AREX Viewpoint Article
从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？
导读
2026年7月底，英伟达被《纽约时报》披露组建联盟，与其他大型科技公司共同推进“开源”人工智能安全与网络安全工具。这一动作把“开放”从模型厂商之间的技术路线之争，推向涉及芯片、云服务和政策博弈的产业事件。但联盟所称的“开源”究竟打开了什么，公众讨论往往停留在标签层面。
这正是本期视频切入的缺口。视频指出，行业主流并不是传统开源，而是开放权重：只公开训练后的模型权重和推理代码，训练数据、训练流程与内部工具链仍是商业机密。Meta的Llama系列是典型，Llama 4甚至不再发布完整技术报告。若把英伟达联盟放到这一坐标系里，其立场就变得可解释：云厂商无论客户部署OpenAI、Llama、DeepSeek还是Kimi，只要运行在云上就能获益；芯片与基础设施企业则从每一次部署、微调和推理中获得新的算力需求。
中国厂商正在改变开放的含义。DeepSeek把技术报告与DeepEP、FlashMLA等训练推理基础设施开源，公开了传统厂商不愿透露的工程细节；Kimi K3也同步开放MoonEP、FlashKDA和AgentEnv，对应通信、计算和训练环境三个卡点。这种从“给结果”到“给工程能力”的升级，让美国产业界产生警觉，也直接构成英伟达联盟出现的竞争背景。
但开放权重不等于免费无限制。视频强调，许可证才是决定开发者能否修改、商用和再发布的红线。DeepSeek已全面切换到MIT许可证，阿里Qwen转向Apache 2.0，Meta的Llama Community License则限制最多，包括月活超7亿需额外授权等条款。联盟成员在谈论开放时，实际上也在重新划定各自的使用边界。
开放的商业逻辑同样需要被澄清。企业下载模型只是第一步，稳定部署需要算力、运维和定制服务，开放模型因此把收入从卖模型转向卖云服务、部署定制和后训练平台。Kimi的案例显示，权重开放后厂商仍可通过订阅、API和企业服务获得可观收入。对英伟达等基础设施企业而言，模型越开放，能服务的客户和场景反而越多。
最后，视频提醒，前沿模型开放正在制造治理真空。Kimi K3等已达前沿能力的模型被开放后，风险从实验室扩散到成千上万个分散部署环境；闭源模型接连被越狱，也削弱了“闭源更安全”的假设。在英伟达联盟推动开放的同时，谁来为开放后的风险负责，仍没有答案。
核心结论
- 行业所谓的“开源”大多是开放权重，训练数据和完整流程仍是核心商业机密：当前主流模型只公开训练后的权重和推理代码，训练数据、训练流程和内部工具链并未开放，真正的完全开源如Ai2的OLMo才是少数。这一区分是理解整个开放模型争论的前提。
- 中国厂商正在把开放从“给结果”升级为“给工程能力”，DeepSeek和Kimi是典型代表：DeepSeek和Kimi不仅公开详细技术报告，还开源了训练和推理基础设施组件，把传统厂商视为机密的工程经验变成行业公共工具，这直接触发了美国行业的警觉和联盟反应。
- 许可证才是开放权重的真正红线，中国厂商正从限制性协议转向MIT和Apache 2.0：开放权重不等于自由商用，许可证决定开发者能否修改、商用和再发布。DeepSeek和阿里Qwen主动切换到宽松许可证，而Meta的Llama Community License限制最多，这一差异直接影响企业的采用决策。
- 开放权重不是放弃商业化，而是把收入模式从卖模型转向卖云服务、部署定制和后训练平台：企业下载模型只是第一步，稳定部署需要算力、运维和定制服务。Kimi的案例证明，权重开放后厂商仍可通过订阅、API和企业服务获得可观收入，月之暗面ARR已达3亿美元。
- 黄仁勋联盟的本质是基础设施和云厂商的商业利益联盟，而前沿模型开放正在制造治理真空：联盟表面主张闭源与开放并行，背后是云厂商和芯片企业从每一次部署和推理中获益的逻辑。与此同时，Kimi K3等前沿模型的开放让安全风险从少数厂商扩散到无数分散部署环境，治理难度成倍增加。
观点拆解
1. “开源”名不副实：行业主流是开放权重，而非真正的开源
-
行业所称的“开源”大多只是开放权重，并非真正的Open Source：视频首先厘清了闭源、开放权重和完全开源三种类型，指出当前大部分被称为“开源”的模型实际上处于中间地带，只公开训练后的模型权重和推理代码，而训练数据、训练代码、中间存档和技术报告并未完全公开。这一区分直接回应了“开源到底开了什么”的核心疑问，是理解整个视频论证框架的基础。
“按照模型的开放程度，现在主要分为闭源、开放权重和完全开源这三大类型。”
“完全开源的模型叫做Open Source，是指从训练数据、训练代码和中间存档、技术报告都完全公开。”
“但现在我们所说的大部分开源模型，其实都不是真正的Open Source，而是处在开源和闭源中间地带的Open Weight开放权重，相当于只是送出了训练后模型的最终结果。”
-
开放权重只公开“结果”，训练数据和完整训练流程仍是核心商业机密：以Meta的Llama系列为例，视频说明最基础的开放权重只是把模型权重和能跑、能微调的推理代码公布出来，让用户可以下载和运行，但训练数据的具体配方、训练过程中的调整策略以及内部工具链始终没有开放。Llama 4甚至不再发布完整技术报告，开放程度反而变得更加保守，说明开放权重并不等于透明。
“最基础的“开放权重”就是把模型权重以及这个能跑、能微调的推理代码公布出来，让任何人都可以把模型下载下来，在自己的服务器上运行。”
“但是，训练数据的具体配方、训练过程当中不断调整的策略，以及支撑整个模型训练的内部工具链，这些更核心的部分，Meta始终没有开放。”
“大多数开放权重模型真正公开的，其实只有模型权重、推理代码，以及一部分技术报告和基础设施工具，而训练数据和完整训练流程仍然是各家最核心的商业机密。”
-
开放权重不等于免费无限制，许可证才是决定使用边界的关键：视频强调，开放权重并不意味着开发者可以随意修改、商用和再发布，真正决定这些权限的是模型附带的许可证。以DeepSeek和阿里Qwen为例，它们从最初的自定义协议逐步切换到MIT License和Apache 2.0许可证，大幅降低了商业使用门槛，这说明“开放”的程度不仅取决于技术公开范围，也取决于法律条款的约束。
“而且，开放权重也并不是毫无限制，真正决定开发者能不能将模型修改、商用以及再发布的，是模型附带的许可证，也就是License。”
“到了DeepSeek-V3和R1，已经全面切换到了MIT License，这意味着只要保留版权声明，开发者几乎可以自由下载、修改、商用，限制非常少。”
2. 中国模型厂商正在重新定义开放边界，DeepSeek和Kimi从“开放权重”走向“开放工程能力”
-
DeepSeek把“开放权重”升级为“开放工程能力”，公开了传统厂商不愿透露的研发细节：与Meta等厂商在Llama 4上只发布简短博客、不再公开完整技术报告的保守做法形成对比，DeepSeek不仅详细解释了MoE架构设计、MLA注意力机制和FP8训练稳定性等技术决策，还开源了DeepEP、FlashMLA等训练和推理基础设施组件，把过去属于内部工程团队的经验变成了行业公共工具。
“而DeepSeek之所以震撼整个行业，其中一个重要的原因就是，它不仅是把方法详细地讲了出来，还把内部的工程工具链也开源了，相当于是“Open Weights”的Plus版本。”
“但DeepSeek V3和DeepSeek-R1却把过去一些很少公开的研发细节几乎毫无保留地写了出来，比如它详细介绍了MoE模型是如何设计出来的，为什么要采用Multi-head Latent Attention来降低KV Cache的内存占用，FP8训练是如何稳定实现的，以及不同方案之间为什么最终选择了现在的设计、放弃了其他路线。”
“DeepSeek还陆续开源了DeepEP、FlashMLA等训练和推理基础设施组件，把很多过去只属于内部工程团队的工程经验，也变成了整个行业都可以使用的工具。”
-
Kimi K3延续DeepSeek路线，同步开放三大底层基础设施，对应通信、计算和训练环境三个卡点：Kimi K3不仅像DeepSeek一样公布了详细的技术报告，还开放了MoonEP、FlashKDA和AgentEnv三项自研底层基础设施，分别解决MoE模型中专家通信效率、注意力计算加速和智能体训练环境搭建问题。这表明中国模型厂商正在形成一种超越单纯开放权重的新开放范式，让外界得以窥见高效训练大模型的关键工程环节。
“Kimi K3也公布了非常详细的技术报告，介绍模型架构、训练方法和大量工程细节。与此同时，Kimi K3此次同步开放了三大自研底层基础设施，其中包括解决MoE模型里几百个“专家”之间通信效率的MoonEP，加快注意力计算的FlashKDA，以及给智能体训练搭建可运行环境的AgentEnv。”
“这三项分别对应训练大模型时会遇到的三个卡点：通信、计算、训练环境，让大家能更了解Kimi团队是怎么高效训练出这个模型的。”
3. 许可证才是决定开放权重的真正红线，中国厂商正从限制性协议转向MIT和Apache 2.0
-
开放权重不等于自由使用，许可证才是决定商用边界的真正红线：开放权重模型公开的主要是权重、推理代码和部分技术文档，训练数据与完整训练流程仍是商业机密。开发者能否修改、商用和再发布，最终由模型附带的许可证决定，而非“开放权重”这个标签本身。
“真正决定开发者能不能将模型修改、商用以及再发布的，是模型附带的许可证，也就是License。”
-
中国厂商正从自定义限制协议转向MIT和Apache 2.0，大幅降低商用门槛：DeepSeek从早期自定义协议全面切换到MIT License，阿里Qwen也从自定义协议转向Apache 2.0，并首次开放旗舰模型权重。这一趋势说明中国模型厂商正在主动放宽使用限制，以更接近国际主流开源标准。
“到了DeepSeek-V3和R1，已经全面切换到了MIT License，这意味着只要保留版权声明，开发者几乎可以自由下载、修改、商用，限制非常少。”
“阿里的Qwen也走了一条类似的路线，从最初采用阿里自定义协议，到后来切换为国际上广泛使用的Apache 2.0许可证，同样大幅降低了商业使用门槛。”
-
Meta的Llama许可证限制最多，但近期也在向Apache 2.0靠拢：Llama没有采用MIT或Apache等主流开源许可证，而是自建Llama Community License，包含月活超7亿需额外授权、部分版本限制欧盟使用、禁止用输出训练其他大模型等条款。不过Meta最新发布的Muse Glimmer已改用Apache 2.0，显示其也在重新走向更开放的路线。
“限制最多的则是Meta的Llama，它没有采用MIT、Apache这些主流开源许可证，而是自己制定了一个Llama Community License，中间的限制就非常多了。”
“例如月活用户超过7亿的产品需要额外申请授权，部分版本曾经限制在欧盟地区使用，同时协议还明确禁止开发者利用Llama输出去训练其他大型模型。”
4. 开放权重不等于放弃商业化，而是把收入模式从卖模型转向卖云服务、部署定制和后训练平台
-
开放权重不是放弃商业化，而是把收入从“卖模型”转向“卖服务”：企业下载模型只是第一步，真正把模型稳定部署到生产环境还需要算力、运维、持续更新和定制开发。因此，开放模型可以带动一整套围绕模型的服务收入，商业价值并未消失，而是转移到了部署和运营环节。
“实际上，开放权重并不等于放弃商业化。企业下载模型只是第一步，要想真正把模型稳定部署到生产环境，还需要算力、运维、持续更新，以及针对业务场景的定制开发等等。”
“因此，开放模型可以带动一整套围绕模型的服务收入。”
-
开放权重模型有三条清晰的变现路径：云服务、私有化部署与定制、收费后训练平台：视频梳理了三种主要收入来源：以千问为例，开放模型带动云计算和基础设施消费；金融、医疗等企业需要私有化部署和长期维护；企业还希望在开放模型基础上做微调和专用化，模型公司可以按训练算力或订阅收费。
“模型本身可以免费，但运行模型所需要的整套云服务都是收费的。”
“模型公司可以向这些客户出售私有化部署、行业微调、技术支持和长期维护服务。”
“模型公司可以提供微调、强化学习、评测、数据管理和版本管理等工具，并且按照训练算力、使用量或者企业订阅收费。”
-
Kimi的案例证明：权重开放后，模型厂商仍可通过订阅、API、企业服务和MaaS授权获得可观收入：以Kimi为例，模型权重开放后，月之暗面依然通过付费订阅、API调用和企业级AI服务获得收入。同时，MaaS厂商和云厂商在K3许可证下部署Kimi模型也需要向官方付费，月之暗面的年化经常性收入已达3亿美元。
“以Kimi为例，虽然模型权重已经开放，但它们依然提供付费订阅、API调用以及企业级的AI服务。”
“公开信息显示，月之暗面当前的年化经常性收入ARR已经达到了3亿美元。”
“所以开放权重并不意味着商业价值的消失，更多是一种商业模式的变化。”
5. 企业采用开放权重模型的核心驱动力是成本控制和所有权自主，而非单纯的技术偏好
-
成本压力是企业转向开放权重模型的第一驱动力：在编程智能体流行、token消耗激增的背景下，企业发现闭源模型的调用账单持续攀升。中国开放权重模型在能力追平最强闭源模型的同时，价格更低且可自行调整，因此成为企业控制成本的最优解。
“每家公司都发现，自己的token账单是水涨船高。在这样的背景下，开源模型显然成了最优解。毕竟中国开源模型能力已经能追平最强的闭源模型，又很便宜，还能自己调整，谁不爱呢。”
-
所有权自主是企业采用开放权重模型的深层动机：依赖闭源API意味着企业的部署能力完全受制于模型提供方的政策和商业关系。一旦外部条件变化，企业可能在一夜之间失去已部署的模型能力。因此，在能力相当的情况下，开放权重模型因可自主掌控而具有绝对优势。
“如果模型一切都是取决于对方是否开放，突然有一天，美国商务部说这不可以用了，那就一夜之间就都不可以用了。之前你做的部署，之前什么可能都没有了。”
“这就是为什么对于企业来说，在能力几乎相当的情况下，开源模型具有绝对的优势了。”
-
企业的主流策略是闭源与开放权重模型分层使用：企业并非完全抛弃闭源模型，而是根据任务难度进行分层：最困难的任务仍使用能力最强的闭源模型，日常任务则通过中国开放权重模型实现。这种混合策略在保证前沿能力的同时最大化成本效益和部署自主性。
“而现在一种主流的企业做法就是，最困难的任务还是使用几家能力最强的闭源模型，日常的任务就都通过中国这些开放权重模型来实现。”
6. 黄仁勋牵头的“开放安全AI联盟”本质上是基础设施和云厂商的商业利益联盟
-
联盟的公开主张是“闭源与开放并行”，监管应针对具体风险而非限制开放权重路线：“开放安全AI联盟”在政策层面提出的核心论点是：美国既需要最先进的闭源模型，也需要最先进的开放模型。视频指出，联盟认为开源模型对网络安全、AI创新和AI主权都至关重要，因此监管应当聚焦具体风险，而不是以安全担忧为由直接限制开放权重这一技术路线。这一主张为联盟成员推动开放模型提供了正当性框架。
““开放安全AI联盟”的核心观点是，美国既需要最先进的闭源模型，也需要最先进的开放模型。他们认为，开源模型对网络安全和AI创新、AI主权都至关重要。监管应该针对具体风险，而不是因为安全担忧就限制开放权重这种技术路线本身。”
-
云厂商支持开放权重，是因为无论客户部署谁的模型，只要运行在云上就能获益：联盟背后的商业逻辑首先体现在云厂商身上。视频指出，微软、亚马逊、谷歌等大型云厂商并不需要绑定某一家模型公司，只要客户把OpenAI、Llama、DeepSeek或Kimi等模型部署到云上，它们就能获得收入。因此，推动开放权重路线符合云厂商“模型中立、算力变现”的利益结构。
“但这个联盟背后也有着更深的商业考量。比如对于微软、亚马逊、谷歌这几个大型云厂商来说，不管客户最终部署的是OpenAI、Llama、DeepSeek还是Kimi，只要运行在云上，它就能从中获益。”
-
英伟达、AMD等基础设施企业从每一次部署、微调和推理中获得新的算力需求：对英伟达、AMD、Baseten等基础设施企业而言，开放权重意味着更多企业、开发者和国家会把模型部署到自己的服务器上，而每一次部署、微调和推理都会转化为新的算力需求。视频进一步指出，不少基础设施公司的业务增长本身就是伴随一代代开源模型而发展壮大的，这说明开放模型是算力需求扩张的重要驱动力。
“对于英伟达、AMD、Baseten这样的基础设施企业来说，开放权重意味着会有更多企业、开发者和国家把模型部署到自己的服务器，而每一次部署、微调和推理都会带来新的算力需求。不少基础设施公司的业务增长，甚至就是伴随着一代代开源模型而发展壮大。”
“模型越开放，它们能够服务的客户和场景反而越多。”
7. Anthropic的反对立场混合了安全担忧和商业防御，但其“蒸馏”指控直指中国模型快速追赶的争议核心
-
Anthropic的反对并非主张禁止开放权重，而是聚焦前沿模型开放后的安全风险：Anthropic在长文中明确表态从未主张禁止开放权重模型，其核心担忧在于：闭源时危险能力被少数公司控制，而一旦最强大模型的权重公开，任何人都能下载、部署和修改，恶意使用的门槛会大幅降低。这一区分说明Anthropic试图把争论从“要不要开放”转向“开放到什么程度才安全”。
“他们从来没有主张过禁止开放权重模型，但他们担心两件事：一是前沿开放模型带来的安全风险。”
“如果最强大的模型权重被公开，任何人都可以下载、部署、修改，那么恶意使用这些能力的门槛也会随之降低，这将让整个世界都处于危险之中。”
-
Anthropic的“蒸馏”指控直指中国开源模型快速追赶的争议核心：Anthropic将中国开源模型的快速发展归因于大规模蒸馏美国前沿闭源模型，并认为这大幅降低了追赶所需算力。这一指控把安全讨论延伸到地缘政治和技术竞争层面，也解释了为什么Anthropic认为美国政府应该优先监管“蒸馏”而非开源本身。
“它认为中国的开源模型之所以发展得这么快，就是大规模地蒸馏了美国最前沿的这些闭源模型，进而也会大幅降低追赶最前沿模型所需要的算力。”
“与其纠结要不要管开源，美国政府更应该先管管“蒸馏”。”
-
Anthropic坚持闭源被广泛视为商业防御，开放权重会冲击闭源API的竞争壁垒：很多人认为Anthropic坚持不开源更多出于商业利益考量：高性能开放模型的出现会让企业拥有更多本地部署和自主定制选择，降低对闭源API的依赖，同时模型能力更容易被快速追赶和复制，从而动摇闭源模型的竞争壁垒。这说明安全叙事背后存在难以回避的商业动机。
“但也有很多人认为，Anthropic坚持不开源，更多还是出自商业利益的考量。”
“一旦越来越多高性能的开放模型出现，企业就有了更多本地部署和自主定制的选择，对闭源API的依赖也会降低，而模型能力本身也更容易被快速追赶和复制，让闭源模型赖以建立的竞争壁垒受到挑战。”
8. 前沿开放权重模型正在制造一个治理真空：能力越强，分散部署后的安全风险越难控制
-
前沿能力模型一旦开放权重，风险就不再停留在实验室，而是随部署扩散到整个生态：Kimi K3等已达到最前沿能力的模型被开放后，引发了业界对风险扩散的直接担忧。与闭源模型集中在官方服务器不同，开放权重模型可能被部署到成千上万家企业、本地服务器甚至个人设备上，这意味着安全风险的控制点从少数厂商转移到了无数分散的部署环境中。
“比如本次Kimi K3开源之后，网上就出现了不少声音，认为把这样已经达到最前沿能力的模型开放出来，本身就是一种风险。”
“而如果未来越来越多能力接近Fable 5这一水平的开放权重模型，被部署到成千上万家企业、本地服务器甚至个人设备上，情况就会变得更加复杂。”
-
闭源模型接连被越狱，说明官方集中管控也并非绝对安全，开放权重让治理难度进一步放大：OpenAI和Anthropic的闭源模型近期接连曝出越狱攻击事件，表明即使模型部署在官方服务器上、拥有持续监控和安全更新能力，也无法完全杜绝安全漏洞。这一事实削弱了"闭源更安全"的假设，同时也意味着当同等能力水平的模型以开放权重形式分散部署时，安全更新和风险控制的难度会成倍增加。
“最近OpenAI和Anthropic的模型接连曝出越狱攻击事件，让这种担忧进一步升温。因为即使是部署在官方服务器、拥有持续监控和安全更新能力的闭源模型，目前看来也并非绝对安全。”
“模型治理、安全更新和风险控制，必然将面临更大的挑战。”
-
开放权重是一把双刃剑：它加速了AI普及，也同步放大了治理真空：开放权重模型在降低技术门槛、加快创新速度、让更多企业和开发者参与AI生态的同时，也带来了更多安全挑战。这种张力意味着行业不能只享受开放带来的效率红利，而必须正视分散部署所导致的治理真空问题。
“开放权重模型都已经成为了推动这一波AI发展的重要力量，它降低了技术门槛，加快了创新速度，也让越来越多的企业和开发者可以参与到AI生态当中。但与此同时，它们也带来了更多的问题和安全挑战。”
总结
“开源”这个词在AI行业已经被重新定义，它不再是理想主义的代码共享，而是一场围绕算力、数据和商业控制权的精密博弈。中国厂商通过开放工程能力和宽松许可证正在改写竞争规则，美国基础设施巨头则从每一次开放中获利。真正值得警惕的不是开放本身，而是当模型能力逼近前沿时，分散部署所创造的治理真空——这个行业还没有准备好回答，谁来为开放后的风险负责。
信息源
视频来源
- 从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？：
外部资料
- Nvidia Forms Alliance to Back Open-Source A.I. Amid ...：
- Open Weights: not quite what you've been told - Open Source Initiative：
- DeepSeek-R1 Release：
- Moonshot AI's Kimi K3 tops open-source models：
- Meta's LLaMa license is still not Open Source：