在大模型开闭源之争背后，有着几大核心问题。
文｜赵艳秋
编｜牛慧
大模型市场已形成了“开源派”和“闭源派”。而当下，在大模型竞争进入市场争夺的白热化阶段后，企业在开闭源上的交锋也更为激烈。
实际上，大模型开源和传统软件开源不是一回事。在开源的定义、治理、社区性质、贡献路径和企业的开源策略上，都在发生巨大变化。
01
大模型企业开闭源策略各异
今年大模型的开闭源更为热闹，在闭源的企业，有开源的呼声；在开源的企业，有闭源的动作。
百度内部对大模型开源、闭源的讨论非常热烈。大家都在思考，什么样的方式能取得更多的竞争优势。
在BATH几家大厂中，百度、华为选择闭源路线，阿里、腾讯则推出了开源大模型。
百度对于开闭源大模型的争论，部分也来自阿里云等企业今年在开源上的声势和市场动作。
到目前为止，虽然百度文心一言仍坚持闭源路线，但百度智能云部门，在其平台上提供了大量性能很强的第三方开源大模型。百度通过闭源文心一言，也通过开源大模型使用的算力、工具和服务，来实现商业上的收益。
在开源上，今年阿里云的动作极为密集。5月在北京举办的AI峰会上，阿里云CTO周靖人表态，开源是阿里云的战略，阿里云形成的是一个开源和闭源的整体体系。阿里云已开源了参数从5亿到千亿的数款模型，打法也更为专业。
业界认为，阿里云大力推广开源，一方面是为了加快市场份额的争夺；另一方面作为云计算企业，它可以采用“羊毛出在猪身上”的商业模式，在算力、工具和服务上获得收益。周靖人在策略会上尤其强调“百炼”平台的服务。而开源还能为其引流，有些客户可能升级为闭源用户。
与其他大模型企业相比，腾讯开源大模型较晚，今年5月对外开源了混元文生图大模型。混元相关人士告诉数智前线，由于市场上已有很多开源的大语言模型，因此腾讯这次选择开源文生图，应该是第一个中文原生的开源DiT模型，未来还会尝试参数量更大的模型。由于刚开源几周，商业化影响仍待观察。
华为云2023年在推出盘古大模型3.0时，就表态采用闭源路线。过去一年，它的重心是在各行业进行联创，落地大模型，并将技术回馈盘古，不断迭代，未参与业界开闭源讨论。华为云在上周也刚刚官宣盘古5.0多模态大模型，发布期间也未涉及开源问题。同时，华为云于去年上线“百模千态”专区，提供第三方开源大模型。
最近在项目订单上活跃的智谱，是国内最早开源大模型的企业。因为智谱由清华技术成果转化而来，2022年，它就将开发的双语千亿模型GLM-130B开源，“当时全国懂大模型的研究员加起来也不过百来人”。智谱CEO张鹏称，开源让大家知道智谱在做什么，同时可以让更多人参与推动大模型。此后在2023年3月，智谱将GLM6b开源，该模型在Hugging Face上的下载量超过1600万。
虽然张鹏认为开源的初心并不是要去赢得市场或追求商业利益，但ChatGPT爆火后，智谱的GLM开源大模型获得大量关注，也让这家2019年才成立的公司，在融资和商业化上受益颇多。张鹏也称，开源和商业化是整个生态版图里很重要的两块，这两块是有连接的，可以说开源充当着商业化的桥梁。
王小川的百川公司，去年作为创业的明星公司，发布了Baichuan-7B、13B开源可商用大模型，在业界引发关注。当时有应用开发商告诉数智前线，测试后，他们从Meta的Llmma转向百川，因为中文效果更好。
百川开源时，国内大模型开源的还很少。此后，越来越多的大模型公司，包括大厂，开始开源。百川联合创始人谢剑告诉数智前线，未来还会开源，但不会开源特别大参数的模型，因为很多人用不起来。
最近快手的文生视频大模型“可灵”很火爆，不少应用企业“祈盼”可灵开源。但快手相关人士表示，暂不考虑开源，而会逐步开放一些东西在业界讨论。
而昆仑万维最近开源了一个稀疏大型语言模型Skywork-MoE，为应对大规模密集型大语言模型带来的挑战。昆仑万维兼天工智能首席科学家颜水成告诉数智前线，开源大模型帮助学界进行探索性工作，而公司也推出音乐、游戏等垂类模型，将采用闭源商业模式。
李开复的创业公司零一万物，是这波大模型独角兽中最后一家开源的企业。公司开源负责人林旅强非常坦率，认为开源和闭源是商业设计问题。零一万物也采取了开源、闭源并进的模式。开源在一定程度上扮演了商业拓展角色。同时，今年零一万物发布千亿参数模型Yi-Large，一些使用了开源模型的客户有望转化到该闭源模型上。
02
开源大模型与开源软件有三大区别
虽然大模型开源如火如荼，但业界一直在诟病它的透明度，质疑为什么好多信息，企业不公开。实际上，大模型开源和传统软件开源不是一回事。
红帽中国首席架构师张家驹告诉数智前线，软件开源是指源代码开源，拿到源代码，我们就“知其然也知其所以然”，也可以在源代码基础上，去修改或增加新功能。
但大模型是一个黑盒子，里面有很多至今无法解释的现象，所以对大模型的开源，业界提出了更多维度，有的说需要四部分——权重、数据集、代码和训练过程；也有的说需要五部分，还包括了框架。即使是这些定义，业界也有不同意见：为什么会有这样的定义？这更像是从传统开源软件的思路来考虑的。
有趣的是，只有极少数公司或机构的大模型，同时开源了上述四部分或五部分，比如IBM刚刚开源出来的Granite大语言模型；也有像智源研究院、马斯克旗下大模型公司xAI ，开源了权重和数据集。比如，根据智源人工智能研究院副院长兼总工程师林咏华的介绍，今年6月，智源最新开源数据集分为两类，一类是通用开源指令微调数据集，一类是行业垂类数据集，涵盖18个行业。
“现在业界的共识是，至少将权重再加上一些推理代码开源。”零一万物林旅强说，只有这两部分开源，其他人才可以将开源大模型使用起来。由此，开源大模型现在的定义，有点像微软提过的“免费软件”。所以，谷歌等公司在其官网上称是开源权重（open weight），而不是开源大模型。
为什么在开源大模型中，权重如此重要？有业界人士将权重打比方为“一大堆数字”，一个13B的模型，就有130亿个数。这些数字与模型如何处理输入的数据、如何做出预测和生成文本等相关，代表了一个大模型的智慧。
而在大模型中，代码分为预训练代码、微调代码和推理代码。预训练代码是大模型公司的核心；对于微调代码，市场上已有很多公开方法，而大模型要被用起来，需要推理代码。至于训练过程和数据集，往往也是大模型厂商的核心所在。
与传统软件不同，在大模型开源上，企业的态度有了微妙的变化。现在大模型的成本太过高昂，训练一个千亿级参数模型，要几千万甚至上亿，因此，很多公司在开源问题上变得保守。这是一个现实问题，每家公司的开源，必然服务于自己的商业战略。而且，即便将这些核心都开源出来，大多数工程师和企业也没有那么多资源去复现。
业内人士认为，开源大模型和开源软件有三个核心区别：
一是透明度完全不一样。开源软件的代码能说明一切，从而可以形成一套治理体系；大模型当下还是一个黑盒子，内部机理还是未知的。
二是大模型社区的性质发生了变化。之前开源社区讲求全球工程师来贡献；但因为算力等资源限制，在大模型社区里，或许90%以上的工程师，无法直接为大模型贡献，因此很多社区变成了单向模式，大家只是使用大模型。在HuggingFace上，Meta的Llmma开源大模型，已经有几千个变种，但彼此之间没有太多交互，也很难将创新合并。
其三是大模型企业开源策略发生变化。中国信通院知识产权与创新发展中心产业发展研究部主任张俊霞说，因为大模型的训练投入特别大，这导致企业在开源策略的选择上，特别是在一些许可或信息披露上，都有很大不同。“这个问题现在不管是国内还是国际社区，都在非常激烈地讨论。”
不过，近期，一些动态正在发生。比如，红帽在社区贡献上有了尝试动作。一方面IBM开源了Granite模型；另一方面，“训练过程”在另外一个开源项目InstructLab中。由IBM出资建设了一个平台。每过一段时间，就把大家“集”来的数据放在上面“训”，形成模型的迭代。同时，用户也可以选择保留自己的数据，训练分叉的模型。“客户不用‘躺平’，可以用他们的场景、经验参与到调试当中，不断在变化之中调优。”红帽大中华区资深市场总监赵文斌告诉数智前线。
而张俊霞认为，大模型时代，对开源的定义以及未来的治理，不管是从项目层面、企业层面还是从国家层面，也都会发生一些翻天覆地的变化。
03
“开源的目的不是一定要超越闭源”
除了如何定义开源大模型，开源派和闭源派，在开闭源大模型孰强孰弱和安全性上，有着交锋。
如果在当下这个时间点，OpenAI等的闭源模型比较强。“但不意味着闭源会持续遥遥领先。”零一万物林旅强说，未来当算力平民化，再加上互联网协作精神，可能5年、10年，开源大模型就会变得更强。
不过，智源研究院智能评测组负责人杨熙从评测角度看，单纯把开源模型和闭源模型放在一起来比较，可能有失公允。因为闭源大模型可能是一套体系，比如包含了检索增强等技术，而开源模型是一个单体模型，拿“多对一”，肯定不合理。
而红帽张家驹认为，开源的目标不是说一定要超过闭源。“即便之前全球工程师合力做Linux，目标也不是要超过闭源。”开源的价值是更加公开透明，技术上更加平权，不会让其成为少数人牟利的手段。“更为关键的是，对于人工智能来说，如果未来走向AGI，开源让AI的发展走向，更符合全人类的利益，这一点的价值要远高于在某一方面去超越闭源。”
而开源和闭源大模型谁更安全，业界也有着争议。开源派认为，在闭源环境当中，大家不知道有没有人监督它。开源的好处是一旦出现一些安全问题，整个社区会来共同检查。
但也有人士认为“开源也会带来各种意想不到的问题”。比如，开源可能将大模型交到了“恐怖分子”手里。“举个例子，开源大模型的数据集，如果别人加了一些数据，训练出大模型去干了违法的事。”一家大模型企业开源负责人对数智前线说，虽然他们也有开源大模型。另外，现在各国都强调数据主权，数据开源后怎么追踪也是问题。“所以国家鼓励开源，但不是无限制的开源。”
对于这些观点交锋，智源研究院杨熙称，开源、闭源其实都存在透明性、合规性、安全性的问题，也涉及治理问题。
信通院张俊霞提出，关于治理，其实大模型是一个技术性非常强的领域，所以“技术的问题，一定要依赖技术”。她看到，谷歌发布了一款开源工具Model Explorer，帮助人们理解大模型技术的内部工作机制；IBM、微软也发布了关于开源大模型或人工智能的伦理和解决手段，非常值得学习参考；今年1月，腾讯发布了安全治理框架，涉及一个模型整个生命周期里每个阶段的安全技术、问题和管理等。
杨熙则强调，开源其实对模型内在机理的刻画和理解，非常有帮助。“在我看来，开源和闭源是一个硬币的两面。”智谱杨熙称，开源可能促进我们更多的探索性和基础性工作；闭源更多促进产品化和商业化，推动大模型走进每个人的生活。这两件事其实不应该是之争，而是和谐共存。
“现在，什么样的框架最适合从行业监管角度，既不太过于增加企业的负担，又能够实现行业事前、事中、事后的一个完整的监管，其实全球还没有一个统一的答案，仍然在探索过程中。”张俊霞说。
04
开源闭源，商业化应用如何选择
在开闭源的选择上，智谱张鹏认为，如果只是想做一些实验和尝试，可以选择开源模型，但如果想要在上面做商业化应用，大部分人还是会选择商业化版本，因为有保障，能够提供更好的服务。
这代表了业界、尤其是ToB行业很多人士的观点。
红帽张家驹则认为，无论是开源、闭源，需要优先考虑客户是否需要本地部署大模型。无论国内外，不少客户都有自主可控的需求。如果采用公有云上的模型，比如OpenAI，客户要考虑数据暴露信息的问题。“这是个很重要的问题。”
值得注意的是，闭源大模型是否能部署到本地，需要获得允许。开源大模型同样需要依据一些协议以及合规性。从技术角度来讲，很多开源部署到本地是可行的。而开源可以方便地进行微调，打造行业大模型，这是其优势。
除了本地化部署之外，也有企业需要调用公有云上的大模型。“大模型的需求一定是开放混合的。”张家驹说。
大模型应用开发商北京可为是最早在市场监督管理领域，打造、落地行政执法垂直大模型的企业。公司联合创始人曾明告诉数智前线，他们在开闭源大模型中，最终选择了开源大模型。一方面，行政执法是比较知识化的应用，去年他们在测试验证中就发现，当时的开源模型在解决主要场景上，已经符合要求；另一方面，成本是重要的因素之一。同时，这类垂直大模型属于政务应用，客户对数据安全要求极高，不能触碰红线，需要私有化部署，而开源模型在这方面更为灵活方便。
“在选择开源大模型的过程中，我们做了很多验证，做的最苦的也最有意思的，就是这个过程。”曾明说，他们不断对不同模型验证，对自己的训练策略验证。“你要教大模型，去还原人类推理和思考的过程。所谓的够用与不够用，就看推理的结果是不是能达到要求。”
此外，不少业界人士认为，目前企业开源的大模型通常是中低版本的，而闭源的模型性能更强，更适合比较高要求的应用，如当下大模型企业与标杆客户联合共创的类型。而大多数普通应用场景，开源已能满足要求。
大模型时代，无论对开源的定义、治理还是社区运营、商业化，目前都处于快速演变之中。上述问题仍在激烈的碰撞和演进中。
热门跟贴