Nvidia 的开放模型棋局：教大家自己炼 Token

开源模型与 Linux 的类比，为何不成立？

技术圈里最常被提起的类比，就是把当下开放模型的发展比作当年 Linux 操作系统的崛起。这个类比听起来顺理成章，但仔细推敲，会发现它给开源模型生态描绘的路径过于狭窄。Linux 一旦壮大，就会因为“足够好用”而自我强化，成为无数场景下的默认选择。但大语言模型的情况要复杂得多。

我们需要区分两类“开放”：开源模型（open-source model）指的是完整公开训练配方、数据、代码的模型，这更像 Linux 这样的开源操作系统；而开放权重模型（open-weight model）只公开权重和推理代码，更像是你项目里安装的某个特定软件版本。绝大多数人日常使用的 Llama 3，就属于后者。

权重会过时，配方才是资产

模型权重本身是相当短暂的——今天的最优解，几个月后可能就被超越。但它的“保质期”其实比很多人想象中长，就像很多被重度依赖的软件版本一样。这也是为什么即便 agentic 应用已经流行了好几年，仍有大量公司的工作流建立在 Llama 3 之上。

真正更有长期价值的是开源配方（open recipe）。以 Ai2 的 Olmo 模型为代表，包括 EleutherAI 的 Pythia 等前辈，这些项目把训练数据、数据清洗逻辑、训练代码全部公开。任何公司都可以拿起这套配方，按需修改，然后按下“运行”按钮，产出一套全新的模型权重。更理想的情况是，社区还能把改进后的数据或训练代码回馈给下一个版本，形成正向循环。

Nvidia 的算盘：让智能不被垄断

Nvidia 之所以在近乎开源的模型上投入巨大，正是看中了这一点。他们的 Nemotron 系列模型，在法律允许的范围内公开了所有数据、训练代码等。Nvidia 想要的是一个“人人都能造 Token 机器”的世界——如果智能不被少数公司垄断，那么就会有无数公司需要推理算力，而它们都得向 Nvidia 购买芯片。

据报道，Nvidia 在这个方向上已经投入了 260 亿美元。这显然不是慈善，而是一笔商业投资：如果开源配方奏效，Nvidia 创造的芯片需求将远超模型的研发成本。

两种未来：财务正循环还是长尾分化？

开源 AI 的未来并不明朗，因为训练顶级模型的资本门槛极高。不过，产业界构建有竞争力模型的能力，比许多人预期的要持久。很多人默认训练太贵、开源配方落后太多，因此围绕 LLM 训练新建实验室不可行。但现实是，像 Databricks 和 01.ai 这样的公司退出训练游戏，目前看起来更像是例外，而非趋势。

由此衍生出两种可能的未来：

未来一：开源配方“跑通”财务闭环。 如果 Nvidia 的策略成功，开源模型带来的芯片需求将远超投入成本。开源生态会越来越依赖 Nvidia 的资助，但必须在几年内产生足够利润回报，或者出现另一家开放模型公司，建立起平台级的财务反馈循环。这种经济回报需要能与 Anthropic 和 OpenAI 的 API 利润相匹敌，才能支撑几十年的模型发展。这可以由性能竞争力驱动，也可以因为 AI 热潮足够大，让开源训练、推理、微调公司都获得海量需求。

未来二：走向效率与定制化的长尾路线。 如果上述财务正循环无法实现，开源模型将走上与头部闭源模型不同的发展路径——更注重效率、可修改性、专用化。作者认为这是更可能的结果：开源模型依然极其有用，但会在闭源模型主导的生态中，扮演一个长尾补充的角色。

对开发者意味着什么？

无论哪种未来，对开发者和 AI 使用者来说，都值得关注几个实操点：

• 拥抱开源配方：不要只盯着模型权重，多关注那些公开训练数据和代码的项目（如 Olmo、Nemotron），它们是你定制模型的基础。
• 评估长期依赖：如果你基于某个开放权重模型构建应用，要意识到权重更新的不确定性，尽量让架构对模型替换保持弹性。
• 关注芯片巨头动向：Nvidia 的投入力度直接决定了开源生态的活跃度，这是判断开源模型未来走向的一个重要风向标。

开源模型的命运，本质上是一场关于“谁掌握智能生产工具”的博弈。Nvidia 的豪赌，赌的是让更多人学会自己“钓鱼”（训练模型），而不是永远向 API 供应商买鱼。这场赌局的结局，将深刻影响未来十年 AI 的格局。