开放式人工智能正在迎来 Kubernetes 时刻。我们不要毁掉它

开放权重模型正在成为下一个人工智能生态系统的基础。美国应该参与其中，而不是自我封闭。我以前看过这个故事的一个版本。 2013 年，我与他人共同创立了 Mesosphere，一家开源云原生软件公司。我们基于 Apache Mesos 进行构建，这是我的联合创始人 Ben Hindman 在加州大学伯克利分校帮助创建的。后来我们围绕 Mesos 构建了 DC/OS（数据中心操作系统），将其作为开源发布，并通过具有支持和专有功能的企业发行版将其商业化。经过几年的大规模增长，Kubernetes 颠覆了我们。它更新、完全开源，并迅速激发了云原生社区的兴趣。许多世界上最优秀的分布式系统和基础设施工程师都将自己的职业生涯押在了它上面，甚至我们一些最忠诚的社区成员也改变了立场。一旦发生这种情况，创新就会转移到 Kubernetes。无论平台缺少什么，有人开始构建：网络、存储、可观察性、部署工具、策略引擎。大量初创公司诞生，传统供应商也加入其中。在生产环境中运行 Kubernetes 所需的几乎所有组件都可以开源。随后，包括 Mesosphere/D2iQ、Rancher、Red Hat 和 Nutanix 在内的云提供商和公司围绕集成、企业功能、支持和运营建立了业务。 Kubernetes 获胜并不仅仅因为它的存储库是公开的。它成为工程师、云提供商和企业供应商都可以扩展以满足客户需求的中立基础。通用接口和供应商中立的治理让每个人都相信他们可以在此基础上进行构建。我学到的教训并不是开源总是获胜。一旦人们可以定制的开放平台成为行业的重心，没有任何一家供应商可以与围绕它的创新的综合速度相匹配。我认为人工智能正在接近同样的点。开放权重将模型转变为平台首先是术语说明。我们随意称为“开源”的大多数模型更准确地描述为开放权重。您可以下载和修改训练后的参数，但训练数据和完整的训练过程通常不可用。这不符合开源倡议对开源人工智能的定义。区别很重要。然而，它并不能阻止围绕人们可以运行和修改的工件形成生态系统。 Kubernetes 的类比并不完美。 Kubernetes 贡献者可以检查和更改实际源，并且改进可以回流到共享的上游项目中。模型微调通常不会这样工作。前沿权重可能可以下载，但仍然需要昂贵的硬件，并且没有与 CNCF 同等的 AI 来提供中立的治理和通用接口。这些是真正的差异。共同的机制是，功能足够强大的便携式基板可以吸引互补的创新，远远超出其原始创造者单独构建的能力。使用开放权重模型的第一个原因是自托管。公司希望控制他们的数据。他们希望在自己的云或数据中心运行模型。随着使用和推理成本的增长，他们也越来越希望控制成本。这种需求催生了一个健康的开源服务堆栈：vLLM、SGLang、llama.cpp、Ollama、MLX 等。但自托管只是一个开始。开放权重将模型本身变成开发人员可以调整和重新分配的东西。 Hugging Face 目前拥有超过 200 万公众模特。围绕 Qwen 和 Gemma 等流行系列，开发人员生产： 针对不同硅架构和规模的量化和转换权重；针对编码、医学、法律、数学和代理工作流程进行微调和 LoRA 适配器；结合不同微调的模型合并；针对 TensorRT-LLM、vLLM、MLX 等运行时的调整。直到最近，人们很容易忽视边境地区的这种活动。开放模型很有用，但基础模型对于最困难的编码和代理任务来说还不够好。这一差距正在迅速缩小。 Z.ai 在 MIT 许可下发布了具有公共权重的 GLM-5.2。它自己的评估报告显示，SWE-bench Pro 的得分为 62.1%，而 GPT-5.5 的得分为 58.6%，尽管结果因基准测试和代理工具而异。 Moonshot 表示，Kimi K3 接近长视野编码的封闭边界，并承诺在 7 月 27 日发布其权重。Artificial Analysis 支持这一性能主张，在其独立评估中将其与 Opus 4.8 和 GPT-5.5 一起评分。一旦基础模型足够好，生态系统就可以复合。我期待围绕代理运行时、编码工具、沙箱、评估、可观察性和专门微调的新项目。它们一起可以成为一个生产级堆栈：一个在开源软件上运行的开放权重模型，可根据团队的工作负载、硬件和经济性进行定制。该堆栈会击败每个本上的每个封闭模型吗