中国大模型集体开源, 是 AGI 理想还是生态卡位?

智车科技

1周前

这件事的技术含义比它听起来要重得多:一个开源模型如果在国产算力集群上跑得通、跑得快,它就在事实上成为了“国产芯片+国产模型”这套组合的软件基准。

图片

“开源”VS“闭源”

图片来源|网络(如侵权请联系删除)部分AI生成

乌镇峰会结束之后,一个数字在圈子里被反复提起,却很少有人把它和“开源”直接挂上钩。

2026年春季,Hugging Face平台的月度下载数据里,中国研发的开源模型占比达到41%,美国是36.5%。

单看阿里通义千问一家,2026年2月在Hugging Face上的下载量是1.536亿次,超过了Meta、DeepSeek、OpenAI等另外八家主要发布方当月下载量的总和。

累计下来,Qwen系列接近10亿次下载,衍生模型超过20万个。

这个数字放在两年前,几乎没人敢押注。2025年以前,AI圈的主流叙事是“闭源+重资本”才能赢。

OpenAI画了一张1.4万亿美元的基础设施蓝图,训练GPT-4据称花掉约1亿美元,闭源被默认为通向最强模型的唯一窄门。

但乌镇峰会上,DeepSeek研究工程师高熙说了一句很平实的话:开源是“为了让AGI更快到来”。

阿里千问的刘大一恒则把话说得更直接:开源模型的存在,把模型性价比拉到了一个较高的区间,避免了闭源模型可能出现的价格垄断,降低了大众使用门槛。

一边是“AGI理想”,一边是“防止价格垄断”。两句话放在一起,恰好构成了理解这轮国产大模型集体开源的最好入口。

但如果只停在这个层面,就错过了真正有意思的部分。

560万美元的API账单

把时间拨回2025年初。DeepSeek-R1发布时,最让硅谷坐不住的不是跑分,而是那个训练成本数字:约560万美元。

同期,Meta开发Llama模型的成本被外界估算在这个数字的十倍以上。

随后一年,月之暗面的Kimi K2 Thinking把这条线又往下压了一截:据传约460万美元的训练成本,在SWE-Bench Verified上拿到71.3%的通过率,略高于GPT-5;在BrowseComp上以60.2%对54.9%领先。

API定价更直观:Kimi K2 Thinking每百万token输出2.5美元,GPT-5是10美元,差了整整一个数量级。

这不是“便宜一点”的竞争,而是把闭源模型赖以生存的定价逻辑从底部掀翻。

闭源模型的商业闭环,本质上是“性能领先→API溢价→收入反哺算力→维持领先”。

这套飞轮转起来的前提,是追赶者必须用同样昂贵的算力、同样漫长的周期才能逼近前沿。

当开源模型用几百万美元、以MoE架构和训练策略的优化在关键基准上追平甚至反超时,飞轮的齿轮就卡住了。

2025年DeepSeek-R1发布后一周,DeepSeek App登顶美国App Store免费榜,英伟达市值一度蒸发约17%,其实资本市场比很多人更早读懂了这意味着什么。

所以,“防止价格垄断”不是一句情怀口号。它是开源在商业层面的真实杀伤力:当模型权重的边际分发成本趋近于零,闭源API的定价权就不再由单一厂商说了算。

但问题也恰恰在这里。如果开源只是“便宜”,它就解释不了另一件事:为什么Meta,那个曾经把“开源是AI时代的安卓”挂在嘴边的公司,却在2025年底转向了闭源。

Meta的转身

Meta的转向是一个绝佳的对照样本。Llama系列曾收获超过3000万次下载,生态繁荣程度一度无人能及。

但繁荣没有转化为收入:Meta每年AI投入超过700亿美元,企业授权收入不足10亿美元;开发者基于Llama微调出来的成果,最终大量流向了微软云、谷歌云。

说得直白一点,Meta花了大钱把模型开源出去,结果就是替云厂商修了一条高速公路。

这个案例经常被用来论证“开源不可持续”。但它真正揭示的,是开源商业模式的一个关键分岔:开源模型本身不直接赚钱,赚钱的是围绕开源模型建立起来的服务、算力和生态位置。

Meta的尴尬在于它开源了模型,却没有控制模型落地所依赖的云基础设施和分发渠道。于是它成了“生态铺路石”,而不是“生态收租者”。

中国厂商的选择,走的是一条完全不同的路径。

阿里通义千问开源超过400款模型,同时阿里云是国内最大的公有云服务商之一,AI相关产品收入连续多个季度三位数增长。

DeepSeek开源权重,但它的模型在国产算力芯片上完成适配,华为昇腾集群已经承接了DeepSeek-R2的训练和微调。

模型开源出去,使用量涨起来,算力消耗和服务需求留在自己的体系里。

这就引出了国产大模型集体开源背后那条更隐蔽、也更关键的线索。

生态卡位,开源是“送模型”

如果把开源仅仅理解为“把代码放出去”,那Meta的教训已经足够深刻。但国产厂商在做的事情,更像是在用开源重新划定模型与算力之间的接口标准。

智谱开源GLM-5时,同步完成了与华为昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原、海光七家国产芯片平台的深度推理适配。

这件事的技术含义比它听起来要重得多:一个开源模型如果在国产算力集群上跑得通、跑得快,它就在事实上成为了“国产芯片+国产模型”这套组合的软件基准。

后续的开发者、企业客户、甚至其他模型团队,都会沿着这条已经跑通的路径往前走。

这和当年安卓的剧本有相似之处,但又不完全相同。

安卓开源的是操作系统,卡住的是移动互联网的分发入口。

国产大模型开源的是权重和推理能力,卡住的是模型部署时选择什么算力底座、接入什么云服务、遵循什么工程规范。

Hugging Face的数据从侧面印证了这种卡位效应正在发生。中国开源模型全球下载占比超越美国,Qwen的衍生模型超过20万个,这些衍生模型又反过来把Qwen的架构选择、tokenizer设计、微调范式变成了一种事实上的社区惯例。

当一个开发者想要微调一个中文模型时,他的第一反应是去Hugging Face找Qwen的checkpoint,而不是从零开始读一篇闭源模型的API文档。

这种“默认选项”的位置,就是生态卡位最朴素的定义。

当然,卡位不等于垄断。开源生态的流动性天然高于闭源,今天用Qwen的开发者,明天也可以切换到DeepSeek或Kimi。

但正是这种“谁都可以走、但谁都在这个路口等车”的状态,让开源阵营在整体上获得了一种闭源阵营很难复制的议价能力:闭源厂商可以决定自己的API价格,但无法决定整个市场的价格锚点在哪里。

当足够多的开源模型把性价比拉到某个区间时,闭源的定价空间就被动地被压缩了。

闭源的护城河,并没有消失

如果读到这里得出“开源已经赢了”的结论,那就把问题想简单了。闭源阵营的护城河不在“模型能力”这一个维度上,它在另外几个地方依然深厚。

第一道是高价值场景的合规与责任边界。金融、医疗、核心政务系统在选择模型时,关注的不是每百万token便宜了几美元,而是出问题之后谁负责、数据在谁的边界内流转、审计链条是否完整。

闭源模型提供的是一份合同、一个责任主体、一套可追责的服务等级协议。

开源模型把权重交出去的同时,也把部署责任、安全责任、合规责任一并交给了使用方。

对于没有足够工程能力的中小机构,这个负担并不轻。

第二道是前沿能力的持续投入强度。开源模型在追赶和逼近上表现惊人,但“追平GPT-5”和“定义下一代架构”是两件不同的事。闭源巨头仍然在把最大规模的算力投向尚未被验证的方向,而这些试错成本很难由开源社区分散承担。

Meta转向闭源时押注的Avocado,计划融合谷歌Gemma、OpenAI gpt-oss和阿里通义千问的技术亮点。这个动作本身就说明,即便是转向闭源的巨头,也无法完全脱离开源生态的技术养分。

第三道是产品化与分发的一体化能力。OpenAI的闭源API在2025年斩获了可观的收入,靠的不只是模型本身,还有围绕API构建的开发者工具链、企业集成方案和品牌信任。

开源模型可以被任何人下载,但不是任何人都能把它变成一个稳定、安全、可规模化交付的产品。

这中间的工程鸿沟,恰恰是闭源商业模式的生存空间。

所以,更准确的判断不是“开源取代闭源”,而是两者进入了一种新的分工状态。

开源负责把技术门槛拉低、把价格锚点摁住、把生态入口占住;闭源负责把高价值场景的服务深度做上去、把前沿探索的试错成本扛住。

“开源铺路,闭源掘金”这句话听起来不够激动人心,但它可能比“开源一统天下”更接近现实。

AGI会属于开源阵营吗?

回到乌镇峰会上那个被反复提及的词。

DeepSeek的高熙说,如果一味构筑技术壁垒,短期可以阻挡竞争对手,但壁垒在挡住对手的同时,也可能延迟AGI到来的时间。

MiniMax的冯雯提到,今天的开源不止放出权重,很多团队还同步开放评测方案、踩坑记录和改造思路。

这些动作确实在加速知识的流动,而知识流动的速度,是AGI进程里一个很难被量化、却很难被替代的变量。

但“加速AGI到来”和“AGI属于开源阵营”,是两个不同的命题。

开源擅长的是扩大参与面。它让更多研究者、开发者、小语种社区、特殊硬件适配方能够进入牌桌,而这些人恰恰是闭源头部企业没有动力去服务的。

当参与面足够宽的时候,出现意外突破的概率会上升。这是开源对AGI最实质的贡献,不是它“拥有”AGI,而是它让AGI的候选路径变得更多。

但AGI如果到来,它所需要的算力规模、数据治理复杂度、安全对齐的工程投入,很可能超出任何单一开源社区的自组织能力。

闭源阵营在这一端的积累,不会因为开源模型的下载量增长而自动消失。

所以,与其问“AGI属于谁”,不如换一个问法:AGI到来的时候,开源和闭源各自会站在什么位置上?

一种可能的图景是,开源承担了“底座扩散”和“生态入口”的角色,闭源承担了“前沿突破”和“高价值交付”的角色,两者之间的边界会随着技术阶段的变化而移动,而不是谁把谁消灭。

国产大模型在这一轮集体开源中押注的,正是那个“底座扩散”的位置。

它不承诺终局的胜利,但它确保了一件事:无论AGI最终从哪个方向长出来,通向它的那条路上,不会只有一种语言、一套规则、一个定价权。

这已经足够值得下注了。

原文标题 : 中国大模型集体开源,是 AGI 理想还是生态卡位?

这件事的技术含义比它听起来要重得多:一个开源模型如果在国产算力集群上跑得通、跑得快,它就在事实上成为了“国产芯片+国产模型”这套组合的软件基准。

图片

“开源”VS“闭源”

图片来源|网络(如侵权请联系删除)部分AI生成

乌镇峰会结束之后,一个数字在圈子里被反复提起,却很少有人把它和“开源”直接挂上钩。

2026年春季,Hugging Face平台的月度下载数据里,中国研发的开源模型占比达到41%,美国是36.5%。

单看阿里通义千问一家,2026年2月在Hugging Face上的下载量是1.536亿次,超过了Meta、DeepSeek、OpenAI等另外八家主要发布方当月下载量的总和。

累计下来,Qwen系列接近10亿次下载,衍生模型超过20万个。

这个数字放在两年前,几乎没人敢押注。2025年以前,AI圈的主流叙事是“闭源+重资本”才能赢。

OpenAI画了一张1.4万亿美元的基础设施蓝图,训练GPT-4据称花掉约1亿美元,闭源被默认为通向最强模型的唯一窄门。

但乌镇峰会上,DeepSeek研究工程师高熙说了一句很平实的话:开源是“为了让AGI更快到来”。

阿里千问的刘大一恒则把话说得更直接:开源模型的存在,把模型性价比拉到了一个较高的区间,避免了闭源模型可能出现的价格垄断,降低了大众使用门槛。

一边是“AGI理想”,一边是“防止价格垄断”。两句话放在一起,恰好构成了理解这轮国产大模型集体开源的最好入口。

但如果只停在这个层面,就错过了真正有意思的部分。

560万美元的API账单

把时间拨回2025年初。DeepSeek-R1发布时,最让硅谷坐不住的不是跑分,而是那个训练成本数字:约560万美元。

同期,Meta开发Llama模型的成本被外界估算在这个数字的十倍以上。

随后一年,月之暗面的Kimi K2 Thinking把这条线又往下压了一截:据传约460万美元的训练成本,在SWE-Bench Verified上拿到71.3%的通过率,略高于GPT-5;在BrowseComp上以60.2%对54.9%领先。

API定价更直观:Kimi K2 Thinking每百万token输出2.5美元,GPT-5是10美元,差了整整一个数量级。

这不是“便宜一点”的竞争,而是把闭源模型赖以生存的定价逻辑从底部掀翻。

闭源模型的商业闭环,本质上是“性能领先→API溢价→收入反哺算力→维持领先”。

这套飞轮转起来的前提,是追赶者必须用同样昂贵的算力、同样漫长的周期才能逼近前沿。

当开源模型用几百万美元、以MoE架构和训练策略的优化在关键基准上追平甚至反超时,飞轮的齿轮就卡住了。

2025年DeepSeek-R1发布后一周,DeepSeek App登顶美国App Store免费榜,英伟达市值一度蒸发约17%,其实资本市场比很多人更早读懂了这意味着什么。

所以,“防止价格垄断”不是一句情怀口号。它是开源在商业层面的真实杀伤力:当模型权重的边际分发成本趋近于零,闭源API的定价权就不再由单一厂商说了算。

但问题也恰恰在这里。如果开源只是“便宜”,它就解释不了另一件事:为什么Meta,那个曾经把“开源是AI时代的安卓”挂在嘴边的公司,却在2025年底转向了闭源。

Meta的转身

Meta的转向是一个绝佳的对照样本。Llama系列曾收获超过3000万次下载,生态繁荣程度一度无人能及。

但繁荣没有转化为收入:Meta每年AI投入超过700亿美元,企业授权收入不足10亿美元;开发者基于Llama微调出来的成果,最终大量流向了微软云、谷歌云。

说得直白一点,Meta花了大钱把模型开源出去,结果就是替云厂商修了一条高速公路。

这个案例经常被用来论证“开源不可持续”。但它真正揭示的,是开源商业模式的一个关键分岔:开源模型本身不直接赚钱,赚钱的是围绕开源模型建立起来的服务、算力和生态位置。

Meta的尴尬在于它开源了模型,却没有控制模型落地所依赖的云基础设施和分发渠道。于是它成了“生态铺路石”,而不是“生态收租者”。

中国厂商的选择,走的是一条完全不同的路径。

阿里通义千问开源超过400款模型,同时阿里云是国内最大的公有云服务商之一,AI相关产品收入连续多个季度三位数增长。

DeepSeek开源权重,但它的模型在国产算力芯片上完成适配,华为昇腾集群已经承接了DeepSeek-R2的训练和微调。

模型开源出去,使用量涨起来,算力消耗和服务需求留在自己的体系里。

这就引出了国产大模型集体开源背后那条更隐蔽、也更关键的线索。

生态卡位,开源是“送模型”

如果把开源仅仅理解为“把代码放出去”,那Meta的教训已经足够深刻。但国产厂商在做的事情,更像是在用开源重新划定模型与算力之间的接口标准。

智谱开源GLM-5时,同步完成了与华为昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原、海光七家国产芯片平台的深度推理适配。

这件事的技术含义比它听起来要重得多:一个开源模型如果在国产算力集群上跑得通、跑得快,它就在事实上成为了“国产芯片+国产模型”这套组合的软件基准。

后续的开发者、企业客户、甚至其他模型团队,都会沿着这条已经跑通的路径往前走。

这和当年安卓的剧本有相似之处,但又不完全相同。

安卓开源的是操作系统,卡住的是移动互联网的分发入口。

国产大模型开源的是权重和推理能力,卡住的是模型部署时选择什么算力底座、接入什么云服务、遵循什么工程规范。

Hugging Face的数据从侧面印证了这种卡位效应正在发生。中国开源模型全球下载占比超越美国,Qwen的衍生模型超过20万个,这些衍生模型又反过来把Qwen的架构选择、tokenizer设计、微调范式变成了一种事实上的社区惯例。

当一个开发者想要微调一个中文模型时,他的第一反应是去Hugging Face找Qwen的checkpoint,而不是从零开始读一篇闭源模型的API文档。

这种“默认选项”的位置,就是生态卡位最朴素的定义。

当然,卡位不等于垄断。开源生态的流动性天然高于闭源,今天用Qwen的开发者,明天也可以切换到DeepSeek或Kimi。

但正是这种“谁都可以走、但谁都在这个路口等车”的状态,让开源阵营在整体上获得了一种闭源阵营很难复制的议价能力:闭源厂商可以决定自己的API价格,但无法决定整个市场的价格锚点在哪里。

当足够多的开源模型把性价比拉到某个区间时,闭源的定价空间就被动地被压缩了。

闭源的护城河,并没有消失

如果读到这里得出“开源已经赢了”的结论,那就把问题想简单了。闭源阵营的护城河不在“模型能力”这一个维度上,它在另外几个地方依然深厚。

第一道是高价值场景的合规与责任边界。金融、医疗、核心政务系统在选择模型时,关注的不是每百万token便宜了几美元,而是出问题之后谁负责、数据在谁的边界内流转、审计链条是否完整。

闭源模型提供的是一份合同、一个责任主体、一套可追责的服务等级协议。

开源模型把权重交出去的同时,也把部署责任、安全责任、合规责任一并交给了使用方。

对于没有足够工程能力的中小机构,这个负担并不轻。

第二道是前沿能力的持续投入强度。开源模型在追赶和逼近上表现惊人,但“追平GPT-5”和“定义下一代架构”是两件不同的事。闭源巨头仍然在把最大规模的算力投向尚未被验证的方向,而这些试错成本很难由开源社区分散承担。

Meta转向闭源时押注的Avocado,计划融合谷歌Gemma、OpenAI gpt-oss和阿里通义千问的技术亮点。这个动作本身就说明,即便是转向闭源的巨头,也无法完全脱离开源生态的技术养分。

第三道是产品化与分发的一体化能力。OpenAI的闭源API在2025年斩获了可观的收入,靠的不只是模型本身,还有围绕API构建的开发者工具链、企业集成方案和品牌信任。

开源模型可以被任何人下载,但不是任何人都能把它变成一个稳定、安全、可规模化交付的产品。

这中间的工程鸿沟,恰恰是闭源商业模式的生存空间。

所以,更准确的判断不是“开源取代闭源”,而是两者进入了一种新的分工状态。

开源负责把技术门槛拉低、把价格锚点摁住、把生态入口占住;闭源负责把高价值场景的服务深度做上去、把前沿探索的试错成本扛住。

“开源铺路,闭源掘金”这句话听起来不够激动人心,但它可能比“开源一统天下”更接近现实。

AGI会属于开源阵营吗?

回到乌镇峰会上那个被反复提及的词。

DeepSeek的高熙说,如果一味构筑技术壁垒,短期可以阻挡竞争对手,但壁垒在挡住对手的同时,也可能延迟AGI到来的时间。

MiniMax的冯雯提到,今天的开源不止放出权重,很多团队还同步开放评测方案、踩坑记录和改造思路。

这些动作确实在加速知识的流动,而知识流动的速度,是AGI进程里一个很难被量化、却很难被替代的变量。

但“加速AGI到来”和“AGI属于开源阵营”,是两个不同的命题。

开源擅长的是扩大参与面。它让更多研究者、开发者、小语种社区、特殊硬件适配方能够进入牌桌,而这些人恰恰是闭源头部企业没有动力去服务的。

当参与面足够宽的时候,出现意外突破的概率会上升。这是开源对AGI最实质的贡献,不是它“拥有”AGI,而是它让AGI的候选路径变得更多。

但AGI如果到来,它所需要的算力规模、数据治理复杂度、安全对齐的工程投入,很可能超出任何单一开源社区的自组织能力。

闭源阵营在这一端的积累,不会因为开源模型的下载量增长而自动消失。

所以,与其问“AGI属于谁”,不如换一个问法:AGI到来的时候,开源和闭源各自会站在什么位置上?

一种可能的图景是,开源承担了“底座扩散”和“生态入口”的角色,闭源承担了“前沿突破”和“高价值交付”的角色,两者之间的边界会随着技术阶段的变化而移动,而不是谁把谁消灭。

国产大模型在这一轮集体开源中押注的,正是那个“底座扩散”的位置。

它不承诺终局的胜利,但它确保了一件事:无论AGI最终从哪个方向长出来,通向它的那条路上,不会只有一种语言、一套规则、一个定价权。

这已经足够值得下注了。

原文标题 : 中国大模型集体开源,是 AGI 理想还是生态卡位?

展开
财经头条声明:所载内容仅为传递信息目的,非本站观点,亦非投资建议。据此操作,风险自负。 商务合作:app@feheadline.com
打开“财经头条”阅读更多精彩资讯
APP内打开