央视财经田丰专访：开源“围剿”闭源，中国大模型改写全球AI定价权

作者：快思慢想研究院院长 田丰，央广网 李硕

一、270亿参数装进了一张显卡

8月14日晚，阿里千问团队发布的Qwen3.8-27B大模型，权重开源上网。270亿参数，4bit量化后显存占用约15至17GB，一张24GB的消费级显卡就能完整跑通，高端手机上也能流畅运行。

倒回一天。8月13日，此前已发布预览版的DeepSeek V4 Pro正式版上线，APP、网页端与API同步更新，权重同步开源；同一天，阿里开放Qwen3.8-2.4T-A95B权重，这是它第一次把Max级旗舰交到所有开发者手中。再往前几天，Meta发布开源模型Muse Glimmer，并承诺未来几周内放出旗舰Muse Spark 1.2的权重。过去数周，Kimi K3、智谱GLM-5.2、MiniMax H3轮番登场。

三家头部厂商在同一个时间窗口押注开源，是产业规律在起作用。全球多模型聚合平台OpenRouter发布的2026年7月大模型调用量排行榜上，前五名由中国企业包揽；全球最大的AI开源社区里，中国开源模型累计下载量居首。全球各行各业的人正基于中国的大模型做二次开发，反哺并激发出一批新技术与新应用。

一条曾经属于行业边缘的赛道，被中国厂商推到了中心，并倒逼整个行业重新定价。快思慢想研究院院长田丰，把这场变局层层拆开。

二、开放的是权重，保密的是数据

今天所说的一部分大模型“开源”，其实指的是开放权重——把训练完成的参数公开发布。它以Safetensors、GGUF这类有公开规范的格式存放，任何人都能加载、微调、量化、蒸馏、剪枝。这与传统开源"公开源代码、任何人可依据它重新构建出同一件产物"的含义，只有部分重叠。用田丰的话说，开源的最小交付单元变了——从人可逐行阅读的逻辑，变成了一组数值化的权重能力表示。

差别首先落在复现上。拿到源代码，重新编译就能得到同一个软件；拿到权重，却无法据此重新训练出这份权重——训练数据、数据配比、训练代码与超参数通常不在交付物里，训练过程本身还带着硬件差异与随机性引入的不确定性。链条一旦缺口，"可复现构建"便无从谈起。OSI在2024年10月发布的开源AI定义，正是把数据信息、训练代码与模型参数三者一并列为要件；按这把尺子，当下绝大多数挂着"开源"招牌的模型都不达标。

审计的方式也随之换了一种。源代码可以逐行读，权重是数以千亿计的浮点数，能读出格式，读不出意图。这不等于权重不可研究——恰恰相反，权重公开把审计的权利交了出去：第三方可以红队测试、可以做探针分析与机制可解释性研究、可以独立复测基准、可以自行发现漏洞，这些动作在闭源API的服务条款下大多被禁止，也正是开放权重相对闭源最实在的价值。美国商务部NTIA的报告认可的正是这一点。

做不到的是另一件事：给出"此处没有价值偏置、没有后门"的完备性证明，以及回溯数据来源。DeepSeek V4 Pro用MIT，Muse Glimmer用Apache 2.0，法律上已是最宽松的一档；而核心技术落在训练那一侧——训练数据的构成与配比、完整的训练流水线不公开，模型行为可测，成因不可追溯。

这一轮大模型旗舰级开源，没有任何一家触及数据层。技术上这条线并非不可逾越——艾伦人工智能研究院的OLMo系列把训练数据、数据处理与训练代码一并公开，证明完整开源的模型做得出来；只是在旗舰竞赛这一档，没有人选择这么做。小米MiMo-V2.5系列2026年4月以MIT协议全系开源，允许自由商用与二次训练，无需额外授权，首日即完成平头哥、昆仑芯、燧原、沐曦、天数智芯适配，是国产阵营中法律条件最宽松、工程配套最完整的一次开源——训练数据与训练代码同样未公开。阿里与Qwen3.8-Max同期放出的27B小尺寸面向单卡本地部署，属于真正能被个人开发者完整持有的那一档，数据与训练代码同样不在交付物内。这条边界既不随许可证宽松度移动，也不随参数量下降而移动。所以行业内部更准确的用词是open-weight，与open-source不能混用。

有意思的是，三家对"开源的最小完整单元"的定义各不相同，这更能说明战略意图。

1. DeepSeek把模型与调用它的Agent框架一起放出，交付的是"一套可运行的工作方式"，指向标准的定义权；

2. 阿里把旗舰与27B一起放出，交付的是"一个可按算力选择的尺寸族"，指向生态覆盖率；

3. 月之暗面把权重直接以MXFP4低精度格式发布，交付的是"可直接落地的数值格式"，指向部署成本。

三种打法对应三种商业目标，而不分开放程度的高低。

法律开放度也没有跟着技术开放度同步。DeepSeek的MIT是软件工业里最宽松的一档：无用户规模上限、无用途限制、无命名强制；阿里与月之暗面则在权重全开的同时嵌入了商业阈值条款。同样挂着"旗舰开源"的招牌，法律风险相差一个量级。差异全部发生在法律层与工程层——当下这场全球开源竞赛，竞的是许可证宽松度与工程完备度，数据透明度无人问津。

三、当许可证开始盯着你的收入

传统开源协议约束的是代码的衍生与分发——GPL的传染性、Apache的专利授予。模型许可证盯上的对象，已经换成了下游企业的商业规模。

Llama社区协议设7亿月活阈值；Qwen3.8-Max要求月活超1亿或月收入超2000万美元者须显著标注模型名，MaaS转售方12个月累计收入超5000万美元须另获授权；Kimi K3的对应阈值是2000万美元。

把收入分成条件写进"开源"协议，软件工业史上没有先例。田丰的判断是：模型许可证已经从著作权法领域，迁入商业合同与产品责任领域。

1991年诺贝尔经济学奖得主科斯在《企业的性质》中揭示过一条规律：决定组织边界的是交易成本。当权重免费流通、复制的交易成本趋近于零，厂商便把边界重新画在了合同条款上。

于是衡量一个模型的开放度，尺子应当从"许可证宽松度"换成"独立复现成本"。前者今天接近满分，后者仍是天文数字。这是开源叙事中最大的一处认知落差。

四、万亿参数开源定标准，百亿参数开源释放生产力

"开源即免费"是流传最广的误读。田丰把账算得很细：开源是权重免费，算力、部署工程、持续迭代与合规责任全部不免费。开源真正改变的是价格锚，不是成本结构。

参数规模决定了开源的实际可得性，这是被忽略的分水岭。DeepSeek V4 Pro为1.7T参数，Kimi K3为2.8T(激活104B)，Qwen3.8-Max为2.4T(激活95B)。这一档模型的权重虽然免费，自建推理集群的门槛却远高于直接调用API——对绝大多数企业而言，它是一个标准的公开，而不是产能的释放。真正把边际成本压到接近零的是另一档：Qwen3.8-27B这样的稠密小尺寸，一张消费级显卡即可完整运行；小米MiMo-V2.5以MIT开源并首日完成五家国产芯片适配，走的是同一条路线。万亿参数的开源是标准输出，百亿参数的开源才是生产力释放，两者产业价值截然不同。

那么开源到底压低了什么?a16z的LLMflation测算与Epoch AI的独立研究，给出的是同一个结论的两面：达到某一固定能力水平的价格，每年下降约一个数量级(Epoch测得区间为9倍至900倍，因基准而异)；而前沿模型本身的价格，三年基本没降。OpenAI o1每百万输出token 60美元，与2021年GPT-3的发布价持平；2026年8月的价格表上，Claude Opus 5仍为5/25美元，GPT-5.5为5/30美元。

开源加速的是"固定能力成本曲线"的下滑，它快速压低了复刻同类能力的研发门槛。一项能力一旦被开源复现，其独立定价权在12至18个月内归零，一年多之后就很难再单独溢价。这实质上给所有闭源厂商装了一条强制跑步机：必须持续向前迭代，停下就意味着被折旧。熊彼特把这种机制称作“创造性破坏”，而开源做的事情，是把破坏的周期从以十年计，压缩到以季度计。

五、开源成了挑战者的分发渠道

一个反例足以推翻旧印象：Kimi K3的API定价为每百万token输入3美元、输出15美元，与GPT-5.4同档，同时全量开放权重。这说明开源正在从"低价竞争工具"转变为"能力可信度的证明工具"。权重公开意味着基准无法作弊、第三方可以完整复现，商业上最昂贵的“信任获取成本”被降到接近零。

1972年诺贝尔经济学奖得主阿罗提出过著名的信息悖论：信息的价值，买方在购买之前无法判断，一旦判断清楚就不必再买。大模型是这条悖论最新的样本——买方无法在付费前验证一个黑箱的真实能力。开源权重恰恰绕开了它：把东西整个交出去，让所有人自己验。梁文锋在2024年的访谈中说过一句被反复引用又常被误读的话："在颠覆性技术面前，闭源形成的护城河是短暂的。"他强调的是护城河的位置——从模型本身，转移到了团队与迭代速度。开源同时也是一个合作平台，全球伙伴由此共建AI生态。

为什么全球同时转向开源?田丰给出的因果关系是：各家模型能力的边际差距在收敛，真正稀缺的已经是落地、推广、触达用户的渠道。对后入场的企业来说，开源是成本最低、最直接拿到市场分发权限的快速通道。

开源是竞争位次的函数。Meta在2026年5月还因安全审查判定旗舰不适合开源，8月10日即以Apache 2.0发布Muse Glimmer并承诺开放旗舰权重；OpenAI在2025年8月推出gpt-oss，此前Sam Altman公开承认，自己在开源问题上"站在了历史错误的一边"。规律是：在闭源赛道排名靠后的厂商，都会转向开源。计算范式史上，这一幕至少重演过三次——Netscape 1998年开源，Sun 2006年开源Java，Google以Android对抗iOS。开源始终是挑战者的分发武器。

英伟达CEO黄仁勋近期的表述为这场转身提供了另一个注脚：人工智能将变革各行各业，赋能每一家企业，并由各国共同构建；世界需要前沿的闭源模型，也需要前沿的开源模型。

六、约束逼出来的路径：领先的是次数，还不是营收

中国的领先来自三重约束的交集，而这些约束都不是主动选择。

其一，先进算力受限，使超大规模稠密模型的军备竞赛难以为继，只能以架构效率替代算力堆叠。Qwen3.8-Max总参数2.4T仅激活95B，激活率约4%；Kimi K3的2.8T激活104B，约3.7%；GLM-5.2为753B。极度稀疏化是被算力逼出来的路径，而稀疏模型天然适合开源——它的部署成本对第三方可控。

其二，国内API价格战使闭源变现路径极薄，开源换生态是期望值更优的选择。其三，海外市场的AI服务准入受限，而权重不是服务。权重落地在客户自己的机房，不触发数据跨境与服务商审查，这是绕过服务出口壁垒的通道。

三条约束叠加，指向同一个解“开源”。约束条件塑造技术路线，这是产业史上反复出现的一幕：被围堵的一方，往往在被迫的方向上跑出了“新范式”。

成绩单是硬的。Hugging Face官方《State of Open Source on Hugging Face： Spring 2026》显示，中国模型占2025年平台下载量的41%，首次超过美国；Qwen的直接衍生模型超过11.3万个，含全部标记变体超过20万个，多于Google与Meta之和。OpenRouter 2026年7月下旬的周度调用量前五名全部为中国模型——小米MiMo-V2.5、DeepSeek V4 Flash与V4 Pro、腾讯Hy3、GLM-5.2。

同数据也显示了缺口：Anthropic的路由份额从29.1%降至13.3%，其行业收入占比却依然位居前列，2026年第二季度调整后营收高达115亿美元，是去年同期的14倍。中国目前领先的是"被使用的次数"，尚未领先"被支付的金额"。两者之间隔着一整套企业级交付、合规与服务体系。这才是未来三年真正的竞争面。

七、同一条曲线的两段：闭源守前沿，开源接产能

两条路线会按"能力折旧周期"分层共存：闭源占据能力前沿的0至18个月窗口，开源承接折旧之后的规模化产能。

分工边界由错误成本决定，与参数量无关。判据可以量化成一个比值：单次错误的代价÷单次调用的价格。药物设计、金融风控、长程自主agent这类场景，错误代价极高而调用频次相对低，客户购买的实质是责任承担与SLA——Claude Opus 5每百万输出25美元的溢价，买的是可追责性，这部分不会被开源侵蚀。高频、低错误代价、强隐私约束的场景，则会全面开源化。凡是把"开源替代闭源"理解成价格战的判断，都误读了买方的支付对象。

合规正在持续扩大开源的适用面，这与价格无关。欧盟AI Act对通用模型的供应商规则已于2025年8月2日开始适用，2026年8月2日与2027年8月2日分阶段落地；训练算力超过10^25 FLOP的模型被推定具有系统性风险，且此类模型无论以何种方式发布，均不享受开源豁免。这套规则落到银行、医院、保险、政务这些受监管机构头上，变成三条必须答得出的问题：客户数据去了哪里，出了事能不能追查，用过的模型版本能不能固定下来复盘。

调用闭源API，三条都不好答——数据要先传到供应商的服务器，模型版本可能被悄悄更新、上个月的结果今天复现不出来，真出了事故，手里只有一份日志。权重开源换了个局面：模型装进自己机房，数据不出门；版本可以冻结存档，几年后监管回头查，还能跑出同一个结果；模型在自己手上，第三方随时能进来做安全测试。

于是这些行业机构从“调用闭源API”转向“本地部署+权重开源”，与合规有关，与价格无关。闭源模型能力再强，只要不能落到自己的机房里，这道门槛就过不去。合规是准入项的判断。

2026年最重要的形态变化，是开源与闭源在同一家大模型公司内部共存。DeepSeek在同一天开放V4 Pro权重(MIT)，并把API改为分时计价、峰值上调；阿里在开源Max级权重的同时，保持API每百万token 2/6美元的定价。权重承担标准输出与获客职能，服务承担收入职能。软件史上的对应物是Red Hat模式——代码免费，可靠性与责任性服务收费。但有一处本质差别：模型的"可靠性"包含持续的再训练能力，而这是开源社区无法自持的，这条双轨制的稳定性因此远高于当年的开源软件。

产业链的重塑也由此展开：模型层被压成标准品，价值同时向上游(芯片与推理基础设施)和下游(场景交付)两端迁移。当权重免费，竞争的计量单位从"模型能力"变成"每美元、每瓦特产生的有效token"，这直接抬高了芯片与推理系统的议价权。一个被低估的信号是，MiniMax H3开源当天即有16家芯片厂商完成Day-0适配。权重公开意味着算子可以被针对性重写与深度优化，这是闭源模型在任何合作条件下都给不了的东西。开源模型是国产算力与软件生态打通的最低成本入口，中国"开源模型+国产芯片"的绑定，战略价值高于模型本身的排名。

八、出海的壁垒不在能力，在协议的可预期性

海外企业法务对含月活阈值、收入阈值的自定义协议的接受度，显著低于Apache 2.0与MIT。反面教材是Llama：因7亿月活门槛与强制品牌标注条款，被OSI明确判定"不是开源"，其在聚合平台上的路由流量已不足1%。正面样本是DeepSeek坚持MIT、GLM-5.2采用MIT且无地域限制。中国厂商在协议宽松度上整体领先，保持这一优势的成本几乎为零；一旦效仿Meta加设商业阈值，失去的将是整个海外开发者的默认选择权。田丰认为，这是最应当被产业界形成共识的一条最佳实践。

双向反哺的关键指标是"衍生模型回流"，不是下载量。Qwen的11.3万个直接衍生模型是真实资产——每一次社区微调，都是对基座缺陷的一次免费标注。埃里克·雷蒙德在《大教堂与集市》中总结过一条Linus定律：眼睛足够多，缺陷自然浮现。开源模型正在复现这条老规律。当前缺失的是把海外衍生模型的评测结果、失败案例、领域数据结构化回流至基座训练的机制。下一步的升级方向，是把开源从"发布权重"扩展为"权重+评测集+贡献接收通道"，也就是建立开放中立的治理层。中国目前没有一个类似Linux基金会或PyTorch基金会的中立模型开源治理组织，这是与美国开源生态相比最实质、也最容易被忽视的差距。1978年诺贝尔经济学奖得主西蒙提醒过：信息的丰裕带来的是注意力的稀缺。当十几万个衍生模型在全球生长，谁能把散落的反馈组织起来，谁就握住了下一轮基座迭代的燃料——中国国产开源AI基金会，呼之欲出，DeepSeek最有可能做成这件事。

国内"伪开源"也随之出现——许可协议限制多，名义开源实际不能商用。田丰给出的验收标准是四条硬指标：许可证类型、商业阈值条款、可修改范围、可持续供应，缺一不可。

第一，只看协议名，不看"开源"二字。真正无附加条件的只有OSI认可的Apache 2.0与MIT：DeepSeek V4 Pro为MIT，Muse Glimmer为Apache 2.0，智谱GLM-5.2为MIT且无地域限制。凡是以公司或模型名命名的自定义协议，一律按商业合同对待。这些协议有一个共同的设计——"成功惩罚条款"：Qwen3.8-Max的1亿月活、2000万美元月收入标注义务与5000万美元MaaS转售阈值，Kimi K3的2000万美元阈值，Llama的7亿月活阈值，对初创企业在早期完全无感，恰好在业务跑通那一刻集中引爆。选型必须按三年后的业务规模评估合规成本，而不是按今天的规模。

第二，警惕"同系列不同协议"与"主模型与工具链协议分离"。Qwen系列是混合授权，多数主力模型为Apache 2.0，部分大尺寸与多模态模型使用自有协议；Meta的Code Shield是MIT，主模型却是社区协议。法务必须逐模型核对LICENSE原文，按品牌做判断必然出错——这是过去两年国内企业开源选型中最高频的实操事故。

第三与第四条，藏在协议正文之外。

其一，输出物权属外溢：部分协议要求用该模型输出训练出的衍生模型也须遵守命名规则，Llama要求以"Llama"开头，把合同控制延伸到概率生成内容，法律上争议极大，商业上足以形成阻碍。

其二，开源不承诺维护：基座停更、下一代架构不兼容、量化格式变更，都会让已投入的微调资产一次性归零，应优先选择有连续版本历史与公开路线图的系列。

其三，不可复现即不可审计：绝大多数开源模型不公开训练数据与训练代码，按OSI标准均不合格，企业因此无法穷尽数据来源的版权与合规风险，这一项在出海业务中的暴露度最高。这些坑都不在签字页上，却都会在企业跑起来之后显形。

九、管能力，不管形态：治理的共识已经形成

权重公开带来篡改与滥用的隐患。田丰主张把治理重心前移到"公开前的能力上限测量"，同时后置到"公开后的应用层管控"，中间环节不设卡。

方法论已经成熟且可复制。OpenAI在2025年8月随gpt-oss发布了"最坏情况微调"评估：主动把模型微调到攻击者可能达到的能力上限，在生物与网络安全两个域中测量，结论是经恶意微调的gpt-oss仍低于自家o3的水平，相对已有开源模型仅带来边际提升，因此判定可以发布；METR在2025年10月对该方法学做了独立评审。这套"先测能力上限、再决定是否发布"的流程，应当成为国内开源发布的行业标准动作。目前国产开源模型的发布材料中，普遍缺少这一环的公开证据，这是最需要补齐的部分。

全球政策也已形成共识。美国商务部NTIA关于广泛可得权重的两用基础模型报告，结论是政府目前不应限制权重的广泛可得性，采取"收集证据—分析研判—采取行动"的三步框架并保留未来限制选项；欧盟AI Act设10^25 FLOP的系统性风险推定门槛，且明确系统性风险模型不因开源而豁免；Anthropic在2026年7月的官方立场文中同样反对禁止开源权重，主张对所有足够强大的模型开闭源一视同仁地强制安全测试。三方结论一致：监管对象是能力等级。以"开源即危险"为前提的讨论，已经落后于国际共识。

中国的制度设计与开源生态本就兼容。《生成式人工智能服务管理暂行办法》第二条明确，未向境内公众提供服务的研发与内部应用不适用该办法；第十七条把安全评估与算法备案的触发点，设在"具有舆论属性或社会动员能力的服务"。义务跟随服务，而不跟随权重——这个设计恰好与开源流通兼容。

真正缺失的是开源侧的防护工具链。Meta的Purple Llama证明，防护组件本身可以开源：Llama Guard做输入输出内容审核，Prompt Guard防提示注入与越狱，Code Shield在推理期过滤不安全代码，CyberSecEval提供网络安全基准。国内已有成熟的基座开源，却没有同等成熟度的开源安全组件与开源红队基准。田丰判断，这是当前投入产出比最高的公共品建设方向。

十、天花板，写在开放权重的同一份文件里

开源浪潮会终结"每家企业都自研基座"，同时催生新的产业链分层。

基座训练的经济学已经把绝大多数企业排除在外。Kimi K3为2.8T参数、Qwen3.8-Max 2.4T、DeepSeek V4 Pro 1.7T，所需算力规模与人才密度集中在极少数机构。与此同时，开源基座的能力足够高——Kimi K3在GPQA Diamond上93.5、Terminal-Bench 2.1上88.3，自研的机会成本随之抬升。判断标准可以极简化：如果一家企业自研模型的能力落后当期开源基座12个月以上，这次自研在经济上就是负值。以当前开源基座2至3个月一次迭代的速度，绝大多数企业的自研都落在这条线以下。

被系统性低估的是，"评测能力"正在取代"训练能力"成为企业核心资产。当基座免费且每两三个月更替一代，真实竞争力体现在能否快速判断新基座在自身业务上是否更优、切换是否安全、回退是否可控——这需要自建业务评测集、回归测试集与灰度发布机制。未来企业AI团队的组织形态会更接近SRE，而不是研究院。SRE即“站点可靠性工程”（Site Reliability Engineering），是谷歌立起来的一套运维范式：不追求造出前所未有的东西，只负责让系统在持续变化中不出事，靠灰度发布、回归测试与一键回滚控制每一次变更的风险，考核的是变更失败率与故障恢复时间。企业AI团队要答的题与此同构——这批业务从一个基座换到另一个，安不安全，能不能十分钟退回去。核心指标是切换周期与故障率，不是论文与参数量。这是当前企业AI组织建设中最大的认知盲区。

格局将走向"两端集中、中间分散"。上游基座向少数玩家收敛——欧盟AI Act测算，全球达到10^25 FLOP门槛的供应商约11家，这个数字大体标定了持续训练前沿基座的玩家上限；下游应用则会极度分散。最危险的位置在中间：模型微调与托管服务商既无基座的规模优势，也无场景的数据壁垒，同时恰好落在Qwen、Kimi等协议中针对MaaS转售方设置的收入阈值射程之内——5000万美元、2000万美元。这些条款的瞄准对象是精确的。基座厂商在开放权重的同一份文件里，已经为中间层划好了不可逾越的收入天花板。这是本轮开源浪潮中最少被讨论、却最具决定性的一条产业事实。

十九世纪的经济学家杰文斯发现，蒸汽机效率越高，煤炭消耗反而越多。今天的权重免费，同样不会带来消耗的减少，只会带来全社会使用量的爆发式增长。

免费的是权重。真正被定价的，是速度、信任与话语权。

牌桌已经掀开，底牌各自握在手里。下一局比的不是谁开源得更彻底，是谁把开源换成了账单。

参考文章：《又一国产AI大模型宣布开源，国产大模型掀起开源潮》，央广网记者李硕

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。