摘要：一边是零一万物与阿里云达成合作，不再独立追求超大模型的预训练；另一边，以豆包为代表的大厂模型仍在快速进化，“不差钱”的DeepSeek更是以创新架构，让人看到超越OpenAI的可能性。

文/观察者网 张广凯

2025开年伊始，国内大模型行业似乎正酝酿着一场剧烈的格局变动。

一边是零一万物与阿里云达成合作，不再独立追求超大模型的预训练；另一边，以豆包为代表的大厂模型仍在快速进化，“不差钱”的DeepSeek更是以创新架构，让人看到超越OpenAI的可能性。

这似乎印证了一段时间以来的流言：国内大模型企业将进一步收敛，一些过去的头部玩家也开始掉队？

另一个有趣的现象是，此前一直走闭源路线的MiniMax，最近突然发布了自己的开源模型。开源是弱势方争夺市场的捷径，还是本身就具备比闭源更好的商业逻辑闭环？

当然，美国对中国愈加严厉的政策限制，一直都是不容忽视的巨大风险。国产大模型行业准备好迎接进一步脱钩了吗？

围绕上述话题，我们邀请AI生态专家、曾任零一万物开源及开发者生态负责人的林旅强，以及Hugging Face工程师王铁震进行对话，收获了不少新颖的观点。

摘要如下：

·中国大模型行业的研发能力与OpenAI没有明显差距，即使放弃预训练的团队，也并非因为训练效果不佳，只是更好的商业选择。

·随着主流模型能力基本够用，一味追求模型能力最强或许是个误区。以操作系统为例，性价比才是大规模应用的决定性因素。

·当算力成本进一步降低，开源模型的性价比将更加突出。

·开源的优势还在于更容易成为行业标准。

·开源的AI开发工具链，对大模型的国产化替代意义巨大。

以下为对话全文：

放弃预训练，不是能力不够

观察者网：可以聊聊最近零一万物预训练团队并入阿里的事吗？这是不是意味着，国内头部大模型公司之间的能力已经在分化，零一发现自己预训练的效果不够好？

林旅强：完全不是这样的。零一的团队很强，预训练出来的东西也很强，去年5月发布的Yi-Large，10月发布的Yi-Lightning都很好，尤其是Yi-Lightning，可以说是当时时间点上最强的之一。

但是模型强不强，跟商业上能不能走通是两回事。零一绝对不是没能力做预训练，而是作为一个小公司，必须面对现实——你投入巨大的资源去做预训练，能不能做到self sustainable？是不是对投资人负责？

所以一个公司最终还是要去找到符合商业规律的生存之道。

王铁震：对，我非常同意。我要补充一下，其实中国的research非常强，这两年中国的大模型追得非常快，包括最近的DeepSeek，甚至让OpenAI都感到一些危机。

如果说中国跟美国的头部模型存在一些差距，我觉得不能说是人的问题，主要还是因为资金的分配、公司的政策方向等等。像零一这样的中国公司，有最优秀的团队，有开复老师的领导，那么如果给它像OpenAI一样的资金，它绝对也能做出同样好的产品。但是这样的条件在中国是很稀缺的。

大部分中国公司，不可能把无止境的资金投入到一个非常烧钱的项目里。在“六小虎”中，所有人一开始都是to b也要做，to c也要做，to developer也要做，foundamental research也要做，但是很快大家就会发现，我不可能每一件事情都做得好，每一件事情的竞争都是非常激烈的，我需要把所有的精力放到某一个自己很擅长的事情上面，才能做出最好的效果。

可能零一也经历了这样一波周期，发现必须把全部精力集中在做APP，或者专注做to b。我觉得这完全没有问题，因为很少有公司能够像DeepSeek或者阿里巴巴一样，有另外赚钱的业务去养活不赚钱的foundamental research。

所以我觉得国内做预训练的公司会越来越少，其实是一个好事，是更好的资源调配。想做预训练的人也可以更集中，资金也可以更集中，可能最后只有四五家模型，但每家都可以得到非常多的资金支持，可以走得更远更好。

中国很多行业都走过了类似的路，比如说电动汽车、光伏，都经历了自然淘汰的过程，从无序竞争到有序收敛，这是一个市场比较理想的状态。

观察者网：也就是说国内的大厂也好，“六小虎”也好，在大模型能力上还没有显著差距。

王铁震：我认为还在牌桌上的玩家，水平都没有太大的差距，有差距的自己已经放弃了，所以牌桌上的玩家确实在减少。

林旅强：很多行业应用，也未必非要去做预训练。例如百川很早就宣布把重点放在医疗，那么医疗大模型是不是一定需要做预训练？基于别人的基座大模型，拿行业数据去做后训练是不是足够了？

所以退出牌桌的人，也不一定是失败，而是调整。所有公司都要找到适合自己的路。

观察者网：那么当初为什么大家一拥而上都去做预训练？是战略选择错误，还是担心使用别人的模型，不是好的商业模式？

林旅强：首先，你要向资本市场讲一个故事。2023年上半年，资本市场会觉得一个团队能做预训练，代表团队的能力是很扎实的。

另一个原因是当时的基座模型还不够强，后续去做fine-tune的效果也不好，所以只能自己去做基座。

现在，很多大模型效果已经好到一定的程度，甚至10B以下的小模型都比当时强很多了，对很多场景来说完全够用了。所以大家不会再盲目追求超大模型。

王铁震：对，刚开始的时候，你必须向资本市场证明自己的团队实力。只做fine-tune的团队，估值不会很高，后续做很多事情就会非常受限。而且最开始的那段时间，市场上资金是最充裕的，越往后融资越难，如果开始拿不到足够资金，后面可能很快就死了。

还有很重要的一点，是对人才的争夺。那个时候大模型人才是相当稀缺的，很多公司都需要开出非常高的薪水挖人。

做预训练更有利于去培养自己的团队。如果只是做微调，你只能看到世界的一小部分，只有懂预训练的人才能告诉你，一个问题到底应该用预训练解决，还是后训练解决。

但在今天这个时间点，基于很多开源模型去做后训练，已经能达到比较好的效果，预训练可能就更多是一种情怀了。

最好的大模型，未必要最强

观察者网：那么在今天这个时间点上，开源模型跟闭源模型的能力还有差距吗？

林旅强：我想先correct一下这个问题本身。模型就是模型，不会因为它是开源或者闭源就更强或更弱，模型强弱跟是否开源是完全两个维度的事情。

观察者网：但是最早Llama之所以选择做开源，可能是因为它不够强，要通过开源来抢市场。

林旅强：开源确实有利于抢占市场，但是它想抢市场，跟它够不够强，不能建立直接关系。现在DeepSeek也是开源，难道是因为它不够强？所以我个人觉得Llama只是开源中一种情况，并不代表开源的本质。

开源和闭源的参与者也是动态变化的，比如之前一直闭源的MiniMax，最近突然也做开源了，这并不只是取决于模型强弱。

王铁震：这是一个经常被问到的问题，最近我刚好也有一些新的想法。

首先就像前面提到的，没有开源强的闭源模型已经死掉了，所以结果就变成，闭源模型永远是大于等于开源模型。

之前我也觉得，开源模型跟最头部的闭源模型相比，还是有非常大的差距。但是最近DeepSeek发布的成果，以及国内在推理模型上面的进展，都让我觉得差距没有那么大了，反而是OpenAI更应该感到焦虑。

视频生成模型也是一个很好的观察角度。Sora是一个闭源模型，它刚出来的时候大家都惊叹，中国跟它的差距非常大。但是现在大家惊叹的反而是，Sora怎么一直都像个期货，好像还不如中国的开源模型给力。

所以开源模型是可以很强的。但这个问题仍然很有价值，我会想问，如果开源模型厂商真的做出了比OpenAI更好的模型，它们还会不会继续开源？整个开源生态本身已经在收敛，如果再有更多厂商放弃开源预训练，对行业将是巨大损失，因为没有市场竞争的话，很难保证大家都还愿意在这个牌桌上玩。

观察者网：所以仍然可以说，闭源模型大于等于开源模型？究竟有没有哪家开源模型，能够达到跟OpenAI差不多的能力？

林旅强：其实对于开发者跟行业来说，很多开源模型的能力是足够的。那么在同等能力情况下，如果有开源的选择，我一定选开源，因为性价比就是开源强。

所以你怎么去评判强不强？论性价比开源超强。你的问题其实暗含了一个假设，认为模型能力一定要达到最强，这件事情是很重要的。如果从科研角度或者公司估值的角度，追求最强确实是有意义的，但是从我们开发者角度，性价比高才能普及。

我举个例子，PC端操作系统，最强的肯定是Windows或者macOS，但是Linux对于全球行业的影响力或许更大。你看得到的机器上跑的都是Windows或者macOS，你看不到的机器上跑的基本都是Linux，后者的数量可能更多。

Linux甚至根本不需要一家公司去推动，它成立一个基金会，IBM、谷歌都会捐钱。每家捐几百万美元，就能换来持续可用的操作系统，而且不会被人卡脖子。

所以究竟是Linux最强，还是macOS比较强，现在已经没有人care这一点了。

观察者网：有支持闭源的人，说开源模型是“智商税”，认为即使从成本来看，闭源也比开源要低。

林旅强：我尊重他们的选择，但我不认同这个结论，开源相比闭源成本一定是低的。因为购买一个闭源模型本身就是很大的支出，在此之外，开源不会比闭源增加任何成本。

王铁震：一些现在做闭源的公司，其实在过去的时代也在做开源，对NLP、OCR等领域都有很大帮助。后来在大模型领域转向闭源，虽然很可惜，但是一定是经过了深思熟虑，甚至可能也有激烈的内部讨论。那么一旦选定了技术路线，对外也只能这样说。

开源的好时代还在后面

观察者网：大模型的开源方式，跟Linux这样的传统开源方式也有很大区别。

林旅强：完全不一样，现在的开源大模型并没有把关键素材开放出来。

Open Source的基本逻辑，第一是透明，第二是可复现。但大部分开源模型的tech report都不够透明，比如用了什么样的数据集，这是各家的秘方，是不可能拿出来的。

传统的开源软件，所有代码都会公开在GitHub上，你能够完全去复现这套软件，并且做出进一步贡献。比如你发现一个bug，可以去提交修复。但所谓的开源大模型，仍然是一个黑盒子，我无法去修改这个黑盒子，无法改善它，只能够基于它去做后训练。所以它更像是开源和闭源之间的一个中间态。

真正开源的大模型，其实Hugging Face上也是有的，比如BigScience项目，可以给出完全开源的数据集和训练代码，但是大部分开源模型做不到这一点，我认为把它们叫做开放模型更合适。

观察者网：真正意义上Open Source的开源模型团队有哪些，主要在国外吗？

王铁震：这是一个很有意思的现象，国内做开源的主要是大公司，或者能拿到国家资助的学术机构，而在海外有很多自发的组织，他们可能只是依靠一些捐赠，或者就是几个学生做着玩，然后得到一些企业帮助。

据我了解，国内真正满足开源标准的团队，主要有两个。一个是RWKV（元始智能），他们最早用Stable Diffusion的几百张卡一直在默默做预训练，现在也逐渐开始寻求商业转化。另一个是MAP，他们是一个虚拟的在线组织，成员主要是国内大厂的研发人员，会进行一些跨机构的合作，发布过真开源的模型MAP-NEO，以及春运数据集等等。

海外的开源大模型团队大家可能更熟悉，除了Hugging Face的项目，还有艾伦AI研究院（Allen Institute for AI），后者得到了盖茨基金会的支持。

观察者网：真开源项目少，是不是大模型的训练成本过高造成的？因为即使开放出来也很少有人能去复现。大模型领域不太可能产生类似开源软件的生态？

林旅强：对，我们回过头看Linux生态是怎么长出来的，一个重要原因是个人电脑很便宜。

最早发起自由软件运动的人，理查德·斯托曼，当时在MIT的人工智能实验室任职。他认为软件应该是自由开源的，可是当时的电脑太贵，他在实验室里想要做软件编译，都得排队去申请使用电脑，就像今天的大模型研究者排队求分配显卡，这种资源稀缺的情况是无法做开源的。

到Linux出来的时候，PC已经便宜到让野生开发者都能够在自己家里面写代码，这是摩尔定律带来的算力民主化。

所以我认为当下的 AI大模型，还处在当年的实验室阶段。等到算力成本继续降低，AIPC能够让每一个人在自己家里就能跑得起大模型，或者训练一些小模型，开源的百花齐放就会来临。

观察者网：摩尔定律在GPU领域还能继续有效吗？

王铁震：讨论摩尔定律，一方面我们可以期待下一个世代的硬件进步，甚至量子计算有怎样的前景。另一方面，软件或许也有一些办法能够让摩尔定律延续，比如MiniMax、RWKV尝试的Linear Attention（线性注意力机制），就是降低算力成本的另一条途径。

其实芯片领域的摩尔定律之所以一直能延续，不是因为最早的技术能一直延续，而是行业在不停地变换技术栈，寻找摩尔定律的新的解释方式。我觉得AI行业肯定也能做到这一点，比如用更小的模型就能获得现在很大模型的效果，或者用超越传统Transformer的架构来取得对算力需求的数量级下降。甚至未来是不是可能专门为大模型设计一种ASIC，效率远远超越通用GPU。

所以我们不用太悲观，至少现在英伟达的GPU还在快速进步，未来也有很多替代路线可以探索。

开源是一场标准之争

观察者网：即使解决了成本问题，做开源模型的回报在哪里？一些大厂，比如阿里云、字节，可以用其他业务变现。但是像“六小虎”这样的企业，为什么要开源？

林旅强：每一个企业做开源，一定是符合商业理性的，一定要能促成他的商业逻辑闭环。我不认为开源只是靠情怀。

扎克伯格当初写了一篇文章，解释为什么要把Llama开源。文章标题是Open Source AI Is the Path Forward，开源是未来之道。

扎克伯格表达了两个观点：一是开源能够避免重复造轮子，把自己的一些成功拿出来给大家用，能够降低整个行业的研发成本；二是开源也有助于形成行业标准。

我想大企业做开源，真正的动机肯定不只是第一点，帮别人省钱。而是这个钱省了之后，他就会落入到我的生态系统，他的根就在我这边，我在这个生态系统里拥有绝对影响力。那么以后这个行业的基础设施和技术路线，都是要跟我挂钩的。

从商业的角度来讲，标准等于垄断，制定标准的人赚最多钱。

我曾经在华为从事开源项目，华为为什么做那么多开源？第一他不想被卡脖子，第二他也希望能定出标准。华为的开源项目是放在产业与标准部门里的。过去在通信领域，像3G、4G、5G，或者蓝牙这样的通信协议，是有行业联盟来制定标准的。但是到了软件领域，华为发现没办法做联盟，开源形成的事实上的标准，把联盟垄断的路子都给断了，搞标准只能从开源切入。

观察者网：零一为什么要做开源？

林旅强：对一些企业来说，做开源也有秀肌肉的作用。通过一个很厉害的产品，让市场认识一家公司，这是后进者能够让自己传播的一种方式。

还有很多企业，会同时做开源免费版和商业收费版两种产品。通过开源的方式，能更快得到客户，然后只要开源免费版的基础够大，我也可以通过一些产品设计，满足更多的商业诉求，变成付费版本。

在国内主流的大模型公司里，零一已经算是入局比较晚的，所以必须开源。但我加入零一，首先是因为他们的模型足够强，因为开源生态非常依赖于产品强不强。

零一选择了开源闭源并进的策略，认为最强的模型必须是闭源的，同时也去建设开源生态。但这未必是大模型开源的唯一解，有时也会让客户感到矛盾。通义千问全部做开源，其实也是很好的思路。

观察者网：对客户来说，开源的安全性会是个问题吗？

林旅强：包括央国企在内的大模型招标，通常不会在标书上要求是开源还是闭源。开源完全能够满足安全性的要求。因为安全性主要不取决于开源闭源，它们都是黑盒子，没有区别。安全性主要靠大量的测试，比如做各种渗透测试，或者红军蓝军对抗。

王铁震：其实从安全的角度上来讲，开源模型反而能允许你做更多的测试，而且这些攻击行为不会被泄露到第三方。从这个角度上来讲，开源模型实际上更安全。

林旅强：没错，很多白帽黑客可以自己去拿开源模型做攻击测试，把结果在行业中交流，让大家知道如何防范。但是你不能去攻击一个闭源模型，这是违法的。

开源圈内有句话，只要眼球足够多，所有bug都现形，对大模型也是适用的。

应对卡脖子，开源工具链也很重要

观察者网：还有另一个维度的安全性，人们会担心一家商业公司控制的大模型未必符合公共利益，提出了“对齐”的概念。开源模型有助于“对齐”吗？

林旅强：所有模型都会承载一些价值观，会对用户产生特定的影响，这是一定会发生的事情。开源模型会成为整个价值观光谱中很好的补充，但未必一定要靠开源。在一个好的市场中，社会价值观本身就是相互冲突和平衡的，市场的力量自然也会让大模型取得平衡。

政治因素也会产生影响，李开复老师也说过一个概念，叫做一国一模型，每个国家的法律不同，道德观念不同，大模型也是要经过一些调整的。

王铁震：开源能给大家更多的选择，每个国家、每一个人都可以根据自己的需求去做定制模型，那么实际上是一种技术普惠。

其实大家选择模型的时候会有很多不同考虑。前段时间国外网友有个帖子，说通义千问很好，但是我不能用。因为国外公司也会有一些policy，不允许使用中国模型。

观察者网：地缘政治正在成为更大的威胁。如果美国加强对中国的GPU和大模型制裁，开源对国产化有什么帮助？

林旅强：我不是地缘政治专家，但我觉得“卡脖子”是必然要发生的事，因为美国无论哪个党执政，对中国的政策都没有太大区别了。既然他要搞，我们就要因应，国产化芯片能够接得住的地方，就要全面导向国产化，接不住的地方也要寻找迂回的方式。

当然美国也是一个很多力量在拉扯的的国家，像英伟达这样的大企业也有动机去阻止禁令，也会对结果产生影响。

王铁震：如果说大模型层面，其实得益于开源工具链的发展，现在模型之间的切换是比较容易的。如果你要换用一个新模型，只要把prompt调整一下，把模型ID换一下就好了。除非一些架构比较独特的模型，比如DeepSeek，因为它工具链上的兼容不完备，大家想要把它高性能地跑起来还是有一些困难。

在AI基础框架上，百度做过一些很好的工作，比如开源的PaddlePaddle（飞桨）是国内最好的AI框架之一。只可惜百度在大模型时代没有继续走开源路线，否则在大模型的加持下，PaddlePaddle生态会有更加巨大的发展。

林旅强：我认为PaddlePaddle就是中国第一的AI框架，但华为的开源框架MindSpore（昇思）现在有很好的机会，因为华为只要决定做，哪怕慢一点，也会坚持下去。

AI从硬件到软件，大致可以分为4层，华为都有布局。芯片层面的昇腾，对标英伟达CUDA的CANN计算架构，然后就是MindSpore，以及最后的模型层。

华为目前的模型能力不是最好的，但是如果能把从下到上的整个stack做起来，还是会非常厉害。

不过虽然华为有开源框架，但它整个生态可能还是封闭的，有利于独占商业化回报，别人是不愿意加入的。

观察者网：华为能够从哪些方面更好地帮助国内开源生态吗？

林旅强：举个例子，零一万物跟昇腾就有过合作。其实在很早之前，昇腾的朋友就来问过我们，能不能把零一的开源模型拿到昇腾上。我们不反对别人把模型拿过去，但问题在于，我们本来就是开源的，没有收入，如果还要来自己花人力去适配昇腾，最后昇腾大卖，我们能够得到什么回报？

这其实不是华为一家的问题。熟悉海外开源生态的人都知道，做开源不能只让开发者去奉献，他们一定需要得到某种回报。国内的开源生态建设，还有很多需要提升的地方。

来源：观察者网