黄仁勋力挺中国开源AI：优质模型就该被广泛使用

文章正文

近日，英伟达CEO黄仁勋（Jensen Huang）就美国是否应限制中国AI模型一事，给出了明确且罕见的公开表态。面对《华尔街日报》提出的尖锐问题——「美国公司是否应被允许使用中国AI模型」，黄仁勋的回答斩钉截铁：「绝对应该，绝对应该。」这一立场与美国政界持续升温的对华技术遏制情绪形成鲜明对比，也折射出这位芯片巨头掌门人对AI产业生态的深层判断。

开源模型：科学、安全与国家利益的共同基石

黄仁勋首先驳斥了「政府应封禁或限制Kimi等中国模型」的想法。在他看来，无论是整个科技行业、科学研究，还是网络安全领域，都离不开开源模型的存在。

他强调，开源模型之所以重要，恰恰在于其「透明即安全」——代码和权重完全公开，可供全球研究者自由审查。这对网络安全、国家安全乃至经济安全均至关重要。

开源模型的「透明即安全」原则根植于密码学中的柯克霍夫原则（Kerckhoffs's principle）。这一原则由19世纪荷兰密码学家奥古斯特·柯克霍夫于1883年提出，是现代密码学和信息安全领域的核心公理：即使密码系统的所有内部机制对敌方完全公开，只要密钥保密，系统就应保持安全。这一思想深刻影响了后来的开源软件运动——Linux内核、OpenSSL等关键基础设施正是因为代码完全公开，经过了数十年全球开发者社区的持续审计和修复，安全性反而远超许多闭源系统。将这一原则延伸至AI领域意味着：模型架构、训练代码及权重参数（weights）完全公开，使安全漏洞和恶意逻辑更难以隐藏。全球研究者社区可以对模型进行独立审计，任何潜在的有害机制都更容易被发现和揭露。值得注意的是，这一逻辑在AI安全研究社区已形成广泛共识——Meta发布Llama系列开源模型、EleutherAI持续推进开放基础模型研究，背后均有「可审计性即可信性」的安全理念支撑。这一观点颇具启发性：当许多人将「中国模型」与「安全隐患」直接挂钩时，黄仁勋反而认为，开放透明本身就是安全的最佳保障。

It's important for national security.

他同时提出了一个平衡的产业观：「世界需要开放模型，也需要闭源模型。我们应尽可能多地使用闭源模型，尽可能租用一切资源。然而，行业仍然需要开源模型。」换言之，开源与闭源并非零和博弈，而是共同支撑起完整AI技术栈的两根支柱。

破除「后门」迷思：开源模型可完全自主掌控

针对业界广泛存在的担忧——中国模型可能内置「后门」，以某种方式与中国政府保持连接——黄仁勋直言这是一种「误解」。

他的技术性反驳直击要害：「你下载这些模型，可以对它进行微调，可以增强它，可以按照自己的意愿为它加上护栏（guardrail）。」

You can enhance it.

理解这一论述的关键，在于区分两种截然不同的AI使用模式：通过云端API调用闭源模型（如调用OpenAI的GPT-4 API），意味着每次推理请求都需与原厂服务器通信，存在数据传输风险；而下载开源模型权重在本地或私有云部署，则完全在使用方的基础设施内运行，模型权重本身是静态的数学参数文件，不具备主动发起网络连接的能力。

**微调（fine-tuning）**技术在大语言模型时代已形成完整的工具链生态。LoRA（低秩适应，Low-Rank Adaptation）由微软研究院于2021年提出，其核心思想是：预训练模型在下游任务上的权重更新矩阵本质上是低秩的，因此可以将完整的参数更新分解为两个低维矩阵的乘积，仅训练这两个小矩阵而冻结原始权重。QLoRA则在LoRA基础上引入4-bit量化，进一步将显存占用压缩至原来的约1/3，使在单张消费级GPU上微调700亿参数量级的大模型成为可能。这些参数高效微调方法使企业仅需调整模型中极少比例的参数（通常不足1%），即可在消费级GPU上完成定制化训练，大幅降低了技术门槛和成本。**护栏（guardrail）**机制则发展出了多个主流框架，如NVIDIA自家的NeMo Guardrails、Meta推出的Llama Guard，以及开源社区广泛使用的Guardrails AI等。这些框架通过输入输出双向过滤、意图分类和内容审核，在不修改模型权重的情况下实现安全策略的灵活部署，使企业可以将合规要求与模型能力解耦，独立迭代更新。两者结合，使企业能够对开源模型实施完整的技术主权。所谓「通向中国的后门」，在技术逻辑上难以成立——因为运行环境完全由使用方自行控制。

DeepSeek与Kimi：市场两度误读的深层启示

黄仁勋特别指出，市场对中国开源模型的影响已出现两次明显误判。「市场第一次误解了DeepSeek的影响，」他说，「这次又误解了Kimi的影响。」

Yeah, it's misunderstood the impact

DeepSeek横空出世之初，曾一度引发英伟达股价单日暴跌约17%，市值蒸发近6000亿美元，创美国股市历史上最大单日市值损失之一。市场的恐慌逻辑是：如果更高效的模型可以用更少的算力达到相同效果，对英伟达GPU的需求将大幅下降。然而，黄仁勋援引的反向逻辑实际上对应经济学中的**「杰文斯悖论」（Jevons Paradox）**——19世纪经济学家威廉·斯坦利·杰文斯在其1865年著作《煤炭问题》中首次系统阐述了这一现象：他观察到，瓦特蒸汽机的热效率大幅提升后，英国的煤炭总消耗量不降反升，因为效率提升降低了蒸汽动力的单位成本，催生了大量原本无法负担的新兴应用场景，从而扩大了总需求规模。这一悖论在现代技术经济史中屡见不鲜：晶体管越来越省电，但全球总用电量持续攀升；互联网带宽成本骤降，但全球数据流量呈指数级增长；智能手机拍照成本趋近于零，全球每年拍摄照片数量反而突破万亿张。在AI领域，DeepSeek将同等能力模型的推理成本压缩至此前的数十分之一，直接推动了企业AI应用部署的爆发式增长——模型推理成本的降低会催生大量原本因成本过高而不存在的新应用场景，最终推动总算力需求的指数级增长。DeepSeek的高效率因此并非削减算力需求的利器，而是AI普及化的加速器。

而Kimi则代表了中国AI公司另一条差异化竞争路径——月之暗面（Moonshot AI）推出的这款AI助手以超长**上下文窗口（context window）**著称，一度支持高达200万token的输入长度（token通常对应约0.75个英文单词或0.5个中文字符）。上下文窗口是衡量大语言模型单次处理信息量的关键指标，早期GPT-3的上下文窗口仅为4096个token，而200万token的突破相当于可一次性处理约150万个英文单词或约100本中等篇幅小说。这一突破背后依赖多项关键技术创新：FlashAttention算法通过重新设计GPU内存访问模式，将标准注意力机制的显存占用从序列长度的平方级降低至线性级；**滑动窗口注意力（Sliding Window Attention）**机制允许模型仅关注局部上下文，同时通过分层聚合保留全局信息；**RoPE（旋转位置编码）**等专为长序列设计的位置编码方案，则解决了传统绝对位置编码在超长序列上泛化能力退化的问题。这些技术的协同作用，使AI首次具备了处理完整代码库、法律合同集、科研文献库的实际能力，在长文档理解和多轮对话领域具有显著优势。黄仁勋将Kimi与DeepSeek并列提及，表明他将中国头部开源模型视为系统性而非偶发性的产业现象。

他将这一逻辑清晰串联：「优秀的模型带来广泛的使用，广泛的使用带来巨大的增长。」无论模型来自哪里、是否开源，只要足够优秀，就会推动整个行业的技术扩散。这是DeepSeek已经验证的故事，在他看来，Kimi亦将重演这一轨迹。