从“开放模型”到“开放生态”，AI 开源进入下半场

这几天，AI 开源圈发生了两件放在一起颇有意思的事。 一边是 Meta 再次把筹码押向开放权重。Reuters 8 月 10 日报道，Meta 推出了面向本地 Agent 工作负载的开放权重模型 Muse Glimmer，预告后续还将开放更大模型的权重，并强调 AI 能力应当被更广泛地获得和使用。 另一边，开放模型正在变得没那么“免费”。 7 月底，Moonshot AI 发布 Kimi K3 权重。模型可以下载、部署和修改，但其 License 同时写入了一条颇受关注的商业条款：如果一家企业及其关联方经营 MaaS（Model-as-a-Service）业务，且企业及其关联方合计总收入在任意连续 12 个月超过 2000 万美元，在将 Kimi K3 或其衍生作品用于商业用途前，需要与 Moonshot AI 另行达成协议。对于达到特定规模的商业产品，License 还设置了品牌露出要求。 几天后，事情又有了新的进展。据 Reuters 8 月 7 日报道，阿里巴巴也在探索 Qwen3.8-Max 面向大规模商业使用的新机制。虽然具体方案尚未正式公布，但从 Kimi 到 Qwen，一个变化正在变得清晰：当开放模型进入更大规模的生产环境，商业可持续性开始成为绕不开的问题。 表面看，这是几家公司在调整模型发布和商业策略。 往深一点看，AI 开源正在碰到一个过去很容易被绕过去、现在却越来越绕不过去的问题： 一个越来越昂贵的技术体系，究竟该怎样保持开放？ 开放模型的竞争，已经不只是谁更强： 过去两年，关于开放模型的讨论常常围绕一个非常直接的坐标轴展开：能力。 开放模型和闭源模型谁更强？差几个百分点？谁在 Benchmark 上追到了谁？ 这个问题当然没有消失。但随着开放权重模型的能力不断提高，它已经很难概括今天的全部竞争。 从 7 月发布的 Kimi K3，到 8 月初发布的 Qwen3.8-Max，模型规模和能力边界还在持续向前。但对大量开发者和企业来说，模型能力已经不再是唯一的选择标准。另一些问题正在变得同样重要： 模型能不能私有部署？数据要不要离开自己的环境？能不能针对业务继续微调？推理成本是多少？未来还能不能迁移？依赖一家 API 服务，还是拥有完整的技术控制权？ 这也是“开放”真正开始显出价值的地方。 一家公司选择开放模型，很多时候并不是因为它想参与一场关于开源精神的讨论，而是因为它需要控制成本、保护数据、定制模型，或者避免整个 AI 系统被绑定在单一供应商身上。 也就是说，开放模型正在从一种技术路线，逐渐变成一种基础设施选择。 但与此同时，一个经常被忽略的问题也开始浮出水面：开放模型本身同样是需要钱的。 传统软件时代形成了一套相对成熟的开源商业逻辑。 软件本身可以免费分发，企业通过技术支持、托管服务、商业版本、云服务或者生态产品获得收入。复制一份 MySQL 或 Linux 的边际成本很低，真正昂贵的是围绕它提供的服务。 大模型不完全一样。 模型从训练开始就是重资产；部署之后，每一次推理仍然持续消耗 GPU、存储、网络和电力。到了 Agent 阶段，一个用户请求甚至可能不再对应一次模型调用，而是一次规划加上多轮推理、多次工具调用和上下文读写。 “调用一次 AI 到底花多少钱”，已经不只是工程师优化接口时顺手看的指标。 今年 8 月，Linux Foundation 正式启动 Tokenomics Foundation，希望建立 AI 成本和价值衡量的开放标准。它提出的两个问题非常朴素：AI 到底花了多少钱？这些智能又创造了多少价值？ 此前 Linux Foundation 在 6 月宣布筹建该组织时就指出，随着生成式 AI 和 Agent 工作负载从试验走向生产，Token 正在成为一种新的技术支出单位。 这也是为什么 Kimi K3 的 License 值得关注。 2000 万美元这条线具体是否合理，可以讨论；未来这种模式会不会被更多厂商接受，也还没有答案。 但它至少把一个问题摆到了桌面上： 如果一家商业平台直接利用开放模型提供大规模 MaaS 服务，并从中获得可观收入，模型的原始开发者要不要分享其中一部分商业价值？ 严格来说，开源从来不等于免费使用。 这在软件行业并不是什么新知识，但到了 AI 时代，成本结构变了，商业边界也需要重新回答。因为现在要解决的已经不只是 License 怎么写，而是谁来承担训练成本、谁承担持续迭代成本、社区贡献如何获得回报，以及怎样避免开放最终变成少数几家公司单方面补贴整个产业。 模型可以开放，但开放本身也需要一套可持续的经济逻辑。 开放权重之后，开源的边界在哪里？ 这里还有一个常被混用的概念：开源模型和开放权重模型，并不是一回事。按照 Open Source Initiative（OSI）发布的 Open Source AI Definition，符合其定义的 Open Source AI，需要给予使用者使用、研究、修改和分享系统的自由，同时还要提供足以对系统进行修改的信息与材料。OSI 特别指出，仅仅公开最终训练好的权重，并不意味着整个 AI 系统已经开源，因为训练代码、数据来源和模型形成过程仍可能不可获得。 这不是一场纯粹的术语之争。 对于软件，一份源代码大体可以说明“这个程序是怎么来的”。 而一个模型背后还有训练数据、数据处理流程、训练代码、权重、评测体系，以及越来越长的一整条模型工程链。 究竟开放到哪一层，才足以让别人理解它、修改它、复现它？ 目前行业没有一个所有人都接受的答案。 这种讨论也已经从开发者社区进入更广泛的产业与治理议题。 在 2026 世界人工智能大会暨人工智能全球治理高级别会议上发布的主席声明中，“开源开放”被明确列为推动人工智能普惠发展的重要路径。声明同时强调，应以负责任的方式共建开源生态，在重视知识产权保护的前提下促进研究成果和技术经验分享；在整体治理框架中，数据安全、风险治理以及智能体的决策权限和行为边界也被纳入讨论。 这其实点出了今天 AI 开源面对的一组现实关系：开放得越深，如何定义边界、分配责任、建立可信的治理机制，就越不能被留到最后再讨论。 所以，今天再简单问一句“这个模型开没开源”，已经不太够用了。 更有效的问题是：它开放了什么？允许别人做什么？别人又能够在它的基础上继续创造什么？ 最后一个问题，可能才是接下来最重要的。 当模型越来越容易获得，稀缺的东西开始变化： 过去两年，大模型行业习惯把发布新模型当成一个高潮。 参数更大一点，Benchmark 再涨几分，上下文再长一些，很快就能成为当天最重要的 AI 新闻。 但对于开发者来说，模型发布其实只是起点。 真正把一个开放模型放进业务，很快就会遇到另一套问题： Agent 怎样调用外部系统？多 Agent 怎么分工，又怎么判断任务真的完成了？发生错误能不能追踪？高风险操作谁来审批？一个能力能不能被封装以后复用，而不是每次重新写 Prompt？到了机器人里，仿真环境里的结果能不能迁移到真实机器？到了科学研究里，一个漂亮的结果能不能被别人复现？ 这些问题不再主要考验“模型有多聪明”，它们考验的是模型之上的工程、工具、协议、数据和协作体系。 从这个角度看，AI 开源正