从AT&T强制开源到基因测序之争：历史证明，AI真正的暴利全在“最后一公里”
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：开源不会摧毁AI投资，但会击碎闭源暴利：当模型沦为水电，真正能赚钱的是死磕物理世界的“互补资产”。文章来自编译。
1851年5月，数以百万计的人穿行在一座玻璃建筑的长廊中，一睹未来的模样。万国工业博览会汇集了当时全球最具代表性的创新成果，包括蒸汽锤、电报机、收割机以及抽水马桶。任何人都可以近距离接触这些技术并尝试逆向工程，各国也派出了最顶尖的工程师，竭力从竞争对手那里汲取核心技术。博览会的发起人阿尔伯特亲王坚信，技术的广泛传播与扩散是加速经济进步的关键。
一个半世纪后，经济学家佩特拉·莫泽（Petra Moser）将当年的展会名录，以及该博览会和1876年美国续展中的近15000项发明整理成了一个数据库。至关重要的一点是，这些发明分别来自实行专利保护和未实行专利保护的国家。她的研究发现让强知识产权保护的坚定拥趸大跌眼镜：专利制度对创新总量没有任何影响，它改变的只是发明家的注意力方向。当时，瑞士没有专利保护制度，因此创新者纷纷涌入科学仪器和食品等领域（雀巢于1866年在瑞士创立），在这些领域，保密性、时间领先优势以及互补性资产足以赋予他们竞争优势。而在强知识产权保护制度下，创新分布得更为广泛。两者的创新总量相同，只是在不同领域的分配方式有所差异。
如今，同样的博弈与张力再次成为闭源与开源权重人工智能之争的核心。Anthropic 和 OpenAI 认为，来自中国企业的“蒸馏攻击”不仅威胁到行业为下一代模型筹集资金的能力，还危及美国的国家安全。开源权重的支持者则反驳称，广泛扩散对于构建一个具有竞争力和创新活力的人工智能市场至关重要。
然而，莫泽的研究证据表明，当下的争论找错了切入点。开源权重不太可能改变人工智能的整体投资水平，它改变的只是投资方向：即研发什么、由谁研发，以及谁能捕获回报。闭源实验室可能会继续推进最前沿的通用能力，而开源权重则让试验广泛渗透到那些能够将机器智能与稀缺数据、分发渠道以及隐性知识相结合的企业和领域。同样的资源分配逻辑也影响着安全问题。真正核心的问题不在于开源在抽象层面上是否危险，而在于扩散在何时能够增强防御者的力量，以及在哪些环节才能真正遏制有害能力。
机器智能市场前景的两种对立愿景
反对开源权重的经济学论点很简单：模型蒸馏属于知识产权窃取，会削弱创新动力。如果美国政府不出面动用一切可用手段予以制止，不仅美国本土的实验室将无法筹集下一轮大规模训练所需的资金，中国还会搭便车坐享其成并实现赶超。在持有这种世界观的人看来，开源权重在本质上是极端的“减速主义”。
相反的观点则着眼于历史上通用技术在经济体系中扩散的规律，其结论不仅认为开源权重从根本上促进了竞争与技术加速，更指出若没有开源，美国将迅速落后。开放与充分试验正是我们在互联网时代保持领先的原因，这一次也不例外。
安全隐患让这场讨论变得更加错综复杂。达里奥·阿莫代伊（Dario Amodei）多年来一直极力反对开源权重，理由是它们带来了巨大的安全隐患。他认为，一旦智能跨过某个临界阈值，人类社会将无法抵御恶意行为者，失控的模型可能会造成毁灭性的生存危机。只有通过把控访问权限并设置严格的安全护栏，那个汇聚“数据中心天才”的国度才被允许存在。更糟糕的是，由于开源权重无法被“召回”，我们可能会在毫无预警且缺乏应对手段的情况下，突然陷入末日般的绝境。
阿莫代伊的批评者则指出，如果没有开源权重，机器智能市场将迅速高度集中；而且对 Anthropic 而言，其商业利益恰好与人工智能安全目标及美国国家安全诉求完全契合，这未免太过巧合。安全研究人员同样经常能越狱绕过闭源模型的防护，Anthropic 和 OpenAI 的模型也已被黑客广泛利用，甚至用于入侵政府的敏感基础设施。他们认为，闭源模型虽然带给我们安全的假象，但充其量只是为我们买来了一种“拥有充裕时间”的错觉。
双方各自担忧今日的错误举措会让我们陷入无法挽回的困境。而且双方都由衷地相信，自己的方案才是保障安全的唯一途径（或者说是现实条件下最安全的路径）。幸运的是，经济学规律从不偏袒任何一方。
名存实亡的专有性制度
Anthropic 和 OpenAI 一直是其他实验室追赶行业前沿的主要目标。Anthropic 甚至公开请求国会严惩阿里巴巴，指控其发起肆无忌惮的非法攻击以窃取其技术。如果中国实验室能在短短数月内低成本地复现其模型性能，美国实验室又该如何持续为昂贵的训练筹集资金？
Anthropic 这一诉求的症结在于，除了虚假账户和系统性滥用 API 之外，它所期望的那种类似专利的专有性制度其实从未存在过。模型蒸馏是业界公认的正当做法，与过去美国国防、航空航天及芯片承包商所面临的间谍行为和商业机密窃取有着本质区别。中国实验室并没有直接窃取核心权重，他们只是通过提示词工程，让美国模型充当自身模型的“导师”。
模型生成的内容不受版权法保护，且人工智能实验室通常会将输出内容的归属权赋予客户。尽管服务条款可以明文禁止客户使用这些输出来训练竞争模型，但这就引出了一个显而易见的问题：如果技术如此先进，实验室为什么不能用技术手段来阻止蒸馏？答案在于，无论是请求内容还是请求来源，都无法直接暴露其攻击意图。每一个独立的请求看起来都与正常客户无异，有组织的团队可以将调用量分散在大量批量注册的账户、聚合平台以及不同司法管辖区。如果不在全平台增加繁琐的使用门槛，封禁行动就只会沦为“封号-重开”的无休止循环。这种权衡在 Fable 上已经显露无遗。由于其对协助前沿人工智能研发施加限制，引发了客户的强烈不满，Anthropic 不得不在几天内紧急调整规则。足以产生实质效果的风控措施，势必会误伤大批合法的正常工作。长远来看，阻止付费客户使用输出数据进行训练在商业上是行不通的，限制收得过紧，核心高频用户就会直接流向开源权重模型。
最后，将过去十年推动人工智能取得巨大进展的核心技术单独判定为非法，会让顶尖实验室陷入极其尴尬的境地，因为他们自己目前正是极力援引“合理使用”原则，来对互联网上海量的网页、媒体内容和书籍进行大规模的数据提炼与吸收。
退一步讲，顶尖人工智能模型能够作为导师来提升落后模型的性能，这对于美国的人工智能产业真的有害吗？即使政府能够动用软实力、政策和外交手段来强制推行这种壁垒，我们真的希望看到这种结果吗？
垄断，还是不垄断？
1959年的理查德·纳尔逊（Richard Nelson）与1962年的诺贝尔奖得主肯尼斯·阿罗（Kenneth Arrow），都曾深入探讨过这一经典难题。知识具有非排他性和非竞争性：我对某项创意的应用并不会妨碍你使用相同的创意；而创意一旦被公开，就无法再将他人排除在外。因此，一项创意所创造的社会总价值往往远超发明者自身所能捕获的收益，这引发了一个经典担忧：某些具有极高社会价值的创意从一开始就无法获得充分的探索与资金支持。
模型权重——至少在脱离外围配套软件单独存在时——其表现形态与“创意”极其相似。
对于整个社会而言，这就演变为了一个跨时期的核心矛盾：一旦某项创意诞生，社会希望它能尽可能广泛地传播。毕竟其边际成本就像下载模型权重一样，几乎为零。但在创意诞生之前，社会又必须让探索者坚信，他们能够捕获丰厚的回报以收回研发成本。
约瑟夫·熊彼特（Joseph Schumpeter）终其一生都在与这种矛盾抗争，他一方面肯定垄断地租对激发早期投资的价值，另一方面又强调初创企业与“创造性破坏”打破垄断、推动后续爆发式增长的必要性。最终，他得出了一个略显矛盾的折中结论：社会所能采取的最佳策略就是先赋予其阶段性的垄断地位，随后彻底放开竞争。
自那以后，创新经济学领域的所有研究，本质上都是在无休止地争论这种垄断究竟应当持续多久，以及应当依托何种机制来进行约束。然而，这里存在一个能够显著打破开源与闭源之间平衡的关键变量。
创意的复利效应
绝大多数（甚至可以说是全部）创新，都是某种形式的创意重组的结果。在那些高度依赖知识累积性以及需要对既有成果进行再加工的领域，赋予先行者的权利期限与强度，必须与后来者推迟探索所造成的额外代价进行审慎权衡。领先的人工智能实验室无论资源多么充沛，所能探索的有前景路径终究有限，这一点在人工智能安全领域同样适用。
人工智能自始至终都是快速蒸馏与提炼的产物。当今令人惊叹的模型，既得益于“AI寒冬”期间学术界在神经网络领域数十年如一日的沉淀，也离不开谷歌对 Transformer 架构的公开发布。从这个角度来看，开源权重模型作为闭源模型的“学生”，正是这一技术传承脉络的直接延续。模型的输出正是推动整个生态系统向前演进的关键研发原料。
关于限制基础研发要素获取如何抑制创新的最纯粹的自然实验，来自另一场竞赛：即营利性公司Celera与公共资助的“人类基因组计划”在 DNA 测序上的角逐。Celera在率先完成某段基因测序后，通过收费、限制再分发以及商业化授权等手段限制外界获取。经济学家海蒂·威廉姆斯（Heidi Williams）发现，与从一开始就完全公开的同类基因相比，这些受限基因所吸引的后续研究和产品开发减少了20%到30%。尽管这些限制在两年内随着公共项目独立完成相同基因的测序而告终，但所造成的差距却长期存在。直至2009年，由Celera测序的基因在后续研发产出上依然落后于其他基因。
当后续研发的价值极高时，即便早期的小小阻力也会产生复合的负面累积效应。相应地，消除阻力则会对创新的速率与方向产生深远影响。在生物材料领域，杰夫·弗曼（Jeff Furman）与斯科特·斯特恩（Scott Stern）发现，当研发要素的获取变得更加便捷时，研究的累积性提升了57%至135%。在基因工程小鼠的研究中，菲奥娜·默里（Fiona Murray）、菲利普·阿吉翁（Philippe Aghion）及其合作者研究了当美国国立卫生研究院（NIH）通过谈判取消杜邦公司对数百种 Cre-lox 和 Onco 品系的限制，并废除阻碍学术获取的穿透性版税与繁琐报告要求后的情况。结果表明，后续研究显著增加。更关键的是，研究方向呈现出百花齐放的态势，新研究人员纷纷加入，探索了更多全新的技术路径。而在上游，新型工程小鼠的培育工作未受任何负面影响。
总体而言，只要技术累积与广泛探索带来的收益足够显著，开放就是最具优势的策略。这也意味着，当技术发展仍处于高不确定性阶段时（如同当下的 AI），社会从开放中获得的红利最大。当技术演进只剩下沿着已知路径进行确定性执行时，闭源的危害性就会大大降低。即便是在这种特定情形下（比方说某种具有明确临床效益且亟待商业化的药物分子），社会赋予其阶段性垄断，也是为了换取相关技术信息的公开披露。专利制度本身的设立初衷就是为了促进技术传播，避免因商业秘密保护而导致技术彻底被彻底雪藏。
你可能会好奇，这些来自重科研领域的案例是否同样适用于人工智能？毕竟，大规模部署模型需要对底层基础设施进行巨额投资，而这正是实验室面临最大风险的地方。然而，电信行业的发展历史给出了完全相同的启示。1956年的一项反垄断和解协议，迫使 AT&T 免费开放了有史以来最具价值的专利组合之一。马丁·瓦茨格（Martin Watzinger）及其合作者的测算显示，一旦包括晶体管在内的 AT&T 发明可供他人自由借鉴，全社会的发明创新活力在五年内激增了17%。有趣的是，推动这一增长的并非搭 AT&T 知识产权便车的大型企业，而是瞄准全新增量市场的初创公司。与此同时，贝尔实验室也进一步聚焦核心业务，其创新势头丝毫未减，相继在1957年研制出激光器、1962年发射通信卫星、1969年开发出 Unix 系统。
尽管允许他人在自己的创意上进行复合创新可能会让 Anthropic 和 OpenAI 感到沮丧，但可喜的是，除极少数例外之外，经济进步向来就是遵循这一规律演进的。威廉·诺德豪斯（William Nordhaus）的研究发现，创新者平均只能捕获其为世界所创造的社会总剩余的约2.2%。人工智能同样概莫能外。这也让我们能更客观地审视 Anthropic 向美国政府提出的诉求——社会并不欠这些实验室一套更严苛的专有性保护制度。事实证明，另一套截然不同的价值实现机制早已在发挥作用。
创新的“最后一公里”
当一项全新的通用技术问世时，起初它必须被生硬地嵌入现有的系统之中。这些早期的“单点解决方案”只能释放新范式的一部分价值；唯有从第一性原理出发重构整体架构，这项技术才能展现出颠覆性的变革力量。
这种体系重构需要掌控并适配关键的互补性资产，包括基础设施、用户信任、分发网络以及监管合规关系。这为行业既有巨头提供了二次突围的契机，尽管新晋企业可能在早期凭借突袭式的技术创新占据了先机，但随着互补性资产逐步成为制约发展的核心瓶颈，传统巨头可以通过模仿、并购与快速跟进，重新稳固其行业地位。
20世纪80年代，理查德·莱文（Richard Levin）及其耶鲁大学的同事向全美创新领域的企业高管提出了一个基本问题：究竟是什么在保护你们的研发成果？专利保护位列倒数第一。排在最前列的是什么？是持续学习能力、技术保密性、先发时间优势以及互补性资产。十年后这项研究被再次重复，得出的结论如出一辙。唯一的例外是医药和化工行业，在这类领域中，某种特定分子结构就能定义整个产品品类，精准的专利排他性极具威慑力。然而在经济生活的大多数领域，企业在底层创意上排除他人的能力都十分有限。
只要技术的专有性较弱，行业中依然蕴藏着丰厚的利润空间；只不过这些利润会流向那些掌控着“互补资产”的一方——这些资产能让原本的技术变得更优、更廉价、更敏捷。一个经典的例证是披头士乐队的唱片发行商 EMI，该公司同时涉足电子业务，并申请了世界上第一台 CT 扫描仪的专利。其首席工程师戈弗雷·豪斯菲尔德（Godfrey Hounsfield）因此荣获诺贝尔奖。然而 EMI 却几乎未能捕获到这项技术的商业价值。短短数年内，EMI 惨遭收购，CT 市场被通用电气（GE）和西门子牢牢瓜分。GE 凭借的互补资产是什么？是成熟的医院分销渠道与维保服务网络，而这正是扫描仪真正推向市场的“最后一公里”。
人工智能自诞生之日起就处在专有性较弱的一端。尽管通往通用人工超级智能（ASI）的竞争异常激烈，但前沿的研究成果总是不可避免地流出实验室，顶尖人才依照硅谷传统在各大公司间频繁流动，模型的 API 接口也必然会泄露有价值的技术细节。在所有这些维度上，即便是最严苛的封堵手段，充其量也只能为前沿实验室争取到极其微弱的时间领先优势。更何况，鉴于顶尖人才和大型企业客户在现阶段拥有的议价能力，过于严苛的管控反而会产生适得其反的糟糕后果。
当然，实验室的核心秘方并非全部流入公共领域。据 Epoch AI 测算，最终的训练流程仅占总算力成本的10%至23%，实验室在数据清洗与标注、基础设施架构与优化，以及从失败实验中吸取教训等方面，积累了大量极具价值的隐性知识。但其中的规律依然一致——如果前沿实验室无法迅速掌握在市场中规模化推广 AI 所需的关键互补资产，价值最终必将向其他领域转移。
这也解释了为什么各大 AI 实验室都在竭力通过深度绑定模型与交互外壳来强化客户粘性，并通过 Claude Cowork、Claude Tag 和 ChatGPT 计算机操作等工具向下游应用层大举扩张。这些工具不仅能沉淀海量行为轨迹以复刻人类技能、决策与判断力，还能放大客户将所有交互记录和记忆统一沉淀在同一产品生态中的使用价值，从而避免客户多平台切换。只要你能成为满足客户所有 AI 需求的超级入口，即便底层的机器智能日趋同质化与大宗商品化，你也能通过持续优化体验构建起坚实的护城河。
除了在应用层扩张以及通过算力垂直整合以获取成本优势外，推动行业监管或许是前沿实验室人为构筑互补资产壁垒的最有效途径，如果能以“安全”为由大幅拉高模型评估与上市准入的门槛，就能将那些缺乏全明星政策、合规、法务与安全团队的竞争对手直接挡在门外。
这种套路在金融、医疗等强监管行业中早已屡试不爽。在欧盟出台宣称“保护消费者权益”的隐私法规后，数字平台领域也上演了完全相同的剧情，GDPR 不但没有真正遏制行业巨头的数据收集能力，反而由于繁琐复杂的合规成本，对缺乏合规资源的初创企业和中小玩家造成了普遍的寒蝉效应。
然而，存在监管俘获的可能并不意味着安全问题本身是个伪命题。实验室的诉求完全可能既出于自私的商业考量，同时在安全事实上又是成立的。开源权重模型真的必然比闭源模型更危险吗？抑或是将控制权集中在少数寡头手中，反而会酝酿出更为巨大的系统性风险？
安全的“最后一公里”
美国的核心比较优势在于鼓励无需许可的自由探索与试验，而非过早对新技术施加管制或直接钦定赢家。但互联网时代的成功经验对于人工智能或许完全不适用。万一开源权重本身就极度危险，而严格的护栏与身份实名认证才是驾驭前沿能力的唯一安全路径呢？
强力的管控手段确实能提高恶意分子滥用系统的门槛。但由于该技术具备典型的军民两用/双重用途特征，这些管控措施也势必会限制更多善意使用者的合法访问。在某些特定领域，防御能力的快速普及至关重要，因此闭源模型并不必然更加安全。
这一平衡取决于两个核心的经济学问题——在边际上，谁能从技术的扩散中获益最多？以及究竟在哪些环节才能真正对访问权限实施有效拦截？在网络安全领域，防御力量高度分散在无数的机构与终端设备中。开源权重显著降低了代码审计、漏洞修补和老旧系统升级的门槛；与此同时，顶尖黑客往往具备绕过模型层防护的能力。因此，限制模型访问实际上是在对庞大的防御群体征税，却根本无法有效阻挡能力极强的对手。
在生物技术领域，情况则大相径庭。一个危险能力的扩散就可能造成不可逆的灾难，让整个社会难以招架。因此，如果能利用延缓技术扩散所争取到的时间，来加强筛查并牢牢管控将模型输出转化为大规模现实伤害所必需的稀缺实体原料（如基因合成仪、专用设备及生物试剂），那么延缓扩散就具有特殊的战略价值。互补资产的规律在安全领域同样适用，当瓶颈存在于由“原子”构成的物理世界时，它所能构筑的卡脖子防线，远比软件层面的护栏有效得多。
对于真正关乎人类存亡的系统性风险，天平可能需要更彻底地向开源倾斜。当未知变量占据主导时，识别或化解一次攻击或 AI 严重副作用所需的知识，往往高度分散在全社会，而非集中在少数 AI 实验室的员工手中。如此一来，开源权重有助于孕育一个更具韧性、更加多元化的 AI 免疫系统，使防御能力广泛普及，而不是被禁锢在少数几家单一种群的温室中。将人才、思路以及漏洞评估测试能力集中在极少数人手中，一旦危机爆发，全社会将陷入无计可施的境地。
当然，这绝不意味着能力强的开源权重模型可以在未经独立第三方严格评测的情况下随意发布。分阶段的渐进式发布机制，能让整个生态在新能力涌现时有充裕的时间进行学习与自适应调整。从更广泛的维度来看，安全研究人员应当投入更多精力，去深入探索如何在模型训练的不同阶段主动削减或彻底剔除有害能力，而非单纯依赖事后拒绝应答这种表面功夫。
我们目前的方法高度依赖安全护栏。但如果将“假设已被突破”作为最切合实际的立足点，深入探索替代方案就显得至关重要。我们面临的抉择或许并非在开放与安全之间二选一，而是在“赌我们能完全约束好比特（Bits）的安全模式”与“为封堵失效做好全面兜底准备的安全模式”之间做出选择。
但这依然留下了商业策略层面的悬念，抛开是非曲直不谈，AI 实验室能否通过游说主导安全监管，从而遏制国内外开源权重的推进步伐？抑或是该技术的内在经济规律正在将时代推向完全不同的方向？
掌控属于自己的“生产权重”
许多企业已经意识到，领先的 AI 实验室潜在的监管俘获对其自身业务构成了实质性威胁，并开始倡导技术自主可控的“主权化”路径，首要诉求就是确保开源权重在政策监管上不受歧视。企业之所以高度聚焦开源权重，既是为了打破供应商锁定——毕竟企业级落地需要大量的定制化工作以榨取极致的模型性能——也是为了捍卫自身最核心的商业机密。
要让模型能够胜任日益复杂的高阶专业工作流，就必须注入更加精细、专有的业务数据。目前，这些核心数据依然掌握在各行各业的领军企业手中，但在工程、设计、金融、财会及法律等领域，AI 实验室正通过各种精巧手段穷追不舍地搜集这些数据。其中一部分数据是以隐性知识的形式存在于行业专家大脑的“神经权重”中；一部分沉淀在长期运行的企业核心业务系统中；还有一部分尚未被数据化——尽管企业通常凭借与上下游成熟的合作关系具备采集这些数据的天然优势。
因此，尽管实验室与企业早期的接洽大多围绕“技术赋能业务”的合作模式展开（我们提供前沿技术，你们提供行业专长），但越来越多的企业客户敏锐地察觉到，自己距离直接与 AI 供应商反目成仇、成为正面竞争对手仅一步之遥。失去对“生产权重”的掌控权已成为切实的生存危机，尤其是考虑到平台型巨头有极强的利益驱动去背弃所谓的“中立承诺”，转而扶植自家的竞品。Anthropic 与 Figma 之间如今剑拔弩张的关系便是一个绝佳的例证：Figma 最初只是作为客户采购技术，如今却不得不全力应战，以防自身在产业链中被彻底架空和边缘化。
企业最初对开源权重模型的青睐主要源于降本诉求，这也是对员工此前数月来为了提升产出而疯狂消耗 Token（“tokenmaxxing”）的一种自然修正。通过将提示词调用切换至低成本的开源权重模型，企业能够将相当比例的 Token 需求从昂贵的前沿模型转移开来。AI 实验室已开始通过持续下调入门级模型的价格来打价格战，并通过针对性训练使自身模型在自家应用生态中发挥出最佳性能。
然而从长远来看，成本并不是企业拥抱开源的核心理由——自主掌控权才是生死攸关的关键维度。诚然，实验室公开承诺绝不会使用客户的输入和输出进行模型训练，但现实情况是，只要与其工具进行交互，核心信息就会在无形中泄露。此外，随着工具链的不断演进，以及企业在定制专属 AI 工作流上投入巨额资源，供应商锁定只会愈演愈烈。因此，对于大多数行业龙头而言，开源权重不仅是一个成本避风港，更关乎企业的生死存亡。在未来数年内，每家企业都必须具备独立训练、深度优化并完全掌控支撑其核心战略运营的模型的能力。如果无法将最核心的隐性知识与业务洞察保留在自身体系内，企业终将被时代的浪潮无情淘汰。
在自主可控的主权架构下，未来的行业格局从 Thinking Machines 与投资巨头桥水基金（Bridgewater）近期的合作中便可见一斑。对于一家对冲基金而言，获取超额收益（Alpha）就是其立足之本，因此桥水在技术架构的选择上自然会慎之又慎。在这一案例中，双方联手在 Thinking Machines 的基础模型之上扩展训练出了一个专属定制模型。实验室输出通用机器智能与模型训练工具链，对冲基金则注入其独家的投资洞察。这种深度专业分工既捍卫了桥水的核心利益，又使其能对承载其底层知识产权与核心隐性知识的模型权重拥有绝对的掌控权。
从战略定位来看，尽管 Anthropic 和 OpenAI 时常被自身客户视为潜在的竞争对手，Thinking Machines 却采取了赋能产业链的共生模式——唯有客户取得成功，自身才能实现共赢。微软和 Palantir 同样押注于此，致力于成为那些希望将机器智能严格锁定在自身私有边界内的企业的基础设施与 AI 工具供应商，未来必将有更多玩家跟进这一路径。
究竟哪种模式更契合机器智能市场的发展规律？是由少数顶尖 AI 实验室研发通用智能并自上而下渗透下游？还是从应用层自下而上生根发芽，并将业务思考与优化反哺给海量的开源权重模型？这完全取决于市场对机器智能需求的底层形态。
绘制智能需求的曲率图
任何一项通用技术所带来的社会红利都会广泛渗透至各行各业，没有任何一家企业能够将其产生的价值尽数收入囊中。从理论上讲，这可能会导致投资不足。Anthropic 和 OpenAI 的模型越通用，其创造的宏观价值与自身捕获的商业利益之间的脱节就越严重，这也解释了为何各大实验室近期纷纷转向网络安全和生命科学等垂直专用模型。人们或许会担忧，如果没有这些实验室的持续推进，由于大家都有动机在基础能力上搭便车，并集中在支付意愿极高的领域进行开发，那些商业化变现能力较弱的机器智能领域就会被彻底冷落。
但这种观点忽略了开源权重将昨日的前沿能力大宗商品化所带来的一个关键后果：随着推理成本呈现断崖式下跌，大量在过去不具备商业可行性的应用场景瞬间具备了经济性。这极大地加速了技术普及，而随着应用渗透率的提升，有动力共同反哺和维护底层共享技术资产的企业数量也在同步激增。这一幕在以 Linux 为代表的开源软件发展史上曾多次上演——拥有互补商业模式的企业纷纷回馈开源公地；这也深刻解释了英伟达为何能够聚合起如此庞大而多元的产业联盟来鼎力支持开源权重。
这导向了一种独特的市场分化格局。决定这局面的核心曲线，是每增加一个单位的模型能力所带来的边际回报。在大部分经济领域中，这种边际收益会迅速出现边际递减：一旦模型达到“足够好”的及格线，进一步的能力提升就远不如价格、稳定性以及部署便捷度来得重要。机器智能将呈现大宗商品属性，像电费账单上的度数一样按需计量收费。开源权重模型，或是按成本价运行的闭源模型，将主导这一庞大的基础市场，而在基础设施或算力规模上具备成本优势的企业将展开激烈的价格竞争。一些实验室甚至可能通过捆绑销售或交叉补贴这些通用大宗 Token，来留存客户并向其推销高利润的高阶服务。
然而，高附加值 Token 的生产逻辑则截然不同。随着企业逐渐转型为将输入 Token 加工为精炼输出的“Token 工厂”，唯有掌握更优质的基准真值数据、垂直行业资产以及顶尖人才的企业，才能享有高额溢价。这些要素对于拓展安全自动化的业务边界、输出更贴合真实复杂场景的机器智能至关重要。归根结底，这正是互补资产发挥决定性作用的战场，而商业价值最高的模型，将由那些身处产业前沿、善于将现实世界的摩擦与反馈转化为高质量 Token 的企业所推动。只有当智能体（Agent）的工作具备可信度时，它才能真正释放商业价值，而建立信任离不开更完善的验证体系。实现高效验证的唯一途径，就是拥有比竞争对手更扎实、更精准的行业基准真值。显而易见，强大的渠道分发能力正是以最快速度搜集这些核心资产的杀手锏。
其他领域则呈现出完全相反的收益曲率。在网络安全、量化金融、前沿科研（包括 AI 自身研发）以及专利发明等领域，极其微弱的模型能力领先就能转化为不成比例的海量超额回报。这种凸性收益曲线足以支撑起阶段性的前沿垄断暴利，因为买家宁愿一掷千金购买最顶尖的模型，也绝不会为屈居第二的模型买单。这些超额利润最终会流入通用实验室还是垂直专精服务商的口袋，完全取决于谁能抢先一步拿下核心数据。
然而，在这些超高回报的领域中，存在一个被许多狂热做多前沿实验室的投资者所忽视的致命特质：在曲率最陡峭的领域，边际买家根本不是普通用户或企业，而是主权国家。而在涉及国运的关键时刻，国家从来不需要遵循自由市场规则。我们从此前针对 Fable 和 Mythos 的禁令中已经窥见了端倪。随着美中两国在 AI、机器人、量子计算及航天领域的全面竞逐，双方都会不惜一切代价确保领先地位。因此，收益曲线越陡峭，某家实验室一旦取得真正意义上的空前突破，其被国家严密接管甚至直接收归国有的概率就越高。极其讽刺的是，任何一家 AI 实验室若想维系自身独立与自由，它必须取得成功，但绝不能成功到引发国家意志介入的地步。
这自然引出了一个关于 AGI/ASI 的终极拷问。尽管许多人认为，在任何可验证的领域我们已经拥有了类似 AGI 的超级智能，但人们难免会质疑一旦某家实验室真正突破了 ASI（人工超级智能），前面讨论的所有经济学规律是否就会彻底失效？毕竟，ASI 正是各大实验室宁愿放弃眼前的垂直行业盈利机会、也要死磕递归自我进化的根本原因。其逻辑在于只要率先彻底攻克通用智能，整个实体经济都将不得不臣服于代码之下。然而，如果你认同“分散在各处的隐性知识对于 ASI 转化为实际生产力依然不可或缺”，你就会迅速意识到，互补资产的核心价值绝不会随 ASI 的降临而灰飞烟灭。相反，它们反而会演变成为落地部署中更为致命的“最后一公里”瓶颈。最后，如果 ASI 的本质依然是由“创意与思想”所构建，那么想要永久封锁它就是天方夜谭。它终将外溢泄露，技术曲线终将被大宗商品化，而商业价值也必将再次向那些与物理世界存在摩擦与阻力的关键节点汇聚。
通用与垂直，以及未知的未知
行文至此，逻辑应当已经十分清晰——开源权重所冲击的绝非人工智能的整体投资规模，而仅仅是其资本配置的方向。
在开源权重占据主导地位的世界里，只要某个领域内存在至少一家拥有互补商业模式或关键互补资产以确保价值变现的企业，该领域的技术演进就会持续推进。诸如英伟达这类巨头，天然乐见任何能刺激算力与智能需求的领域蓬勃发展；而另一些企业之所以积极拥抱，则是因为 AI 能为其降本增效、提升品质、增强用户粘性与留存率。一个以开源模型为核心的发展结局是：机器智能依然具备极强的综合能力，但呈现高度专业化的垂直分工。在这一推演格局下，取决于各领域最前沿能力（SOTA）的实现与迭代路径，通用型 AI 实验室很可能会重蹈 EMI 的覆辙——即便率先发明了革命性的 CT 扫描仪，却最终沦为替他人做嫁衣。
而在天平的另一端，若所有技术突破都高度垄断在少数几家头部实验室手中，全社会将有望享受到最为通用的超级机器智能所带来的红利。这一商业模式得以持续维系的前提是，实验室必须在每一轮技术迭代中建立起足够宽的壁垒与先发优势，以收回高昂的研发开支并抵御同质化降价潮。在这样的格局下，虽然头部实验室坐拥极强的市场支配地位，但开源权重的存在犹如一把达摩克利斯之剑，通过维持局部市场的竞争压力，使其市场地位时刻面临有效制衡。
取决于市场对机器智能的真实需求形态，这两种技术路线在未来相当长一段时间内很可能会并存共生，闭源实验室牢牢盘踞在塔尖的高端市场，开源权重模型则承载着全社会绝大多数的日常 Token 吞吐，并在每一代技术更迭中周而复始。然而，一旦 AGI/ASI 最终变得像水电一样廉价且唾手可得，商业世界中最后幸存的护城河，将只剩下那些尚未被人类探索发现的未知信息，以及一切尚未被数字化的现实数据。届时，整场竞争将演变为一场全新的耐力赛：看谁能最先捕捉到与物理宇宙碰撞产生的微弱信号与摩擦反馈，并将其输入反哺给超级智能。而在这样一场博弈中，高度分散在真实世界各处的分布式智能形态，相比于孤悬在象牙塔顶端的中心化智能，往往握有降维打击般的天然不对称优势。
弗里德里希·哈耶克（Friedrich Hayek）对中央计划经济致命缺陷的深刻洞见在于，计划者的失败并非因为智力低下或计算能力不足，而是因为没有任何单一的主体——无论其多么聪慧绝顶——能够穷尽所有相关的动态知识。这些知识往往高度分散、因地制宜、充满隐性经验且处于永恒的变动之中，即所谓的“关于特定时间与特定地点的具象知识”。即便面对无所不能的超级智能，它也必须源源不断地深入现实世界去探索与感知。
自由市场之所以能完胜计划指令，正是因为它将无数个体与现实碰撞所产生的独立经验，转化为了一个高度分布式的“探索、适配与筛选”网络。各方的超级智能百家争鸣，各自秉持不同的假设与价值取向去探索宇宙的未知前沿，其所能发现的真理，注定远超任何单一中心化智能系统所能触及的极限。开源权重正是这种自由市场逻辑在智能时代的自然延伸，它让智能得以在全社会的每一个角落生根适配，而非由中心机构统一调优后按配额配给。监管俘获或许能暂时延缓它的扩散步伐，或许能削弱其演进的势能斜率，但绝不可能逆转这股滚滚向前的历史洪流。
译者：boxi。