大模型的场域，被开闭源自动地划分为两个阵营。自此，开闭源之争的硝烟一直盘旋在大模型的上空。

从奥特曼颇为无力的辩称：OpenAI的Open指的是人工智能成果的广泛共享，而非模型的开源。到李彦宏直截了当的断言：开源模型可能是一种“智商税”，随着时间的推移，开源模型只会越来越落后。开源模型在商业模式上的断裂及性能的落后一直饱受诟病。

然而，Llama 3.1的横空出世给开源注入了强心剂。有人说，Meta的持续开源是对开源唱衰论的最有力反击。周鸿祎也站出来说，大模型不该沦为少数厂家的赚钱工具。

为了能挖掘这场开闭源之争的更多细节，AIGC实战派邀请了白鲸开源CEO 郭炜、前神码CIO 沈旸以及湖南国家应用数学中心副主任程戈，深入探讨了“为什么市面上头部AI产品依赖闭源大模型？”“开源是不是比闭源的成本更高”等话题，力图理清开闭源之争的这一争锋点——开源大模型，到底是全村的希望，还是智商税？

以下是访谈要点：

Meta的开源策略，其主要目的是抢夺信息入口，而非商业授权带来的收入。开源模型可能有后劲不足的问题。当前大模型的参数还不够大。如果以人脑的神经元作为参考，能实现AGI的大模型，其参数规模可能需要达到万亿甚至十万亿级别。开源的商业模式尚未成熟。对于To C的AI产品来说，模型性能的微弱差异都可能会影响到最终的用户体验。开源模型所要求的微调、部署等额外成本，只有能从垄断性的行业中收回时才合理，所以适合医疗、金融领域的B端客户。开源大模型的size一定是有体量限制的，考虑到企业部署和运行模型的成本，估计开源的“爆点”将在100B左右大小诞生。目前的开源模型还不是真开源，无法调动整个社区的力量。开源的核心在于改动能够被贡献回上游，从而一起打造更强大的工具。

经过整理的采访内容如下。

开源顶流“刚”得过GPT-4o ？

薛彦泽：最近Meta公司开源的Llama 3.1 405B的模型能不能刚得过GPT-4o？模型的实力究竟是怎样的，如此庞大的体量会不会在实际部署时遇到挑战？

沈旸: 我们看到这个参数的时候，就放弃部署了，知道肯定跑不起来。不过，我认为这个size的商业化潜力很大。如果是一个7B参数的小模型，企业很容易完成私有部署，模型厂商很难赚到钱。但对于405B这样size的模型，一般企业很难搞定，必须要借助云服务，这是一条重要的营收来源。

程戈：Llama和GPT，商业逻辑是不一样的。Meta的开源策略是出于对流量入口的争夺，就像移动互联网的时代，安卓通过开源以对抗苹果一样。

每当Meta开源新的模型，股价就会上扬，这说明资本对其商业策略是认可的。但Meta是否真的能达到其商业目的，我是会画个问号的，对B端用户来说，开源模型可能无法完全保证其数据安全；对C端流量来说，Meta是否能够通过吸引用户并将模型封装成优质产品，还有待观察。

值得注意的是，与移动互联网时代不同，大模型作为后台服务，API的切换相对容易，用户和服务商粘性不强。所以我担心我对Meta的开源策略可能后劲不足，我想他们主要目的还是抢占信息入口，而非商业授权带来的收入。

郭炜：我自己搞开源10多年了，据我观察，开源项目的成熟一般需要三到五年的时间。现在就断言大模型的开源项目能不能打败GPT-4o可能为时尚早。

首先，大模型的热潮虽然让Llama等开源模型广为人知，但它们的产品形态和未来方向实际上还未确定。其次，我不认为大模型本身是一个产品，我觉得它更像是数据库这样的基础组件。不同的模型可以类比为Oracle、Postgres或MySQL——它们本身并不直接解决业务问题，而是作为构建其他应用的基础。

薛彦泽：那我们再往上一层说，开闭源生态，目前各处于什么样的状态，哪个可能更占优一点？

郭炜：我说一个跟大家稍微不一样的观点，我认为大模型本身不那么重要，谁掌握数据才重要。模型跑分高不代表在实际的应用场景中能满足用户的需求。

为什么手机百度里的AI搜索助手使用频率那么高，能以80%到90%的准确率快速回答问题，就是因为有百度的数据加持，让你快速获得你需要的数据，豆包和元宝的优势也在于此。

程戈: 我想补充一下具身智能领域的信息，在这方面我觉得开源的市场会更好一些。具身智能如果要实现离线功能，必然需要在开源基础上进行开发，并对模型进行精简，使其体量足够小，能完成家政等特定场景中的任务就可以。

开源生态的话，已经在运动规划方面公开了权重，无需再付出预训练的成本，只要去做微调就可以了，能够很好的降低成本。

“模型先变小，才能继续变大”？

薛彦泽：现在AI领域有个论断说，“模型必须先变小，才能继续变大”，老师们怎么看这条规律？

郭炜：不能说这个规律不对哈。但是，大和小是模型的两个不同层次，是并行的，本质是取决于不同的应用场景。

我还是以数据库的发展举例，在早期，大家做数据库也是拼命做大。像IBM的DB2这样的大型数据库可能需要占据整个房间，而随着技术的进步，它们逐渐缩小到机柜甚至单个服务器的规模。同时，也出现

了针对特定场景优化的小型数据库，比如运行在手机或电脑中的数据库。

我觉得大模型的发展也会是双向的，而不是所谓的“先后”。解决通用问题还是需要大模型，具体到一个具体问题，例如智能眼镜的日常交互，一定是小模型更合适。

薛彦泽：更大模型的推出速度好像在放缓，比如GPT-5的延期。

郭炜：大模型的迭代速度慢。然而，LLM领域的“军备竞赛”尚未结束，后面肯定还有更大的模型。

薛彦泽：回到这个论断本身，是否暗示了现在的大模型训练遇到了数据、算力等方面的瓶颈，需要采取蒸馏等方法先得到小模型，才能继续发展？

沈旸: 我觉得模型当前的参数还不够大。如果以人脑的1000亿个神经元作为参考，现有的AI模型参数量与之相比还相差甚远。如果AGI能做到在各种任务上超越人类，参数规模可能需要达到万亿甚至十万亿级别。

在达到这样的规模之前，我们都在探索AI大模型的天花板。因为transformer架构是个概率模型，只有当我们触及到这个极限，等那时我们才会考虑通过蒸馏等方法来缩小模型规模，看是否能够在减少参数的同时保持或提升性能。

例如下一次发的4050B模型，跑分只比405B高一分，这个时候就应该考虑往小里做了。总的来说，这还是一个探索的阶段，未知空间还很大。

有关数据的问题，我个人感受是数据还远远没有耗尽。目前大模型学到的都是表面的知识，就像三体人学习人类一样。经过筛选的数据，使得模型都是中立的“伟光正”。就像今天的这场直播，我们会有观点的冲突，之后才有讨论、说服和决策，但目前的大模型还没有允许被“喂”不同立场或者是“人格”的语料。

程戈: 参数规模，主要是两个原因决定的。我们说的“智能涌现”，是说随着参数扩大，模型的性能线性提升，但到达某一点后，性能提升会非常快。然而，如果要再进一步，则需要更高质量的数据。而目前，带来的信息增益是最多的数据已经消耗的差不多了。

其次，多模态数据的引入虽然带来了参数规模的增长。然而，视觉数据跟自然语言数据相比，噪声太多。在这种情况下，单纯增加参数规模带来的成本收益比将逐渐降低，因此我们可能不会继续盲目增加参数规模。另外，端侧推理的需求也影响了模型规模，在本地能run的模型隐私性更好，这使得现阶段小模型的涌现和流行成为自然。

头部产品依赖闭源模型？

薛彦泽：现在AI的头部产品，几乎都是依赖闭源大模型的。开源模型是不是主要面向B端和学术侧？为什么会出现这种现象？

郭炜：闭源大模型已经有了自己的商业模式。而开源在这方面还未成熟，可能需要三到五年的时间，才能真正进入良性的生长周期。

以安卓为类比，它也是做了很多年才开始有收入的。

目前，闭源模型在To C领域用的更多，因为它们有流量，能够吸引投资人，获得大量的资金支持。而开源模型虽然在To B上有所应用，但不如前者广泛。在To B领域，场景适配的重要性远超过模型本身的性能。许多海外的SaaS服务，仍然在调用闭源模型的API。因为开源模型还需要自行部署、训练和优化，这对于企业来说是额外的投入。

沈旸:目前为什么闭源模型更受欢迎呢，我觉得可以从以下几种商业情景考虑：

首先，对于想做初期POC（概念验证）或企业内部应用来说，使用闭源模型的成本非常低廉。大模型云调用的方式省去了硬件成本，通过按需付费（如按token计费）方式即可。

其次，对于目标是做到头部AI应用的用户来说，为了追求效率和性能，也会倾向于采用闭源模型。

最后，就是我刚才提到的，开源模型一定是个“伟光正”的大模型，这使得AI在内容上有过滤，可能在商业效果上打折扣。

如果要说开源大模型的未来，我觉得关键在大型企业出于数据安全考虑，必须进行本地部署的情况。然而，在这种情况下，模型的size一定是有体量限制的，要能兼顾模型的运行和成本等问题，我估计范围在100B左右。

程戈: 我觉得这是模型不同的商业模式所决定的。在C端市场，即使是细微的性能差距也会在客户体验中被放大，导致使用开源模型的产品在商业竞争中处于劣势。

设想一个B端企业采用开源模型，其竞争对手使用闭源，模型之间可能只有5%到10%的效果差距。但对一般用户来说，他们并不关心这一点点差距，因此用户体验成为了竞争的关键。只有当开源模型的能力达到与闭源模型相似的水平时，中间厂商才会采用并提供给中小开发者使用。

为什么是现在大家看到开源在B端和学术界受欢迎？B端是因为许多行业的竞争能力来源于其私有数据，为了保护商业利益，哪怕性能逊色些，也不得不用开源。而学术界的研究和实验需要，与闭源模型的黑盒特性间不适配，不满足学术研究的透明度和可复现性。

使用开源模型，成本未必低于闭源？

薛彦泽: 接下来我们聊聊开源模型的成本，因为还需要投入人力做微调，在实际的生产环境中也许不如闭源更经济？

沈旸：开源之所以贵，就是大家想去做微调，只要你放弃了这个想法，它的使用成本是极其低的。

例如，如果你想将一个通用的开源大模型调整为特定于金融领域的模型，这非常难，更好的做法是等待金融领域的大企业把这个模型开源出来。尽量不要自己做微调，更为经济高效。

薛彦泽：但开源模型的价值不就在于大家可以自己做微调和训练吗？

郭炜：做个比喻，我就觉得开源模型比作一个中专生，它可能不如闭源模型那样已经达到大专生的水平，但开源模型的优势在于它的可塑性。你可以通过微调来教授它专业知识，或者通过规则来指导它，使其适应特定领域的应用。

然而，无论采用哪种方式，开源模型使用的时间成本一定是大于闭源模型的。如果你想在短期内做一个产品，使用闭源模型是必然的。说实话，目前的开源大模型是爱好者，前辈级大企业的玩具，普通企业很难入场去用。

薛彦泽: 如果程老师做一款AI产品，会选择开源还是闭源？

程戈：开源跟闭源的选择，它跟最终的产品形态是相关的，而不是简单的根据To B 还是To C来决定。

如果我面向的是行业用户，例如医疗领域，我会选择开源模型。因为在这种情况下，我积累的医疗数据是行业内的竞争优势，而其他医疗巨头把模型开源的概率非常小，因为这不符合他们的商业利益。因此，我会将开源模型与我的领域特定场景和数据结合起来。

但如果我的产品是基于一个创意idea，只是用大模型来为C端用户提供增值服务，那么我选闭源。开源模型虽然省去了预训练成本，但增加了微调、推理及维护的成本。这些额外成本只有能从行业垄断性或竞争力中收回时才合理。

开源模型，是全村希望还是智商税？

薛彦泽: 李彦宏近日提出“开源模型都是智商税”，包括月之暗面的杨植麟也说开源只是To B的拓客手段，怎么看？

郭炜：用刚才的比喻来说，现在的开闭源放在一起比，就是用安卓1.0对打iPhone 3GS，现在看着开源模型还比较弱，将来谁赢谁输尚未可知。

但我倒是不同意将开源模型粗暴地当做"智商税"。开源模型，尽管没有经过商业化打磨，但有可能像早期的安卓系统那样，拥有活跃的社区和多方参与，能够快速迭代和改进。

问题是，现在开源模型我觉得不是真开源。真正的开源是能够获得正反馈的，应该包括代码、数据和训练方法的全面开放，允许用户发现问题并做出贡献。现在开源模型不是这样的，缺少数据和训练方法的开放，无法获得实质性的反馈和改进。

我和阿帕奇基金会成员讨论过，了解到开源模型的标准正在制定。只有当这些标准确立后，我们才能深入讨论什么是开源模型。此外，尽管有些企业基于开源模型进行开发，但这些改动往往无法反馈到原始模型中，这限制了开源社区的健康发展。开源的核心在于改动能够被贡献回上游，从而一起打造更强大的工具。而现在的开源大模型还只是一个分发渠道。

沈旸：首先来说，李彦宏说“开源模型都是智商税”的时候，一定是有其特定背景的。当时提出这一观点时，国内还没有出现70B参数级别的开源大模型，当时开源模型的性能与闭源模型相比差距很大，几乎无法使用。因此，很多公司对开源模型进行一些简单的改造，然后提供给企业，这可能是他所批评的行为。

但以今天的情况看，这一观点已经不再成立。无论是国内70B参数的模型，还是如405B这样的模型，性能已经非常接近闭源模型，推理成本也相差无几。

至于未来谁更强大，我认为这与开源或闭源没有直接关系，而是看谁砸的钱更多。例如，如果Meta 能投入100亿美元，而百度只能投入10亿美元，那么投入更多的公司无论是开源还是闭源，其模型性能都会很强。

目前，无论是百度、阿里、Meta还是其他公司，都不是以AI或大模型作为主要营收来源。如果依赖这些作为主要营收，我觉得没有一家公司能活得下去。

程戈：李彦宏的观点有一定的道理，特别是在当时国内出现了所谓的千模大战，以及许多基于开源模型的小规模微调产品，这些产品在性能上很难超越闭源模型。

不过，周鸿祎说大模型不应该成为少数厂商的赚钱工具，我也同意这个看法。归根到底，这和他们各自的商业模式有关系。

现在，不同企业根据自身的优势进行差异化竞争。例如，百度利用其在搜索领域的数据积累，而其他公司比如字节则可能利用自己强大的内容生产生态。这些企业都在走差异化路线，借助自己在生态上的积累，让AI的价值最大化。

不过，市场上的通用大模型最终不会容下太多竞争者——就像手机操作系统一样，市场最终只会留下少数几家。这将是一个自然选择的过程，由市场决定哪些模型能够生存下来。