英伟达为何推动开放模型生态

从“开放软件”到“开放模型配方”

人们常把开放模型的发展与 Linux 等基础开源软件项目相比较，但两者并不完全相同。

真正意义上的开放模型，不仅提供模型权重，还应公开完整的训练配方、数据和代码。它更接近开放源代码操作系统。相较之下，只提供模型权重和推理代码的开放权重模型，更像是建立在软件项目之上的特定版本。

模型权重平均而言迭代很快，但一些被广泛采用的模型仍有较长的使用周期。例如，许多企业目前仍在使用基于 Llama 3 的工作流。完整开放的训练方案则需要更多资源，但任何公司都可以据此修改数据或训练代码，并重新训练出一套模型权重。在理想情况下，社区还能把数据和训练代码的改进反馈到下一代模型中。

英伟达正在投入近乎完全开放的模型项目，例如 Nemotron 系列，并尽可能公开合法可披露的数据、训练代码等内容。

其核心目标，是让更多参与者能够自行训练模型，形成大量“令牌生产者”。如果越来越多公司自行训练、部署和微调模型，对训练、推理和相关基础设施的需求也会随之增加，而英伟达可以从芯片销售中获益。

这一策略能否成立仍不确定。现阶段，训练高水平模型需要大量资本，开放训练方案是否足以让更多公司建立具有竞争力的模型团队，也尚未得到充分验证。相关投入据称已达到约 260 亿美元。

开放模型生态大致存在两种可能的发展方向。

第一种情况是，开放训练方案最终能够持续产生商业回报。英伟达通过支持模型建设获得的芯片需求和利润，超过其投入模型研发的成本。随着训练、推理和微调公司的需求扩大，开放生态可能形成类似平台的资金循环，并持续支撑模型发展。

要实现这一点，开放模型带来的经济回报需要长期接近 Anthropic 和 OpenAI 等公司通过 API 获得的收益规模。竞争力可以来自更高的模型性能，也可能来自人工智能市场整体足够庞大，使开放模型相关企业获得持续需求。

第二种情况是，上述商业循环无法建立。届时，开放模型可能逐渐偏离领先闭源模型的发展方向，更多关注效率、可修改性和专业化能力。

这类模型仍然具有实用价值，但可能主要服务于长尾市场，例如使用私有数据、在企业内部运行、处理重复业务任务的专业智能体。相较之下，闭源模型可能继续占据知识工作协作、药物研发和软件工程等价值更高的领域。

开放模型训练难以普及的另一个原因，是训练过程正变得更加复杂，同时也更加抽象化。

近几年，开放模型生态的活力很大程度上来自后训练。参与者通常基于已有模型，针对具体智能体任务进行微调。与此同时，训练能够执行通用智能体任务、具备复杂推理能力的基础模型，正在变得更加不透明。过去常用的“预训练—中训练—后训练”划分，也可能逐步转变为“预训练—推理训练—后训练”等新的分类方式。

当越来越少的参与者愿意训练完整模型时，对开放人工智能项目的投入也会减少。一个明显趋势是，持续发布基础模型，也就是核心推理训练之前的模型版本，可能成为更少建模团队的选择。

一些开放模型开发者还在尝试采用收入分成许可，以维持近前沿开放权重模型的建设资金。这些尝试能否成功，将影响开放模型训练是否具备长期可持续性，也关系到英伟达通过开放生态扩大需求的策略能否延续。

即使完整开放的训练生态面临压力，开放权重模型仍可能持续快速发展。向市场提供模型能力，本身就是一种强有力的商业策略，尤其适用于拥有庞大资产负债表、可以通过其他业务间接变现人工智能能力的大型科技公司。

这类公司可以选择开放模型权重，以压低依赖模型令牌销售的竞争对手的收入增长速度。英伟达的思路是让更多人具备自行生产令牌的能力，从而扩大整个生态的基础设施需求；而另一种策略，则是通过大量释放模型能力，直接推动令牌服务商品化。

未来的关键，不只是模型性能谁更强，还包括开放模型能否建立稳定的资金回路，以及开放权重和闭源服务之间将如何重新分配人工智能产业的价值。