开源VS闭源：中美AI路线之争谁将胜出

近期，中国开源大模型集体爆发，从DeepSeek、Kimi K3到智谱GLM、MiniMax，一批国产模型以"开源+免费"的策略席卷全球，直接冲击OpenAI、Anthropic等美国闭源厂商的商业根基。另一边，英伟达CEO黄仁勋公开力挺开源，马斯克转发站队，微软CEO也投下赞成票。这场关于AI技术路线的辩论，正在成为中美科技竞争的新焦点。

本文基于台湾政论节目《头条开讲》相关讨论整理，梳理开源与闭源两条路线背后的商业逻辑与战略博弈。

开源与闭源：一场关于利益的路线之争

在深入讨论之前，有必要厘清开源与闭源这两条路线的基本概念。开源模型（Open Source Model）指将模型权重、架构甚至训练代码公开发布，允许任何人下载、修改和部署的AI模型。闭源模型（Closed Source Model）则仅通过API接口对外提供服务，用户无法获取底层权重和代码。两者的根本区别在于控制权归属：开源将控制权交给社区和用户，闭源则将控制权保留在开发公司手中。这一分野直接决定了商业模式——闭源厂商通过API调用按量收费，而开源厂商则通过生态服务、云计算资源销售等间接方式获利。

在这场辩论中，一个值得关注的现象是：连美国科技界内部都出现了明显分歧。OpenAI和Anthropic据报道正与美国监管机构闭门讨论，希望收紧对中国开源大模型的监管，理由是"模型能力接近甚至超越人类后，完全开源将加大被滥用的风险"。

然而，英伟达黄仁勋则给出了截然不同的观点。他在社交平台上强调："AI将重塑每个产业、驱动每一家公司，并由每个国家打造。开源模型强化了安全性与网络安全，加速了创新扩散，并实现了主权。"他的结论是——"世界需要前沿封闭模型和前沿开源模型，两者兼备。"

节目嘉宾一针见血地指出，这两派立场分别代表了不同的利益诉求。对OpenAI和Anthropic而言，最大的压力是变现与盈利，闭源意味着"你用我的工具就要付费"；而对英伟达来说，无论开源闭源都要买GPU、都要算力，因此黄仁勋当然"两边都赚"，最欢迎全世界人人都用AI。

Kimi K3引发的市场震荡

真正让美国AI界集体紧张的，是月之暗面推出的Kimi K3。据节目分析，Kimi K3拥有2.8万亿参数，成为全球最大的开源权重模型，且开发者可免费下载。

更关键的是，Kimi K3冲击的领域已不再是聊天机器人，而是Coding（代码编写）能力——这恰恰是Anthropic的核心优势。嘉宾指出，Kimi K3的代码能力已经可以对标Claude的顶级模型，这直接动摇了"写程序必须用美国闭源模型"的固有认知。

首次亮相后，Kimi K3的基准测试表现让月之暗面的每日销售额增加至少6倍，而其竞争对手的AI类股票则引发抛售潮。节目提到，费城半导体指数近期如同坐过山车般剧烈波动，Kimi K3正是背后重要推手之一。

关于外界质疑Kimi K3"蒸馏"别人模型的说法，嘉宾明确反驳。这里需要解释一下什么是知识蒸馏：知识蒸馏（Knowledge Distillation）是由Geoffrey Hinton等人在2015年提出的模型压缩技术，其基本原理是利用一个已经训练好的大模型（称为"教师模型"）来指导一个较小模型（称为"学生模型"）的训练。教师模型输出的概率分布包含了丰富的"暗知识"（dark knowledge），比如它不仅告诉学生正确答案是什么，还传递了各个错误答案之间的相对关系。学生模型通过模仿教师的输出分布而非仅仅学习标签，能够以更小的体量获得接近教师模型的性能。正因为蒸馏的逻辑是"大教小"，Kimi K3本身参数量高达2.8万亿，是全球几乎最大的模型，根本没有比它更大的模型能充当"教师"——这正是嘉宾反驳蒸馏质疑的核心论据。

这一技术突破源于其自主研发的隐藏式混合专家模型（Latent MOE）算法。混合专家模型（Mixture of Experts，MOE）是一种稀疏激活的神经网络架构，其核心思想是将模型分解为多个专门化的"专家"子网络，每次推理时仅激活其中一小部分专家来处理特定输入。这样做的好处是：模型总参数量可以非常大（如Kimi K3的2.8万亿），但每次推理实际参与计算的参数量远小于总量，从而在保持强大能力的同时控制计算成本。Kimi K3采用的"隐藏式混合专家模型"（Latent MOE）是MOE的进一步演进，它在专家路由机制中引入了潜在空间表示，使得专家的选择和组合更加灵活高效，被认为是该模型能够以较低推理成本实现顶尖性能的关键技术创新。

开源的战略价值：主权AI与生态绑定

中国大陆采取开源免费策略，绝非单纯让利。嘉宾分析，这一做法大幅降低了AI的进入门槛，让任何国家、任何企业——哪怕没有能力自研大模型或经费有限——都可以基于开源模型进行改写和部署。

这正契合了黄仁勋反复强调的**"主权AI"**概念：每个国家都可以拥有自己的大模型。主权AI（Sovereign AI）是近两年在国际科技政策领域迅速升温的理念，其核心主张是每个国家都应当拥有利用本国数据、本国语言和本国文化来构建AI基础设施的能力，而不应完全依赖外国公司提供的AI服务。这一理念的背景是，AI大模型正在成为类似电力和互联网的基础设施，如果一个国家的AI能力完全依赖海外闭源模型，不仅面临数据主权风险（敏感数据需上传至外国服务器），还可能在地缘政治冲突中被"断供"。开源模型恰好为主权AI提供了一条低成本实现路径——各国可以下载开源模型，在本地基础设施上部署和微调，从而实现AI能力的自主可控。

数据显示，DeepSeek下载量最多的国家是印度，原因很简单——开源意味着无需从头训练大模型。这也解释了为何中东、东南亚等地区对中国开源模型表现出强烈兴趣。

从企业成本角度看，两种模式的差异十分明显：

• 闭源模型：按输入输出Token收费，成本由供应商决定
• 开源模型：用户可自由选择算力来源（如阿里云、百度云），成本可控性远高于闭源

这里需要解释一下Token计费的具体含义。Token是大语言模型处理文本的基本单位，一个Token大约对应英文中的一个单词或中文中的一到两个字。闭源模型的API通常按输入Token和输出Token分别计费，例如GPT-4o的定价为每百万输入Token 2.5美元、每百万输出Token 10美元。这意味着企业每次调用模型都会产生费用，且随着使用量增长，成本会线性甚至超线性增加。相比之下，开源模型允许企业在自有服务器或第三方云平台上部署，将按次付费转化为固定的算力成本，对于高频调用场景来说，成本优势极为显著。

这也解释了为何全球使用量排名前列的大模型，几乎都是中国大陆的产品。

更深层的战略意义在于生态绑定：当企业采用DeepSeek、Kimi K3等开源模型后，某种程度上就被纳入中国的算力体系中。这也带动了国产芯片和HBM高带宽记忆体价格飞涨。

芯片生态：CUDA护城河正被填平

开源模型的崛起还引发了连锁反应。据节目分析，从DeepSeek V4开始，中国八家国产芯片公司都可以接入这些模型，不再依赖英伟达的CUDA生态。

CUDA（Compute Unified Device Architecture）是英伟达于2006年推出的并行计算平台和编程模型，它允许开发者利用GPU的大规模并行处理能力来加速通用计算任务。在过去十多年间，几乎所有主流深度学习框架（PyTorch、TensorFlow等）都深度绑定了CUDA，全球数百万AI开发者的代码都建立在CUDA之上，形成了极高的迁移成本和生态锁定效应——这就是所谓的"CUDA护城河"。

嘉宾指出，所谓CUDA护城河，本质是基于图像显卡的计算模式来做AI运算。而如今越来越多AI芯片公司开始直接做AI专用芯片（ASIC），跳过了图像处理环节。与此同时，开源编译框架（如Triton、MLIR）的成熟也在降低对CUDA的依赖，越来越多的AI工作负载可以绕过CUDA直接在非英伟达硬件上运行。CUDA的壁垒效果因此大幅削弱。中国大陆芯片业近期的飞涨，核心原因正是应用层面的大幅扩展。

另一边，记忆体芯片尤其是**HBM（高带宽记忆体）**价格飞速上涨。HBM是一种通过硅通孔（TSV）技术将多层DRAM芯片垂直堆叠的先进封装存储器，与传统GDDR内存相比，HBM的带宽可高出数倍至十倍以上（最新的HBM3E带宽超过1.2TB/s），且功耗更低、占用面积更小。对于大语言模型推理而言，带宽往往比算力更加关键——模型参数需要从内存中快速读取到计算单元，HBM的超高带宽直接决定了推理的速度和效率。目前全球HBM市场高度集中于SK海力士、三星和美光三家公司，其中SK海力士占据约50%的市场份额。

嘉宾用"算力中心相当于发电厂"作比喻：当全世界都在建设算力中心时，记忆体成为供不应求的稀缺资源。随着全球AI算力中心建设热潮的推进，HBM已成为最为紧缺的半导体产品之一，价格在2024-2025年间持续飙升。这也是为何据传苹果考虑采用中国记忆体芯片时，美光会强烈介意——因为这可能意味着失去一张关键大单。

开源与闭源谁将胜出

对于"开源还是闭源最终胜出"这一问题，节目嘉宾普遍倾向开源。理由在于：闭源模式高度烧钱，而美国财政压力巨大；同时，若中美各自封锁对方AI，等于"自断生路"，对创新和市场都是伤害。

嘉宾还提到，OpenAI近期出现的内部体系攻击问题，暴露了AI安全性的隐忧，而这类现象在中国开源模型中尚未出现。当然，这属于单一来源的观点，需要更多信息来验证。

你可能没注意到，这场路线之争的本质，是商业模式与技术生态的深层博弈。开源以低门槛、低成本快速扩散，抢占全球市场和开发者心智；闭源则依靠技术领先维持高溢价。短期内，两者或将长期并存，正如黄仁勋所言"两者兼备"；但从趋势看，开源正在以更快的速度改写全球AI格局。

对于关注AI产业的从业者而言，这不仅是技术路线的选择题，更是理解未来全球AI竞争走向的关键切入点。

核心要点