對話|應對卡脖子，開源是中國大模型安全的最優解？

文/觀察者網 張廣凱

2025開年伊始，國內大模型行業似乎正醖釀着一場劇烈的格局變動。

一邊是零一萬物與阿里雲達成合作，不再獨立追求超大模型的預訓練；另一邊，以豆包為代表的大廠模型仍在快速進化，“不差錢”的DeepSeek更是以創新架構，讓人看到超越OpenAI的可能性。

這似乎印證了一段時間以來的流言：國內大模型企業將進一步收斂，一些過去的頭部玩家也開始掉隊？

另一個有趣的現象是，此前一直走閉源路線的MiniMax，最近突然發佈了自己的開源模型。開源是弱勢方爭奪市場的捷徑，還是本身就具備比閉源更好的商業邏輯閉環？

當然，美國對中國愈加嚴厲的政策限制，一直都是不容忽視的巨大風險。國產大模型行業準備好迎接進一步脱鈎了嗎？

圍繞上述話題，我們邀請AI生態專家、曾任零一萬物開源及開發者生態負責人的林旅強，以及Hugging Face工程師王鐵震進行對話，收穫了不少新穎的觀點。

摘要如下：

·中國大模型行業的研發能力與OpenAI沒有明顯差距，即使放棄預訓練的團隊，也並非因為訓練效果不佳，只是更好的商業選擇。

·隨着主流模型能力基本夠用，一味追求模型能力最強或許是個誤區。以操作系統為例，性價比才是大規模應用的決定性因素。

·當算力成本進一步降低，開源模型的性價比將更加突出。

·開源的優勢還在於更容易成為行業標準。

·開源的AI開發工具鏈，對大模型的國產化替代意義巨大。

以下為對話全文：

放棄預訓練，不是能力不夠

觀察者網：可以聊聊最近零一萬物預訓練團隊併入阿里的事嗎？這是不是意味着，國內頭部大模型公司之間的能力已經在分化，零一發現自己預訓練的效果不夠好？

**林旅強：**完全不是這樣的。零一的團隊很強，預訓練出來的東西也很強，去年5月發佈的Yi-Large，10月發佈的Yi-Lightning都很好，尤其是Yi-Lightning，可以説是當時時間點上最強的之一。

但是模型強不強，跟商業上能不能走通是兩回事。零一絕對不是沒能力做預訓練，而是作為一個小公司，必須面對現實——你投入巨大的資源去做預訓練，能不能做到self sustainable？是不是對投資人負責？

所以一個公司最終還是要去找到符合商業規律的生存之道。

**王鐵震：**對，我非常同意。我要補充一下，其實中國的research非常強，這兩年中國的大模型追得非常快，包括最近的DeepSeek，甚至讓OpenAI都感到一些危機。

如果説中國跟美國的頭部模型存在一些差距，我覺得不能説是人的問題，主要還是因為資金的分配、公司的政策方向等等。像零一這樣的中國公司，有最優秀的團隊，有開復老師的領導，那麼如果給它像OpenAI一樣的資金，它絕對也能做出同樣好的產品。但是這樣的條件在中國是很稀缺的。

大部分中國公司，不可能把無止境的資金投入到一個非常燒錢的項目裏。在“六小虎”中，所有人一開始都是to b也要做，to c也要做，to developer也要做，foundamental research也要做，但是很快大家就會發現，我不可能每一件事情都做得好，每一件事情的競爭都是非常激烈的，我需要把所有的精力放到某一個自己很擅長的事情上面，才能做出最好的效果。

可能零一也經歷了這樣一波週期，發現必須把全部精力集中在做APP，或者專注做to b。我覺得這完全沒有問題，因為很少有公司能夠像DeepSeek或者阿里巴巴一樣，有另外賺錢的業務去養活不賺錢的foundamental research。

所以我覺得國內做預訓練的公司會越來越少，其實是一個好事，是更好的資源調配。想做預訓練的人也可以更集中，資金也可以更集中，可能最後只有四五家模型，但每家都可以得到非常多的資金支持，可以走得更遠更好。

中國很多行業都走過了類似的路，比如説電動汽車、光伏，都經歷了自然淘汰的過程，從無序競爭到有序收斂，這是一個市場比較理想的狀態。

觀察者網：也就是説國內的大廠也好，“六小虎”也好，在大模型能力上還沒有顯著差距。

**王鐵震：**我認為還在牌桌上的玩家，水平都沒有太大的差距，有差距的自己已經放棄了，所以牌桌上的玩家確實在減少。

**林旅強：**很多行業應用，也未必非要去做預訓練。例如百川很早就宣佈把重點放在醫療，那麼醫療大模型是不是一定需要做預訓練？基於別人的基座大模型，拿行業數據去做後訓練是不是足夠了？

所以退出牌桌的人，也不一定是失敗，而是調整。所有公司都要找到適合自己的路。

觀察者網：那麼當初為什麼大家一擁而上都去做預訓練？是戰略選擇錯誤，還是擔心使用別人的模型，不是好的商業模式？

**林旅強：**首先，你要向資本市場講一個故事。2023年上半年，資本市場會覺得一個團隊能做預訓練，代表團隊的能力是很紮實的。

另一個原因是當時的基座模型還不夠強，後續去做fine-tune的效果也不好，所以只能自己去做基座。

現在，很多大模型效果已經好到一定的程度，甚至10B以下的小模型都比當時強很多了，對很多場景來説完全夠用了。所以大家不會再盲目追求超大模型。

**王鐵震：**對，剛開始的時候，你必須向資本市場證明自己的團隊實力。只做fine-tune的團隊，估值不會很高，後續做很多事情就會非常受限。而且最開始的那段時間，市場上資金是最充裕的，越往後融資越難，如果開始拿不到足夠資金，後面可能很快就死了。

還有很重要的一點，是對人才的爭奪。那個時候大模型人才是相當稀缺的，很多公司都需要開出非常高的薪水挖人。

做預訓練更有利於去培養自己的團隊。如果只是做微調，你只能看到世界的一小部分，只有懂預訓練的人才能告訴你，一個問題到底應該用預訓練解決，還是後訓練解決。

但在今天這個時間點，基於很多開源模型去做後訓練，已經能達到比較好的效果，預訓練可能就更多是一種情懷了。

最好的大模型，未必要最強

觀察者網：那麼在今天這個時間點上，開源模型跟閉源模型的能力還有差距嗎？

**林旅強：**我想先correct一下這個問題本身。模型就是模型，不會因為它是開源或者閉源就更強或更弱，模型強弱跟是否開源是完全兩個維度的事情。

觀察者網：但是最早Llama之所以選擇做開源，可能是因為它不夠強，要通過開源來搶市場。

**林旅強：**開源確實有利於搶佔市場，但是它想搶市場，跟它夠不夠強，不能建立直接關係。現在DeepSeek也是開源，難道是因為它不夠強？所以我個人覺得Llama只是開源中一種情況，並不代表開源的本質。

開源和閉源的參與者也是動態變化的，比如之前一直閉源的MiniMax，最近突然也做開源了，這並不只是取決於模型強弱。

**王鐵震：**這是一個經常被問到的問題，最近我剛好也有一些新的想法。

首先就像前面提到的，沒有開源強的閉源模型已經死掉了，所以結果就變成，閉源模型永遠是大於等於開源模型。

之前我也覺得，開源模型跟最頭部的閉源模型相比，還是有非常大的差距。但是最近DeepSeek發佈的成果，以及國內在推理模型上面的進展，都讓我覺得差距沒有那麼大了，反而是OpenAI更應該感到焦慮。

視頻生成模型也是一個很好的觀察角度。Sora是一個閉源模型，它剛出來的時候大家都驚歎，中國跟它的差距非常大。但是現在大家驚歎的反而是，Sora怎麼一直都像個期貨，好像還不如中國的開源模型給力。

所以開源模型是可以很強的。但這個問題仍然很有價值，我會想問，如果開源模型廠商真的做出了比OpenAI更好的模型，它們還會不會繼續開源？整個開源生態本身已經在收斂，如果再有更多廠商放棄開源預訓練，對行業將是巨大損失，因為沒有市場競爭的話，很難保證大家都還願意在這個牌桌上玩。

觀察者網：所以仍然可以説，閉源模型大於等於開源模型？究竟有沒有哪家開源模型，能夠達到跟OpenAI差不多的能力？

**林旅強：**其實對於開發者跟行業來説，很多開源模型的能力是足夠的。那麼在同等能力情況下，如果有開源的選擇，我一定選開源，因為性價比就是開源強。

所以你怎麼去評判強不強？論性價比開源超強。你的問題其實暗含了一個假設，認為模型能力一定要達到最強，這件事情是很重要的。如果從科研角度或者公司估值的角度，追求最強確實是有意義的，但是從我們開發者角度，性價比高才能普及。

我舉個例子，PC端操作系統，最強的肯定是Windows或者macOS，但是Linux對於全球行業的影響力或許更大。你看得到的機器上跑的都是Windows或者macOS，你看不到的機器上跑的基本都是Linux，後者的數量可能更多。

Linux甚至根本不需要一家公司去推動，它成立一個基金會，IBM、谷歌都會捐錢。每家捐幾百萬美元，就能換來持續可用的操作系統，而且不會被人卡脖子。

所以究竟是Linux最強，還是macOS比較強，現在已經沒有人care這一點了。

觀察者網：有支持閉源的人，説開源模型是“智商税”，認為即使從成本來看，閉源也比開源要低。

**林旅強：**我尊重他們的選擇，但我不認同這個結論，開源相比閉源成本一定是低的。因為購買一個閉源模型本身就是很大的支出，在此之外，開源不會比閉源增加任何成本。

**王鐵震：**一些現在做閉源的公司，其實在過去的時代也在做開源，對NLP、OCR等領域都有很大幫助。後來在大模型領域轉向閉源，雖然很可惜，但是一定是經過了深思熟慮，甚至可能也有激烈的內部討論。那麼一旦選定了技術路線，對外也只能這樣説。

開源的好時代還在後面

觀察者網：大模型的開源方式，跟Linux這樣的傳統開源方式也有很大區別。

**林旅強：**完全不一樣，現在的開源大模型並沒有把關鍵素材開放出來。

Open Source的基本邏輯，第一是透明，第二是可復現。但大部分開源模型的tech report都不夠透明，比如用了什麼樣的數據集，這是各家的秘方，是不可能拿出來的。

傳統的開源軟件，所有代碼都會公開在GitHub上，你能夠完全去復現這套軟件，並且做出進一步貢獻。比如你發現一個bug，可以去提交修復。但所謂的開源大模型，仍然是一個黑盒子，我無法去修改這個黑盒子，無法改善它，只能夠基於它去做後訓練。所以它更像是開源和閉源之間的一箇中間態。

真正開源的大模型，其實Hugging Face上也是有的，比如BigScience項目，可以給出完全開源的數據集和訓練代碼，但是大部分開源模型做不到這一點，我認為把它們叫做開放模型更合適。

觀察者網：真正意義上Open Source的開源模型團隊有哪些，主要在國外嗎？

**王鐵震：**這是一個很有意思的現象，國內做開源的主要是大公司，或者能拿到國家資助的學術機構，而在海外有很多自發的組織，他們可能只是依靠一些捐贈，或者就是幾個學生做着玩，然後得到一些企業幫助。

據我瞭解，國內真正滿足開源標準的團隊，主要有兩個。一個是RWKV（元始智能），他們最早用Stable Diffusion的幾百張卡一直在默默做預訓練，現在也逐漸開始尋求商業轉化。另一個是MAP，他們是一個虛擬的在線組織，成員主要是國內大廠的研發人員，會進行一些跨機構的合作，發佈過真開源的模型MAP-NEO，以及春運數據集等等。

海外的開源大模型團隊大家可能更熟悉，除了Hugging Face的項目，還有艾倫AI研究院（Allen Institute for AI），後者得到了蓋茨基金會的支持。

觀察者網：真開源項目少，是不是大模型的訓練成本過高造成的？因為即使開放出來也很少有人能去復現。大模型領域不太可能產生類似開源軟件的生態？

**林旅強：**對，我們回過頭看Linux生態是怎麼長出來的，一個重要原因是個人電腦很便宜。

最早發起自由軟件運動的人，理查德·斯托曼，當時在MIT的人工智能實驗室任職。他認為軟件應該是自由開源的，可是當時的電腦太貴，他在實驗室裏想要做軟件編譯，都得排隊去申請使用電腦，就像今天的大模型研究者排隊求分配顯卡，這種資源稀缺的情況是無法做開源的。

到Linux出來的時候，PC已經便宜到讓野生開發者都能夠在自己家裏面寫代碼，這是摩爾定律帶來的算力民主化。

所以我認為當下的 AI大模型，還處在當年的實驗室階段。等到算力成本繼續降低，AIPC能夠讓每一個人在自己家裏就能跑得起大模型，或者訓練一些小模型，開源的百花齊放就會來臨。

觀察者網：摩爾定律在GPU領域還能繼續有效嗎？

**王鐵震：**討論摩爾定律，一方面我們可以期待下一個世代的硬件進步，甚至量子計算有怎樣的前景。另一方面，軟件或許也有一些辦法能夠讓摩爾定律延續，比如MiniMax、RWKV嘗試的Linear Attention（線性注意力機制），就是降低算力成本的另一條途徑。

其實芯片領域的摩爾定律之所以一直能延續，不是因為最早的技術能一直延續，而是行業在不停地變換技術棧，尋找摩爾定律的新的解釋方式。我覺得AI行業肯定也能做到這一點，比如用更小的模型就能獲得現在很大模型的效果，或者用超越傳統Transformer的架構來取得對算力需求的數量級下降。甚至未來是不是可能專門為大模型設計一種ASIC，效率遠遠超越通用GPU。

所以我們不用太悲觀，至少現在英偉達的GPU還在快速進步，未來也有很多替代路線可以探索。

開源是一場標準之爭

觀察者網：即使解決了成本問題，做開源模型的回報在哪裏？一些大廠，比如阿里雲、字節，可以用其他業務變現。但是像“六小虎”這樣的企業，為什麼要開源？

**林旅強：**每一個企業做開源，一定是符合商業理性的，一定要能促成他的商業邏輯閉環。我不認為開源只是靠情懷。

扎克伯格當初寫了一篇文章，解釋為什麼要把Llama開源。文章標題是Open Source AI Is the Path Forward，開源是未來之道。

扎克伯格表達了兩個觀點：一是開源能夠避免重複造輪子，把自己的一些成功拿出來給大家用，能夠降低整個行業的研發成本；二是開源也有助於形成行業標準。

我想大企業做開源，真正的動機肯定不只是第一點，幫別人省錢。而是這個錢省了之後，他就會落入到我的生態系統，他的根就在我這邊，我在這個生態系統裏擁有絕對影響力。那麼以後這個行業的基礎設施和技術路線，都是要跟我掛鈎的。

從商業的角度來講，標準等於壟斷，制定標準的人賺最多錢。

我曾經在華為從事開源項目，華為為什麼做那麼多開源？第一他不想被卡脖子，第二他也希望能定出標準。華為的開源項目是放在產業與標準部門裏的。過去在通信領域，像3G、4G、5G，或者藍牙這樣的通信協議，是有行業聯盟來制定標準的。但是到了軟件領域，華為發現沒辦法做聯盟，開源形成的事實上的標準，把聯盟壟斷的路子都給斷了，搞標準只能從開源切入。

觀察者網：零一為什麼要做開源？

**林旅強：**對一些企業來説，做開源也有秀肌肉的作用。通過一個很厲害的產品，讓市場認識一家公司，這是後進者能夠讓自己傳播的一種方式。

還有很多企業，會同時做開源免費版和商業收費版兩種產品。通過開源的方式，能更快得到客户，然後只要開源免費版的基礎夠大，我也可以通過一些產品設計，滿足更多的商業訴求，變成付費版本。

在國內主流的大模型公司裏，零一已經算是入局比較晚的，所以必須開源。但我加入零一，首先是因為他們的模型足夠強，因為開源生態非常依賴於產品強不強。

零一選擇了開源閉源並進的策略，認為最強的模型必須是閉源的，同時也去建設開源生態。但這未必是大模型開源的唯一解，有時也會讓客户感到矛盾。通義千問全部做開源，其實也是很好的思路。

觀察者網：對客户來説，開源的安全性會是個問題嗎？

**林旅強：**包括央國企在內的大模型招標，通常不會在標書上要求是開源還是閉源。開源完全能夠滿足安全性的要求。因為安全性主要不取決於開源閉源，它們都是黑盒子，沒有區別。安全性主要靠大量的測試，比如做各種滲透測試，或者紅軍藍軍對抗。

**王鐵震：**其實從安全的角度上來講，開源模型反而能允許你做更多的測試，而且這些攻擊行為不會被泄露到第三方。從這個角度上來講，開源模型實際上更安全。

**林旅強：**沒錯，很多白帽黑客可以自己去拿開源模型做攻擊測試，把結果在行業中交流，讓大家知道如何防範。但是你不能去攻擊一個閉源模型，這是違法的。

開源圈內有句話，只要眼球足夠多，所有bug都現形，對大模型也是適用的。

應對卡脖子，開源工具鏈也很重要

觀察者網：還有另一個維度的安全性，人們會擔心一家商業公司控制的大模型未必符合公共利益，提出了“對齊”的概念。開源模型有助於“對齊”嗎？

**林旅強：**所有模型都會承載一些價值觀，會對用户產生特定的影響，這是一定會發生的事情。開源模型會成為整個價值觀光譜中很好的補充，但未必一定要靠開源。在一個好的市場中，社會價值觀本身就是相互衝突和平衡的，市場的力量自然也會讓大模型取得平衡。

政治因素也會產生影響，李開復老師也説過一個概念，叫做一國一模型，每個國家的法律不同，道德觀念不同，大模型也是要經過一些調整的。

**王鐵震：**開源能給大家更多的選擇，每個國家、每一個人都可以根據自己的需求去做定製模型，那麼實際上是一種技術普惠。

其實大家選擇模型的時候會有很多不同考慮。前段時間國外網友有個帖子，説通義千問很好，但是我不能用。因為國外公司也會有一些policy，不允許使用中國模型。

觀察者網：地緣政治正在成為更大的威脅。如果美國加強對中國的GPU和大模型制裁，開源對國產化有什麼幫助？

**林旅強：**我不是地緣政治專家，但我覺得“卡脖子”是必然要發生的事，因為美國無論哪個黨執政，對中國的政策都沒有太大區別了。既然他要搞，我們就要因應，國產化芯片能夠接得住的地方，就要全面導向國產化，接不住的地方也要尋找迂迴的方式。

當然美國也是一個很多力量在拉扯的的國家，像英偉達這樣的大企業也有動機去阻止禁令，也會對結果產生影響。

**王鐵震：**如果説大模型層面，其實得益於開源工具鏈的發展，現在模型之間的切換是比較容易的。如果你要換用一個新模型，只要把prompt調整一下，把模型ID換一下就好了。除非一些架構比較獨特的模型，比如DeepSeek，因為它工具鏈上的兼容不完備，大家想要把它高性能地跑起來還是有一些困難。

在AI基礎框架上，百度做過一些很好的工作，比如開源的PaddlePaddle（飛槳）是國內最好的AI框架之一。只可惜百度在大模型時代沒有繼續走開源路線，否則在大模型的加持下，PaddlePaddle生態會有更加巨大的發展。

**林旅強：**我認為PaddlePaddle就是中國第一的AI框架，但華為的開源框架MindSpore（昇思）現在有很好的機會，因為華為只要決定做，哪怕慢一點，也會堅持下去。

AI從硬件到軟件，大致可以分為4層，華為都有佈局。芯片層面的昇騰，對標英偉達CUDA的CANN計算架構，然後就是MindSpore，以及最後的模型層。

華為目前的模型能力不是最好的，但是如果能把從下到上的整個stack做起來，還是會非常厲害。

不過雖然華為有開源框架，但它整個生態可能還是封閉的，有利於獨佔商業化回報，別人是不願意加入的。

觀察者網：華為能夠從哪些方面更好地幫助國內開源生態嗎？

**林旅強：**舉個例子，零一萬物跟昇騰就有過合作。其實在很早之前，昇騰的朋友就來問過我們，能不能把零一的開源模型拿到昇騰上。我們不反對別人把模型拿過去，但問題在於，我們本來就是開源的，沒有收入，如果還要來自己花人力去適配昇騰，最後昇騰大賣，我們能夠得到什麼回報？

這其實不是華為一家的問題。熟悉海外開源生態的人都知道，做開源不能只讓開發者去奉獻，他們一定需要得到某種回報。國內的開源生態建設，還有很多需要提升的地方。