AI是当下最热的话题，但凡谈到AI，就几乎就离不开开源。
中国开源模型无论数量还是质量，目前都走在全球前列。DeepseeK源于开源，自己也是开源的。腾讯、阿里、知谱、月之暗面等公司，都有各自的开源模型，并各具优势。Meta前首席科学家杨立昆，谈DeepSeek震撼硅谷时就说：这就是开源的力量。
前一阵子最热的Moltbot，可以接管你的电脑，打开你的文件，登录你的账户，像秘书一样给你干活。报道Moltbot的新闻，都会提到，最初Moltbot在GitHub星标数突破10万大关，它的增速，甚至超越了Linux内核等传奇项目。
这是Moltbot最初的崛起，那么什么是星标？其实星标很简单的，是开源社区GitHub上的“点赞、收藏”。重要的不是星标，而是开源机制。
我们热衷于谈论AI，但枝繁叶茂之下，树大根深的一部分，却被忽略了。
deepseek创始人梁文峰曾说，deepseek是1到100的创新，是“站在巨人的肩膀上发展”。他的意思是指DeepSeek源于开源研究和开源项目，也继续发扬了开源精神。不止 DeepSeek 在做开源，国内的 Qwen、GLM，国外的 Llama、Mistral 都是开源大模型的代表。
一、回顾AI发展，开源无处不在
2015年OpenAI成立后，曾表示考虑如果符合公众利益，将公布其模型的研究和数据。OpenAI最初的GPT-1、GPT-2都是开源的，但后来出于竞争压力和担心过多信息披露带来安全风险的理由，转向了闭源模式。
2017年，谷歌在论文Attention Is All You Need中首次提出了Transformer，这也是当下最流行的深度学习框架。后来，谷歌和伯克利推出了一个更高效的Transformer模型——Reformer。当然，模型也是开源的。
2020年，Gshard首次将MoE（混合专家模型，Mixture of Experts）技术引入Transformer架构中，并提供了高效的分布式并行计算架构。在GPT-3问世不到一年后，2022年，谷歌推出了开源MoE大模型Switch Transformer，这个模型有1.6万亿个参数。
2023年12月，Mistral AI开源了基于 MoE架构的模型Mixtral 8x7B，由70亿参数的小模型组合起来的MoE模型，其性超越包括 GPT-3.5在内的众多参数更多的模型，显示了MoE架构在大模型研究中的潜力。
Mixtral 8x7B受欢迎的一个重要原因是它坚持开放性原则。这个模型公开了权重数据，允许用户在比起其他公司封闭式AI模型更为宽松的条件下使用它。更进一步，Mistral AI选择了灵活性更强的Apache 2.0 许可证来管理 Mixtral 8x7B，彰显了它致力于打造一个合作共赢、便捷易用的AI生态系统。
在Mistral放出这个开源的7B×8E的MoE之前，英伟达和谷歌也放出过其他完全开源的MoE。Google MOE（Multi-Source Online Ensemble） 是一个由Google开发的开源库，旨在帮助开发者构建能够从多个数据源或模型中集成预测的系统。
2024年4月，Meta将最新的LlaMA 3模型完全开源。
谷歌在此前将其所有人工智能开发都保留为专有之后，2024年2月开始也更加接近开源。这家搜索引擎巨头表示，其新的人工智能“开放模型”系列将可供免费实验。
开源，可以说是整个生成式人工智能的主流。
Meta首席AI科学家杨立昆（Yann LeCun）在其发表在Threads上的一篇文章中指出，比起“中国AI超越了美国”的观点，DeepSeek-R1更重要的是证明了开源模型正在超越专用模型，这就是开放研究与开源的力量。
OpenAI引领的大资本+封闭开发竞争逻辑，正因为开源模型的能力快速提升与成本骤降面临震动。开源路线，已经在倒逼OpenAI。2025年1月31日，有人问奥特曼，OpenAI是否会考虑公开其AI模型中的部分技术，并发布更多其系统工作原理的研究。奥特曼回答称，OpenAI的员工正在讨论这种可能性。他说：“我个人认为，我们在开源方面一直站在了历史的错误一边，我们需要想出一个不同的开源策略。” 不过，他又补充说，OpenAI内部并非所有人都持这一观点。2月17日，OpenAI的CEO山姆•奥特曼在X上发文，询问大家希望下一个开源项目是哪一种。这意味着OpenAI对当前AI开源趋势的积极响应，在2019年之后，再次开源某个大模型。
未来很长一段时间内，开源和闭源会形成互相博弈和竞争的格局，
二、什么是开源？
开源的定义，意味着任何人都可以自由下载使用，并通过更改底层代码来调整具体的工作方式。但开源有很多讲究，那就是许可证。
市面上有许多开源许可证，大概有上百种。所谓许可证，简单地说，就是“你可以使用我的代码，但你由此产生的代码，必须遵守我提出的一系列规则”。
目前比较常用的有GPL、BSD、MIT、Mozilla、Apache和LGPL等。简单来说，开源协议可以分为三档：严格，以 GPL 2.0 许可证为代表，典型软件是 MySQL；适中，以Apache 2.0许可证为代表，目前使用最广泛；宽松，以 BSD、MIT，PostgreSQL 许可证为代表，典型软件是PostgreSQL。
比如GPL3.0 协议，规定了使用条件，如开放源代码、标注著作权信息和修改信息等，一旦用户违反了这些使用条件，将导致GPL3.0协议在授权人与用户之间自动解除。用户实施的复制、修改、发布等行为，就会转变为侵权。2021年4 月，罗盒公司状告风灵公司侵权获赔50万元，同时法院要求风灵公司停止侵权行为。一审判定两侵权被告公司赔偿原告公司经济损失及维权合理费用共计50万元，并停止侵权行为。
这是中国首个明确GPL3.0协议的法律效力的案例。GPL3.0协议可以看作民事法律行为，具有合同性质，可认定为授权人与用户间订立的著作权协议。根据《民法典》，“民事法律行为可以附条件……附解除条件的民事法律行为，自条件成就时失效”。
法国电信公司Orange因使用开源的Lasso库，但不遵守GPL V2协议开放源代码，又不向版权所有者购买商业许可证，因此被法院判处，支付罚款50万欧元和15万欧元精神赔偿。
2021年12月，意大利法院针对开源许可协议的首次裁决中，一家软件供应商因未遵守开源许可要求，而在一场民事诉讼中败诉。
这意味着，开源并不是彻底的自由和放弃版权，某种程度上，它是一种基于法律制度的精巧游戏。
三、开源之后怎么赚钱？
目前，比较成熟的开源软件商业模式有以下几种：
订阅服务：开源许可证，免除了厂商对软件质量与缺陷修复的责任，但对企业级应用而言，这些支持必不可少。解决办法就是，在开源之外，向厂商购买服务，从而获得生产级的服务支持。
高级功能：比如 Redis 。核心部分的组件是开源的，但工具类软件、进阶功能都是收费的。
云服务：比如Databricks。Spark是开源的，但收费版本提供Azure和AWS上的云服务。
此外，出于安全、数据保密等因素，企业、组织有自己部署的需求，再考虑到成本，就会选择开源大模型。但开源的大模型是基于公开、通用数据的，这就需要进行大模型微调需求，用特定领域的数据，比如行业知识、专业话术进行补充训练。这个时候公司就可以提供增值服务，或者把需求导入到自己的云计算上。简而言之，用开源作为媒介，获得客户。
从商业上看，开源的优势在于，在差不多产品力的情况下，开源会让某软件产品的市场占有率迅速膨胀。开源的领导者，就可能某种程度上垄断某一个领域的技术标准，在此基础上，通过专利、服务、形成实际上的垄断圈，赚取利润，并维持自己在行业内的领导地位。最高级的一种，就是成为规则制定者和生态重度绑定，获得整个技术的生态收益。比如，谷歌开源了安卓，但仍然可以获得整个安卓生态的收益，比如，手机上的默认搜索入口，应用商店等，从手机到电视到汽车到各种消费场景里的支付系统的操作系统，全行业渗透。
所以开源，可以视为一场张扬的阳谋。
四、开源为什么能促进创新？
开源对创新的促进，是从几乎相反的两个方向同时实现的。
首先，开源可以促进知识分享、技术协作，避免各自重复“造轮子”，进而提升创新效率。具体来说，个人或者团队在开始一个开源项目前，首先会去开源社区找，有没有符合或接近期望的开源项目存在。如果有的话，就可以选择加入进来而不是另开个新的。在这个开源项目中，有全球科研团队、大公司，个人高手加入，共同合作把这个开源项目提高到了一个很高的水平。开源为创新提供了诞生的土壤，也让全球的开发者可以共同参与进来，探索新的边界。
虽然这避免了重复造轮子。但在另一个方向上，开源能形成一个主流，裹挟旁人必须跟随的机制。开源一旦形成趋势，这一领域的技术路线也就定下了一个方向，所有人都只有朝着这个方向努力。
一个开源项目，也可能分出几个独立分支。你可以独立，一旦成功，利润会很大。但坏处是，如果不能吸引足够的开发者，会被孤立，无法吸取创新成果，逐渐落后。比如，某家手机公司可以在安卓11的基础上独立发展，但全世界都在安卓14上，开发应用。
这两个方向，就达成一种奇妙的效果：技术信息是公开的，优劣分化是时时刻刻的，但领先的优势是巨大的。这就是促使行业竞争与创新。
梁文峰也说过：任何AI公司（短期内）都没有碾压对手的技术优势，因为有OpenAI 指路，又都基于公开论文和代码，大厂和创业公司都会做出自己的大语言模型。在颠覆性的技术面前，闭源形成的护城河是短暂的。即使 OpenAI 闭源，也无法阻止被别人赶超。这反映了开源，作为一种生态，对创新的促进机制。
这可以说是人类演化出来的最精巧的竞争机制。这个机制出现在最富有信息浓度的IT行业，并不是一个偶然，而是规律的结果。需要强调的是，与此同时，层层堆叠的开源许可协议，也构成了一个权利和义务的约束体系。