1980年代的MIT人工智能实验室,两间挨着的办公室,住着两个后来分别塑造了软件业和金融业一角的人。一个是Richard Stallman,自由软件运动的发起人;另一个是后来创办对冲基金Two Sigma的David Siegel。两人为"代码到底该不该公开"吵了两年,Siegel一开始坚信商业公司必须锁住源码,软件才有进步的动力。两年辩论下来,他被说服了。
四十多年后,这段私人往事被Siegel写成一篇评论,7月3日登在Fortune上,标题很直白:开源之争,现在轮到AI了,赌注更大。文章的落点也很直接——前沿AI模型正在加速闭源,而这恰恰发生在AI科学远未成熟的阶段。
故事讲清楚了,论点却没讲完
Siegel的历史叙事没有问题:GCC和GNU/Linux确实证明了"透明优于隐藏"曾赢得整个行业的共识,当年"安全靠隐藏源码"的旧信条,被开源社区自我修复的能力彻底打败。他也点出一个容易被忽略的代价——闭源系统教不出下一代工程师,最先进的系统谁都看不到内部长什么样,人才从哪来?
这套逻辑拿来类比AI,大方向站得住:前沿模型确实越来越封闭,OpenAI、Anthropic、Google这类头部实验室的旗舰模型基本不公开权重之外的任何东西,能拿到手的开放替代选项确实稀少。
但文章唯一真正需要说服人的部分,恰恰没写完。Siegel自己提出了最强的反方观点——"AI太危险,不能开放"——并承认这值得认真回应。可紧接着能看到的文本就断在这里,反驳没有展开。读者如果只扫到这一段,很容易误以为作者已经把安全风险这道题解完了,实际上留白的恰恰是全文分量最重的一环。
"能跑"不等于"能懂"
Siegel文章里最值得记住的一个区分,是"运行代码"和"训练代码"的分野。现在被称为"开源"的模型——包括中国头部实验室和部分美国公司放出的版本——给的通常只是能让模型跑起来的权重和推理代码,真正决定模型"怎么学出来"的训练代码和数据,几乎从不公开。拿到手的是一堆能产生智能的数字,却说不清这堆数字是怎么长出来的。
这个区分戳穿了一个常见误解:开放权重不等于开源。能下载、能微调,不代表能审计。Siegel还补了一刀——模型自己给出的"解释",不是对计算过程的忠实记录,只是事后拼出来的一个说得通的故事。审计和解释,是两件事。
能跑不代表能懂,能解释不代表能审计。
谁在喊话,喊给谁听
这篇文章的发布路径本身也值得多看一眼。Fortune首发是7月3日,而流传的这份PDF,来自Siegel自己关联的非营利机构Siegel Family Endowment,重新挂网是7月15日——晚了将近两周。一篇观点评论,先上商业媒体,再被作者自家基金会官网转发存档,这更像一次二次分发,而不是突发新闻的首发信号。
作者身份也不是没有分量。Siegel是Two Sigma的联合创始人,一家靠算法和数据吃饭的量化投资巨头,他呼吁的是"公共资金资助的AI默认开源"——政府出钱,开放使用。这个立场未必站不住,开源软件确实靠公共和企业投入才走到今天。但一位量化巨头创始人替"开源AI"站台,读者至少该问一句:他和他名下的基金会,是不是也是潜在的受益方?这不是否定他的判断,而是判断需要连着背景一起看。
- 提醒.文章反复强调"开放AI替代方案稀少",但现实中开放权重的模型项目并非空白,只是没有一家真正公开训练全过程和数据来源——这才是稀缺的具体所指,不该被读成"什么都没有"。
政策会落地,还是停在专栏里
Siegel给出的解法很具体:公共算力资助、企业与慈善资金支持高校和非营利机构、以及"公共资金建的AI默认开源"这条硬规则。这套思路和当年联邦资助推动开源软件生态的路数是一回事,方向不新鲜,新鲜的是现在要不要重来一次。
问题在于,这类主张目前还只停在意见领袖的专栏和基金会官网之间打转,没看到政府或大型机构公开讨论、更别说试点"默认开源"这条规则。天下熙熙,皆为利来——闭源阵营的头部实验室每一家都在商业逻辑里跑得很顺,谁会主动松手?开源的钟摆能不能摆回来,不取决于道理讲得多漂亮,取决于有没有人真把公共算力的钱砸进去。这件事眼下能确定的只有一点:呼吁已经喊出来了,买单的人还没出现。