赵军｜撰文

不久前，我在《从“无尽的前沿”到“新黄金时代”：美国为何要重新定义科学能力？》一文中讨论过，美国正在重新调整科技战略的底层逻辑：科学能力不能只表现为论文、实验室和知识生产，还必须转化为国家安全、产业优势与社会繁荣。2026年7月24日，微软、英伟达、Meta、Google、OpenAI、IBM、Hugging Face、Linux基金会等科技企业、投资机构、开源组织等联合发布题为《开放权重与美国人工智能领导力》（Open Weights and American AI Leadership）的公开信，进一步展示了这种战略转向在人工智能领域的具体形态。

公开信将当前的 AI 发展类比为 20 世纪 80 年代的开源软件运动，认为开放权重是维持美国 AI 领导力的基石。公开信提出，美国的人工智能领导力不应由某一个前沿模型来衡量，而取决于能否建立一个强大、开放并扩散到各个产业部门的人工智能生态；开放权重模型使企业、大学和公共机构能够下载、检查、修改并在自身基础设施上运行模型，从而扩大人工智能的可及性、适应性与应用范围。公开信还呼吁扩大创业企业和科研人员获得算力的机会，投资共享数据集、工具和评测框架，并避免对开放模型设置过早、过于宽泛的限制。截止到8月3日，该倡议得到235家机构联署。

这些主张指向了三个层次的问题：人工智能能力是继续集中在少数企业提供的封闭接口中，还是转化为更多组织可以自主部署和改造的技术基础？未来的产业竞争主要发生在单个模型之间，还是扩展到芯片、云计算、开发工具、行业应用和技术服务等整个产业链？一个国家的人工智能领导力究竟表现为拥有最强模型，还是表现为让人工智能进入工厂、医院、农场、学校和中小企业的真实工作流？

长期以来，美国人工智能产业内部始终存在两种力量：一方面，前沿模型的训练成本快速上升，能力日益集中在少数巨头手中；另一方面，人工智能要真正进入制造、医疗、教育、科研和公共服务，单靠少数企业提供的封闭接口又远远不够。模型能力越强，社会对于可部署、可调整、可控制模型的需求反而越大。开放权重不只是技术路线之争，也是人工智能能否向千百万个组织扩散的关键。

这也解释了为什么立场、技术路线和收入来源并不相同的企业，会共同支持这一倡议。Meta长期把开放权重模型视为扩大开发者基础和行业影响力的重要手段；Mistral、Cohere等模型企业需要通过开放或部分开放建立市场入口；OpenAI和Google的核心业务长期更多依赖封闭模型、云端接口和平台服务，但同样需要避免开放权重生态被竞争对手完全主导；微软、亚马逊和Google既拥有云计算平台，也投资或合作不同基础模型企业，因而更希望形成一个多模型并存、持续消耗云算力的平台市场。

同时，英伟达、AMD和Intel关心的是开放模型能否推动更大规模的训练、推理和本地部署，从而扩大芯片及计算系统市场；戴尔、联想、思科等硬件和基础设施企业希望把模型部署转化为服务器、网络和企业计算需求；Hugging Face、GitHub、GitLab、LangChain、Ollama等开发平台和工具企业，则依赖开发者数量、模型流通和工具使用形成生态价值。Palantir、ServiceNow、SAP、Snowflake等企业软件和数据平台公司更关注模型能否进入企业流程，形成行业解决方案；投资机构支持开放，则是因为开放权重能够降低创业企业进入基础模型市场的成本，扩大可投资的应用层和工具层空间。

尽管各方对于“开放”的理解并不完全相同，但共同支持开放权重，其原因是都能从一个更大的人工智能生态中获益。人工智能越广泛地进入企业和社会，围绕模型形成的芯片、算力、工具、数据、安全、集成和服务市场就越大。这封信折射出一种行业共识：仅仅拥有几个能力领先的模型，还不足以确保长期领导地位。如果大量企业只能被动购买模型调用，大量开发者无法进入底层技术体系，大量行业无法根据自身需求完成部署和改造，那么模型优势就很难转化为整个经济体系的创新优势。

从这个角度看，公开信真正要保护的，是美国人工智能生态的整体地位：当人工智能成为一种通用技术，如何让更多企业、研究机构和开发者进入同一个创新体系，同时使芯片、平台、工具、标准和服务仍然掌握在美国企业主导的产业网络之中？

一项通用技术最终能产生多大影响，从来不只取决于其最高性能，更取决于它能否扩散到经济社会的毛细血管之中。互联网真正改变世界，源于标准化协议、操作系统、数据库、编程语言和开源软件降低了创新门槛。无数企业不必从零开始建设全部技术能力，就可以开发产品和服务。Linux的意义不只在于一套操作系统，Android的影响也不只来自技术性能，而在于它们把硬件厂商、软件开发者、服务企业和终端用户组织进了同一个生态。

人工智能同样如此。前沿模型代表技术能力的最高点，却不一定自动转化为最广泛的生产力。绝大多数工厂、医院、学校、实验室和中小企业，并不需要在每一项任务上调用参数最多、成本最高的模型。它们更需要能够部署在自己的设备和服务器上，能够利用本地数据进行调整，能够嵌入既有业务流程，并在成本、安全和性能之间作出平衡的模型。对于这些组织来说，其核心诉求是能否找到适合特定任务的模型，并将其稳定地转化为生产流程的一部分。

这意味着人工智能竞争正在出现两条战线。一条是继续追求模型能力的最高边界，竞争谁能解决更复杂的问题；另一条则是竞争模型进入企业、产业和个人工作的速度，竞争谁能将人工智能变成更多组织可以使用的普遍能力。没有前沿能力，生态缺少持续升级的源头；没有扩散能力，再强的模型也可能停留在少数公司和少数场景之中。

在人工智能产业中，开放与控制并不是简单的反义词。封闭模型通过接口收费，直接控制每一次能力调用；开放模型则可能放弃对部分权重和代码的排他控制，转而掌握模型运行所需要的芯片、云平台、开发工具、安全框架和行业标准。前者控制的是产品，后者控制的可能是产品赖以生长的环境。

开放权重首先能够扩大技术采用。创业企业不必投入巨额资金训练基础模型，可以把有限资源用于行业数据、产品设计和客户需求；大学和研究机构能够检查模型、开展实验，而不完全受制于商业接口；大型企业也可以将模型部署在自己的基础设施上，把积累多年的数据、流程和知识保留在组织内部。对使用者而言，开放降低了进入门槛；对生态主导者而言，更多使用者进入，则意味着更多适配、优化、反馈和创新不断回流到同一技术体系之中。

开放由此形成了一种更深的生态锁定。当开发者习惯某套模型架构，企业围绕某种接口重构业务流程，工具公司针对某种模型开发软件，学校据此培养人才，投资机构围绕相应生态配置资本时，技术选择就不再是一项可以轻易改变的采购决定，而会变成组织能力和产业关系的一部分。模型权重可以被复制，开发者网络、工具体系、行业知识和标准秩序却很难在短时间内复制。开放并没有消除控制，而是把控制从模型内部转移到了生态结构之中。

这也是为什么开放生态并不是一个没有中心的自由共同体。模型可以免费，生态并不免费；权重可以开放，计算、数据、服务和标准仍然可能高度集中。开放模型的广泛使用，会增加芯片需求、云计算需求和部署服务，也可能使某种架构、接口和评估规则成为事实上的行业标准。

人工智能时代最大的控制力，已经越来越不是来自“别人只能使用我的模型”，而是来自“别人都在我的体系里创新”。当全球开发者、企业和研究机构在一套技术体系中持续贡献数据、工具、应用和知识时，生态主导者获得的不只是市场份额，更是定义问题、设定标准和引导创新方向的能力。

这封公开信最容易引出的反应，是中国也应推出更多开放模型。这个方向当然重要，但仅仅开放模型权重还远远不够。模型可以通过一次发布实现开放，生态的繁荣却只能依靠长期组织、协作和积累形成，取决于能否吸引开发者持续参与，能否形成稳定的工具链，能否进入企业真实流程，能否积累行业数据和应用知识，并在使用过程中不断迭代。

中国拥有庞大的市场、完整的产业体系、丰富的工程人才和大量数字化企业，这些都是形成开放生态的重要基础。真正需要重视的是，如何把这些条件组织成一个能够持续创新的体系：基础模型企业愿意提供稳定而清晰的开放规则，云平台和芯片企业能够降低部署成本，高校和科研机构可以深入参与模型研究，开源社区能够获得长期支持，行业企业愿意开放真实问题和验证场景，资本也能够为工具、数据、安全和应用层创新提供耐心支持。

生态的生命力来自连接，而不是简单增加模型数量。基础模型、开发框架、数据工具、评测体系、算力服务和行业应用之间，需要形成更顺畅的协同关系；不同模型之间需要提高兼容性，降低重复适配成本；高校、企业和开发者之间需要建立更加稳定的知识流动机制。当创新者能够低成本进入、自由选择并获得合理回报，开放才会从一种发布行为变成一种持续生长的产业能力。

中国不能把建设开放生态简单理解为鼓励企业多发布几个开放权重模型，而应形成一套覆盖模型、算力、数据、工具、场景和规则的政策体系。首先，应建立分层开放的模型支持机制。对于具有公共属性的基础模型，可以通过国家科技计划、地方算力补贴和政府采购给予支持，但获得公共资源支持的模型应承担相应的开放义务，例如公开部分权重、推理代码、技术文档、评测结果或适配接口。对于涉及重大安全风险和企业核心商业秘密的前沿模型，则可以采取受控开放、研究者访问、可信环境测试等方式，而不是在“完全开放”和“完全封闭”之间作简单选择。

其次，应把政策支持重点从训练少数大模型，部分转向建设公共生态基础设施。国家和地方可以依托国家实验室、高校、人工智能公共算力平台和开源社区，建设面向中小企业和科研团队的公共算力池，降低推理、微调和行业适配成本；建设经过确权、脱敏和质量治理的公共训练数据集、行业基准数据集以及统一评测工具；支持兼容不同芯片、模型和开发框架的中间件、推理引擎和智能体工具。政府投入的重点不应只是“再训练一个模型”，还应包括那些单个企业不愿长期投资、却决定整个生态效率的公共工具和技术标准。

再次，应建立以真实采用为导向的行业开放计划。在制造、医疗、科研、能源、交通和公共服务等领域，可以由行业主管部门组织龙头企业、高校、模型企业和中小服务商共同建设开放测试场景，允许不同模型在统一任务、统一数据边界和统一安全要求下开展验证。政策评价不能只看模型参数、榜单成绩和下载数量，还应考察行业适配成本、企业部署数量、实际使用频率、单位任务成本下降、国产软硬件兼容性以及形成多少可复制的行业解决方案。只有把开放模型放进真实流程中检验，开放才能从技术发布转化为产业能力。

最后，应尽快明确开放模型的许可证、知识产权和安全责任规则。目前企业最担心的并不是开放本身，而是不清楚开放到什么程度、模型输出能否用于蒸馏和再训练、二次开发发生侵权或安全事件后由谁承担责任。政策上可以推动形成适用于中国市场的模型许可证范本，分别明确研究使用、商业部署、二次训练、模型蒸馏、数据反馈和高风险场景使用的权利与责任；对一般技术学习和合法模型改进给予稳定预期，对非法获取模型能力、侵犯商业秘密和规避安全措施的行为进行精准规制。真正有效的开放生态，不是取消边界，而是让政府、模型提供者、开发者和使用企业都清楚边界在哪里，以及越过边界将承担什么责任。

人工智能时代的领导力由此呈现出一种新的悖论：一个国家要获得更大的技术控制力，反而需要让更多人进入其技术体系；一个企业要保持核心优势，也可能需要开放一部分能力，让更多创新者共同扩大这套技术的应用边界。前沿模型的胜负可能在几个月内发生变化，开放生态的形成却需要多年积累。前者制造新闻，后者塑造历史。下一轮人工智能竞争，决定胜负的不再只是哪个国家拥有最强模型，而是谁能够让最多的人在自己的技术体系中持续创新，并把不断变化的模型能力转化为整个社会不断增长的创造力。

作者简介：

赵军，上海交通大学安泰经管学院教授，主要研究技术转移转化，科技创业，创新管理等。