《中国开源 AI 能否追上 OpenAI》

导语

这篇访谈不是简单问“中国开源能不能打败 OpenAI”，而是让前 Hugging Face 亚太生态负责人 Tiezhen Wang 拆开中国开源 AI 的运行逻辑：它既不是纯公益，也不是零和民族竞赛，而是一套通过开放权重、降低 token 成本、吸引开发者和人才、再用 API、订阅、授权和资本市场变现的产业策略。

1. 中美 AI 竞争背后，是闭源产品和开源生态两种工程哲学

1.1 美国头部公司倾向闭源，中国实验室积极开放模型

• 文章开头对比 OpenAI、Anthropic 这类美国公司和中国 AI 实验室：前者更倾向把模型代码和权重锁在商业接口后面，后者则大量发布开源模型，让开发者可以免费下载、检查、部署和深度定制。
• Tiezhen Wang 过去在 Hugging Face 负责亚太生态，直到 5 月离职前都在帮助区域内 AI 实验室发布开源模型，也帮助研究者把模型做得更容易被开发者使用。所以他的视角不是旁观评论，而是开源生态的一线参与者视角。

1.2 Wang 不把开源理解成零和竞争

• 面对中美 AI 竞争的问题，Wang 的回答很克制：在开源世界里，核心心态是 collaborative mindset，不是你死我活。他举例说，DeepSeek 的强化学习训练算法正在成为许多美国研究实验室的默认设置，很多中国开源权重也运行在美国硬件上。
• 这段话的重点是，开源会让竞争和互相借力同时存在。中国模型帮助美国开发者，美国硬件也支撑中国权重运行；如果把饼做大，双方都可能成为赢家。

2. distillation 争议被 Wang 重新放回知识复用问题

2.1 他认为 distillation 在研究里是中性词

• OpenAI 和 Anthropic 曾指责中国 AI 公司蒸馏其模型。Wang 的回应是，distillation 在研究世界里本来是中性词，类似读完一本书后把内容讲给别人听，对方也理解了这本书。
• 他认为美国公司之间也在互相蒸馏，并提到 Elon Musk 曾承认 xAI 从 OpenAI 蒸馏。这里的论点不是否认知识产权问题存在，而是说不能把蒸馏本身直接等同于道德错误。

2.2 AI 生成内容版权在他看来应当归零

• Wang 进一步指出，Anthropic 和 ChatGPT 也在抓取互联网内容，而许多知识并不是这些公司自己生产的。他质疑那些没有生成知识的人，为什么可以阻止别人复用知识。
• 他给出一个激进判断：所有 AI-generated content 都应该是 zero copyright，否则拥有算力的人可以生成海量组合并把一切都圈成版权。这一段是文章中最有争议但也最需要保留的观点。

3. 开源不是不赚钱，而是把赚钱环节后移

3.1 Kimi 说明免费模型仍可带来 API 和订阅需求

• Wang 解释，开源模型很难直接卖模型本身，但不等于不能赚钱。例如 Kimi 发布免费模型后，API 和订阅仍然有强需求，因为它拥有最好的基础设施支持。
• 开源模型发布当天，其他人即使拿到权重，也要花工程时间部署和优化；发布模型的实验室拥有 day zero 优势，可以先通过 API、托管服务和稳定基础设施变现。

3.2 另一种策略是开源微调模型、保留 base model

• Wang 还提到，实验室可以开源 fine-tuned model，但保留 base model 用于销售。这样既能扩大生态影响力，又保留最核心资产的商业价值。
• 开源也有品牌效应。一个新实验室很难吸引顶尖人才，但如果它发布了优秀开源模型，研究者和开发者会知道这家团队确实做出了好东西，招聘和融资都会更容易。

3.3 MiniMax 授权变化显示开源正在反击云厂商 free rider

• 文章提到 MiniMax 修改授权：如果你用模型赚钱，就需要付费。Wang 认为这在开源世界很常见，尤其是为了防止云厂商直接拿开源模型托管赚钱，却不向研究实验室分成。
• 他的理想模式是个人用户永久免费，但云服务商如果通过服务模型获利，就应当拿出一部分利润。这是他认为支持开源可持续的一种方式。

4. 中国市场的优势来自便宜 token 和更激进采用

4.1 资本市场正在帮助实验室继续留在牌桌上

• Wang 对开源实验室变现仍然担心：如果找不到持续收入，开源就有真实风险。但他也认为资本市场正在提供支持，例如中国智谱的股价已经增长 10 倍，这会帮助它获得更多算力、人才和数据。
• 这段话说明，中国开源 AI 的长期竞争力不只取决于技术，也取决于资本是否愿意继续为开放模型、基础设施和人才投入买单。

4.2 美国创业公司通常先用闭源模型找产品市场匹配

• 如果给美国创业公司建议，Wang 认为第一步不是纠结模型国别或开闭源，而是找到最适合 product-market fit 的模型。早期为了满足市场需求，很多公司会先用闭源模型。
• 但一旦有第一批用户、积累了使用数据，企业就可能用自己的数据训练模型，并逐步切换到开源模型。这样最终可能节省约 100 倍 token 成本。

4.3 中国公司正在 tokenmaxxing

• Wang 刚从中国回来，他观察到中国市场正在快速成熟。美国公司也在探索 AI，但 token 成本很高，连大公司都觉得压力明显；他举例说 Uber 四个月就烧掉了一整年的 token，Microsoft 也觉得 token 比预期更贵。
• 中国则因为有大量便宜可用的开源模型，一旦跨过 usable point，使用量会指数增长。他听说一些中国大型互联网公司开始 tokenmaxxing，给员工几乎无限 token，强迫员工 AI-native，甚至不让他们按旧方式写文档。

5. 文章的判断：开源胜负不在“免费”，而在生态速度

5.1 开源模型降低实验门槛，也加速本土采用

• 中国开源模型的战略价值在于让开发者和公司更快实验、更低成本部署、更容易把模型嵌进具体业务。它不必在所有指标上立刻超过闭源模型，只要足够可用且足够便宜，就会扩大使用面。
• 这也是 Wang 预测未来一两年中国会出现很多有趣 AI 应用和采用案例的原因。便宜 token 加上组织层面强推 AI-native，会让实际用量先跑起来。

5.2 闭源公司仍有强产品优势，但开源能吃掉后期成本

• 文章没有说开源已经赢了。闭源模型在早期产品验证、最高性能和商业稳定性上仍然重要。但当公司积累数据、明确场景、需要降低成本时，开源模型就会变得越来越有吸引力。
• 所以“Can open-source beat OpenAI?” 的真实答案不是一次性胜负，而是分阶段竞争：闭源模型可能赢在前沿能力和早期落地，开源模型可能赢在成本、可定制、生态扩散和长期采用速度。

思想框架

访谈先用中美闭源/开源策略差异建立问题：OpenAI、Anthropic 代表闭源接口，中国实验室大量发布可下载、可检查、可定制的开源模型。随后 Wang 把开源放在协作而非零和框架里，举 DeepSeek RL 算法被美国实验室采用、中国权重跑在美国硬件上的例子。中段进入争议：他把 distillation 视为研究中的中性知识复用，并主张 AI-generated content 应该 zero copyright。再往后解释开源变现：Kimi 通过 API、订阅和基础设施赚钱，实验室有 day zero 优势，也可以开源微调模型、保留 base model；MiniMax 授权变化则是为了防止云服务商 free riding。最后转向采用速度：智谱股价 10 倍增长支持算力人才投入，美国公司 token 昂贵，Uber 四个月烧完整年 token，而中国公司通过便宜开源模型 tokenmaxxing、强推 AI-native。整篇核心是，开源不是免费理想主义，而是围绕成本、品牌、人才、数据、云授权和组织采用速度展开的产业策略。