DeepSeek工程师：开源不是为了竞争，而是为了AGI更快到来

在人工智能的竞赛中，开源与闭源之争一直是业界热议的话题。近日，一位DeepSeek工程师在B站分享了他对开源模型的看法，给出了一个看似简单却发人深省的答案：开源是为了让AGI更快到来。

开源的核心逻辑：对手是时间，不是其他公司

这位工程师直言，DeepSeek^广告选择开源模型的原因非常简单——为了AGI更快到达。他提出了一个关键假设：如果通过技术创新构建技术壁垒，短期内确实能阻拦对手的追赶，获得短暂领先。但放宽时间视野来看，这样的技术壁垒在阻挡其他公司的同时，是否也可能阻挡了AGI的到来？

在他看来，人工智能的竞赛中，真正的对手不是国内的其他大模型公司，也不是海外的各个大模型公司，而是时间。无论是哪家模型公司的成果，大家都在努力一起快速推动AGI。这种视角将竞争从“零和博弈”转向了“共同加速”，开源则成为加速集体进程的手段。

AGI（通用人工智能） 指的是具备与人类相当或超越人类的通用认知能力的人工智能系统，能够在广泛的任务领域中理解、学习、推理和适应，而非仅限于某一特定任务。与之相对的是“窄AI”（Narrow AI），如专用语音识别或推荐系统。AGI目前仍是理论目标，尚无公认的实现路径与定义标准，业界对其时间表存在巨大分歧。正因AGI的达成需要算法、算力、数据与工程等多维度长期突破，单一机构难以独立完成全部创新，这也是开源策略被认为能加速其到来的底层逻辑。

技术壁垒的双刃剑效应

工程师进一步阐述，技术壁垒在保护自身优势的同时，也可能延缓整个领域的进步。如果每家公司都筑起高墙，知识的流动就会受阻，重复造轮子的情况增多，AGI的到来反而可能被推迟。

他反问：这样的技术壁垒有没有可能也阻挡了AGI的到来？这个问题直指开源策略的深层动机——不是放弃竞争力，而是选择一条更快的集体路径。开源代码和模型可以让更多研究者基于现有成果快速迭代，避免从零开始的低效。

从DeepSeek的实践来看，开源确实吸引了大量开发者和研究者参与生态建设，形成了技术反馈循环。这种模式在短期内可能削弱了独家优势，但长期来看加速了技术演进。

技术壁垒 通常指企业通过专利、专有数据、算法秘密或工程积累构建的竞争护城河，用以阻止竞争对手模仿或追赶。在AI大模型领域，壁垒可能体现为预训练权重不公开、训练配方保密、推理优化技术闭源等。壁垒的正面作用是保障研发投入的回报预期，激励企业持续投资；负面效应则是知识孤岛化，导致全行业重复实验、算力浪费。开源与闭源之争的本质，就是在“激励创新”与“加速扩散”之间寻找平衡点。

行业竞争格局的重新定义

传统观点认为，大模型公司之间的竞争是激烈的市场份额争夺。但这位工程师的观点挑战了这种认知：如果所有公司都朝着AGI的方向努力，那么每一家公司的突破都是整个行业的进步。

他将竞争对手定义为“时间”，意味着行业需要的是更高效的协作而非内耗。开源在这一框架下不是慈善行为，而是战略选择——通过共享基础技术，让更多聪明人投入到关键问题的解决中，从而缩短AGI的实现周期。

对开源生态的启示

DeepSeek工程师的分享虽然简短，但触及了开源运动的核心价值。在AI领域，开源模型降低了研究门槛，让学术机构和中小企业也能参与前沿探索。这种广泛参与带来的多样性，往往能催生意想不到的创新。

当然，开源也面临可持续性、商业回报等挑战。但这位工程师的视角提醒我们，在评估开源策略时，不能只看短期的竞争得失，更要看它对整个领域长期发展的影响。当对手是时间时，每一份共享的代码都可能成为加速AGI到来的力量。

开源模型生态 通常包含模型权重、推理代码、训练脚本及配套工具链的公开释放，并常以宽松或受限许可证（如Apache 2.0、MIT或自定义社区许可）授权使用。典型代表包括Meta的Llama系列、Mistral以及DeepSeek等。开源生态的可持续性依赖社区贡献、商业支持与算力赞助等多方协同，其挑战在于如何在不损害商业利益的前提下维持长期投入。广泛的下游微调与评测反馈又能反哺基础模型迭代，形成“发布—使用—反馈—改进”的闭环。