🐯虎嗅•最新收集於 22m
從 DeepSeek、Kimi 到「黃仁勳聯盟」：AI 模型開源，到底「開」了什麼？
💡開放權重不等於開源，先搞清楚模型能否合法部署與重現。
⚡ 30-Second TL;DR
有什麼變化
DeepSeek、智譜與 Kimi 接連引發開放模型市場熱潮。
為什麼重要
開源與開放權重之間的差異，會直接影響商業部署、合規、自訂能力與研究可重現性。若團隊將所有可下載權重都視為完全開放，可能低估授權與供應鏈風險。
下一步行動
在部署 DeepSeek 或 Kimi 前，請檢查各模型卡與授權條款，確認商業使用、再發布及微調限制。
誰應關注：Researchers & Academics
關鍵要點
- •DeepSeek、智譜與 Kimi 接連引發開放模型市場熱潮。
- •Jensen Huang 正推動由開放模型組成的全球產業聯盟。
- •許多所謂的開源模型只公開模型權重，未完整公開訓練資料、程式碼或訓練流程。
- •開放權重可降低模型使用與部署門檻，但授權限制與可重現性仍需逐一確認。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •開放權重（Open Weights）與開源軟體（Open Source）在 OSI 定義下存在法律鴻溝，許多模型因缺乏訓練數據集與完整訓練配方，無法符合 OSI 的開源定義。
- •NVIDIA 推動的開放模型聯盟（如 NIM 微服務架構）旨在透過標準化 API 介面，降低企業部署異質模型時的整合成本，而非僅僅是模型權重的共享。
- •DeepSeek 等廠商採用的 MoE（混合專家模型）架構，雖然提升了推理效率，但也因參數規模龐大，導致在邊緣設備上進行完全重現訓練的門檻極高。
- •中國模型廠商在開放模型時，常面臨合規性審查與數據隱私保護的雙重壓力，這導致其開放程度往往在『權重公開』與『商業授權』之間採取混合模式。
- •學術界與開源社群（如 Hugging Face）正推動『模型卡（Model Cards）』標準化，試圖強制要求廠商揭露訓練數據的來源與偏見評估，以彌補目前開放透明度的不足。
📊 競品分析▸ Show
| 特性 | DeepSeek (MoE) | Llama 3.1 (Meta) | Mistral (Open-Weights) |
|---|---|---|---|
| 開放程度 | 權重開放 (部分) | 權重開放 (商用許可) | 權重開放 (Apache 2.0) |
| 架構 | MoE (混合專家) | Dense (稠密) | MoE/Dense 混合 |
| 訓練數據 | 不公開 | 不公開 | 不公開 |
| 基準測試 | 高推理效率 | 生態系最廣 | 高性價比 |
🛠️ 技術深入
- DeepSeek 採用了先進的 MoE 架構，透過動態路由機制僅激活部分參數，顯著降低了單次推理的計算成本。
- NVIDIA NIM 透過容器化封裝模型，提供標準化的推論 API，支援多種硬體後端（如 TensorRT-LLM），實現模型與底層硬體的解耦。
- 許多開放權重模型採用了知識蒸餾（Knowledge Distillation）技術，將大型教師模型的邏輯遷移至較小的學生模型，但此過程通常不公開教師模型的權重。
🔮 前景展望AI analysis grounded in cited sources
OSI 將正式發布 AI 開源定義標準
隨著開放模型爭議擴大，國際開源組織正積極定義何謂真正的 AI 開源，這將迫使廠商在行銷用語上做出調整。
模型權重開放將成為企業級 AI 採購的必要條件
為了避免供應商鎖定（Vendor Lock-in），企業將傾向選擇具備權重開放的模型，以便在自有基礎設施上進行微調與部署。
⏳ 時間線
2024-01
DeepSeek 發布首個具備競爭力的開源模型系列，正式進入開放權重市場。
2024-06
NVIDIA 宣布推出 NIM 微服務，旨在加速開放模型在企業環境的落地與部署。
2025-03
智譜 AI 與 Kimi（月之暗面）相繼擴大模型開放範圍，引發中國市場對於模型透明度的討論。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗