开源权重模型在大约四个月内便已逼近公开评测中表现最佳的闭源前沿模型，且两者之间的差距正变得愈发不稳定。
这一趋势正将“开源 vs. 闭源”的 AI 竞赛演变为一个日益重要的商业命题。如果开源模型能够在接近前沿性能的同时，赋予企业对数据、基础设施和定制化更强的控制权，那么企业究竟还在为前沿实验室的什么买单？价值最终又沉淀在了哪里？
要厘清当前的格局，首先需要明确我们对“开源”与“闭源”模型的定义。开放性存在于一个光谱之上：一端是用户可自由下载并修改的全开源模型，另一端则是带有不同限制条件的开源权重模型；而闭源模型则保持权重私密，并对访问权限进行严格控制。
对于正在决定基于何种模型构建业务的企业而言，差异远不止于性能和价格。
Palantir CEO Alex Karp 曾警告称，企业面临着将其“阿尔法收益”（alpha）——即区分其业务竞争力的专有知识和流程——拱手让给前沿模型提供商的风险。
Satya Nadella 也在 X 平台的一篇文章中表达了类似的观点：“你实际上为智能支付了两次费用：一次是用金钱，另一次则是用更宝贵的东西——为了让智能发挥作用，你必须披露的专有知识。你希望模型表现得越好，就需要向它喂入越多这类知识！”
这两番言论都是对战略依赖风险的警示，也有助于解释为何越来越多的企业开始探索开源模型。
尽管存在对泄露专有知识的担忧，但证据显示，即便最佳开源权重模型仅落后几个月，企业依然愿意为前沿性能付费。即使 token 支出分散到了范围更广的各类模型上，前沿实验室的收入仍在持续加速增长。
领先企业往往采取混合策略：利用开源模型实现定制化和掌控力，而在需要最高可用能力时则选用闭源前沿模型。据报道，通过将不同的模型匹配到最适合的工作流中，一些企业实现了数倍的效率提升和显著的成本节约。我们在下文的深度解析中将涵盖其中几个案例。
部分模型开发商也同时采用这两种路径。Google 拥有 Gemini 和 Gemma，Meta 则有 Muse Spark 和 Llama。为什么保留一款模型闭源，却免费开放另一款？如果开源模型可以免费下载，背后又附加了哪些条件？它们的开发者如何在财务上与闭源实验室竞争？
我们长达 99 页的深度报告剖析了这些选择背后的经济逻辑，以及随着 AI 使用成本不断降低，这将如何决定谁能捕获 AI 利润，以及哪些企业能够维持定价权。
完整报告还包括以下内容：
- 面对中国竞争对手压低价格的攻势，前沿实验室能否维持保持领先的成本。
- 模型竞争的五大要素，以及每项要素所需的权衡取舍。
- 模型运行的三个场所，以及行业在这些场所间的分布情况。
- 一项案例研究，报告显示工程效率提升高达 12 倍，成本节约超过 20 倍。
- NVIDIA 和三星为何投资开源权重，以及回报可能来自何处。
希望你喜欢阅读，欢迎在我们的群组中分享你的看法：
