跳至内容
AI大收割05-AI开源为何没有打破垄断

AI大收割05-AI开源为何没有打破垄断

所属专题:AI 大收割

一、一个朴素的疑问

在前面几篇文章中,我们论证了AI背后的多层价值攫取体系,以及人类集体知识如何被系统性地私有化。面对这些论证,许多人会提出一个看似致命的反驳:

一个常见的反问是:既然开发者已经能下载一些模型的权重,在本地运行甚至继续微调,怎么还能说知识被私有化了?

这个反驳看起来很有道理。开源运动,在其最初的精神中,确实代表了一种崇高的理念:知识应该自由流通,代码应该向所有人开放,技术进步应该惠及全人类。

但事情真的这么简单吗?

配图

让我们仔细拆解这个问题。“开放”可以说的是文件能不能拿到、许可让不让你改,也可以说的是你有没有条件从头做一遍。这不是同一把尺。


二、首先看清事实:什么被"开源"了?

模型的四个组成部分

要理解AI领域的"开源"到底意味着什么,我们首先需要分解一个大语言模型的四个核心组成部分:

  1. 模型权重(Model Weights): 训练完成后的模型参数——这就是那个可以"回答问题"的AI系统本身。
  2. 训练数据(Training Data): 用来训练模型的海量文本数据集。
  3. 训练过程(Training Process): 训练方法论、超参数设置、数据清洗策略、对齐技术、评估方法等。
  4. 训练算力(Compute): 执行训练所需的GPU集群和计算基础设施。

现在,让我们看看所谓的"开源"AI模型到底开放了什么。

“开源"的实际内容

不妨拿一个公开权重的版本作检查:发布页提供了权重文件吗?随该版本附的许可证允许修改、再分发、商用吗?数据清单、处理代码、训练记录又公开到哪一步?不能只凭一个模型家族的名字替各版回答。

配图

下载训练好的参数已经很有用,不只是看一眼演示。只要许可允许、硬件合适,你可以离线运行,也可以拿自己的材料微调。可这仍不等于拿到了原始训练资料,或取得了任意用途的授权。

餐厅类比

想象你去了一家高级餐厅。厨师做完菜后,慷慨地端到你面前让你免费品尝。你可以评价这道菜,甚至可以在上面撒点盐调味。

但是:

  • 食谱?不给你。
  • 食材的供应链?不告诉你。
  • 厨房的设备?你用不了。
  • 厨师的培训方法?那是商业机密。

如果只端出菜,这和交出食谱就不一样。反过来,即使食谱完全公开,厨房也不因为租金昂贵就使食谱变成秘密。公开什么是一个问题,谁负担得起重做一遍是另一个。

配图

波音设计图纸类比

或者用一个更极端的类比:假设波音公司"开源"了787飞机的设计图纸。你可以在网上自由下载这些图纸。但是——你能造出一架787吗?

图纸公开,并不替你备好材料、厂房和工程团队。但不能因此说图纸没公开。对应到模型:从零预训练要重走数据和算力那条长路;拿已有权重改一道“菜”,却可以省去其中许多工序。


三、企业开放模型可能得到什么?

下面算五笔可能的账。它们解释的是为什么开放与商业利益可以并存,不是任何一家企业的内部决策记录。

配图

第一笔:给收费服务添一个替代品

如果用户能在本地运行合用的模型,一部分按次付费的调用就有了替代品。不过,部署和维护也有成本,省掉订阅费不等于每个团队都会搬走。

第二笔:分享社区改进

开发者可能为了自己的语言或行业做微调,公开测试结果。其他开发者能用,发布基础模型的公司也可能受益;究竟哪些改进被吸收,还得看具体版本。

配图

这里和第二篇的“数字劳动”有一个相通的问题:成果流向了谁?也有一个区别:贡献者可以自己使用改过的模型,或在许可范围内把它交给别人。企业受益不能反过来证明贡献者受骗了。

第三笔:让互补业务更值钱

在科技行业,有一个经典的商业策略叫做"商品化互补品”(commoditize your complement)。

逻辑是这样的:如果你的利润来自于产品A,那么你应该尽量让产品B变成免费的——前提是A和B是互补品,人们通常一起购买它们。

一个生动的比喻:如果你是一家热狗店老板,你应该让芥末酱免费。因为免费的芥末酱会增加热狗的销量,而你的利润来自热狗。

配图

在AI领域:

  • 对Meta来说,“热狗"是它的社交媒体平台和广告业务,“芥末酱"是大语言模型
  • 对Google来说,“热狗"是搜索广告和云服务,“芥末酱"是AI模型
  • 免费的“芥末酱”可能促进核心业务,也可能只给开发者省下一笔开销

再往前想一步:如果许多应用都按同一模型的接口开发,围绕它提供云服务、技术支持和定制的人就多了一门生意。但谁有定价权,还得看用户能否换一家服务、换一套模型。

第四笔:在监管讨论中占据有利位置

公开权重可以成为公司回应公众质疑的理由。它确实方便独立测试,却不能替代对数据来源或市场集中度的审查。能否影响监管决定,是另一个需要证据的问题。

第五笔:吸引愿意公开工作的研究者

对希望发表论文、分享代码的人,一家公司让不让研究成果公开,会影响这份工作的吸引力。这既可能符合公司的利益,也可以符合研究者本人的愿望。


四、开源打破垄断了吗?——一个反直觉的答案

直觉告诉我们:开源应该打破垄断。如果模型权重是公开的,任何人都可以使用,垄断怎么可能持续?

但现实给出了一个反直觉的答案。

同一份权重,两种算力账

运行已有模型、用少量行业数据做参数高效微调、从头预训练,不能共用一张报价单。尤其是预训练,除正式训练的机器时间,还可能有数据整理、试验和失败重跑的开销;不说明算了哪几项,报一个总价并没有多大意义。

配图

能下载权重的团队,不一定有能力从头训练前沿模型;但它也不必先建“钢铁厂”,才有资格用现成的钢铁造东西。开放降低了某些创造的门槛,没有抹平所有门槛。

中小公司的依附加深

对小公司,现成的基础模型是一个真机会。代价是,如果应用深度依赖某种架构,日后换模型就要重新适配。开放能减少对单一收费接口的依赖,也可能带来另一种依赖;要看团队能不能迁移。

历史的教训

这不是第一次发生。

配图

Linux的故事: 内核可以开放,建立在它上面的云服务仍然可以收费。Android的故事: 开放的系统代码与附带的应用商店、平台服务并不是同一件东西。

AI也值得这样分层看:应用层的选择多了,基础设施层的选择未必跟着多起来。


五、真正的社区开源与资本驱动的"开源”

两种截然不同的力量

在AI开源领域,存在着两种性质截然不同的力量:

第一种:真正的社区开源。 这些项目由理念驱动,旨在让AI技术成为公共品。

  • EleutherAI: 一个由志愿者组成的去中心化研究团体,致力于开发真正开放的大语言模型。他们不仅开放模型权重,还开放训练数据和训练过程。
  • 学术界的开放传统: 大学和研究机构长期以来秉持知识共享的理念,发表论文、公开代码、分享数据集。
  • Hugging Face社区: 虽然Hugging Face本身是一家公司,但它构建的平台催生了大量社区驱动的开源项目。
  • 各种小型开源项目: 全球有无数独立开发者和小团队在做真正的开源AI工作。

第二种:企业主导的开放。 公司和社区可能用到同一份成果,但不一定对下一版的训练方向有同样的决定权。

配图

结构性劣势

真正的社区开源力量是存在的,而且它们做出了重要的贡献。但它们面临着巨大的结构性劣势:

  • 资源: 训练要持续支付机器和人员费用,能否得到长期资助,影响社区能够承担哪些任务。
  • 影响力: 能发布权重和能让自己的做法成为行业标准,不是一回事。

被定义的"开放”

如果公共讨论只问“权重能不能下载”,“开放”就容易成了品牌标签。比争一个名号更有用的,是继续问:能改吗?能带走吗?数据和方法开放到了哪一步?


六、马克思的视角

两种力量的本质

如果我们用马克思的理论来审视AI开源领域的这两种力量,可以得到一个非常清晰的分析:

真正的社区开源 = 生产力社会化趋势的表现。

马克思指出,随着生产力的发展,生产过程必然趋向社会化——越来越多的人参与协作,知识和技术越来越成为社会共同财富。真正的开源社区正是这种趋势的具体表现:全球的开发者自发协作,共享知识,共同推进技术进步。这是人类合作本能和知识共享精神在数字时代的展现。

资本驱动的"开源” = 资本对社会化趋势的收编和利用。

资本从来不是铁板一块地反对一切社会化。它的策略更加灵活——当社会化趋势对资本有利时,资本会主动推动社会化,并将其纳入自身的积累逻辑。

当开放能够带动互补业务时,公司不必放弃商业利益就能分享技术。这是一个可能的激励,不是对某次发布动机的定论。

配图

基本矛盾的具体展开

两种力量之间的矛盾——真正的社区开源与资本驱动的"开源”——实质上就是马克思所说的生产力社会化与生产资料私有制之间的基本矛盾在AI领域的具体展开。

生产力的社会化要求知识、技术、算力成为社会共有的财富。但生产资料的私有制意味着算力被少数公司垄断、数据被企业圈占、模型的核心训练过程是商业机密。

开源运动试图调和这个矛盾——在不改变所有制的前提下,通过共享来抵消私有化的负面影响。但正如我们所看到的,在资本主义条件下,即使"开放"也可以被资本逻辑吸收为积累手段。

这不是说开源运动毫无意义。它确实扩大了技术的可及性,培养了大量的AI人才,促进了知识的传播。但它不能从根本上改变权力结构。只要算力的所有权、数据的控制权、以及AI发展方向的决定权仍然掌握在少数资本手中,开源就只能是在这个权力结构内部的有限抵抗——而且这种抵抗随时可能被收编。

一个冷静的结论

回到最初的疑问:“开源不就意味着知识没有被私有化吗?”

我们现在可以给出一个明确的回答:

不。开放权重扩大了使用和改进模型的机会,却不自动分散算力、数据和基础研发的控制权。哪一层更开放、哪一层仍然集中,要分别判断。

配图

那么,如果只靠开放权重不能解决问题,是否存在一种不同的制度安排?

让我们把目光转向东方。


上一篇:第四篇:知识私有化与提取能力垄断

下一篇:第六篇:中国道路与AI治理

本文写作中使用了 AI 辅助。文字采用 CC BY-NC-SA 4.0 许可。

最后更新于