低门槛但变现难，闭源易赚钱但被指“围墙花园”。
  • 许可与法律：即使开放权重，许可常有限制（如Llama禁止某些用途），不符合OSI完全自由标准。

4. 具体例子

  • Meta Llama：常被称开源，但数据不透明、许可受限，不符合OSI定义。
  • DeepSeek等中国模型：性能高、成本低、开放权重受欢迎，但蒸馏争议和“真开源？”质疑不断。
  • 真正接近开源：少数如OLMo，提供更多训练细节，但影响力较小。

总结

争论源于AI的特殊性（黑箱、高成本、数据敏感）与传统开源理念的冲突。产业界用“开源”营销，但严格定义下大多是“开放权重”。这影响创新速度、安全监管、全球竞争（中美差异明显）和开发者选择。未来，OSI定义可能成为标准，但商业现实会让“部分开放”继续存在。真正开源需要更多公司开放数据/代码，而这取决于成本控制和激励机制的突破。

这个话题还在演变，涉及技术、法律、伦理和地缘多维度。如果你对某个具体模型或方面（如蒸馏技术）感兴趣，可以进一步讨论。

Via Grok.