开源人工智能 2026

当前状态

• 能力：开源AI能力已接近顶尖闭源模型，在编码、指令遵循和一般知识方面与顶尖闭源模型持平，但在推理、长文本检索和代理任务方面仍落后。
• 成本：36个月内推理成本下降50倍，从每百万令牌20美元降至0.40美元。
• 采用：开源模型在OpenRouter上处理的令牌量占总量的1/3，其中前五个模型均为开源模型。开源模型在编码和代理任务等高消耗领域占据优势。
• 部署：开源模型在实验阶段采用率高，但在生产阶段部署率较低，主要障碍在于基础设施、计算成本、安全合规、维护更新、部署复杂性、集成难度、文档资源和模型性能等方面。

资金投入与公司布局

• 资金：开源AI领域获得大量风险投资，其中模型、推理和计算层获得较多资本支持，而数据和评估层主要依赖慈善和政府资金。
• 公司：大型科技公司纷纷投资开源AI公司，如微软、亚马逊、英伟达、谷歌和Meta等。
• 经济模式：开源AI已形成多种可行的商业模式，包括托管的推理、企业平台、本地许可、微调服务和代理工具等。
• 并购：开源AI领域开始出现并购趋势，如CoreWeave收购Weights & Biases，Databricks收购Mosaic等。

开源AI兴起的原因

• 可选性：开源AI提供了退出选项，避免云时代 proprietary API 和数据重力带来的惩罚性退出成本。
• 主权：各国将开源AI视为战略选择，以减少对外部技术的依赖，并保护数据和知识产权。
• 政策：中国、欧洲和加拿大等地区将开源AI作为工业政策，通过补贴、资金支持和法规制定等方式推动其发展。

代理层：新的前沿

• 代理层：代理层是模型之上的新层，负责与用户、其他代理、数据和金钱等进行交互。
• 市场：代理层市场正在整合，如Meta的Omnigent等统一层平台的出现。
• 竞争：代理层领域存在开源和闭源之争，闭源平台在推理、长文本和问责制方面仍具有优势。
• 关键挑战：代理层面临的主要挑战是可移植权限，即如何定义代理可以无监督执行的写入操作。

五个赌注

• 构建开源代理层：与开源模型协同设计，提供通用或垂直领域的代理层。
• 拥有内存：使用可移植、仅追加格式的内存，并将其存储在企业防火墙后面。
• 解决可移植权限：制定标准化的可移植写入权限规范，以控制代理的写入操作。
• 打破计费模式：在计费模式结束前，建立备用模型，以避免被锁定。
• 使开源成为默认的多元化选择：资助多元化的开源生态系统，以避免单一供应商的垄断。

未来展望

• 开源AI仍需发展：开源AI在必要性和安全性方面仍存在不足，需要进一步加强。
• 关键挑战：开源AI面临的主要挑战包括能力差距、部署难度、可移植权限和安全性等。
• 未来方向：开源AI需要解决可移植权限问题，并建立更加完善的安全机制，才能在未来取得更大的发展。