AI的未来：开源还是闭源，真正的分界线在别处？|ai的未来|编译器|调用|锚点

【留美学子】第3910期

13年国际视角精选

仰望星空·脚踏实地

【陈屹视线】教育·人文·名家文摘

让认知永远快人一步

AI的未来：开源还是闭源，真正的分界线在别处？验证权归属，或是AI竞争的底层标尺

作者：刘丹（DAN LIU，谷主）

【作者声明】

在展开之前，必须先说清楚两件事。

第一，这篇文章讨论的，是Transformer架构下的AI，不是“未来可能的AI”。

第二，这篇文章建立在前六篇的推演之上——Transformer架构下的AI，停在半AGI。它能替代执行层，难以独立承担最终判断。它能大规模试错，选不了终局方向。它有真值标尺的地方跑得快，没标尺的地方跑不动。

如果你读过前六篇，这篇就是那个推演在“行业竞争”层面的展开。

如果你没读过前六篇，这篇也可以独立看。它从一个更具体的问题开始：开源还是闭源？

最后，必须说清楚：这篇文章不打算回答“开源还是闭源更好”。它只是指出问题，以及不同选择可能通向的不同后果。

注明：本文在文献调研、图表制作、文字润色，以及部分数据收集与初步核对等环节使用了AI辅助；文章的观点、判断与逻辑框架均由本人提出，并由本人负责。

【导言】

这是《Transformer》系列文章的第七篇。

前五篇，我们拆了一件事：Transformer架构下的AI，缺一根轴。

第一篇：它走不到真正的理解。概率预测不是理解。

第二篇：验证权不能留给自己。系统不能自己宣布自己是对的。

第三篇：它缺的是验证轴。没有这根轴，它不知道自己的前提什么时候失效。

第四篇：那六个工程死穴，不是它的错，是所有概率引擎的共同难题。

第五篇：它会停在半AGI。

什么是半AGI？

这是本文前五篇建立的工程定义，不是行业统一术语。

在给定方向和真值标尺的前提下，能持续、大规模地超越人类平均执行水平；但不具备自治的世界模型，不能自己定义方向，不能跨领域可靠迁移，也不能对“自己是否已经偏离前提”做出独立判断。

这个定义有边界：多数场景的真值标尺本身不清晰，半AGI的边界会随场景漂移。它不是可检验标准，是推演起点。

第六篇，我们把这个推演落到了一个具体行业——软件工程。在那里，问题变成了：AI能写代码，但不能签字。谁有资格为结果签字？

这一篇，我们把同一个推演，放到行业竞争层面。

过去几年，行业一直在争论“集中式还是分布式”“大模型还是小模型”。但这两个维度，都不是真正的分界线。

真正的分界线是：验证权在内部，还是外部。

但在展开之前，还要补一个边界。本文限定在Transformer架构下讨论。若以当前架构下验证能力集中为由选择闭源，在效果上接近于押注Transformer是长期可依赖的底层架构。从软件史看，Unix、Android、互联网的底层协议与实现，其持续演化与开放标准或开源生态密切相关。这个问题本文不展开——一旦展开，就进入架构替代问题，会改变本文的前提。但它悬在那里：如果底层架构本身会发生代际切换，那么今天围绕“开源还是闭源”的争论，可能争的是一个正在被替换的舞台。

这里必须先把“验证权”拆开。它实际上混合了三个东西：

验证能力：能不能检查？
验证权：谁有资格说“你错了”？
验证依据：凭什么说你错？

开源主要改变验证能力的分布——它让更多外部主体有能力检查。
责任和治理决定验证权归谁——谁有权力裁定。
外部真值锚点决定验证依据是否独立——那个尺子是不是模型自己改不了的。

三者分开之后，这篇文章要讨论的问题就清楚了：开源还是闭源，本质上是验证能力分布的问题。而真正决定胜负的，不是验证能力分布，是有没有外部真值锚点。

它不是一篇站队文章。它不提供答案，只画因果。

开源还是闭源，不是道德选择，是工程决策

今天讨论开源和闭源，常常陷入两种情绪：

开源派说：开放是进步，闭源是垄断。
闭源派说：保护知识产权，天经地义。

两种说法都有道理，但都没有说到根子上。

开源还是闭源，首先是一个工程决策。它取决于：你的架构，内部验证能力能不能覆盖错误来源？

内部验证能力强、能覆盖错误来源时，闭源更容易成立。
错误来源越来越多、内部验证难以覆盖时，开放外部验证的价值就越来越高。

这不是道德问题，是架构问题。

用交易系统的话说：自营交易台，策略自己研究，风控自己定。单个团队可以覆盖所有环节，不需要向外公开。做市商网络，几百个节点，每家报价都可能出错。没有统一清算所，你必须让所有节点互相可见、互相校验。否则整个网络就是噪音。

开源，就是让所有节点互相可见。

集中式为什么可以闭源

集中式路线的关键，不是错误来源少，而是错误来源和验证能力仍集中在同一个组织内部。

一个顶尖团队，内部可以覆盖。模型越大、算力越集中，团队越有能力在内部发现问题、修正问题。

所以，集中式路线选择闭源，是合理的。

它保护的是公司的核心投入。训练成本极高，数据、算法、工程细节都是核心资产。闭源，是保护这些资产的自然选择。

但闭源有一个代价：验证能力封装在内部。

外部看不见它的错误，审计不了它的决策。它可以用高精度输出，推迟外部对危险的认知。

这不是“它想骗人”。这是“它的架构决定了，外部没有能力验证它”。

用交易系统的话说：自营交易台，风控规则自己定，外部审计难。它可以用高精度策略，把风险藏在漂亮的收益曲线下面。等到风险暴露的时候，往往已经来不及了。

这就是集中式闭源的潜在风险：用高精度推迟对危险的认知。

但这里必须区分两件事：开源，和风险设计的公开。

集中式路线不必开源。模型权重、训练数据、工程细节，那是公司的核心资产，可以不开源。

但集中式路线只要仍然建立在概率函数之上，就不能把风险设计本身完全封装在黑箱里。

外部至少应该知道：这个概率系统在什么条件下容易失效，可能以什么形态出错，哪些场景属于已知风险，哪些地方存在验证盲区，风险边界在哪里。

为什么？

因为目前还没有一套被广泛认可、能够覆盖所有场景的有效验证标准。很多场景没有外部真值锚点，也没有统一的证伪边界。内部核查可以证明“我们做过测试”，却未必足以让外部判断“风险究竟在哪里”。

这不是要求公司交出核心资产。

这是要求公司交出风险评估的坐标系。

开源，是交出权重。

风险边界公开，是交出风险地图。

前者是商业选择，后者是工程责任。

你可以不告诉世界你是怎么造这台机器的，但不能不告诉世界：这台机器在哪些地方可能失灵。

闭源不是不能接入外部验证。但它的验证过程是否能够被外部复现、审计和质疑，是另一个问题。

分布式为什么越来越需要开源

分布式路线，错误来源多。

不是多一个，是多好几个。

底层概率引擎：概率预测本身会出错。
分流机制：MoE路由可能派错专家。这是概率判断，不是确定性判断。
压缩机制：MLA通过潜在表示压缩KV状态，在显著降低KV缓存开销的同时，也引入了表示压缩与信息保真之间的工程权衡。
循环机制：当循环推理被分散在不同子模型或不同推理阶段之间时，误差可能在跨节点传递中累积。

四个概率层叠加。任何一层的错误，都可能成为下游错误的输入，并在链路中被放大。

单一团队，根本覆盖不了这么多错误来源。

不开源，错误就锁在黑箱里。你不知道是底层错了，还是路由错了，还是压缩丢了信息，还是循环跑偏了。

开源，是分布式架构的工程必要条件。不是道德选择，是“你不得不”。

用交易系统的话说：做市商网络，几百个节点，每家报价都可能出错。没有统一清算所，你必须让所有节点互相可见、互相校验。否则整个网络就是噪音。

开源，就是让所有节点互相可见。

四、开源只是必要条件，不是充分条件

开源能让错误暴露得更早。

社区可以复现、可以测试、可以证伪。一个模型在弱真值场景中“听起来合理但实际错误”的案例，会被迅速传播。

但暴露错误，不等于修正错误。

社区擅长发现高频、显性、可复现的错误。低频、高危、依赖上下文的隐性缺陷，仅靠开放权重，不足以自动收敛。

透明度是必要条件，不是充分条件。

开源+外部真值锚点，才能让分布式试错真正收敛。

没有真值锚点，开源社区的智慧再大，也只是在噪音里找信号。

真正的分界线：验证权在内部还是外部

闭源

开源

验证能力分布

内部集中

外部开放

优势

高精度，单点性能强

透明度高，弱点暴露早

风险

用高精度推迟对危险的认知

众包变噪声，缺乏收敛

核心问题

外部审计难，验证不透明

没有硬锚点，试错不收敛

闭源的问题：验证能力集中在内部，外部审计难。它需要把更多验证条件向外部开放。

开源的问题：验证能力虽然更开放，但没有硬锚点，众包变成噪声。它需要把试错从噪声变成收敛。

两者都缺同一个东西：一个模型无法修改的外部真值锚点。

不是开源还是闭源。是有没有外部真值锚点。

但这里必须补一句：

Transformer架构下的AI，仍然处在一个探索的初中期。

这不是为当前架构辩护。这是说，我们连“这条路到底能走多远”，都还没有走完。

最近一两年，这条路上还在陆续冒出新东西——更省显存的注意力结构、更高效的专家路由、更激进的缓存压缩。它们不能告诉我们终点在哪，但至少说明：现在下“这就是极限”的结论，还太早。

而恰恰因为还在探索初期，开源的意义，就不只是商业策略。

它还是一种发现机制。

在硬真值场景，开源与不开源，并不决定验证能不能成立。编译器、证明器、自动测试、物理反馈，最终都可以替我们判断结果对不对。

但在弱真值场景，问题完全不同。这些领域没有统一、稳定、可重复调用的外部真值。这时候，如果只有一家公司闭源探索，它当然可以不断提高自己的能力，但它很难知道：自己的盲区究竟在哪里。

开源至少可以让错误更早暴露。社区可以复现，可以测试，可以证伪；不同背景、不同经验、不同利益诉求的人，也可以从不同角度攻击同一个模型。

这些攻击不能构成验证轴。但它们可以构成一个分布式的错误发现网络。

这是两回事。发现错误，不等于证明错误。暴露问题，也不等于解决问题。

所以，开源只是必要条件，不是充分条件。开源可以让错误暴露得更早；但只有当错误最终能够落到外部真值锚点上，分布式试错才可能真正收敛。没有真值锚点，开源社区的智慧再大，也可能只是在噪音里寻找信号。

所以，在Transformer仍处于探索初期的阶段，验证轴和开源其实解决的是两个不同的问题。

验证轴负责判断：是不是对的。
开源负责发现：可能哪里错了。

前者决定试错能不能收敛，后者决定盲区能不能尽早暴露。

两者不矛盾。两者缺一不可。

没有验证轴，开源容易变成噪音。
没有开放的发现机制，验证轴又容易变成黑箱。

在Transformer还没有走完它的路之前，这两样东西，我们都需要。

现实中的闭源路线：半集中式

现实中的闭源路线，并不是纯集中式。

它们大多是半集中式：在一个维度上集中，在另一个维度上分布。这里说的“半集中式”，是一个分析模型，不是对这些公司内部架构的完整分类。

ChatGPT的公开信息显示，它采用了分层路由——快模型、深度推理模型、实时路由器。但它的内部状态管理方式，并未完全公开。

Claude的具体内部架构，并未像部分开源模型那样完整公开。但它在长上下文处理和动态稀疏化方面的公开表述，至少说明它走的是一条与纯集中式不同的路径。这里暂把它作为闭源路线的代表，而不是作为具体架构分类的证明。等它的架构更透明了，这个判断可以再验证。

半集中式，是闭源路线的现实选择。在本文的分析模型里，它既不是纯集中式——成本和复杂度会迅速上升；也不是纯分布式——错误来源增加后，内部验证覆盖会变得困难。

半集中式在两个维度各让一步：一个维度集中，保证核心能力；一个维度分布，降低成本、提高效率。

但它仍然有一个问题：验证能力仍然集中在内部。

半集中式降低了错误来源，让内部团队可以覆盖。但它没有解决“外部无法验证”的根本问题。

现实中的开放路线：分布式倾向

开放路线，呈现出一种分布式倾向。

本文把以下公开技术特征视为“广泛试错/效率导向范式”的代表性表现，而不是对这些公司的完整内部架构进行分类。

公司/模型

公开技术特征

开源情况（基于公开资料）

DeepSeek

MoE稀疏激活 + MLA压缩KV

开源权重，公开MLA、MoE等技术

Qwen

混合注意力（GatedDeltaNet+ 标准注意力）

开源权重，公开混合注意力等技术

Kimi

KDA + MLA混合路线

开源权重，公开KDA+MLA等技术

附：以上信息基于公开资料整理，仅供理解技术差异，非完整评价，亦非内部信息。开源情况仅指模型权重是否开放，训练数据、训练代码等可能未开放。

分布式开源，是硬件约束下的现实解。

单卡性能受限，单点算力不够，那就把算力分散开。不追求一个模型解决所有问题，而是多个模型、多条路线并行跑。不追求全量KV Cache，而是压缩、稀疏、共享。

但约束本身也逼出了一种优势：成本更低，迭代更快，容错更高，生态更开放。

开源在这里不只是纠错机制，也是硬件不足下的自然策略——单靠自己跑不快，就让大家一起跑。

真正的胜负手

这场比赛真正比的，不是谁先喊出AGI，而是谁先把验证轴建起来。

半集中式闭源的问题：验证能力集中在内部，外部审计难。它需要把更多验证条件向外部开放。

分布式开源的问题：验证能力虽然更开放，但没有硬锚点，众包变成噪声。它需要把试错从噪声变成收敛。

两条路都缺同一个东西：一个模型无法修改的外部真值锚点。

这里说的“外部”，不是指必须开源，而是指真值本身不能由模型单方面修改。闭源系统同样可以接入外部真值标尺——编译器、数学证明器、自动测试、物理实验、市场真实结算。关键不在它接入了什么，在于这把尺子的刻度，不能由被测量的模型自己来修改。一旦刻度可以被模型修改，它就不是外部锚点，只是另一层内部验证。

谁先建起外部真值锚点，谁就可能获得一种此前没有的系统级优势：让试错真正开始收敛。

不是谁方向永远正确，是谁方向错了以后，能够最快换纸。

真正的系统优势，不是永远正确，而是错误发生之后，仍然能够活着、看见、验证、重画。

验证轴=系统的止损机制。外部真值锚点=可审计的对账系统。

但为什么验证轴一直没被建起来？

所有人都在把车造得更快，几乎没有人肯停下来修刹车。当今最顶尖的AI人才，几乎全压在“让模型更强”这一条轴上。速度能量化、能排名、能融资；可“怎么知道它错了”的那套东西，是公共品——没人抢着建，于是没人建。这不是谁的短视，是整个行业的激励结构，天生就长歪了。

有人碰过零件，但很少有人把它们焊成一台机器。验证分级、外部真值、自我改进……学术界攻的都是单点。这九篇想做的不是发明零件，是把散落在不同领域的零件，按同一条因果链焊起来——从“概率预测不是理解”，一路拧到“谁来签字、谁来负责”。

验证轴不是可选项。没有它，系统就不知道自己什么时候错了。

这就是“能力越强，杀伤力也越强”的含义。

这不是理论上的可能性。金融工程的历史上，已经有过非常接近的先例。

LTCM，就是一个。

这家量化交易公司聚集了华尔街最顶尖的一批人才，其中包括1997年诺贝尔经济学奖得主罗伯特·默顿和迈伦·斯科尔斯。斯科尔斯正是布莱克—斯科尔斯期权定价理论的重要奠基人之一。

LTCM成立后的前几年，业绩极其出色。前四年回报率分别为20%、43%、41%、17%，到1997年底，基金权益一度膨胀到约70亿美元。随后，1998年俄罗斯债务危机引发全球金融市场剧烈波动，原本建立在历史关系、相关性和模型假设上的交易体系开始失效。基金遭受重创，净值损失约九成，并濒临破产。最终，美联储纽约分行组织14家金融机构参与重组，私人部门向LTCM注资约36.25亿美元，以避免其倒闭可能造成的更大市场冲击。

不是因为他们不聪明。

恰恰相反，他们的模型太强，历史上的成功太多，以至于模型失效之前，没有人真正知道：模型究竟在哪些条件下会失效。

他们知道自己知道什么，却没有一套足够强的机制，让他们及时知道——自己不知道什么。

Knight Capital，是另一个完全不同的例子。

2012年8月1日，Knight的自动化股票订单路由系统发生部署错误。短短45分钟内，系统在处理仅212笔客户订单时，错误地向市场发送了400多万笔订单，累计成交超过3.97亿股，并形成数十亿美元规模的非预期头寸。最终，Knight损失超过4.6亿美元。

更值得注意的是，SEC后来发现，Knight内部系统实际上产生了97封自动邮件，其中已经出现了能够提示错误的信号，但这些信息没有被及时当作系统报警处理。

LTCM败在模型不知道自己不知道什么。

Knight败在系统不知道自己已经错了。

一个赌的是：数学关系不会在极端环境下失效。一个赌的是：部署完成之后，系统仍然按照设计运行。

它们都成功了很多年。

真正危险的地方恰恰在这里——长期成功，会不断强化对这套系统的信任；而一旦验证机制没有同步增强，错误就可能不是一次局部的“答错”，而是在一个没人看见的方向上持续积累。

这就是“能力越强，越需要早点建起验证轴”的含义。